Professional Documents
Culture Documents
Anne 2011
THSE
prsente
devant lUNIVERSIT CLAUDE BERNARD - LYON 1 ISFA
pour lobtention du
DIPLME DE DOCTORAT
Spcialit sciences actuarielle et financire
prsente et soutenue publiquement le 13/05/2011
par Mr. Alaeddine FALEH
Prsident :
Rapporteurs :
-Ecole Doctorale Sciences Economiques et de Gestion-Institut de Science Financire et d'Assurances (Univ. Lyon I) -Laboratoire de Sciences Actuarielle et Financire (quipe daccueil n2429)-
RSUM
La prsente thse sintresse aux modles dallocation stratgiques dactifs et leurs
applications pour la gestion des rserves financires des rgimes de retraite par rpartition, en
particulier ceux partiellement provisionns. Ltude de lutilit des rserves pour un systme
par rpartition et a fortiori de leur gestion reste un sujet peu explor. Les hypothses
classiques sont parfois juges trop restrictives pour dcrire l'volution complexe des rserves.
De nouveaux modles et de nouveaux rsultats sont dvelopps trois niveaux : la gnration
de scnarios conomiques (GSE), les techniques doptimisation numrique et le choix de
lallocation stratgique optimale dans un contexte de gestion actif-passif (ALM).
MOTS-CLS
Gestion actif-passif, Allocation dactifs, Gnration de scnarios, Optimisation stochastique,
Programmation stochastique, Rgime de retraite
ABSTRACT
This thesis focuses on the strategic asset allocation models and on their application for the
financial reserve management of a pay-as-you-go (PAYG) retirement schemes, especially
those with partial provision. The study of the reserve utility for a PAYG system and of their
management still leaves a lot to be explored. Classical hypothesis are usually considered too
restrictive for the description of the complex reserve evolution. New models and new results
have been developed over three levels : economic scenario generation (ESG), numerical
optimization techniques and the choice of optimal strategic asset allocation in the case of an
Asset-Liability Management (ALM).
For the generation of financial and economic scenarios, some ESG performance indicators
have been studied. Also, we detailed and proposed to improve ESG construction, notably the
choice of the correlation matrix between modelled variables. Then, a set of tools were
presented so that we could estimate ESG parameters variety.
This thesis has also paid particular attention to numerical techniques of optimum research,
which is an important step for the asset allocation implementation. We developed a reflexion
about a global optimisation algorithm of a non convex and a noisy function. The algorithm
allows for simple modulating, through two parameters, the reiteration of evaluations at an
observed point or the exploration of the noisy function at a new unobserved point.
Then, we presented new ALM techniques based on stochastic programming. An application
to the strategic asset allocation of a retirement scheme with partial provision is developed. A
specific methodology for the scenario tree generation was proposed at this level. Finally, a
comparative study between proposed ALM model and Fixed-Mix strategy based model was
achieved. We also made a variety of a sensitivity tests to detect the impact of the input values
changes on the output results, provided by our ALM model.
KEY-WORDS
Asset-Liability Management, Asset Allocation, Scenario Generation, Stochastic Optimization,
Stochastic Programming, Retirement Scheme
REMERCIEMENTS
Je souhaite tout d'abord remercier vivement Prof. Frdric PLANCHET pour avoir dirig ma
thse. Je suis particulirement reconnaissant de la confiance qu'il a su m'accorder ds les
premiers kilomtres de ce marathon, ainsi que de ses prcieux conseils.
Je veux galement remercier Dr. Didier RULLIERE, qui a co-dirig cette thse, et dont les
suggestions ont t particulirement profitables au dveloppement de cette thse.
Sommaire
Sommaire.....1
Introduction gnrale.4
Introduction ............18
Introduction...113
Chapitre 1 : Les modles dALM classiques (dterministes)118
I- Immunisation du portefeuille...118
I-1 Adossement des flux de trsorerie.....119
I-2 Adossement par la duration...120
II- Modles bass sur le surplus..125
II-1 Modle de Kim et Santomero [1988].......125
II-2 Modle de Sharpe et Tint [1990] .....128
II-3 Modle de Leibowitz [1992]....130
II-4 Duration du Surplus.137
Conclusion du chapitre 1.139
Chapitre 2 : Allocation stratgique dactifs et stratgie Fixed-Mix.........140
I- Etude de lallocation dactifs dans le cadre de la stratgie Fixed-Mix.....143
I-1 Prsentation... ..143
I-2 Application...143
Conclusion gnrale.261
Index des graphiques...267
Bibliographie....271
Table des matires...283
INTRODUCTION GNRALE
Pour apprcier la solidit prudentielle dun rgime de retraite, les experts se sont longtemps
limits une approche binaire, selon laquelle il convenait de tout provisionner dans le cas
dun systme par capitalisation et rien dans le cas dun systme par rpartition. Des travaux
rcents mettent en vidence lutilit de rserves pour un systme par rpartition (cf. Delarue
[2001]).
Le fonctionnement financier des rgimes de retraite par rpartition, en particulier en France,
peut tre schmatis comme suit : les flux de cotisations permettent de rgler les flux de
prestations, ensuite le surplus permet, le cas chant, dalimenter une rserve destine rgler
une partie des prestations futures. Cette mme rserve peut se voir prlever le solde technique
dbiteur sil savre que les cotisations sont insuffisantes pour rgler les prestations. Dans le
mme temps, la rserve est place sur les marchs financiers et alloue selon diffrentes
classes dactifs.
La gestion actif-passif dun rgime par rpartition partiellement provisionn peut tre base
sur loptimisation de la valeur de la rserve, compte tenu des contraintes lies au passif quil
doit respecter. Cest dans ce cadre que le choix dune bonne allocation stratgique joue un
rle essentiel dans le pilotage actif-passif dun rgime de retraite, tant donn que les rserves
contribuent part entire la solidit du rgime.
Cependant une difficult consiste dfinir la meilleure stratgie de placement de ces
rserves sur les marchs financiers, notamment dans un contexte de fortes incertitudes
conomiques, comme cest actuellement le cas du fait de la rcente crise financire.
La prsente thse est consacre aux modles dallocation stratgiques dactifs et leurs
applications pour la gestion des rserves financires des rgimes de retraites sur le long-terme.
Mode dorganisation des systmes de retraite fond sur la solidarit entre gnrations. Les cotisations verses
par les actifs au titre de lassurance vieillesse servent immdiatement payer les retraites. Lquilibre financier
des systmes de retraite par rpartition est fonction du rapport entre le nombre de cotisant (population active,
taux de croissance des revenus) et celui des retraits. Le systme franais de retraite est fond sur le principe de
la rpartition.
2
Mode dorganisation des systmes de retraite dans lequel les cotisations dun assur sont places son nom
durant sa vie active (placements financiers et immobiliers, dont le rendement varie en fonction des taux dintrt)
avant de lui tre restitues sous forme de rente aprs larrt de son activit professionnelle. La constitution du
capital peut seffectuer titre individuel ou dans un cadre collectif (accord dentreprise). En France, seuls les
systmes de retraite dits sur-complmentaires (ex. PREFON, COREM, le PERP ou plan dpargne populaire)
fonctionnent selon le principe de la capitalisation lexception du RAFP.
Deux points particuliers font lobjet dun examen approfondi : dune part les gnrateurs de
scnarios conomiques (GSE) utiliss pour la modlisation des fluctuations des actifs
financiers sur le long-terme puis, dans un deuxime temps, les modles proposs pour
llaboration de lallocation dactifs elle-mme. A chaque fois les aspects thoriques
prcderont la mise en uvre oprationnelle sur des exemples.
Concernant les GSE, nous mettons en vidence leurs principales composantes, que ce soit au
niveau de la conception thorique ou celui de la mise en uvre. Le choix de ces
composantes est li la vocation finale du gnrateur de scnarios conomiques, que ce soit
en tant quoutil dvaluation des produits financiers (pricing) ou en tant quoutil de projection
et de gestion des risques. Par ailleurs, nous dveloppons une tude sur certains indicateurs de
mesure de la performance du GSE comme un outil en amont du processus de prise de
dcision : la stabilit et labsence de biais. Une application numrique permettant dillustrer
ces diffrents points est prsente.
Notre objectif final est de proposer un GSE adapt aux spcificits de la gestion actif-passif
dun rgime de retraite. Diffrents modles de diffusion et destimation de leurs paramtres
ont ainsi t envisags pour le panel des variables financires et macro-conomiques qui
interviennent dans ce contexte. Cette partie est illustre par une comparaison des rsultats du
gnrateur de scnario propos avec ceux obtenus avec le modle dAhlgrim et al. [2005].
A ce niveau, notre tude se distingue par l'adoption d'une dmarche novatrice dont l'objectif
est de tenir compte de l'instabilit temporelle de la corrlation entre les rentabilits des actifs.
Autrement dit, nous tenons compte dans la modlisation des possibilits d'volution de cette
corrlation selon diffrents rgimes. Lide principale est de partir de lapproche classique de
changement de rgime (cf. Hamilton [1989, 1994] et Hardy [2001]), qui concerne souvent les
rendements moyens ainsi que les volatilits, pour supposer que les corrlations basculent elles
aussi dun rgime un autre.
Nous introduisons un nouveau concept qui est celui de la corrlation risque
correspondant la matrice de corrlation dans le rgime de crise (rgime forte volatilit des
marchs). Cette matrice refltera a priori la perception subjective de linvestisseur en fonction
des risques auxquels il est expos. La matrice de corrlation dans le rgime faible volatilit
sera considre comme celle refltant la stabilit des marchs (estime par exemple partir de
donnes historiques hors priodes de crises). Une illustration numrique de cette dmarche est
prsente.
Concernant les modles dallocation dactifs, notre tude est axe sur la comparaison des
modles disponibles selon les hypothses sous-jacentes de rebalancement des
portefeuilles : nous faisons la distinction entre une gestion statique (pour laquelle les poids
reviennent priodiquement ceux de lallocation stratgique de long-terme - cas par exemple
des modles poids constants Fixed-Mix) et une gestion dite dynamique , pour laquelle les
poids peuvent scarter dfinitivement de lallocation stratgique initiale selon des rgles de
gestion prdfinies.
Nous verrons que lapproche dynamique prsente lavantage thorique de la robustesse face
aux changements de rgime des marchs. Lautorisation du changement des poids des
diffrentes classes dactifs, sur la base dune rgle de gestion bien dfinie, constitue a priori
un lment intressant. Cela en effet permet lajustement des expositions aux diffrentes
classes dactifs suite lvolution des conditions de march.
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
Cette rflexion sur la construction de modles dallocation dactifs applicables dans une
optique prvisionnelle long-terme nous conduira tudier une approche innovante fonde
sur les techniques de programmation stochastique (cf. Birge et Louveaux [1997]). Il s'agit
d'une version adapte dune technique dj utilise dans le domaine de lingnierie pour la
planification de la production (cf. Dantzig et al. [1990], Escudero et al. [1993]). Lobjectif
sera la mise en vidence et ltude des caractristiques de cette approche.
Comme dj mentionn, cette thse accorde galement une attention toute particulire aux
techniques numriques de recherche de l'optimum, qui demeurent des questions essentielles
pour la mise en place d'un modle d'allocation. Le point de dpart sera notre constat dun
temps de calcul significatif d simultanment un nombre lev de scnarios conomiques
gnrs et un nombre dallocations dactifs testes galement lev.
Dans ce cadre, nous prsentons un algorithme doptimisation globale dune fonction non
convexe et bruite. Lalgorithme est construit aprs une tude de critres de compromis entre,
dune part, lexploration de la fonction objectif en de nouveaux points (correspondant des
tests sur de nouvelles allocations dactifs) et dautre part lamlioration de la connaissance de
celle-ci, par laugmentation du nombre de tirages en des points dj explors (correspondant
la gnration de scnarios conomiques supplmentaires pour les allocations dactifs dj
testes). Une application numrique illustre la conformit du comportement de cet algorithme
celui prvu thoriquement.
Lensemble de ce travail se place dans le contexte des rgimes de retraite par rpartition en
France : par suite les diffrentes applications proposes tiendront compte des spcificits de
ces rgimes. De mme, la faisabilit oprationnelle est un des objectifs cibles que nous
gardons lesprit tout au long de cette tude. Enfin, les trois annes de prparation de cette
thse ont donn lieu la rdaction de trois articles, portant respectivement sur les gnrateurs
de scnarios conomiques (cf. Faleh, Planchet et Rullire [2010] Les gnrateurs de
scnarios conomiques : de la conception la mesure de la qualit , Assurances et gestion
des risques, n double avril/juillet, Vol. 78 (1/2)), les techniques numriques doptimisation
(cf. Rullire, Faleh et Planchet [2010] Un algorithme doptimisation par exploration
slective , soumis) et lallocation stratgique dactifs avec les techniques de programmation
stochastique (cf. Faleh [2011] Un modle de programmation stochastique pour lallocation
stratgique dactifs dun rgime de retraite partiellement provisionn , soumis).
Importance de lallocation stratgique dactifs
L'allocation stratgique d'actifs dun rgime de retraite (ou dune compagnie dassurance en
gnral) est souvent dfinie comme une tape dun processus plus gnral de la gestion actifpassif, en particulier comme ltape en aval de lapprhension des risques et en amont de
lallocation tactique dactifs. Compte tenu de ce positionnement, lallocation stratgique
dactifs vise, soit confirmer l'optimalit de la structure de l'actif existant de la rserve, soit
proposer une structure optimale d'actifs de cette rserve qui permette au rgime datteindre un
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
certain objectif de performance financire tout en respectant ses engagements avec un niveau
de confiance donn. La caractrisation de stratgique vient dune part de lhorizon temporel
auquel sappliquent les tudes dallocation stratgique, dautre part du nombre limit de
classes dactifs considres dans ces tudes, gnralement limit entre trois et dix au
maximum.
Aprs avoir dtermin lensemble des allocations dactifs possibles (allocations tester), la
rsolution du problme de dtermination de lallocation stratgique dactifs pour le rgime de
retraite tudi passe en pratique par trois tapes principales. La premire tape consiste
gnrer des trajectoires pour chaque classe dactifs (actions, obligations, immobilier, etc.).
La deuxime consiste projeter chaque allocation possible en fonction de la rgle de gestion
du dispositif. La troisime tape vise dterminer la valeur de la fonction objectif pour
chacune de ces allocations. Seront susceptibles dtre retenues alors celles qui la fois
maximisent la fonction objectif et respectent les contraintes fixes.
Limportance de lallocation stratgique pour les investisseurs long terme est mise en
vidence dans ltude de Brinson et al. [1991] comme le montre le graphique suivant :
Selon cette tude, la gestion passive dun indice de rfrence rpliquant le jeu de poids
stratgiques du portefeuille suffit pour obtenir lessentiel de la performance espre de ce
portefeuille (autrement dit lvolution de la rentabilit dun portefeuille est 91,5 % le
rsultat de lvolution des classes dactifs sur lesquelles il est investi). Lallocation tactique
qui permet de bnficier des inefficiences temporaires du march des titres et qui peut avoir
pour source soit une slection optimale de titres diffrents de ceux de lindice (stock picking)
soit le choix optimal des dates dachat et de vente de ces titres (market timing), nexplique que
prs de 6,5 % de la performance globale obtenue in fine sur le portefeuille.
Lallocation stratgique doit tenir compte de lvolution dans le temps des rendements des
actifs et de leur structure de dpendance. Cela passe par la slection de la dynamique de
chaque variable pour ensuite effectuer lestimation des paramtres du modle choisi (le
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
calibrage du modle). Nous aboutissons ainsi la mise en place dun modle de gnration de
scnarios conomiques de long terme permettant la projection aussi bien de la valeur de lactif
que celle du passif (le cas chant).
Allocation stratgique et gnrateurs de scnarios conomiques
La projection sur le long terme des valeurs de march des actifs financiers et des variables
macro-conomiques, souvent appele gnration de scnarios conomiques , constitue une
phase cruciale dans le processus dallocation stratgique des fonds dune compagnie
dassurance ou dun fonds de retraite. Elle est un lment central de lvaluation des
provisions pour les garanties financires sur des contrats dpargne dans le cadre de la
directive Solvabilit II (cf. Planchet [2009]).
Un gnrateur de scnarios conomiques (GSE) savre ainsi un outil important daide la
dcision dans le domaine de la gestion des risques, en permettant dobtenir des projections
dans le futur des valeurs des lments qui sont prsents dans les deux compartiments du bilan
de la socit : les actifs (actions, obligations, immobilier,..) et le passif (provisions techniques,
dettes financires,..). Lobtention de ces valeurs passe par la projection dautres variables
macro-conomiques et financires telles que les taux dintrt, linflation des prix, linflation
des salaires et le taux de chmage. A titre dexemple, les prix futurs des obligations sont
dduits partir de la projection des taux dintrt (cf. Ahlgrim et al. [2008]), de mme les
prestations futures du rgime de retraite peuvent tre indexes sur linflation des prix et/ou
linflation des salaires (cf. Kouwenberg [2001]).
Du point de vue oprationnel, la mise en uvre de ces projections sest base initialement sur
des mthodes dterministes, dans des logiques de scnarios, pour tester le comportement des
objectifs techniques dans diffrentes situations considres comme caractristiques. Grce au
dveloppement concomitant de loutil informatique et des techniques de simulation, il est
devenu possible de gnrer moindre cot de trs nombreux scnarios en tenant compte des
interactions entre les multiples sources de risque et de leurs distributions, dans une
perspective probabiliste.
La construction et la mise en uvre dun GSE passent par les quatre tapes suivantes (voir par
exemple Hibbert et al. [2001] ou Ahlgrim et al. [2005]) : la premire tape consiste en
lidentification des sources de risque prises en compte et des variables financires modliser
(taux dintrt, inflation, rendement des actions, etc.) quon appellera dans la suite les
variables du GSE. Ensuite est effectu le choix du modle pour la dynamique de chacune de
ces variables. La troisime tape consiste slectionner une structure de dpendance entre les
sources de risque de faon obtenir des projections cohrentes. Ensuite lestimation et le
calibrage des paramtres des modles retenus doivent tre effectus. Enfin lanalyse des
rsultats obtenus de chaque GSE se fait en termes probabilistes, en analysant la distribution
dindicateurs cls tels que le surplus, ou la valeur nette de lactif.
Construire un GSE pertinent pour lensemble des problmatiques techniques nest pas chose
facile, et en pratique les objectifs des dcisionnaires en termes de choix de gestion ont une
incidence sur la manire de structurer le gnrateur (cf. Ahlgrim et al. [2008]). Deux niveaux
de difficults peuvent tre distingus : celui relatif la conception thorique dun GSE et celui
relatif sa mise en uvre pratique. Il est donc particulirement important de dfinir avec
prcision les principaux lments qui caractrisent un GSE ainsi que les indicateurs de mesure
de sa qualit et de sa performance.
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
Rcemment, la gestion actif-passif sest impose pour les fonds de pension comme une
approche de gestion des risques qui tient compte des actifs, des engagements et aussi des
diffrentes interactions existantes entre ces deux parties (cf. Adam[2007]). Les grants des
fonds doivent dterminer les stratgies admissibles qui garantissent avec une probabilit
suffisante que la solvabilit du fonds est assure (compte tenu des prestations attendues). La
solvabilit est dfinie comme la capacit du fonds payer les prestations sur le long terme.
La solvabilit du fonds une date fixe est souvent mesure par le ratio de financement (le
funding ratio). Il sagit du ratio de la valeur des actifs financiers du fonds par rapport la
valeur des engagements actualiss un taux de rendement choisi. Le sous financement
(under-funding) aura lieu lorsque ce ratio est infrieur 1. Une autre faon dexprimer le sous
financement est de dire que le surplus est ngatif. Ce dernier reprsente en fait lcart entre la
valeur des actifs et la valeur des engagements actualiss.
Notons aussi que la dfinition de la notion dactif ou dengagement diffre selon lapproche
utilise (comptable ou conomique) et selon le type de rgime (capitalisation, rpartition
provisionn ou pas) : cela influe sur le calcul du ratio de financement.
Les fonds des rgimes de retraite sont plus ou moins exposs plusieurs facteurs de risque,
dont le plus important pour le grant de fonds est le risque de sous financement (risk of underfunding) : cest le risque que la valeur des engagements soit suprieure la valeur des actifs.
Les sources de ce risque peuvent tre classes en deux catgories : les risques financiers
(risque des actions, risque de taux, risque de crdit,) et les risques actuariels (risque de
longvit, risque de taux technique suprieur aux taux observs sur le march,).
En effet, le niveau du ratio de financement change au cours du temps, essentiellement cause
des fluctuations de la valeur de march des diffrentes composantes du bilan. Comme
consquence, les rgimes de retraite provisionns sont, par exemple, amens rebalancer leur
allocation dactifs et/ou ajuster le taux de cotisation de leurs affilis afin de mieux contrler
le changement du niveau de ce ratio.
Dans la littrature, les modles dALM sont gnralement classs en trois groupes prsents
chronologiquement comme suit.
Le premier groupe contient les modles dadossement (ou matching) et dimmunisation par la
duration (cf. Macaulay [1938], Redington [1952]). Ces modles se basent sur le fait que les
investissements sont essentiellement effectus dans des obligations. Ceci nous permet
dobtenir, soit un adossement des flux de trsorerie des actifs financiers ceux du passif
(matching), soit un adossement de la duration de lactif celle du passif (immunisation par la
duration).
10
Ces techniques taient utilises jusquau milieu des annes 80 et avaient comme
inconvnients principaux la considration du risque de taux comme seule source de risque
pour le fonds, ainsi que la ncessit dun rebalancement priodique du portefeuille en restimant chaque fois la duration du passif, qui change continment du fait du changement
des taux d'intrts et de l'coulement du temps. Pierre [2009] prsente une approche de la
couverture de passif qui vise rsoudre les problmes mentionns ci-dessus. Lactif sera
constitu dans ce cas dun portefeuille de couverture de type taux (obligations ou drivs)
coupl un portefeuille de rendement. Selon Pierre [2009], cette architecture permet une
flexibilit suffisante pour permettre lactif de sadapter aux mise jour de la valeur des
engagements lors de la revue des hypothses actuarielles ayant permis leur valuation.
Le deuxime groupe contient les modles bass sur la simulation de scnarios dterministes et
sur la notion de surplus (Kim et Santomero [1988], Sharpe et Tint [1990], Leibowitz et al.
[1992]). Les modles de surplus ont pour objet la minimisation du risque de perte du surplus
(mesur par la variance de la rentabilit du surplus) sous contraintes de rentabilit et de poids
des actifs. Ils sont des modles mono-priodiques, ce qui limite leur utilit en pratique pour
des problmes dallocation sur le long terme.
Le troisime groupe de modles utilise les techniques de simulation stochastique (Monte
Carlo) pour modliser lvolution des diffrents lments, que ce soit au niveau des actifs
financiers et des engagements, ou au niveau des variables de march et des variables
dmographiques (cf. Frauendorfer [2007], Munk et al. [2004], Waring [2004], Martellini
[2006]). Ainsi les lois de probabilit associes aux rsultats du fonds de retraite sur le long
terme peuvent tre estimes. A ce niveau, nous nous proposons de distinguer deux sousgroupes de modles dALM bass sur les techniques stochastiques. Llment cl de
distinction sera si oui ou non les poids des diffrents actifs reviennent priodiquement ceux
de lallocation stratgique dfinie initialement (si oui, les modles seront appels modles
poids constants ou stratgie Fixed-Mix).
11
Solvabilit II est une directive-cadre qui a pour but de mettre jour le systme europen de
solvabilit des entreprises d'assurance. Cette directive vise en particulier une meilleure
adaptation des capitaux propres exigs des compagnies d'assurances et de rassurance avec les
risques que celles-ci encourent dans leur activit. Sa mise en application est prvue au 31
octobre 2012 lorsque les discussions entre la commission europenne et le parlement
europen auront abouti et que cette directive aura t retranscrite dans les lgislations
nationales par chaque parlement.
Dans cette directive, une formule standard permet le calcul du capital ncessaire pour couvrir
les risques supports par les assureurs et les rassureurs notamment suite un choc provoqu
par un vnement exceptionnel (ce niveau de capital est galement appel capital de
solvabilit requis ou SCR en anglais pour Solvency Capital Requirement). Cela est dans le but
de contrler la probabilit de ruine un an et de la limiter moins de 0,5 %. Une autre
alternative propose aux assureurs sera lutilisation dun modle interne complet (bas sur
leur structure de risque spcifique). Dans ce cas, une validation de l'autorit de contrle sera
requise pralablement la dtermination effective du SCR partir du modle interne.
Le calcul du SCR tient compte dune panoplie de facteurs de risque (taux, action, spread,
concentration, liquidit, etc.) agrgs sous forme de modules et ce en fonction du domaine
dactivit de la compagnie. Le projet de spcifications techniques pour la cinquime tude3
quantitative d'impact (QIS5) prcise que lanalyse des risques se dcline en quatre catgories
principales que lon retrouve au sein des diffrents modules :
le risque de march, provenant de lincertitude associe la valeur et aux rendements
des actifs financiers.
le risque de souscription, provenant de lincertitude lie la mesure des engagements
pris par lassureur en vie, en sant et en non vie.
le risque de contrepartie, li au dfaut potentiel des contreparties.
le risque oprationnel comprenant lensemble des risques associs aux procdures de
gestion interne et aux consquences dun dysfonctionnement ce niveau.
Chacune de ces grandes catgories de risques se retrouve clate dans les diffrents sous
modules quil faut ensuite agrger, de manire tenir compte de la dpendance entre les
risques (cf. graphique 2).
Lapplication de Solvabilit II aux oprations de retraite semble problmatique, tant donn la
particularit de ces dernires :
Horizon de gestion : La probabilit de ruine un an nest pas forcment une mesure de
risque pertinente pour juger de la solvabilit de lactivit de retraite, pour laquelle les
engagements se font sur le long terme. Ceci laisse donc une grande marge de pilotage pour les
rgimes de retraite susceptibles damortir sur le long terme les risques court terme.
Afin de mesurer leurs implications concrtes, les directives europennes doivent faire lobjet dune tude
dimpact. Cest dans ce cadre que sinscrit la cinquime tude dimpact (QIS 5 acronyme anglais pour
Quantitative Impact Studies 5) pour Solvabilit II.
12
Politique dinvestissement : Une gestion adapte aux contrats retraite tourne vers des
actifs risqus induit un besoin en capital de solvabilit lev. La dtention dactifs rels ou
risqus, tels que les actions ou limmobilier, est fortement pnalise dans la formule standard,
alors quil sagit de supports qui prsentent des avantages notables sur le long terme pour
optimiser le couple rendement/risque.
Toutefois, le positionnement par rapport la grille d'analyse des risques propose par
Solvabilit II est incontournable compte tenu de la rfrence que constitue ce rfrentiel
(mme si le prsent travail n'est pas dans un contexte de Solvabilit II). De ce fait, l'analyse
des risques supports par un rgime de retraite sera effectue dans la suite conformment
cette grille de lecture.
Guid par des objectifs prudentiels, le dispositif Solvabilit II propose une grille danalyse des
risques et dfinit la quantification du besoin en capital gnr par ces mmes risques. Le CSR
tient compte dune panoplie de facteurs de risques agrgs sous forme de modules (taux,
action, spread, concentration, liquidit, etc.) en fonction du domaine dactivit de la
compagnie. Lanalyse des risques se dcline ainsi en quatre catgories principales que lon
retrouve au sein des diffrents modules :
- le risque de march, provenant de lincertitude associe la valeur et aux rendements des
actifs financiers ;
- le risque de souscription, provenant de lincertitude lie la mesure des engagements pris
par lassureur en vie, en sant et en non vie ;
- le risque de contrepartie, li au dfaut potentiel des contreparties ;
- le risque oprationnel comprenant lensemble des risques associs aux procdures de gestion
interne et aux consquences dun dysfonctionnement ce niveau.
Chacune de ces grandes catgories de risques se retrouve clate dans les diffrents sous
modules quil faut ensuite agrger, de manire tenir compte de la dpendance entre les
risques.
Source : Projet de spcifications techniques pour la cinquime tude quantitative d'impact (QIS5)
13
Au niveau de ce chapitre, notre objectif est dexposer ltat de lart en matire didentification
des risques intgrer un GSE. Nous proposons ainsi diffrents critres de classement ainsi
quune tude comparative des caractristiques thoriques et des composantes de diffrents
modles de GSE.
Lintrt est port, dans un second temps, sur les aspects relatifs la mise en uvre dun
GSE. Nous prsentons donc les caractristiques des diffrentes structures schmatiques de
projection de scnarios utilises en pratique. Toujours dans le cadre de la mise en uvre, nous
nous inspirons des travaux de Mitra [2006] et de Zenios [2007] pour recenser diffrentes
mthodologies de gnration des scnarios (les modles ayant trait la dynamique des
variables du GSE).
Ensuite, nous tudions une srie dindicateurs, qualitatifs et quantitatifs, pour la mesure de la
qualit dun GSE tout en tudiant leurs limites. Nous nous rfrons pour cela au travail de
Kaut et al. [2003]. Enfin, les principaux lments exposs tout au long de ce chapitre sont
illustrs travers une application numrique.
Le chapitre 2 de la partie I. Un gnrateur de scnario adapt aux spcificits de la gestion
ALM dun rgime de retraite est construit. Les lments suivants relatifs ce GSE sont
dtaills : sa conception thorique, les modles de diffusion retenus, les approches de
calibrage de ses paramtres ainsi que sa mise en uvre.
Notre objectif ce niveau est dutiliser le GSE construit en tant que moyen pour illustrer un
certain nombre de rsultats obtenus, tout en gardant lesprit les spcificits de la gestion
actif-passif dun rgime de retraite. Quelques amliorations par rapport ce qui se pratique
usuellement sont apportes.
En particulier, notre tude se distingue par l'adoption d'une dmarche novatrice dont l'objectif
est de tenir compte de l'instabilit temporelle de la corrlation entre les rentabilits des actifs.
Nous nous inspirons de lapproche classique de changement de rgime (cf. Hamilton [1989],
[1994] et Hardy [2001]), qui concerne souvent les rendements moyens ainsi que les volatilits,
pour tendre son principe et supposer un changement de rgime au niveau des matrices de
corrlations aussi.
Dun autre ct, diffrents modles de diffusion et de calibrage sont envisags pour le panel
des variables financires et macro-conomiques qui interviennent dans ce contexte. Nous
comparons les rsultats destimation des paramtres du GSE avec ceux mentionns dans
ltude dAhlgrim et al. [2005]. Ensuite, nous tudions les rsultats de projection obtenus tout
en proposant un certain nombre de tests pour juger de la cohrence de ces rsultats.
14
Le chapitre 2 de la partie II. Nous considrons ici une approche rcente dallocation
stratgique dactifs base sur la stratgie dite poids constants ou Fixed-Mix (cf.
Kouwenberg [2001]).
Nous proposons une modlisation du rgime-type de retraite et tudions certains critres
dallocation stratgique dactifs en fonction du type du rgime (provisionn, partiellement
provisionn, etc.) sont tudis. Nous passons ensuite lillustration de la stratgie Fixed-Mix
avec une application sur les rserves dun rgime de retraite partiellement provisionn. Les
rsultats obtenus sont discuts et diffrents tests de sensibilit sont mises en place : ces tests
sont lis principalement limpact des hypothses de rendement ou de corrlation retenues.
Les difficults rencontres lors de la mise en place de la stratgie Fixed-Mix, dues
essentiellement la multiplicit du nombre de classes dactifs considres et au nombre de
scnarios conomiques simuls, nous ont men nous pencher sur les aspects doptimisation
numrique. Le point de dpart est notre constat dun temps de calcul significatif d
simultanment un nombre lev de scnarios conomiques gnrs et un nombre
dallocations dactifs testes galement lev.
Dans ce cadre, une prsentation dtaille des travaux mens lors de la rdaction de larticle de
Rullire et al. [2010] est effectue. Un algorithme doptimisation globale dune fonction non
convexe et bruite est prsent. Lalgorithme est construit aprs une tude de critres de
compromis entre, dune part, lexploration de la fonction objectif en de nouveaux points
(correspondant des tests sur de nouvelles allocations dactifs) et dautre part lamlioration
de la connaissance de celle-ci, par laugmentation du nombre de tirages en des points dj
explors (correspondant la gnration de scnarios conomiques supplmentaires pour les
allocations dactifs dj testes). Une application numrique illustre la conformit du
comportement de cet algorithme celui prvu thoriquement et compare les rsultats obtenus
avec lalgorithme de Kiefer-Wolfowitz- Blum (cf. Blum [1954], Kiefer et Wolfowitz [1952]).
Le chapitre 3 de la partie II.
Les modles classiques dALM dynamiques sont explors, notamment les techniques
dassurance de portefeuille (cf. Perold et Sharpe [1988]) et les techniques de programmation
dynamique (cf. Cox et Huang [1989], Merton [1971]). A ce niveau, les techniques
dassurance de portefeuille bases sur la notion de CPPI ou Constant Proportion Portfolio
Insurance (cf. Perold et Sharpe [1988]) sont mises en place et certains rsultats relatifs ce
modle sont tudis. De mme, les principes des techniques de programmation dynamique et
leurs limites sont galement mises en vidence.
15
Nous nous penchons par la suite sur une approche innovante fonde sur les techniques de
programmation stochastique (cf. Birge et Louveaux [1997]). Il s'agit d'une version adapte
dune technique dj utilise dans le domaine de lingnierie pour la planification de la
production (cf. Dantzig et al. [1990], Escudero et al. [1993]). Dans ce cadre, nous mettons en
place un modle dALM dynamique bas sur les techniques de programmation stochastique.
16
Partie I :
LES GNRATEURS DE SCNARIOS
CONOMIQUES (GSE)
17
Introduction
Au dpart, lanalyse des risques futurs pour les compagnies dassurance et les fonds de
retraite (ou de pension, selon la terminologie anglo-saxonne) se faisait la main en
essayant de rpondre la question et si jamais..? (tude de scnarios dterministes). Ceci
a t suivi par des tudes bases sur ladossement du passif par lactif que ce soit au niveau
des flux de trsorerie futurs ou au niveau des durations de ces deux compartiments du bilan.
Grce au dveloppement de loutil informatique et aux techniques de simulation de Monte
Carlo, il est devenu possible de gnrer des milliers de scnarios conomiques tenant compte
des corrlations entre les diffrentes sources de risque pour ensuite analyser ces rsultats en
termes probabilistes.
Les travaux acadmiques antrieurs 1984 traitent souvent une partie du problme rencontr
par les actuaires. Les travaux sont concentrs uniquement soit sur les actions, soit sur les taux
dintrt, soit sur linflation. Il y a peu de travaux qui mettent toutes ces variables dans un seul
modle en tenant compte des diffrentes interactions entre elles. Le travail de Wilkie [1984]
constitue sans doute une rfrence ce niveau. Ce professeur a prsent pour la premire fois
un modle gnral qui inclut toutes les variables macro conomiques et financires. De mme,
son modle a t simple de point de vue de son implmentation, ce qui la rendu populaire et
pendant deux dcennies il a t la rfrence de tous les modles postrieurs proposs.
Ce type de modle, appel par la suite gnrateurs de scnarios conomiques GSE (en
anglais Economic Scenario Generator ou ESG) permet par exemple de prendre en compte
lhorizon long dinvestissement dun fonds de retraite provisionn et de contrler linfluence
des volutions futures sur le choix de ses paramtres techniques (taux de cotisation, taux de
prestation, etc.). Ce contrle est souvent effectu dans le but de garantir un cart positif
permanent entre la valeur des actifs financiers une date donne et la valeur des engagements
actualiss la mme date via un taux dintrt de rfrence (lcart est appel le surplus). Il
est not ce titre que les GSE constituent le cur des modles de gestion actif-passif
appartenant la gnration des modles dALM stochastiques. Le choix de lallocation
stratgique vient dans un deuxime temps reflter la fonction dutilit de linvestisseur de
long terme.
Le premier chapitre de cette partie reprend largement les points discuts dans larticle de
Faleh et al. [2010]. Notre objectif est dexposer ltat de lart en matire didentification des
risques intgrer un GSE. Nous proposons ainsi diffrents critres de classement ainsi
quune tude comparative des caractristiques thoriques et des composantes de diffrents
modles de GSE.
Lintrt est port, dans un second temps, sur les aspects relatifs la mise en uvre dun
GSE. Nous prsentons donc les caractristiques des diffrentes structures schmatiques de
projection de scnarios utilises en pratique. Toujours dans le cadre de la mise en uvre, nous
nous inspirons des travaux de Mitra [2006] et de Zenios [2007] pour recenser diffrentes
mthodologies de gnration des scnarios (les modles ayant trait la dynamique des
variables du GSE).
Ensuite, nous tudions une srie dindicateurs, qualitatifs et quantitatifs, pour la mesure de la
qualit dun GSE tout en tudiant leurs limites. Nous nous rfrons pour cela au travail de
Kaut et al. [2003]. Enfin, les principaux lments exposs tout au long de ce chapitre sont
illustrs travers une application numrique.
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
18
La deuxime approche dvaluation par arbitrage est celle propose par Ho et Lee
[1986] et Heath, Jarrow et Merton [1992]. Le point clef de cette approche est la
prise en compte de toute linformation contenue dans la structure de taux initiale
en considrant comme donne exogne la dynamique simultane de taux ayant
diffrentes maturits appele aussi dynamique des taux terme contre terme. Cette
Supplment de rendement exig par les investisseurs pour avoir assumer le risque de dtenir des actifs risqus
plutt que des actifs sans risque.
19
que
est slectionn de faon ce que les taux dintrt esprs convergent vers les anticipations
donnes par le march et soient refltes dans la structure de taux observe initialement. Ce
drift est li principalement aux taux forwards implicites.
Heath, Jarrow et Morton [1992] (HJM) gnralisent lapproche dabsence dopportunit
darbitrage : ainsi est prise en compte lintgralit de la structure par terme et pas seulement le
processus suivi par le taux court. Ils prsentent alors la famille des processus de taux forwards
f (t ,T ) de la manire suivante :
df (t , T ) = (t , T , f (t , T ))dt + (t , T , f (t , T ))dB t
Avec : f (t , T ) =
ln P (t , T )
T
Le taux forward f (t ,T ) est le taux, dtermin aujourdhui, une date future t et sur une
dure future (priode) T t . HJM remarquent que le drift des taux forwards peut tre
exprim en fonction des volatilits, ce qui conduit faire de la volatilit le facteur
prpondrant dans lvaluation des prix des produits drivs.
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
20
- sassurer que les processus tudis sont cohrents avec un quilibre gnral,
- analyser la dformation de la courbe des taux en fonction des chocs sur les variables
conomiques sous jacentes,
- fournir une spcification fonde pour lexpression des prix ou des risques de marchs
utiliss dans la valorisation par arbitrage.
Un des principaux avantages du modle dquilibre est que les prix de diffrents actifs
traditionnels ont des formules analytiques explicites (closed-form analytic solutions). Un autre
avantage est que les modles dquilibre sont relativement faciles utiliser. Mais, les modles
dquilibre de structure par terme gnrent des prix de produits de taux qui sont
potentiellement incohrents avec ceux observs sur le march la date initiale. Mme si les
paramtres de ces modles peuvent tre calibrs avec une prcision significative, la structure
par terme rsultante peut gnrer des prix loigns de ceux observs initialement sur le
march.
La formulation mathmatique gnrale des modles dquilibre, dans le cas o il est considr
quun seul facteur explique ces mouvements, est la suivante :
Ce type de modle continu est bas sur un seul facteur stochastique : le mouvement du taux
dintrt instantan (court terme) rt . La formule gnrale incorpore le phnomne dit de
retour la moyenne . Pour le comprendre, nous considrons le cas o le niveau actuel des
taux courts rt est suprieur au niveau dquilibre anticip . Dans ce cas, le changement du
taux est prvu tre ngatif (baisse de rt ) de faon converger vers . Dans lautre cas, celui
o le niveau de rt est infrieur , seule une augmentation des taux courts permet la
convergence vers . Ainsi, quel que soit le niveau observ des taux courts, nous supposons
une volution de ce niveau vers .
La vitesse de retour la moyenne est donne par le paramtre . La deuxime partie de cette
formule incorpore la volatilit inconnue des taux dintrt au cours du temps. Le dernier terme,
dBt , constitue la variation du mouvement brownien, de moyenne nulle et de variance dt .
21
Chan et al. [1992] estiment les paramtres de cette classe de taux dintrt et dterminent,
partir de donnes mensuelles allant de 1964 jusqu 1989, que la valeur de est
approximativement de 1,5. Ces modles sont appels les modles dquilibre gnral car les
investisseurs valuent le prix de lobligation en se rfrant principalement aux anticipations
futures des taux dintrt et non la courbe des taux observe initialement. En utilisant la
trajectoire simule du taux courts jusqu la maturit de ces obligations, il est possible de
dterminer le rendement des obligations de long terme. Pour dterminer toute la structure par
terme, linvestisseur pourra valuer les prix des obligations de diffrentes maturits partir de
lvolution anticipe des taux courts sur la dure de vie restante de lobligation.
T
P (t ,T ) = E exp ru du
t
Avec P(t ,T ) le prix dune obligation zro coupon linstant t (qui paie 1 euro la date T ).
Un des avantages les plus remarquables des modles dquilibre, est que les prix des
obligations et les prix de certains autres drivs de taux ont des formules analytiques
explicites. Vasicek [1977] et CIR [1985] partent de la formule ci-dessus pour retrouver les
prix des obligations :
P (t ,T ) = A(t ,T )e rt B (t ,T )
Avec A(t ,T ) et B(t ,T ) sont des fonctions des paramtres connus , et . Ainsi, tant
donn une ralisation de rt , les taux exigs sur diffrentes maturits peuvent tre obtenus.
Rr (t ,T ) = log {P (t ,T )}/ (T t )
Linconvnient majeur des modles dquilibre est que la STTI (cf. page 21) rsultante peut
tre incohrente avec les prix de march observs, mme si les paramtres sont parfaitement
calibrs (cf. Ahlgrim et al. [2005]).
Hull et White [1990] utilisent le principe de drift dpendant du temps pour Ho et Lee [1986]
pour prsenter une extension du modle dquilibre de Vasicek [1977] et de CIR [1985]. Le
modle un seul facteur de Hull et White est :
drt = ( (t ) rt )dt + dBt
22
Approches prime de
risque exogne
Approches prime
de risque endogne
Modles dEquilibre
Gnral
Approches entirement
endognes
- Utilise.
- Non utilise.
Prime de risque
Exogne et
indpendante de la
maturit.
Endogne : dduite
partir de la
dynamique des taux
terme contre terme.
Endogne.
Prix des
produits de taux
(obligations,
etc.)
- Prix fonction de
variables dtat (taux
courts, taux longs,
etc.).
- Aucune hypothse
sur la forme
spcifique des prix
comme fonction de
variables dtat.
- Prix solution
dquations aux
drivs partielles.
Tab.1 : Comparaison des caractristiques des modles de taux dintrts
Une autre problmatique thorique relative aux diffrentes variables modlises, en particulier
les taux dintrt, concerne le choix du nombre et de la nature des facteurs utiliser pour la
modlisation. Dans le cas particulier des taux dintrt, le choix dfinitif de ces deux
lments dpend du contexte dapplication du GSE (projection de grandeurs relles,
valuation de produits drivs,). La nature des facteurs peut tre de sources diffrentes :
elle peut tre par exemple lie lhorizon du taux (taux court, taux long) ou la structure de
la courbe des taux (facteur de courbure, de translation,). A ce titre, Date et al. [2009]
montrent la significativit statistique du choix de deux facteurs (par exemple les taux courts et
les taux longs) pour expliquer lvolution de la courbe de taux.
I-1-2 Modles de rendement des actions
Concernant les actions, diffrentes problmatiques lies lapprhension de la dynamique de
leurs rendements montrent linsuffisance de certains modles adopts, jusqu une priode
rcente, par les socits dassurance et les fonds de retraite. Souvent les rendements des
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
23
actions sont assums suivre un mouvement brownien. En particulier, Black et Scholes [1973]
supposent que les rendements suivent un mouvement brownien gomtrique. Ceci implique
que sur chaque sous priode de temps, les rendements des actions sont distribus selon une
loi normale et ils sont indpendants, les prix des actions suivent un processus lognormal. Dans
ce cadre, si nous supposons que St est le prix des actions linstant t et que S t 0 est le prix
des actions une date antrieure t 0 , alors :
log S t / S t0 ~ N (t t 0 ), 2 (t t 0 )
24
modles cits, nous prciserons lobjectif qui lui tait associ lors de sa conception. A ce titre,
il est not que lutilisation dun GSE a souvent pour finalit soit la projection sur le long
terme et la prise de dcision dans le cadre de la gestion des risques (dans ce cas, lintrt porte
sur des grandeurs et des valeurs relles) soit lvaluation des prix dquilibre des produits
financiers sur le court terme, dit pricing, afin de dterminer la stratgie de march convenable
(achat, vente, etc.).
I-2-1 Modles structure par cascade
Une structure par cascade est dfinie comme une structure dans laquelle nous partons de la
dtermination de la valeur dune variable (par exemple linflation) pour ensuite dduire les
valeurs des autres variables (taux rels, rendements des actions, etc.). Jusquau dbut des
annes 1980, les travaux acadmiques traitent souvent une partie seulement du problme
rencontr par les actuaires : les travaux sont concentrs sur chacune des classes dactifs
financiers (les actions, les taux dintrt, linflation,..) indpendamment des ventuelles
interactions entre elles. Lintgration de ces interactions et ltude du choix du modle de
dynamique des actifs financiers devient ncessaire pour garantir la cohrence des projections
par rapport un contexte donn.
Le travail de Wilkie [1986] marque de ce point de vue un changement majeur. Il prsente
pour la premire fois un modle gnral qui inclut toutes les variables macro conomiques et
financires. Ce modle a lavantage dtre simple implmenter, raison pour laquelle il est
rapidement devenu populaire et considr comme la rfrence de tous les modles proposs
durant les deux dcennies postrieures, malgr ses nombreuses limites.
La premire version du modle de Wilkie a t applique dans le cadre de la mesure de la
solvabilit dune socit d'assurance par la Faculty of Actuaries [1986]. De mme, un des
premiers domaines d'application du modle de Wilkie en actuariat tait l'valuation des
engagements indexs sur les actions : dans ce cas nous supposons que les prestations
dpendent des prix futurs des actions et que la rserve est principalement investie en
obligations. De faon gnrale, ce modle est plutt cohrent avec des logiques de besoin de
capital et de projection de valeur (cas de la gestion actif-passif par exemple) quavec des
logiques de pricing.
Wilkie se base sur une structure par cascade, telle que dcrite ci-dessus : il postule que
linflation est la variable indpendante la force motrice du modle dont la
dtermination se fait en premier lieu pour ensuite en driver les valeurs des autres variables,
principalement les dividendes, les revenus de dividende, les taux dintrt et la croissance des
salaires. Le graphique 3 illustre le principe dune structure par cascade. Dans ce cadre, Wilkie
utilise un modle autorgressif de premier ordre pour linflation. En 1995, il met jour ce
premier modle en gardant les principes de sa structure par cascade mais en optant cette foisci pour une modlisation de linflation par un processus ARCH (Autoregressive Conditional
Heteroscedasticity, cf. Engle [1982]). Ceci a t justifi, selon Wilkie, par la capacit de ce
type de processus tenir compte des caractristiques des distributions historiques des donnes
observes sur le march de la Royaume-Uni depuis 1919.
25
Inflation
Dividendes
(actions)
Taux des
dividendes
Salaires
Taux dintrt
longs
Taux dintrt
courts (carts)
26
sont corrls travers leurs termes de bruit blanc et que lcart entre eux est contrl par un
terme de stabilisation.
Dautres modles de structure par cascade ont t dvelopps pour lAustralie (cf. Carter
[1991]), lAfrique du Sud (cf. Thomson [1994]), le Japon (cf. Tanaka et al. [1995]) et la
Finlande (cf. Ranne [1998]). Llment commun de ces modles rside donc dans le fait que
le concepteur part de la spcification dune structure en cascade du modle travers les
hypothses sur les liens de causalit entre les variables. En effet, cette structure en cascade
permet un seul sens de causalit et exige du modlisateur le choix des liens les plus pertinents
de point de vue conomique. Par exemple, dans le modle de Wilkie, la valeur de lindice des
prix permet de dduire la valeur de lindice des salaires et non linverse. Le deuxime sens de
causalit est suppos tre faible (ou secondaire) sur le long terme.
27
critique de deux points du modle de Wilkie [1995] : la relation entre linflation et les taux
dintrt est juge incohrente et le traitement des rendements des actions par une approche
autorgressive semble trop simplificateur au regard de lhistorique observ. Ils proposent des
processus alternatifs en justifiant leurs choix par des backtesting5 sur des donnes historiques
profondes. Le modle dAhlgrim et al. [2005] rejoint le modle de Hibbert et al. [2001] en se
prsentant comme un modle de projection de valeurs sur le long terme et de gestion des
risques.
Le modle dAhlgrim et al. [2005] peut tre reprsent par les relations suivantes :
Inflation
Revenus de l'immobilier
Le Backtesting est le test dune stratgie sur le pass et sur un panel dactifs financiers.
28
Nous le voyons, le panorama des modles proposs dans la littrature est large. Toutefois,
quelques-uns de ces travaux peuvent tre synthtiss comme suit :
Structure
Cascade
Corrlation
Objectif
Projection et
gestion des
risques
Evaluation
(pricing)
Aprs avoir choisi la structure thorique du GSE (structure par cascade ou structure base sur
les corrlations), nous arrivons ltape de sa mise en uvre pratique. Cette tape ncessite
elle aussi des choix effectuer que ce soit au niveau du calibrage des diffrents paramtres du
GSE ou au niveau de la gnration des trajectoires possibles de ses variables. Concernant le
calibrage dun GSE, diffrentes techniques peuvent tre cites se basant sur les donnes
historiques, les donnes de march ou les avis des experts. Certaines de ces techniques seront
exposes dans le chapitre 2 de cette partie (relative au modle de GSE propos). La section
suivante sintresse des problmatiques lies la gnration des scnarios.
29
Deux questions principales peuvent tre poses lors de la mise en uvre dun GSE : dune
part, sous quelle forme schmatique devons-nous reprsenter lvolution dans le temps des
scnarios futurs des variables financires et macro-conomiques (inflation, rendement des
actions,) ? Et dautre part, quelle mthodologie devons-nous adopter pour la gnration de
ces scnarios ? La premire question concerne la structure de projection des scnarios futurs
des diffrentes variables, tandis que la deuxime a trait au choix du modle dvolution des
valeurs des variables du GSE (processus stochastique, Bootstrapping, etc.) : nous notons que
ces deux lments sont cependant lis. Cette section vise faire linventaire (non exhaustif)
des diffrentes possibilits offertes face ces deux problmatiques.
En effet, comme mentionn au dbut de cette partie, notre objectif sera de mettre en vidence
les principaux lments qui participent lamlioration de la qualit dun GSE. Les tats de
sortie de ce dernier influencent directement les dcisions prises en matire de gestion des
risques ou dvaluation des produits financiers. La dtermination de la structure de projection
des scnarios et le choix de la mthodologie de leur gnration prsentent deux tapes
invitables lors de la construction dun GSE. Ils interviennent, en particulier, au niveau de la
mise en uvre oprationnelle du GSE, do lintrt de les tudier de faon dtaille et
spare.
II-1 Structure schmatique de projection de scnarios pour un GSE
Comme mentionn ci-dessus, le choix de la structure de projection, appele aussi structure
schmatique de projection, pour chacune des variables du GSE peut tre considr comme
une problmatique part. Elle concerne la dfinition du schma graphique de transition entre
deux valeurs successives, observes la date t et t+1, de la mme variable. Ainsi chaque
variable du GSE peut correspondre une structure de projection particulire. Afin de simplifier
lanalyse, nous supposons dans la suite que la structure de projection choisie est la mme pour
toutes les variables. De mme, nous dfinissons un nud comme la ralisation possible de la
variable modlise une date donne. Une trajectoire correspond ainsi lensemble des
nuds successifs qui forment un scnario futur possible dvolution de la variable financire
ou macro-conomique.
Dans cette section, les caractristiques des structures de projection les plus utilises en
pratique sont prsentes avec dtails. En particulier, deux principales structures peuvent tre
avances ce stade : la structure de projection linaire dune part (cf. Ahlgrim et al. [2005]) et
la structure de projection darbre (ou darborescence) dautre part (cf. Kouwenberg [2001]).
La diffrence principale entre ces deux structures de projection se situe au niveau de la nature
de la dpendance entre les diffrentes trajectoires simules. Alors que pour les structures de
projection linaire, une seule trajectoire est drive partir de chaque nud, les structures par
arborescence supposent quant elles que chaque nud possde diffrents nud-enfants et
ainsi diffrentes trajectoires possibles sont dduites partir de chaque nud.
Par exemple, considrons le cas o la projection des rendements des actions se droule sur
deux priodes seulement et que pour les deux structures nous obtenons n1 nuds (ou
rendements) la fin de la premire priode. Si nous optons pour une structure linaire de
projection, il nest possible dobtenir que n1 nuds (ou rendements) la fin de la deuxime
priode, chacun dentre eux forme avec le nud prcdent une trajectoire distincte. Si par
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
30
contre nous optons pour une structure darbre, le nombre de scnarios la fin de la deuxime
priode est m1, avec m1 souvent suprieur n1 puisque diffrents scnarios de rendement
partir de chacun des n1 nuds, simuls fin de la premire priode, sont projets.
Le graphique suivant illustre la diffrence entre ces deux structures :
La structure darbre des scnarios est la forme la plus rcente et la plus complexe utiliser.
Notre intrt sera focalis dans la suite sur ce type de structure : il sagit dune structure plus
adapte que la structure linaire pour lapplication des techniques doptimisation dynamique,
en particulier dans le cas de la dtermination de lallocation stratgique dactifs optimale (cf.
Kouwenberg [2001]). En effet, chaque niveau dans larbre reprsente une date future (ou un
moment de prise de dcision) et les diffrents nuds chaque niveau reprsentent les
ralisations possibles de la variable modlise cette date.
Le graphique suivant reprsente un exemple plus dtaill de cette structure :
Niveau 0
Niveau 1
Niveau 2
3
10
12
11
14
13
15
16
14
17
18
19
Comme il est montr dans ce graphique, le nombre des nuds-enfants chaque niveau nest
pas ncessairement gal celui du niveau suivant. Par exemple, le nud 0 dans le graphique a
deux nuds-enfants alors que les nuds 1 et 2 ont trois nuds-enfants. Deux niveaux de
larbre peuvent ne pas prsenter la mme priode de temps. Par exemple, dans le graphique
ci-dessus, le niveau 0 peut reprsenter le dbut de lanne 0, le niveau 1 la fin de la deuxime
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
31
anne et le niveau 2 la fin de la dixime anne. De mme, dans certains arbres de scnarios
complexes, tel que prsent ci-dessous, il pourrait avoir diffrents nombres de nuds-enfants
pour les nuds dun mme niveau.
niveau 0 (t=0)
niveau 1(t=1)
niveau 2 (t=2)
niveau 3 (t=3)
A
B
C
D
E
Fig.7 : Arbre de scnarios avec diffrents nombres de nuds-enfants pour les nuds dun mme
niveau
t , qui prend seulement des valeurs finies et qui est aussi proche que possible du processus
rel des rendements des actions : nous parlons dans ce cas de problme dapproximation. A
titre dhypothse, le GSE est suppos avoir une structure de projection sous forme darbre
pour ses diffrentes variables. Nous dfinissons, pour cela, lespace dtat fini de t par S t :
P t St = 1
b( x ,t ) = card y : P t +1 = y , t = x > 0
32
Intuitivement, le processus ( t )[ t = 0 ,...,T ] peut tre reprsent sous forme darbre, avec comme
( x ,t )
et
( y ,t + 1)
P t = x , t +1 = y > 0 .
b(3) ,, b(T ) ] est le plus proche dun processus donn ( t )[ t = 0 ,...,T ] ? Bien
videmment, la notion de proximit est dfinir de manire approprie.
-
33
Ces approches peuvent tre classes en deux sous catgories : lchantillonnage pur univari
(ou traditionnel) et lchantillonnage partir de marginales et de corrlations spcifies. Cette
dernire a le mrite de gnrer des scnarios dans lesquels la corrlation entre les variables
converge vers celle cible par le modlisateur.
Lchantillonnage pur est la mthode de gnration de scnarios la plus connue. A chaque
nud de larbre de scnarios, diffrentes valeurs sont tirs de faon alatoire partir du
processus stochastique {t } . Cela se fait soit par un tirage direct partir de la distribution
de {t }, soit par lvolution du processus selon une formule explicite: t +1 = z ( t , t ) .
Dans ce cadre, la dynamique de plusieurs variables financires peut tre suppose suivre un
processus stochastique de type mouvement brownien gomtrique, ou bien l'une de ses
variantes. Les scnarios dvolution de ces variables sont ainsi simuls partir des hypothses
sur la discrtisation dun processus brownien gomtrique dfinit par exemple par:
dS (t ) = S (t )dt + S (t )dB(t )
S (t ) est le prix de lactif, et sont respectivement le drift et la volatilit. Le terme dB(t )
est un mouvement brownien, c'est--dire B(t 2 ) B(t1 ) ~ N (0, t 2 t1 ) . Il est ainsi possible de
simuler des processus stochastiques sur un intervalle de temps donn, en attribuant des
valeurs alatoires au mouvement brownien et en calculant par la suite S (t ) .
Les mthodes traditionnelles dchantillonnage d'une variable alatoire permettent de
constituer des chantillons seulement partir dune variable alatoire univarie ; lorsque nous
voulons tirer un vecteur alatoire (correspondant diffrentes variables), on aura besoin de
tirer chaque composante marginale (chaque variable) de faon spare pour les rassembler
ensuite. Le rsultant obtenu sera un vecteur de variables alatoires indpendantes.
Concernant la convergence vers les moments statistiques souhaits (moyenne, variance, etc.),
il existe diffrentes mthodes pour amliorer lalgorithme de lchantillonnage pur. Nous
pouvons par exemple utiliser les mthodes de quadrature pour lintgration ou les suites
discrpance faible (cf. Pennanen et al. [2002]). Pour les distributions symtriques il est
possible dutiliser les chantillonnages antithtiques. Une autre mthode pour amliorer la
mthode dchantillonnage pur est dajuster larbre obtenu de faon avoir les valeurs cibles
de la moyenne et de la variance (cf. Cario et al. [1994]).
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
34
Comme mentionn ci-dessus, les mthodes dchantillonnage traditionnel ont des limites au
niveau de la gnration des vecteurs multivaris, en particulier ceux avec une corrlation
spcifie. Cependant, il existe des mthodes qui rsolvent ce problme en se basant sur des
approches dchantillonnage traditionnel pour ensuite ajuster la technique de contrle de la
corrlation entre les scnarios projets.
Ces mthodes, que nous avons appel chantillonnage partir de marginales et de
corrlations spcifies constituent donc une extension des approches dchantillonnage
traditionnel. La diffrence principale se situe dans le fait quelles permettent lutilisateur de
spcifier lavance les distributions marginales ainsi que la matrice de corrlation cible. En
gnral, il ny a aucune restriction sur les distributions marginales, elles peuvent mme
appartenir diffrentes familles.
A titre dexemple, Deler et al. [2001] proposent une mthode permettant de gnrer des
variables alatoires partir des sries temporelles multi-varies {X t ; t = 1,2 ,...} ,
'
Pour cela, ils construisent un processus appel processus de base Zt (assimil un vecteur
auto rgressif gaussien standard) et le transforme, travers un systme de translation de
Johnson [1949], en un processus ayant au moins les quatre premiers moments (moyenne,
cart-type, le coefficient de dissymtrie ou skewness et coefficient daplatissement ou
kurtosis) du processus X t .
Il ajuste enfin la structure de corrlation de ce processus de base Zt de faon obtenir celle
du processus X t . Lapproche utilise dans ce cas est celle de Deler et al. [2001]. Elle se base
sur la rsolution dun ensemble dquations permettant de dterminer les corrlations retenir
entre les variables du vecteur Zt afin de reflter la structure de corrlation cible observe
entre les variables du vecteur X t . Dautres exemples de ces mthodes se trouvent dans
Dupacova et al. [2009].
Il est noter finalement que ces approches bases sur lchantillonnage sont utilises dans le
cas o nous avons des hypothses sur les fonctions de distribution des composantes
marginales (ou des diffrentes variables modlises).
II-2-2 Les approches bases sur le matching des proprits statistiques
Dans les situations o il ny a pas dhypothses sur la distribution marginale du processus de
gnration de scnarios, les approches bases sur le matching des proprits statistiques, en
particulier les moments, sont les plus adaptes. Un processus de gnration des scnarios par
le matching des moments sintresse souvent aux trois ou aux quatre premiers moments de
chacune des variables projetes (moyenne, variance, skewness, kurtosis) ainsi qu la matrice
de corrlation.
Ces mthodes peuvent tre tendues dautre proprits statistiques (tel que les quantiles,
etc.). Le gnrateur de scnarios par le matching des moments va ensuite construire une
distribution discrte satisfaisant les proprits statistiques slectionnes. Par exemple,
Hoyland et al. [2003] commencent par spcifier le nombre minimal de scnarios quil faut
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
35
gnrer pour ensuite obtenir larbre de scnarios par une optimisation non linaire, o
lobjectif est de minimiser lerreur entre les moments thoriques de la variable et ceux fournis
par larbre.
II-2-3 Les approches bases sur les techniques de Bootstrapping
Il sagit des approches les plus simples pour gnrer des scnarios en utilisant seulement les
donnes historiques disponibles sans aucune modlisation a priori de la dynamique
dvolution des variables du GSE (cf. Albeanu et al. [2008]). Le Bootstrapping se base
essentiellement sur la constitution dchantillons partir des donnes observes. Dans ce
cadre, les valeurs de chaque scnario reprsentent un chantillon de rendements dactifs
obtenu par un tirage alatoire de certains rendements observs dj dans le pass.
Par exemple, afin de gnrer des scnarios de rendement sur les dix prochaines annes, un
chantillon de 120 rendements mensuels tirs alatoirement sur les 120 rendements des dix
dernires annes est utilis. Ce processus est rpt un certain nombre de fois afin de gnrer
plusieurs scnarios possibles dans le futur. Autrement, dans le cas o nous avons k actifs
projeter, et en supposant quun historique de p priodes est disponible, nous tirons avec
remise un entier entre 1 et p et nous prenons toutes les valeurs des k actifs cette mme date
de faon tenir compte de la corrlation historique entre ces derniers.
II-2-4 L'utilisation de lAnalyse en Composantes Principales
LAnalyse en Composantes Principales (ACP) est une mthode gnrique danalyse de
donnes ayant plusieurs dimensions (cf. Bouroche et al. [1980]). Elle permet lidentification
des facteurs cls rgissant les tendances de ces donnes et de rduire leur dimension tout en
conservant le plus d'information possible.
Pour cela, lACP se base sur lidentification des vecteurs propres, des valeurs propres et des
covariances. En effet, il sagit dune mthode descriptive qui dpend dun modle
gomtrique plutt que dun modle probabiliste. LACP propose de rduire la dimension
d'un ensemble des donnes (chantillon) en trouvant un nouvel ensemble de variables plus
petit que l'ensemble original des variables, qui nanmoins contient la plupart de l'information
de l'chantillon.
Autrement dit, pour un ensemble de donnes dans un espace N dimensions, nous
recherchons un sous-espace k dimensions (dfini par k variables) tel que la projection des
donnes dans ce sous-espace minimise la perte dinformation. Ces k variables seront appels
composantes principales et les axes quelles dterminent axes principaux. Limplmentation
numrique de la mthode ACP est ainsi accessible. En pratique, lACP a pour objet de rduire
le nombre des variables de dpart du modle pour ensuite appliquer une approche
traditionnelle de gnration de scnarios (parmi celles proposes ci-dessus) pour les
composantes principales.
36
Sous cette probabilit, le rendement de tous les actifs est suppos tre le taux sans risque et la
somme actualise dun ensemble de flux futurs est gale la somme de ces flux actualiss au
taux sans risque. Cette probabilit a pour objectif les oprations de pricing et reflte un
consensus entre deux parties acceptant le transfert de risque. En fait, la mthodologie
dvaluation risque-neutre est utilise par les banques dinvestissement et les acadmiques
pour lvaluation des produits drivs. Pour un modle de retour la moyenne, la tendance de
long terme sera le taux sans risque pour toutes les variables. Nous estimons ainsi une
moyenne des flux de trsorerie esprs du produit driv en utilisant les techniques de Monte
Carlo. Ces flux sont actualiss au taux sans risque afin dobtenir la valeur conomique du
produit driv.
La probabilit risque-neutre fournit des rsultats cohrents par rapport des marchs neutres
face au risque mais elle nest pas recommande pour la mesure du risque ou pour la prvision
(Adam, [2007]). Par ailleurs, les structures par terme dans les modles dabsence
dopportunit darbitrage sont frquemment plus difficiles implmenter que leurs
contreparties des modles dquilibre. Cette probabilit suppose un nombre dhypothses qui
sont peu conforme au monde rel. Comme consquence, les valeurs obtenues par cette
mthodologie doivent tre interprtes avec prudence. Elles peuvent constituer un benchmark
intressant, surtout lors de lvaluation de produits drivs par les techniques actuarielles.
La probabilit relle a quant elle un objectif de simulation (ou de projection) raliste :
Elle corrige les simulations risque-neutre et montre par exemple que sur le long terme
linvestissement en obligations est plus intressant que linvestissement en montaire
(cf. Campbell et al. [2001]).
La simulation relle intgre des primes de risque comme contrepartie du risque
supplmentaire assum.
Elle corrige le calcul des indicateurs de risque (dans les scnarios de stress, analyse de
sensibilit, etc.)
Elle permet la socit de tenir compte de lvolution de sa propre valeur de march
lors des simulations.
37
Pour Hibbert et al. [2001], les proprits quun bon GSE doit avoir sont les suivantes : la
reprsentativit, la plausibilit conomique, la parcimonie, la transparence et lvolution.
Le modle doit imiter le comportement des actifs financiers dans le monde rel en captant
leurs principales caractristiques (reprsentativit). De mme, les diffrents scnarios gnrs
devront tre plausibles et raisonnables pour les experts du march financier. Cela passe par
ltude de la forme de la distribution et des corrlations des diffrentes variables du modle.
A ce titre, le degr de correspondance des rsultats aux donnes historiques constitue un
champ dinvestigation intressant, malgr les critiques l'encontre de lhypothse de
reproduction des vnements historiques dans le futur. Lutilit de la comparaison des
rsultats obtenus par rapport aux observations dj ralises sur le march peut varier en
fonction des attentes du gestionnaire en termes dvolution future du contexte macroconomique. En fait, lobjectif de similitude entre les deux sries (projetes et historiques)
peut tre abandonn si on juge par exemple un changement profond du contexte conomique
par rapport au pass (exemple : modification importante des poids des conomies lchelle
internationale, explosion de lendettement public,).
Le comportement joint des diffrentes variables simules dans les scnarios doit aussi
prsenter un niveau suffisant de plausibilit et de cohrence en respectant les principes
conomiques. Cependant, il est noter quil ny a pas de consensus sur certaines proprits
importantes des actifs financiers. Lexemple du principe de retour la moyenne sur le march
des actions, qui stipule que les rendements sur le long terme des actions convergent vers une
tendance donne, en est une illustration (cf. Hibbert et al. [2001]).
La parcimonie fait rfrence, quant elle, la simplicit des modles proposs par le GSE,
leur permettant dtre dune part comprhensibles par les utilisateurs et dautre part
implmentables sur des supports informatiques. Par ailleurs, la parcimonie permet une
meilleure capacit prospective.
La transparence est enfin un lment dterminant pour le succs du modle, fortement li
son potentiel de communication : les rsultats obtenus devront tre prsents sous forme de
graphiques clairs et dtaills. Finalement, Le potentiel du modle voluer et largir le
champ de son tude est un lment dattractivit supplmentaire.
38
Pour Zenios [2007], les critres quun GSE doit satisfaire afin de garantir sa bonne qualit
sont au nombre de trois : lexactitude (correctness), la prcision (accuracy) et la cohrence
(consistency).
Les scnarios devront avoir des proprits qui sont justifies et soutenues par diffrentes
publications acadmiques. Par exemple, la structure par terme devra reflter le phnomne
de retour la moyenne des taux dintrt constat dans plusieurs tudes universitaires et
techniques (cf. Vasicek [1977] et Hibbert et al. [2001]). De mme, la structure par terme
pourra tre dduite partir des changements dans le niveau, la pente et la courbure tels que
mentionn dans certaines tudes conomiques (cf. Heath et al. [1992]).
De mme, afin de vrifier la condition dexactitude, les scnarios devront couvrir les
scnarios importants observs dans le pass ainsi que tenir compte des vnements qui ne
sont pas observs avant, mais qui ont de fortes chances dtre observs sous les conditions
actuelles de march.
Comme dans plusieurs cas, les scnarios reprsentent une discrtisation dun scnario continu,
laccumulation dun nombre derreurs dans la discrtisation est invitable. Diffrentes
approches peuvent tre utilises pour assurer que lchantillon de scnarios reprsente la
fonction de distribution continue sous jacente.
La prcision est assure lorsque le premier moment jusqu'au plus grand moment de la
distribution des scnarios convergent vers ceux de la distribution thorique sous-jacente.
(le matching des moments et des proprits statistiques sont souvent utiliss afin dassurer que
les scnarios gardent les moments thoriques de la distribution quils reprsentent).
La demande de prcision peut mener la gnration dun nombre lev de scnarios. Ceci
dans le but de crer une discrtisation fine de la distribution continue et afin daccomplir la
prcision quon considre approprie et acceptable pour le problme en question. Cependant,
compte tenu des erreurs de modle et de calibrage il est recommand d'viter de consacrer
trop dnergie lobtention dun niveau de prcision, formellement satisfaisant mais illusoire
de point de vue oprationnel.
Lorsque les scnarios sont gnrs pour diffrents instruments (par exemple, les obligations,
la structure par terme, etc.), il est important de voir que les scnarios sont cohrents en
interne. Par exemple, les scnarios dans lesquels une augmentation dans le taux dintrt tient
lieu simultanment avec une hausse des prix des obligations sont thoriquement non
cohrents (cf. Ahlgrim et al. [2008]), mme si une chelle individuelle chacun des deux
scnarios, celui du taux et celui des prix, peut tre avoir lieu tant donn certains facteurs
exognes (par exemple, une augmentation des taux par la banque centrale accompagne par
laugmentation de la demande sur les obligations comme actifs refuges sur le march). La
corrlation entre les diffrents instruments peut tre utilise afin dassurer la cohrence des
scnarios.
Ltude de la qualit de certaines mthodologies de gnration de scnarios est illustre cidessus :
Concernant les approches bases sur lchantillonnage : elles permettent de probabiliser un
ensemble de scnarios futurs en tenant compte de la possibilit de la reproduction des
scnarios passs. Si le choix de la dynamique des variables est justifi par des rfrences
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
39
acadmiques, ces approches assurent la condition dexactitude. Par ailleurs, les conditions de
prcision et de cohrence peuvent aussi tre prserves : avec un choix de techniques de
calibrage et de discrtisation adquates (prcision) et en tenant compte de la structure de
corrlation entre les variables dans les modles (cohrence).
Nous pouvons noter que le matching des moments assure par dfinition la condition de
prcision puisquelle garde les proprits des moments. De mme, le matching des matrices
de covariance assure la cohrence des scnarios. Cependant, cette approche est assez gnrale
et nest pas valide par des tudes acadmiques ce qui est ncessaire pour que lapproche
respecte la condition dexactitude.
De son cot le bootstapping des donnes historiques prserve la corrlation observe, mais ne
satisfait pas la condition dexactitude pour la gnration de scnarios car il ne suggrera pas
un rendement qui nest jamais observ dans le pass (ce qui est contre-intuitif, comme la
reproduction du pass ne constitue quune partie des scnarios possibles dans le futur et non la
totalit des scnarios potentiels, confirmation donne par la crise conomique actuelle qui a
donn lieu des rendements records jamais observs au paravent). Lorsquils sont tirs de
faon approprie, les scnarios de cette approche satisfont les conditions de prcision et de
cohrence puisquils sont en parfaite cohrence avec les observations relles du pass.
par un processus discret { t } dont lvolution est reprsente sous forme dun arbre ne
constitue quune solution dapproximation (empirique). Une fois effectu, la fonction objectif
devient :
6
Le choix de la structure de projection ninfluence pas lanalyse mene dans cette sous section.
40
min F ( x , t )
x X
Comme mentionn ci-dessus, nous nous proposons dans ce travail de lier la performance du
GSE tudi la qualit des dcisions quil permet dobtenir et non pas la performance
statistique dapproximation et destimation du processus rel. Dautre part, il est rappeler
que lerreur destimation des paramtres ne fait pas partie de lobjet de cet article ce qui ne
rduit en aucun cas limportance dtudier la robustesse des dcisions obtenues par le GSE
par rapport aux choix effectus pour ces paramtres (cf. Meucci [2005]).
Lerreur, au niveau dcisionnel, de lapproximation dun processus stochastique { t } par une
discrtisation {t }, peut tre dfinit, soit comme la diffrence entre les valeurs optimales de la
fonction objectif des deux problmes : le problme rel (thorique) et le problme
dapproximation (empirique), soit comme la diffrence entre les solutions proposes par ces
deux mmes problmes.
Le premier type derreur, li la valeur optimale de la fonction objectif, peut tre formul
comme suit :
e f t , t = F arg min F x; t ; t F arg min F x; t ; t
x
x
(1)
= F arg min F x; t ; t min F x; t
x
x
Nous notons que e f t , t 0 , tant donn que le deuxime lment de lcart est le vrai
minimum, alors que le premier est la valeur de la fonction objectif une solution approxime.
La comparaison est effectue non pas au niveau des solutions optimales (x* ) mais plutt au
niveau des valeurs de la fonction objectif correspondantes. En fait, notre intrt porte en
premier lieu sur la valeur minimale et non pas sur les diffrentes solutions qui permettent infine davoir cette valeur (appele aussi la performance).
Il y a deux problmes rencontrs dans lquation ci-dessus de e f t , t :
- trouver la valeur relle de F x; t pour une solution donne x .
*
solution relle x .
Alors que le second problme est souvent difficile rsoudre, car il ncessite la rsolution du
problme doptimisation avec le processus continu rel, le premier problme peut tre rsolu,
travers la simulation en temps discret par exemple. Dans la sous-section suivante, nous
prsentons diffrents indicateurs de mesure de lerreur li la qualit des dcisions obtenues
par un GSE donn. Ces indicateurs se basent sur la dfinition de conditions satisfaire par la
solution empirique.
41
( )
k ,l 1...K
La stabilit externe de lchantillon concerne quant elle les performances des arbres de la
distribution relle et elle est dfinit comme suit :
F x*k ; t F xl* ; t
k ,l 1...K
La stabilit externe : F argmin F x; tk ; t F argmin F x; tl ; t
x
x
En utilisant lquation (1) de la fonction derreur, nous dduisons que pour le cas de la
stabilit externe: e f t , tk = e f t , tl
Il y a une diffrence importante entre les deux dfinitions : alors que pour la stabilit interne
de lchantillon nous avons besoin seulement de rsoudre le problme doptimisation bas sur
les scnarios projets par le GSE, la mesure de la stabilit externe passe par lvaluation de la
42
min F ( x; ) = ( x )
xR
Ce problme peut tre rsolu thoriquement et avoir sa solution explicite pour nimporte
quelle distribution de :
[
]
= [(( [ ]) + ([ ] x )) ]
= [( - [ ]) ] + [2( - [ ])([ ] - x )] + [([ ] - x ) ]
F ( x ; ) = ( x )
= Var [ ] + 0 + (x - [ ] ) 2
x* = argmin F ( x; ) = [ ]
x
F x* ; = min F ( x; ) = Var [ ]
x
Cette solution est dite explicite parce que son obtention ne ncessite pas la simulation de la
distribution de et elle constitue du fait une solution gnrale et dterministe. Considrons le
cas dans lequel nous gnrons des arbres de scnarios k ( k = 1...K ) et que nous obtiendrons
les solutions x *k = k .
Nous supposons dans un premier temps que la mthode de gnration de scnarios est telle
que tous les chantillons k ont dune part la mme moyenne relle k = et dautre
part des variances Var k diffrentes. Ainsi F x*k ; k = Var k sera diffrente dun
chantillon lautre do une non stabilit interne. En mme temps, x*k = x* , donc
Si par contre, nous supposons que la mthode de gnration de scnarios produit des
chantillons ayant tous la mme variance relle ( Var k = Var [ ] ), mais des moyennes
43
diffrentes, nous obtenons dans ce cas F x*k ; k = Var k = Var [ ] et la stabilit interne de
lchantillon
est
ainsi
vrifie.
De
lautre
ct,
la
valeur
Une question peut tre pose ce stade : quel est le type de stabilit le plus important pour
juger de la performance de la mthode de gnration de scnarios ? Avoir la stabilit externe
sans avoir la stabilit interne signifie que la performance obtenue par approximation peut ne
pas correspondre la performance relle. Le cas oppos, c'est--dire stabilit interne sans la
stabilit externe, est quant lui plus gnant pour le processus dcisionnel, puisque la
performance relle des solutions empiriques dpendra de larbre de scnarios rel slectionn,
et nous ne pouvons pas ainsi trancher au niveau de la meilleure solution obtenue par
approximation alors que dans le premier cas nous avions au moins une solution empirique
stable thoriquement mais dont la performance empirique reste non stable, ce qui parat a
priori moins gnant.
Une autre question possible est ltude dune stabilit interne de lchantillon non pas au
niveau de la performance mais au niveau des solutions elles mme : ainsi nous cherchons
avoir la mme solution optimale quel que soit larbre de scnarios gnr.
Dans lexemple ci-dessus, nous pouvons remarquer quil est possible davoir une non stabilit
interne de la valeur optimale de la fonction objectif (diffrentes variances empiriques
Var k ) tout en gardant une stabilit interne au niveau des solutions elles mmes (les
solutions x*k = [ ] sont les mmes pour tous les arbres). Ceci permet de dduire
immdiatement la stabilit externe de lchantillon. Ainsi, si nous dtectons une stabilit
interne de lchantillon au niveau de la fonction objectif, nous devrions regarder aussi au
niveau des solutions. Par contre lautre sens danalyse nest pas toujours vrai et nous pouvons
avoir une stabilit externe mme si la stabilit interne au niveau des solutions nest pas
vrifie.
Nous pouvons conclure in-fine que la stabilit est une condition minimale respecter par la
mthode de gnration de scnarios. Ainsi, avant de commencer travailler avec un nouveau
modle doptimisation, ou une nouvelle mthode de gnration de scnarios, il sera judicieux
deffectuer les tests de stabilit : le test de la stabilit interne de lchantillon et dans la mesure
du possible le test de la stabilit externe de lchantillon.
III-2-2-2 La condition dabsence de biais
En plus de la condition de stabilit ( la fois interne et externe de lchantillon), la mthode de
gnration de scnarios ne devra pas introduire de biais au niveau de la solution propose.
Autrement, la solution du problme dapproximation bas sur les scnarios fournis par notre
GSE :
x* = argmin F x; t
x
44
devra tre une solution optimale du problme original. Ainsi, la valeur de la vraie fonction
objectif pour la solution obtenue, F x* ; t , devra tre approximativement gale la valeur
F x* ; t = F arg min F x; t ; t min F x; t
x
En utilisant lquation (1) de la fonction derreur, cette condition sexprime comme suit :
e f t , t 0 .
Le problme est que le test de cette proprit nest pas possible dans la plupart des cas, tant
donn que cela ncessite la rsolution du problme doptimisation avec le processus continu
rel, suppos jusque l comme inconnu.
La structure de dpendance entre les variables du GSE considr est bien une structure
par corrlation. Les trois indices sont simultanment dpendants lun de lautre lors de leur
projection et le niveau des corrlations est dtermin travers les corrlations fixes en amont
entre leurs bruits t ,i ( i = 1,2 ,3 ).
45
tel que p U
E (R p ) m0
Avec R p le rendement total du portefeuille compos des trois actifs (montaire, obligations et
Rp = p j R j
j =1
Dans notre cas, 3 actifs et un pas de 5 %, nous obtenons 231 allocations tester.
F R p ; t correspond la fonction objectif relle prsente dans la sous-section prcdente
comme F ( x; t ) 8.
La structure de projection adopte dans cette application est une structure linaire et ce afin
de simplifier la mthode de rsolution de la fonction objectif. Cette structure peut tre illustre
par exemple par le graphique 8 correspondant la variable rendement des actions projete sur
une priode de 20 ans avec 500 trajectoires. Dans ce graphique, Riactions
reprsente le
,t
me
rendement de lindice des actions entre la date t et t-1 la i trajectoire (ou scnario).
La taille de la structure de projection sera dfinie comme le nombre de trajectoires simules
dans cette structure. Un ensemble de scnarios dsignera lensemble des trajectoires obtenues
dune variable dans le cas dune structure de projection linaire (quivalent de larbre de
scnarios dans le cas de structure par arborescence).
Dans notre tude nous envisageons de procder comme suit : nous fixons diffrentes
tailles des structures de projection adoptes dans ce GSE : par exemple 50, 1000, 5000 et 10
000 trajectoires. Pour chacune de ces valeurs, nous faisons tourner ce GSE m=30 fois en
8
La caractrisation relle vient du fait que dans notre cas la rsolution du problme passe par la simulation et la
projection de scnarios stochastiques pour les diffrents actifs: on parle dans ce cas dune rsolution empirique base sur la
mthode Monte Carlo et non dune rsolution relle dtermine gnralement laide de formules explicites.
46
rsolvant chaque fois le problme doptimisation prsent ci-dessus. 120 valeurs optimales
empiriques de la fonction objectif sont ainsi obtenues (30 valeurs pour chacune des 4 tailles
proposes). Les valeurs de ces diffrents paramtres (taille, nombre de fois quon fait tourner
notre GSE) sont ici choisies de faon arbitraire. Lide est de tester la stabilit et la
distribution de la valeur optimale empirique de la fonction objectif ainsi que de la solution
empirique optimale (c'est--dire lallocation optimale dactifs) par rapport la taille de la
structure. Cette tude essayera de juger in fine la qualit des solutions fournies par notre GSE
pour le preneur de dcision.
Avant dexposer et danalyser les rsultats obtenus, il est rappeler que la stabilit interne de
lchantillon ncessite que, pour une taille de structure donne, les valeurs optimales de la
fonction objectif ne dpendent pas de lensemble de scnarios projets. Lidal sera donc,
dans ce cas, davoir, pour une taille de structure donne, 30 valeurs optimales
approximativement identiques de la fonction objectif. Pour la stabilit externe de lchantillon,
les valeurs relles de la fonction objectif (ici la variance) doivent tre approximativement les
mmes pour les diffrents ensembles de scnarios projets.
De mme, ces valeurs devront tre approximativement gales celles obtenues dans le test de
stabilit interne. Comme mentionn prcdemment, cette stabilit externe de lchantillon
peut tre dduite partir de la stabilit interne de lchantillon au niveau de la solution
empirique retrouve (lallocation optimale dans notre cas).
Dans le cadre du test de la stabilit interne de lchantillon, le tableau 3 prsente les
statistiques relatives aux 30 valeurs optimales de la fonction objectif et ce pour les diffrentes
tailles proposes.
R1actions
,t1
R1actions
,t2
R1actions
,T
R2actions
,t1
R2actions
,t2
R2actions
,T
actions
R500
,t1
actions
R500
,t2
500 trajectoires
R0actions
actions
R500
,T
Axe du temps
t0=2010
t1
t2
T=2030
Fig. 8 : Projection du rendement des actions selon une structure schmatique linaire
47
Description du test
Type de test
Fonction
Valeur
objectif
Moyenne
F
R
;
p
k
Interne
Ecart-type
Nombre de scnarios
1000
5000
50
0,0288
0,0050
0,0275
0,0011
0,0275
0,0007
10 000
0,0277
0,0005
Tab. 3 : Proprits statistiques des valeurs de la fonction objectif pour les diffrentes tailles retenues
des structures de projection de scnarios
0.036
0.034
0.032
0.03
0.028
0.026
0.024
0.022
0.02
0.018
50
1000
5000
10000
Nombre de scnarios
Fig. 9 : Box plot de la distribution des valeurs de la fonction objectif pour diffrentes tailles de
scnarios
Comme nous pouvons le constater, plus le nombre de scnarios augmente plus la valeur
optimale de la fonction objectif a tendance baisser et se stabiliser autour dune valeur
centrale (en particulier partir de 5 000 scnarios). La condition de stabilit interne de
lchantillon peut ainsi tre respecte par notre GSE partir dune certaine taille de la
structure.
Dun autre ct, si la variation du poids optimal de chaque actif est relativement faible
(borne entre deux valeurs proches) cela garantit la stabilit externe de lchantillon. Dans ce
cadre, nous analysons les 30 vecteurs dallocations optimales obtenus pour les ensembles de
scnarios ayant pour taille 10 000. Les statistiques de ces solutions sont prsentes dans le
tableau suivant, ainsi que le graphique correspondant ci-dessous, et permettent de constater
relativement une stabilit externe de lchantillon (vu que les carts types et/ou les tendus
des poids des diffrents indices sont relativement faibles).
48
Moyenne
Ecart-type
Etendue
Minimum
Maximum
Montaire
0,37
0,0252
0,05
0,35
0,4
Obligations
Actions
0,55
0,08
0,0497
0,0254
0,1
0,05
0,5
0,05
0,6
0,1
Tab. 4: Proprits statistiques des poids des 30 allocations optimales obtenues pour la taille de
10 000 scnarios
1
Montaire
Obligation
Action
0.9
0.8
0.7
Poids optimal
0.6
0.5
0.4
0.3
0.2
0.1
10
15
20
25
30
35
Structure projete
Fig. 10 : Les allocations optimales obtenues pour les diffrents ensembles de scnarios
(30 ensembles) ayant chacun la taille de 10 000 scnarios
Conclusion du chapitre 1
Les rsultats obtenus travers cette application constituent des indicateurs que le dcideur
peut utiliser pour justifier la stabilit de sa dcision finale par rapport son gnrateur de
scnarios : les graphiques et les tableaux prsents confirment la possibilit davoir une
stabilit interne et une stabilit externe de lchantillon. En pratique, les hypothses de travail
et les variables de risque prises en compte dans le processus dcisionnel sont videmment
beaucoup plus nombreuses et plus compliques mais cela ne limite pas lintrt de ces
indicateurs comme des outils daide la mesure de la performance de la dcision.
La prochaine tape est une illustration plus globale du processus de construction dun GSE.
Le contexte de cette construction est celui de la projection sur le long terme de grandeurs
relles pour des fins de gestion actif-passif (cas des fonds de retraite et de certains contrats
dassurance). Le but du chapitre suivant est donc dexposer la dmarche suivie pour rpondre
ce besoin ainsi que les points qui, en pratique, ncessitent une attention particulire de la
part du modlisateur.
49
Lobjet de lutilisation de ce GSE sera la projection sur le long terme de diffrentes variables
financires. Il sagit en quelque sorte de prparer le terrain au fonctionnement des modles de
gestion actif-passif dun rgime de retraite comme nous allons le voir dans la partie II.
Nous supposons que les actifs constituant lunivers dinvestissement sont les suivants : le
montaire, les obligations dEtat taux fixe (de diffrents niveaux de duration), les
obligations dEtat taux index linflation (de diffrents niveaux de duration), les
obligations non gouvernementales taux fixe (de duration moyenne 5 ans), les actions et
limmobilier.
Univers d'investissement
Montaire
ZC 5 ans (nominal)
ZC 10 ans (nominal)
ZC 15 ans (nominal)
ZC 8 ans (rel)
ZC 15 ans (rel)
Crdit 5 ans
Actions
Immobilier
50
prix des actions). Les classes d'actifs tels que les taux d'intrt peuvent apparatre modlises
de manire relativement sommaire en comparaison la prcision des modles bass sur les
corrlations.
Toutes ces observations, ainsi que celles prsentes dans la sous-section II-2 du chapitre
prcdent, nous ont conduits retenir un modle proche de celui dAhlgrim et al. [2005]
plutt quun modle du type Wilkie [1995] dans le cadre de la prsente tude. Le modle GSE
dvelopp ne supposera pas lexistence dune structure par cascade entre ces variables.
Concernant le choix dun modle de structure par terme des taux, ce dernier doit tenir compte
de lobjectif de planification stratgique de long terme qui diffre dun objectif dapplication
de court terme (bas sur la comparaison des prix obtenus avec ceux des produits drivs
observs sur le march). Dans cette tude, nous nenvisageons pas dutiliser le modle de
GSE, objet de lillustration, pour des oprations de trading . Nous cherchons plutt
fournir aux fonds de retraite un ensemble de scnarios de taux dintrt et de rendement
dactifs qui soit plausible par rapport aux tendances futures et aux ralisations passes. Un
cadre de modlisation avec des hypothses dquilibre gnral sera favoris. Les diffrents
actifs nauront pas le mme rendement espr et une prime de risque sera accorde chacun
dentre eux. En choisissant la structure par terme des taux, nous essayeront galement de
respecter les points mentionns ci-dessous relatives ltude historique des mouvements de la
courbe des taux.
Ltude historique des mouvements de la courbe des taux met en relief les points suivants
(Martellini et al. [2003]) :
- les taux dintrt nominaux ne sont pas ngatifs.
- les taux dintrt sont affects par des effets de retour la moyenne.
- les taux longs et les taux courts ne sont pas parfaitement corrls.
- les taux court terme sont plus volatiles que les taux long terme.
- les courbes de taux dintrt peuvent avoir diffrentes formes (quasi-plate, croissante,
dcroissante, avec une bosse, avec un creux).
Dans le modle dvelopp, la structure par terme des taux nominaux est dduite partir de la
structure par terme des taux rels et de la structure par terme des taux dinflation anticips.
Nous avons choisi de modliser ces deux dernires par le modle de Hull et White 2 facteurs
[1994] appliqu dans un cadre dquilibre gnral, avec un principe de retour la moyenne et
avec un drift dpendant du temps. Il se base sur le principe de retour la moyenne des taux
dintrt. Ce modle a le mrite dtre utilis pour des fins de projection de long terme et dans
un cadre danalyse dun monde rel (Ahlgrim et al. [2005]). Il fournit aussi des formules
explicites pour les prix des obligations zro-coupon ce qui permet son utilisateur dobtenir
les taux de rendements de diffrentes maturits, nimporte quelle date durant la priode de
simulation (courbe des taux).
Le choix dun modle multi-factoriel garantit une flexibilit au niveau de la forme de la
courbe des taux. Il est montr dun autre ct que le pouvoir explicatif dun modle deux
paramtres est suffisant pour la prvision des changements de taux dintrt (Date et al.
[2009]). Ces deux facteurs retenus seront le taux long (sur un horizon long, 10 ans par
exemple) et le taux court ou le taux instantan (sur un horizon court, 3 mois par exemple).
Nous pouvons ainsi obtenir diffrentes formes de la courbe des taux en fonction de
lvolution de sa partie de long terme par rapport sa position initiale. De mme, en
considrant deux facteurs, nous vitons la limite du modle un seul facteur qui est celle
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
51
dune corrlation parfaite, gale 1, entre les taux de rendement exigs sur diffrentes
maturits. Ainsi, les taux courts et les taux longs nauront pas voluer toujours dans un
lock-step .
En ce qui concerne les actions, diffrents auteurs ont soulev la problmatique des rgimes
qui caractrisent le processus d'volution de la rentabilit des actifs financiers. Le GSE que
nous allons mettre en place ne suppose pas le retour la moyenne pour les rendements des
actions. La dynamique des rendements des actions se base sur le modle de changement de
rgime tel que prsent par Hardy [2001]. Les actions peuvent voluer dans le cadre de lun
de deux rgimes suivants : un rgime esprance de rendement leve et volatilit faible
des rendements des actions et un rgime esprance de rendement relativement faible (voire
mme ngative) et volatilit relativement leve. Ce modle permet de gnrer un skewness
(coefficient dasymtrie) et un kurtosis (coefficient daplatissement) plus proche de ceux de la
distribution empirique des rendements des actions (Hibbert et al. [2001]). Le rendement des
actions sous chaque rgime est suppos suivre un mouvement brownien gomtrique tel que
celui de Black et Scholes [1973].
L'un des avantages de l'application des modles changement de rgimes est la prise en
compte de la non-normalit des distributions des processus modliser. De mme, ce modle
permet de tenir compte de l'instabilit temporelle de la relation entre les taux (en particulier
linflation) et les rendements des actions dont l'origine peut tre attribue l'mergence de
bulles spculatives et/ou des fluctuations non dictes par les fondamentaux (cf. Fama
[1981]).
A ce niveau, notre tude se distingue par l'adoption d'une dmarche novatrice dont l'objectif
est de tenir compte de l'instabilit temporelle de la corrlation entre les rentabilits des actifs.
Autrement dit, nous tenons compte dans la modlisation des possibilits d'volution de cette
corrlation selon diffrents rgimes.
Lide principale est de partir de lapproche classique de changement de rgime, qui concerne
souvent les rendements moyens ainsi que les volatilits, pour supposer que les corrlations
basculent elles aussi dun rgime lautre. Nous introduisons un nouveau concept qui est
celui de la corrlation risque correspondant la matrice de corrlation dans le rgime
de crise (rgime forte volatilit des marchs). Elle refltera a priori la perception subjective
de linvestisseur en fonction des risques auxquels il est expos. La matrice de corrlation dans
le rgime faible volatilit sera considre comme celle refltant la stabilit des marchs
(estime par exemple partir de donnes historiques hors priodes de crises).
Concernant les valeurs des obligations non gouvernementales ( risque de crdit), ces
dernires sont dtermines travers lapproche des coefficients dabattement : approche
dveloppe par les assureurs dans le cadre de la projection de leurs valuations de provisions
conomiques (MCEV 9 et Solvabilit II). Le montaire est modlis selon un modle lognormal volatilit faible. Limmobilier est modlis selon un modle de Vasicek [1977]
(lquivalent de Hull et White [1990] avec un seul facteur : le taux court).
La prsentation du GSE, objet de lillustration, sera accompagne par la comparaison de ce
dernier avec le modle dAhlgrim et al. [2005] notamment au niveau du calibrage des
paramtres.
9
Market Consistent Embedded Value est le standard de valorisation des compagnies dassurance en juste valeur.
52
I-2 Composantes
En matire de gestion actif-passif, il savre utile de sappuyer sur une modlisation des
principales classes dactifs disponibles dans le but de construire un modle global dans lequel
ces classes sont reprsentes de manire cohrentes dans une perspective de long terme en
phase avec les besoins dun rgime de retraite.
I-2-1 Structure de corrlation
Deux principales questions simposent lors de ltude des modles de corrlation. Dune part,
quelle est limportance de lestimation de la corrlation dans le contexte de lapplication
considre? Dautre part, quel est le meilleur modle destimation de cette corrlation ?
Concernant la premire question sur limportance de lestimation des corrlations, nous nous
rfrons ltude de Skintzi et al. [2007]. Ces derniers explorent limportance de lestimation
de la corrlation dans le contexte de la gestion des risques. En particulier, ils tudient leffet de
lerreur destimation de la matrice de corrlation sur le niveau estim de la Valeur Risque
10
(VaR ou Value-at-Risk) dun portefeuille dactifs donn. Ils constatent que lerreur
destimation de la matrice de corrlation influence significativement le calcul de la VaR et
mettent ainsi en vidence limportance de minimiser cette erreur pour les gestionnaires de
risque (risk managers).
Plus prcisment, plus lerreur destimation de la matrice de corrlation augmente plus lerreur
au niveau de la VaR augmente. Ceci est vrai que ce soit avec des portefeuilles linaires
(composs dactifs classiques) ou avec des portefeuilles composs doptions. Pour ces deux
portefeuilles, nous supposerons que la VaR est calcule respectivement avec la matrice de
variances-covariances et les mthodes de simulation Monte Carlo. Ainsi le choix dun modle
qui minimise lerreur destimation des corrlations est important pour le gestionnaire des
risques.
Un rsultat additionnel obtenu par les auteurs consiste dans le fait que plus le vrai niveau
de la corrlation est faible plus la sensibilit du pourcentage derreur de calcul de la VaR est
lev. Ceci implique que, dans le cas dun portefeuille linaire, la sensibilit est dautant plus
importante que le portefeuille est bien plus diversifi. De mme, dans le cas dun portefeuille
doptions, la sensibilit de lerreur de calcul de la VaR par rapport lerreur destimation des
corrlations est dautant plus forte que le niveau des corrlations entre les actifs sous-jacents
est faible.
Par ailleurs, ltude de Skintzi et al. [2007] montre que, dans le cas dun portefeuille doptions,
le biais induit par lerreur destimation des corrlations dpend du niveau par rapport la
monnaie et de la maturit. Les rsultats montrent ce niveau que la VaR relative un
portefeuille doptions avec des maturits courtes et dans la monnaie est la plus sensible
lerreur de corrlation. Bien videmment, ce rsultat nest pas le bienvenu chez les
gestionnaires de risque, du fait que la plupart de lactivit de transaction des options est
concentr sur des options maturit courte et proche de la monnaie.
10
La VaR d'un portefeuille d'actifs financiers correspond au montant de pertes maximales sur un horizon de
temps donn et avec un niveau de confiance prdfini. Il s'agit la mesure de risque de rfrence utilise dans
Solvabilit II.
53
Finalement, les rsultats de Skintzi et al. [2007] indiquent que la sensibilit de la VaR
lerreur destimation de la matrice de corrlation dpend galement de la mthode de calcul de
la VaR. Ainsi, la pertinence des rsultats obtenus par les simulations Monte Carlo doit tre
vrifie travers diffrents tests de backtesting. De mme, il est souvent admis que, pour les
portefeuilles linaires, le gestionnaire de risque est indiffrent dans le choix entre la matrice de
variances-covariances et les simulations Monte Carlo : la VaR calcule travers les mthodes
Monte Carlo devra converger en principe vers celle obtenue par la matrice de variancescovariances. Cependant, comme le biais provenant de lerreur destimation des corrlations
dpend de la mthode employe, lutilisation des simulations Monte Carlo est de prfrence
viter mme dans le cas de petits portefeuilles linaires.
Skintzi et al. [2007] confirment galement que quelle que soit lapproche destimation retenue,
lerreur est toujours invitable. En particulier, dans les priodes de stress des marchs, o la
VaR est suppos tre utile, les corrlations dvient significativement de leurs valeurs estims
initialement (voir Bhansali et Wise [2001] qui mettent en vidence les limites des techniques
statistiques dans ce cas). A ce niveau, la particularit de ltude mene par Skintzi et al. [2007]
consiste dans le fait que ces derniers se sont intresss la relation entre lerreur destimation
de la matrice de corrlation et lerreur de calcul de la VaR plutt que de sintresser au modle
qui minimise lerreur destimation de la matrice de corrlation.
Autrement dit, ils ont suppos que ce qui compte finalement pour les gestionnaires de risque
est de minimiser lerreur de calcul de la VaR, quel que soit le niveau derreur obtenu dans
lestimation de la matrice de corrlation. Ainsi, ils partent de la question : est ce que le choix
dune approche destimation de la matrice de corrlation, plutt quune autre approche,
impacte le niveau de la VaR obtenu in fine et quel niveau ? Si de telles relations
systmatiques nexistent pas, le gestionnaire de risque se trouve libre dans le choix de son
modle destimation de la matrice de corrlation. Il pourra ensuite, par exemple, chercher
identifier dautres facteurs menant des erreurs dans son modle de calcul de la VaR.
Mme si limportance des hypothses de corrlation est de premier plan dans certaines
applications, du fait de leur influence sur les dcisions finales du gestionnaire (cf. Wainscott
[1990]), certains chercheurs ont tendance associer un degr plus faible cette importance.
Cest le cas de Black&Litterman [1992] qui affirment, que dans le cas dune allocation
dactifs mono-priodique type Markowitz, le modle est significativement plus sensible aux
hypothses mises sur les esprances et les volatilits des diffrentes classes dactifs plutt
quaux hypothses de corrlations adoptes dans le modle. Limportance des hypothses de
corrlation est donc fonction du contexte dapplication et dpend des spcifis de ltude
envisage.
Concernant la deuxime question sur la performance de la mthode destimation des
corrlations, de nombreux travaux ont essay de trouver la rponse en valuant la performance
de la prvision de diffrents modles de corrlations dans le cas de multiples applications
financires. Citons par exemple, Elton et Gruber [1973] et Chan et al. [1999] dans le contexte
de lallocation dactifs, Beder [1995] et Alexander et Leigh [1997] dans le contexte de la
gestion des risques, Gibson et Boyer [1998] et Bystrm [2002] dans le contexte du pricing des
options. Cependant, lvidence en matire de la slection du meilleur modle de corrlation est
loin dtre tranche. De mme, du fait que la plupart des applications ncessite la prvision
simultane de la volatilit et de la corrlation, lvaluation de la performance de la prvision
de la corrlation indpendamment de celle de la volatilit apparat comme peu cohrente.
54
La corrlation entre les taux (en particulier linflation) et les rendements des actions sera
tudie dans la suite. Ce sujet se caractrise par le fait dtre controvers dans la littrature.
L'quation de Fisher [1930] stipule que le taux nominal de rentabilit d'un actif financier, tel
que les actions, est gal la somme de l'inflation anticipe et du taux rel de rentabilit de
l'action. Cette identit est base sur deux hypothses. La premire est relative l'efficience du
march des actions; tandis que la seconde stipule que le taux rel de rentabilit est dtermin
par des facteurs rels, et qu'ainsi il est indpendant des anticipations inflationnistes.
Or, de multiples travaux empiriques (dont Fama [1981] et Kim [2003]) destins tester
l'quation de Fisher rvlent une relation ngative entre la rentabilit des valeurs et l'inflation.
Cette nouvelle relation est qualifie dans la littrature conomique de stock return-inflation
puzzle. Une multitude d'tudes fut consacre l'analyse de cette relation inverse entre la
rentabilit des actifs et une varit de mesures de l'inflation ou de l'inflation anticipe.
L'une des hypothses implicites la relation de Fisher est que les marchs financiers sont
efficients. L'adoption d'une telle hypothse est synonyme d'une relation stable entre les prix
des actifs financiers et leurs dterminants fondamentaux. Or, les travaux de Shiller [1981]
dont les rsultats rvlaient que la variance des cours boursiers est trop leve par rapport
celles des fondamentaux vont l'encontre de l'hypothse d'efficience des marchs. Artus
[1998] affirmait que la relation entre l'inflation et le prix des actifs peut tre instable.
L'absence d'une relation stable, au moins court terme, entre les cours boursiers et leurs
dterminants fondamentaux peut tre explique au niveau macroconomique, soit par
l'irrationalit ou la myopie des agents conomiques, soit par l'existence de bulles rationnelles.
Autrement dit, tudier la relation entre les prix des actifs financiers et l'inflation sans tenir
compte de ces imperfections et anomalies conduit ncessairement des relations errones. Le
graphique 11 illustre cette instabilit au niveau des corrlations glissantes entre l'inflation et
les rendements des actions aux Etats-Unis : par exemple, pour deux crises diffrentes (celle de
2001 et de celle de 2008) ce niveau de corrlation passe de 0,2 0,2 ce qui s'explique par la
diffrence de la source de la crise et de ses effets sur le comportement des investisseurs.
En adoptant un modle issu de la combinaison de la thorie de la demande de la monnaie et
de la thorie quantitative de la monnaie, Fama [1981] affirmait que la relation ngative entre
les taux nominaux de rentabilit des actions et l'inflation n'est que le reflet du lien ngatif
entre cette dernire et l'activit conomique relle. Il explique que dans la mesure o l'activit
conomique relle est ngativement corrle l'inflation et puisque la rentabilit des actions
est corrle positivement l'activit conomique, la corrlation ngative entre l'inflation et les
taux nominaux de la rentabilit des actions est fausse. Elle ne reprsente qu'une relation proxy
du lien entre les volutions des prix des actions et de la production.
Ainsi, la thse dite de "proxy effect hypothesis" de Fama est souvent avance pour justifier les
rsultats empiriques opposs l'identit de Fisher. Il faut souligner que la plupart des travaux
empiriques relatifs l'analyse de la relation de l'inflation et la rentabilit des actions ne
tiennent pas compte de l'instabilit temporelle de cette relation dont l'origine peut tre
attribue l'mergence de bulles spculatives et/ou des fluctuations non dictes par les
fondamentaux.
Linstabilit dans le temps de la corrlation entre les diffrents facteurs de risque, quel que
soit lhorizon de calcul de cette corrlation (5 ans, 10 ans, etc.), constitue un lment dtude
important au niveau du choix du niveau de finesse dun modle dactifs (cas de lallocation
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
55
0,1
-0,2
-0,3
dc-08
dc-07
dc-06
dc-05
dc-04
dc-03
dc-02
dc-01
dc-00
dc-99
dc-98
dc-97
dc-96
dc-95
dc-94
dc-93
dc-92
dc-91
dc-90
dc-89
dc-88
dc-87
dc-86
dc-85
dc-84
dc-83
dc-82
dc-81
dc-80
dc-79
dc-78
dc-77
dc-76
dc-75
dc-74
dc-73
dc-72
dc-71
dc-70
-0,1
dc-69
0,0
Effet de la crise de
2001: Bulle
technologique
-0,4
-0,5
Corrlation glissante
Fig.11 : Evolution de la corrlation (glissante) sur 5 ans entre l'inflation et le rendement des actions
aux Etats-Unis depuis 1970
L'omission des rgimes qui caractrisent les processus gnrateurs de la rentabilit des actions
dans l'analyse de la relation " inflation-rentabilit " peut introduire des biais et suggrer la
prsence d'une corrlation ngative. Si l'introduction des rgimes gnre une relation
conforme l'identit de Fisher (corrlation positive entre l'inflation anticipe et la rentabilit
des actions), nous pourrions mettre en doute les arguments avancs par Fama. Et le rendement
des actions serait, alors, un indicateur avanc de l'inflation future.
A ce niveau, notre tude se distingue par l'adoption d'une dmarche novatrice dont l'objectif
est de tenir compte de l'instabilit temporelle de la corrlation entre les rentabilits des actifs.
Autrement dit, nous tenons compte dans la modlisation des possibilits d'volution de cette
corrlation selon diffrents rgimes.
Lide principale est de partir de lapproche classique de changement de rgime, qui concerne
souvent les rendements moyens ainsi que les volatilits, pour supposer que les corrlations
basculent elles aussi dun rgime lautre. Un nouveau concept est ainsi introduit et sera
appel la corrlation risque . Il sagit de la matrice de corrlation dans le rgime de
crise (rgime forte volatilit des marchs). Elle refltera a priori la perception subjective de
linvestisseur en fonction des risques auxquels il est expos. La matrice de corrlation dans le
rgime faible volatilit sera considre comme celle refltant la stabilit des marchs
(estime par exemple partir de donnes historiques hors priodes de crise).
En fait, pour le rgime de faible volatilit (rgime 1 pour le rendement des actions), nous
avons suppos une matrice de corrlation, entre les variables conomiques et financires (le
rendement des actions, le rendement de limmobilier, le montaire, les taux dinflation
anticips longs et courts, les taux rels longs et courts) qui est estime partir des donnes
historiques aprs limination des priodes aberrantes ou de crises. Elle correspond alors la
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
56
Si nous considrons par exemple que notre investisseur craint une baisse des actions
accompagne par une hausse des taux (baisse de la valeur des obligations) due une hausse
des taux dinflation (cas dun passif index linflation) et une baisse des taux rels (cas de
ralentissement de lconomie), alors les corrlations sont fixes en situation de crise (rgime 2
pour les actions) de faon avoir une corrlation ngative leve entre les actions et les taux
dinflation, une corrlation positive entre les actions et les taux rels et implicitement une
corrlation ngative entre les taux dinflation et les taux rels.
Dans un cadre dvaluation Mark-to Market des engagements, comme la duration du passif
est leve par rapport celle de lactif, ce qui est le cas en gnral, du fait que les maturits
des produits obligataires sont relativement courtes, la crainte de linvestisseur sera la baisse
des actions accompagne par une baisse des taux dinflation anticips et des taux rels : ce qui
ramne le fonds de retraite une situation de sous financement. Une fois que ce scnario est
choisi comme scnario catastrophe, nous fixerons des corrlations positives leves entre ces
variables pour le cas dun rgime volatilit leve des actions.
Cette dmarche intgre ainsi la mthodologie dterministe de stress scenario dans un
contexte de simulation stochastique. Cela permet, mme si la dmarche propose ne prsente
pas assez dlments quantitatifs, de tenir compte dans les simulations de la perception
subjective du risque extrme par linvestisseur.
La corrlation entre les actifs est prsente ici dans un cadre non linaire (avec deux
rgimes de corrlation). Au niveau de chaque rgime, les corrlations entre les diffrents
actifs du portefeuille peuvent tre illustres par exemple travers la matrice ci-dessous :
dz tACTION
dz tIMMOBILIER
dz tMONETAIRE
dz tOBLIGATION
dz tOBLIGATION
dt
12 dt
13 dt
14 dt
dz tACTION
12 dt
dt
23 dt
24 dt
dz tIMMOBILIER
13 dt
23 dt
dt
34 dt
dz tMONETAIRE
14 dt
24 dt
34 dt
dt
57
Une attention particulire doit tre porte linflation, qui est utilise pour revaloriser les
cotisations et les prestations de tels rgimes. Par ailleurs, un modle dactifs dans un contexte
de retraite se doit dune part dintgrer des fluctuations de court terme sur la valeur des actifs
et dautre part dtre cohrent long terme avec les quilibres macro-conomiques reliant
linflation, les taux dintrt et le taux de croissance de lconomie.
En effet, long terme, il est gnralement considr (cf. Planchet et Thrond [2007]) quil
existe un lien troit entre le taux dintrt nominal prvalant sur les marchs financiers, le
taux dinflation, cest--dire lvolution de lindice des prix, et le taux dintrt rel. Plus
prcisment, le taux dintrt nominal est gal (ou converge) la somme du taux dintrt rel
et du taux dinflation :
Taux d' intrt nominal Taux d' inflation + Taux d' intrt rel
Simultanment, il existe un lien troit long terme entre le taux dintrt rel et le taux de
croissance rel de lconomie. Nous considrons ainsi que le taux dintrt rel ne peut tre
longuement trs diffrent du taux de croissance de lconomie sauf provoquer des arbitrages
entre activit financire et activit relle dune part, entre investissement dans un pays et
investissement dans dautres pays dautre part.
Nous pouvons donc crire :
Taux d' intrt rel long terme Taux de croissance de l' conomie long terme
Ces contraintes ont donc t prises en compte dans le choix du modle. Le graphique 12
montre une corrlation forte entre linflation et les taux dintrt nominaux de court terme au
Royaume-Uni partir de 1960.
Lide de base dans le modle construit : la structure par terme des taux dintrt nominaux
est tablie partir de deux composantes spares :
-
La structure par terme des taux rels : nous supposons quil sagit de la courbe des
taux des obligations indexes linflation.
Un modle de linflation anticipe pour diffrents horizons. Il est implicitement
suppos que les investisseurs comprennent le processus gnrant linflation et
ajustent leurs anticipations de faon cohrente avec la trajectoire dj dtermine.
Les deux structures par terme sont combines afin dobtenir celle des taux nominaux en
tenant compte de :
-
58
Taux dinflation
Anne
Fig. 12 : La corrlation entre les taux dinflation et les taux nominaux courts au Royaume-Uni
dl r (t ) = k1 ( lr l r (t ))dt + 1 dZ 1 (t )
dr( t ) = k 2 (l r (t ) r (t ))dt + 2 dZ 2 (t )
Avec :
r (t ) = le taux dintrt rel court terme ( linstant t) ou le taux rel instantan.
l r (t ) = le taux dintrt rel long terme ( linstant t).
k 2 = le paramtre dauto rgression du processus des taux rels court terme (vitesse de
retour la moyenne).
k1 = le paramtre dauto rgression du processus des taux rels long terme.
2 = la volatilit annualise (cart-type) des taux dintrt rels court terme.
1 = la volatilit annualise (cart-type) des taux dintrt rels long terme.
lr = le taux dintrt rel long terme moyen (ou le niveau de retour la moyenne de l r (t ) ).
59
dZ 1 (t ) = le choc au processus de retour la moyenne des taux rels court terme avec une
distribution N ( g r dt , dt ) .
g r = un paramtre qui reflte lexcs de rendement entre les obligations indexes linflation
de court et de long terme.
lb _ r = la borne infrieure du taux rel court terme r (t ) .
hb _ r = la borne suprieure du taux rel court terme r (t ) .
Le graphique suivant donne une ide sur les rsultats pouvant tre obtenus par ce modle. Ici
r (t ) reprsente le taux forward instantan (court terme). Nous pouvons ensuite dduire la
courbe des taux spots en combinant les taux forwards appropris.
Illustration du phnomne de retour la moyenne des taux rels dans le cadre d'un modle de Hull et White 2 facteurs
0.07
taux rels courts
taux rels longs
0.06
0.05
0.04
0.03
0.02
0.01
10
15
20
25
Fig .13 : Illustration du phnomne de retour la moyenne des taux rels dans le cadre du modle de
Hull et White deux facteurs
Le prix, linstant t , dune obligation zro-coupon qui paie une unit en terme rel linstant
T est donn par les quations suivantes (cf. Hibbert et al. [2001]) :
Prel (t ,T ) = exp[A(T t ) B2 (T t )r (t ) B1 (T t )l r (t )]
Avec :
1 e k 2 s
B 2 (s ) =
k2
B1 (s ) =
k2
k 2 k1
1 e k1s 1 e k 2 s
k2
k1
60
22
A(s ) = (B2 (s ) s ) lr
2k 2
(1 e
(k 2 k1 )
2 k2 s
2k 2
(B1 (s ) + B2 (s ))
22 B2 (s ) 12 s
+ B1 (s ) lr
+
+
2 2
4k 2
2 k1
k12
2k 2
k 22
1 e ( k1 + k 2 )s
1 e 2 k1s
+ 2
2
k1 (k 2 k1 ) (k1 + k 2 )
2 k1
k1 (k 2 k1 )
Nous pouvons aussi calculer le rendement continu compos linstant t pour une maturit T :
Rr (t ,T ) = log {Prel (t ,T )} / (T t )
ii. Le modle dinflation : Modle de Hull-White 2 facteurs
La mme structure par terme est utilise :
dl i (t ) = k 3 ( li li (t ))dt + 3 dZ 3 (t )
di( t ) = k 4 (l i (t ) i (t ))dt + 4 dZ 4 (t )
Avec :
i (t ) = le taux dinflation court terme ( linstant t) ou le taux dinflation instantan.
l i (t ) = le taux dinflation long terme ( linstant t).
k 4 = le paramtre dauto rgression du processus des taux dinflation court terme (vitesse de
retour la moyenne).
k 3 = le paramtre dauto rgression du processus des taux dinflation long terme.
4 = la volatilit annualise (cart-type) des taux dinflation court terme.
3 = la volatilit annualise (cart-type) des taux dinflation long terme.
li = le taux dinflation long terme moyen (ou le niveau de retour la moyenne de l i (t ) ).
dZ 4 (t ) = le choc au processus de taux dinflation court terme avec une distribution
N ( g i dt , dt ) .
dZ 3 (t ) = le choc au processus de taux dinflation long terme avec une distribution
N ( g i dt , dt ) .
g i = un paramtre qui reflte la prime de risque inflation entre les obligations nominales et les
obligations indexes linflation.
lb _ i = la borne infrieure du taux dinflation court terme i (t ) .
hb _ i = la borne suprieure du taux dinflation court terme i (t ) .
Nous pouvons de la mme faon ensuite dduire la structure par terme des anticipations
dinflation partir du taux dinflation court terme i (t ) et de la valeur de l i (t ) .
Soit alors : P(t ,T ) = la valeur actualise dune obligation linstant t qui paie 1 unit
linstant T et dont lactualisation se fait par rapport lanticipation dinflation.
Le rendement quivalent sera :
Ri (t ,T ) = log {Pinf lation (t ,T )}/ (T t )
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
61
Nous pouvons aussi inclure la prime de risque dinflation dans la structure par terme des
anticipations dinflation. Comme pour les taux rels, deux bornes (suprieure et infrieure)
peuvent tre fixes par linvestisseur.
iii. La structure par terme des taux nominaux
Hibbert et al. [2001] explicitent la valeur du taux nominal et le prix dun zro coupon nominal
en fonction de la relation entre les taux rels et les taux dinflation anticips dans le cadre
dun modle de Hull et White 2 facteurs.
Cas de lindpendance entre les taux rels et les taux dinflation anticips :
Taux nominal = i + r
o :
i est linflation (de court terme ou de long terme suivant le cas) ;
r est le taux dintrt rel (de court terme ou de long terme suivant le cas) .
Lorigine de cette formule, qui nest quune approximation, provient de la proposition de
Fisher [1930] qui stipule que le taux dintrt nominal i est dduit de la relation suivante :
Cas de la dpendance entre les taux rels et les taux dinflation anticips :
Nous ajoutons une quantit refltant la covariance entre les deux variables (Hibbert et al.
[2001]) :
Pnom (t ,T ) = Prel (t ,T ) Pinf lation (t ,T ) + . [Var (exp{ Rr (t ,T )}).Var (exp{ Ri ( t ,T )})]
Avec :
instantan dZ 2 (t ) et dZ 4 (t ) .
T
Rr (t ,T ) = r (s )ds
t
T
Ri (t ,T ) = i (s )ds
t
Var (exp{ Rr (t ,T )}) = exp{ 2 E (Rr (t ,T )) + Var (Rr (t ,T ))}.(exp{Var (Rr (t ,T ))} 1 )
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
62
Avec :
E (Rr (t ,T )) = lr .(T t ) + x1 + x 2
Var (Rr (t ,T )) = y1 .(T t ) 2 y 2 y 3 2 y 4 y 5 + (1 / k 2 ) y 6 y 7 2 y8 y 9 + y10 y11
x1 = (r (t ) lr )
k2
k 2 (1 exp{ k1 (T t )})
(1 exp{ k 2 (T t )})
(l r (t ) lr )
k1 k 2
k1
k2
x2 =
y1 = 2
k2
(1 exp{ k 2 (T t )})
1
+
k1
k1
y 2 = 2
k1 (k 2 k1 )
k2
2
y3 =
1 exp{ k 2 (T t )}
k2
k 2 12
y4 = 2
k1 (k 2 k1 )
y5 =
(1 exp{ k1 (T t )})
k1
y 6 = 22 +
y7 =
y8 =
y9 =
y10 =
k 22 12
(k 2 k1 )2
(1 exp{ 2k 2 (T t )})
2k 2
k 2 12
k1 (k 2 k1 )
k12 (k 2 k1 )
63
y11 =
Une expression analogue est utilise pour la variance correspondant la structure des taux
dinflation anticips. Ainsi, travers la prise en compte du produit de ces deux variances et de
la corrlation, nous obtiendrons le terme de covariance qui permettra le calcul du prix dun
zro-coupon nominal dans le cadre de la dpendance des taux.
iiii. Prise en compte de la prime de terme dans la STTI
La prime de terme (ou de lhorizon) a pour effet dajuster la trajectoire du taux dintrt de
court terme, de faon ce que la courbe des taux ne soit pas un estimateur biais de
lvolution future effective des taux courts (cf. Hibbert et al. [2001]).
Etant donnes les valeurs actuelles linstant t de r (t ) et de l r (t ) (supposes ici tre
respectivement le taux nominal court et long terme), nous pouvons calculer les valeurs
espres et les variances de ces deux variables la date T>t. Elles sont obtenues par les
expressions suivantes :
E[lr (T )\ l r (t )] = lr + e k1 (T t ) (l r (t ) lr )
E[r (T )\ r (t ),l r (t )] = lr + e k2 (T t ) (r (t ) lr ) +
Var[l r (T )\ l r (t )] =
12
2k1
Var[r (T )\ r (t ),l r (t )] =
k
... 2 1
k 2 k1
(1 e
22
2k 2
2 k1 (T t )
(1 e
k2
e k1 (T t ) e k2 (T t ) (l r (t ) lr )
k 2 k1
2 k2 (T t )
) + 2k (1 e
2
2
2 k2 (T t )
) + ...
1
2
1 e 2k2 (T t ) +
1 e 2k1 (T t )
1 e (k2 + k1 )(T t )
2k1
k 2 k1
2k 2
l r (T ) = E [l r (T )\ l r (t )] + Var[l r (T ) \ l r (t )].Z 1 (T )
64
l r (T ) = E [l r (T )\ l r (t )] + Var [l r (T )\ l r (t )]. Z1 (T ) + g r . (T t )
La prime de lhorizon peut tre exprime en termes de rendement espr sur une obligation
zro-coupon (Yields), ou en termes de rentabilit espre (Returns). En se rfrant Hibbert et
al. [2001], nous avons :
1 2 2
Prime de Terme (Rendement)= - g r 2 + 1 22 + 12
k1
k 2 k1 2 k 2
Prime de Terme (Rentabilit)= - g r 2 + 1
k 2 k1
Notons quune prime de terme positive ncessite une valeur de g r ngative.
Dans le modle de linflation, le paramtre de la prime de risque reflte le rendement
supplmentaire exig sur une obligation nominale par rapport une obligation indexe
linflation, et cette prime de risque inflation est intgre de la mme faon dans le modle
de taux dintrt rel.
I-2-2-2 Le modle des actions
Face aux limites des modles classiques (hypothses de normalit, etc.), nous avons opt pour
lutilisation du modle de changement de rgime (RSLN : Regime Switching Log Normal, cf.
Hardy [2001]) pour le cas du GSE objet de lillustration.
En effet, une mthode simple pour tenir compte de la volatilit stochastique est de supposer
que la volatilit peut prendre une des K valeurs discrtes, en passant dune valeur lautre de
faon dfinir par le modlisateur. Ceci est la base du modle lognormal de changement de
rgime. Ce modle maintient le caractre de la simplicit fourni par le modle lognormal
classique. De mme, il permet de reflter les mouvements extrmes observs sur les marchs.
Le principe de changement de rgime a t introduit par Hamilton [1989] qui a dcrit un
processus de changement de rgime autorgressif. Dans Hamilton et Susmel [1994] diffrents
modles de changement de rgime sont analyss, en testant un nombre diffrent de rgime et
des modlisations diffrentes. Lobjectif est de modliser des sries conomtriques
hebdomadaires. Les deux chercheurs concluent quun modle volatilit autorgressive
conditionnellement htroscdastique de type ARCH est le plus adquat.
Le modle de changement de rgime a t propos la premire fois comme un modle
traduisant la dynamique des actions par Hardy [2001]. Lide sous jacente ce modle est que
les marchs peuvent passer dun instant lautre dun rgime faible volatilit un rgime
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
65
volatilit relativement leve. Les priodes de volatilit leve peuvent tre induites par
exemple par une politique montaire de court terme ou par une incertitude conomique
leve. Ceci permet de gnrer des distributions de rendements qui sont plus pertinentes par
rapport aux distributions empiriques.
La distribution des rendements des actions est ainsi suppose transiter entre diffrents tats de
la nature (rgimes). Une matrice de transition contrle les probabilits de passage entre les
rgimes. En fait, le processus propos est markovien : la probabilit de changement de rgime
dpend seulement du rgime courant et non pas de la totalit de la trajectoire historique du
processus.
I-2-2-2-1 Le modle initial de changement de rgime
Les rendements des actions ont t dcomposs en deux parties : rendement des actions hors
dividendes et taux de dividende (Hardy [2001] et Ahlgrim et al. [2005]).
Hardy [2001] applique le modle changement de rgime lexcs de rendement des actions.
En outre, Ahlgrim et al. [2005] reprennent la mme approche et estiment les six paramtres de
ce modle partir de deux jeux de donnes distincts : un premier jeu (large stocks)
comprenant des sries observes entre 1871 et 2002 et un deuxime jeu (small stocks)
comprenant des sries observes entre 1926 et 1999.
ii. Taux de dividende
Ahlgrim et al. [2005] proposent de modliser le taux de dividende, not yt, par :
d (log ( y t )) = y ( y log ( y t ))dt + y dB y ,t
o :
Le modle sur le logarithme du taux de dividende est comparable celui relatif linflation
(avec un seul facteur).
Toutefois, une des principales difficults du sous-modle sur le taux de dividende est la
disponibilit des donnes. En effet, les sries de donnes sur les taux de dividende avec un
historique suffisamment long ne sont pas disponibles publiquement. Aussi, pour estimer les
paramtres de ce sous-modle, Ahlgrim et al. [2005] utilisent des donnes prives. Une autre
alternative propose par Ahlgrim et al. [2005] serait de retenir les taux de dividendes sur un
nombre limit dactions.
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
66
De ce fait, nous prfrerons travailler avec des rendements d'actions dtermins avec une
hypothse de rinvestissement des dividendes.
I-2-2-2-2 Rendement des actions avec dividendes rinvestis : approche alternative
Au regard des difficults susceptibles dtre rencontres dans le cadre des spcifications du
modle dAhlgrim et al. [2005] (modlisation partir de lexcs de rendement sur les actions
et des taux de dividendes), une alternative est propose pour modliser le rendement des
actions.
Cette alternative repose sur une modlisation des rendements totaux des actions (et non
uniquement lexcs de rendement) avec dividendes rinvestis. En termes de choix de modle,
lapproche changement de rgime dHardy [2001] est maintenue.
t =1 ou 2) ;
pi , j = Pr [ t +1 = j \ t = i ] reprsente la probabilit de changement de rgime (avec i=1
ou 2, j=1 ou 2) ;
= {1 , 2 , 1 , 2 , p1, 2 , p2 ,1} reprsente les paramtres estimer.
Par ailleurs, nous notons que Hardy a test dans ce cadre le cas des modles deux et trois
rgimes (K=2,3) et elle constate quen ajoutant un troisime rgime la modlisation de S t
nest pas amliore de faon significative. Garder deux rgimes seulement permet en plus la
simplification du modle et une pertinence meilleure lors de lestimation des paramtres.
Ainsi, dans le modle de GSE objet de lillustration, nous avons galement suppos
lexistence unique de deux rgimes. La projection de la trajectoire des rendements entre ces
deux rgimes se base sur un algorithme de simulation dune distribution uniforme cumule.
Cette dernire permet de dterminer le rgime de volatilit de la priode suivante. Les
corrlations des actions (au niveau des browniens) avec les autres variables du modle
diffrent selon les rgimes. En cas de rgime volatilit leve (crise), nous supposerons une
corrlation risque pour linvestisseur comme expliqu ci-dessus.
I-2-2-3 Le modle des obligations "crdit"
Portrait et Poncet [2008] prcisent que les titres de crance sont gnralement affects par un
risque de crdit, qui englobe un risque de dfaut (dfaillance de lemprunteur) et un risque de
signature (dtrioration du crdit de lemprunteur). Le spread de taux traduit ce risque de
crdit : il est gal la diffrence entre le taux promis (a priori observable pour chaque titre) et
le taux sans risque.
Dans le dtail, le spread est compos de lesprance de baisse du taux d la prise en compte
du dfaut, dune prime de risque refltant laversion au risque dans le monde rel et dune
prime de liquidit (cf. Portrait et Poncet [2008]). Deux approches peuvent tre envisages a
priori pour intgrer le risque de crdit au modle dcrit ici :
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
67
max
) en date T , avec
r max le taux servi par le titre. Lesprance du flux alatoire X rellement pay par le titre en
T scrit alors :
E * ( X ) = 1 T* e (rT
max
) + * e (r
max
T
T
o :
E * ( X ) = e (rT )
o r reprsente le taux sans risque. De ces deux dernires galits, nous dduisons que le
spread s est gal :
s = rTmax r =
1
log 1 T* (1 )
T
68
T* =
1
1
1 ( sT )
1 e
Cette approche tablie donc un lien formel entre la possibilit de dfaut et lexistence dun
spread par rapport au taux sans risque. Le prix dune obligation prsentant un risque de dfaut
PD ( 0, T ) est alors obtenu partir du prix sans risque de dfaut P ( 0, T ) via la formule :
PD ( 0, T ) = 1 T* P ( 0, T ) + T* P ( 0, T ) .
Les spreads sont utiliss pour calculer les probabilits de dfaut "risque neutre" intervenant
dans la formule ci-dessus.
ii.
Dans le cadre de lunivers risque-neutre utilis ci-dessus pour la dtermination de limpact sur
le prix de la possibilit de dfaut, la prime de risque caractrisant laversion au risque est
nulle. Au niveau de la probabilit de dfaut, cette absence de primes de risque est compense
par une surpondration des vnements dfavorables et conduit ainsi une majoration
significative de cette probabilit. En dautres termes, les probabilits de dfaut en univers
risque-neutre estimes partir des spreads sont nettement suprieures aux probabilits de
dfaut historiques (cf. Portrait et Poncet [2008] pour une illustration).
Mais dans la modlisation des scnarios conomiques il est ncessaire de disposer non
seulement du prix des actifs obligataires chaque date, mais galement de tenir compte des
probabilits de dfaut historiques observes sur le march. Ces probabilits de dfaut devront
tre cohrentes avec le rating des contreparties et avec la maturit des titres.
Usuellement ces probabilits sont prsentes en fonction de la notation de lmetteur pour un
horizon dun an. La question de la dynamique temporelle de ces probabilits est dlicate et
fait lobjet dune abondante littrature (voir par exemple Bluhm et Overbeck [2007]). Afin de
ne pas complexifier trop le modle, il est retenu ici de considrer les probabilits de dfaut
comme fixes pour un niveau de notation dtermin.
En pratique, nous utiliserons les probabilits de dfaut cumules communiques par des
agences de notations telles que Moodys ou Standard & Poors. Ces probabilits historiques
permettent de simuler des vnements de dfaut lors de la projection des flux.
I-2-2-3-2 Dmarche des coefficients dabattement
Lapproche ci-dessus prsente cependant trois dfauts importants en pratique :
- l'estimation des paramtres, notamment dans une perspective de long terme, n'est pas
simple et de ce fait les modles ainsi calibrs savrent peu robustes ;
- la manipulation d'une structure par terme des dfauts est contraignante en termes de
stockage comme de simulation ;
- la simulation du dfaut dans le cadre de la projection de l'actif alourdit l'algorithme et
s'avre coteuse en temps de calcul.
69
C'est pourquoi il est propos d'utiliser une mthode alternative dveloppe par les assureurs
dans le cadre de leurs valuations de provisions conomiques (MCEV et Solvabilit II). Cette
mthode consiste simplement utiliser pour les obligations avec dfaut le modle d'valuation
des obligations sans risque de dfaut en abattant le nominal de manire recaler le prix
thorique issu du modle avec le prix de march initial.
Le calcul du rendement du crdit repose sur le coefficient dabattement qui est le rapport entre
le prix du march de lobligation crdit et le prix thorique de lobligation zro coupon
nominale dune mme maturit.
O coeff _ abtt est le coefficient dabattement recherch. De mme, par analogie au calcul du
prix de lobligation nominale, le calcul du prix du march de lobligation crdit versant un
euros sa maturit est ralis partir de lactualisation des flux au taux actuariel de march
1
de lobligation, soit : P _ crdit =
(Tx _ crdit + 1)M
o :
= (1 + 0 ) (1 (1 d ) ) 1
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
70
Outre les difficults pratiques de calibrage des spreads partir de donnes historiques, ce
modle sappuie sur deux approximations fortes et dlicates justifier :
- Dterminer le prix dun titre prsentant un risque de dfaut utilisant la formule
ferme du modle de base dans laquelle le taux court rt est remplac par le
taux court major du spread implique que xt = rt + st devrait lui-mme suivre
un modle de Vasicek, ce qui nest pas compatible avec lhypothse RSLN2
faite sur st ;
- La formule = (1 + 0 ) (1 (1 d ) ) 1 doit tre calcule avec des
Au surplus, le dfaut est introduit deux fois dans ce modle : la premire via le spread dans la
formule de prix et une seconde fois dans le rendement, alors que la justification de lexistence
du spread est prcisment lexistence du dfaut, comme nous lavons discut au dbut de
cette partie.
I-2-2-4 Le modle de limmobilier
Ahlgrim et al. [2005] admettent que les rendements issus de limmobilier, nots (re)t, sont
modliss par Hulle et White un facteur (lquivalent de Vasicek [1977]) :
d ( re )t = re re ( re )t dt + re dBre ,t
o :
Avec :
M est le taux de rendement du montaire
M est le rendement annuel moyen du montaire
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
71
Inflation anticipe
sur le long terme
H
y
p
o
t
h
s
e
s
d
e
c
o
r
r
l
a
t
i
o
n
s
Inflation anticipe
sur le court terme
Coefficient
dabattement
Prix zro-coupon
(dont le rendement
est gal linflation
anticipe)
Prix zro-coupon
non gouvernemental
( risque de Crdit)
Prix zro-coupon
nominal
Rendement des
actions
Rendement de
limmobilier
Rendement financier du
portefeuille du rgime
Montaire
72
II- Calibrage
II-1 Prsentation du contexte de ltude
Dans cette sous-section, nous prsentons de faon illustrative certaines approches possibles
pour le calibrage et lestimation des paramtres des diffrents modles de diffusion. Pour cela
il convient de prsenter les caractristiques des donnes retenues ainsi que les approches
gnrales retenues pour le calibrage.
II-1-1 Description des donnes retenues
Dans ce contexte, la premire tape consiste identifier les contraintes du modle. Une
attention particulire va tre consacre linflation, principalement en raison du rle central
quelle joue dans le modle de gestion actif-passif.
Par ailleurs, la modlisation de lactif doit intgrer la perspective de long terme dans laquelle
sinscrit la gestion de cet actif. Cette perspective de long terme a des consquences au niveau
de l'estimation des paramtres du modle retenu : l'estimation doit tre mene sur des sries
dont la profondeur doit tre cohrente avec l'horizon de projection envisag. Ainsi, dans le cas
de la zone euro par exemple, des donnes dun historique de dix ans sont insuffisantes dans le
cadre de nos projections de long terme (dautant plus quentre 1999 et 2009 nous comptons
deux crises financires dont une particulirement prononce en 2008). Plusieurs dizaines
dannes dhistorique sont ainsi ncessaires pour ltude.
Outre lhistorique, il convient galement de sassurer que la frquence des donnes est
cohrente avec lhorizon de projection. Les donnes devront ainsi tre de frquence annuelle,
afin de ne conserver que la tendance de long terme des sries.
Les paramtres du GSE propos seront calibrs, titre illustratif, sur les donnes de Friggit
[2007] en comparant certains des rsultats avec ceux obtenus par Ahlgrim et al. [2005]. Ces
donnes sont prsentes ci-aprs (les donnes effectivement retenues pour le calibrage sont en
gras et italique).
Les donnes utilises par Friggit [2007] permettent de rpondre ces contraintes dhistorique
et de frquence. Concernant lhistorique, lessentiel des donnes de Friggit [2007] couvre les
annes 1800 2005 (dans la prsente tude, il conviendra toutefois de se limiter aux annes
1955 afin de limiter les biais dus une diffrence de contexte trop importante notamment
les Guerres mondiales ). Concernant la frquence, nous noteront que les donnes de
Friggit [2007] sont annuelles.
Pour la zone gographique, on notera que Friggit [2007] prsente une srie de donnes pour la
France, le Royaume-Uni et les tats-Unis. Dans le cadre de la prsente tude, seules les
donnes relatives la France seront retenues pour le calibrage. Aucune donne relative la
zone euro ntant disponible dans cette srie. Comme mentionn ci-dessus, la disponibilit
des donnes pour la zone euro se limite toutefois un historique de dix ans.
73
Sries macroconomiques
Sries dmographiques
Sries financires
74
Le calibrage des modles de type autorgressif se fera en plusieurs tapes, dcrites ci-aprs.
Dans le cas des modles de type autorgressif AR(1), lestimation des paramtres peut tre
ralise partir de la mthode classique des moindres carrs. En particulier, il conviendra de
retenir une estimation par les moindres carrs simples pour les modles de type Vasicek unfacteur et par les doubles moindres carrs (DMC) pour les modles de type Vasicek deux
facteurs.
75
Une attention particulire doit tre accorde lanalyse des rsidus, et dans ce contexte la
premire tape est de sassurer que les rsidus sont de moyenne nulle.
Dans une seconde tape, il conviendra de dtecter lventuelle auto-corrlation des erreurs,
classique dans les modles de sries temporelles. cet effet, au-del de lexamen visuel des
rsidus, il conviendra dutiliser le test de Durbin-Watson pour les auto-corrlations dordre 1
(test pour lequel lhypothse nulle H0 correspond labsence dauto-corrlation dordre 1, cf.
Durbin et al. [1951]) et le test de Breusch-Godfrey pour les auto-corrlations dordre p 1
(test pour lequel lhypothse nulle H0 correspond labsence dauto-corrlation dordre
p 1 , cf. Godfrey [1979]).
Dans les rsultats prsents une probabilit est associe aux tests de Durbin-Watson et de
Breusch-Godfrey, il sagit de la probabilit de rejeter tord H0. Aussi, dans nos analyses,
lorsque cette probabilit sera suprieure 5 %, nous accepterons H0, cest--dire que nous
accepterons labsence dauto-corrlation (respectivement dordre 1 ou dordre p 1 ).
Dans une troisime tape, il conviendra galement de dtecter une ventuelle
htroscdasticit, frquente dans les modles de sries financires. cet effet, le test
appropri est le test ARCH (AutoRegressive Conditional Heteroscedasticity). Ce test permet
en effet de modliser des sries dont la volatilit dpend du pass, et notamment celles
prsentant de fortes priodes de volatilit suivies de priodes daccalmies (comme nous en
observons dans les sries financires). Ici, lhypothse nulle H0 correspond labsence de
processus ARCH pour justifier le processus.
Dans une quatrime tape, il conviendra de raliser un test de normalit des erreurs. cet
effet, nous retiendrons le test de Jarque-Bera (cf. Jarque et al. [1980]), fond sur la notion
dasymtrie (Skewness) et daplatissement (Kurtosis). Pour ce test, lhypothse nulle H0 est
celle de la normalit des rsidus (aussi, lorsque la probabilit associe est suprieure 5 %,
nous acceptons lhypothse H0 de normalit des rsidus).
Dans le cas du modle de type Hardy [2001], les paramtres pourront tre estims partir de
lapproche du maximum de vraisemblance ou de lapproche des filtres de Kalman (dtailles
ci-aprs).
II-2 Calibrage du modle de linflation
Aprs avoir expos la mthode retenue pour le calibrage ainsi que les donnes
correspondantes, nous prsentons les rsultats obtenus des estimations des diffrents
paramtres. Un test dadquation est finalement effectu.
II-2-1 Mthode
Pour mmoire, face aux limites constates sur le modle d'inflation un facteur (mauvaise
reprsentation de l'volution des taux nominaux) l'approche du modle Hull et White deux
facteurs est retenue.
76
Lobjectif de ltude envisage ici ne dpasse pas le cadre de la comparaison avec les rsultats
obtenus par Ahlgrim et al. [2005] (qui ont adopt le modle de taux de Hull et White 1
facteur : les taux courts).
Ainsi, dans le cadre de l'estimation des paramtres du modle, nous supposerons que la partie
court terme it est base sur le modle un facteur, avec l'hypothse simplificatrice que la
valeur de long terme de l'inflation intervenant dans la diffusion du processus de court terme
est stabilise sa valeur limite (qui est gale au taux d'inflation de long terme) :
d i t = i ( i it )dt + i dBi ,t
soit aprs discrtisation exacte (cf. Planchet et al. [2005]) :
i
1 e ( 2 i )
it +1 = it e ( ) + i 1 e ( i ) + i ,t i
2 i
II-2-2 Donnes
Cette sous-section vise calibrer un modle de mesure dinflation. Cette mesure de linflation
IPCt
, o IPCt reprsente lindice des prix la
la date t est gale it = log
IPC
t 1
i t +1 = i + i it + i' ,t
Nous obtenons les rsultats suivants : i = 0,01 et i = 0,77 . Pour revenir au modle initial
dcrit par Ahlgrim el al. [2005], les coefficients estims sont alors transforms. La vitesse de
retour la moyenne est ainsi calcule comme suit :
i = e ( )
i = log ( i )
i
do i = 0,26 .
De mme le taux dinflation moyen est dtermin par :
i = i (1 e ( ) ) = i (1 e (log ( )) )
i
i =
(1 i )
i
77
do i = 0,05 .
Enfin, lcart type de lerreur du modle initial est gal lcart type du modle estim, divis
1 e ( 2 i )
. Aussi, lcart-type du modle est i = 0,03 . Le tableau suivant recense les
2 i
diffrents paramtres ncessaires lalimentation de lalgorithme du modle dinflation, en
prcisant les valeurs obtenues par Ahlgrim et al. [2005] dune part, et celles obtenues dans le
cadre du prsent calibrage dautre part. Nous noterons que le calibrage dAhlgrim et
al. [2005] est ralis partir de donnes amricaines sur la priode 1946-2001 (pour mmoire
les donnes de Friggit [2007] retenues dans la prsente tude portent sur la France sur la
priode 1955-2005).
par
Paramtre
Intitul
AHLGRIM ET AL.
FRIGGIT
q
q
q
0,4
0,048
0,04
0,26
0,05
0,03
coefficient de dtermination : R = 0, 60 ;
78
test
sur
lhtroscdasticit
(ARCH) :
P _ value = 0,11
(absence
dhtroscdasticit) ;
test sur la normalit (Jarque-Bera) : P _ value = 2, 2.10 16 (lhypothse de normalit
des rsidus nest donc pas vrifie).
Le tableau suivant reprend les principaux rsultats sur les tests dadquation raliss.
Test
Rsultat
0,60
Interprtation
Le pouvoir explicatif du modle est de 60 %
R
Fisher
Le modle global est significatif
P _ value = 4, 5.10 11
Student (constante)
La constante est significative
P _ value = 0, 04
11
Student (variable) P _ value = 4, 5.10
Le coefficient de la variable est donc significatif
19
Moyenne rsidus
La moyenne des rsidus est considre nulle
2, 6.10
Durbin-Watson
Absence dauto-corrlation dordre 1
P _ value = 0, 58
Breusch-Godfrey
P _ value = 0, 37
Absence dauto-corrlation dordre p = 1
ARCH
Absence dhtroscdasticit
P _ value = 0,11
16
Jarque-Bera
Hypothse
de normalit des rsidus non vrifie
P _ value = 2, 2.10
Tab. 9 : Rsultat des tests dadquation pour le modle des taux dinflation
Hormis le test sur la normalit des rsidus, lensemble de ces tests valide les conditions
poses a priori pour la validation du modle et du calibrage. Nous noterons toutefois que
lhypothse de normalit des rsidus ntant pas vrifie, il conviendra de considrer avec
prudence dune part les tests de Student, et dautre part les intervalles de confiance des
projections.
II-3 Calibrage du modle des taux rels
Aprs avoir expos la mthode retenue pour le calibrage ainsi que les donnes
correspondantes, nous prsentons les rsultats obtenus des estimations des diffrents
paramtres. Un test dadquation est finalement effectu.
II-3-1 Mthode
Pour mmoire, le modle retenu pour les taux dintrt rel est le suivant (avec rt pour les taux
courts, et lt pour les taux longs) :
drt = r ( lt rt ) dt + r dBr ,t
dlt = l ( l lt ) dt + l dBl ,t
1 e ( 2 r )
2 r
1 e ( 2 l )
2 l
( r )
+ l t 1 e ( r ) + r ,t r
( l )
+ l 1 e ( l ) + l ,t l
79
Au regard de la dpendance entre les taux long et les taux courts, lutilisation des Moindres
Carres Ordinaires (MCO) pour lestimation des modles nest pas approprie. Lestimation
des paramtres peut tre ralise partir dune application des MCO en deux tapes :
Etape 1: lt +1 = 1 + 2 lt + 'l ,t
Etape 2 : rt +1 = 1 l$t + 2 rt + 'r ,t
Pour revenir au modle initial, les coefficients estims sont alors transforms : nous dduisons
la vitesse de retour la moyenne des taux rels long terme ( l = log ( 2 ) ), le taux dintrt
rel moyen long terme ( l =
1
) et lcart type de lerreur du modle initial de taux
(1 2 )
1 e( )
2
2 l
Une fois les paramtres du premier modle estim (tape 1 des DMC), il convient de
modliser les taux dintrt rels court terme, en retenant les taux rels long terme estims
comme variable explicative (tape 2 des DMC). la diffrence des modles prcdant, ce
modle sur les taux courts compte deux variables endognes :
rt +1 = 1 lt + 2 rt + 'r ,t
rt +1 = 1 lt rt + 'r ,t .
Des rsultats de ce modle, nous dduisons la vitesse de retour la moyenne (il sagit en
pratique dun retour vers les taux rels long terme) des taux rels court terme
( r = log (1 1 ) ) et lcart type de lerreur du modle initial de taux court terme (gal
lcart type du modle estim divis par
2
1 e( r )
).
2 r
II-3-2 Donnes
Cette sous-section vise calibrer les modles de taux dintrt rels (taux long et taux court).
Ces taux sont disponibles en lecture directe dans les donnes de Friggit [2007].
II-3-3 Estimation des paramtres
Estimation des paramtres : 1re tape des MCO
Concernant la premire tape, nous obtenons les rsultats suivants : 1 = 0 ,01 et 2 = 0 ,64 . A
partir des quations ci-dessus, il en ressort les rsultats suivants : k l = 0,45 , l = 0,03 et
l = 0,02 .
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
80
Nous obtenons 1 = 0,33 . A partir des quations ci-dessus, il en ressort les rsultats suivants :
k r = 0,40 et r = 0,02 .
Intitul
AHLGRIM ET AL.
FRIGGIT
r
r
l
6,1
0,1
5,1
0,40
0,02
0,45
0,028
0,03
0,1
0,02
Malgr un taux dintrt rel moyen (long terme) comparable, les rsultats du calibrage
obtenus lors de ltude avec les donnes de Friggit [2007] prsente des diffrences
significatives avec ceux obtenus par Ahlgrim et al. [2005].
Ces diffrences sont toutefois justifies par la nature des donnes retenues par Ahlgrim et
al. [2005] pour calibrer le modle : ils retiennent des donnes mensuelles. Comme indiqu cidessus, en retenant des donnes frquence mensuelle nous introduisons un bruit de court
terme qui nest pas cohrent avec les besoins de long terme. Ce bruit se traduit dans les
rsultats dAhlgrim et al. [2005] par une vitesse de retour la moyenne et par une volatilit de
lerreur suprieures celles obtenues dans le calibrage rsultant des donnes mensuelles de
Friggit [2007].
Nous noterons enfin que l encore les paramtres prsents ne sont pas les paramtres estims
mais sont issus dune transformation non linaire de ceux-ci. Cette approche est de nature
introduire un biais dans les paramtres et invite apprcier la prcision des estimateurs avec
prudence.
II -3-4 Tests dadquation du modle
Tests dadquation du modle : 1re tape des MCO
Le tableau suivant reprend les principaux rsultats sur les tests dadquation raliss pour la
premire tape des MCO (modle sur les taux dintrt rels longs).
81
Test
R
Fisher
Rsultat
0,41
P _ value = 6, 0.107
Student (constante)
P _ value = 0, 02
Student (variable) P _ value = 6, 0.107
Moyenne rsidus
2, 8.1019
Durbin-Watson
P _ value = 0, 67
Breusch-Godfrey
P _ value = 0, 30
ARCH
Jarque-Bera
P _ value = 0, 72
P _ value = 2, 2.10
16
Interprtation
Le pouvoir explicatif du modle est de 41 %
Le modle global est significatif
Tab. 11 : Rsultats des tests dadquation pour le modle de taux dintrt rels (1re tape)
Hormis le test sur la normalit des rsidus, lensemble de ces tests valide les conditions
poses a priori pour la validation du modle et du calibrage. Nous noterons toutefois que
lhypothse de normalit des rsidus ntant pas vrifie, il conviendra de considrer avec
prudence dune part les tests de Student, et dautre part les intervalles de confiance des
projections.
Tests dadquation du modle : 2me tape des MCO
Le tableau suivant reprend les principaux rsultats sur les tests dadquation raliss pour la
deuxime tape des MCO (modle sur les taux dintrt rels courts).
Test
Rsultat
Interprtation
R
Fisher
0,15
P _ value = 6,1.103
Durbin-Watson
Breusch-Godfrey
P _ value = 6,1.103
3, 7.103
P _ value = 0, 51
P _ value = 0, 40
ARCH
P _ value = 0, 98
Absence dhtroscdasticit
Student (variable)
Moyenne rsidus
Jarque-Bera
Tab. 12 : Rsultats des tests dadquation pour le modle de taux dintrt rels (2me
tape)
Hormis le test sur la normalit des rsidus, lensemble de ces tests valide les conditions
poses a priori pour la validation du modle et du calibrage. Comme pour la premire tape,
nous noterons que lhypothse de normalit des rsidus ntant pas vrifie, il conviendra de
considrer avec prudence dune part les tests de Student, et dautre part les intervalles de
confiance des projections.
82
Au regard des difficults pratiques relatives aux spcifications du modle dAhlgrim et al.
[2005] pour la modlisation des actions (modlisation de lexcs de rendement sur les actions
dune part et des taux de dividendes dautre part), une alternative a t propose pour
modliser le rendement des actions.
Cette alternative repose sur une modlisation des rendements totaux des actions (et non
uniquement sur lexcs de rendement) avec dividendes rinvestis par une approche
changement de rgime de type Hardy [2001].
II-4-1 Mthode
Mthode 1 : Mthode du Maximum de Vraisemblance
((
p( t 1 \ yt 1 ,..., y1 ,) =
f ( t 1 , t 2 = 1, yt -1 \ yt 2 , yt 3 ,..., y1 ,) + f ( t 1 , t 2 = 2, yt -1 \ yt 2 , yt 3 ,..., y1 ,)
f ( yt 1 \ yt 2 , yt 3 ,..., y1 ,)
Dans le cas dun modle RSLN deux rgimes ( =1 ou 2), lquation (E) peut avoir quatre
valeurs en fonctions de celles prises par t et t 1 , savoir :
f ( t = 1, t 1 = 1, y t \ y t 1 ,..., y1 , )
f ( t = 1, t 1 = 2, y t \ y t 1 ,..., y1 , )
f ( t = 2, t 1 = 1, y t \ y t 1 ,..., y1 , )
f ( t = 2, t 1 = 2, y t \ y t 1 ,..., y1 , )
83
y 1
f (1 = 1, y1 \ ) = 1 1
y 2
f (1 = 2, y1 \ ) = 2 1
2
f ( y1 \ ) = f (1 = 1, y1 \ ) + f (1 = 2, y1 \ )
y n
n (t ) = t
n
Y . j (t ) = Y1 j (t ) + Y 2 j (t )
Y (t ) = Y .. (t ) = Y .1 (t ) + Y .2 (t )
84
Pk (t 1) = P ( t 1 = k \ y t 1 ,..., y1 , )
Pk (t 1) =
Y1k (t 1) + Y2 k (t 1) Y.k (t 1)
=
Y (t 1)
Y (t 1)
(t )
Y (t 1) + Y2 i (t 1)
Yij (t ) = 1i
p ij j (t )
Y (t 1)
Y ij (t ) = Pi (t 1 ) p ij
La procdure gnrale est prsente en dtail par Hamilton et al. [1994]. Elle est base sur la
mthode du filtre de Kalman.
Nous supposons que la srie temporelle y t , reprsente par le vecteur ( y 0 , y1, ,..., y n ) est
observable. Cette variable peut par exemple tre le taux de rendement dun titre financier. Elle
dpend de la variable x t qui elle nest pas observable. Comme lon ne peut observer x t , il
faudra simuler sa valeur. Nous ne connaissons pas non plus la variance de x t , reprsente par
85
Revenons au temps (t-1) de la simulation (ou bien du filtrage) et donnons les trois tapes de la
procdure suivie par le filtre de Kalman.
Ltape 1: tape de la prvision
Nous calculons alors les deux prvisions suivantes: xt / t 1 , la prvision de x t au temps (t-1),
soit lesprance conditionnelle de x t , tant donne linformation disponible au temps (t-1) ;
t = yt 1,t 1 2 ,t 1 xt / t 1
La variance de t , reprsente t par, est de :
t = 22,t 1t / t 1 + 1,t 1
Nous nous servons de t et de t pour mettre jour x t et sa variance t :
t / t 1 t
xt = xt / t 1 + 2 ,t 1
t
2 t / t 12
1 = t / t 1 + 2 ,t 1
t
Ces deux derniers estimateurs sont les estimateurs non biaiss conditionnellement qui
minimisent la variance. Le filtre de Kalman est donc optimal, en ce sens quil est le meilleur
estimateur dans la classe des estimateurs linaires (cf. Hamilton et al. [1994]).
Ltape3 : estimation des paramtres
Nous recourons la mthode de maximum de vraisemblance pour estimer les paramtres i .
La fonction de vraisemblance est la suivante :
l=
1
1 t2
log(
)
t
2 t
2 t t
Nous passons au temps (t+1) et nous refaisons cette procdure en trois tapes jusqu la
priode n.
Mise en place lapproche du filtre de Kalman pour le RSLN (Chourdakis
[2004])
Soit :
- x t ltat de la nature (le rgime) linstant t ( x t = 1,2 ,..., N ) qui est une variable non
observable et dterminant le rendement financier yt .
- pij la probabilit de passage de ltat i ltat j
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
86
p 21 )
Exemple : Pt\t 1 (1) = p11 .Pt 1\t 1 (1) + p 21 .Pt 1\t 1 (2 ) si nous supposons deux rgimes
seulement dans notre modle.
t (i )
N
( j)
j =1
Pour la mise en oeuvre, nous avons opt pour lapproche compose des deux tapes
suivantes inspire de celle de Chourdakis [2004] :
p21
p + p
21
12
Y0 =
p12
p + p
21
12
fY ( Y ,m1 0 ,5 s12 , s1 )
dens =
2
fY ( Y ,m2 0 ,5 s2 , s2
1 p12
cp =
p12
1 p21
p21
87
Densit pondre
Proba Filtre
Outputs :
Proba Prvisionnelle
par
Cette approche est mise en place grce aux fonctions doptimisation du logiciel MATLAB.
II-4-2 Donnes
Le calibrage est relatif un modle de mesure des rendements des actions (avec dividendes
VIAt
, o VIAt reprsente la valeur
rinvestis). Cette mesure la date t est gale t = log
VIAt 1
dun investissement en action (disponible en lecture directe dans les donnes de
Friggit [2007]).
II-4-3 Estimation des paramtres
Les estimations menes avec les donnes de Friggit [2007] sont compares celles obtenues
par Hardy [2001] (les estimations dAhlgrim et al. [2005] portant sur un primtre diffrent,
elles ne sont pas comparables celles obtenues dans la prsente tude). Aussi, le tableau
suivant recense les diffrents paramtres ncessaires lalimentation de lalgorithme du
modle sur les actions, en prcisant les valeurs obtenues par Hardy [2001] dune part, et celles
obtenues dans le cadre du prsent calibrage dautre part. Nous noterons que le calibrage
dHardy [2001] prsent est ralis partir dun historique de lindice amricain S&P 500
couvrant la priode 1956-1999 (pour mmoire les donnes de Friggit [2007] retenues dans la
prsente tude portent sur la France sur la priode 1955-2005).
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
88
Paramtre
Intitul
HARDY
FRIGGIT
ss1
ss1
pss1,2
pss2,1
0,012
0,035
0,037
0,210
-0,1211
0,0611
0,6479
0,1572
ss2
ss2
-0,016
0,078
0,1661
0,1399
Aprs avoir expos la mthode retenue pour le calibrage ainsi que les donnes
correspondantes, nous prsentons les rsultats obtenus des estimations des diffrents
paramtres. Un test dadquation est finalement effectu.
II-5-1 Mthode
Pour mmoire, le modle retenu pour limmobilier est le suivant :
d ( re )t = re re ( re )t dt + re dBre ,t ,
soit aprs discrtisation exacte :
(re)t +1 = (re)t e (
re
+ re 1 e ( re ) + re ,t re
1 e ( 2 re )
2 re
II-5-2 Donnes
Cette sous-section dcrit le calibrage dun modle sur une mesure des rendements de
IPLt
, o IPLt reprsente
limmobilier. Cette mesure la date t est gale (re )t = log
IPL
t 1
lindice des prix des logements (disponible en lecture directe dans les donnes de
Friggit [2007]).
II-5-3 Estimation des paramtres
Dans une premire tape, lestimation des paramtres est ralise partir dun modle
autorgressif dordre 1 de la forme :
( re )t +1 = re + re ( re )t + 're ,t
Nous obtenons les rsultats suivants : re = 0,01 et re = 0 ,86 . Pour revenir au modle initial
dcrit par Ahlgrim et al. [2005], les coefficients estims sont alors transforms ( limage des
89
travaux effectus dans le cadre du modle dinflation). Il en ressort les rsultats suivants :
Intitul
AHLGRIM ET AL.
FRIGGIT
re
re
1,2
0,023
0,15
0,09
re
0,013
0,04
Les rsultats du calibrage obtenus lors de ltude avec les donnes de Friggit [2007] prsente
des diffrences significatives avec ceux obtenus par Ahlgrim et al. [2005].
Ces diffrences sont toutefois justifies par la nature des donnes retenues par Ahlgrim et
al. [2005], diffrente de celle de la prsente tude. En effet, Ahlgrim et al. [2005] retiennent
des donnes amricaines trimestrielles sur la priode 1978-2001, contre des donnes
franaises annuelles sur la priode 1955-2005 dans la prsente tude. Aussi, Ahlgrim et
al. [2005] ne tiennent pas compte des priodes 1955-1965 et 2001-2005 alors quelles
correspondent en France des niveaux de rendement levs (en France, entre 1955-1965 le
rendement annuel moyen est prs de 20 % et entre 2001 et 2005 le rendement annuel moyen
est pass de 7 % 14 %). Ces niveaux de rendement levs en France sur ces priodes
augmentent la moyenne, la vitesse de retour la moyenne et la volatilit des rendements.
Nous noterons que les paramtres prsents ne sont pas les paramtres estims mais sont issus
dune transformation non linaire de ceux-ci. Cette approche introduit un biais dans les
paramtres et invite apprcier la prcision des estimateurs avec prudence.
II-5-4 Tests dadquation du modle
Le tableau 15 reprend les principaux rsultats sur les tests dadquation raliss. Hormis le
test sur la significativit de la constante, lensemble de ces tests valide les conditions poses a
priori pour la validation du modle et du calibrage (y compris lhypothse sur la normalit des
rsidus). Toutefois il est noter que la significativit de la constante ntant pas vrifie, il
conviendra dinterprter le rendement moyen de limmobilier avec prudence (le rendement
moyen tant calcul partir de la valeur de cette constante).
90
Test
Rsultat
Interprtation
0,76
Le pouvoir explicatif du modle est de 76 %
R
16
Fisher
Le modle global est significatif
P _ value = 2, 2.10
La constante nest pas significative
Student (constante)
P _ value = 0,12
16
Student (variable) P _ value = 2, 2.10
Le coefficient de la variable est donc significatif
Moyenne rsidus
La moyenne des rsidus est considre nulle
1, 5.1018
Durbin-Watson
Absence dauto-corrlation dordre 1
P _ value = 0,16
Breusch-Godfrey
P _ value = 0, 29
Absence dauto-corrlation dordre p = 1
ARCH
Absence dhtroscdasticit
P _ value = 0, 93
Jarque-Bera
Hypothse de normalit des rsidus vrifie
P _ value = 0, 51
Tab. 15 : Rsultats des tests dadquation pour le modle de limmobilier
Dans ce qui suit, le calibrage est effectu pour les deux approches exposes dans le
paragraphe I-2-2-3 de ce chapitre : lapproche des coefficients dabattement et lapproche
mlange .
Le taux de march corporate retenu, titre illustratif, est gal11 3,7 % (pour une maturit
moyenne de 5 ans). Les obligations corporate utilises lors de l'estimation de cette valeur sont
prsentes dans le tableau 16.
En supposant un taux nominal, pour la mme maturit, de 3,2 % le coefficient dabattement
peut tre obtenu de la faon suivante :
1
( 1 + 3,7%)5
coeff _ abtt = P _ crdit / P _ no min al =
= 97 ,6%
1
( 1 + 3,2%)5
11
Cette valeur est estime partir dune moyenne du taux actuariel dun ensemble dobligations corporate issu
du lien suivant : http://www.financefi.fr/obligations/tableau.asp?donnees=corporate&pays=1&duree=3-6.
91
Dure de vie
restante (ans)
TAUX
ACTUARIEL (%)
4,912
5,17
5,052
5,43
3,83 %
4,37 %
4,93 %
3,21 %
5,148
3,11 %
4,86
5,107
2,71 %
3,34 %
4,86
3,17 %
4,912
3,39 %
4,937
4,00 %
4,937
5,37 %
Nom de l'obligation
Tab. 16 : Exemple de donnes utilises pour lestimation des paramtres du modle crdit
Approche mlange
Pour rappel, lapproche mlange consiste modliser le spread partir dun modle
changement de rgime (modle RSLN2).
Nous prsentons ci-aprs des paramtres illustratifs estims en se basant sur le mme principe
de calibrage que celui utilis dans le cas des rendements des actions :
Spread
Valeur initiale
Matrice des probabilits de passage entre les deux
rgimes [[p11 p12] ; [p21 p22]]
Paramtres ajusts
0,90 %
0,60 %
0,90 %
0,02 %
0,01 %
Tab. 17 : Rsultats destimation des paramtres du modle crdit avec changement de rgime
92
Au niveau de la structure schmatique de projection des scnarios, nous avons opt pour la
structure linaire (cf. sous-section II-1 du chapitre 1 de cette partie). Pour rappel, ci-dessous
un exemple de cette structure lors dune projection de 500 trajectoires de rendement annuel
des actions entre 2010 et 2030 :
R1actions
,t1
R1actions
,t2
R1actions
,T
R2actions
,t1
R2actions
,t2
R2actions
,T
actions
R500
,t1
actions
R500
,t2
500 trajectoires
R0actions
actions
R500
,T
Axe du temps
t0=2010
t1
t2
T=2030
Fig. 15: Illustration de la structure schmatique linaire dans le cas de la projection des rendements
des actions
En vue de simuler des browniens ayant une structure de corrlation prdfinie, nous utilisons
la dcomposition de Choleski de leur matrice de variance covariance (cf. tableau 6).
En fait, si nous considrons un vecteur alatoire gaussien X = ( X 1 , X 2 ,..., X n ) dont la
distribution est multi-normale non dgnre, sa densit est de la forme :
1
1
f X (X ) =
exp ( x )'. 1 .( x )
n
1
2
(2 ) 2 det ( ) 2
Avec :
= (1 , 2 ,..., n ) : Vecteur esprance des lois marginales
: Matrice de variance-covariance
Plus prcisment, cette dernire matrice scrit dans le cas de n=4:
= 12
13
14
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
12
1
23
24
13 14
23 24
1 34
34 1
93
b21
une matrice T unique, dfinie comme suit : T =
b
31
b
41
b22 0
0
tel que : = TT ' .
b32 b33 0
Nous utilisons cette relation pour retrouver de proche en proche les valeurs des coefficients de
la matrice triangulaire T :
X 1 = b11 .Z 1 + 1
En considrant la variance de chacun des termes de cette galit, nous obtenons b11 =1
X 2 = b21 .Z 1 + b22 .Z 2 + 1
En considrant la variance de chacun des termes de cette galit, nous obtenons b11 + b22 =1
Si nous nous intressons la covariance, nous tombons sur lgalit suivante :
cov( X 1 , X 2 ) = 12 = E[b11 .Z 1 (b12 .Z 1 + b22 .Z 2 )]
Finalement, b21 =
12
b11
= 12 et b21 = 1 122
1
2
Etc.
Le graphique suivant illustre le cas o nous souhaitons simuler des variables ngativement
corrles. Cela passe par la gnration dans un premier temps de browniens indpendants
(composants le vecteur Z) i.i.d et de loi N (0,1).
94
10
15
20
25
30
10
15
20
25
30
1
0.5
0
-0.5
-1
-1.5
Notons que ce modle suppose que les taux dintrts suivent la loi normale, donc il y a une
possibilit dobtenir des taux rels ngatifs. Deux bornes, une borne suprieure et une autre
infrieure, peuvent tre fixe par linvestisseur pour les taux instantans et les taux longs.
Les modles dvelopps (un modle pour les taux courts, nots rt, et un modle pour les taux
longs, nots lt) reprennent lapproche de retour la moyenne du modle de Hull et White
[1994] deux facteurs :
drt = r ( lt rt ) dt + r dBr ,t
dlt = l ( l lt ) dt + l dBl ,t
Nous rappelons que la discrtisation retenue est la discrtisation exacte (cf. Planchet et
al. [2005]) 12 :
rt +1 = rt e
l t +1 = l t e
1 e ( 2 r )
2 r
1 e ( 2 l )
2 l
( r )
+ l t 1 e ( r ) + r ,t r
( l )
+ l 1 e ( l ) + l ,t l
12
La discrtisation exacte doit tre utilise lorsqu'elle est disponible, cette discrtisation tant la seule ne pas
introduire de biais sur la loi du facteur discrtis.
95
o :
Dun autre ct et compte tenu de labsence de donnes fiables pour la partie long terme, il a
t retenu pour la moyenne de long terme l'objectif BCE de 2 % et pour les deux autres
paramtres des niveaux permettant d'avoir des rsultats cohrents, sans aucun calibrage
statistique.
Mise en uvre de la dmarche crdit
La mise en uvre de la dmarche repose sur la spcification du prix des obligations sans
risque de dfaut et sur le prix observ sur le march des obligations prsentant un risque de
dfaut.
Les prix O (T ) des obligations sans risque de dfaut de nominal N, de maturit T et de taux
O (T ) = N Pl ( 0, i ) + Pl ( 0, T )
i =1
S (T ) = O (T )
o S (T ) reprsente le prix de march observ pour les obligations de maturit T avec risque
50
200
2 000
Cette sous-section est relative aux tests du modle, et en particulier aux tests sur les
paramtres et la matrice de corrlation. Lanalyse et linterprtation de ces tests devra tre
traite avec prudence (existence de biais dus labsence de linarit dans les transformations
effectues, prise en compte de la priodicit des projections, etc.).
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
96
Face aux limites de lestimation des paramtres des modles de GSE, en particulier cause de
la non vidence de lhypothse de la reproduction de lhistorique dans le futur, nous
supposerons que le seul garant de la fiabilit du GSE considr par la suite sera le degr de
correspondance des rsultats obtenus (projections) par rapport ceux prvus lors du calibrage
(avis des experts, paramtres historiques, anticipations partir des valeurs actuelles de march
des diffrentes produits et variables financires, etc.). Le respect de cette correspondance sera
considr comme une condition minimale vrifier.
III-2-1 Tests sur les paramtres et sur les dveloppements informatiques
Les tests sur les paramtres peuvent tre organiss en deux parties.
I ,H
2
1
( xi ,t + h ) .
I + H + 1 i ,h
97
( )
( ) ( B ( t ,T )r )
P t ,T = A t ,T e
Avec :
1 e
B (t ,T ) =
( ( T t ) )
( B (t ,T )T + t ) 2 2 / 2 2 B (t ,T )2
A t ,T = exp
4
2
( )
13
Le deuxime point est relatif aux tests aux limites. cet effet, il sagit par exemple de retenir
un seul rgime pour le RSLN2 en mettant une probabilit de transition 0 ou de considrer
des versions dterministes en mettant les volatilits 0. Nous pouvons galement vrifier
pour le modle de taux que nous retrouvons le modle un facteur en mettant les paramtres
du taux long 0. Dans le mme esprit, nous pouvons vrifier que les sens de variation des
grandeurs modlises sont conformes la thorie (observer ce qui se passe lorsque la
volatilit augmente sur une option, une obligation, etc.).
III-2-2 Tests sur les matrices de corrlation
Une fois les tests sur les paramtres et les dveloppements informatiques raliss, il convient
de dcrire un test de cohrence du paramtrage consistant estimer empiriquement la matrice
de corrlation des rendements et la comparer celle que nous observons sur le march (si
elle est disponible). En fait la matrice de corrlation thorique (input du GSE) et par la suite la
matrice de corrlation empirique (output du GSE) peut diffrer de celle observe rellement
sur le march (avec des donnes historiques) en fonction des prvisions de l'investisseur. Cela
ne remet pas en cause l'intrt de la comparaison entre ces deux dernires matrices par
exemple pour effectuer des tests de sensibilit.
La matrice que nous observons sur le march prend galement la forme suivante :
1,1
2 ,1
...
...
K ,1
1, K
... ...
... ...
... ... K , K
...
...
...
exp
98
(( x )
I ,H
k ,k =
1
cov ( k1 ,k2 )
( k1 ) ( k2 )
i ,h
(( )
k1 i , h
I ,H
xk1
i ,h
i ,h
( )) (( x ) ( x ))
xk1
k2 i , h
k2
( )) (( ) ( ))
xk1
I ,H
xk2
i ,h
i ,h
xk2
avec :
k1
;
;
Nous prsentons ci-aprs des graphiques mettant en vidence quelques proprits thoriques
du modle de GSE objet de ltude (exemple : retour la moyenne pour les taux, changement
de rgime pour les actions, etc.) ainsi que certains rsultats sur les niveaux des rendements.
Rendements moyens et volatilits sur toute la priode de projection
Le tableau suivant illustre la volatilit et le rendement moyen obtenus sur toute la priode de
projection. En particulier, nous observons que la volatilit est cohrente avec le rendement.
Pour le montaire, les actions et limmobilier nous observons que les rendements moyens et
les volatilits sont du mme ordre de grandeur que les paramtres du calibrage ce qui est donc
cohrent avec les approches retenues pour modliser ces actifs.
Rendements moyens et
volatilits
Montaire
ZC 5 ans (nominal)
ZC 10 ans (nominal)
ZC 15 ans (nominal)
ZC 8 ans (rel)
ZC 15 ans (rel)
Crdit 5 ans
Actions
Immobilier
Rendement Volatilit
3,51 %
1,52 %
4,25 %
4,42 %
4,32 %
6,67 %
4,34 %
7,46 %
3,59 %
3,96 %
3,61 %
4,49 %
4,27 %
4,42 %
7,22 %
16,53 %
5,91 %
8,81 %
La prime de risque entre les obligations nominales et les obligations indexes est gale prs
de 75 points de base pour les ZC 15 ans et apparat a priori importante. Nous noterons
toutefois quentre 2004 et 2009 certains fonds prsentent des primes de risques pour ces
99
classes dactifs de prs de 100 points de base14. Sauf prcision contraire, tous les chiffres
prsents ci-aprs sont tablis partir des rsultats ci-dessus obtenus dans le cadre du scnario
central.
Courbe des taux des obligations indexes sur linflation dune maturit de 15 ans
La courbe des taux prsente ci-aprs en bleu (cf. graphique 17) correspond la courbe des
taux dduite des valeurs des taux de rendement annualiss et projets de lobligation indexes
dune maturit de 15 ans avec un pas trimestriel (ce qui correspond un nombre de 60 pas au
total). En rouge une approximation par une fonction linaire par morceau est trace. Cette
fonction correspond aux quatre droites dont les pentes sont calcules respectivement sur les
quatre priodes 0-2 ans, 2-5 ans, 5-10 ans, 10-15 ans. Il est prcis que lunit de temps
considr dans le graphique est trimestrielle. Ces pentes ont les valeurs suivantes :
Priodes
Unit de temps trimestrielle
Unit de temps annuelle
Priode 0-2
0,15 %
0,59 %
Priode 2-5
0,04 %
0,15 %
Priode 5-10
0,01 %
0,06 %
Priode 10-15
0,0046 %
0,02 %
Fig.17 : Courbe des taux des obligations indexes sur linflation dune maturit de 15 ans
14
100
Une autre faon de construire la courbe des taux sera de partir des taux courts simuls selon
les modles de taux proposs (Hull et White 2 facteurs), pour ensuite dterminer les taux sur
diffrents horizons (ou maturits) en utilisant la formule prsente dans le paragraphe I-2-2-1
du chapitre 2, savoir : R(t ,T ) = log {P(t ,T )} / (T t ) .
Dans ce cadre, nous avons considr le cas o le taux rel long observ initialement l r (0) est
significativement plus lev que le niveau moyen de long terme lr . Cela donne lieu une
courbe des taux rels avec une inflexion. La STTI des taux nominaux aura galement cette
mme forme puisque elle est dduite la fois partir des taux rels et des taux dinflation
(anticips). Nous confirmons ainsi lavantage, prcdemment cit, du choix dun modle de
taux deux facteurs : ce dernier permet dobtenir diffrentes formes de la courbe des taux en
conformit avec ce qui est observ rellement (cf. Martellini et al. [2003]).
Le phnomne de retour la moyenne, qui par hypothse concerne les variables de taux du
GSE construit, peut tre mis en vidence au niveau des courbes de taux elles-mmes. Le
graphique 19 illustre ce cas de figure. En construisant les STTI six dates diffrentes, savoir
(la date initiale et cinq dates futures : fin de la deuxime anne, fin de la cinquime anne, fin
de la dixime anne, fin de la quinzime anne et fin de la vingtime anne), nous constatons
partir dune certaine date une certaine stabilit de la courbe La maturit maximale
reprsente par la STTI est ici 30 ans.
Structure par terme des taux nominaux, des taux rels et et des taux d'inflation en cas de taux rels longs levs par rapport ceux d'quilibre: mise en vidence de la courbure de la STTI
0.055
0.05
0.045
0.04
0.035
0.03
0.025
0.02
10
15
Maturit exprime en nombre d'annes
STTI des taux rels
20
25
Fig. 18 : Structure par terme des taux nominaux, des taux rels et des taux dinflation en cas de taux
rels longs levs par rapport ceux de lquilibre : Mise en vidence de la courbure de la STTI
101
Allure moyenne de la courbe des taux la fin de la deuxime anne de la priode de projection
0.07
0.07
0.06
0.06
0.05
0.05
0.04
15
20
25
30
Horizon en annes
Allure moyenne de la courbe des taux la fin de la cinquime anne de la priode de projection
0.07
10
0.04
15
20
25
30
Horizon en annes
Allure moyenne de la courbe des taux la fin de la dixime anne de la priode de projection
0.07
0.06
0.06
0.05
0.05
0.04
10
0.04
15
20
25
30
0
5
10
15
20
25
30
Horizon en annes
Horizon en annes
Allure moyenne de la courbe des taux la fin de la quinzime anne de la priode de projection Allure moyenne de la courbe des taux la fin de la vingtime anne de la priode de projection
0.07
0.07
0
10
0.06
0.06
0.05
0.05
0.04
10
15
20
Horizon en annes
25
30
0.04
10
15
20
Horizon en annes
25
30
Fig.19 : Evolution dans le temps de la STTI : Mise en vidence du phnomne de retour la moyenne
Ce mme phnomne est confirm pour ce qui concerne les carts absolus moyens, cette foisci, entre les taux de deux maturits diffrentes (cf. graphique 20). Nous appellerons pentes
moyennes de taux les carts absolus moyens entre deux taux de maturits diffrentes
valus la mme date, ils sont calculs respectivement sur les quatre priodes 0-2 ans, 2-5
ans, 5-10 ans, 10-15 ans. Ces carts, exprims en point de base, se stabilisent aprs cinq
annes autour de leurs niveaux moyens. De mme, nous constatons une dcroissance de cet
cart en augmentant les maturits considres (passage dun cart moyen de 57 points de base
(pb) entre les taux de maturit 2 ans et ceux instantans 28 pb entre les taux de maturit 15
ans et 10 ans). Cela est cohrent avec les hypothses considres dune faible volatilit sur les
niveaux des taux longs.
102
-3
x 10
5.5
4.5
3.5
2.5
5
Pente moyenne de taux 0-2 ans
10
15
Horizon de projection (exprim en anne)
Pente moyenne de taux 2-5 ans
20
25
Fig. 20 : Evolution des pentes moyennes de taux (carts absolus moyens entre les taux de deux
maturits diffrentes) tout au long de la priode de projection
Moyennne
projete*
*
57
33
37
28
103
Histogramme des taux nominaux de court terme (3 mois) la fin de la premire priode
250
Histogramme des taux nominaux de long terme (10 ans) la fin de la premire priode
300
250
200
200
150
150
100
100
50
50
0
0.02
0.025
0.03
0.035
0.04 0.045
0.05 0.055
0.06 0.065
0
0.03
0.07
0.035
0.04
0.045
0.05
0.055
0.06
0.065
Fig. 21 : Histogramme des taux nominaux de court terme (3 mois) la fin de la premire priode
Fig. 22 : Histogramme des taux nominaux de long terme (10 ans) la fin de la premire priode
Histogramme des taux rels sur le court terme (3 mois) la fin de la premire priode
250
Histogramme des taux rels de long terme (10 ans) la fin de la premire priode
300
250
200
200
150
150
100
100
50
50
0
0.005
0.01
0.015
0.02
0.025
0.03
0.035
0
0.01
0.04
0.015
0.02
0.025
0.03
0.035
0.04
Fig. 23 : Histogramme des taux rels sur le court terme (3 mois) la fin de la premire priode
Fig. 24 : Histogramme des taux rels de long terme (10 ans) la fin de la premire priode
Histogramme des taux d'inflation anticips sur le court terme ( 3 mois) la fin de la premire priode
350
Histogramme des taux d'inflation anticips sur le long terme (10 ans) la fin de la premire priode
250
300
200
250
150
200
150
100
100
50
50
0
0.01
0.015
0.02
0.025
0.03
0.035
0.04
0.045
0.05
0
0.01
0.015
0.02
0.025
0.03
0.035
Fig. 25 : Histogramme des taux dinflation anticps de court terme (3 mois) la fin de la premire
priode
Fig. 26 : Histogramme des taux dinflation anticps de long terme (10 ans) la fin de la premire
priode
104
Histogramme de la distribution des performances des obligations gouvernementales nominales de duration 5 ans la date 1
Histogramme de la distribution des performances des obligations indexes l'inflation de duration 8 ans la date 1
250
300
250
200
200
150
150
100
100
50
50
0
-0.06
-0.04
-0.02
0.02
0.04
0.06
0
-0.06
0.08
-0.04
-0.02
0.02
0.04
0.06
0.08
Fig. 27 : Histogramme de la distribution des obligations nominales gouvernementales de duration 5 ans sur
la premire priode
Fig. 28 : Histogramme de la distribution des obligations indexes inflation de duration 8 ans sur
la premire priode
Histogramme de la distribution des performances des obligations non gouvernementales de duration 5 ans la date 1
250
200
150
100
50
0
-0.06
-0.04
-0.02
0.02
0.04
0.06
0.08
Fig. 29 : Histogramme de la distribution des rendements des obligations nominales non gouvernementales
de duration 5 ans sur la premire priode
105
Action 1
Inflation longue
Inflation
Taux long rel
Taux court rel
Montaire
Immobilier
Action 2
Action 1
100,00 %
-20,00 %
0,00 %
-10,00 %
0,00 %
1,00 %
75,00 %
0,00 %
Inflation
longue
-20,00 %
100,00 %
10,00 %
-20,00 %
0,00 %
0,00 %
-20,00 %
40,00 %
Inflation
0,00 %
10,00 %
100,00 %
0,00 %
-30,00 %
20,00 %
30,00 %
-40,00 %
Taux long
rel
-10,00 %
-20,00 %
0,00 %
100,00 %
10,00 %
0,00 %
-20,00 %
30,00 %
Taux
court rel
0,00 %
0,00 %
-30,00 %
10,00 %
100,00 %
-1,00 %
-40,00 %
40,00 %
Montaire Immobilier
1,00 %
75,00 %
0,00 %
-20,00 %
20,00 %
30,00 %
0,00 %
-20,00 %
-1,00 %
-40,00 %
100,00 %
6,00 %
6,00 %
100,00 %
0,00 %
-37,00 %
Action 2
0,00 %
40,00 %
-40,00 %
30,00 %
40,00 %
0,00 %
-37,00 %
100,00 %
La matrice ci-aprs illustre les corrlations entre les browniens projets (obtenues aprs
projection de 1000 scnarios). Nous observons que les valeurs affiches sont trs proches des
valeurs prsentes dans la matrice de corrlation des browniens en input. Ces valeurs
correspondent aux valeurs attendues et sont donc cohrentes.
Corrlations entre les
browniens (modle BS 2
rgimes)
Action 1
100,00
%
Action 1
-19,58 %
Inflation longue
-0,39 %
Inflation
-10,06 %
Taux long rel
-0,21 %
Taux court rel
1,03 %
Montaire
74,94 %
Immobilier
0,00 %
Action 2
Inflation
longue
-19,58 %
100,00 %
9,97 %
-19,72 %
0,17 %
0,04 %
-19,81 %
40,10 %
Inflation
-0,39 %
9,97 %
100,00 %
0,37 %
-29,77 %
19,94 %
29,64 %
-39,98 %
Taux
long rel
-10,06 %
-19,72 %
0,37 %
100,00 %
10,02 %
0,22 %
-19,94 %
29,84 %
Taux
court rel Montaire Immobilier Action 2
-0,21 %
1,03 %
74,94 %
0,00%
0,17 %
0,04 %
-19,81 %
40,10 %
-29,77 %
19,94 %
29,64 %
-39,98 %
10,02 %
0,22 %
-19,94 %
29,84 %
100,00 %
-0,94 %
-40,07 %
39,77 %
-0,94 %
100,00 %
5,95 %
0,09 %
-40,07 %
5,95 %
100,00 %
-36,95 %
39,77 %
0,09 %
-36,95 %
100,00 %
Tab. 22 : Corrlations obtenues lors des projections entre les diffrentes variables
Les corrlations entre les zro-coupons (ZC) nominaux et les ZC rels sont de
lordre de 45 % 55 % et donc sont cohrentes avec les valeurs cibles (pour
mmoire ces valeurs sont de lordre de 60 %).
106
Les corrlations entre les ZC rels sont trs fortes (de lordre de 99 %). Ces
fortes corrlations sont dun cot cohrentes avec lapproche du calcul des prix
de ces obligations et reprsentent, dun autre cot des niveaux proches de ceux
de la cible. Elles traduisent le caractre trs contraint de la courbe des taux,
dtermine dans le cadre dun modle deux facteurs.
Corrlations
entre les
indices
ZC 5 ans ZC 10 ans ZC 15 ans
projets
Montaire (nominal) (nominal) (nominal)
100,00 %
-7,92 %
-8,79 %
-9,80 %
Montaire
ZC 5 ans
-7,92 %
100,00 %
98,56 %
97,32 %
(nominal)
ZC 10 ans
-8,79 %
98,56 %
100,00 %
99,73 %
(nominal)
ZC 15 ans
-9,80 %
97,32 %
99,73 %
100,00 %
(nominal)
ZC 8 ans
0,46 %
56,49 %
46,91 %
42,78 %
(rel)
ZC 15 ans
0,40 %
55,44 %
46,80 %
42,94 %
(rel)
Obligation
-7,92 %
99,99 %
98,56 %
97,32 %
crdit
ZC 8 ans
(rel)
0,46 %
ZC 15 ans Obligation
(rel)
crdit
0,40 %
-7,92 %
Actions
1,06 %
Immobilier
1,45 %
56,49 %
55,44 %
99,99 %
14,38 %
1,23 %
46,91 %
46,80 %
98,56 %
15,85 %
1,45 %
42,78 %
42,94 %
97,32 %
15,80 %
1,10 %
100,00 %
99,68 %
56,49 %
5,28 %
5,66 %
99,68 %
100,00 %
55,44 %
5,83 %
5,77 %
56,49 %
55,44 %
100,00 %
14,38 %
1,23 %
Actions
1,06 %
14,38 %
15,85 %
15,80 %
5,28 %
5,83 %
14,38 %
100,00 %
20,72 %
Immobilier
1,45 %
1,23 %
1,45 %
1,10 %
5,66 %
5,77 %
1,23 %
20,72 %
100,00 %
Tab. 23 : Corrlations obtenues lors des projections entre les diffrents rendements
ZC 10 ans
(nominal)
ZC 15 ans
(nominal)
ZC 8 ans
(rel)
ZC 15 ans
(rel)
Obligation
crdit
Actions
immobilier
100,00 %
-7,92 %
-8,77 %
-9,78 %
0,72 %
0,71 %
-7,92 %
1,03 %
1,62 %
-7,92 %
100,00 %
98,56 %
97,30 %
56,35 %
55,29 %
100,00 %
15,15 %
1,23 %
-8,77 %
98,56 %
100,00 %
99,73 %
46,70 %
46,57 %
98,56 %
16,63 %
1,54 %
-9,78 %
97,30 %
99,73 %
100,00 %
42,53_%
42,68 %
97,30 %
16,50 %
1,23 %
0,72 %
56,35 %
46,70 %
42,53 %
100,00 %
99,68 %
56,35 %
5,92 %
5,37 %
ZC 15 ans (rel)
0,71 %
55,29 %
46,57 %
42,68 %
99,68 %
100,00 %
55,29 %
6,49 %
5,49 %
Obligation crdit
-7,92 %
100,00 %
98,56 %
97,30 %
56,35 %
55,29 %
100,00 %
15,15 %
1,23 %
Actions
1,03 %
15,15 %
16,63 %
16,50 %
5,92 %
6,49 %
15,15 %
100,00 %
21,88 %
Immobilier
1,62 %
1,23 %
1,54 %
1,23 %
5,37 %
5,49 %
1,23 %
21,88 %
100,00 %
Tab. 24 : Corrlations obtenues lors des projections entre les diffrents rendements
dans un rgime faible volatilit
107
Montaire
Montaire
ZC 5 ans
(nominal)
ZC 10 ans
(nominal)
ZC 15 ans
(nominal)
ZC 8 ans (rel)
ZC 15 ans (rel)
Obligation crdit
Actions
Immobilier
ZC 5 ans
(nominal)
ZC 10 ans
(nominal)
ZC 15 ans
(nominal)
ZC 8 ans
(rel)
100,00 %
-7,66 %
-8,55 %
-9,57 %
0,84 %
-7,66 %
100,00 %
98,56 %
97,31 %
-8,55 %
98,56 %
100,00 %
-9,57 %
0,84 %
0,78 %
-7,66 %
-0,21 %
1,82 %
97,31 %
56,54 %
55,46 %
100,00 %
-38,98 %
1,01 %
99,73 %
46,92 %
46,79 %
98,56 %
-35,82 %
1,31 %
ZC 15 ans Obligation
(rel)
crdit
0,78 %
Actions
immobilier
-7,66 %
-0,21 %
1,82 %
56,54 %
55,46 % 100,00 %
-38,98 %
1,01 %
99,73 %
46,92 %
46,79 %
-35,82 %
1,31 %
100,00 %
42,77 %
42,91 %
97,31 %
-32,13 %
0,97 %
42,77 %
100,00 %
99,68 %
56,54 %
-44,60 %
5,21 %
0,97 %
5,21 %
5,32 %
1,01 %
-10,57 %
100,00 %
98,56 %
Tab. 25 : Corrlations obtenues lors des projections entre les diffrents rendements dans un
rgime forte volatilit
Les graphiques suivants prsentent lvolution des rendements des actions entre les deux
rgimes sur une trajectoire simule (choisie titre illustratif). Le nombre de fois o ces
rendements se trouvent sous le rgime 2 (rgime de crise ) est nettement plus faible que
celui sous le rgime 1 (rgime normal). Cela reflte une probabilit plus faible de se retrouver
dans le rgime de crise, comme suppos dans les hypothses de dpart dans le modle des
actions.
2,5
1,5
0,5
0
0
10
20
30
40
50
60
70
80
90
100
Mois
Rgime dans lequel se trouve les rendements des actions une date donne
Fig. 30 : Evolution du march des actions entre le rgime 1 (actions faible volatilit) et le rgime 2
(actions forte volatilit) sur une trajectoire simule
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
108
Aussi, dans un premier temps le tableau ci-aprs compare les rendements et les volatilits des
obligations du crdit correspondant aux deux approches : lapproche du coefficient
dabattement et lapproche mlange . Notons que la discrtisation des formules, utilise
lors du calcul, est exacte dans les deux approches. Le calibrage retenu pour cette comparaison
est le mme que celui prsent dans la sous-section II-6 du chapitre 2 lexception de la
matrice de corrlation des browniens qui intgre en plus une ligne et une colonne
correspondant aux corrlations avec les spreads de crdit.
Obligation crdit 5
ans
Rendements
Volatilits
Coefficient
dabattement
4,27 %
4,42 %
approche
mlange
3,98 %
4,27 %
Rendements
Volatilits
Discrtisation
exacte
4,27 %
4,42 %
Discrtisation
dEuler
3,96 %
7,43 %
109
Conclusion du chapitre 2
Nous rappelons quil existe, dans la littrature, d'autres modles candidats (cf. Ahlgrim et al.
[2008]). Nous ne prtendons pas que le modle prsent est le meilleur modle (dailleurs
aucun modle ne lest) mais nous avons la garantie que celui-ci respecte certaines conditions
minimales telles que la parcimonie et la plausibilit conomique dans le sens o le GSE utilis
est capable dimiter certains phnomnes financiers importants observs sur les marchs
financiers. Ces phnomnes attirent souvent lattention des analystes qui sintressent aux
comportements joints de linflation, des taux dintrts et des marchs des actions. Les tats
de sortie (ou loutput) du modle propos ont t ainsi illustrs en partant initialement des
paramtres obtenus via lapproche de calibrage dcrite.
Conclusion de la partie I
Le glissement smantique du modle dactifs vers le gnrateur de scnarios
conomiques matrialise la profonde volution de ce sujet depuis une dizaine dannes
maintenant.
Longtemps utilise dans le cadre dtudes spcifiques et ponctuelles, la construction dune
reprsentation des actifs dans lequel lassureur peut investir ses avoirs et du contexte
conomique dans lequel ils voluent est devenue un lment essentiel de la description des
risques que celui-ci doit grer.
Que ce soit dans le cadre prudentiel, pour la dtermination des provisions et du capital de
solvabilit, pour sa communication vers les tiers (MCEV et tats comptables) ou pour ses
besoins de pilotage techniques (choix dallocations stratgique et tactique, tests de rentabilit,
etc.), lorganisme assureur doit disposer dun cadre rigoureux et cohrent prenant en compte
lensemble des actifs de son bilan et les risques associs.
Si lidentification de ces risques peut tre considre comme relativement aboutie, la crise
financire a mis en vidence certaines faiblesses dans leur modlisation. Deux lments sont
ainsi mis en vidence et vont sans doute donner lieu de nombreux dveloppements dans les
prochaines annes (cf. Planchet et al. [2009]) :
- la structure de dpendance entre les actifs ;
- le risque de liquidit, intimement associ la gestion efficace des couvertures
financires.
La quasi-totalit des modles actuels sappuient sur des structures de dpendance dans
lesquels la corrlation tient une place centrale ; de nombreux travaux, dont nous pourrons
trouver une synthse dans Kharoubi-Rakotomalala [2008], mettent en vidence le caractre
dynamique de lintensit de la dpendance. En pratique, lintensit de la dpendance
augmente dans les situations dfavorables, ce qui limite lefficacit des mesures de
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
110
diversifications calibres avec des structures ne prenant pas en compte cet effet.
Lintroduction de structures de dpendance non linaires intgrant de la dpendance de queue
apparat ainsi comme un lment incontournable de lvolution des gnrateurs de scnarios
conomiques.
Le risque de liquidit est galement apparu comme un lment majeur de la crise des
subprimes et, plus gnralement, de la crise financire quelle a engendre. Au moment o la
gnralisation des approches market consistent (bases sur les valeurs de march) impose
dvaluer les options et garanties financires des portefeuilles dans la logique de
dtermination du cot de leur couverture, encore faut-il pour que le montant obtenu ait du
sens que la couverture puisse tre rajuste rgulirement, ce qui nest possible quavec des
actifs liquides. Cela impose par consquent si ce nest une adaptation de lapproche dans le
cas dactifs peu liquides, tout le moins la prise en compte dune prime de liquidit pour
reflter dans le montant affich ce risque dimpossibilit de grer idalement la couverture.
Au-del de ces deux lments structurants, lefficacit oprationnelle des modles mis en
uvre dpend, nous lavons vu, dans une trs large mesure de la pertinence des paramtres
retenus pour les alimenter. La dtermination de ses paramtres est complexe et fait appel la
fois des considrations dordre statistique (exploitation des historiques), conomique
(cohrence des valeurs de long terme prdites par le modle avec les relations conomiques
fondamentales), financires enfin (cohrence avec les prix observs sur le march). La prise
en compte rationnelle de ces diffrentes composantes ncessite une rflexion spcifique et fait
partie intgrante des choix structurants en termes de gestion des risques que peut effectuer
lorganisme assureur.
Enfin, la dfinition d'indicateurs de performance du modle contribue une meilleure
alimentation du processus de prise de dcision. Lexploitation de ces indicateurs dans le cas
de modles plus compliqus et plus concrets, tel que les modles de gestion actif-passif,
constitue notre prochain champ dinvestigation.
111
PARTIE II :
LALLOCATION STRATGIQUE DACTIFS DANS LE
CADRE DE LA GESTION ACTIF-PASSIF
112
Introduction
Cette seconde partie est consacre llaboration de lallocation dactif elle-mme. Rappelons
que concernant les rgimes de retraite par rpartition, trois situations peuvent tre recenses :
rgime provisionn (cas o le rgime est tenu la couverture totale des engagements souscrits
par ses cotisants actuels et futurs), rgime partiellement provisionn (couverture dune partie
seulement des engagements souscrits par ses cotisants actuels et futurs) et enfin rgime non
provisionn.
113
investissements sont essentiellement effectus dans des obligations. Ceci nous permet
dobtenir, soit un adossement des flux de trsorerie des actifs financiers ceux du passif
(matching), soit un adossement de la duration de lactif celle du passif (immunisation par la
duration).
Ces techniques taient utilises jusquau milieu des annes 80 et avaient comme
inconvnients principaux la considration du risque de taux comme seule source de risque
pour le fonds, ainsi que la ncessit dun rebalancement priodique du portefeuille en restimant chaque fois la duration du passif, qui change continment du fait du changement
des taux d'intrts et de l'coulement du temps. Pierre [2009] prsente une approche de la
couverture de passif qui vise rsoudre les problmes mentionns ci-dessus. Lactif sera
constitu dans ce cas dun portefeuille de couverture de type taux (obligations ou drivs)
coupl un portefeuille de rendement. Selon Pierre [2009], cette architecture permet une
flexibilit suffisante pour permettre lactif de sadapter aux mise jour de la valeur des
engagements lors de la revue des hypothses actuarielles ayant permis leur valuation.
Le deuxime groupe contient les modles bass sur la simulation de scnarios dterministes et
sur la notion de surplus (Kim et Santomero [1988], Sharpe et Tint [1990], Leibowitz et al.
[1992]). Les modles de surplus ont pour objet la minimisation du risque de perte du surplus
(mesur par la variance de la rentabilit du surplus) sous contraintes de rentabilit et de poids
des actifs. Ils sont des modles mono-priodiques, ce qui limite leur utilit en pratique pour
des problmes dallocation sur le long terme.
Le troisime groupe de modles utilise les techniques de simulation stochastique (Monte
Carlo) pour modliser lvolution des diffrents lments, que ce soit au niveau des actifs
financiers et des engagements, ou au niveau des variables de march et des variables
dmographiques (cf. Frauendorfer [2007], Munk et al. [2004], Waring [2004], Martellini
[2006]). Ainsi les lois de probabilit associes aux rsultats du fonds de retraite sur le long
terme peuvent tre estimes. A ce niveau, nous nous proposons de distinguer deux sousgroupes de modles dALM bass sur les techniques stochastiques. Llment cl de
distinction sera si oui ou non les poids des diffrents actifs reviennent priodiquement ceux
de lallocation stratgique dfinie initialement (si oui, les modles seront appels modles
poids constants ou stratgie Fixed-Mix).
114
Nous verrons que lapproche dynamique prsente lavantage thorique de la robustesse face
aux changements de rgime des marchs. Lautorisation du changement des poids des
diffrentes classes dactifs, sur la base dune rgle de gestion bien dfinie, constitue a priori
un lment intressant. Cela en effet permet lajustement des expositions aux diffrentes
classes dactifs suite lvolution des conditions de march.
Cette rflexion sur la construction de modles dallocation dactifs applicables dans une
optique prvisionnelle long-terme nous conduira tudier une approche innovante fonde
sur les techniques de programmation stochastique (cf. Birge et Louveaux [1997]). Il s'agit
d'une version adapte dune technique dj utilise dans le domaine de lingnierie pour la
planification de la production (cf. Dantzig et al. [1990], Escudero et al. [1993]). Lobjectif
sera la mise en vidence et ltude des caractristiques de cette approche.
Comme dj mentionn, cette thse accorde galement une attention toute particulire aux
techniques numriques de recherche de l'optimum, qui demeurent des questions essentielles
pour la mise en place d'un modle d'allocation. Le point de dpart sera notre constat dun
temps de calcul significatif d simultanment un nombre lev de scnarios conomiques
gnrs et un nombre dallocations dactifs testes galement lev.
Dans ce cadre, nous prsentons un algorithme doptimisation globale dune fonction non
convexe et bruite. Lalgorithme est construit aprs une tude de critres de compromis entre,
dune part, lexploration de la fonction objectif en de nouveaux points (correspondant des
tests sur de nouvelles allocations dactifs) et dautre part lamlioration de la connaissance de
celle-ci, par laugmentation du nombre de tirages en des points dj explors (correspondant
la gnration de scnarios conomiques supplmentaires pour les allocations dactifs dj
testes). Une application numrique illustre la conformit du comportement de cet algorithme
celui prvu thoriquement.
Le plan de cette deuxime partie sera comme suit :
Premier chapitre : Il est question dans ce chapitre danalyser les approches classiques (ou
dterministes) de gestion actif-passif savoir les modles bass sur la notion de duration
et de surplus . Nous dtaillons diffrentes approches tout en mettant en vidence la
diffrence entre elles. Lobjectif de ce chapitre est de revoir ltat de lart en matire de
modles dALM dterministe. Aprs avoir mis en vidence les limites de ces modles, nous
passons ltude de modles plus labors et plus sophistiqus (objet des chapitres
ultrieurs).
115
Deuxime chapitre : Nous considrons ici une approche rcente dallocation stratgique
dactifs base sur la stratgie dite poids constants ou Fixed-Mix (cf. Merton [1990],
Kouwenberg [2001], Infanger [2002], Dempster et al. [2003]).
Nous proposons une modlisation du rgime-type de retraite et tudions certains critres
dallocation stratgique dactifs en fonction du type du rgime (provisionn, partiellement
provisionn, etc.) sont tudis. Nous passons ensuite lillustration de la stratgie Fixed-Mix
avec une application sur les rserves dun rgime de retraite partiellement provisionn. Les
rsultats obtenus sont discuts et diffrents tests de sensibilit sont mises en place : ces tests
sont lis principalement limpact des hypothses de rendement ou de corrlation retenues.
116
A travers la mme application numrique, nous comparons certains rsultats relatifs aux deux
approches dallocation stratgique dactifs : celle base sur la stratgie Fixed-Mix et celle
base sur les techniques de programmation stochastique. Nous testons galement la sensibilit
de cette deuxime approche par rapport au changement de certains de ses paramtres, toutes
choses tant gales par ailleurs.
117
I- Immunisation du portefeuille
Le premier facteur est que les investisseurs demandent aux metteurs privs
des primes de risque appels spread de signature qui compense le risque de
dfaillance propre chaque metteur (ce spread diffre donc dune obligation
lautre).
118
Fti
(1 + r )
ti
ti
119
situation nette relle de la socit (le shareholder surplus). Le mme raisonnement peut tre
adopt dans le cas des rgimes de retraite par rpartition.
En pratique, ladossement par les flux de trsorerie est toujours utilis par les socits avec la
diffrence que les passifs peuvent tre regroups sur dautres critres que le seul
rendement . En fait, les engagements au passif des assureurs par exemple sont
gnralement rpartis par famille de contrats (en fonction des prix de revient, des taux de
rendement actuariels, de la dure des titres) appels contons, puis les provisions
correspondantes et les flux de trsorerie associs sont calculs. Cela permet outre
ladossement des flux de trsorerie, la bonne adquation des actifs en termes de taux de
rendement financier et comptable compar au taux garanti moyen du passif correspondant.
Ladossement des flux de trsorerie est valable trs court terme, mais malheureusement, elle
ne trouve pas d'applications pratiques long terme. En effet, les flux de l'actif et ceux du
passif sont trs influencs par des facteurs externes, notamment les taux d'intrt. Ils sont
donc eux-mmes sujet des variations dans des sens diffrents, il importe donc de ritrer
souvent cette immunisation.
I-2 Adossement par la duration
Cette technique consiste apparier les sensibilits de l'actif et du passif vis-a- vis de la
variation des taux d'intrt. En d'autres termes, elle consiste dfinir une stratgie
d'investissement qui fait que la valeur de march des actifs suit tout mouvement de la valeur
actuelle des engagements. L'immunisation par la duration dfinit un portefeuille dont la
valeur, au premier ordre, volue comme la valeur actuelle des engagements. La rgle de
dcision dans cette technique est base sur l'indice de sensibilit , dfini par Macauley
[1938]. Il est obtenu partir de la formule de dveloppement limite de Taylor du prix en
fonction du taux d'intrt.
Pour un titre, dont les caractristiques contractuelles sont dtermines indpendamment du
mouvement des taux, la sensibilit est exprime comme la variation relative de cette valeur
induite par une variation infinitsimale de taux dintrt.
- La sensibilit de lactif :
Nous reprenons lexpression simplifie de la valeur actuelle dune obligation taux fixe en
fonction du taux dactualisation actuariel ra :
n
VA(ra ) =
i =1
Fti
(1 + ra )t
La variation de la valeur actuelle pour une petite variation du taux dactualisation est donne
par le calcul de la drive premire :
n
Fti
dVA(ra )
= VA' (ra ) = t i
dr
(1 + ra )ti +1
i =1
Cette drivation na de sens que si les flux Fti sont fixes par rapport r .
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
120
n
Fti
dVA(ra )
1
=
ti
VA dr
VA i =1 (1 + ra )ti +1
Lorsque les flux de trsorerie sont tous positifs, la sensibilit de la valeur actuelle aux
variations du taux dactualisation est ncessairement ngative. Cela est effectivement le cas
pour les obligations dont la valeur de march crot quand les taux baissent et rciproquement.
La sensibilit est appele aussi duration modifie.
- La duration de lactif
La duration telle que dfinie par Macaulay [1938] est donne par lexpression suivante :
n
ti
tel-00689907, version 1 - 20 Apr 2012
duration =
i =1
Fti
Fti
t
(1 + r ) (1 + r )
=
ti
Fti
(1 + r )
i =1
ti
VA(ra )
ti
i =1
La duration sinterprte aussi comme la date la quelle les deux effets de la variation des
taux, effet sur la valeur et effet sur le revenu, se compensent.
Elle est compatible avec une structure par terme des taux condition de se limiter aux
variations parallles des courbes de taux. Autrement, la variation de taux drt doit sappliquer
dune faon uniforme la courbe des taux (chaque rti devient rti + drt ) ce qui correspond bien
une translation uniforme de la courbe des taux. La duration sexprime dans ce cas comme
suit :
n
n
Fti
Fti
t
ti
i
ti
t
1 + rti
1 + rti i
i =1
i =1
duration = n
=
Fti
VA rt
(1 + r )
i =1
( )
ti
ti
121
Si nous tendons la notion de la duration des flux variables (obligations taux variables par
exemple), nous pourrons dans certains cas obtenir la relation ci dessus entre la duration et la
sensibilit (tant que les drives Ft'i (ra ) sont connues), mais la diffrence cest que la duration
nest plus assimilable une dure moyenne.
La duration peut tre ngative si certains des flux sont ngatifs. La sensibilit dans ce cas est
positive : la valeur actualise de la squence examine augmente quand les taux augmentent
et inversement. La duration dune obligation zro coupon est gale la dure de cette
obligation.
La troisime mthode est la plus rigoureuse. Elle consiste calculer la valeur actuelle
et la duration de chaque titre avec une courbe des taux commune, puis calculer la
moyenne pondre par les valeurs actuelles et non pas par les valeurs de march. Cest
thoriquement la meilleure solution, car chaque flux de trsorerie est actualis avec le
taux qui correspond sa maturit. En pratique, la diffrence obtenue entre les
diffrentes mthodes de calcul de la duration dun portefeuille nest pas significative.
Par ailleurs, nous pouvons tendre la notion de duration dautres actifs non obligataires
malgr quils sont plus ou moins sensibles la variation des taux notamment les actions. Pour
ces derniers le calcul de la duration peut tre effectu dans le cadre du modle GordonShapiro [1956] (qui permet danalyser le prix dune action comme tant lactualisation de la
srie des dividendes projets) ou tout simplement dans le cadre de la rgression des prix de
march par rapport aux variations de taux. Les actifs et les passifs conditionnels ne doivent
donc pas faire lobjet de calculs lmentaires dadossement en duration.
Pour accomplir une immunisation par la duration, l'investisseur doit acqurir des titres dont
la duration moyenne est gale la duration des flux du passif.
dr
dr
dr
122
Si nous considrons le cas o la VAN initiale est gale zro, et o la sensibilit de lactif et
du passif sont identiques, alors la variation de taux est sans influence sur la VAN :
dVAnette
=0
dr
Nous parlons dans ce cas de limmunisation du risque de taux. En effet, la VAN devient
insensible, sinon toute variation de taux, du moins une petite variation parallle de la
courbe des taux. Cet effet est obtenu en alignant les sensibilits de lactif et du passif.
Plus la duration est leve plus le risque est grand et plus son prix est
sensible aux variations du taux de march.
En cas de baisse des taux, le gain ralis sur la valeur de lobligation est
suprieur la perte encourue sur le passif.
123
sensibilit et de duration ont alors une validit locale dont lintrt est cependant limit
pour ladquation actif-passif.
Par ailleurs, l'immunisation par la duration requiert un rebalancement priodique du
portefeuille en restimant chaque fois la duration du passif, celle-ci change continment du
fait du changement des taux d'intrt et de l'coulement du temps. Lorsque nous utilisons une
stratgie avec une duration constante chaque rebalancement, nous risquons de se trouver
dans des situations de redondance ou de dficit.
Le principal inconvnient reste l'hypothse de changements parallles dans la structure des
taux. Pour lever partiellement cet inconvnient, nous pouvons utiliser le deuxime terme du
dveloppement limite de la fonction P = f (rt ) . Nous introduisons alors la notion de convexit.
- La convexit de lactif
La sensibilit permet de traiter de la variation du cours des obligations par rapport aux petites
variations parallles de la courbe des taux. Mais lorsque la variation des taux est forte, lerreur
obtenue en mesurant la variation relative du cours par la droite tangente devient importante.
Nous faisons donc recours au dveloppement de Taylor du second ordre pour amliorer notre
estimation de la variation de la valeur VA :
1
VA VA' r + VA" r 2
2!
Formule o VA' et VA" reprsentent respectivement la drive premire et la drive seconde
de VA( r ) . En divisant par VA , Nous obtenons :
VA VA'
1 VA"
r +
r 2
VA
VA
2! VA
Lexpression de la convexit est la suivante :
Fti
n
VA"
1
t i (t i + 1)
convexit =
=
2
VA VA (1 + r ) i =1
( 1 + r )ti
Avec cette dfinition, lapproximation de la valeur actuelle du cours de lobligation est la
suivante:
convexit
2
VA VA sensibilit r +
(r )
2
Comme la duration, la convexit est compatible avec lanalyse de la structure par terme des
taux. Nous pouvons crire :
Fti
1 n
convexit =
t i (t i + 1)
t
+
2
i
VA i =1
( 1 + rti )
Comme pour la duration cette extension nest valide que pour des variations parallles de la
courbe des taux.
Lorsque les flux de trsorerie sont tous fixes et positifs, la convexit est positive. Quel que
convexit
2
soit le sens de la variation du taux dactualisation, le terme
(r ) intervient
2
positivement dans la variation du cours. Il est donc, habituel de considrer quune convexit
supplmentaire lie la dispersion des flux de trsorerie est la bienvenue .
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
124
(R A )M 1
125
S0
appel ratio de solvabilit initial.
A0
1
avec rf 0 le ratio de financement initial (valeur de march des
rf 0
actifs divise par la valeur actuelle du passif). Ce modle permet dobtenir une frontire
efficiente en utilisant la mme dmarche que Markowitz [1952] : minimiser la variance de la
rentabilit du surplus s2 pour un niveau de rentabilit du surplus donn avec une contrainte
sur les poids (somme des poids gale a un).
Nous vrifions que k0 = 1
Notations
Dans leurs travaux, Kim et Santomero [1988] utilisent les notations suivantes :
A = e' V A1 R A
C = e' V A1e
B = R' A V A1 R A > 0
> 0
D = BC A 2 > 0
F0 = R' A V A1V AP
F1 = e' V A1V AP
'
F2 = V AP
V A1V AP > 0
Avec :
e' = (1,...,1)
VA la matrice covariance des actifs
VAP le vecteur covariance entre les actifs et le passif.
Equation analytique de la frontire efficiente
Le couple solution du problme vrifie la relation suivante, cette relation est lquation dune
hyperbole dans le repre cart-type du surplus/rentabilit du surplus (cf. graphique 31) :
R S = RSM
[ (
1
2
DC S2 SM
C
)]
1/ 2
1 A 1 1
+ 1(CF0 AF1 ) 1 RP
k 0 C C k 0
k0
1
1 1 1
= 1 (Var (R p ) F2 ) + 1 F1
C k 0 k 0
k0
RSM =
RSM
La partie suprieure de lhyperbole reprsente une frontire efficiente qui dpend du niveau
du ratio k 0 (solvabilit de l'entreprise).
126
20 %
15 %
10 %
5%
0%
5%
10 %
15 %
20 %
25 %
30 %
Volatilit du surplus
Contrainte de dficit
Nous supposons que le vecteur des rentabilits R = [ R A , RP ]( M +1,1 ) , est gaussien (la variable
rentabilit du surplus suit donc une loi normale). Nous introduisons la contrainte de dficit
suivante : La probabilit pour que la rentabilit du surplus soit infrieure un certain seuil
ne doit pas dpasser une probabilit donne . Ce qui revient limiter la probabilit de perte
dune partie du surplus initial.
Cette contrainte est reprsente par une droite de dficit dans le repre (cart-type de la
rentabilit du surplus, rentabilit du surplus espre). Lintersection entre cette droite et la
frontire efficiente donne le portefeuille efficient vrifiant la contrainte (cf. graphique 32).
20 %
15 %
10 %
5%
0%
5%
10 %
-5 %
15 %
20 %
25 %
30 %
Volatilit du surplus
Droite de dficit
Frontire
efficiente
127
Nous pouvons aussi, en utilisant les techniques de Roy [1952], chercher le portefeuille
efficient qui minimise la probabilit de perdre un pourcentage du surplus initial. Cette
approche a deux avantages :
La prise en compte de la corrlation entre la valeur de march de l'actif et la valeur
actuelle du passif
Lintroduction dune relation entre la solvabilit de l'entreprise et l'allocation optimale
d'actifs.
II-2 Modle de Sharpe et Tint [1990]
x
i =1
=1
n
128
x =
+
V
V e reprsente le portefeuille a variance minimale.
e' V 1e rf 0
e' V 1e
z* = V 1
e' V 1 1
V e
e' V 1e
La frontire efficiente
En remplaant le portefeuille efficient par son expression, nous obtiendrons les deux
quations suivantes :
Var (Rs (x* )) = 2Var (R A (z * )) + Var (Rs (x min ))
( ( ))
( ( )) ( ( ))
E Rs x* = E R A z * + E R S x min
En liminant le dans les deux quations, nous obtenons lquation dune hyperbole. La
partie suprieure de cette courbe reprsente la frontire efficiente dans le repre (volatilit du
surplus, rentabilit attendue du surplus).
Contrainte de dficit
La probabilit pour que la rentabilit du surplus soit infrieure un certain seuil ( u ) ne doit
pas dpasser une certaine probabilit ( p ) .
Si nous supposons que le vecteur des rentabilits est gaussien, la variable alatoire rentabilit
du surplus suit une loi normale. La contrainte de dficit se traduit par lquation de droite
suivante dans le plan (volatilit du surplus, rentabilit espre du surplus) :
E( RS ) = q PN ( 0 ,1 ) * S + u
q PN (0 ,1) : reprsente le quantile de la loi normale centre rduite associ la probabilit 1-p.
E (RS ) = q PN (0 ,1) S +
1
rf 0
129
Les courbes obtenues dans ce cadre (cf. graphique 33) auront ainsi la mme allure obtenue
dans le graphique prcdent (avec le modle de Kim&Santomero).
25 %
20 %
15 %
10 %
5%
0%
5%
10 %
-5 %
15 %
20 %
25 %
30 %
Volatilit du surplus
Droite de dficit
Frontire
efficiente
R pf = R A + (1 )RO
: pourcentage dactions.
130
La rentabilit du surplus est reprsente dans ce modle par le rapport entre la variation du
surplus et la valeur actuelle initiale du passif.
S S0
RS = 1
P0
S0 le surplus initial, S1 le surplus final et P0 la valeur actuelle initiale du passif. En
dcomposant lexpression du surplus, la rentabilit du surplus devient : RS = rf 0 * R pf RP
b - La contrainte sur lactif
La probabilit pour que la rentabilit du portefeuille dactifs soit infrieure un certain seuil
ne doit pas dpasser une probabilit donne
P (R pf < u' ) < p'
La probabilit dinsuffisance p' et le seuil critique u' sont fixs arbitrairement selon la
tolrance au risque de linvestisseur. Cette contrainte dans le plan risque/rentabilit espre
est caractrise par une droite de dficit . (Tous les portefeuilles au dessus de cette droite
vrifient cette contrainte).
R pf = u' + pf * q pN' ( 0 ,1 )
et R P N R P , P ).
Nous avons donc :
RS N R S , S
)
131
De la mme faon que la contrainte de dficit sur lactif, nous dduisons linquation
suivante :
u + S qPN ( 0 ,1 ) < R S
Dmarche thorique :
La frontire de la courbe qui dcrit cette contrainte est caractrise par :
u + S qPN ( 0 ,1 ) = R S
R S = rf * R pf R P
= rf *
2
S
2
pf
+ P2 2 * rf * pf * P * Corr (R pf , R p )
rf R A + (1 )R O R P u 2
2
2 2 2
=0
rf
+
2
rf
P
A
A
P
q PN (0 ,1)
R pf R O
R A RO
La volatilit optimale des obligations dtenir en portefeuille :
=
*
O
( ) + ( ) (
*
pf
* 2
2
A
1) * A
1*
132
Rentabilit
espre %
Risque %
La pente de la droite de dficit croit lorsque la probabilit p diminue, alors que le point
dintersection de cette droite avec laxe des ordonnes reste fixe (cf. graphique 35).
Rentabilit
espre %
Risque %
133
Rentabilit
espre %
Risque %
Plus le ratio de financement initial diminue, plus luf de dficit rtrcit et se dplace vers la
droite (cf. graphique 37).
Rentabilit
espre %
Risque %
134
Rben = bR A + (1 b )RO2
R rel = (a b ) R A R O1
Cest donc le produit de lexcs dactions ( a b ) et de la prime de risque.
La variance de la rentabilit relative est donne par :
[(
2
rel
= E Rrel R rel
)]
2
) [
Cette relation donne une formule usuelle pour la variance de la rentabilit relative et permet
de trouver des portefeuilles qui rencontrent la contrainte de dficit.
P(Rrel < u " ) = p"
Cette contrainte se traduit par la relation suivante (hypothse de normalit) :
R rel = u" + q pN"(0 ,1) rel
Les seules inconnues sont le pourcentage dactions a et la volatilit de lobligation dtenir
dans le portefeuille O1 . Pour un a donn, cela revient rsoudre une quation du second
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
135
Rentabilit espre
20 %
C
15 %
10 %
5%
0%
5%
10 %
15 %
20 %
25 %
30 %
Volatilit
Fig. 38 : Reprsentation graphique des portefeuilles vrifiant la contrainte sur la rentabilit relative
Lensemble des portefeuilles optimaux respectant les trois contraintes de Leibowitz se situe
dans la zone grise. Les portefeuilles efficients se situent alors sur larc [CE]. Le portefeuille E
correspond au portefeuille efficient rpondant la recherche dun rendement optimal. Le
point C indique un portefeuille efficient qui a un risque infrieur. Puisque les prvisions de
linvestisseur ne sont jamais sures 100 %, il est raisonnable de prfrer un point compris
entre E et C la place dun point extrme.
g- Limite du modle et test de robustesse
Les limites de ce modle rsident dans le fait quil est bas sur des hypothses trs fortes :
- la volatilit de la composante obligataire est proportionnelle sa duration .
- les obligations de toutes les maturits fournissent le mme rendement.
- les rentabilits sont normalement distribues.
Ce modle conomique ne respecte pas les contraintes rglementaires, techniques, et
comptables. Il surestime donc la capacit de prise de risque. Pour tester la robustesse du
modle, nous faisons varier les hypothses sur les entres (corrlation, volatilit et rentabilits
attendues) et nous mesurons limpact de ses variations sur le pourcentage dactions et la
duration de la composante obligataire.
h- Une variante du modle de Leibowitz
Pour mesurer le risque actif/passif, nous remplaons la rentabilit du surplus par une mesure
plus concrte : la rentabilit du ratio de financement . Cest la variation relative du ratio de
financement sur la priode considre. Si nous notons rf 0 et rf1 les ratios de financement
initial et final, la rentabilit du ratio de financement note RRF est donne par :
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
136
rf1 rf 0
rf 0
Cette mesure dpend uniquement de la rentabilit de lactif et de la variation relative de la
valeur actuelle du passif et ne dpend pas du ratio de financement initial.
RRF =
Nous notons :
A et A1 les valeurs de march de lactif en dbut et fin de priode,
RRF =
R pf R P
1 + RP
Le surplus est la diffrence entre la valeur de marche de l'actif et la valeur actuelle du passif.
Nous introduisons les notations suivantes :
- A : valeur de march de l'actif
- P : valeur actuelle du passif
- S = A P : surplus
A
- rf = : le ratio de financement
P
- r : le taux d'intrt
1 A
- DA =
(1 + r ) la duration de lactif
A r
1 P
- DP =
(1 + r ) la duration du passif
P r
Nous dfinissons la duration du surplus de la mme faon :
1 S
DS =
(1 + r )
S r
En remplaant S par son expression, nous obtenons la formule suivante :
SDS = ADA PDP
137
DS = DP +
rf
(D A D P
rf 1
La courbe obtenue est une droite qui traduit tous les niveaux de risque de taux sur le surplus
en fonction de cette diffrence.
Pour un ratio de financement suprieur 100 % (pente de la droite positive), nous obtenons la
courbe suivante :
DS
DA-DP
Notons que nous pouvons dfinir de la mme faon la convexit du surplus note C S :
1 2 S
2 S r 2
Si nous notons respectivement C A et CP les convexits de l'actif et du passif, nous obtenons
la formule suivante :
rf
CS = CP +
(C A C P )
rf 1
CS =
138
Conclusion du chapitre 1
Laspect mono-priodique qui caractrise les diffrents modles classiques de gestion actifpassif (que ce soit celles bases sur les techniques dimmunisation ou celles bases sur la
notion du surplus) limite leur capacit reflter de faon fiable les perspectives dvolution
des diffrentes variables financires, en particulier sur le long terme. Cela devient dautant
plus compliqu que les variables considrer sont plus nombreuses et que la ncessit de
prendre en compte les corrlations entre les diffrentes variables est plus importante.
Nous notons comme mme que les modles classiques de la gestion actif-passif, servant en
particulier pour lallocation stratgique dactif, taient de loin loutil de rfrence sur le
march et ce depuis les annes 1950. Les limites que prsentent ces modles ainsi que le
dveloppement des supports informatiques au cours des annes 1980 ont permis rcemment
de passer vers dautres types de modles : les modles stochastiques d'ALM. Ces derniers
seront lobjet du chapitre suivant.
139
Les modles stochastiques dALM utilisent les techniques de simulation stochastique (Monte
Carlo) pour modliser lvolution des diffrents lments, que ce soit au niveau des actifs
financiers et des engagements, ou au niveau des variables de march et des variables
dmographiques. Nous pourrons ainsi estimer les lois de probabilit associes aux rsultats du
fonds de retraite sur le long terme. Un passage vers le cadre multi-priodique est effectu.
Dans un cadre dune allocation stratgique stochastique, la revue de certains rcents travaux
peut tre utile.
Frauendorfer [2007] montre comment un critre moyenne-variance peut tre appliqu dans
un cadre multi-priodique afin dobtenir les portefeuilles efficients dune gestion actif-passif.
Le modle doptimisation tient compte des cots de transaction et des volatilits stochastiques
aussi bien des actifs que du passif. De plus, un outil gnral permettant la projection des
engagements du fonds de pension ainsi que la projection des rendements des actifs est
prsent. Dans une tape suivante, la dynamique de la structure par maturit des engagements
(liability maturity structure) est modlise comme un indice personnalis (customized index)
dont la volatilit et la corrlation avec les rendements de lactif deviennent une composante
intgrale de lapproche de changement de rgime applique. Les rsultats numriques
illustrent la diversification des actifs et la relation entre la variabilit du rendement et la
dynamique des engagements.
Martellini [2006] considre le problme de slection de portefeuille dans un cadre
intertemporel, en prsence de contraintes sur le passif. En utilisant la valeur des engagements
comme un numraire naturel (natural numeraire), il trouve que la solution ce problme
induit un thorme de sparation en trois fonds. Cela constitue une justification certaines
pratiques appeles Liability-Driven-Investment (LDI), offertes par diffrentes banques
dinvestissement et des socits de gestion de portefeuille. La LDI se base sur
linvestissement en deux types de fonds (en plus de lactif sans risque) : le portefeuille de
performance et le portefeuille de couverture du passif. Autrement, cette stratgie consiste
sparer le portefeuille en deux parties, dont lune recourt limmunisation contingente et dont
lautre cherche le rendement absolu. Pour cette seconde partie le contrle de risque passe
imprativement par les mthodes de tests de stress capables dvaluer les risques extrmes.
Waring [2004] fait la revue, tout en les mettant jour, des diffrentes techniques de
dtermination des frontires efficientes de surplus ainsi que lallocation dactif du surplus
(surplus asset allocation). Lactualisation de ces techniques se fait travers la prise en compte
des caractristiques systmatiques (bta) et non systmatiques (alpha). Il dveloppe ainsi une
vision conomique des engagements, en termes d'alpha et de bta. Cela nous donne une
mesure des engagements qui est plus intressante pour rsoudre le problme dallocation
dactif et ce par rapport ce qui est fourni dans les approches standards. Avec ces outils nous
pouvons amliorer le contrle des risques pour les fonds de pension, travers le contrle de la
couverture du passif par les actifs. En plus, cette vision favorise, de faon approprie, le
recours lalpha et plus gnralement la mesure du risque dynamique provenant de la
gestion active.
Munk et al. [2004] prsentent la stratgie optimale dallocation dactifs pour un investisseur
qui peut investir en cash (montaire), en obligations nominales et en actions (ou indices
dactions). Le modle suppose le retour la moyenne des rendements des actions et des taux
de rendement rels alatoires. Le modle de march est calibr pour le cas des donnes
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
140
historiques des Etats-Unis (actions, obligations et inflation). En plus, afin dillustrer les
allocations dactifs optimales, Munk et al. [2004] prsentent une mthode de calibrage o les
paramtres daversion au risque et les horizons dinvestissement sont estims de faon avoir
les recommandations optimales pour diffrents groupes dinvestisseurs : agressif ,
modr et conservatif diffrentes horizons dinvestissement.
A ce niveau, nous nous proposons de distinguer deux sous-groupes de modles dALM bass
sur les techniques stochastiques. Llment cl de distinction sera si oui ou non les poids des
diffrents actifs reviennent priodiquement ceux de lallocation stratgique dfinie
initialement (si oui, les modles seront appels modles poids constants ou stratgie FixedMix).
Dans ce chapitre, nous considrons une approche dallocation stratgique dactifs base sur la
stratgie dite poids constants ou Fixed-Mix. Nous proposons une modlisation du
rgime-type de retraite et tudions certains critres dallocation stratgique dactifs en
fonction du type du rgime (provisionn, partiellement provisionn, etc.) sont tudis. Nous
passons ensuite lillustration de la stratgie Fixed-Mix avec une application sur les rserves
dun rgime de retraite partiellement provisionn. Les rsultats obtenus sont discuts et
diffrents tests de sensibilit sont mises en place : ces tests sont lis principalement limpact
des hypothses de rendement ou de corrlation retenues (le graphique 40 illustre les tapes
gnrales ncessaires pour laboutissement dun processus dALM stochastique).
Les difficults rencontres lors de la mise en place de la stratgie Fixed-Mix, dues
essentiellement la multiplicit du nombre de classes dactifs considres et au nombre de
scnarios conomiques simuls, nous ont men nous pencher sur les aspects doptimisation
numrique. Le point de dpart est notre constat dun temps de calcul significatif d
141
ACTIF
Allocation
d'actifs 1
PASSIF
Allocation
d'actifs 2
Modlisation Financire
Scnarios d'volution des marchs
financiers
Modlisation du
rgime
142
La gestion poids constants est une gestion pour laquelle les poids reviennent priodiquement
ceux de lallocation stratgique long-terme. Autrement dit, chaque fin de priode de
simulation nous reconstituons le fonds gr (en effectuant les oprations dachats/ventes
ncessaires) de faon respecter les proportions initiales retenues par lallocation stratgique.
Cette approche est galement appele rgle de gestion par rebalancement ou Fixed-mix. Il
sagit dune stratgie dinvestissement dont le principe consiste dans un rebalancement
priodique des poids vers des niveaux cibles, correspondants ceux de lallocation stratgique
optimale.
Cette stratgie repose implicitement sur le principe suivant : lissue de chaque sous-priode
et lors du rebalancement, la partie des actifs qui a t la plus performante durant cette souspriode est vendue suite laugmentation de son poids par rapport aux niveaux cibles de
lallocation stratgique. Elle est donc vendue un prix considr comme lev . Lautre
partie des actifs va tre, quant elle, achete un prix pas cher : son rendement tant
relativement plus faible sur la sous-priode considre. Nous convergeons finalement vers
une composition du portefeuille identique celle de lallocation stratgique cible (cf. Zenios
[2007]). Cela constitue un point fort de cette stratgie. Les proprits thoriques de la
stratgie Fixed-Mix sont par exemple discutes dans Merton [1990], Dempster et al. [2003],
Infanger [2002], Brinson et al. [1991] et Kouwenberg [2001].
Il sagit dune stratgie dune grande importance en pratique puisquelle est souvent utilise
pour le choix dun portefeuille de rfrence appel benchmark : ce dernier permet de juger la
performance des grants. Plusieurs tudes ont t ddies lvaluation de la contribution de
la gestion active des actifs (arbitrages sur de courtes priodes) dans la performance globale du
portefeuille (cf. Brinson et al. [1991]). Les rsultats empiriques montrent la faible valeur
ajoute de la gestion active et confirment limportance du benchmark (et donc limportance de
la stratgie Fixed-Mix qui dfinit ce dernier) dans le processus de gestion (cf. Blake et al.
[1999], Brinson et al. [1991]).
La combinaison de la stratgie Fixed-Mix avec un modle dALM stochastique ddi un
rgime de retraite typique en France sera lobjet de ltude suivante. Le GSE utilis est celui
dcrit dans la partie I de ce travail.
I-2 Application
Lors de cette application nous prsentons une modlisation du rgime-type. Deux tudes sont
galement menes : une premire tude sur des critres doptimisation pouvant tre
considrs et une deuxime tude sur la question du taux dactualisation des engagements
dun rgime de retraite. Ensuite, nous prsentons les hypothses et la mthodologie retenues.
Les rsultats obtenus sont enfin discuts.
143
n le semestre ;
( n )n 0
( pn )n0
( cn )n0
(i )
( x)
n
n 0
selon que nous considrons les facteurs dindexation des cotisations ou des
prestations ;
I-2-1-2 Modlisation
Lobjet de ce paragraphe est de prciser les grandeurs qui devront tre suivies afin de
construire les indicateurs / critres permettant de raliser lallocation stratgique dactifs. ce
stade de ltude, il ne sagit toutefois pas de prciser quels pourront tre ces indicateurs et ces
critres.
i. Dynamique du rgime
Du point de vue comptable, le montant de la rserve totale volue selon la dynamique
suivante :
p)
p)
Rn +1 = Rn + cn ( c ) in( c) ( c ) pn ( p ) in(
in( c) ( c ) +1 pn ( p ) +1 in(
( p ) (1 + n ) + c
(c)
( p)
n +1
+1
144
Priode
1
Flux de
cotisations
c1
Actif
Circulant
c2
p1
-
D12
D13
D14
D15
p2
-
D23
D24
D25
c3
D34
D35
p3
-
c4
D45
p4
-
c5
p5
de la trsorerie ;
- au passif :
145
- dautre part les cotisations perues sur la priode et les revenus des actifs financiers (y
compris intrts provenant dventuelles crances sur ltat et les collectivits) avant tout
dsinvestissement / investissement.
Sil est positif, le besoin en trsorerie permet de dfinir le niveau minimal de ralisations
dactifs effectuer pour tre capable de payer les prestations.
iiii. Suivi de la valeur
Il sagit ici deffectuer, chaque dbut et fin de priode, un bilan conomique du rgime
en valorisant chacun de ses postes, non plus selon les mthodes comptables qui sy appliquent
mais selon des mthodes conomiques.
En pratique, les principaux postes impacts sont :
- les actifs financiers qui sont valoriss leur prix de march ou selon une mthode
market-consistent pour les actifs non cots sur un march liquide et actif ;
- lengagement du rgime au titre des droits acquis valu selon une approche
Solvabilit II (best estimate + marge pour risque) ;
- lengagement du rgime au titre des droits futurs (si les conditions futures du
rgime sont dsquilibres).
Ces deux derniers points ne pourront toutefois tre apprcis que selon la disponibilit des
donnes sur la distinction entre les droits acquis et les droits futurs. Nous supposerons que ces
informations ne sont pas disponibles ce stade. Dans le cadre de la dfinition des inputs des
modles dvelopps, il conviendra toutefois de distinguer la population en groupe ferm (en y
distinguant les rentiers actuels et les rentiers futurs) et les nouveaux entrants.
Pour ltablissement des principes de cette comptabilit conomique , la rfrence aux
modles IFRS et Solvabilit II pourra tre utilise pour justifier des mthodes et dfinir un
cadre.
I-2-2 Etude des critres dallocation
Nous visons, dans ce qui suit, formaliser et synthtiser certains critres (qui peuvent servir
en tant que contraintes ou en tant quobjectifs (cest--dire la fonction optimiser) pour un
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
146
rgime de retraite. Pour mmoire, lallocation stratgique doit permettre sur diffrents
horizons doptimiser la fonction objectif, en respectant lensemble des contraintes et en tenant
compte des rgles de gestion. Une fonction objectif est ainsi dfinir. Elle refltera le
budget de risque de linvestisseur. La forme gnrale de cette fonction sera la
maximisation de la valeur dun indicateur de performance sous contrainte que la valeur dun
indicateur de risque soit infrieure un plafond. La valeur gnralement utilise dans un
cadre dtude dALM financire est celle du ratio de financement : il sagit du rapport un
instant donn entre, dune part, la valeur de la rserve ajuste la marge dexploitation et
dautre part, la valeur actualise des engagements futurs (cf. Planchet et al. [2007]).
I-2-2-1 Analyse gnrale de la solvabilit du rgime
Lanalogie avec le code des assurances et, en particulier, des rgimes de rentes provisionns,
conduit sassurer que :
k +n
k +n
+
p)
Rn PM n = E n pk ( p ) ik(
ck ( c ) ik( c) ( c ) (1 + ra )
( p ) (1 + ra )
k =n
O :
m : m n, Rm PM m = E n pk ( p ) ik(
ck c ik( c) c (1 + ra )
( p ) (1 + ra )
k =m
o Approche conomique
Sur la base du suivi de la valeur du rgime (cf. la sous-section I-2-1 de ce chapitre), il
apparat opportun destimer le niveau du surplus selon une approche conomique et den
suivre lvolution au fil du temps.
Dans ce contexte, le surplus conomique sexprime comme tant la diffrence entre lactif du
rgime (valu conomiquement ici) et les provisions du rgime (galement values selon
une approche conomique) et autres dettes.
147
o Objectifs de lallocation
Lallocation stratgique repose souvent sur la maximisation de la fonction de la richesse du
rgime (valeur de la rserve) ou de son corollaire le Taux de Rendement Interne (TRI),
particulirement sur diffrents horizons dinvestissement (court terme, moyen terme, long
terme). Le TRI est le taux de rendement permettant davoir la relation suivante :
Rt 0 =
Rd
ci p i
H
+
i t 0
(1 + TRI ) d H t0
t = t 0 +1 (1 + TRI )
d H 1
o :
Rt 0 (1 + TRI ) d H 1
d H 1
(c
i = t 0 +1
pi )(1 + TRI ) d H i = Rd H
Il est prcis que la rserve utilise ici est la rserve investie (rserve financire).
Dans la description des critres recherchs de lallocation stratgique, il convient de
distinguer diffrents types de rgimes de retraite (rgime provisionn, rgime partiellement
provisionn, rgime non provisionn). En outre, quel que soit le rgime, dans le
dveloppement de lallocation stratgique de lactif, une attention particulire sera porte la
distinction entre la phase de constitution et la phase de restitution du rgime.
I-2-2-2 Critres d'allocation en fonction du type du rgime
Dans ce qui suit, nous prsentons certains critres qui peuvent servir la fois comme objectif
et/ ou contrainte selon le type du rgime.
148
la date t et des produits financiers la date t). Ce critre revient vrifier la condition
suivante (pour H v =30):
Rt +
t + 30
ci
i =t +1
(1 + r )
i
j =t +1
t + 30
i =t +1
1.
pi
(1 + r )
i
j = t +1
t +h
ci pi
i =t +1
(1 + r )
j =t +1
t +h
pt + h
(1 + r )
j =t +1
o :
ct : reprsente les cotisations (y compris inflation) la date t ;
pt : reprsente les prestations (y compris inflation) la date t ;
r j : reprsente le taux de rmunration prudent de la rserve la date j (par
convention nous l'assimilons au taux de rendement de lobligation indexe de
long terme) ;
m : reprsente le rapport minimum entre la valeur de la rserve une date donne
et le flux de prestation cible actualis correspondant (par exemple m = 1,5) ;
h : reprsente lhorizon de projection pour le flux de prestation couvrir par
rapport la date t.
149
t +h
ci pi
Rt + i
i =t +1
(1 + rj )
j =t +1
[C m] , avec C =
.
p
t +h
t +h
(1 + rj )
j =t +1
Dans un univers incertain (en particulier avec un horizon de long terme), le respect du critre
doit tre probabilis avec un niveau de confiance 1 (par exemple 97,5 %) o est le
risque derreur tolr ou la probabilit de ruine , soit :
P [C m ] 1
Ainsi, pour les critres de solvabilit associs la comparaison entre le niveau des rserves et
celui des prestations lexemple de formule dveloppe ci-dessus donne :
t + h 1
c pi
Rt + i i
i = t +1
(1 + rj )
j = t +1
P
m 1
pt + h
t +h
(1 + rj )
j = t +1
o
Pour un rgime provisionn : maintenir un ratio de couverture des droits acquis par
le total de la rserve et de la marge actuarielle future (ou Potentiel de Rpartition Futur , cf.
Delarue [2001]). Il sagit du rapport entre la valeur des actifs de la rserve financire et la
valeur des flux futurs (au titre des droits acquis et des cotisations futures nettes des prestations
induites par les droits que ces cotisations gnrent) actualiss au taux sans risque. Ce ratio
peut-tre fix entre 90 % et 100 % par exemple.
Autrement dit, dans le cas dun rgime dont le but est de provisionner les engagements futurs,
nous cherchons rmunrer au mieux ces droits acquis en maximisant le rendement des
rserves reprsentatives des droits acquis par les cotisants du rgime.
Lide est donc de sintresser dabord pendant la dure de lallocation lengagement
conomique du rgime, c'est--dire aux prestations futures lies aux droits acquis en vigueur
et values partir du rendement technique du rgime. Lallocation stratgique choisie sur la
dure D doit permettre de minimiser le cot de financement de ces engagements sur la priode
considre.
Aussi, le critre propos consistera minimiser lesprance de la valeur actuelle des Droits
Acquis la date t0. Cette valeur actuelle est la somme :
- des prestations dues et rgles sur la priode dallocation (t0 D) actualises aux
taux de rendement priodiques du portefeuille financier (allocation dactifs) ;
- de la provision de tous les flux de prestations dues au-del de cet horizon
reprsentatifs des droits acquis jusque l et actualiss au taux sans risque.
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
150
o :
i
ValeurDroitsAcquist 0 =
d H 1
i =t 0 +1
j = t 0 +1
i
D ij
(1 + r )
j = t 0 +1
Provision _ TSR31/12 / d H =
Provision _ TSR31/12 / d H
d H t 0
(1 + r )
j = t 0 +1
Ddi H
d H 1
i =t 0 +1
df
(1 + r )
sr
i =dH
correspondants aux stocks en j des droits acquis et non chus antrieurs cette
date ;
priode j ;
t =
Rserves ( 31 / 12 / t )
Provisions _ TSR ( 31 / 12 / t )
>
avec :
151
ci pi
i =t
(1 + r )
j =t
t =
Rserves ( 31 / 12 / t ) + MAF
Provisions _ TSR ( 31 / 12 / t )
En rsum, les contraintes considrer pour les rgimes de type provisionns avec prise en
compte des droits acquis sont les suivantes (au choix) :
- la VaR 99 % du ratio de couverture des prestations acquises par la rserve doit
tre suprieure un coefficient bta1 (fix en input, exemple entre 6 % et 10 %)
o
Pour un rgime non provisionn : un principal objectif dans ce cas vise maximiser
un ratio de couverture des prochains flux nets de rglement par les actifs jusqu la date
prvisionnelle dpuisement des rserves, suprieur 100 %. Il sagit du rapport entre le total
de la valeur des actifs de la rserve financire augment de la valeur actualise des flux futurs
de rglement nets encaisss (cotisations moins prestations) et la valeur des flux futurs de
rglement nets dcaisss. Il sagit en fait dun ratio de liquidit ou de trsorerie du
rgime.
Les contraintes poses consistent, par exemple, vrifier que dans la majorit des cas (par
exemple dans 99 % des cas) : le ratio de couverture des flux futurs de trsorerie ou rglement
(amput dune anne par rapport lhorizon de viabilit du rgime qui correspond lhorizon
dpuisement des rserves) est suprieur 100 %, cela signifie que le budget de risque pour le
choix de lallocation ne peut tre suprieur la perte dune anne de prestation.
Dans ce cadre, nous supposons que la Valeur Risque (VaR), pour un certain niveau de
confiance, du rapport (ratio de couverture) la date d H entre les deux quantits ci-aprs doit
tre suprieure 100 % :
- la rserve, augmente de la valeur actualise des flux futurs de rglement net
encaisss (i.e. positifs) jusqu la date d e 1
- la valeur actualise des flux futurs de rglement net (i.e. ngatifs) jusqu la date
de 1
Le taux dactualisation des flux futurs est le mme que celui dfini pour lactualisation des
flux dun rgime partiellement provisionn lors du calcul des ratios prudentiels.
152
Benchmark: engagements
Les consquences de ces tudes sur la stratgie dinvestissement optimale peuvent tre
synthtises comme suit :
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
153
ALM actuarielle
Le choix du taux dactualisation des engagements suscite un dbat entre les professionnels
depuis quelques annes, surtout depuis la crise des fonds de pension de 2001 (crise de sous
financement). Un cart de quelques points dans le choix du taux peut faire varier le montant
de la provision de manire significative. Certains recommandent aussi dutiliser des taux de
court terme pour les provisions dune population proche de lge de la retraite, et des taux de
long terme pour une population jeune. Dans tous les cas, le dbat sur le taux dactualisation ne
peut pas tre dcorrl du processus de rvaluation des rentes (cf. Planchet et Thrond
[2007]).
Dans le cas o lactualisation est effectue avec le taux sans risque du march, le risque de
taux intrt se manifeste surtout en cas de baisse des taux. Quand le taux dintrt baisse, la
valeur de lactif augmente, dans des proportions qui dpendent de la composition du
portefeuille du fonds (actions ou obligations notamment). Si ce taux dintrt est celui utilis
pour actualiser les engagements, leur valeur actualise augmente galement.
Le risque de taux provient de ce que lactif et le passif nont gnralement pas la mme
sensibilit aux taux dintrt : une baisse des taux long terme se traduit, en rgle gnrale,
par une hausse de la valeur du passif plus importante que celle de lactif. Dans ces conditions,
le taux de couverture du fonds, dfini comme le rapport entre la valeur des actifs et la valeur
actualise des engagements, se dtriore. De mme, la baisse des taux rduit la marge
financire future car le rendement des nouveaux actifs peut apparatre insuffisant pour faire
face aux taux garantis par les contrats antrieurs.
Jusqu une date rcente, les engagements des fonds de pension anglo-saxonnes (Etats-Unis,
Royaume-Uni, Pays-bas, etc.) taient valoriss avec un taux dactualisation fixe, par exemple
4 % par an. Mais, depuis quelques annes, les rgles prudentielles et les normes comptables
de ces pays ont volu en direction dune comptabilisation en juste valeur o la courbe des
taux dintrt de march est utilise pour actualiser les versements (selon les pays, il sagit du
taux des obligations dtat, du taux moyen des obligations mises par les entreprises ou du
taux observ sur le march des contrats dchange de taux appel taux de swap). La mesure en
juste valeur prsente simultanment des avantages et des inconvnients :
154
avec : r j le taux dintrt sur la sous priode j (taux rel en cas de flux rels et taux nominal
en cas de flux nominaux).
155
La mme dmarche est utilise pour lindexation des flux de passif par les taux dinflation
simuls. Dans ce cas, le flux rel un instant t est multipli par le coefficient dindexation
dduit partir des taux dinflation raliss sur les priodes entre linstant initial t0 =0 et t :
Flux indext = Flux Relt (1 + i j )
t
j =1
S/C
( t0 + H max )1
i =t 0+1
t0 + H v
ci
Rt + i
i = t 0 +1
(1 + rj )
j = t 0 +1
P t0 + H v
m1 1 1
p
i
i
i = t 0 +1
(1 + rj )
j = t 0 +1
156
t 0 + H max
ci pi
Rt +
i = t 0 +1
(1 + rj )
j = t 0 +1
m2 1 2
P
pt 0 + H max
t
+
H
0
max
(
1
+
r
)
j
j = t 0 +1
Avec :
ct reprsente les cotisations (y compris inflation) la date t ;
pt reprsente les prestations (y compris inflation) la date t ;
risque);
m1 : reprsente le rapport minimum pour la contrainte 1 (dans notre cas m1 = 1) ;
m2 : reprsente le rapport minimum pour la contrainte 2 (dans notre cas m2 = 1,5) ;
H v : reprsente lhorizon considr pour le calcul du rapport de la contrainte 1 (dans notre cas
H v =30 ans).
H max : reprsente lhorizon considr pour le calcul du rapport de la contrainte 2 (dans notre
cas H max =20 ans).
Le rapport de la premire contrainte peut tre assimil un ratio de couverture des flux de
prestation sur les prochaines annes par la rserve initiale augmente des flux futurs de
cotisation sur les mmes annes : cela assure dans un certain sens la viabilit du rgime. De
mme, le rapport de la deuxime contrainte reprsente un ratio de couverture de la prestation
payer dans annes par la valeur de la rserve de la mme anne : cela assure dans un certain
sens un niveau de solvabilit requis par le fonds aprs H max annes. Cela correspond au cas
dun rgime de retraite partiellement provisionn.
Concernant les contraintes de poids sur la composition de lallocation cible, Il doit tre
possible dimposer a priori pour chaque classe dactif de lallocation une composition
minimum et maximum respecter pour chaque allocation teste.
157
300
200
100
-100
-200
-300
-400
-500
10
20
30
Anne
40
50
60
Nous rappelons finalement, quen termes de rgles de gestion, il est considr qu' chaque fin
de priode de simulation nous forons le fonds respecter les proportions initiales
( rebalancement ). Ceci est du la stratgie Fixed-Mix adopte. Cette dernire prsente
lavantage :
- dtre cohrente avec l'ide d'allocation stratgique ;
- de considrer le fonds comme un FCP (Fonds Commun de Placement) en
travaillant avec son rendement issu des pondrations des rendements de chaque
poche ;
- dviter de dfinir des rgles complexes d'investissement / dsinvestissement.
I-2-5 Mthodologie retenue
Les tapes de cette tude actif-passif sont les suivantes :
Etape de simulation des scnarios conomiques et financiers
Il sagit dune tape commune et prliminaire et au cours de laquelle nous nous basons sur le
GSE propos dans la partie I pour :
La simulation des diffrents taux dintrt rels (longs et courts), des taux
dinflation anticips (longs et courts) avec dduction des taux nominaux (longs et
courts).
La simulation du rendement des actions, du rendement de limmobilier et de
lvolution du taux montaire.
La dtermination des prix des zros coupons nominaux, indexs linflation et
risque de crdit.
La dtermination des performances des produits de taux, selon les formules
prsentes dans lannexe relatif aux scnarios dterministes.
158
Ces simulations se feront selon la structure schmatique linaire (quel que soit la classe
dactifs considre). Ce type de structure est souvent utilis dans le cas de la stratgie FixedMix (cf. Kouwenberg [2001]). Pour rappel, cette structure se prsente ainsi (cas des actions) :
R1actions
,t1
R1actions
,t2
R1actions
,T
R2actions
,t1
R2actions
,t2
R2actions
,T
actions
R500
,t1
actions
R500
,t2
500 trajectoires
R0actions
actions
R500
,T
Axe du temps
t0=2010
t1
t2
T=2030
Fig. 42 : Illustration de la structure schmatique linaire dans le cas de la projection des rendements
des actions
Lajustement de la valeur de la rserve chaque fin de priode par rapport aux flux
indexs :
159
Rserve fin de priode = Rserve dbut de priode capitalise sur le march financier + flux
fin de priode.
Nous construisons initialement un trs grand nombre dallocations tests (ex. 100 000)
- Paralllement nous simulons un grand nombre de scnarios de march (ex. 5 000) pour
chaque classe constituant lactif (taux, action, immobilier)
- Nous appliquons les scnarios de march chacune des allocations tests, afin de simuler
les trajectoires (volutions) correspondantes de la rserve entre la date de calcul de
lallocation et lhorizon du rgime.
- Nous aurons ainsi par ex 5 000 trajectoires simules pour chacune des 100 000 allocations
tests.
- Nous effectuons enfin un tri parmi les allocations tests, afin dobtenir des allocations
dites admissibles : il sagit des allocations associes la meilleure probabilit que le
rendement soit maximal tout en respectant les contraintes dfinies ci-dessus. Cette probabilit
est value sur la base des 5 000 trajectoires simules.
Le graphique suivant illustre les principales tapes du modle de gestion actif-passif
considr :
Modle
de GSE
Prvision
stochastique des
variables
conomiques
Gnration
des scnarios
dactifs
Rendement
stochastique
des actifs
Scnarios
dinflation
Modle
du passif
Flux rels de
trsorerie
(dterministes)
Gnration
des scnarios
du passif
Flux nominal de
trsorerie
Allocation
Modle
doptimisation optimale
avec la stratgie
poids constants
(stochastiques)
160
Montaire
ZC 5 ans (nominal)
ZC 10 ans (nominal)
ZC 15 ans (nominal)
ZC 8 ans (rel)
ZC 15 ans (rel)
Obligation crdit
Actions
Immobilier
Borne min
0,00 %
10,00 %
10,00 %
0,00 %
10,00 %
0,00 %
0,00 %
25,00 %
0,00 %
Borne sup
30,00 %
30,00 %
30,00 %
0,00 %
30,00 %
0,00 %
30,00 %
40,00 %
10,00 %
Dun autre ct, deux scnarios conomiques ont t considrs : un scnario de stress et un
scnario alternatif. En pratique, le but de ce type de scnario est de tester la robustesse des
allocations optimales obtenues avec le scnario central (prsent dans la section III du
chapitre 2 de la partie I). Ci-aprs les paramtres relatifs un scnario de stress (avec forte
baisse des rendements des actions : chute de 30 % sur un an) et au scnario alternatif (baisse
continue de linflation moyenne de 100 pb). Il est rappel que les paramtres utiliss pour les
diffrents scnarios sont purement illustratifs.
161
Scnario central
0,01%
0,01%
0,01%
Volatilit
5,00%
5,00%
5,00%
Moyenne
2,00%
2,00%
1,00%
Valeur initiale
2,00%
2,00%
2,00%
10,00%
10,00%
10,00%
Volatilit
1,00%
1,00%
1,00%
Valeur initiale
1,00%
1,00%
1,00%
Borne infrieur
-1,00%
-1,00%
-1,00%
Borne suprieur
3,00%
3,00%
3,00%
35,00%
35,00%
35,00%
Volatilit
2,50%
2,50%
2,50%
Moyenne
3,00%
3,00%
3,00%
Valeur initiale
2,50%
1,50%
2,50%
40,00%
40,00%
40,00%
Volatilit
2,50%
2,50%
2,50%
Valeur initiale
1,00%
1,00%
1,00%
-1,00%
-1,00%
-1,00%
4,00%
4,00%
4,00%
100,00%
Paramtre
Action
Valeur initiale
100,00%
100,00%
7,50%
6,50%
16,00%
16,00%
16,00%
-10,00%
-11,00%
27,00%
27,00%
27,00%
15,00%
15,00%
15,00%
Volatilit
10,00%
11,00%
10,00%
Moyenne
6,00%
6,00%
5,00%
Valeur initiale
5,00%
5,00%
5,00%
Maturit 5 ans
97,18%
97,18%
97,18%
97,17%
97,17%
97,17%
Valeur initiale
Moyenne
3,50%
3,50%
2,50%
Volatilit
1,50%
1,50%
1,50%
Immobilier
Crdit
Coefficient d'battement*
Montaire (lognormal)
162
Il est prciser que le TRI et le mdian de la rserve sont calculs sur un horizon gal
lhorizon dallocation (9 ans). Par ailleurs, la VaR du ratio de viabilit et la VaR du ratio de
solvabilit sont tablis pour un horizon dallocation de 9 ans (sachant par ailleurs que
lhorizon de la contrainte de solvabilit est de 20 ans et que lhorizon de la contrainte de
viabilit est de 30 ans). La performance et la volatilit sont des valeurs moyennes calcules
sur lensemble de la projection (50 ans).
Au niveau des rsultats sur lallocation optimale, nous observons premire vue que le poids
du montaire est nul. Aussi, nous observons que les poids cumul des obligations nominales
et lobligation crdit est de 40 %. Cette valeur est de 10 % pour les obligations indexes
linflation et de 50 % pour les actifs risqus (actions et immobilier). En outre lallocation
optimale prsente ci-dessous ne comporte pas dobligation nominale et dobligation indexe
linflation de maturit 15 ans, tant donn que ces poids sont nuls dans la matrice des
allocations testes.
Le tableau ci-aprs prsente les dix meilleures allocations parmi les 2 985 allocations testes
avec le scnario conomique central, la meilleure allocation est marque en bleu :
TRI moyen (9 ans)
Mdian de la rserve (9 ans)
VaR Ratio de prennit (9 ans)
VaR Ratio de financement (9 ans)
Performance moyenne long terme (50 ans)
Volatilit long terme (50 ans)
Montaire
ZC 5 ans (nominal)
ZC 10 ans (nominal)
ZC 15 ans (nominal)
ZC 8 ans (rel)
ZC 15 ans (rel)
Obligation crdit
Actions
Immobilier
10,631% 10,630% 10,629% 10,630% 10,629% 10,631% 10,631% 10,632% 10,630% 10,630%
10133
10137
10124
10125
10136
10126
10138
10138
10125
10133
1,06
1,06
1,06
1,06
1,06
1,06
1,06
1,06
1,06
1,06
2,786
2,788
2,792
2,792
2,787
2,792
2,788
2,792
2,792
2,786
5,551%
5,553%
5,545%
5,546%
5,552%
5,548%
5,553%
5,549%
5,547%
5,550%
7,396%
7,414%
7,385%
7,370%
7,382%
7,373%
7,381%
7,375%
7,369%
7,370%
0%
10%
15%
0%
10%
0%
15%
40%
10%
0%
15%
20%
0%
10%
0%
5%
40%
10%
0%
30%
10%
0%
10%
0%
0%
40%
10%
0%
25%
10%
0%
10%
0%
5%
40%
10%
0%
20%
20%
0%
10%
0%
0%
40%
10%
0%
15%
10%
0%
10%
0%
15%
40%
10%
0%
10%
20%
0%
10%
0%
10%
40%
10%
0%
10%
10%
0%
10%
0%
20%
40%
10%
0%
20%
10%
0%
10%
0%
10%
40%
10%
0%
15%
15%
0%
10%
0%
10%
40%
10%
Tab.31 : Liste des dix meilleures allocations obtenues dans lexemple illustratif
Nous notons que le poids du montaire est nul dans les 10 allocations. Nous observons
galement sur lensemble des allocations une rpartition quilibre entre les actifs risqus
(actions et immobilier), qui ont un poids total de 50 %, et les actifs moins risqus
(obligations), qui ont galement un poids total de 50 %.
En complment, un test est men sur les 10 meilleures allocations obtenues. Le test sur ces
dix allocations est ralis pour sassurer de leur robustesse en cas de scnarios de stress (forte
baisse des actions sur un an) ou alternatif (diminution du niveau dinflation de long terme) : il
sagit ainsi de sassurer que ces 10 meilleures allocations vrifient les contraintes dans les
deux scnarios complmentaires retenus (scnario de stress et scnario alternatif). En
pratique, cela consiste lancer la partie du code relatif aux contraintes considres en retenant
en input la matrice des 10 meilleures allocations.
Dans le cadre de ce test, il savre que les 10 allocations prsentes comme les meilleures
dans le scnario central vrifient bien les contraintes dans les deux scnarios
complmentaires. Aussi, les allocations optimales proposes semblent rsister des scnarios
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
163
de projections des actifs diffrents de ceux retenus dans le scnario central. La conclusion de
ce test confirme le caractre robuste des dix allocations testes.
Ratio de couverture des flux jusqu'en 2029 sur un horizon de 10 ans (2018) et un niveau de confiance de 97.5%
1.48
Alloc1
Alloc2
Alloc3
Alloc4
Alloc5
Alloc6
Alloc7
Alloc8
Alloc9
Alloc10
Alloc11
Alloc12
Alloc13
Alloc14
Alloc15
Alloc16
Alloc Actuelle
Alloc18
Alloc19
Alloc20
Alloc21
Alloc22
Alloc23
Alloc24
Alloc25
Alloc26
Alloc 27
1.46
Valeur moyenne
de laMdian
rserve
Ratio de couverture
1.44
1.42
1.4
1.38
1.36
1.34
1.32
1.3
1.28
0.9
0.95
1.05
1.1
1.15
VaR 97.5%
Fig. 44 : Ratio de couverture des flux jusquen 2029 sur un horizon de 9 ans (2018) et un niveau de
confiance de 97,5 %
Les rsultats suivants sont indiqus titre dillustration : Valeur Risque (VaR) du ratio de
solvabilit 99,5 % et valeur moyenne de la rserve dans le graphique 44, ceci pour un
chantillon donn dallocation. On obtient alors une courbe defficience au sens de la thorie
de Markowitz [1952] : un certaines allocations permettent davoir plus de rendement (valeur
moyenne de la rserve) pour un niveau de risque plus rduit (VaR du ratio 99,5 %). Il sagit
du cas, par exemple, des deux allocations ayant le couple de rendement/risque encercl dans
le graphique 44 et qui garantissent un niveau de VaR suprieur 1.
Le graphique 45 illustre, quant lui, un test effectu sur la sensibilit de lallocation optimale
par rapport aux changements des niveaux des rendements esprs des actions.
164
100%
90%
80%
70%
60%
50%
40%
30%
20%
10%
0%
1%
Mon
2%
Nom 5 ans
Nom 10 ans
Nom 15 ans
3%
Index 8 ans
Index15 ans
4%
Crdit 5 ans
Action
Fig. 45 : Sensibilit de lallocation optimale par rapport lesprance de rendement des actions
Dans ce qui suit nous nous intressons limpact du recours deux matrices de corrlation
diffrentes (cf. section I, chapitre 2 de la partie I) entre les actions et les autres classes
dactifs : une premire matrice refltant la structure dpendance dans un contexte normal
et une deuxime matrice refltant une situation de crise (appele matrice de corrlation
risque ).
Pour cela, un premier tableau (cf. tableau 32) est prsent indiquant lallocation optimale
obtenue dans le cas dun seul rgime (1 matrice de corrlation) et dans le cas de deux rgimes
(2 matrices de corrlation), toutes choses tant gales par ailleurs. Nous constatons que, dans
ce dernier cas, nous sommes moins exposs aux classes dactifs risqus (exposition totale aux
actions et limmobilier la hauteur de 65 % contre 70 % dans le cas dun seul rgime. Cela
constitue une rponse une aversion au risque supplmentaire prise en compte via la matrice
de corrlation risque ).
165
Nom 5 ans
Nom 10 ans
Nom 15 ans
Indexes 8 ans
Indexes 15 ans
Crdit 5 ans
Actions
VaR 97,5 %
203
435
VaR 99,5 %
-3740
-3255
166
x 10
Frquence
Frquence
2
E x p o s it io n a u ris q u e re la t ive m e n t
p lu s im p o rt a n t e p o u r l'a llo c a t io n
o p t im a le a ve c u n e s e u le m a t ric e d e c o rr
1
0
-1 . 5
-1
-0 . 5
0.5
1
V a le u r d e la r s e rve n e t t e
1.5
2.5
3
x 10
Fig. 46 : Distribution de la valeur de la rserve totale (nette des flux de trsorerie) dans le cas de
projection de scnarios avec deux matrices de corrlation
167
168
d * :
f : R,
R d
Nous supposerons que f est continue et borne, non ncessairement drivable, et que est
une union finie de d-simplexes, typiquement un ensemble de pourcentages dallocation
possibles, inclus dans [0 ,1]d . Enfin, f nest pas ncessairement une fonction convexe de ,
de sorte que la fonction peut possder plusieurs optima locaux.
En outre, nous supposerons que f nest pas directement connue, mais quelle est estime
laide de simulations. En tout point d , du fait des erreurs destimation, lobservateur ne
peut accder qu des ralisations dune variable alatoire F ( ) = f ( ) + ( ) , o ( )
reprsente un bruit desprance nulle, dont nous postulerons lexistence dune variance finie,
non ncessairement homogne en . Nous postulons que les { ( )} sont mutuellement
indpendants. La fonction bruite F est donc telle que :
:
E [F ( )] = f ( )
V [F ( )] <
Nous nous placerons dans le cadre dune minimisation. Sous ces hypothses, chercher
optimiser la fonction borne f ( ) = E[F ( )] revient alors rechercher, partir de ralisations
ponctuelles indpendantes de la fonction bruite F :
1. Lunique valeur minimale de la fonction objectif f ,
m* = inf E[F ( )]
169
170
dalgorithmes de type Branch and Bound sont galement proposes dans un cadre
stochastique (cf. par exemple Norkin et al. [1996]).
Le risque de se tromper doptimum Lorsque F est alatoire, nous pouvons envisager lusage
dalgorithmes stochastiques doptimisation locale. Toutefois, tout comme les mthodes
dterministes de descente de gradient, ces algorithmes requirent de choisir un point de dpart
suffisamment proche dun optimum global, et dviter les plus vidents optima locaux. Sauf
pour quelques fonctions f particulires, il sagit alors dapprhender dans un premier temps
la forme de la fonction f . Une exploration globale de la fonction savre donc souvent
ncessaire, le risque tant moins de mal estimer la valeur dun optimum global, que de se
tromper doptimum en choisissant indment un mauvais optimum local.
Une seconde piste serait dtablir un grand nombre de tirages de F , afin de se ramener, une
marge derreur prs, au cas dterministe. Cela autoriserait lusage dalgorithmes
doptimisation locale dterministe, gnralement rapides. Toutefois, la recherche dun
optimum local se ferait au prix dune exploration pralable de la fonction. De surcrot,
lalgorithme utilis serait lourdement pnalis par le grand nombre de tirages requis pour F .
De la mme faon, cette pnalit frapperait les algorithmes doptimisation globale
dterministe. Enfin, les mthodes gntiques ou le recuit simul ne visent pas directement
proposer des zones de confiance pour les optimiseurs de la fonction objectif. Il nous a sembl
dlicat de quantifier, avec ces mthodes, le risque de proposer un optimum local et dignorer
un optimum global meilleur.
Explorer ou connatre A titre illustratif, plaons nous un instant dans un cadre simplifi, en
prsence dun unique minimiseur * = arg min f ( ) . Supposons que lobservateur puisse
raliser n tirages de F en chaque point dun ensemble m = {1 ,..., m }. En supposant donne
1 n
f n ( ) = Fi ( )
m
n i =1
n ,m = arg min f n ( )
m
La question se pose ici de larbitrage entre le choix dun n lev ou dun cardinal de m
lev. Les algorithmes usuels doptimisation supposent gnralement que lensemble des
points F ( ) sont connus, et ignorent, notre connaissance, la question pratique de
loptimisation du couple de paramtre ( n , m ). En effet, la dtermination dune ralisation de
la variable alatoire F peut prendre un temps de calcul important. En consquence, n
ralisations de F en chaque point de m conduisent un total de ( n.m ) tirages de F . Or, les
tirages tant coteux en termes de temps de calcul, le nombre de tirages est ncessairement
limit. Pour un budget de tirages fix, le choix dun nombre de simulations n lev rduit la
171
identique pour chaque m . Cette solution est nanmoins trs onreuse en terme de temps
de calcul, dans la mesure o n simulations seront conduites sur chacun des points, y compris
ceux trs loigns dun optimum, pour lesquels la meilleure connaissance de f napporte
quasiment rien.
Grille pas variable Nous chercherons donc mettre en place une grille pas variable, o les
retirages de F se feront principalement dans les zones susceptibles daccueillir le minimum.
Il va sagir dune part destimer f en de nouveaux points (sommets), et dautre part de
rpartir de nouvelles simulations entre les anciens sommets et les nouveaux, en fonction de
lintrt que peut avoir, sur la connaissance du minimum global, lajout de simulations en
chacun de ces points. Les positions des sommets envisags ne seront plus rgulirement
rparties, et le nombre de simulations conduites en chaque sommet va diffrer selon les
sommets. Une premire difficult est le choix dune forme convenable pour les zones de
recherche, pour les cellules de la grille. Une autre difficult est que nous avons besoin de
deviner o conduire les futures simulations. Pour cela, il faut avoir une ide de comment va
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
172
voluer la fonction entre les points explors : il faut en un sens deviner quel pourra tre
limpact de futures simulations avant mme de les raliser.
Algorithmes prsents et structure du document Nous allons aborder dans cette tude deux
algorithmes ralisant une grille pas variable. Dans la sous-section II-2, nous envisagerons le
cas o le nombre de tirages en chaque point est fixe, lalgorithme cherchant alors uniquement
dterminer les prochains points o valuer la fonction F . Dans la sous-section II-3, nous
introduirons la possibilit doprer des retirages en des points dj explors. Enfin, dans une
dernire sous-section II-4, nous prsenterons des illustrations simples et visuelles du
comportement de lalgorithme propos sur une fonction bimodale lmentaire. Une
comparaison avec un algorithme classique doptimisation stochastique sera galement mene.
II-2 Une grille pas variable par subdivision systmatique
173
aux problmes dfinis sur une union de simplexes, et dautre part ne ncessitait lexploration
que dun unique point chaque subdivision.
Nous supposerons que les zones de recherche sont des ensembles convexes, de faon
faciliter dventuelles interpolations au coeur de chaque zone. Imaginons un pav de d dont
on connat les sommets, et lintrieur duquel nous ajouterions un point c . Comment
dcouper rapidement ce pav en une partition densembles convexes dont lenveloppe
convexe contiendrait c ? La rponse ntant pas si vidente, nous opterons pour le choix
suivant :
174
Dans le cas de barycentres quipondrs, nous pouvons dailleurs montrer par rcurrence quil
est possible datteindre en un nombre fini dtapes tout point de de coordonnes :
i
id
k
( 1k1 ,..., k d ) avec pour tout j { 1,...,d }, k j N , i j N , i j 2 j
2
2
175
que f pourra atteindre un minimum global sur une zone si la pente ncessaire pour cette
atteinte est infrieure un certain seuil, ou que f ne pourra pas atteindre le minimum global.
g ( , ) = K d ( , )
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
K > 0 , > 0
176
~
Cela revient dcrire lincertitude maximale pesant sur f , lorsque g est soumis une
condition de type Hlder (ou de type Lipschitz lorsque = 1).
~
~
f ( ) - f ( ) N 0, e2 ( ) + g2 ( , )
~
lestimateur m * est une variable alatoire indpendante de f ( ) - f ( ) , de loi normale,
desprance m* et de variance m2 * ,
1
f ( ) m *
L( , ) = 1 -
2
T ( , )
avec T2 ( , ) = m2 * + e2 ( ) + K2 d ( , )
, T ( , ) > 0
La fonction dsigne la fonction de rpartition dune loi normale centre rduite. Nous
prendrons la convention L( , ) = 1
dans le cas o T ( , ) = 0 , en labsence de bruit et
f ( )= m*
177
f ( ) = 1
n0
n0
F ( )
i
i =1
2
e
( ) =
2
1 2
1 n0
(
)
(
)
(F ( ) - f ( ))
F , avec F =
n0
n0 - 1 i =1 i
{0,1} .
178
Z ( ) =
L ( , i )
i =1
Nous avons choisi ici dintroduire une fonction lien g ( x ) = x , pour > 0, qui prserve les
proprits requises de logique boolenne du produit, et permet de modifier le comportement
de lalgorithme. Le choix de , rgissant la convexit de g , permet de distordre les potentiels
et de moduler ainsi limportance relative accorde la zone de plus grand potentiel. Au
niveau de limpact de la distorsion, pour un coefficient trs grand, le tirage dune zone
reviendrait au tirage systmatique de la zone dont le potentiel est le plus grand. Un coefficient
faible conduirait davantage explorer des zones de potentiel mdian. Le facteur
sinterprte comme un facteur de priorit attribue aux zones de grand potentiel.
Nous avons constat que leffet de tait modeste pour des valeurs raisonnables de
paramtres (cf. sous-section II-4 de ce chapitre). Considrant par ailleurs une certaine
redondance de ce paramtre avec les paramtres ( K , ) du potentiel, nous opterons sauf
mention contraire pour :
= 1 / (d + 1)
qui a le mrite de clarifier linterprtation du potentiel : Z ( ) correspondra simplement la
moyenne gomtrique des potentiels directionnels. Le potentiel dun point sinterprtera alors
comme un potentiel directionnel moyen.
Le choix dune mesure pour le potentiel dun point justifierait de nombreuses tudes.
Sagissant dagrgation de potentiels directionnels et de fonctions liens, dautres distorsions
de probabilits facilement utilisables pourront tre trouves dans Bienvene et Rullire
[2010]. Une autre piste pour cette agrgation est lusage de copules, ou encore celle de la
logique floue (cf. Zadeh [1965]). Nous tudions actuellement dautres mesures de ce potentiel
(cf. Rullire et al. [2010]), bass sur lagrgation des variances directionnelles T ( , ' ) , ainsi
~
que la modlisation de f par des champs alatoires, en lien avec la thorie du Krigeage (cf.
par exemple Krige [1951], Jones et al. [1998]). Ces mesures prsentent lavantage dliminer
lagrgation de potentiels directionnels, au prix dun modle dune complexit parfois accrue.
Il faut nanmoins temprer limpact du choix dune mesure de potentiel : les potentiels des
diffrents points serviront tablir une hirarchie des zones les plus susceptibles de contenir
un optimum global, afin de choisir laquelle explorer en priorit. Le choix de la fonction lien
g croissante modifiera les priorits dexploration, mais ne modifiera pas la hirarchie ellemme, et celle-ci dpendra en trs grande partie de lloignement de f la valeur de
loptimum.
Si les potentiels directionnels appartenaient {0 ,1} , un potentiel permettrait simplement de
dire si il est possible ou non que f possde un minimum global sur une zone, compte tenu des
sommets adjacents et de la valeur estime du minimum. Cela correspond lide dveloppe
dans les algorithmes mettant en oeuvre une arithmtique dintervalle (cf. Wolfe [1996]). Le
potentiel propos ici doit tre vu comme une simple mesure, valeur sur [0, 1], permettant
179
dtendre une logique darithmtique dintervalle qui conduirait des potentiels dfinis sur
{0,1} .
Potentiel dune zone En pratique, une zone sera dautant plus susceptible de contenir un
minimum plus petit que la valeur estime de m* si sa surface est grande et si ses points ont un
potentiel lev. Une mesure logique de la "surface probable" dune zone Z est donne par :
(Z ) = Z ( )d
Z
Bien que le calcul de cette intgrale puisse tre approch par des techniques de simulation,
nous avons prfr retenir comme mesure du potentiel dune zone la mesure suivante :
(Z ) =
(Z ).
{U }
=1,2 ,...
dsigne une suite de variables alatoires de loi uniforme sur [0,1], mutuellement
indpendantes, piocher une zone parmi n avec une probabilit fixe au prorata de son
potentiel revient choisir, une tape de lalgorithme :
Z + = Z k* (U )
avec :
k * (u ) = min {k {1,.., n}, B k u .B n }
et :
Bk = (Z i ) , k {1,..., n}
k
i =1
Ce choix dcoule de plusieurs ides. Dune part, lide dexplorer de faon uniforme la zone
de recherche lorsque les potentiels sont gaux, dautre part lide de prserver, la faon dun
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
180
Au moyen du potentiel que nous avons dfini, nous avons transfr une part de la subjectivit
du choix du prochain point de tirage sur le choix de quelques paramtres, au premier rang
desquels se trouvent les coefficients de type Hlder et K . Le choix ou lestimation de ces
paramtres est un problme dlicat qui ncessiterait lui seul une tude pousse, et que nous
prsentons ici de faon simplifie.
Le choix des paramtres et K dpend de la connaissance de la fonction f considre,
ainsi que, lorsque celle-ci savre insuffisante, de la prudence de lobservateur. Le choix du
paramtre est un choix de modle : envisageons-nous que f puisse varier brutalement sur
un trs petit intervalle comme le ferait une trajectoire de mouvement brownien, ou de faon
plus rgulire, comme une fonction lipschitzienne ?
Considrons deux points distincts et , en ignorant dans un premier temps lerreur
dchantillonnage aux sommets explors. Si seul est explor, lobservateur suppose a
~
priori que Y , = f ( ) - f ( ) est distribu selon une loi normale centre, dcart-type K d ,
o d = d ( , ) , d >0. Aprs exploration des deux points, lobservateur dispose dune
observation (d , y ) de ce couple (d ,Y ) . En supposant que sont collectes n ralisations
(d i , yi ), en les supposant de surcrot mutuellement indpendantes, une estimation maximum
de vraisemblance de K en connaissance de conduirait :
1 n yi2
K = 2
n i =1 d i
2
181
n
d i2
yi2 d i2
2 + 2 d 2 = 2 2 2
K i
i =1 ei
i =1 e i + K d i
n
(
n
i =1
d i2 ln (d i )yi2
e2i + K2 d i2
d i2 ln (d i )
= 2
2 2
i =1 e i + K d i
n
Au fur et mesure des nouveaux tirages, chaque nouveau point 0 explor conduit, en
direction des d + 1 sommets de la zone, d + 1 nouvelles ralisations de variables alatoires
de loi normale centre, dcart-type fonction de la distance, et il est alors possible de corriger
chaque tape une valeur a priori de et de K .
Il faut ici noter que rien ninterdit de faire varier les coefficients et K en fonction de la
zone considre, et lestimation des coefficients pourrait se faire sur chaque zone Z en
affectant chaque ralisation de la variable alatoire Y' , (sur dautres zones) de poids dautant
plus levs que la et sont proches de la zone considre Z . Lestimation de coefficients
de Hlder partir dobservations de tirages de F est un vaste sujet (cf. Blanke [2002] pour
un article traitant de ce type destimation sur des processus). Les choix numriques concrets
des paramtres de lalgorithme seront dtaills dans la sous-section dapplication numrique
II-4.
Enfin, le raisonnement tenu jusqu prsent se basait sur le fait que pour deux points dune
zone, lobservateur reprsentait la variation des pentes entre ces deux points par une variable
alatoire dont lcart-type tait une fonction croissante de la distance. Mme si cela nest pas
requis pour limplmentation de lalgorithme, un lment susceptible de fournir a posteriori
des informations sur lhypothse prise est le suivant : pour une zone Z , nous dfinissons une
variable alatoire IR :
f (1 )-f ( 2 )
IR (Z )=
d (1 , 2 )
182
j =1
d (1 ,2 ) , et pour lequel lcart-type de IR (Z ) serait fini (ce qui nest pas acquis pour tout
bien sr). Sous lhypothse prise, cet cart-type fournira une information sur les variations de
pentes auxquelles lutilisateur pourra sattendre. En particulier, si IR (Z ) est suppos distribu
de faon gaussienne, alors son cart-type empirique correspondra un estimateur de K en
connaissance de . Des distributions de IR seront illustres dans la sous-section II-4.
II-2-4 Choix du sommet de scission
Une fois une zone Z + choisie parmi un ensemble de zones z , il va sagir de scinder la zone
en ajoutant un point lintrieur de celle-ci. De par nos choix prcdents, ce point se situera
sur lun des segments de lenveloppe convexe de la zone.
Pour la zone Z + , nous noterons C = {( j1 , j2 )}j , j lensemble des couples de sommets distincts
1
j1
, j2 = arg max d i , j
{(
C = i , j
(i , j )C
)} {
Dans le cas de plusieurs segments de longueur maximale, nous conviendrons que arg max
dsignera un segment choisi de faon uniforme parmi lensemble (fini) des segments de
longueur maximale.
Choisir le point de segmentation sur un segment de longueur maximale a le mrite de limiter
lapparition de simplexes trs dsquilibrs dans leurs longueurs de segment : en effet, la
connaissance de lappartenance de loptimum une zone est moins utile si cette zone est trs
allonge dans certaines directions. Le choix dun sommet conduisant galement la partition
des zones adjacentes, lapparition de simplexes trs dsquilibrs, si elle est ainsi limite,
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
183
nest toutefois pas absolument exclue. Une ide de la forme des zones ainsi obtenues en
dimension 2 est illustre par la figure 47, qui a t construite par scission du segment de plus
grande longueur de la zone choisie.
Lorsque des simulations sont opres au point + du segment choisi de sparation, la scission
des zones se fait ainsi :
Lensemble des zones z + contenant ce segment est dtermin (celles qui contiennent les
deux sommets du segment la fois).
Chacune des zones Z de lensemble z + est scinde en deux zones Z1 et Z 2 comme indiqu
dans le paragraphe II-2-1 de ce chapitre.
II-2-5 Schma de lalgorithme de scission systmatique
Les donnes en entre de lalgorithme sont les paramtres de rgularit et K , le nombre
de simulations n0 oprer en chaque point (nombre de tirages requis pour lestimation de la
S (Z ) . Lalgorithme est ici prsent de faon synthtique. Chacune des tapes de lalgorithme
est dtaille dans les sections prcdentes. Lexploitation des nombreuses donnes disponibles
en sortie de lalgorithme est dtaille dans la sous-section II-2-6 ci-aprs.
Algorithme 1 : algorithme scission systmatique
Entre: K , , n0 , n
Entre: z0 = {Z 0 }
pour j = 0 n - 1
Z i z j , calculer (Z i )
184
fin pour
* , m*
Sortie: m
Sortie: Z zn , V (Z ) , (Z )
Sortie: Z zn , S (Z) , f ( ) , e ( ) , Z ( )
Zones de confiance Nous supposons ici que lalgorithme de scission systmatique est termin,
par atteinte du critre darrt propos (nombre suffisant de tirages ici) : plus aucun tirage de
F ne sera donc opr.
Un estimateur de la valeur m * de lunique minimum global de f est fourni par lalgorithme.
Pour autant, nous recherchons essentiellement agir sur les paramtres, cest--dire obtenir
lensemble des paramtres susceptibles de conduire ce minimum, ce qui nous donnera
galement une indication sur la fiabilit du rsultat obtenu et sur les investigations futures
oprer, par exemple pour dpartager deux candidats potentiels. Nous cherchons donc un
ensemble discret (car il doit tre trait numriquement) sapprochant (selon une mesure qui
sera dfinie ultrieurement) de :
S x = { , E[F ( )] x}
pour tout x appartenant un voisinage de m * .
A lissue de lalgorithme, le domaine de recherche initial Z 0 est scind en un ensemble de
zones z . La dfinition des zones de confiance sera facilite si nous dfinissons le potentiel
dun point y compris sur les frontires qui peuvent appartenir plusieurs zones la fois (sur
les faces des simplexes). Les points appartenant plus dune zone formeront un ensemble de
volume nul. Toutefois, afin de lever toute ambigut pour ces points particuliers, nous
dfinirons pour chaque point une unique valeur de potentiel :
z ( ) = max Z ( )
Z z , Z
Lensemble des paramtres admissibles, que nous nommerons galement zone de confiance,
sera dfini pour un seuil s [0 ,1] comme lensemble des points candidats pour lesquels
f ( ) est potentiellement infrieur m * :
Sm*,s = { 0 , z ( ) s}
Lensemble 0 des points candidats pourra tre lensemble des points pour lesquels des
tirages ont t oprs, ou bien, lorsque cela facilite lusage futur de S m*,s , un ensemble de
points rgulirement espacs, pour un pas donn strictement positif :
1
0 = { , d }
Lorsque s est gal 0, tous les points de 0 sont retenus. Lorsque s augmente, lensemble
S
se restreint lensemble des paramtres pour lesquels f ( ) est trs proche de m * .
m*,s
185
m*
proposer, comme distance entre les deux ensembles S m* et S m* la distance de Hausdorff, pour
X ,Y :
d H ( X ,Y ) = max { sup inf d (x , y ), sup inf d (x , y ) }
y Y x X
x X y Y
Si X = S m*,s est lensemble propos et Y = S m* est lensemble cible, alors majorer le premier
terme du max indique que tout point de la cible Y est proche dun point de X (condition no
1). Majorer le second terme du max indique que tout point de X est proche dun point de Y
(condition no 2). Finalement, un point que nous proposons comme solution ne doit pas tre
trop loign dune solution relle, et une solution relle ne doit pas tre trop loigne dun
point propos comme solution. La distance de Hausdorff est donc parfaitement adapte
lobjectif recherch. Cette distance reprsente, pour le pire point de lun des ensembles, la
distance de ce point lautre des deux ensembles : elle fournit directement une ide de
lincertitude sur lensemble des paramtres conduisant loptimum. Nous obtenons donc un
critre de convergence en connaissance du rsultat recherch S m* :
(s) = d H S , S
m*,s
m*
O e reprsente lensemble des points explors. Ce critre fournit la pire distance dun point
solution au plus proche point explor. Il indique donc si tous les points solutions ont bien t
explors, et serait naturellement trs bon si e recouvrait . Ce critre na de sens que dans
la mesure o le nombre de tirages total de F est limit : il pourra notamment servir
comparer diffrents algorithmes pour un mme budget de tirages. Son avantage est de ne
requrir que lensemble des points de tirage successifs de F . Une limite de ce critre est
quun algorithme peut converger trs vite vers un optimum global sans avoir explor les zones
candidates, et donc en ayant pris un risque important : trouver rapidement le vrai optimum
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
186
global dune fonction nindique pas si la mthode est prudente ou non, et seule la
considration de la variabilit de la fonction entre les points de tirage permet de trancher cette
question (en un sens lusage dun potentiel). Une autre limite de ce critre est quil ne tient
pas compte de la prcision de lestimation de f aux points explors. Nous avons nanmoins
tenu le prsenter dans la mesure o il sagit dun des critres permettant de comparer
lalgorithme propos dautres algorithmes ne permettant pas le calcul de potentiels.
Il faut noter que du fait du caractre alatoire de la fonction observe et de lalgorithme
propos, ces critres devraient varier selon les excutions de lalgorithme. En toute rigueur,
pour un critre , la comparaison de plusieurs algorithmes sur une fonction test, pour un
mme budget de tirages autoris, devrait requrir lobtention des distributions de pour
chaque algorithme, puis lusage dun indicateur de risque, comme un quantile de . Une piste
pour le choix oprationnel des paramtres de lalgorithme est ltude approfondie du
comportement du critre choisi en fonction de ces paramtres.
( )
avec le choix ici opr (Z ) = V (Z ).Z BZ , BZ isobarycentre de la zone Z (cf. section II-2
de ce chapitre).
Majorer cet indicateur garantira en effet que pour toute zone Z z :
Soit que la prsence dun minimum global au point central est trs peu probable,
Z BZ tant suffisamment faible.
Soit que la zone est suffisamment petite et que le minimum potentiel a bien t explor,
V (Z ) tant suffisamment faible.
( )
Enfin, si nous cherchons assurer que chaque point ne conduira pas un minimum plus petit
que celui connu, pour un cart donn, un critre pourra tre :
(
)
4 = max z m* - ( )
0
Nous notons ici z m* ( ) le potentiel au point obtenu pour un minimum global estim m *
( )
(lindice suprieur m* tait rest implicite jusqu prsent pour ne pas alourdir les notations).
Dautres critres peuvent naturellement tre envisags. Un lment incontournable dans la
dfinition dun critre est la modlisation de f ( ) ou de lincertitude de f ( ) en dehors des
points dobservation : si f est ou est suppose extrmement erratique, toute zone sera
susceptible de contenir un point conduisant un optimum global, et le critre devra tre trs
diffrent de celui obtenu en supposant f trs rgulire. Cest un avantage des critres
proposs ici, lexception de 2 , mais cest galement une limitation puisque ces critres ne
sappliqueront quaux algorithmes proposant une partition de lespace en zones affectes dun
potentiel.
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
187
Jusqu prsent, chaque zone tait systmatiquement subdivise en deux. Or, il peut tre plus
avantageux, plutt que de subdiviser une zone, dajouter des simulations en des points dj
explors. Ce sera lobjet de cette sous-section.
II-3-1 Critres de scission
Supposons que nous estimons une esprance et un intervalle de confiance de la fonction
f ( ) , aux points explors 1 et 2 . Supposons que c soit le barycentre quipondr
(isobarycentre) entre ces deux points.
188
Envisageons de scinder un segment autour dun point barycentre non encore explor c . Si le
potentiel en ce point est grand essentiellement cause de lerreur de grille, il apparatra
raisonnable de scinder le segment et dexplorer c . Si le potentiel est grand essentiellement
cause de lerreur destimation, il paratra plus raisonnable au contraire de rduire cette
dernire en explorant davantage les sommets du segment. Le critre de scission que nous
retiendrons sera donc le suivant :
Critre no 1 : Scission si g ( c ) e ( c )
( ( ) ( )) (
g
K d 0 )
Ce dernier critre sinterprte alors trs aisment : la scission est opre si lerreur de grille
g = K d 0 est suprieure lerreur destimation ( e ) . En dimension d > 1, le critre
189
Quel que soit le sommet choisi pour lajout parmi les d +1 sommets existants, nous pouvons
donc donner un nouvel estimateur (Z + ) du potentiel de la zone choisie aprs ajout de n0
simulations. Si un sommet existant doit tre privilgi pour lajout, il semble logique de
convenir dun ajout sur celui de ces d + 1 points qui conduit minimiser cette valeur estime,
ce minimum tant not min :
( )
min = min+ Z +
( )
i S Z
n0 ajouts en i
Si au contraire une scission est envisage, deux zones Z1 et Z 2 seront formes. La scission
pourra tre privilgie, par exemple, si les potentiels estims sur ces deux zones sont tous
deux infrieurs min :
Entre: z0 = {Z 0 }
pour j = 0 n - 1
Z i z j , calculer (Z i )
190
fin pour
* et m*
Sortie: m
Sortie: Z zn , V (Z ) , (Z )
Sortie: Z zn , S (Z) , f ( ) , e ( ) , Z ( )
Lalgorithme 2 rcapitule le procd gnral de scission des zones. Lalgorithme permet de
construire chaque tape j lensemble des zones z j formant une partition de la zone de
recherche initiale Z 0 . Cet algorithme diffre de lalgorithme 1 par sa facult doprer un
nouveau tirage en un sommet dj explor de la zone explorer Z + , plutt que de
systmatiquement scinder Z + .
II-4 Applications numriques
191
Nous considrerons ici la fonction suivante dans le cas d = 2 (correspondant par exemple 3
poids dallocation dactifs se sommant 1).
f ( ) = (min (x , y ) - 0.1)2 + (max(x , y ) - 0.6)2
F ( ) = f ( ) + B (U - 0.5)
= (x , y )
avec U une variable alatoire uniforme sur [0,1]. Lesprance f de la fonction F admet
deux minima, lun en 1* = (0.1,0.6) , lautre en 2* = (0.6 ,0.1) , la valeur de f tant alors 0. A
titre indicatif, afin dimaginer les variations possibles de cette fonction, la fonction f atteint
son maximum sur Z 0 en = (0 ,0) et nous avons alors f ( ) = 0.37 (mais nous cherchons ici le
minimum, non le maximum). Un bruit pouvant conduire des variations damplitude de 0.1
entre deux points proches est donc assez lev au regard du domaine de variation [0, 0.37] de
la fonction sur la zone initiale de recherche. Un aperu de la fonction f est donn dans le
graphique 48.
192
Fig. 49 : Ensemble des points de simulations de F pour une variabilit K = 2 et un niveau de bruit
B = 0 (scission systmatique)
Dans le cadre de lalgorithme scission systmatique, nous utiliserons ici toujours les
paramtres suivants :
le nombre n de tirages raliss, sera n = 2000,
le nombre de tirages en chaque point sera n0 = 10,
le coefficient de priorit sera = 1 / (d + 1) = 1 / 3 , conduisant une moyenne gomtrique
des potentiels directionnels pour le potentiel dun point,
le seuil du critre de convergence 4 sera = 0.01 .
Par ailleurs, pour chaque illustration, nous prciserons
le niveau du bruit B frappant la fonction f ,
les coefficients de variabilit K et ,
le seuil s du critre de convergence 1 .
A titre de remarque, le graphique 47 prsente prcdemment a t obtenue avec la fonction
F voque ci-dessus, partir des paramtres ( K , ) = (1, 1.5) et B = 0.1 (et = 1 dans ce
seul cas).
II-4-2 Comportement de lalgorithme scission systmatique
Dans cette sous-section, nous allons observer le comportement de lalgorithme no 1 scission
systmatique, lorsque le niveau de variabilit K varie, pour diffrents niveaux de bruit B .
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
193
Dans ce paragraphe, le paramtre est ici fix, gal 1.5, et correspond un modle o les
pentes sont supposes suivre un mouvement brownien depuis un point daccroche (cf.
dfinition du potentiel directionnel dans les paragraphes II-2-2 et II-2-3 de ce chapitre).
A titre indicatif, nous mentionnerons dans la lgende de certains graphiques la valeur obtenue
r
pour le vecteur critre de convergence, = (1 (s ), 2 , 3 , 4 ()) , avec s gal 10 % du
potentiel maximal observ, et = 0.01. Le dtail du calcul de ces critres ainsi quune
analyse plus dtaille des valeurs numriques obtenues pour ceux-ci seront abords dans le
paragraphe II-4-5 de ce chapitre.
Pour un niveau de variabilit suppose de la fonction K = 2, illustr dans les graphiques 49,
50, et 51, lorsque le niveau de bruit passe respectivement par B = 0, B = 0.1 et B = 0.3,
nous observons bien lexploration prfrentielle des zones proximit des minimiseurs de f .
Bien entendu, cette exploration est plus tendue lorsque le niveau de bruit augmente, puisque
du fait de ce bruit, lassurance de labsence dautres optima locaux ncessite lexploration
dune zone plus vaste. Il faut noter que dans la pratique, ce niveau de bruit de F est
gnralement une donne exogne sur laquelle il nest pas possible dagir.
Pour un niveau de bruit fix B = 0.1, illustr dans les graphiques 50, 52 et 53, lorsque la
variabilit suppose de la fonction passe successivement par K = 2, K = 20 et K = 100,
nous observons un rsultat parfaitement logique : si le comportement attendu de la fonction
entre les points de tirage est suppos peu variable, lalgorithme se concentre sur les zones
proches des minimiseurs supposs. Dans le cas inverse, une variabilit extrme K = 100
conduit une rpartition quasi uniforme des points dexploration : avec une telle variabilit,
loptimum global de la fonction peut en effet se trouver dans nimporte quelle zone. Il faut
toutefois remarquer que la fixation dun seuil de variabilit K trop faible conduirait par
dfinition supposer que le comportement de la fonction est globalement connu entre les
points explors, ce qui conduit ngliger des zones pourtant susceptibles de contenir un
optimum. Larbitrage entre la rapidit de convergence vers les optima globaux et le risque
davoir nglig une zone dpendra donc largement de ce paramtre K .
Pour fix, la fixation du paramtre K est donc un problme dlicat, que nous aborderons
dans le paragraphe II-4-4. Elle pourra se baser en particulier sur les explorations prcdentes
de la fonction, sur dautres connaissances de celles-ci, ainsi que sur les contraintes
dimplmentation et de niveau de risque accept. Il faut noter ce sujet que rien dans le
modle noblige fixer cette valeur constante sur lensemble de la zone de recherche, et quil
est galement possible de tenir compte dune variabilit particulire de la fonction sur
certaines zones.
En rsum, pour lalgorithme no 1 scission systmatique, lalgorithme vise essentiellement
rpartir des points dexploration, en dlaissant temporairement certaines zones non
susceptibles de contenir le minimum. Selon les paramtres choisis et la fonction optimise, le
comportement attendu est le suivant, conforme ce que nous avons pu observer :
Lorsque le bruit est important devant les variations de la fonction, ou lorsque
lincertitude sur la variabilit de la fonction K est leve, lalgorithme explore assez
194
uniformment la fonction, de faon similaire aux traditionnelles grilles de recherche pas fixe
voques prcdemment.
Lorsque le bruit nest pas trop lev et lorsque la variabilit de la fonction K est
faible, les points de tirage se concentrent sur les zones contenant les points solutions
supposs, le comportement de la fonction tant suppos sans surprise entre les points dj
explors.
Fig. 50 : Ensemble des points de simulations de F pour une variabilit K = 2 et un niveau de bruit
r
B = 0.1 (scission systmatique), = (0.10, 3.5E-03, 6.8E-07, 1.9E-2)
195
Fig. 51 : Ensemble des points de simulations de F pour une variabilit K = 2 et un niveau de bruit
r
B = 0.3 (scission systmatique), = (0.13, 5.9E-03, 1.6E-06, 5.8E-2)
Fig. 52 : Ensemble des points de simulations de F pour une variabilit K = 20 et un niveau de bruit
r
B = 0.1 (scission systmatique), = (0.45, 2.2E-03, 7.3E-05, 0.72)
196
Fig. 53 : Ensemble des points de simulations de F pour une variabilit K = 100 et un niveau de
Fig. 54 : Ensemble des points de simulation de F pour un niveau de bruit B = 0.1, critre de
scission no 2, pour une variabilit ( K ; ) = (1, 1.5), et un nombre minimal de tirage
r
n0 = 10. La surface des bulles est proportionnelle au nombre de tirages de F en chaque point. =
(0.085, 8.8E-03, 3.1E-05, 8.2E-04)
197
Fig. 55 : Ensemble des points de simulation de F pour un niveau de bruit B = 0.2, critre de
scission no 2, pour une variabilit ( K , ) = (1, 1.5), et un nombre minimal de tirage
r
n0 = 10. La surface des bulles est proportionnelle au nombre de tirages de F en chaque point. =
(0.10, 8.8E-03, 6.7E-05, 6.2E-03)
Fig. 56 : Ensemble des points de simulation de F pour un niveau de bruit B = 0.2, critre de
scission no 1, pour une variabilit ( K , ) = (1, 1.5), et un nombre minimal de tirage
r
n0 = 10. La surface des bulles est proportionnelle au nombre de tirages de F en chaque point. =
(0.10, 0.011, 1.5E-05, 1.6E-02)
198
Les deux graphiques 54 et 55 illustrent les retirages qui peuvent soprer sur des sommets
dj explors, afin damliorer la connaissance de la fonction f en ces points. Pour ces
figures, nous avons utilis le critre de scission no 2 envisageant lamlioration du potentiel
aprs ajout de n0 simulations (cf. II-3-1 de ce chapitre). Lorsque le niveau de bruit est B =
0.1, le graphique 54 montre que les retirages ont essentiellement lieu autour des points
solutions supposs, lorsquil nest plus seulement ncessaire davoir une ide de la zone o se
situe un minimiseur, mais quil faut galement estimer avec prcision la valeur m * de
loptimum atteint. Lorsque le bruit augmente, cela tend naturellement disperser un peu les
points dexploration, et favorise le retirage, dans la mesure o lincertitude en certains points,
du fait du bruit, devient plus forte que lincertitude lie la variation de la fonction entre les
points de la grille.
Le graphique 56 illustre un choix de scission sur critre no 1 comparant directement erreur de
grille et erreur destimation (cf. II-3-1 de ce chapitre) : elle donne une ide de limpact du
choix du critre de scission, qui conduit un comportement proche pour les deux critres. Les
retirages sur des sommets existants se font lorsque la prsence du minimum est suffisamment
vraisemblable et que lincertitude pesant sur les sommets de la zone doit tre diminue.
Pour les deux critres abords ici, il faut enfin noter que pour un niveau de bruit nul, aucun
retirage nintervient (les graphiques illustrant ce rsultat, qui conduisent au graphique 49, ont
toutefois t omis). Cela est logique dans la mesure o ces retirages napporteraient rien la
connaissance de la fonction f .
Pour lalgorithme avec retirages possibles, le comportement attendu est le suivant, conforme
ce qui a t observ :
Lorsque le bruit est faible, ou plus forte raison lorsque F est dterministe, la seule
incertitude rside dans le comportement de la fonction entre les points, et lalgorithme cre
systmatiquement de nouveaux points de tirage.
En prsence dun bruit, les points de retirage se concentrent dans les zones petites,
gnralement proches dun point solution. Pour ces points, la rduction de lerreur de grille,
faible sur de courtes distances, est moins prioritaire que la rduction de lerreur destimation.
B= 0
scission syst.
n=10
n=100
n=1000
K
0.635
0.946
1.074
1.505
1.592
1.566
B = 0.1, e =0
scission syst.
K
0.475
0.392
0.112
1.212
1.063
0.515
B = 0.1, e estim
scission syst.
K
0.474
0.645
0.554
1.214
1.374
1.221
B =0.1, e estim
avec retirages.
K
0.449
0.947
0.599
1.277
1.585
1.203
199
la fonction f aux points explors. Cette colonne 2 est donne titre indicatif, dans la
mesure o il est parfaitement possible de tenir compte des erreurs destimation aux points
explors (cf. colonnes 3 et 4).
La non prise en compte des erreurs destimation explique le coefficient infrieur dans le cas
bruit, qui correspond bien une incertitude accrue sur les petites distances, du fait du bruit
support par f . Ce phnomne est dautant plus marqu que les zones sont petites (ici
lorsque n est grand). Dans le cas bruit, le coefficient infrieur est toutefois compens par
une pente K infrieure. Enfin, dans les troisime et quatrime colonnes, lestimation est
mene sur des donnes bruite, en tenant compte cette fois du bruit e aux points explors. La
troisime colonne prsente une estimation issue dun dcoupage par scission systmatique des
zones, tandis que la quatrime prsente une estimation issue de lalgorithme avec retirages
possibles. Les paramtres observs sur ces colonnes 3 et 4 peuvent varier un peu, notamment
lorsque le nombre de segments utiliss pour lestimation est rduit.
Toutefois, dans les observations que nous avons pu mener, une valeur moins leve de
(volatilit suprieure sur de courtes distances) est systmatiquement compense par une
valeur moins leve de K (volatilit globale infrieure) : nous aborderons ce point par
lobservation des carts-types de la variable alatoire IR dans le graphique 58.
Le comportement de lalgorithme initialis avec les diffrents paramtres optimaux obtenus
est rest assez stable dans les exemples que nous avons tests. Cest ce quindique le
graphique 57, qui prsente les points dexploration obtenus, lorsque B = 0.1, pour
lalgorithme initialis avec les paramtres estims hors bruit pour n = 1000,
( K , )=
200
IR (Z ) =
f (1 ) - f (2 )
d (1 ,2 )
Le dtail de la cette variable alatoire et des tirages uniformes sur une zone Z est donn dans
la sous-section II-2-3 de ce chapitre. Lcart-type de cette variable alatoire fournit des
informations sur la variation des pentes observes sur la zone en fonction de la distance
considre. Comme nous pouvons le voir dans le graphique 58, ces carts-type sont
lgrement suprieurs dans le cas de la demi-zone Z1 correspondant la partie de situe au
dessus de la droite dquation y = x .
Cela est logique dans la mesure o f a la forme dune cuvette sur cette zone et non plus de
deux cuvettes, les pentes sont ici en moyenne un peu plus abruptes que lorsque nous relions
deux points dune mme cuvette, plutt que deux points de cuvettes diffrentes. Nous
pouvons remarquer que les ordres de grandeurs trouvs par maximum de vraisemblance sont
tout fait conformes lcart-type empirique de IR , notamment de celui de IR (Z1 ) , dans la
mesure o ds la premire itration de lalgorithme, le simplexe initial est scind en une zone
Z1 et sa zone complmentaire.
La variable IR nest pas utilise par lalgorithme, mais fournit une indication sur lerreur
faite a priori sur la rgularit de la fonction objectif selon le modle propos. Mme il ne
sagit pas ici de fournir une tude exhaustive de la distribution de IR , qui dpend
naturellement de la fonction objectif utilise, il nous a paru intressant de montrer quelle
pouvait tre la nature de cette erreur de modle sur les donnes ici testes. Le rsultat de cette
analyse apparat dans le graphique 59.
Sur notre fonction objectif, la distribution a posteriori de IR sest rvle finalement assez
proche de la distribution a priori suppose gaussienne, notamment pour = 1.2. Pour des
plus levs, la prsence de nombreuses valeurs trs leves se traduit par une lgre sousvaluation de la frquence des pentes trs leves, et une sur-valuation de la frquence des
pentes moyennes : la distribution observe a posteriori semble leptokurtique. Il est galement
possible que la distribution de IR volue au fur et mesure des dcoupages.
Ces rsultats indiquent quil appartient lobservateur dintgrer une ventuelle prudence, en
surestimant par exemple le coefficient K ou en sous-estimant le coefficient , et quil est
aussi envisageable de modifier a posteriori la distribution suppose des pentes, ou le kurtosis
de la distribution, lhypothse gaussienne pouvant servir de distribution a priori lors dune
infrence bayesienne.
Un cart important peut galement indiquer une erreur dans le choix du coefficient , le
modle devant conduire un IR proche dune loi normale pour un dterminer, non pour
tous. Remarquons toutefois que, convolus avec lerreur destimation en chaque point, les
carts observs peuvent en partie sestomper. Dautre part, si la hirarchie entre les zones les
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
201
plus susceptibles de contenir un optimum global peut se trouver affecte par le dcalage
observ, elle nest pas non plus radicalement remise en cause, le coefficient daplatissement
de la distribution utilis ayant peu dincidence pour des valeurs de f proches de la valeur
* , le
estime de loptimum global (pour une zone dont les sommets conduiraient f ( ) = m
i
potentiel en tout point de la zone serait gal 1, quel que soit le coefficient daplatissement de
la distribution utilise) : le potentiel est utilis pour oprer un arbitrage entre diffrents points
dexploration possibles, non pour prvoir prcisment le comportement de la fonction en ces
points.
Fig. 57 : Points dexplorations obtenus, lorsque B = 0.1, avec les paramtres estims hors bruit,
( K , )= (1.0743, 1.5665) ( gauche) ou estims en prsence de bruit ( K , ) = (0.5545; 1.2209) (
droite)
202
potentiel tait suprieur au seuil s fix. Il est enfin rappel que le critre 2 est construit sur
lensemble e des sommets explors, et le critre 3 sur lensemble des zones construites (cf.
II-2-6) :
Sm*,s = { 0 , z ( ) s}
(s ) = d H S , S
m*,s
m*
2 = sup inf d (x , y )
y S m* x e
3 = max (Z )
Z zn
203
4 = max z m* - ( )
0
Fonction objectif non bruite Bien que cette situation idale ne soit pas celle nous dsirons
traiter dans la pratique, nous avons tout dabord vrifi numriquement la convergence de
lalgorithme sur la fonction test non bruite, dans le cas B = 0.
Les rsultats numriques obtenus pour les critres de convergence apparaissent dans le
* tait suppos ne pas souffrir
tableau 35. Du fait de labsence de bruit, le minimum estim m
derreur destimation. Nous avons titre indicatif ajout dans le tableau 35 une ligne
indiquant les rsultats obtenus tenant compte dune erreur de grille m* pour ce minimum,
s =90 %, m* =0
s =5 %, m* =0
s =5 %, m* >0
1 (s )
2.53 E-04
4.32 E-03
6.46 E-03
2
3.45 E-05
3.45 E-05
1.38 E-04
3
2.43 E-08
2.43 E-08
2.28 E-07
4
0
0
0
(erreur de grille)
Tab. 35 : Critres de convergence obtenus par lalgorithme lorsque B = 0, pour = 1 et = 1.6,
avec ou sans prise en compte derreur de grille pour m *
1 (s )
7.83 E-02
0.11
5.92 E-02
2
2.21 E-03
8.84 E-03
2.21 E-03
3
1.32 E-06
1.82 E-05
6.14 E-06
4
3.24 E-02
3.99 E-02
4.58 E-02
Tab. 36 : Critres de convergence obtenus pour les algorithmes avec ou sans retirage
204
Fig. 60 : Points dexplorations obtenus pour lalgorithme scission systmatique, cas a, lorsque B
= 0.1, avec les paramtres ( K , ) = (0.6, 1.2) ( gauche). Zone finalement retenue S m*,5% avec un
seuil de 5 % ( droite)
Fonction objectif bruite Nous avons compar les rsultats obtenus par lalgorithme scission
systmatique, ainsi que par lalgorithme retirage pour les critres de scission no 1 et no 2. Les
graphiques 60, 61 et 62 illustrent cette comparaison. Ces figures ont t obtenues pour un
niveau de bruit B = 0.1, des paramtres de rgularits ( K , ) = (0.6, 1.2), pour n = 2000
points de tirage ou retirage, avec un seuil minimal de n0 = 10 tirages par points. Dans ces
figures apparaissent les nuages de points de tirage, ainsi que les zones de confiance proposes
S m*,5% . Du fait de labsence de prise en compte derreur de grille pour m * , et du fait du seuil
s utilis, il est possible quun point solution soit trs proche mais en dehors dune zone de
confiance.
Les trois algorithmes se comportent correctement, et conduisent la proposition de zones de
confiance dans le voisinage direct des points solutions. Du fait du bruit frappant la fonction
f , nous observons que des zones trs proches peuvent tre tantt exclues, tantt englobes
dans S m*,s . Les zones de confiance ainsi bties sont donc trs fractionnes, mais bien
localises. Le critre no 2 bas sur lestimation des potentiels aprs ajout de n0 tirages, a
conduit une zone de confiance lgrement moins disperse autour des solutions connues.
Les rsultats sont rcapituls pour ces mmes tirages dans le tableau 36. Au regard du critre
1 (5%) , lalgorithme retirage fournit sur ces donnes les meilleurs rsultats pour le critre
no 2.
Ces rsultats peuvent nanmoins varier dune excution lautre du fait du caractre alatoire
du bruit pesant sur f et du caractre stochastique de lalgorithme. Ltude de la distribution
de 1 (s) constitue cet gard un champ dinvestigation intressant.
205
Fig. 61 : Points dexplorations obtenus pour lalgorithme avec retirage, cas b, critre de scission no 1
de comparaison des erreurs de grille et destimation, lorsque B = 0.1, avec les paramtres
( K , )= (0.6, 1.2) ( gauche). Zone finalement retenue S m*,5% avec un seuil de 5 % ( droite)
Fig. 62 : Points dexplorations obtenus pour lalgorithme avec retirage, cas c, lorsque
B = 0.1,critre de scission no 2 considrant lajout de n0 observations, avec les paramtres
( K , )= (0.6, 1.2) ( gauche). Zone finalement retenue S m*,5% avec un seuil de 5 % ( droite).
206
Priorit
absolue
relative
absolue
relative
absolue
relative
absolue
relative
bruit B
0.1
0.1
0
0
0.1
0.1
0
0
(K , )
1 (s )
(0.6, 1.2)
(0.6, 1.2)
(0.6, 1.2)
(0.6, 1.2)
(1, 1.6)
(1, 1.6)
(1, 1.6)
(1, 1.6)
9.23 E-02
8.87 E-02
3.61 E-02
6.18 E-02
9.79 E-02
8.69 E-02
1.26 E-03
2.57 E-03
2.21
2.76
5.52
5.52
2.21
1.61
3.45
3.45
E-03
E-03
E-04
E-04
E-03
E-03
E-05
E-05
6.46
3.78
1.17
6.77
2.04
1.01
3.17
2.57
E-08
E-07
E-06
E-06
E-07
E-06
E-09
E-08
4 ( )
1.08 E-02
9.57 E-03
0
8.05 E-05
4.72 E-02
1.79 E-02
0
0
Tab. 37 : Comparaison des critres de convergence pour les choix priorit relative (exploration dune
zone avec une probabilit proportionnelle son potentiel) ou priorit absolue (exploration de la zone
de meilleur potentiel)
Impact de la priorit Nous avons omis ici les graphiques qui permettaient de discuter du choix
de , paramtre prsent dans la sous-section II-2-2. Nos observations nous conduisaient
un impact limit de ce paramtre. Dans les lignes suivantes, nous allons nanmoins voquer
plus prcisment le choix de la priorit accorde la zone de meilleur potentiel.
Jusqu prsent, la zone subdiviser ou explorer tait choisie avec une probabilit
proportionnelle au potentiel de la zone (choix qualifi ici "priorit relative"). Il est galement
envisageable de ne plus choisir la prochaine zone de faon stochastique, mais de choisir de
faon dterministe zone de meilleur potentiel (choix qualifi ici "priorit absolue"). Cela
revient traiter une question dj aborde : choisir entre explorer davantage la fonction, ou
privilgier la vitesse en explorant en priorit une zone prometteuse, au risque dignorer un
optimum global.
Les paramtres ( K , ) permettent justement doprer cet arbitrage. Si ces paramtres sont en
partie estims, ce dernier choix de priorit relative versus absolue conduit un arbitrage
naturellement diffrent. Dans les applications numriques opres, ce choix na pas eu
beaucoup dincidence, notamment en prsence de bruit.
Le tableau 37 rcapitule les rsultats obtenus avec le choix de priorit relative ou le choix
absolue. Nous nous sommes plac pour cette application dans un cadre de scission
systmatique (pas de retirages), avec un nombre de tirages n = 2000. Pour le critre 1 , nous
avons bti lensemble solution propos laide dun seuil s gal 10 % du meilleur potentiel
observ, en conservant ainsi une part notable des solutions possibles.
Rappelons que le choix dun seuil suprieur conduit rtrcir les zones de confiance autour
des optima trouvs, et peut amliorer de faon importante le critre de convergence 1 ,
comme nous pouvons le constater en comparant ces rsultats avec ceux du tableau 36. Ce
critre 1 nest donc pas comparable dautres critres qui seraient obtenus avec dautres
seuils. Par ailleurs laugmentation du seuil s augmenterait le risque dignorer un optimum
global, et le critre 1 pourrait alors tre brutalement dgrad.
Remarquons tout dabord dans le tableau 37 la bonne exploration des voisinages de chacun
des points solutions : dans tous les cas, aprs 2000 itrations, des points ont t tirs une
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
207
distance 2 infrieure 3.10-03 de chacune des solutions, avec des zones de confiance dun
rayon 1 raisonnable autour des solutions (quil est possible de rduire en augmentant le seuil
s ). En labsence de bruit, des tirages sont obtenus, avec ( K , )= (1, 1.6), une distance trs
rduite denviron 3.10-05 de chaque point solution.
Au vu des mesures effectues dans ce tableau 37, le choix priorit relative ou priorit absolue
a surtout un impact dans les situations non bruites o les paramtres ( K , )= (1, 1.6)
privilgient une moindre exploration. Dans ce cas, la convergence est assez rapide, et le choix
priorit absolue conduit un zone de confiance de diamtre faible 1 = (1.2).10-03, plus faible
que dans le cas priorit relative. Dans les autres cas, il apparat que les mesures ne sont pas
radicalement perturbes par ce choix, notamment dans le cas dun bruit B non nul.
(k )
( )
( )
(n )
= x - an
F (
( n +1)
(n )
F ( n ) + c n e y - F ( ( n ) )
= y - an
(n )
+ c n e x ) - F (
cn
(n )
cn
208
Par ailleurs, les suites {a n } et {c n } semblent dlicates choisir, et les crits de Broadie et al.
[2009] mentionnent une grande sensibilit du comportement de lalgorithme en fonction de
ces choix. En labsence suppose dautres informations sur f , nous avons opt pour un choix
par dfaut classique de a n = 1 / n et c n = 1 / n1 / 4 , choix propos en premire page dans
larticle originel Kiefer, Wolfowitz [1952]. Les paramtres a n = a 0 / n , c n = c0 / n 1 / 3 , n 1,
prsents dans Broadie et al. [2009] conduisaient ici des rsultats dcevants pour
a 0 = c0 = 1 et les quelques choix alternatifs tests, mais nous navons pas cherch
spcifiquement trouver a posteriori les meilleurs paramtres, pour une fonction f suppose
inconnue.
En consquence, les rsultats numriques obtenus ici sont reprsentatifs dun type de
trajectoire classiquement obtenue lors dune descente stochastique de gradient, mais
certainement amliorables en terme de vitesse de convergence, les suites {a n } et {c n }
pouvant tre modifies cette fin.
Dans la plupart des illustrations prcdentes, pour lalgorithme scission systmatique, n0 =
10 tirages taient oprs en chacun des points explors, pour un budget de 2000 points
dexploration. Le budget global de tirage de F tait donc de 2000 n0 tirages. Le graphique
63 rend compte des points de tirage obtenus par lalgorithme de Kiefer-Wolfowitz- Blum,
pour 2000 points de tirage dune fonction F soumise un bruit B / n0 (figure de gauche),
ou pour 2000 n0 tirages dune fonction F soumise un bruit B (figure de droite). Le nombre
global de tirage correspond ainsi celui des illustrations prcdentes. Le point initial a t tir
alatoirement, de faon uniforme, sur le simplexe initial (cf. Smith et Tromble [2004]).
Sur le graphique 63, nous constatons tout dabord la prsence de trois sries de points,
correspondant lensemble des points suggrs, ainsi quaux points dcals verticalement et
horizontalement pour lestimation du gradient (points dcals respectivement vers le haut et
vers la droite). Les points sont initialement assez espacs ( a n grand) puis sont de plus en plus
proches au fil des tirages ( a n petits, lorsque nous sommes en principe proche dune solution).
Sur les donnes moins bruites (figure de gauche), les gradients estims sont moins erratiques,
les directions choisies dun point lautre tant plus stables.
Ce graphique 63 est essentiellement intressant dans la mesure o il marque bien les
diffrences dapproches et de finalit entre les algorithmes de descente stochastique de
gradient et lalgorithme propos dans le prsent travail. Concernant lalgorithme de KieferWolfowitz- Blum, nous pouvons notamment faire les constats suivants :
En dehors de lespace occup par les trois trajectoires qui se dessinent, la fonction F
est trs peu explore sur le reste de la zone de recherche, et est donc susceptible dignorer des
optima globaux. Cela est logique dans la mesure o nous nexigeons normalement pas dun
algorithme doptimisation locale quil fournisse un optimum global.
Par ailleurs, mme en prsence suppose dun unique optimum, la construction de
zones de confiance pour loptimum, partir des trois trajectoires obtenues, semble ici
dlicate.
209
Des points lextrieur du simplexe initial Z 0 ont pu tre tirs, dans la mesure o
f ( ) pouvait prendre ici des valeurs en dehors du simplexe initial, mais lexploitation de cet
algorithme supposerait lintroduction pralable de contraintes.
Lalgorithme se comporte ici de faon cohrente dans la mesure o la fonction f est
suffisamment rgulire sur une grande partie du simplexe initial (en dehors de la premire
diagonale). La situation serait bien diffrente en cas de non-drivabilit de f sur lessentiel
du domaine Z 0 .
Sagissant des critres de convergence, lalgorithme de Kiefer-Wolfowitz-Blum ne permet
malheureusement pas a priori de partitionner la zone de recherche initiale Z 0 en plusieurs
zones.
En consquence, nous ne calculerons pas ici de potentiel. En supposant que e dsigne
lensemble des points de tirage obtenus, nous rutiliserons donc le critre 2 :
2 = sup inf d (x , y )
y S m* x e
Ce critre permet de savoir sil existe des points de tirage proches de chacune des solutions.
Lalgorithme de Kiefer-Wolfowitz-Blum recherchant une unique solution est trs fortement
pnalis par ce critre, car il peut converger vers une solution tout en ayant des points
dexploration trs loigns des autres solutions. Un second critre retenu spcifiquement pour
cet algorithme sera :
~
2 = inf inf d (x , y )
y S m* x e
Ce dernier critre indique juste sil existe des points de tirage proches de lune des solutions.
Les rsultats obtenus sont indiqus dans le tableau 38, qui correspond aux courbes du
graphique 63.
Dune part, lalgorithme de Kiefer-Wolfowitz-Blum ne recherche quun optimum local. Nous
devrions donc obtenir un critre 2 de convergence vers un optimum global trs dgrad par
rapport lalgorithme de scission systmatique, ce qui est bien le cas.
Dautre part, la recherche dun optimum local doit intuitivement tre moins coteuse que la
recherche dun optimum global. Les points explors prs dune unique solution devraient tre
plus proches de la solution pour un algorithme doptimisation locale et nous devrions obtenir
un critre 2 meilleur. Ce nest pas le cas ici : les mesures de 2 obtenues avec lalgorithme
scission systmatique ont conduit (cf. tableau 37) des points toujours tirs une distance
2 infrieure 3.10-3 de chaque solution. Or, la distance ~
2 la solution la mieux explore est
encore infrieure 2 . Lalgorithme de Kiefer-Wolfowitz Blum a conduit quant--lui des
rsultats de lordre de 0.2 pour la distance 2 , et 3.10-2 pour la distance ~
2 . Notre algorithme
a donc t ici localement et globalement plus performant. Ce dernier constat est sans doute li
labsence doptimisation spcifique des squences {a n } et {c n }, qui reste toutefois dlicate
oprer a priori sur une fonction suppose inconnue.
210
Fig. 63 : Points dexplorations obtenus pour lalgorithme Kiefer-Wolfowitz-Blum, pour 2000 tirages
2
0.2058
0.2248
~2
6.35 E-02
3.34 E-02
Tab. 38 : Critres de convergence obtenus avec lalgorithme de Kiefer-Wolfowitz (pour des squences
{a n } et {c n } non spcifiquement optimises)
II-5 Conclusion
Nous avons prsent un algorithme permettant de rechercher des paramtres de d conduisant
minimiser, globalement, une fonction relle bruite. Lalgorithme permet galement de
construire des zones de confiance autour des paramtres solutions supposs. Lapproche
retenue sappuie sur la dfinition du potentiel dune fonction en un point, et sur la mesure de
lincertitude frappant la fonction objectif entre les points dj explors. Cette incertitude
dcoule dune part des erreurs destimation aux point explors, dautre part des erreurs de
grille lies la distance entre un point considr et les points explors alentours.
Lalgorithme permet de moduler facilement, au moyen des deux paramtres K et
, la ritration de tirages dans un voisinage des points solutions dcouverts, ou linverse
lexploration de la fonction dans des zones encore peu explores. En outre, une procdure
destimation de la rgularit fonction objectif f permet dajuster les valeurs de ces deux
paramtres.
Pour des dimensions pas trop leves, une tude a galement t effectue (cf. Rullire et al.
[2010]). Les rsultats obtenus montrent que le comportement de lalgorithme est assez
convaincant sur de nombreux points, comme sa capacit dexploration globale du domaine, sa
capacit privilgier les zones proches des optima, sa faible exigence sur la rgularit de la
fonction objectif, son adaptation un bruit nul comme un bruit lev. Toutefois, lorsque la
dimension du problme devient grande, lalgorithme conduit des rsultats proches de ceux
obtenus par une exploration uniforme du domaine initial. Lanalyse dtaille de la vitesse de
convergence de lalgorithme et lamlioration ventuelle de cette vitesse en grande dimension
constituent une suite logique de cette tude.
211
Conclusion du chapitre 2
Le paysage des rgimes de retraite en France est diversifi. Une panoplie large de contraintes
et dobjectifs peut tre rencontre en pratique. Dans ce cadre, nous avons propos une
modlisation du rgime-type de retraite tout en tudiant certains critres dallocation
stratgique dactifs (en fonction du type du rgime : provisionn, partiellement provisionn,
etc.). La stratgie Fixed-Mix, une des rfrence en matire dallocation dactifs, a t ensuite
explore et mise en uvre dans le cas dun rgime de retraite partiellement provisionn. Le
souci de rduction des temps de calcul lors de cette mise en uvre nous a conduits proposer
un algorithme doptimisation numrique par exploration slective .
Il sagit dun algorithme qui vise montrer lintrt et la faisabilit technique dune grille
pas variable, susceptible de rpondre au problme du choix entre exploration et connaissance
dune fonction alatoire. Lapproche propose ici se voulait simple, avec notamment la
dfinition dun potentiel directionnel pour une unique dimension, puis lagrgation de
potentiels directionnels sur lensemble des dimensions. Il est possible que de nombreux autres
choix puissent tre faits pour la mesure du potentiel dun point et dune zone. Les techniques
dagrgation et de tirages peuvent galement tre amendes de faon amliorer lefficacit
de lalgorithme sur des architectures parallles.
Dans le chapitre suivant, nous essayons dtudier, sur un autre plan, le problme dallocation
stratgique dactifs. Lobjectif sera, cette fois-ci, de modifier la stratgie dallocation et
dtudier leffet sur le rsultat final. En particulier, nous explorons diffrentes techniques
permettant de nous positionner dans un contexte dallocation dynamique, diffrent de celui
considr jusque l avec lallocation poids constants (Fixed-Mix).
212
Dans le chapitre prcdent, le cadre gnral pour la mise en place dun modle de gestion
actif-passif bas sur la stratgie Fixed-Mix a t prsent : ce type de modle suppose un
rebalancement priodique des actifs, de faon garder constante la composition du
portefeuille financier au dbut de chaque sous priode. Mme si la stratgie Fixed-Mix a le
mrite de prendre en compte l'aspect alatoire des scnarios conomiques et financiers, cette
stratgie peut tre critique du fait quelle ne suppose pas une flexibilit des positions futures
sur le march face aux diffrents scnarios projets de rendement. Plus prcisment, cette
approche ne permet pas dutiliser compltement linformation qui arrive au fur et mesure
dans le temps pour optimiser le choix de lallocation stratgique (cf. Zenios [2007]).
Une autre approche, tourne vers le futur ( forward-looking ) et permettant dintgrer
laspect dynamique dans la composition du portefeuille serait a priori dune importance
majeure. L'lment cl de distinction entre les deux stratgies (dynamique et Fixed-Mix) se
situe au niveau des compositions des portefeuilles tests par le moteur d'optimisation, tout au
long de la priode de projection.
Dans le cas de la stratgie Fixed-Mix, nous partons t=0 d'un vecteur de poids unique (ex.
40 % actions et 60 % obligations) et constant (puisque nous supposons un rebalancement
priodique, par exemple annuel, de la composition du portefeuille vers ce vecteur). Nous
calculons in fine (ex. t=10 ans) les indicateurs risque/rendement correspondant. Ce calcul est
appliqu pour diffrents vecteurs. Le but est de comparer les indicateurs relatifs aux diffrents
vecteurs de poids pour finalement choisir celui qui optimise les critres d'allocation retenus.
L'allocation stratgique optimale correspond dans ce cas au vecteur de poids optimal.
Dans le cas d'une stratgie dynamique, nous nous autorisons la possibilit davoir des
compositions intermdiaires de poids diffrentes (ex. entre t=0 et t=10 ans). L'ensemble de
ces compositions (ou vecteurs) intermdiaires donnera lieu ce que nous pouvons appeler un
chemin d'allocation. L'objectif dans le cadre de la stratgie dynamique est de comparer les
indicateurs risque/rendement obtenus par chaque chemin pour finalement retenir celui qui
optimise les critres retenus d'allocation. Nous aurions dans ce cas un chemin optimal ainsi
qu'une allocation stratgique optimale (correspondant au vecteur de poids de la date t=0).
Lallocation statique de type Fixed-Mix peut tre considre comme un cas particulier de
l'allocation dynamique : pour cela, il suffit de la voir comme une allocation dynamique avec
des vecteurs intermdiaires identiques au vecteur de poids initial. Nous remarquons galement
que pour chacune des deux stratgies voques ci-dessus, la composition intermdiaire du
portefeuille est suppose tre ajuste mais selon deux rgles diffrentes : tandis qu'avec la
stratgie Fixed-Mix cet ajustement a pour but de converger vers un vecteur constant
(rebalancement), l'ajustement de poids dans la stratgie dynamique cible la convergence vers
des vecteurs, a priori, diffrents du vecteur de poids initial ( t=0).
En pratique, lajustement intermdiaire des poids peut ne pas avoir lieu : par exemple nous
pouvons considrer le cas o t=1, nous recalculons des allocations optimales (compte tenu
des nouvelles informations arrives entre t=0 et t=1), et que ce nouveau calcul donne des
rsultats d'allocations optimales diffrentes. Dans ce cas, lallocation optimale initiale (celle
de t=0) est dlaisse en faveur de celle calcule t=1.
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
213
Dans ce chapitre, les modles classiques dALM dynamiques sont explors, notamment les
techniques dassurance de portefeuille (cf. Perold et Sharpe [1988]) et les techniques de
programmation dynamique (cf. Cox et Huang [1989], Merton [1971]). A ce niveau, les
techniques dassurance de portefeuille bases sur la notion de CPPI ou Constant Proportion
Portfolio Insurance (cf. Perold et Sharpe [1988]) sont mises en place et certains rsultats
relatifs ce modle sont tudis. De mme, les principes des techniques de programmation
dynamique sont galement mis en vidence.
Les principes des techniques de programmation stochastique sont ensuite prsents. Ces
techniques sont adaptes dans un contexte d'allocation stratgique d'actifs et d'ALM d'un
rgime de retraite typique (partiellement provisionn). Nous proposons, au cours de la mme
tude, une nouvelle mthodologie de gnration de scnarios conomiques que nous appelons
mthodologie des quantiles de rfrence . A travers une application numrique, nous
comparons certains rsultats relatifs aux deux approches dallocation stratgique dactifs :
celle base sur la stratgie Fixed-Mix et celle base sur les techniques de programmation
stochastique. Nous testons galement la sensibilit de cette dernire approche par rapport au
changement de certains de ses paramtres, toutes choses tant gales par ailleurs.
214
pourrons envisager le cas simplifi o les expositions sur les marchs sont revues, de faon
tactique, selon la rgle de gestion suivante : la rduction des poids des classes dactifs o le
risque a de forte chance de crotre et le renforcement des classes dactifs ayant un potentiel de
rendement positif lev. Lallocation tactique se base essentiellement sur des analyses courttermistes du profil rendement/risque de chacune des classes dactifs.
Dans ce qui suit, nous prsentons brivement les modles classiques dALM dynamiques,
notamment les techniques dassurance de portefeuille (cf. Perold et Sharpe [1988]) et les
techniques de programmation dynamique (cf. Cox et Huang [1989], Merton [1971]). A ce
niveau, les techniques dassurance de portefeuille bases sur la notion de CPPI ou Constant
Proportion Portfolio Insurance (cf. Perold et Sharpe [1988]) sont mises en place titre
illustratif.
I-2-1 Principe
Lobjectif de lassurance de portefeuille est de permettre aux investisseurs de participer la
performance du march, tout en leur offrant une protection maturit dune proportion du
capital initial investi. Cette technique peut sinscrire parmi les stratgies de gestion
dynamique dun surplus dans le cadre de lALM.
Une des mthodes standards dassurance de portefeuille est la mthode dite de lassurance
de portefeuille proportion constante (en anglais Constant Proportion Portfolio
Insurance ou CPPI, cf. Perold et Sharpe [1988], Hilli et al. [2007]). Cette stratgie est
fonde sur une allocation dynamique entre un actif risqu (par exemple les actions) et un actif
sans risque (par exemple le montaire) afin de garantir chaque date un niveau minimal
prdtermin pour le portefeuille.
Dans la terminologie de lassurance de portefeuille, nous dfinissons couramment :
Dans lapproche CPPI, la proportion du portefeuille investie dans lactif risqu varie
proportionnellement au montant plac en actif sans risque, de manire assurer chaque date
le niveau plancher. Mathmatiquement, cela consiste introduire le paramtre m (appel
multiplicateur ), tel qu chaque date de rebalancement du portefeuille nous ayons la
relation :
Exposition = m Coussin
En pratique le multiplicateur doit tre ajust en fonction des fluctuations du march, tout en
restant lintrieur dune zone cible.
215
I-2-2 Illustration
I-2-2-1 Contexte
Nous supposerons que les salaris de certaines catgories professionnelles auront la possibilit
dpargner tout ou partie de leur compte pargne-temps dans un fonds garanti, leur assurant
lchance la rcupration du capital investi ainsi quune participation la performance des
marchs au cours de la vie du fonds.
La vocation de ce portefeuille tant doffrir aux souscripteurs un complment de retraite,
lchance est donc ajuste en fonction de lge du client au dmarrage du produit. La
conception du mcanisme de ce type de fonds garanti est lobjet de la prsente tude.
Les donnes de dpart consistent, ce stade, en des chanciers prvisionnels (tablis par des
techniques actuarielles) des flux annuels verss par les souscripteurs. Ces chanciers de flux
sont rpartis en fonction de la tranche dge laquelle appartient le souscripteur fin 2010 par
exemple.
La stratgie propose consiste grer le fonds selon une extension de la mthode CPPI, en
prenant en compte le passif constitu des flux annuels de versements de RTT (Rduction du
Temps de Travail) de la part des investisseurs.
Nous considrerons par ailleurs cinq fonds (grs indpendamment les uns des autres)
respectivement associs aux tranches dge de linvestisseur en 2010, soit 25 ans, 35 ans, 45
ans et 55 ans. A chacun de ces fonds correspond ainsi un chancier prvisionnel diffrent de
flux de RTT jusqu la retraite.
Pour chacun des diffrents fonds, les hypothses la date de lancement sont les suivantes :
Nous notons que le calibrage du taux utilis pour lactualisation du passif peut se faire en
fonction des rsultats de simulations Monte Carlo du portefeuille (comme vu dans la suite).
Le mcanisme des flux de trsorerie sera suppos tre le suivant. A chaque versement annuel
de flux de RTT :
lactif du fonds est augment du montant du flux vers
Le passif est augment de la valeur actualise du flux entre la date de
versement et lchance.
De plus, chaque date mensuelle :
Lallocation de lactif du fonds entre actif risqu (actions) et actif sans risque
(montaire) est ajuste en appliquant la stratgie CPPI
Le passif du fonds du mois prcdent est capitalis (via le mme taux que celui
utilis pour lactualisation)
216
P(t 0 ) = F (t 0 ) / (1 + t m ) m
n
O :
P(t 0 ) : le passif initial des diffrents fonds (ou le passif de la date de lancement)
P (t ) = P (t 1) (1 + t m )
A chaque date annuelle de versement de flux, le nouveau flux vers (actualis entre la date de
versement et lchance) sajoute de plus au passif prcdent :
P(t ) = P(t 1) (1 + t m ) + F (t ) / (1 + t m ) m
n
217
Le nouveau passif (aprs versement du flux) est gal la somme entre dune part le passif du
mois prcdent multipli par (1+ t m ) et dautre part le flux vers actualis entre la date de
versement et la date dchance.
I-2-2-4 Calibrage des paramtres de march
Les diffrents paramtres de march du modle calibrer sont les suivants :
Taux sans risque annualis (volution de la partie montaire de lactif) : r
Performance annualise de lactif risqu (indice actions) :
Volatilit annualise de lactif risqu :
Taux annualis pour lactualisation du passif : t a (se dduit de t m par les
formules de conversion usuelles)
t a = wa + (1 wa ) r
O wa est le pourcentage du portefeuille initialement investi dans lactif risqu.
I-2-2-5 Calibrage des paramtres de gestion
Entre chaque date de versement de flux, lallocation dactif du fonds est mensuellement
ajuste suivant une stratgie coussin de type CPPI. Comme vu prcdemment, cela consiste
remettre, chaque date mensuelle t, le montant E(t) plac en actif risqu gal un multiple
m du surplus du portefeuille (galement appel coussin ) cette mme date. Cette
opration dajustement de lexposition se fait (en thorie) de faon instantane la date t, sans
que le march nait eu le temps de fluctuer dans lintervalle.
Dans la gestion CCPI classique nous avons ainsi :
E (t ) = m C (t )
m est le multiplicateur associ la gestion CPPI
C(t) est le coussin la date t : C(t) = Actif du portefeuille (t) Passif (t) = surplus (t)
Une contrainte supplmentaire a t ajoute par rapport la gestion CPPI classique, elle
dcoule du fait que lactif du portefeuille (et galement le coussin) est susceptible dtre
augment frquence annuelle par le versement du flux.
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
218
Plus prcisment la rgle de gestion est la suivante : E (t ) = Min(m C (t ), A(t )) o A(t ) est la
valeur de lactif du portefeuille la date mensuelle t. Cette contrainte traduit limpossibilit
dinvestir en actions un montant suprieur lactif du portefeuille. Nous pouvons galement
noter que les versements annuels des souscripteurs, ayant pour effet daugmenter le coussin,
permettent de rduire le risque que lactif soit montaris en cas de chute brutale des marchs.
Les paramtres spcifiques la gestion qui doivent tre calibrs sont donc les suivants :
Le multiplicateur m
La frquence entre deux rajustements de lexposition : t
Pour cette tude nous nous sommes limits, titre illustratif, au cas dun rebalancement
mensuel de lexposition. Une frquence hebdomadaire, voire quotidienne, permet damliorer
la gestion de la garantie en tenant compte de la possibilit de dcrochement brutal du
march entre deux dates de rajustement. Cependant, en pratique, un compromis devra tre
trouv entre la prcision de la gestion du coussin et la limitation des cots de transactions (ces
cots sont rduits si les oprations dachat/vente se font via des contrats futures sur lindice
action de rfrence).
Le choix du multiplicateur m se fait ici au moyen de simulations Monte-Carlo de la gestion
mensuelle du fonds :
Pour diffrentes valeurs de m (en loccurrence de 0,5 20 avec un incrment
de 0,1), nous simulons 1000 trajectoires du portefeuille (actif et passif) en
intgrant lchancier des flux pour la tranche dge considre.
Nota : nous nous sommes limits ce stade la tranche dge des 25
ans en 2010.
Nous prsentons les graphiques des niveaux des critres fonds sur le surplus, en fonction du
choix de m (1 000 simulations en retenant lchancier de la tranche 25 ans en 2010).
15
Rapport entre la moyenne des surplus obtenus sur les diffrentes trajectoires la date finale et leur cart-type
la mme date.
219
A titre illustratif, nous indiquons dans les graphiques ci-dessous, pour cette valeur optimale du
multiplicateur, lallure de la trajectoire moyenne correspondante de lactif du portefeuille et
de la garantie (cf. graphique 69) ainsi que les 1000 trajectoires simules du surplus (cf.
graphique 70). Les graphiques 67 et 68 montrent quant eux que la probabilit davoir un
surplus ngatif augmente (que ce soit en cours de vie du fonds ou lchance) suite
laugmentation de m . Cela est tout fait conforme nos attentes puisque m traduit le degr
dexposition lactif risqu et donc au risque assum par linvestisseur. A ce niveau, notons
que les irrgularits qui apparaissent sur certaines courbes au del de m=2,5 (cas du graphique
66 par exemple) sont expliques par le fait que le nombre de simulations effectues (1 000)
nest pas encore assez lev pour faire disparatre cette irrgularit autour de la tendance.
2,5
ratio de sharpe
1,5
0,5
0
0
10
11
12
13
14
15
16
17
18
19
20
21
multiplicateur m
220
50
40
VaR
30
20
10
0
0
10
11
12
13
14
15
16
17
18
19
20
21
19
20
21
-10
multiplicateur m
350
300
250
200
150
100
50
0
0
10
11
12
13
14
15
16
17
18
multiplicateur m
0,14
0,12
0,1
probabilit
400
0,08
0,06
0,04
0,02
0
0
10
11
12
13
14
15
16
17
18
19
20
21
-0,02
multiplicateur m
221
0,5
0,45
0,4
0,35
probabilit
0,3
0,25
0,2
0,15
0,1
0,05
0
0
10
11
12
13
14
15
16
17
18
19
20
21
-0,05
multiplicateur m
500
400
300
200
100
482
469
456
443
430
417
404
391
378
365
352
339
326
313
300
287
274
261
248
235
222
209
196
183
170
157
144
131
118
92
105
79
66
53
40
27
0
14
600
Nombre de mois
Actif du portefeuille
Garantie
400
350
300
250
200
150
100
50
10
15
20
25
30
35
40
45
222
La stratgie dassurance de portefeuille reste une des stratgies les plus intressantes en
pratique. Un inconvnient majeur de cette approche consiste dans le fait quelle limite le
champ du choix de la rgle de gestion pour linvestisseur : elle rduit sa problmatique
lunique gestion de la proportion constante (cf. Hilli et al. [2007]). Cet ventuel manque de
flexibilit, en termes de choix des lments du systme doptimisation (que ce soit au niveau
de la fonction objectif ou au niveau des contraintes), nous mnent explorer dautres
techniques pouvant traiter des cas plus gnraux.
Ds lors que lon veut aborder les problmes dallocation inter-temporelle dactifs financiers,
nous faisons souvent recours des mthodes plus sophistiques. Soffre galement la
possibilit de se placer soit en temps discret soit en temps continu. Le cas multi-priodique
savre a priori trs lourd manipuler. En temps continu, la rsolution de ce type de problme
peut par exemple se faire via les techniques de programmation dynamique : soit partir dune
approche martingale (Cox et Huang [1989]) soit partir du contrle stochastique (Merton
[1971], Bellman [1957]).
Au niveau de la littrature, nous pouvons citer les travaux de Hainaut et al. [2007], qui
analysent la politique de dividende et lallocation dactif pour un fonds de pension. Ils
considrent un march financier compos de trois actifs : montaire (ou cash), actions et
obligations glissantes (rolling bond). Les taux dintrt sont supposs suivre un modle de
Vasicek [1977] alors que la mortalit de la population assure est modlise par un processus
de Poisson. Ils dterminent les politiques dinvestissement et de dividende qui maximisent
lutilit des dividendes et du surplus final sous une contrainte budgtaire. En particulier, les
solutions sont dveloppes pour les fonctions dutilit de type CRRA16. La mthodologie est
base la fois sur lapproche Cox et Huang [1989] et sur le principe de la programmation
dynamique (Merton [1971]).
Hainaut et al. [2005] tudient le problme de lallocation optimale dactif en temps continu
pour un fonds de pension sous la contrainte de la VaR. La mortalit est modlise par un
brownien gomtrique et les flux pays aux adhrents sont considrs comme dterministes.
Le march financier est compos dactifs risqus suivant des mouvements browniens
gomtriques. Nous considrons le cas dun grant de fonds qui cherche maximiser lutilit
quadratique du ratio de solvabilit, dfinie comme la valeur de march des actifs divise par
les rserves mathmatiques, sous une contrainte de type Valeur Risque (VaR). La mthode
du multiplicateur de Lagrange (Fllmer et al. [1998]) est combine avec lquation de
Hamilton-Jacobi-Bellman HJB (Merton [1971]) afin dinsrer la contrainte de gestion des
risques dans le cadre de la solution. Une mthode numrique est ensuite dveloppe afin
dobtenir une approximation de la solution de lquation HJB. Finalement, est analys
limpact du choix de la contrainte VaR sur la stratgie dinvestissement optimale.
Rudolf et al. [2004] prsentent un modle de slection de portefeuille dans un cadre intertemporel dynamique aussi. Lobjectif est de maximiser lesprance dutilit du surplus des
actifs nets du passif. A partir de Merton [1971], il est suppos que les rendements des actifs et
du passif suivent des processus dIt. Ces deux rendements vont permettre de dfinir des
16
Pour Constant Relative Risk Aversion . L'expression analytique gnrale pour cette classe de fonction
d'utilit est : U (R ) =
R1
o est le coefficient d'aversion pour le risque (cf. Campbell et al. [2001]).
(1 )
223
variables dtat (tel que le surplus, ratio de financement, etc.). Loptimalit est obtenue pour
un investisseur dtenant quatre fonds : le portefeuille de march, le portefeuille de couverture
de la variable dtat, le portefeuille de couverture des passifs et enfin lactif sans risque. A la
diffrence du rsultat trouv par Merton, dans le cadre danalyse dynamique actif-unique (et
non pas actif-passif), la couverture du passif est indpendante des prfrences et dpend
seulement du ratio de financement. Avec une fonction dutilit de type HARA 17 ,
linvestissement dans le fonds de couverture de la variable dtat est indpendant des
prfrences de lindividu. Enfin, avec des fonctions dutilit logarithmiques, linvestissement
en portefeuille de march dpend seulement du ratio de financement courant. Une tude
empirique prenant le cas dun investisseur amricain avec une possibilit de diversification
internationale est mene.
Yen et al. [2003] tudient lallocation dactif optimale et dynamique pour un fonds de pension
dans un contexte dopportunits dinvestissement qui voluent dans le temps. Les sources de
changement dans ce modle sont dues au changement de la volatilit et des primes de risque
au cours du temps. Ils tudient lallocation dactif pour un fonds de pension, en cas de
volatilit indexe sur le temps, en utilisant lapproche de passif de Sharpe et Tint [1990] ainsi
que la mthodologie inter-temporelle dvaluation des actifs de Merton [1971] concernant les
stratgies dinvestissement des fondations universitaires (university endowment funds). Ils
dveloppent un modle inter-temporel et dduisent une solution explicite en utilisant des
mthodes de perturbation. A la diffrence de Merton [1971], ils proposent une nouvelle
composante de couverture du passif dans le cadre de lallocation dynamique, en plus de la
composante de couverture inter-temporelle des fonds de pension. Cela permet de mieux
couvrir le changement du passif au cours du temps.
Dans ce qui suit, nous focaliserons notre intrt sur les techniques de contrle stochastique
optimal (cf. Merton [1971]). En particulier, une rsolution des problmes dallocation dactifs
dans le cadre multi-priodique peut tre obtenue laide de lquation dHamilton Jacobi
Bellman (HJB). Nous nous rfrons, dans ce qui suit, au travail de Malliaris et al. [1982] pour
dvelopper lquation de HJB dans le cadre de la thorie de la commande ainsi que pour une
illustration de ces techniques dans le cas de la maximisation de lutilit de la richesse finale de
linvestisseur.
Lquation de HJB dans le cadre de la thorie de la commande :
Nous considrons que lvolution stochastique de n variables x , qui peut tre ventuellement
contrle par une commande V la disposition dun centre de dcision, obit lquation
diffrentielle stochastique vectorielle suivante :
dx = (V , x ,t )dt + (V , x , t )dz
17
(1)
Pour Hyperbolic Absolute Risk Aversion (cf. Zenios [2007]). Une fonction dutilit
U (R ) est une
1 R
(restrictions si >1 pour le domaine de validit de la fonction dutilit). Les utilits quadratiques, CRRA
(Constant Relative Risk Aversion) et CARA (Constant Absolute Risk Aversion) sont des cas particuliers de
HARA.
224
x(0 ) = x0
Avec :
- z est un mouvement brownien de dimension d
- V est le vecteur de commande de dimension k et suppos se trouver dans un domaine U .
- est un vecteur ( n ,1) donnant la drive de x .
- est la matrice ( n , d ) de diffusion de x , nous dsignons C = ' .
Soit D un domaine de [0 ,T ] R n , tel que lorsque (t , x ) atteint la frontire D de ce domaine,
le systme sarrte.
Nous dfinissons le temps darrt par : = inf {t 0 / (t , x(t )) D} T .
Le systme doit tre contrl de telle faon que la commande V permette de maximiser le
critre :
(2)
E u( V , x ,t )dt + ( x , )
0
u et sont des fonctions numriques. Dans le contexte conomique, ce sont des fonctions
dutilit. Nous dfinissons loprateur LV par :
n
LV = i (V , x ,t )
i =1
1 n
2
+ Ci , j
xi 2 i , j =1
xi x j
J ( x ,t ) = max K (V , x ,t ) .
V U
La fonction J , vrifiant cette quation, satisfait galement lquation aux drives partielles
(EDP) de premier ordre appele quation dHamilton-Jacobi-Bellman :
J t + max[LV J + u ] = 0
U V
J ( x ,t ) = ( x ,t )
( x ,t ) D
( x ,t ) D
225
multiplicateurs de Lagrange, mais en plus complique. En fait cette approche est plus
thorique que pratique car lquation de HJB est trs difficile rsoudre et conduit assez
rarement des solutions explicites, hormis dans quelques cas particuliers.
Illustration dans le cas de la maximisation de lutilit de la richesse finale de linvestisseur
Pour illustrer lutilisation de HJB, nous considrons le cas simple de choix de portefeuille
lorsque lagent cherche maximiser uniquement lutilit de sa richesse finale. Nous
supposons que la fonction dutilit est de type CRRA (Constant Relative Risk Aversion) :
(W (T )) =
W (T )
o < 1 et 0 .
Le systme comporte ici une seule variable dtat pour le systme : la richesse qui suit
lquation dW = [w( r )W + rW ]dt + wWdz . La commande est donne par une seule
variable non contrainte : w , la part investir dans lactif risqu. Lquation HJB scrit dans
ce cas comme suit :
1
J t + max J W (w( r )W + rW ) + w 2 2W 2 J WW = 0
w
2
1 JW r
(3)
+ rWJ W + J t = 0
2 JWW
W (T )
avec la condition limite : J (W (T ),T ) =
et J ( 0 ,t ) = 0 pour tout t .
2
=0
2 1
Avec la condition limite h(T ) = 1 .
Soit encore :
2
h'
1
r
= r +
h
2( 1 )
En posant :
2
1
r
= r +
2( 1 )
'
dh
= dt avec h(T ) = 1 .
h
226
r
avec = 1 .
2
Cette part est dautant plus importante que lcart entre le rendement attendu de lactif risqu
et le taux sans risque est grand et dautant moins que la volatilit de lactif risqu ainsi que
laversion relative au risque de lagent sont grandes. Lobjectif de cet exemple est de
montrer de faon dtaille comment fonctionne la recherche dune solution optimale laide
de lquation HJB.
Plus le nombre de paramtres dans le modle augmente plus lobtention dune solution
analytique au problme doptimisation dynamique devient difficile et souvent impossible (cf.
Brandimarte [2006]). Le recours au Programmation Stochastique (PS) permet la prise en
compte de modle plus proche de la ralit. Ces techniques constituent lobjet de ltude
dtaille de la section suivante.
227
Ainsi, nous nous penchons dans cette section sur une lintroduction dune approche innovante
fonde sur les techniques de programmation stochastique. Dans un premier temps, nous
explorons le cadre d'utilisation de ces techniques en s'appuyant sur un exemple pratique dans
le domaine de la planification de la production. Le lien avec le monde de la finance est mis en
vidence au terme de cette partie. Ensuite, nous formulons, de point de vue mathmatique, le
problme de programmation stochastique avec recours et nous recensons certains outils de
rsolution de ce problme. La mise en place effective dun modle dALM dynamique bas
sur les techniques de PS fera quant lui lobjet de la section suivante (section III).
18
Un groupe international de chercheurs qui dveloppent des modles, des mthodes et des thories pour la prise
de dcision dans le contexte d'incertitude : http://stoprog.org/
228
Un autre modle dALM dynamique bas sur la programmation stochastique appel Gestion
actif-passif assiste par ordinateur (en anglais Computer-aided asset/liability management
ou CALM ) est prsent par Consigli & Dempster [1998] : ces derniers montrent que le
modle CALM est construit en tenant compte de lincertitude affectant la fois les actifs
(composant le portefeuille ou existant sur le march) et les engagements (sous forme de
scnarios dpendant de flux de dcaissement et de cots des oprations demprunt).
Le modle dALM dynamique prsent par Dert [1995] reste galement un modle de
rfrence en matire d'exploitation des techniques de PS pour le pilotage technique d'un fonds
de pension. Il est appliqu dans le cas des fonds de pension prestation dfinie. Dert prsente
un modle doptimisation qui tudie conjointement la politique dinvestissement et la
politique de financement dun fonds de pension prestations dfinies en tenant compte de
lincertitude conomique affectant ses engagements futurs vis--vis de ses adhrents.
Ce modle permet aussi de dterminer les stratgies dALM adopter, que ce soit au niveau
des dcisions dinvestissement ou au niveau des taux de cotisation dans un contexte
dincertitude. Dert constate que les dcisions sont diffrentes que nous utilisons les stratgies
dALM dynamiques ou des stratgies dALM statiques. De mme, en utilisant un modle
dynamique dALM, il a constat que les stratgies proposes sont moindre cot de
financement et que les probabilits de sous financement sont significativement plus faibles.
La programmation stochastique traite en gnral des problmatiques de planification en
prsence dincertitude. Ce type de problme se rencontre le plus souvent dans les modles qui
la fois s'chelonnent dans le temps et o les dcisions prises une priode donne ont des
implications sur celles prises la priode suivante (et videmment o l'ala continue exister
au niveau des paramtres des priodes subsquentes). Ce type de modle est souvent formul,
rsolu (de faon analytique ou numrique) et analys dans le but de fournir une information
utile au preneur de dcision.
Selon Kaut et Wallace [2003], la programmation stochastique a eu une popularit croissante
dans la communaut des mathmaticiens programmeurs. La puissance actuelle des outils
informatiques permet aux utilisateurs dajouter les aspects stochastiques aux modles
dterministes difficiles rsoudre il y a quelques annes. Dans ce cadre, la programmation
stochastique peut tre vue comme des modles de programmation dterministe avec
incertitude au niveau de certains paramtres. Au lieu davoir des valeurs uniques, ces
paramtres sont dcrits par des distributions (dans le cas dune seule priode), ou par des
processus stochastiques (dans le cas multi-priodique).
Les modles de programmation stochastique les plus appliqus et tudis sont les programmes
avec recours (with recourse, cf. Brandimarte [2006]). Dans le cas mon-priodique par
exemple, la dmarche gnrale de ce type de modle suppose la prise de deux dcisions : la
premire au dbut de la priode et donc avant la ralisation de lvnement alatoire et la
deuxime la fin de la priode et aprs la ralisation de lvnement alatoire. Autrement dit,
le planificateur aura prendre une dcision dans la premire tape compte tenu de
linformation disponible cette date, avant quun vnement alatoire ait lieu. Une dcision
de recours peut ensuite tre prise dans une deuxime tape afin de compenser les ventuelles
consquences ngatives dues une mauvaise dcision initiale.
La politique optimale dans ce type de modle permet de dfinir les dcisions ltape initiale
ainsi que les diffrents recours ultrieurs correspondant chaque ralisation possible des
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
229
lments alatoires. Ces rsultats peuvent ensuite tre tendus pour le cas de la
programmation stochastique multi-priodique. La partie suivante illustre de faon dtaille les
principes de la programmation stochastique avec recours dans le cadre d'un problme de
planification de la production. Le mme principe sera par la suite tendu au cadre financier.
19
230
Fig. 71 : Illustration du problme de planification deux tapes (dans le cas dune seule priode)
Nous avons donc dcider de la quantit produire la date actuelle, avant que la demande
ne soit connue. Si nous avons produire 600 units par exemple et que la demande effective
sera de 500 nous naurons pas de problme. Cependant, si la demande est de 700 nous aurons
besoin de recourir lachat de 100 units supplmentaires.
Nous procdons de faon classique la modlisation du problme, en dfinissant les
variables. Soit x1 >= 0 le nombre dunits produire linstant de dpart ( la premire
tape). Etant donn S scnarios, nous associons un scnario chaque variable de recours la
deuxime tape, soit donc y 2 s >= 0 le nombre dunits de X acheter auprs de notre
fournisseur externe la seconde tape pour le scnario s , lorsque la ralisation de la demande
est DS ( s = 1,..., S ).
Ainsi, les contraintes qui garantissent la satisfaction de la demande seront :
x1 + y 2 s >= Ds Avec s = 1,..., S
Notons quil faut avoir ici lgalit non stricte ( >= ) car la quantit x1 produire pourra
dpasser la demande effective des consommateurs. Si nous retenons x1 + y 2 s = Ds avec
lhypothse y 2 s >= 0 , s = 1,..., S , nous seront emmens supposer que :
x1 <= min[Ds / s = 1,..., S ] ce qui limite lunivers de dcision.
Pour la fonction objectif, nous avons un cot de 2 x1 support avec certitude et S cots
possibles cotant chacun 3 y 2 s et se ralisant chacun avec une probabilit p s . Notons quen
pratique, un seul scnario sera observ effectivement mais quavant sa ralisation nous nous
disposons que de sa distribution de probabilit. Dans notre exemple, nous avons choisi
intuitivement la fonction objectif comme tant la minimisation du cot total espr qui est
S
gal : 2 x1 + p s (3 y 2 s )
s =1
Minimiser 2 x1 + p s (3 y 2 s )
s =1
S/c : x1 + y 2 s >= Ds
s = 1,..., S
x1 >= 0
y 2 s >= 0
s = 1,..., S
231
Notons quil sagit l dun programme dterministe. Nous pouvons aussi exiger que x1 et
y 2 s soient des entiers.
La rsolution de ce programme stochastique nous indique :
-
Notons quune seule valeur y 2 s parmi les S valeurs possibles sera importante lorsque la
demande des consommateurs sera connue.
Pour rsumer, dans un programme stochastique avec recours :
-
Notons que le fait que llment stochastique (la demande des consommateurs) ait une
distribution discrte a simplifi la formulation du problme. Si nous sommes en revanche
dans le cas dune distribution continue, alors le problme mathmatique associ la
formulation et la rsolution deviendra plus raliste et plus pertinent en pratique. L'objectif
standard dans le cas de la programmation stochastique avec recours ( deux tapes) est de
minimiser le cot la premire tape ainsi que le cot espr la deuxime tape (relatif
l'ventuelle dcision de recours).
II-3-2 Cas multi-priodique (ou multi-tapes)
Une extension possible au modle de programmation stochastique deux tapes avec recours
est de supposer des priodes supplmentaires.
Afin dillustrer ce type de modle, nous allons tendre le problme sur deux priodes : dans ce
contexte nous nous projetons deux priodes dans le futur afin de planifier la production.
Nous considrons donc larbre binaire trois tapes ci-dessous :
232
----------------------------
500 (0,6)
700 (0,4)
- - - Deuxime tape
(niveau 1)
- - Troisime tape
600 (0,3)
700 (0,7)
900 (0,2)
800 (0,8)
Scnario 1
Scnario 2
Scnario 3
Scnario 4
(niveau 2)
Fig.72 : Illustration du problme de planification trois tapes (dans le cas de deux priodes)
Notons ici qu chaque tape de larbre des scnarios, les probabilits correspondantes
doivent avoir pour somme 1.
Cette arborescence deux priodes reprsente 22=4 scnarios possibles dans le futur :
Scnario
1
2
3
4
Deuxime tape
500
500
700
700
Troisime tape
600
700
900
800
Probabilit
0.6(0.3)=0,18
0.6(0.7)=0,42
0.4(0.2)=0,08
0.4(0.8)=0,32
Pour synthtiser, nous aurons le schma dcisionnel suivant en descendant larbre des
scnarios :
- dans la premire tape nous dcidons de la quantit produire,
- dans la deuxime tape nous aurons la ralisation des lments stochastiques
(la demande),
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
233
Ce schma sera tendu bien videmment si nous avons plus que trois tapes. Ce qui importe
dans les modles de programmation stochastique cest la bonne identification des lments
stochastiques raliss une tape et ceux qui restent toujours inconnus.
Nous pouvons maintenant formuler notre programme stochastique trois tapes. Soit donc :
x1 >= 0 le nombre dunits de X produire la date initiale (premire tape)
y 2 s >= 0 le nombre dunits de X acheter du fournisseur externe la seconde tape pour le
scnario s ( s =1,,4)
x 2 s >= 0 le nombre dunits de X produire la deuxime tape pour le
scnario s ( s =1,,4)
y 3s >= 0 le nombre dunits de X acheter du fournisseur externe la troisime tape pour le
scnario s ( s =1,,4)
s = 1,2
s = 3,4
A la deuxime tape, nous pouvons avoir un stock dunits provenant dun ventuel excs de
la production x1 par rapport la demande manifeste cette tape ; nous appellerons cet excs
linventaire et il servira rpondre la demande future. Son niveau sera de :
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
234
x1 + y 2 s 500
x1 + y 2 s 700
s = 1,2
s = 3,4
x1
x1
x1
x1
+
+
+
+
y2s
y2s
y2s
y2s
500 + x 2 s
500 + x 2 s
700 + x 2 s
700 + x 2 s
+
+
+
+
y3s
y3s
y 3s
y 3s
>= 600
>= 700
>= 900
>= 800
s =1
s=2
s=3
s=4
En plus de ces contraintes, nous aurons besoin dajouter certaines autres contraintes, afin de
garder la cohrence de notre dmarche. En fait, dans la pratique, les valeurs de y 21 et de y 22
devront tre les mmes ainsi que les valeurs de y 23 et de y 24 . La raison est que le scnario 1 et
2 ont un historique commun jusqu la deuxime tape (pareil pour les scnarios 3 et 4).
Nous pouvons donc ne pas diffrencier les variables de recours y 21 et y 22 car, ce stade de
projection, ne nous pouvons pas distinguer entre ces deux scnarios.
Nous ajoutons ainsi la contrainte de y 21 = y 22 et de y 23 = y 24 . Ce type de contrainte est
appel contrainte non anticipative (nonanticipativity constraint), impliquant que nous ne
pouvons pas anticiper le futur. Le mme raisonnement conduit dduire les contraintes
suivantes: x 21 = x 22 et de x 23 = x 24 . Il sagit l dun lment cl : les scnarios avec un
historique commun (jusqu au moins une tape donne) devront avoir le mme ensemble
de dcisions jusqu cette tape, et cela devra tre pris en compte lors de la formulation
dun problme de dcision bas sur une structure darborescence.
Notre programme stochastique avec recours (dans le cas de deux priodes) est donc :
4
Minimiser 2 x1 + p s (2 x 2 s + 3 y 2 s + 3 y 3s )
s =1
S/c :
x1 + y 2 s >= 500
x1 + y 2 s >= 700
x1
x1
x1
x1
+
+
+
+
y2s
y2s
y2s
y2s
500 + x 2 s
500 + x 2 s
700 + x 2 s
700 + x 2 s
s = 1,2
s = 3,4
+
+
+
+
y3s
y3s
y 3s
y 3s
>= 600
>= 700
>= 900
>= 800
s =1
s=2
s=3
s=4
y 21 = y 22
x 21 = x 22
y 23 = y 24
x 23 = x 24
235
s.c. Ax b
x0
236
Cette formulation suppose que nous avons des informations prcises et certaines sur les
paramtres de la matrice A et des vecteurs c et b . Lincertitude existante dans le monde de
la finance limite lutilit de cette formulation et conduit son insuffisance lors de la rsolution
des problmes doptimisation en gnral.
Le passage un programme linaire stochastique tient compte de cette limite et suppose que
nous avons de lala au niveau de certaines donnes ou de certains paramtres. La formulation
du problme sera dans ce cas comme suit :
'
min c( ) x
x
s .c. A( )x b( )
x 0
Il sagit dun programme linaire paramtris par un vecteur d'vnements alatoires (a
priori continu). Trouver une solution x tel que les contraintes sont toujours satisfaites
apparat tre impossible dans ce cas ( x est une variable alatoire fonction de ) : cest pour
cette raison que les contraintes du programmes ne peuvent pas tre prsentes sous forme
dgalits. Une approche possible est de relaxer les contraintes en acceptant que dans
certains cas elles ne seront pas respectes, nous cherchons dans ce cas limiter la probabilit
de ces dpassements. Ceci conduit aux modles dits chance-constrained models tel que :
min c' x
x
s .c. Ax b
P{G ( )x h( )}
x0
Nous sparerons par ce modle les contraintes dterministes des contraintes avec incertitude.
La facilit de rsolution de ce type de problme dpend de la distribution des paramtres
incertains : convexit ou non convexit du modle (le cas de la convexit rend plus facile la
rsolution). A part ce problme de calcul, une autre difficult est potentiellement rencontre
avec ce type de modle : mme sil permet la prise en compte de lincertitude existante dans
le processus de prise dcision, ce modle nest pas apte modliser des processus de dcision
dynamiques (o les dcisions sont rajustes en fonction des nouvelles informations acquises
avec le passage du temps).
Dans un processus de dcision dynamique, nous commenons par prendre un ensemble de
dcisions la date initiale, bases sur peu dinformations disponibles, mais nous ajustons
ensuite ces dcisions lorsque lincertitude a disparue. Cet ajustement conduit bien
videmment des cots additionnels, et lobjectif sera de prendre des dcisions minimisant
aussi bien les cots immdiats que les cots futurs esprs des ventuels ajustements. Cette
approche nous conduit au principe des modles de programmation stochastique avec recours.
Le concept de recours peut tre dfini comme la possibilit de prendre des actions correctives
aprs la ralisation de lvnement alatoire. Le cas le plus simple de ce type de modle est
celui avec deux tapes (prsent dans la sous-section prcdente) :
-
237
Nous supposons dans ce qui suit que est une variable alatoire discrte pouvant avoir s
valeurs possibles : 1 , , s avec les probabilits p1 ,.., p s (chaque valeur de i , i =1,.., s
correspond un scnario).
La formulation dun programme stochastique linaire avec recours ( deux tapes) peut tre
prsente comme suit (cf. Brandimarte [2006]) :
s .c. Ax = b
x0
Q( x , ) = min q( ) y
avec :
'
s.c. T ( )x + W ( ) y ( ) = h( )
y Y n2
La fonction de recours E (Q( x , )) est fournie par les quatre lments suivants :
-
238
lie
aux
actions
de
recours
elles-mmes :
Le cas gnral suppose que Q ( x , ) = min (q( y , )) . Il est souvent considr que q( y , ) est
y
une fonction linaire ayant pour forme q ( ) y et que y est non-ngatif (cf. Castro [2009]).
Le cas de la non-linarit de q( y , ) peut tre envisag. De telles fonctions sont difficiles
traiter puisque cela implique lintgration multidimensionnelle dune fonction dfinie
implicitement travers un problme doptimisation. Mme dans le cas o nous ne disposons
pas dune forme analytique simple de q( y , ) , le fait que dans la plupart des cas la fonction
de recours est convexe rend possible lvaluation (ou lestimation) de ses valeurs et de trouver
un sous-gradient un point donn x (cf. Brandimarte [2006]).
'
Nous pouvons rcrire la formulation ci-dessus sous un seul et unique programme, appel la
forme tendue (extensive form) :
s .c. Ax = b
T ( )x + W ( ) y ( ) = h( )
x 0, y 0
En supposant que pour chaque scnario il existe une action de recours correspondante
( y i , i =1,.., s ), le problme de programmation stochastique linaire avec recours ( deux
tapes) se prsentera comme suit :
s
i =1
s .c.
Ax = b
T ( i )x + W ( i ) y i = h( i )
i = 1,..., s
yi 0
x0
Les lments dvelopps jusque l restent valables dans le cas dun programme stochastique
non-linaire ( deux tapes). Le problme peut tre prsent sous la forme gnrale suivante :
s
min c( x ) + p i q ( y i ; i )
x , yi
i =1
s .c.
T ( i )x + W ( i ) y i = h( i )
i = 1,..., s
yi Y
n
x X
o c( x ) : correspond au cot engendr par les dcisions de la premire tape.
X : reflte lensemble des contraintes respecter par x (dans le cas linaire tudi
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
239
s .c. W1 x1 = h1
W2 x 2 ( 2 ) + T1 ( 2 )x1 = h2 ( 2 )
Wi xi ( i ) + Ti
( i )xi 1 ( i 1 ) = hi ( i )
x1 0, xi ( i ) 0
i = 3,..., k
i = 2,..., k
Avec :
Wi ( i = 1..., k ) : reprsentent des matrices connues de taille mi ni .
240
Pour rappel, certains exemples de ces algorithmes ont t tudis dans le cadre des techniques doptimisation
numrique pour lallacation dactifs (cf. section V, chapitre 2 de la partie II)
241
Cette mthode permet de contourner les difficults dvaluation des probabilits doccurrence
des scnarios. Des chantillons de scnarios sont dfinis hors de la procdure doptimisation,
suivant les fonctions de distribution considres pour les facteurs alatoires. Une ou des
solutions sont dabord obtenues dchantillons faisant intervenir un nombre plus restreint de
scnarios. La raction des solutions face aux facteurs alatoires est ensuite tudie avec un
chantillon de plus grande taille.
Pour les deux tapes, la partie des cots relie aux dcisions sujettes aux facteurs alatoires se
calcule par la moyenne des cots pour chaque scnario. La mthode dapproximation de la
moyenne dchantillonnages incorpore une procdure danalyse de convergence. Une borne
infrieure et borne suprieure est ainsi calcule lgard de la solution optimale du problme
(Shapiro et al. [2003]). Ces bornes servent slectionner la meilleure solution et valuer la
qualit du rsultat.
La plupart des mthodes exposes ci-dessus, allant de lalgorithme de sparation et valuation
jusqu la mthode dapproximation de la moyenne dchantillonnages, sont implmentes
sous forme de solveurs et utilises dans des outils plus globaux doptimisation numrique (cf.
Brandimarte [2006] et Klassen [1997]). Cela concerne galement le solveur que nous allons
utiliser dans la section suivante, ddie l'exploitation des techniques de PS dans le cadre de
l'allocation stratgique d'actifs dun rgime de retraite typique.
242
consiste dans laspect conditionnel qui caractrise le lien entre les nuds-enfants de la
structure arborescente une date donne et les nuds de la date prcdente : cela permet la
prise en compte, dans le temps, des relations entre les diffrentes valeurs projetes.
Pour rappel, un exemple de cette structure est prsent dans le graphique 73. Dans le
graphique 73, la structure de larbre comporte 64 scenarios. Nous retenons 8 ralisations
possibles durant la premire priode. A partir de chacune de ces ralisations, nous
dterminons 4 ralisations durant la deuxime priode. Chacune dentre elle est ainsi appele
ralisation conditionnelle car elle est fonction de la valeur dans le nud antcdent. La
troisime priode est caractrise par la gnration de 2 ralisations partir de celles obtenues
la fin de la deuxime priode. Ceci donne un total de 842=64 scnarios (ou trajectoires).
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
t =0
t =1
t =2
t=3
243
Rarbre = ( 1 + Ri )
i =1
o :
H est la priode considre dans larbre (ex. 5 ans)
Rarbre est le rendement sur la priode H
La question du lien entre le choix dune part de n quantiles ( qi ) dans larbre des scnarios (ce
qui revient au choix des niveaux de probabilit cumule i qui leur sont associs) et dautre
part le choix des poids ( pi ) correspondant dans larbre des scnarios se pose au niveau de
ltape 3 du schma prsent ci-dessus. Le poids ( pi ) de chaque quantile reflte la probabilit
de son observation par rapport celles du reste des quantiles observs la mme date. Il
sagit du poids donn au quantile qi dans larbre en fonction de la probabilit de son
observation. Nous nous rfrons au principe dintgrale de Riemann afin de pouvoir mettre en
vidence ce lien.
Considrons le cas dune variable alatoire X avec une fonction de rpartition F . Nous
supposons aussi que la fonction inverse F 1 existe et est continue. Lobjectif est de construire
la variable discrte X n travers le choix de n quantiles (q1 ,q2 ,...,qn ) tel que qi = F 1 ( i )
pour i = 1,...,n et i reprsentant le niveau de probabilit cumule associ au quantile
qi . Cette variable X n doit galement reflter la distribution initiale de X dans le sens quau
moins les esprances des deux variables doivent converger : E (X ) E ( X ) .
n
244
Il sagit dune hypothse simpliste de correspondance entre les deux distributions (celle de X
et celle de X n ) mais qui permet ce niveau de formuler une premire tude sur le lien entre
dune part le poids pi , associ chaque quantile, et dautre part le niveau de probabilit i .
Nous cherchons donc les quantiles ( qi ) et les poids ( pi ) associs ces quantiles de sorte que
la somme pondre des n quantiles convergent vers E ( X ) lorsque n tend vers linfini.
Pour cela, nous supposons que U reprsente la loi uniforme sur lintervalle [0,1], nous
1
prsente comme : E X n = pi qi = pi F 1 ( i ) . Le calcul de cette dernire revient donc
i =1
i =1
un calcul de lintgrale de Riemann pour la fonction F 1 . Autrement dit, la valeur de E X n
peut tre obtenue travers la somme des rectangles de base gale la longueur du segment
dont le milieu est i (segment que nous pouvons appel I i ) et de hauteur F 1 ( i ) . Le
n
graphique 74 illustre cette approche. Le poids pi peut tre estim travers la longueur de la
base du rectangle contenant i (ou la longueur de I i ) .
Dans un premier temps, nous pouvons remarquer travers le graphique 74 que pi est fonction
de la position et donc du niveau des i ( i = 1,...,n ). Ainsi, le fait de supposer un i
( i = 1,...,n ) rgulier, cest dire avec une distance identique entre les diffrentes valeurs de
i , permet dobtenir in fine un poids pi = 1 / n (cf. graphique 75). En consquence, avec une
valeur leve de n , lhypothse de rgularit de i garantit la convergence des deux
1
esprances : E (X n ) = pi q i = q i E ( X ) . Le choix de n valeurs de i quidistants
n
i =1
i =1 n
nous autorise estimer lesprance par une somme pondre o chaque pi est gale 1 / n .
Autrement dit, pour une date donne, si nous optons pour des quantiles quidistants, le choix
de poids identiques pour chaque quantile permet de reflter la distribution initiale de X .
n
Considrons maintenant le cas de plusieurs variables que lon veut reprsenter sous forme
darbre de scnarios tout en conservant les liens entre elles : retenons en particulier lexemple
de trois variables X , Y et Z avec X comme variable de rfrence. Lobjectif est de
dterminer le triplet dobservations ( x i , yi , zi ) un instant donn et un nud prcis de
larbre des scnarios partir des projections effectues selon la structure linaire. Une
approche possible serait de commencer par la discrtisation de la variable de rfrence
X comme indiqu ci-dessus pour ensuite retenir les observations simultanment simules de
Y et Z (sur la base dun modle de corrlation prdfini dans la structure linaire de
projection). Cela se rapproche du schma dcrit dans la mthodologie des quantiles de
rfrence : aprs avoir dtermin le rang de xi (ex. 50me simulation dans la structure
linaire), nous retenons les valeurs de yi et de zi correspondant la mme simulation i .
Outre la prise en compte de la structure de dpendance entre les variables, la mthodologie
des quantiles de rfrence permet de lier les atouts d'une structure linaire (cf. sous section
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
245
Y n = Y ( n ) = E[Y / X J n ]
Z n = Z ( n ) = E[Z / X J n ]
( i = 1,...,n )
( i = 1,...,n )
Cela permet davoir in fine une estimation, base sur davantages dobservations, du quantile
reprsentant la distribution initiale.
F-1
I2
I3
p1
p2
p3
I1
q3
J3
q2
J2
q1
J1
0
Fig.74 : Illustration du lien entre le niveau de probabilit cumule i dun quantile qi et le poids
associ ce dernier dans larbre des scnarios (cas o n =3)
246
F-1
I3
I1
I2
p1
p2
p3
q3
J3
q2
J2
q1
J1
Fig.75 : Illustration du lien entre le niveau de probabilit cumule i dun quantile qi et le poids
associ ce dernier dans larbre des scnarios (cas o n =3 et i est rgulier) : p1 = p2 = p3
Ces approches sinsrent dans le cadre de la recherche dune vision la fois simplifie, relle
et dynamique des stratgies possibles pour lallocation stratgique dactifs, en prsence de
contraintes d'ALM. La mthodologie des quantiles de rfrence tient compte des hypothses
de distribution des diffrentes variables projetes : elle garde la structure de risque initiale en
retenant les quantiles approximatifs de cette distribution. Il s'agit d'une stratgie la fois
utile et cohrente. Sa mise en uvre nest pas complique et elle peut tre adapte pour
tudier dautres problmatiques.
III-2 Modle d'optimisation bas sur la programmation stochastique
Par analogie au principe de la programmation stochastique avec recours (dvelopp dans les
sous-sections prcdentes), nous pouvons considrer laction de recours dans un modle
dALM dun rgime de retraite provisionn comme la possibilit de liquider une partie du
portefeuille de march compte tenu de la ralisation de lvnement alatoire ( ) qui
affectera dans notre cas aussi bien lactif que le passif du rgime, spcificit issue du contexte
dALM (ex. performance des actions ct actif, inflation constate des salaires ct passif).
La dcision de dbut de priode concerne donc la rpartition des poids des diffrents actifs du
portefeuille de march ( x ). Elle va tre ajuste la fin de la mme priode en fonction des
ralisations de lvnement alatoire considr. Le cadre dune allocation dynamique dactifs
est ainsi vrifi.
Pour le modle doptimisation, nous prsentons dans un premier temps un cadre gnral et
typique de problme doptimisation que diffrents types de rgimes de retraite peuvent
rencontrer, notamment ceux partiellement provisionns (cf. section IV de la partie II). Ce
modle sera par la suite simplifi au niveau de limplmentation. Le but est ici de proposer
une approche gnrale permettant la mise en place dun modle dALM dynamique bas sur
la programmation stochastique multi-priodiques.
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
247
La programmation stochastique est caractrise par lutilisation dune fonction objectif qui
devra tre optimise et dun ensemble de contraintes exprimes sous forme dquations
linaires ou non linaires et qui doivent tre respectes. La fonction objectif est introduite afin
quelle illustre la fonction dutilit du dcideur. La satisfaction des contraintes pourrait tre
obtenue par une multitude de solutions. La PS cherche dterminer la meilleure solution
parmi celles qui satisfont les contraintes. Cest le cas dune analyse type ALM o la
satisfaction de ladossement des flux de passifs par les flux dactifs peut tre faite avec
diffrentes allocations de portefeuille. La formulation de ce problme travers la PS, permet
daboutir aux dcisions dallocations dactifs optimales dans le cadre de lALM.
surplus. Pour un scnario S avec un cart positif entre WT et FT , lutilit totale du fonds de
Pour un scnario S avec un cart ngatif entre WT et FT , lutilit totale du fonds de retraite
Contraintes budgtaire : le montant investi chaque instant t dans lactif j doit tre
gal au montant investi dans le mme actif t -1 et capitalis entre ces deux dates
augment (diminu) du montant des achats (ventes) dudit actif effectus la date t .
248
Le modle gnral doptimisation considr peut ainsi tre prsent comme suit :
Paramtres Dterministes :
Paramtres Stochastiques :
Rt , j : Rendement de lactif j sur la priode [ t -1, t ],
Ft : Flux de trsorerie de la priode [ t -1, t ]
Ls : Engagement final cible ( la date T ) dans le cas du scnario
Variables de dcision :
ht , j : Montant investi dans lactif j entre la date t et t + 1
pt , j : Montant dachat de lactif j la date t
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
249
card (W ) : Nombre total des scnarios o lcart entre la rserve finale et lengagement
final est ngatif (nombre de scnario o ws >0)
pctrt : Probabilit maximale accepte davoir des scnarios o la rserve finale est infrieure
lengagement final ( ws >0). Autrement dit, le rapport card (W ) / card (S ) doit tre infrieur
pctrt .
Objectif :
Contraintes :
Contraintes budgtaire
h0 , j = W0
j J
h0 , j = h 0j + p 0 , j s 0 , j
ht , j = Rt , j ht 1, j + pt , j st , j
Contraintes de rebalancement
(1 + c )p
jJ
p
j
0, j
(1 + c )p
p
j
jJ
t,j
= 1 c sj s0 , j
jJ
= 1 c sj st , j + Ft
jJ
Contraintes de portefeuille
l jWt ht , j u jWt (Avec : ht , j = Wt )
j
Contraintes de transaction
pt , j t b PjWt
st , j t b sjWt
Contraintes dquilibre final
s
WT = RT , j hT 1, j = Ls + w+s ws
j J
250
300
200
100
0
1
10
11
12
13
14
15
16
17
18
19
20
-100
-200
-300
-400
-500
Anne
251
Parmi les inputs supplmentaires de MATLAB nous choisissons, de faon arbitraire, les
paramtres standards suivants :
Structure des nuds de l'arbre
Structure des priodes de l'arbre
pctrt
q
r
W0
Variable de rfrence
[1 5 4 4]
{1 4 15}
20 %
2
1
10 000
Rdt des actions
Nous rappelons que la structure des nuds de larbre correspond au vecteur du nombre de
nuds-enfants chacune des quatre niveaux considrs dans lexemple ([ nt 0 nt1 nt 2 nt3 ]). La
structure des priodes de larbre correspond au vecteur des horizons de projection supposs
entre deux niveaux ({ H 1 H 2 H 3 }).
Limplmentation du modle doptimisation stochastique multi-priodique est quant elle
effectue via le langage de modlisation AMPL (cf. Fourer et al. [2002]). Ce dernier est
adapt pour le type de problmatique bas sur la programmation stochastique avec recours :
aprs lui avoir prcis les diffrents paramtres (les paramtres dterministes, les paramtres
stochastiques, les variables de dcisions, larbre des scnarios, etc.), loptimisation est
effectue avec un solveur ddi la PS avec recours (cf. Bandimarte [2006]).
Paralllement, le problme doptimisation sera mis en place dans le cadre de la stratgie
Fixed-Mix en gardant le mme GSE et les mmes paramtres que ceux utiliss pour la
stratgie avec programmation stochastique (cf. graphique 77). Le mme flux de passif sera
galement considr dans les deux stratgies. Le nombre de scnarios projets dans le cas de
la stratgie Fixed-Mix est gal 1 000 scnarios. Le logigramme 77 synthtise la dmarche
gnrale adopte. Dans ce schma, le cercle reprsente la mthodologie ou le logiciel utilis.
Le rectangle reprsente, quant lui, une tape dans ltude du modle dALM dvelopp.
252
Gnration de scnarios
stochastiques selon la structure
linaire (ex. 1000 scnarios pour
chaque variable)
Mthodologie
des quantiles
de rfrence
Passage la structure
arborescente
Langage
MATLAB
Langage
AMPL
Centralisation des
donnes sur les
scnarios et les
paramtres dALM
Optimisation selon la
stratgie Fixed-Mix
Langage
AMPL
Optimisation dynamique
selon la PS
Etude de sensibilit,
comparaison des
rsultats, etc.
Fig. 77 : Logigramme des traitements effectus dans le cadre de ltude du modle dALM dvelopp
Nous tudierons ici leffet du changement des quantiles de rfrence sur lallocation
finale, toutes choses tant gales par ailleurs (cf. graphique 77). De mme, la structure des
nuds de cet arbre sera considre variable : diffrents tests seront effectus pour mettre en
vidence limpact du changement de cette structure sur les rsultats finaux de lallocation. Un
test supplmentaire par rapport au nombre dannes entre deux niveaux de larbre est mis en
vidence : il sagit du test de changement de la structure des priodes de larbre, toutes choses
tant gales par ailleurs.
Le tableau de la structure des nuds de larbre (cf. tableau 40) indique les poids optimaux du
portefeuille au niveau t = 0 pour diffrentes structures de nuds possibles ([1 5 3 3], [1 7 3 3],
[1 9 3 3], [1 3 4 4], [1 4 4 4] et [1 5 4 4])22, toutes choses tant gales par ailleurs.
22
Rappel : Nous adoptons la convention dcriture suivante : [1 5 3 3] signifie par exemple que le nud parent
initial a 5 nuds enfants, lesquels ont chacun 3 nuds enfants, puis chacun dentre eux encore 3 nuds enfants.
253
Il sagit de lallocation initiale recommande, dbut 2010, pour chacune de ces structures. Il
est suppos que les poids vont tre ajusts aux diffrents niveaux ultrieurs de larbre compte
tenu des volutions possibles des variables modlises. Cela donne lieu en fait non pas une
unique allocation stratgique vers laquelle nous convergeons de faon priodique et
systmatique via un processus de rebalancement (cas de la stratgie Fixed-Mix) mais plutt
un chemin optimal dallocations avec comme point de dpart les allocations du tableau 40.
Un exemple du chemin optimal dallocations obtenu sur toute la priode de projection
(tout au long de larbre) est donn dans les graphiques 78 et 79 respectivement pour les deux
structures [1 5 3 3] et [1 5 4 4].
Le tableau 40 prsente galement la valeur de la fonction objectif et la probabilit de ruine
estimes pour chacune de ces solutions. Quant la rserve initiale minimale , elle
correspond W0 minimale partir de laquelle il est possible davoir au moins un chemin
dallocation rsolvant le problme doptimisation. Nous notons que plus la rserve initiale est
leve, plus la probabilit de ne pas couvrir lengagement final cible Ls est faible et
implicitement leffet de la pnalit devient ngligeable. Le mme tableau prsente les valeurs
de ces diffrents indicateurs obtenus dans le cas de la stratgie Fixed-mix. Il est intressant
dtudier la convergence entre les deux stratgies lorsque nous augmentons sensiblement le
nombre de scnarios mis en jeu dans larbre.
Nous constatons que, mme si lallocation initiale recommande est la mme pour les
diffrentes structures ( savoir 100 % dactions), les valeurs estimes de la fonction objectif et
de la probabilit de ruine diffrent nettement selon la structure des nuds, en particulier pour
le cas des structures qui supposent principalement un dcoupage en 3 quantiles ( savoir [1 5
3 3], [1 7 3 3], [1 9 3 3]) ainsi que pour celles bases essentiellement sur une projection en 4
quantiles ( savoir [1 3 4 4], [1 4 4 4], [1 5 4 4]). Le premier groupe permet davoir des
valeurs de la fonction objectif relativement plus leves avec des niveaux de probabilit de
ruine galement plus levs. Autrement dit, pour pouvoir obtenir un meilleur rendement
linvestisseur doit aussi assumer plus de risque : nous retrouvons ainsi le cadre de la thorie
defficience de Markowitz [1952].
Incidemment, nous remarquons que leffet de la structure des nuds sur la valeur du couple
dindicateurs (objectif / probabilit de ruine) est trs significatif, voire mme plus important
que leffet du nombre de scnarios ou du nombre total de nuds dans larbre. En fait,
laugmentation du nombre de scnarios (en passant par exemple de 45 scnarios avec la
structure [1 5 3 3] 80 scnarios avec la structure [1 5 4 4]) ne donne pas forcment lieu
une convergence de la valeur de la fonction objectif vers celle de la stratgie Fixed-Mix (31
817 euros), mais au contraire nous constatons la baisse de la valeur de la fonction objectif
passant de 28 327 24 103, le tout accompagn dun profil de risque de moins au moins lev
(en particulier, le passage de la structure [1 7 3 3] la structure [1 5 4 4] induit la baisse du
niveau de risque de 19 % 11 %).
Par ailleurs, plus le nombre de scnarios augmente dans larbre, plus le besoin initial en
rserve diminue et converge vers celui exprim dans le modle Fixed-Mix. Par exemple, dans
le cas de la structure [1 5 3 3], qui correspond au nombre de scnarios le moins lev,
lexigence en capital initial est galement la plus leve (8 000). A linverse, la structure [1 5
4 4] qui comporte pratiquement le plus grand nombre de scnarios possde, quant elle, la
valeur de la rserve initiale minimale la plus faible. On le voit, le rle du nombre de scnarios
intervient plus au niveau de la rserve initiale minimale exige quau niveau de la
convergence vers la solution optimale absolue.
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
254
Montaire
Obligation
Action
Fonction objectif
Probabilit de ruine
Rserve initiale minimale
Nombre de scnarios
Nombre total de nuds
[1 5 3 3]
0%
0%
100%
[1 7 3 3]
0
0
100%
28 327
13,30%
8000
45
65
27 953
19,00%
8000
63
91
24 093
12,50%
6000
49
63
[1 4 4 4]
0%
0%
100%
23 283
11,00%
4000
64
84
[1 5 4 4] Fixed Mix
0%
0%
0%
0%
100%
100%
24 103
11,25%
4000
80
105
31 817
13,70%
4000
1000
-
Tab. 40 : Allocations optimales et leurs caractristiques en fonction des structures de larbre retenues
et des stratgies retenues (avec la structure des priodes {1 4 15} et les actions comme variable de
rfrence)
Le tableau 41, relatif la structure des priodes de larbre, montre que les rsultats obtenus
via la programmation stochastique sont trs sensibles au choix de la structure retenue pour les
dures des priodes (ou prcisment les sous-priodes sur la dure totale de 20 ans), cela en
supposant un mme flux de passif de dpart. Plus prcisment, nous procdons en agrgeant
sur 20 ans un mme flux de passif via diffrentes structures de priode, savoir les suivantes :
{1 4 15}, {1 1 18}, {1 9 10}, {6 7 7}, {10 9 1}, {15 4 1} et {18 1 1}23.
Nous constatons ce niveau que les valeurs pour la fonction objectif et pour la probabilit de
ruine diffrent sensiblement selon que lagrgation est essentiellement effectue sur les 15
dernires annes (par exemple {1 4 15} et {1 1 18}) ou sur les 15 premires annes (par
exemple {15 4 1} et {18 1 1}). Lexposition au risque action peut galement fluctuer de 0 %
100 % sur lallocation initiale recommande. Bien entendu, lampleur et le sens de cet impact
sur les diffrents indicateurs (valeur de la fonction objectif, poids optimaux, etc.) ne peut pas
tre gnralis puisque cela dpend de la srie de flux de passif considre. La rserve initiale
minimale ncessaire pour avoir une solution au problme reste, quant elle, quasi constante,
quelle que soit la structure des priodes retenue.
Le tableau 42 tudie la sensibilit de lallocation optimale par rapport au choix effectu pour
la variable de rfrence (ex. rendement des actions) dans le cadre de la mthodologie
propose (mthodologie des quantiles de rfrence ), toutes choses tant gales par
ailleurs. Leffet de ce choix sur les valeurs de la fonction objectif, la probabilit de ruine ainsi
que la rserve initiale minimale est tudi.
Notons que le changement de la variable de rfrence a un effet moindre sur lallocation
optimale initiale t0 que le changement de la structure des priodes de larbre (cf. tableau 41).
De mme, nous remarquons une baisse significative de la valeur de la fonction objectif,
accompagne par une aversion au risque plus importante lorsque lon passe des actions
comme variable de rfrence au montaire : la valeur de la fonction objectif pour la solution
optimale passe ainsi de 24 103 dans le cas des actions 16 587 dans le cas du montaire
tandis que la probabilit de ruine estime passe respectivement de 11 % 0 %, indiquant un
degr lev de prudence dans le chemin dallocations recommand dans le cas du montaire.
23
Rappel : Nous adoptons la convention dcriture suivante : {1 4 15} signifie par exemple les 3 sous-priodes
conscutives 1 ans, 4 ans et 15 ans.
255
Montaire
Obligation
Action
{1 4 15}
0%
0%
100%
{1 1 18}
0%
0%
100%
Fonction objectif
Probabilit de ruine
Rserve initiale minimale
24 103
11,25%
4000
24 646
15,00%
4000
24 035
12,50%
4000
18 004
5,00%
4000
{15 4 1}
0
17,5%
82,50%
{18 1 1}
0%
15%
85%
24 476
5,00%
3000
23 436
11,00%
4000
Montaire
Obligation
Action
Action
0%
0%
100%
Fonction objectif
Probabilit de ruine
Rserve initiale minimale
24 103
11%
4000
Variables de rfrence
Montaire
Obligation
32,20%
0%
0%
0%
67,80%
100%
16 587
0%
3000
19 467
0%
4000
Inflation
0%
0%
100%
16 370
0%
4000
Tab. 42 : Allocations optimales et leurs caractristiques en fonction des quantiles de rfrence retenus
(avec la structure des nuds [1 5 4 4] et la structure des priodes {1 4 15})
Le tableau suivant rsume nos diffrentes constatations sur leffet du changement de certains
facteurs dentre (input) sur les tats de sortie (output) du modle dALM dvelopp.
Output
Facteur
Fonction objectif /probabilit de ruine Rserve initiale minimale Allocation initiale optimale
(+)*
(+)
(+)
(-)
(+)
(-)
(-)
(+)
(-)
(+)
(+)
(-)
Tab. 43 : Synthse de l'impact constat de certains facteurs sur les rsultats obtenus par le modle
d'ALM propos
Concernant les deux graphiques 78 et 79, et pour mieux les comprendre, nous dcrivons dans
un premier temps le graphique 78 (ayant la structure des nuds [1 5 4 4] et la structure des
priodes {1 4 15}). Chaque rectangle dans ce graphique reprsente l'allocation optimale, selon
le modle propos d'ALM, l'instant indiqu et dans le cas du scnario de march
correspondant : c'est pour cette raison que l'arbre des allocations est identique, dans son
schma de prsentation, l'arbre des scnarios. La diffrence est que l'arbre des allocations
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
256
indique, chaque nud, l'allocation prvue tre optimale plutt que la performance anticipe
(ou projete) du march.
Par exemple, l'allocation optimale l'instant t 0 est indique par le vecteur (0 %, 0 %, 100 %)
dont les lments sont les poids respectifs du montaire, des obligations et des actions.
nt0 correspond au nombre de nuds dans l'arbre l'instant t 0 . En passant l'instant t1 ,
autrement dit aprs une anne selon la structure des priodes considre, nous avons cinq
scnarios possibles de march ( nt1 =5). Le modle d'ALM bas sur la PS indique, pour chacun
de ces scnarios, l'allocation optimale correspondante, par exemple (0 %, 100 %, 0 %) pour le
scnario de march le plus dfavorable reprsent par le rectangle tout fait en bas dans le
graphique. La mme lecture peut tre applique aux instants ultrieurs de prise de dcision
(notamment t 2 ) ainsi qu'au graphique 79.
Les graphiques 78 et 79 illustrent deux chemins optimaux dallocations proposes pour
une mme structure de priode (celle du {1 4 15}) et pour deux structures de nuds
diffrentes (respectivement [1 5 4 4] et [1 5 3 3]). Nous constatons une nette diffrence entre
les deux chemins surtout au niveau des 15 dernires annes, ce qui est du au fait que la
structure des nuds diverge sur cette priode. La dynamique des poids est mise en vidence
via ces deux graphiques : le processus suppose une adaptation optimale de la composition
du portefeuille compte tenu des scnarios conomiques projets. Les nuds reprsentants les
pires scnarios (ceux qui se situent en bas) tendent souvent prconiser plus dobligations
que les autres, compte tenu de lhypothse que les obligations reprsentent moins de risque
que les actions.
257
n t0 =1
n t1 =5
n t2 =4
n t3 =4
WT
0%
2,4%
97,6%
0%
0%
100%
0%
2,5%
97,5%
0%
56,9%
43,1%
0%
52,7%
47,3%
0%
0,4%
99,6%
0%
0%
100%
0%
0%
100%
0%
17,4%
82,6%
0%
18,1%
81,9%
0%
2,1%
97,9%
0%
0%
100%
0%
0%
100%
0%
0%
100%
0%
0%
100%
0%
77,7%
22,3%
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
0%
0%
100%
0%
0%
100%
0%
0%
100%
0%
0%
100%
0%
66,6%
33,4%
0%
0%
100%
0%
100%
0%
0%
34,4%
65,6%
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
0%
26,1%
73,9%
0%
65,6%
34,4%
WT
1 anne
4 annes
80
15 annes
Fig. 78 : Prsentation de larbre des allocations ( chemin ) obtenu par le modle doptimisation
avec PS (cas des paramtres standards, en particulier la structure des nuds [1 5 4 4] et la structure
des priodes {1 4 15})
258
n t0 = 1
n t1 = 5
n t2 = 3
n t3 = 3
WT
0%
2%
98%
0%
0%
100%
0%
0%
100%
0%
33%
67%
0%
0%
100%
0%
13%
87%
0%
15%
85%
0%
0%
100%
0%
2%
98%
0%
0%
100%
0%
0%
100%
0%
0%
100%
0%
54%
46%
0%
0%
100%
0%
0%
100%
0%
0%
100%
0%
89%
11%
0%
0%
100%
0%
100%
0%
0%
33%
67%
0%
55%
45%
WT
1 anne
4 annes
45
15 annes
Fig. 79 : Prsentation de larbre des allocations ( chemin ) obtenu par le modle doptimisation
avec PS (cas de paramtres alternatifs, en particulier une structure des nuds alternative [1 5 3 3] et
la structure des priodes {1 4 15})
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
259
Selon le modle dallocation stratgique dactifs dvelopp ici (en se basant sur les techniques
de programmation stochastique), la rgle gnrale constate de cheminement des allocations
optimales est la suivante :
-
A titre dexemple, dans le graphique 78, le scnario le plus dfavorable entre t0 et t1 conduit
une allocation 100 % obligations (comme le montre le nud le plus bas la date t1 ) : il
sagit dune rponse cette volution dfavorable du rendement du portefeuille avec sa
composition prcdente ( la date t0 ). Les nuds enfants t2 dudit nud ne prconisent pas
la mme allocation. En particulier, nous constatons un retour lallocation 100 % actions
pour le nud enfant qui suit le scnario le plus favorable entre t1 et t2 . De mme, lallocation
reste fortement charge en obligation suite au scnario le plus dfavorable entre ces deux
dates (65,6 % obligation contre 34,4 % actions).
De faon plus gnrale et synthtique, selon notre modle dALM bas sur la programmation
stochastique, au fur et mesure que nous rencontrons des scnarios favorables, lallocation
prconise commence retenir de plus en plus dactions, dans le cas inverse le portefeuille se
charge en actifs non risqus. La non utilisation de bornes suprieures pour les poids de
diffrentes classes dactifs a permis, notre avis, de mieux mettre en vidence ce constat. En
pratique, le recours lutilisation de telles bornes est souvent le cas (cf. section I, chapitre 2
de la partie II).
Cela nous emmne avancer nos deux dernires remarques ce niveau. Dans la premire,
nous tenons rappeler le rle des valeurs retenues pour les variables dentre du modle : leur
modification conduit srement des valeurs de sortie diffrentes (en particulier pour
lallocation initiale optimale). Lobjet a t, rappelons le, dillustrer et de mettre en vidence
le cadre dutilisation des techniques de PS pour lallocation stratgique dun rgime de
retraire partiellement provisionn. La deuxime remarque a trait llargissement du champ
des tests de sensibilits, notamment le test dimpact de structure de nud plus grande. Cela
na pas pu tre effectu dans cette tude, faute de moyens, mais pourra faire lobjet de
prochaines tudes spcifiques.
260
Conclusion du chapitre 3
Aprs avoir discut du cadre gnral dutilisation des programmes stochastiques avec recours,
nous avons dvelopp un modle dALM dynamique bas sur ces techniques. Une des
spcificits du modle dvelopp se situe au niveau de la mthodologie de gnration de
scnarios conomiques que nous avons appele mthodologie des quantiles de rfrence .
Cette dernire permet de partir dune structure linaire des scnarios gnrs (telle que dcrite
dans le chapitre 2 de la partie I) pour finalement construire larbre de scnarios servant de
base loptimisation avec les techniques de PS. La mthodologie a le mrite de tenir compte
de la corrlation entre les distributions des diffrentes variables projetes et permet de lier
laspect linaire de gnration des scnarios avec les techniques de PS. En particulier, le
modle dALM dvelopp rduit la dimension du problme rencontr avec la stratgie FixedMix.
Conclusion de la partie II
Face aux limites de la stratgie Fixed-Mix, une stratgie dALM dynamique base sur la
programmation stochastique a t dveloppe dans cette partie. Elle pourra servir comme une
approche de rfrence, dont les rsultats sont comparer avec ceux de la stratgie Fixed-Mix.
Cette stratgie peut galement constituer un outil pour tester la fiabilit et l'optimalit de
l'allocation de long terme obtenue avec la stratgie Fixed-Mix. Une limite majeure de la
programmation stochastique, loppose de la programmation dynamique par exemple, est
que les distributions de probabilit des paramtres alatoires sont supposs tre donnes et ne
peuvent pas dpendre des dcisions prises (cf. Zenios [2007]).
Les techniques d'optimisation numrique ont t galement lun des sujets dvelopps dans la
partie II. Lalgorithme propos a pour but de rechercher des paramtres de d conduisant
minimiser, globalement, une fonction relle bruite. Lalgorithme permet de construire des
zones de confiance autour des paramtres solutions supposs. Il permet galement de
moduler, au moyen des deux paramtres K et , la ritration de tirages dans un voisinage
des points solutions dcouverts, ou linverse lexploration de la fonction dans des zones
encore peu explores.
Comme nous lavons vu, les sujets de rflexions ne manquent pas pour dvelopper des
modles plus robustes et mieux mme de rendre compte de la complexit des risques
conomiques et financiers supports par un fonds de retraite. L'tude mene dans cette partie
sinsre dans le cadre de la recherche dune vision la fois simplifie, relle et dynamique des
approches possibles pour lallocation stratgique dactifs dun rgime de retraite partiellement
provisionn.
261
CONCLUSION GNRALE
262
Ltude de lutilit des rserves pour un systme par rpartition et a fortiori de leur gestion
reste un sujet peu explor. Pour apprcier la solidit dun rgime de retraite, les experts se
sont longtemps limits une approche binaire, selon laquelle il convenait de tout provisionner
dans le cas dun systme par capitalisation et rien dans le cas dun systme par rpartition.
Cest dans ce contexte que le prsent travail a t focalis sur les modles dallocation
stratgiques dactifs et sur leurs applications pour la gestion des rserves financires des
rgimes de retraite par rpartition.
Au terme de cette tude, nous pouvons tenter de tirer un certain nombre de conclusions et de
points cls des travaux prsents :
Le choix des composantes dun GSE est li sa vocation finale, que ce soit
en tant quoutil dvaluation des produits financiers (pricing) ou en tant
quoutil de projection et de gestion des risques.
Dans le cas o le GSE est utilis comme un outil de gestion des risques, il ne
faut pas perdre de vue quil ne sagit finalement que dun outil daide la
prise de dcision. De ce point de vue, la performance du GSE ne peut tre
mesure que sur la base de sa contribution la prise de la bonne dcision
et non sur la base du degr de correspondance des scnarios projets par
rapport la distribution relle des variables du GSE, une distribution qui
reste peu accessible quel que soit les outils destimation et dapproximation
employs. A ce niveau, certains indicateurs de mesure de performance ont
t tudis, savoir : lindicateur de stabilit et lindicateur dabsence de
biais.
263
264
265
Lapplication de cette approche peut amliorer les techniques actuelles utilises par les fonds
de retraite en France en matire dallocation stratgique dactifs, souvent bases sur la simple
simulation et/ou sur lexprience. Le modle dALM dvelopp (en se basant sur les
techniques de PS) pourra galement servir comme une approche de rfrence, dont les
rsultats sont comparer avec ceux de la stratgie Fixed-Mix. Cette stratgie peut aussi
constituer un outil pour tester la fiabilit et l'optimalit de l'allocation de long terme obtenue
avec la stratgie Fixed-Mix.
Cette thse a galement accord une attention particulire aux techniques numriques de
recherche de l'optimum, qui demeurent des questions essentielles pour la mise en place d'un
modle d'allocation. Le point de dpart tait le constat dun temps de calcul significatif d
simultanment un nombre lev de scnarios conomiques gnrs et un nombre
dallocations dactifs testes galement lev.
Cela nous a conduits une rflexion sur un algorithme doptimisation globale dune fonction
non convexe et bruite. Lalgorithme est construit aprs une tude de critres de compromis
entre, dune part, lexploration de la fonction objectif en de nouveaux points (correspondant
des tests sur de nouvelles allocations dactifs) et dautre part lamlioration de la connaissance
de celle-ci, par laugmentation du nombre de tirages en des points dj explors
(correspondant la gnration de scnarios conomiques supplmentaires pour les allocations
dactifs dj testes). Une application numrique a illustr la conformit du comportement de
cet algorithme celui prvu thoriquement.
Lalgorithme permet de moduler facilement, au moyen de deux paramtres, la ritration de
tirages dans un voisinage des points solutions dcouverts, ou linverse lexploration de la
fonction dans des zones encore peu explores. En outre, une procdure destimation de la
rgularit fonction objectif f permet dajuster les valeurs de ces deux paramtres. Il sagit
dun algorithme qui vise montrer lintrt et la faisabilit technique dune grille pas
variable, susceptible de rpondre au problme du choix entre exploration et connaissance
dune fonction alatoire.
Perspectives
Les rserves contribuent part entire la solidit du rgime. Lensemble des lments
prsents fournit des composants essentiels pour laborer lallocation stratgique dun rgime
de retraite partiellement provisionn. Une premire perspective de prolongement de ce travail
pourra tre d'examiner lapport de chacune des classes dactifs dites non classiques (tels
que limmobilier, les obligations indexes sur linflation, etc.) en tant qualternative
stratgique dinvestissement. Nous rappelons que dans le cas de lallocation stratgique
dactifs dun fonds de retraite la priorit est souvent donne aux actions, aux obligations et au
montaire, dites classes classiques (cf. Campbell et al. [2001]).
En matire de projection de grandeurs relles sur le long terme, les actifs non classiques sont
souvent traits avec prudence et ne suscitent pas la grande part de lintrt des dcideurs. Ces
classes dactifs se heurtent souvent aux problmes dun historique peu profond, dune
liquidit insuffisante et de donnes confidentielles (cas des fonds de couverture). Cela ne
remet pas en cause le potentiel quelles prsentent en tant que source de performance et/ou de
couverture supplmentaire pour les rserves gres : dans ce sens leurs apports la gestion
des rserves pourront faire lobjet dtudes spcifiques sur le court terme. La littrature
266
prsente ce niveau diffrentes techniques pouvant servir de base cette tude en particulier
les techniques dAnalyse par Composante Principale (cf. Roncalli [1998]).
Par ailleurs, nous notons quun rgime de retraite par rpartition provisionn (ou partiellement
provisionn) doit faire face au moins deux risques essentiels : lincertitude sur lvolution
future de ses flux techniques et le risque de placement. Le prsent travail a t focalis sur la
gestion et le contrle du deuxime risque. Il apparat ainsi intressant la ralisation danalyses
de sensibilit la tendance des flux techniques futurs (risque de longvit, etc.).
Cela nous place dans un cadre dtude plus global permettant de dfinir les termes dun
pilotage technique du rgime. Par pilotage technique on entend les rgles dactualisation, au
fil du temps, des paramtres du rgime notamment les taux de cotisation et de prestation en
fonction de lvolution de la solidit financire du rgime. Ltude des possibilits
dapplication des techniques de programmation stochastique avec recours pour ce type de
problmatique constitue a priori un sujet prometteur.
Enfin, nous travaillons enrichir lalgorithme doptimisation numrique par exploration
slective. Le cadre de son application a t jusque l rduit un cas simplifi pour des raisons
pratiques de mise en uvre. Lun des prochains dfis sera donc de lexploiter dans un univers
plus raliste et plus global.
267
268
269
Fig. 55 : Ensemble des points de simulation de F pour un niveau de bruit B = 0.2, critre de
scission no 2, pour une variabilit ( K , ) = (1, 1.5), et un nombre minimal de tirage n0 = 10.
r
La surface des bulles est proportionnelle au nombre de tirages de F en chaque point. =
(0.10, 8.8E-03, 6.7E-05, 6.2E-03)...198
Fig. 56 : Ensemble des points de simulation de F pour un niveau de bruit B = 0.2, critre de
scission no 1, pour une variabilit ( K , ) = (1, 1.5), et un nombre minimal de tirage n0 =
r
10. La surface des bulles est proportionnelle au nombre de tirages de F en chaque point. =
(0.10, 0.011, 1.5E-05, 1.6E-02)..198
Fig. 57 : Points dexplorations obtenus, lorsque B = 0.1, avec les paramtres estims hors
bruit, ( K , )= (1.0743, 1.5665) ( gauche) ou estims en prsence de bruit ( K , ) =
(0.5545; 1.2209) ( droite)..202
Fig. 58 : Ecart-type empirique de IR (Z ) obtenu pour la zone Z 0 correspondant au simplexe
270
rgulier) : p1 = p2 = p3 ...247
Fig. 76 : Flux de passif (dsinflats) sur 20 ans..251
Fig. 77 : Logigramme des traitements effectus dans le cadre de ltude du modle dALM
dvelopp252
Fig. 78 : Prsentation de larbre des allocations ( chemin ) obtenu par le modle
doptimisation avec PS (cas des paramtres standards, en particulier la structure des nuds
[1 5 4 4] et la structure des priodes {1 4 15})257
Fig. 79 : Prsentation de larbre des allocations ( chemin ) obtenu par le modle
doptimisation avec PS (cas de paramtres alternatifs, en particulier une structure des nuds
alternative [1 5 3 3] et la structure des priodes {1 4 15}).258
271
Bibilographie
Aarts E.H.L., Laarhoven V. [1985] Statistical cooling : a general approach to combinatorial
optimization problems , Philips Journal of Research, 40 [4], 193-226.
Adam A. [2007] Handbook of Asset and Liability Management: From Models to Optimal
Return Strategies, Wiley, Octobre 2007, 576 pages.
Ahlgrim K.C., DArcy S.P., Gorvett R.W. [2005] Modeling Financial Scenarios: A
Framework for the Actuarial Profession , Proceedings of the Casualty Actuarial Society,
177-238. http://www.casact.org/pubs/proceed/proceed05/05187.pdf
Ahlgrim K.C., DArcy S.P., Gorvett R.W. [2008] A Comparison of Actuarial Financial
Scenario Generators , Variance, 2:1, 2008, pp. 111-134.
Albeanu G., Ghica M., Popentiu-Vladicescu F. [2008] On using bootstrap scenario
generation for multi-period stochastic programming applications , Proceedings of ICCCC
2008, 15-17 May 2008 , pp. 156-161.
Alexander C. [2001] Market Models: A Guide to Financial Data Analysis, Chichester,
England: John Wiley & Sons.
Alexander C., Leigh C. [1997] On the covariance matrices used in Value-at-Risk models .
Journal of Derivatives, 4, 50-62.
Alliot J.M. [1996] Techniques doptimisation stochastique appliques aux problmes du
contrle arien, INPT, Habilitation Diriger des Recherches.
Arbulu P. [1998] Le march parisien des actions au XIXe sicle: performance et efficience
d'un march mergent, Thse de doctorat s sciences de gestion, Universit d'Orlans.
Armel K., Planchet F., Kamega A. [2010] Quelle structure de dpendance pour un
gnrateur de scnarios conomiques en assurance ? , Les cahiers de recherche de lISFA,
WP2134.
Artus P., [1998] Faut-il introduire les prix d'actifs dans la fonction de raction des banques
centrales ? , Document de travail, Caisse des Dpts et Consignations, n1998-26, juin.
Bassetto M. [2004] Negative Nominal Interest Rates , American Economic Review (Papers
and Proceedings) 94.2 (2004): 104-108.
Beasley J.E. [1990] OR-Library: distributing test problems by electronic mail , Journal of
the
Operational
Research
Society,
41(11)
(1990)
pp1069-1072.
http://people.brunel.ac.uk/~mastjjb/jeb/info.html
Beder T. [1995] VaR: Seductive but Dangerous , Financial Analysts Journal, 51, 12-24.
Bellman R.E. [1957] Dynamic Programming, Princeton University Press, Princeton, NJ.
272
Bhansali V., Wise M. [2001] Forecasting portfolio risk in normal and stressed markets ,
Journal of Risk, 4, 91-106.
Bienvene A., Rullire D. [2010] Iterative adjustment of survival functions by composed
probability distortions , soumis.
Birge J.R., Louveaux F. [1997] Introduction to Stochastic Programming, Springer Series in
Operations Research and Financial Engineering Heidelberg, 1997.
Black F., Litterman R. [1992] Global Portfolio Optimization , Financial Analysts Journal,
September/October, 28-43.
Black F., Scholes M. [1973] The pricing of options and corporate liabilities , Journal of
Political Economy, 1973, pp. 637-654.
Blake D., Lehmann B., Timmermann A. [1999] Asset Allocation Dynamics and Pension
Fund Performance , Journal of Business, 72, 429-461.
Blanke D. [2002] Estimation du coefficient de rgularit locale dune trajectoire de
processus , Comptes rendus de l'Acadmie des sciences, Paris, Serie I, 334, 145-148.
Blum J.R. [1954] Multidimensional stochastic approximation methods , Annals of
Mathematical Statistics, 25, 737-744.
Bluhm C., Overbeck L. [2007] Calibration of PD term structures: to be Markov or not to
be , Risk, 20(11), pages 98-103.
Bollerslev T. [1986] Generalized autoregressive conditional heteroscedasticity , Journal of
Econometrics, 31, 307-327.
Bouroche J.M., Saporta G., [1980] L'Analyse des Donnes, collection Que sais-je, PUF.
Brandimarte P. [2006] Numerical Methods in Finance and Economics: A MATLAB-Based
Introduction, Wiley-Interscience, deuxime dition.
Branke J., Meisel S., Schmidt C. [2008] Simulated annealing in the presence of noise ,
Journal of Heuristics, vol. 14, no 6, pp.627-654.
Brennan M., Schwartz E. [1982] An Equilibrium model of Bond Pricing and a Test of
Market Efficiency , Journal of Financial and Quantitative Analysis, 17, 3, 301-329.
Brinson G. P., Singer B.D., Beebower G.L. [1991] Determinants of portfolio performance II
: An update , Financial Analysts Journal, May-June 1991.
Broadie M., Cicek D.M., Zeevi A. [2009] An adaptative multidimensional version of the
kiefer-wolfowitz stochastic approximation algorithm , Proceeding of the 2009 Winter
Simulation Conference.
Bulger D.W., Romeijn H.E. [2005] Optimising noisy objective functions , Journal of
Global Optimization, 31 : 599-600.
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
273
Bystrm H.N. [2002] Using simulated currency rainbow options to evaluate covariance
matrix forecasts , Journal of International Financial Markets, Institutions and Money, 12,
216-230.
Campbell J.Y., Viceira L.M. [2001] Strategic Asset Allocation: Portfolio Choice for LongTerm Investors, Oxford University Press.
Campbell J.Y., Viceira L.M. [2005] The term structure of the risk-return trade off ,
Financial Analysts Journal, 61, 34-44.
Cario D.R., Kent T., Myers D.H., Stacy C., Sylvanus M., Turner A., Watanabe K., Ziemba
W. T. [1994] The Russell-Yasuda Kasai Model : An Asset Liability Model for a Japanese
Insurance Company using Multi-stage Stochastic Programming , Interfaces, 24, Jan-Feb
1994,29-49.
Cario, D.R., Turner A. [1998] Multiperiod Asset Allocation with Derivative Assets , dans
Worldwide Asset and Liability Modelling, Ziemba & Mulvey, Cambridge University Press,
Cambridge , UK, pp.182-204.
Carter J. [1991] The derivation and application of an Australian stochastic investment
model , Transactions of the Institute of Actuaries of Australia. 1991, I 315-428.
Castro J. [2009], A stochastic programming approach to cash management in banking ,
European Journal of Operational Research, 2009, vol. 192, issue 3, pages 963-974.
Chan L.K., Karceski J., Lakonishok J. [1999] On portfolio optimization: forecasting
covariances and choosing the risk model , Review of Financial Studies, 12, 937-974.
Chan K.C., Karolyi G.A., Longstaff F.A., Sanders A.B. [1992] An empirical comparison of
alternative models of short-term interest rate , Journal of Finance, 47:1209-1227.
Chourdakis K. [2004] Characteristic functions and Regime Switching Models , CCFEA
Workshop on Computational Finance 2004, http://thePonyTail.net
Cohen G., Culioli J.-C. [1994] Optimisation stochastique sous contraintes en esprance,
Rapport interne Centre Automatique et Systmes, Ecole des Mines de Paris, no. A288.
Consigli G., Dempster M.A.H. [1998] The CALM stochastic programming model for dynamic
asset-liability management, dans Worldwide Asset and Liability Modelling, Ziemba &
Mulvey, Cambridge University Press, Cambridge , UK, pp 464-500.
COSP - Stochastic Programming Community : http://stoprog.org/ [17, 101]
Cox J.C., Huang C.F. [1989] Optimum Consumption and Portfolio Policies When Asset
Prices Follow a Diffusion Process , Journal of Economic Theory, 49, 33-83.
Cox J.C., Ingersoll J.E., Ross S.A. [1985] A Theory of the Term Structure of Interest Rates
, Econometrica, 53:385-407.
274
Dcamps J.P. [1993] Une Formule Variationnelle pour les Obligations du Secteur Priv ,
Finance, 14, 2, 61-77.
Delarue A. [2001] Evaluation des rserves prudentielles en rpartition , Lettre de
lObservatoire des retraites, n12 mars 2001.
Deler B., Nelson B.L. [2001] Modeling and generating multivariate time series with
arbitrary marginals and autocorrelation structures , Proceedings of the 2001 Winter
Simulation Conference, Piscataway, New Jersey: Institute of Electrical and Electronics
Engineers, 275-282.
Dempster M., Evstigneev I., Schenk-Hopp K. [2003] Exponential Growth of Fixed Mix
Assets in Stationary Markets , Finance and Stochastics, 7, 263-276.
Dert C. [1995] A dynamic model for asset/ liability management for defined benefit pension
funds, dans Worldwide Asset and Liability Modelling, Ziemba & Mulvey, Cambridge
University Press, Cambridge , UK, pp 501-536.
Dogan K., Goetschalkx M. [1999] A primal decomposition method for the integrated design
of multi-period productiondistribution systems , IIE Transactions, Volume 31, Number 11,
November 1999 , pp. 1027-1036(10).
Dupacova J., Consigli G., Wallace S. [2000] Generating scenarios for multistage stochastic
programs , Annals of Operations Research, 100 (2000) 25-53 [17]
Dupacova J., Polivka J. [2009] Asset-liability management for Czech pension funds using
stochastic programming , Annals of Operations Research. Volume 165, Number 1 / janvier
2009, pages 5-28.
Durbin J., Watson G. S. [1951] Testing for Serial Correlation in Least Squares Regression,
II Biometrika 38, 159179.
Dyson A.C.L., Exley C.G. [1995] Pension fund asset valuation and investment , British
Actuarial Journal, 1: 471-557.
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
275
Elton E. J., Gruber M.J. [1973] Estimating the dependence structure of share prices
implications for portfolio selection , Journal of Finance, 28, 1203-1232.
Emmerich M.T.M. [2005] Single and Multi-objective evolutionary design optimization
assisted by Gaussian Random Field Metamodels, Thse de doctorat, Universit de Dortmund,
Dortmund.
Engle R.F. [1982] Autoregressive conditional heteroscedasticity with estimates of the
variance of United Kingdom inflation , Econometrica, 50, 987-1007.
Escudero L.F., Kamesam P.V., King A., Wets R.J.B. [1993] Production planning via
scenario modeling , Annals of Operations Research, 43, 311-335.
276
Godfrey L. [1979] Testing the Adequacy of a Time Series Model , Biometrika, 64, 67-72.
Gordon M., Shapiro E. [1956] Capital Equipment Analysis : The Required Rate of Profit ,
Management Science, 3, p. 102-110.
Hainaut D., Devolder P. [2005] Management of a pension fund under a VaR constraint ,
working paper.
Hainaut D., Devolder P. [2007] Management of a pension fund under mortality and
financial risks , Insurance: Mathematics and Economics, 41 (2007) 134155.
Hamilton J. D. [1989] A New Approach to the Economic Analysis of Nonstationary Time
Series and the Business Cycle , Econometrica, 57,357-384
277
Horta P., Mendes C., Vieira I. [2008] Contagion effects of the US Subprime Crisis on
Developed Countries , CEFAGE-UE, Working Paper 2008/08.
Hoyland K., Kaut M., Wallace S.W. [2003] Heuristic for moment-matching scenario
generation , Computational Optimization and Applications, 24(2-3):169185, 2003.
Huber P. [1995] A review of Wilkies stochastic asset model , British Actuarial Journal, 1,
181-211.
Hull J. [2000] Options, Futures, and Other Derivative Securities, New Jersey: Prentice-Hall,
5th. Edition.
Hull J.C., White A. [1990] Pricing Interest Rate Derivative Securities , Review of
Financial Studies, 3:573-592.
Hull J.C., White A. [1994] Numerical Procedures for Implementing Term Structure Models
II: Two-Factor Models , Journal of Derivatives (Winter), 37-48.
Jarque C.M., Bera A.K. [1980] Efficient tests for normality, homoscedasticity and serial
independence of regression residuals , Economics Letters 6 (3): 255259.
Johnson N. L. [1949] Systems of frequency curves generated by methods of translation ,
Biometrika 36 (1): 297-304.
Jones D.R., Pertunen C.D., Stuckman B.E. [1993] Lipschitzian optimization without the
Lipschitz constant , Journal of Optimization Theory and Applications, 79[1], 157-181.
Jones D.R., Schonlau M., Welch W.J. [1998] Efficient global optimization of expensive
blackbox functions , Journal of Global Optimization, 13, 455-492.
Kallberg J.G., White R.W., Ziemba W.T. [1982] Short Term Financial Planning under
Uncertainty , Management Science, Vol. 28, No. 6, June 1982, pp. 670-682.
Kaut M., Wallace S.W., [2003] Evaluation of scenario-generation methods for stochastic
programming , SPEPS, Working Paper, 14 (http://edoc.hu-berlin.de/series/speps/200314/PDF/14.pdf), 2003.
Kharoubi-Rakotomalala C. [2008] Les fonctions copules en finance, Publications De La
Sorbonne, collection Sorbonensia Oeconomica.
Kiefer J., Wolfowitz J. [1952] Stochastic estimation of the maximum of a regression
function , Annals of Mathematical Statistics, 23, 462-466.
Kim D., Santomero A. [1988] Risk in banking and capital regulation , Journal of Finance,
Vol. 43 (5), p.1219-1233.
Kim J.R. [2003] The stock return-inflation puzzle and asymmetric causality in stock returns,
inflation and real activity , Discussion paper, Economic Research Centre of the Deutsche
Bundesbank, 03/03, January.
278
Klassen P. [1997] Solving stochastic programming models for asset/ liability management
using iterative disaggregation , Research Memorandum, 0011, VU University Amsterdam,
Faculty of Economics, Business Administration and Econometrics.
Kouwenberg R. [2001] Scenario Generation and Stochastic Programming Models for Asset
Liability Management , European Journal of Operational Research, vol. 134, 51-64.
Krige D.G. [1951] A statistical approach to some mine valuations and allied problems at the
Witwatersrand, Thse de master de lUniversit de Witwatersrand.
Kusy M.I., Ziemba W.T. [1986] A Bank Asset and Liability Management Model ,
Operations research, Vol. 34, No. 3, May-June 1986, pp. 356-376.
Lawler E.L., Wood D.E. [1966] Branch and Bound methods : a survey , Operations
Research, Vol. 14, no 4, pp 699-719.
Leibowitz M.L., Kogelman S., Bader L.N. [1992] Asset Performance and Surplus Control:
A Dual-Shortfall Approach , The Journal of Portfolio Management, WINTER.
Le Vallois F., Palsky P., Paris B., Tosetti A. [2003] Gestion actif passif en assurance vie :
Rglementation - Outils Mthodes, Economica.
Macaulay F.R. [1938] The Movements of Interest Rates. Bond Yields and Stock Prices in
the United States since 1856 , New York: National Bureau of Economic Research.
Mandelbrot B. [2005] Une approche fractale des marchs : risquer, perdre et gagner, Editions
Odile Jacob.
Malliaris A. G., Brock W.A. [1982] Stochastic Methods in Economics and Finance, New
York: Elsevier Science Publishers.
Markowitz H. M. [1952] Portfolio Selection , The Journal of Finance, Vol. 7, No.1, March.
Martellini L. [2006] Managing Pension Assets: from Surplus Optimization to Liability-Driven
Investment, EDHEC Risk and Asset Management Research Centre.
Martellini L., Priaulet P., Priaulet S. [2003] Fixed-Income Securities: Valuation, Risk
Management and Portfolio Strategies, Wiley, 2003.
Mathias K., Whitley D., Kusuma A., Stork C. [1996] An empirical evaluation of genetic
algorithms on noisy objective functions , Genetic Algorithms for Pattern Recognition S.K.
Pal, ed. pp: 65-86. CRC Press, 1996.
Mazzola J.B., Schantz R.H. [1996] Multiple-facility loading under capacity-based
economies of scope , Naval Research Logistics (NRL), Volume 44 Issue 3, Pages 229 256.
Merton R. [1971] Optimum Consumption and Portfolio Rules in a Continuous Time Model
, Journal of Economic Theory, 3, 373-413.
279
Merton R. [1976] Option pricing when underlying stock returns are discontinuous , Journal
of Financial Economics, 3, pp.125-144.
Merton R. [1990] Continuous-Time Finance, Oxford, UK.
Meucci A. [2005] Risk and asset allocation, New York : Springer.
Mitra S. [2006] A White Paper on Scenario Generation for Stochastic Programming ,
OptiRisk Systems:White Paper Series, juillet.
Mulvey J..M., Thorlacius A.E. [1998] The Towers Perrin Global Capital Market Scenario
Generation System: CAP:Link, dans Worldwide Asset and Liability Modelling, Ziemba &
Mulvey, Cambridge University Press, Cambridge , UK.
Munk C., Sorensen C., Vinther T.W. [2004] Dynamic asset allocation under mean-reverting
returns, stochastic interest rates and inflation uncertainty , International Review of
Economics & Finance, Volume 13, Fvrier 2004,141-166.
Nelder J., Mead R. [1965] A simplex method for function minimization , Computer
Journal, vol. 7, no 4, p.308-313.
Norkin V., Pflug G.Ch., Ruszczynski A. [1996] A branch and bound method for stochastic
global optimization , Mathematical Programming, vol 83, no 1-3, pp 452-450.
Pennanen T., Koivu M. [2002] Integration quadratures in discretization of stochastic
programs , Stochastic Programming, E-Print Series, http://www.speps.info , May 2002.
Perold A. F, Sharpe W. F. [1988] Dynamic Strategies for Asset Allocation , Financial
Analysts Journal, 44, no. 1.
Pierre S.N. [2009] Passif social, construction du portefeuille dinvestissement et couverture
du risque de taux , Mmoire d'actuaire, CNAM.
Pirkul H., Jayaraman V. [1996] Production, Transportation, and Distribution Planning in a
Multi-Commodity Tri-Echelon System , Transportation Science, 30(4), 291-302.
Planchet F. [2009] Quel modle d'actifs en assurance ? , la Tribune de lAssurance
(rubrique le mot de lactuaire ), n136 du 01/05/2009.
Planchet F., Thrond P.E. [2005] Modles financiers en assurance Analyses de risque
dynamiques, Economica.
Planchet F., Thrond P.E. [2007] Pilotage technique dun rgime de rentes viagres,
Economica.
Planchet F., Thrond P.E., Kamega A. [2009] Scnarios conomiques en assurance Modlisation et simulation, Paris : Economica.
Portrait R., Poncet P. [2008] Finance de march Instruments de base, produits drivs,
portefeuilles et risques, Dalloz.
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
280
Roncalli T. [1998] La structure par terme des taux zro : modlisation et implmentation
numrique, Thse de doctorat, Universit de Bordeaux IV.
Roy A.D. [1952] Safety-first and the holding of asset , Econometrica, 20, 431-449.
Rudolf M., Ziemba W.T. [2004] Intertemporal surplus management , Journal of Economic
Dynamics & Control, 28 (2004) 975 990.
Rullire D., Faleh A., Planchet F. [2010] Un algorithme doptimisation par exploration
slective , soumis.
Rullire D., Faleh, A., Planchet F. [2010] Fonction dinformation et optimisation globale
dune fonction bruite , preprint.
Santner T., Williams B., Notz W. [2003] The design and analysis of computer experiments,
Springer Verlag, New York.
Santosa F., Alexandrov O. [2005] A topology-preserving level set method for shape
optimization , Journal of Computational Physics, Volume 204 , Issue 1 (March 2005),
Pages: 121 130.
Schubert B. [1972] A sequential method seeking the global maximum of a function , SIAM
Journal on Numerical Analysis, 9 :379-388.
Sharpe W.F., Tint L.G. [1990] Liabilities - A new approach , Journal of Portfolio
Management, Winter, 1990, 5-10.
Shapiro A., Verweij B., Shabbir A., Kleywegt A.J., Nemhauser G. [2003] The Sample
Average Approximation Method Applied to Stochastic Routing Problems: A Computational
Study , Computational Optimization and Applications, Volume 24, Numbers 2-3 / fvrier
2003,pages 289-333.
Shiller R.J. [1981] Do Stock Prices Move Too Much to be Justified by Subsequent Changes
in Dividends? , NBER Working Papers 0456, National Bureau of Economic Research, Inc.
281
Skintzi V.D., Spyros X.S. [2007] Evaluation of correlation forecasting models for risk
management , Journal of Forecasting, 26:7, 497-526.
Smith N.A., Tromble R.W. [2004] Sampling uniformly from the unit simplex, Rapport
technique, Johns Hopkins University.
Smith A.D. [1996] How actuaries can use financial economics , British Actuarial Journal,
2: 1057-1193.
Sommerville D.M.Y. [1958] An introduction to the Geometry of n dimensions, New York,
Dover edition.
Strugarek, C. [2006] Approches variationnelles et autres contributions en optimisation
stochastique, ENPC, Thse de doctorat.
Student (ou Gosset W.S.) [1908] The Probable Error of a Mean , Biometrika, 6, 125.
Tanaka S., Inui K. [1995] Modelling Japanese financial markets for pension ALM
simulations , 5th AFIR colloquium, 563-584
Thomson R.J. [1994] A stochastic investment model for actuarial use in South Africa ,
Transactions of the Actuarial Society of South Africa 1.
Tuckman B., [2002] Fixed Income Securities: Tools for Today's Markets, John Wiley & Sons,
Inc, 10-01-2002, 528 pages.
Vasicek O. [1977] An equilibrium Characterization of the Term structure , Journal of
Financial Economics, 5:177-188.
Villemonteix J. [2009] Optimisation de fonctions coteuses, Thse de doctorat de physique,
Universit Paris Sud 11, Facult des sciences dOrsay, no 9278.
Wainscott C. B. [1990] The stock-bond correlation and its implications for asset allocation
, Financial Analysts Journal, 46, 55-60.
Waring B. [2004] Liability-Relative Investing II: Surplus Optimization with Beta, Alpha,
and an Economic View of the Liability , working paper, September 2004.
Wilkie D. [1984] Steps towards a comprehensive stochastic model , Occasional Actuarial
Research Discussion Paper, The Institute of Actuaries, London, 36:1-231.
Wilkie D. [1986] A Stochastic Investment Model for Actuariel Use , Transactions of the
Faculty of Actuaries, 39:341-403.
Wilkie D. [1995] More on a Stochastic Model for Actuarial Use , British Actuarial
Journal, pp. 777-964. http://www.ressources-actuarielles.net/jwa/documentation/1226.nsf.
Wolfe M.A. [1996] Interval Methods for Global Optimization , Applied Mathematics and
Computation, Vol. 75, Issues 2-3, pp. 179-206.
282
Yen S.H., Hsu Ku Y.H. [2003] Dynamic Asset Allocation Strategy for Intertemporal,
Pension Fund Management with Time-Varying Volatility , Academia Economic Papers, 31:
3 (September 2003), 229261.
Zadeh L.A. [1965] Fuzzy Set , Information and Control, 8 [3] : 338-353.
Zenios S.A. [2007] Practical Financial Optimization : Decision Making For Financial
Engineers, Blackwell Publishers, Oxford, 2007.
Ziemba W.T. [2003] The Stochastic Programming Approach to Asset-Liability and Wealth
Management, AIMR-Blackwell.
Ziemba W. T., Mulvey J.M. [1998] Worldwide Asset and Liability Modelling, Cambridge
University Press, UK.
283
Introduction ............18
284
285
Introduction...113
Chapitre 1 : Les modles dALM classiques (dterministes)118
I- Immunisation du portefeuille...118
286
II-1 Introduction..168
II-1-1 Le problme doptimisation..168
II-1-2 Approche retenue. 172
II-2 Une grille pas variable par subdivision systmatique...173
II-2-1 Forme des zones de recherche..173
II-2-2 Choix de la zone explorer ou segmenter....175
II-2-3 Choix des paramtres ( K , ) du potentiel..181
II-2-4 Choix du sommet de scission183
II-2-5 Schma de lalgorithme de scission systmatique184
II-2-6 Rsultat final et critre de convergence....185
II-3 Une grille pas variable avec retirage possible...188
Thse de Doctorat- Alaeddine FALEH
Universit Claude Bernard-Lyon 1 (2011)
287
288
IIINouvelle
approche
dALM
par
la
discrtisation
des
scnarios
conomiques.......242
Conclusion gnrale.262
Index des graphiques...268
Bibliographie....272
Table des matires...284
289