Rapport de projet Risque de Crédit, Risque de Défaut : Étude de l influence du taux de recouvrement sur le prix de CDOs.

Dimension: px
Commencer à balayer dès la page:

Download "Rapport de projet Risque de Crédit, Risque de Défaut : Étude de l influence du taux de recouvrement sur le prix de CDOs."

Transcription

1 Rapport de projet Risque de Crédit, Risque de Défaut : Étude de l influence du taux de recouvrement sur le prix de CDOs. Auteurs : Hecht Frédéric, Porzier Rémi, Font Guillaume Cours «Risque de Crédit, Risque de Défaut» à l ENPC, année 2007/2008 Projet soutenu devant : Vivien Brunel, Société Générale Asset Management

2 2

3 Table des matières Table des matières 2 Introduction 4 1 Description d un CDO Présentation du produit Le CDO standardisé Aspect théorique Modélisation Modélisation du marché du risque de crédit Les modèles structurels Les modèles à intensité de défaut Les copules La copule gaussienne Méthode de calcul de probabilités Le cas standard Méthode de Monte-Carlo Réduction de la variance : méthode des variables antithétiques Calcul du prix de CDOs Calcul des différentes espérances, en vue de calculer le spread CDO : espérance dans le cas standard CDO : variance dans le cas standard Résultats numériques Validité du modèle Tests des sensibilités Conclusion 17 A Tableaux et Figures 19 Bibliographie 23 3

4 4 TABLE DES MATIÈRES Introduction Dans le cadre du cours «Risque de Crédit, Risque de Défaut» suivi à l Ecole Nationale des Ponts et Chaussées au cours de l année 2007/2008, nous avons réalisé un projet, intitulé «Etude de l influence du taux de recouvrement sur le prix d un CDO», dont voici le rapport. Les CDOs (Collateralized Debt Obligations) sont des produits dérivés de crédit, permettant de diminuer le prix de la protection du risque de crédit pour la banque, et pour l entreprise qui y a recours. En fait, plutôt que de passer par le marché des CDS (Credit Default Swap) pour se couvrir des risques de défauts, la banque va regrouper les entreprises ayant recours à un prêt, ce qui permet de diminuer le risque et d abaisser le coût de la protection du risque de crédit. Cela permet aussi de maîtriser le risque de contagion de défauts par la corrélation entre les entreprises (la corrélation se déduit de la valeur du CDO sur le marché). Dans le cadre de ce projet, nous avons développé un pricer qui va nous permettre de faire une étude de sensibilité de prix pour chaque tranche de CDO. Ce pricer a été développé en VB. Net, et mis sous la forme d une dll appelée par une spreadsheet qui permet de conserver les facilités d utilisation d Excel tout en bénéficiant de la performance du langage VB. Net. Le fair spread d une tranche de CDO, est calculé à partir de la jambe de paiement et de la jambe de défaut, lesquelles sont calculées à partir des probabilités de défaut des entreprises à chaque échéance de paiement. La clé du pricer sera donc de calculer ces probabilités par une méthode de Monte Carlo, chaque itération étant simulée grâce à une copule gaussienne. L utilisation faite de ce pricer dans le cadre de ce projet visera à analyser la variation du prix du CDO en fonction du taux de recouvrement, mais aussi de la corrélation et du nombre d entreprises. Nous tenterons de croiser les résultats obtenus avec notre compréhension intuitive du produit. Le projet s est déroulé en plusieurs étapes : 1. Recherche bibliographique et lecture de différents articles, notamment [HW04], afin de bien comprendre le cadre de l évaluation du prix d un CDO ; 2. Implémentation en VB.Net d algorithmes permettant de calculer le prix de CDOs, avec une méthode de Monte-Carlo mais en accord avec l article [HW04] et ses résultats ; 3. Analyse des résultats.

5 Chapitre 1 Description d un CDO Dans ce chapitre, nous allons introduire le produit financier auquel nous allons nous intéresser dans le cadre de ce projet : le CDO standardisé. 1.1 Présentation du produit Le CDO permet à une partie, A (une banque ou un organisme préteur), d acheter une protection contre les défauts pouvant survenir parmi un panier de m entreprises. Pour cela, A paye de manière régulière un coupon fixe ou prime à une troisième partie, C (une autre banque, ou un investisseur sur le marché). Le coupon est proportionnel à la date écoulée depuis le dernier paiement, on l appelle également spread. Le paiement du coupon cesse si un défaut survient, et alors C doit payer à A le montant précisé par le contrat. Si A voulait se protéger des pertes de toutes les entreprises du panier, elle devrait alors émettre m CDS, chacun sur une entreprise differente(ou un numéro de défaut). Mais ceci peut coûter cher, et qui voudra acheter les n th to default CDS pour les premiers défauts, qui sont très risqués? L idée d un CDO repose sur le fait que la protection court sur une tranche de perte. Introduisons le processus de pertes L(t), avec N j le nominal de la j-ième entreprise, et L j le taux de perte (L j = 1 R) : m L(t) = N j L j 1 τj t (1.1) et posons L max = j=1 m N j L j, le montant maximal de pertes. j=1 Par exemple, si A veut se protéger des pertes du panier contenues dans [5%, 15%], alors elle achète un CDO sur la tranche [5%, 15%] à C, le vendeur de protection, qui la couvre du risque sur cette tranche. Ainsi, A va effectuer un paiement régulier à C, proportionnel au temps écoulé depuis le dernier paiement et à la proportion de perte dans la tranche considérée ; en échange C s engage à verser à A un montant prédéterminé pour tout défaut dans la tranche. Les paiements cessent quand la perte atteint la borne supérieure de la tranche. En somme, les pertes affectent d abord la première tranche (ou equity), puis la tranche suivante (mezzanine 1 )... jusqu à la dernière tranche, la tranche super senior. Pour la suite, nous noterons : T ou T I la durée du contrat, ou sa maturité ; T i une échéance du contrat, avec T i [0, T I ] ; α i le temps écoulé entre T i 1 et T i ; 5

6 6 CHAPITRE 1. DESCRIPTION D UN CDO R t le taux de recouvrement, que B donne à A si le défaut a lieu, avec R t [0, 1), que l on supposera déterministe dans certains cas ; D(0, T i ) le taux d actualisation zéro-coupon entre les temps 0 et T i ; τ j l instant du défaut de la j-ième entreprise ; X le spread du CDO, ou taux équitable du CDO, ce que nous chercherons à calculer afin d évaluer le prix du CDO pour une tranche donnée (c est ce qui est côté par le marché) ; N j le nominal de la j-ième entreprise ; L la somme que C verse à A si le défaut a lieu avant T, soit L = (1 R) N = 1 R. 1.2 Le CDO standardisé Sur le marché, les choses sont un peu plus simples, et ce sont des CDOs standardisés qui apparaissent. Typiquement, les échéances sont trimestrielles (α i = 1 4 ) ; les durée T = 3, 5, 7 ou 10 ans ; les paniers comptent un nombre fixé de noms (le panier de référence, l I-Traxx Europe, compte m = 125 noms) ; les pertes sont normalisées, les nominaux et taux de recouvrement identiques et déterministes, donc la perte maximale est égale à 1 R. Nous avons alors le processus de pertes suivant : L(t) = 1 R m 1 τj t (1.2) m Pour l I-Traxx Europe, nous avons les tranches suivantes : [0%, 3%] (tranche equity, la plus risquée), [3%, 6%], [6%, 9%], [9%, 12%] (tranches mezzanines), [12%, 22%] (tranche senior) et enfin [22%, 100%] (tranche super senior, la moins risquée). Comme précisé dans la section précédente, les pertes survenant à la suite de défauts dans le panier vont d abord affecter la première tranche, puis quand elles atteindront 3% elles affecteront la deuxième, etc. j=1 1.3 Aspect théorique Pour considérer les pertes dans une tranche donnée, par exemple la tranche [a, b] avec 0 a < b 1, nous avons besoin de définir la fonction x [0, 1], Ha(x) b = (x a) + (x b) +, soit 0 si x a Ha(x) b = x a si a x b b a si x b (1.3) (Voir la figure en annexe A.1) Nous pouvons maintenant écrire le flux de paiements de C sur le CDO standardisé de tranche [a, b] : F = m α i XD(0, T i )[b a Ha(L(T b i ))] + 1 τj T I XD(0, τ j )(τ j T β(τj ) 1)[Ha(L(τ b j )) Ha(L(τ b j ))] j=1 m 1 τj T I D(0, τ j )[Ha(L(τ b j )) Ha(L(τ b j ))] (1.4) j=1

7 1.3. ASPECT THÉORIQUE 7 et pour calculer le spread, de IE(F ) = 0 nous déduisons : m IE 1 τj T I D(0, τ j )[Ha(L(τ b j )) Ha(L(τ b j ))] j=1 X = IE α i D(0, T i )[b a Ha(L(T b i ))] + j=1 m 1 τj T I D(0, τ j )(τ j T β(τj ) 1)[Ha(L(τ b j )) Ha(L(τ b j ))] (1.5)

8 8 CHAPITRE 1. DESCRIPTION D UN CDO

9 Chapitre 2 Modélisation Maintenant que nous avons introduit le CDO, nous devons pouvoir évaluer son prix, dont la formule théorique est donnée. Ceci nécessite principalement deux choses : le choix d un modèle de marché, puis le calcul des probabilités de défauts. C est ce que nous verrons dans ce chapitre. 2.1 Modélisation du marché du risque de crédit Commençons tout d abord par modéliser le marché du risque de crédit. Il y a principalement deux types de modèles qui existent : des modèles structurels, et des modèles à intensité de défaut. En pratique, c est le modèle à intensités de défaut que nous allons retenir (cf. [HW04]). Ensuite, une fois ce modèle choisi, nous irons plus en avant dans la modélisation du risque de crédit, en introduisant les copules et particulièrement la copule que nous utiliserons dans le cadre de ce projet : la copule gaussienne Les modèles structurels Les modèles structurels sont des modèles cherchant à expliquer l événement de défaut à partir de variables économiques. Historiquement, ce sont les premiers modèles qui ont été introduits, notamment par Merton et Black-Cox dès le milieu des années Le modèle de Merton considère la valeur de l entreprise au cours du temps. Si elle demeure sous un certain seuil à l échéance, alors l entreprise ne peut pas rembourser ses créances et on dit qu elle fait défaut. En somme, la valeur de l entreprise peut être vue comme un call sur les actifs, évaluée par la formule de Black-Scholes. Le problème est que de cette manière, le défaut ne peut avoir lieu qu à une seule date connue à l avance, ce qui est très peu réaliste! Pour pallier à ce manque, Black et Cox vont considérer le premier passage de la valeur de l entreprise sous un certain seuil. Cela implique que la date de défaut n est plus connue à l avance : nous gagnons en réalisme. Cependant, nous ne rentrerons pas en détail, vous pouvez consulter [A06] pour de plus amples renseignements. Ce sont les agences de rating qui utilisent surtout des modèles structurels pour décrire la structure des entreprises, en s appuyant sur leurs comptes. Cela permet de leur mettre une note, ce qui va être côté sur le marché. Les traders également utilisent des models structurels le plus souvent. Mais le modèle que nous choisirons n est pas un modèle structurel, mais un modèle à intensité de défaut : c est le modèle communément adopté sur le marché aujourd hui. 9

10 10 CHAPITRE 2. MODÉLISATION Les modèles à intensité de défaut Les modèles à intensité de défaut sont les modèles actuellement les plus utilisés dans la littérature et sur le marché. Tous les détails théoriques sur les espaces dans lesquels on se place se trouvent dans [A06], ce n est pas le but de notre rapport de rentrer dans le détail ou de recopier une partie de document. Cependant, pour préciser rapidement le cadre, nous nous plaçons dans un espace de probabilité qui décrit les aléas du marché. Nous prenons ensuite une filtration contenant l ensemble des informations de tous les actifs sans risque de défaut. Nous prenons également une filtration engendrée par min t 0 (τ, t), avec τ un temps de défaut pour une entreprise. Alors, nous prenons comme filtration la filtration engendrée par les deux filtrations précédentes, puis nous pouvons calculer les différentes probabilités et espérances souhaitées 1. Considérons maintenant notre définition principale, celle du modèle à intensité de défaut : on dit que τ suit un modèle à intensité de défaut si il existe λ t tel que la probabilité de défaut de l entreprise avant t vaut IP(τ t) = 1 exp( t 0 λ udu). On a habituellement λ t donné par le marché des CDS, et on l appelle l intensité de défaut. C est une des clés de voûte de notre modèle! Les copules Les copules sont un des outils les plus importants pour modéliser les dépendances entre les entreprises. En effet, dans un panier de 125 entreprises comme l I-Traxx Europe, avoir l intensité de défaut de chaque entreprise ne suffit pas. Il faut savoir également s il existe une corrélation entre les différentes entreprises. La corrélation se comprend de la manière suivante. Dans le cas extrême où la corrélation entre les entreprises est nulle, elles agissent chacunes indépendemment les unes des autres : le défaut d une entreprise ne pourra avoir d influence sur le défaut d une autre entreprise. Plus la corrélation augmente, et plus le défaut d une ou plusieurs entreprises pourra en déclencher d autres. Le cas extrême est celui où la corrélation est égale à 1 : si une entreprise fait défaut, alors toutes les autres font également défaut. En pratique, nous éviterons les deux cas extrêmes qui ne traduisent pas la réalité du marché. On a une équivalence entre la loi jointe (de toutes les dates de défauts des entreprises) et leurs lois marginales adjointes aux copules. C est pour cela que le principe de copule est très intéressant : il est très souvent plus compliqué de connaître la loi jointe que de connaître les lois marginales et les copules. Pour une définition mathématique détaillée des copules, vous pouvez vous référer à [A06]. 2.2 La copule gaussienne Après avoir vu la nécessité des copules pour représenter fidèlement le risque de crédit, nous pouvons maintenant nous pencher la famille de copule que nous avons retenu pour notre projet : la copule gaussienne (à un facteur). Pour la suite, considérons : m le nombre d entreprises du panier ; 1 En effet, les espérances calculées dans le premier chapitre le sont par abus de language, il faut les calculer d après la filtration que l on vient de définir.

11 2.3. MÉTHODE DE CALCUL DE PROBABILITÉS 11 τ j l instant de défaut de la j-ième entreprise ; Q j (t) la fonction de répartition risque neutre que la j-ième entreprise fasse défaut avant la date t, soit Q j (t) = IP(τ j t) ; S j (t) la fonction de répartition risque neutre que la j-ième entreprise fasse défaut après la date t, soit S j (t) = IP(τ j > t). La copule gaussienne à un facteur est la plus facile à utiliser en pratique, et c est pour cette raison celle communément adoptée par le marché. Pour générer cette copule pour les τ j, on définit les variables aléatoires X j (1 j m) : X j = a j M + 1 a 2 j Z j (2.1) avec les variables aléatoires M N (0, 1) et Z j N (0, 1) qui sont iid, et 1 a j 1. On a immédiatement la corrélation entre X i et X j qui est a i a j. Par la suite, nous considérerons que la corrélation est une constante fixée à la valeur cor, et que a j = cor. Notons H la fonction de répartition des X j, on a facilement X j N (0, 1), donc H est la fonction de répartition gaussienne.. Les temps de défauts sont modélisés par les X j. On a définit les variables aléatoires des temps de défauts τ j dont les lois marginales vérifient IP(τ j t) = Q j (t). Alors, on obtient les temps de défaut par la transformation suivante : τ j 1 λ ln (H(X j)), dans le cas où λ est une constante. Nous allons ensuite nous servir des τ j pour calculer le prix du CDO, par une méthode de Monte- Carlo. 2.3 Méthode de calcul de probabilités = Q 1 j [H(X j )] = Maintenant que nous avons détaillé la méthode d obtention des copules et des τ j, nous pouvons avancer d une étape supplémentaire pour le calcul du prix du CDO. Nous allons devoir, avant de pouvoir calculer ce prix, calculer la distribution de probabilité du nombre de défauts ou celle de la perte totale Le cas standard Avant d introduire la méthode, voilà une définition du cas standard. Nous avons les propriétés suivantes : Les taux de recouvrement sont déterministes et constants au cours du temps ; Les nominaux sont identiques pour toutes les entreprises du panier, et ils sont normalisés (leur somme est égale à 1) ; Les intensités de défaut sont déterministes et égales Méthode de Monte-Carlo Cette méthode permet de calculer une estimation de la distribution de probabilité du nombre de défauts, ceci à chaque instant de versement de coupon t i [0, T ]. Ces distributions seront notées, pour tous t i [0, T ] et pour tous k [0, m] : Π ti (k). La méthodologie est la suivante : Pour chaque simulation de Monte-Carlo n [1, N] : on génére les τ j, puis on les teste par rapport à T. Si τ j 5, alors l entreprise j a fait défaut avant maturité et on détermine t i [0, T ] tel que τ j [t i 1, t i ] 2. Une fois qu on a fait le test pour toutes les entreprises, on dispose d un vecteur qui nous donne le nombre de défauts pour chaque intervalle de 2 On utilise le fait que τ j = 1 ln (H(Xj)) λ

12 12 CHAPITRE 2. MODÉLISATION temps [t i 1, t i ]. On peut donc déterminer pour une simulation n donnée le vecteur des Π n t i (k) = 1I k defauts a ti. Après toutes les simulations, en sommant les Π n t i (k) on dispose d un vecteur Π ti (k) en divisant le nombre de cas par le nombre de simulations de Monte-Carlo N. On calcule ensuite le spread équitable avec la méthode explicitée dans la prochaine partie. On calcule la variance sur le spread du CDO avec la méthode explicitée dans la prochaine partie. Les points forts de cette méthode sont : elle est simple à implémenter ; elle est rapide ; elle nécessite peu de paramètres et de calibrage ; Les points faibles sont : elle ne fonctionne pas si les nominaux sont différents ; on ne peut pas introduire de taux de recouvrement différents ou stochastiques. En pratique, c est cette méthode que nous utiliserons puisque nous nous plaçons dans le cadre d un CDO standardisé Réduction de la variance : méthode des variables antithétiques Afin de réduire la variance et d accélerer l algorithme, nous utilisons la méthodes des variables antithétiques, la méthode de réduction de variance la plus simple à utiliser en pratique. Pour chaque simulation paire, nous générons les variables aléatoires gaussiennes iid (M, Z 1, Z 2,..., Z m ) qui vont servir à calculer les X j (1 j m). Pour chaque simulation impaire, nous prenons les variables aléatoires gaussiennes iid ( M, Z 1, Z 2,..., Z m qui vont servir à calculer les X j (1 j m). Ainsi, cela nous économise la moitié des générations de variables aléatoires, et permet de réduire la variance d un facteur 2 à nombre de simulations égales.

13 Chapitre 3 Calcul du prix de CDOs 3.1 Calcul des différentes espérances, en vue de calculer le spread Maintenant que les probabilités de défauts et de pertes sont calculées, nous pouvons passer au calcul des espérances décrites dans le premier chapitre! CDO : espérance dans le cas standard Dans cette première partie, nous allons aborder le calcul des espérances dans le cas standard, grâce à la méthode de Monte-Carlo (calcul de la distribution de la probabilité du nombre de défauts). Le calcul revient au calcul de la distribution de la probabilité du nombre de défauts. La méthode de calcul du spread est en partie celle proposée par [G04]. Considérons la tranche [a, b]. Pour tout t i [T 1, T ], il faut calculer l espérance de la perte contenue dans le panier considéré (expected loss, notée EL i ). On note Π ti (j) la probabilité qu il y ait j défauts à t i, et H b a(j N j (1 R)) la proportion des défauts dans la tranche [a, b] (voir la définition de la fonction H b a avec la fonction (1.3)) : EL i = m Π ti (j)ha(j b N j (1 R)) (3.1) j=0 Ceci signifie que l on somme pour tous les nombres de défauts, la probabilité que l on ait ce nombre de défaut multiplié par la proportion de défauts de la tranche (si on n a pas assez de défauts, alors ce terme est nul, puis quand le numéro de défaut entre dans la tranche considérée, ce terme croît,... voir la figure A.1 pour une meilleure compréhension). A partir de cela, nous pouvons calculer l espérance de la jambe des défauts (ou default leg notée DL), qui est l espérance des paiements de C à A suite à des défauts 1 : m DL = IE 1 τj T I D(0, τ j )[Ha(L(τ b j )) Ha(L(τ b j ))] = j=1 D ( 0, T i + T i 1 2 ) (EL i EL i 1 ) (3.2) 1 Nous supposons par la suite qu un défaut a toujours lieu au milieu de la période [T i, T i 1] soit en pour plus de simplicité! Ti + Ti 1, 2 13

14 14 CHAPITRE 3. CALCUL DU PRIX DE CDOS Nous pouvons également calculer l espérance de la jambe des paiements de A à C (ou payment leg, notée PL), avec la partie régulière P et la partie des coupons courus CC : [ ] P = IE X α i D(0, T i )[b a Ha(L(T b i ))] CC = IE X = X = X α i D(0, T i )((b a) EL i ) (3.3) m 1 τj T I D(0, τ j )(τ j T β(τj ) 1)[Ha(L(τ b j )) Ha(L(τ b j ))] j=1 α i 2 D ( 0, T ) i + T i 1 (EL i EL i 1 ) (3.4) 2 P L = P + CC (3.5) De l égalité DL = P L qui traduit le fait que le CDO est équitable, on obtient le spread X : X = α i D(0, T i )((b a) EL i ) + D(0, T i + T i 1 )(EL i EL i 1 ) 2 En pratique, on calcule d abord les EL i puis DL, P X maintenant nous avons abouti! CDO : variance dans le cas standard α i 2 D(0, T i + T i 1 )(EL i EL i 1 ) 2 CC et, et ensuite X = DL X P X + CC X (3.6). Voilà, Une donnée importante dans les simulations de Monte-Carlo est le calcul de la variance, qui permet ensuite de calculer un intervalle de confiance. Ce qui nous intéresse ici est le calcul de la variance de X, le spread équitable du CDO. Or, cette variance n est pas aisée à calculer : on calcule la variance d un quotient de variables aléatoires! Appelons DL la jambe des défauts, P L la jambe des paiements, alors d après [Muk] : V ar(x) = V ar ( DL P L ) = ( IE(DL) IE(P L) ) 2 [ V ar(dl) IE(P L) ] V ar(p L) 2Covar(DL, P L) + 2 IE(P L) 2 IE(P L)IE(DL) Pour calculer la variance du spread équitable, nous devons donc calculer la variance de la jambe de défauts, la variance de la jambe des paiements ainsi que la covariance des deux jambes. Pour ceci, il nous faut donc garder en mémoire les résultats de toutes les simulations. Introduisons la notation suivante, avec pour chaque simulation n l indicateur Π n t i (k), indicateur du nombre de défauts à l instant t i : m EL n i = Π n t i (j)ha(j b N j (1 R)) (3.7) j=0 De manière similaire à la partie précédente, notons pour chaque simulation de Monte-Carlo n : DL n = ( D 0, T ) i + T i 1 (EL n i EL n ) i 1 2

15 3.2. RÉSULTATS NUMÉRIQUES 15 De même : P L n = α i D(0, T i )((b a) EL n i ) + ( α i 2 D 0, T ) i + T i 1 (EL n i EL n 2 i 1) Alors, en notant pour N grand : IE(DL) = 1 N IE(P L) = 1 N V ar(dl) = V ar(p L) = Covar(DL, P L) = N DL n n=1 N P L n n=1 1 N 1 1 N 1 1 N 1 N (DL n IE(DL)) 2 n=1 N (P L n IE(P L)) 2 n=1 N (DL n IE(DL)) (P L n IE(P L)) n=1 on peut calculer la variance de X. On peut noter que ceci est assez coûteux en temps de calcul, car il faut calculer les jambes de défauts et de paiements pour toutes les simulations de Monte-Carlo. Cette étape double le temps de calcul de l algorithme de simulation. 3.2 Résultats numériques Validité du modèle Tout d abord, nous avons testé la validité du modèle que nous avons implémenté en reproduisant une des simulations de [HW04], décrite dans A.2. Nous trouvons des résultats quasiment identiques, ce qui valide notre modèle. Nous avons fait la simulation pour N= , mais nous avons une bonne convergence à partir de N= Pour informations sur les résultats que donnent le modèle, avec la variance des différentes tranches, l écart type et l intervalle de confiance du spread équitable, vous pouvez vous référer au tableau A.1 qui contient un résultat dans le cas standard, avec 100 noms et des tailles tranches similaires à l indice Itraxx. Nous pouvons nous rendre compte empiriquement que X V ar(x) Tests des sensibilités Nous avons effectué de nombreux tests de sensibilités afin de mieux comprendre l influence des différents paramètres du modèle, avec comme paramètres de base : N= , T=5 ans, 50 entreprises, spread des CDS=100bps, Corrélation de 30%, Recovery Rate de 40%, taux d intérêt r=5%, tranches Itraxx. Nous donnerons ci-après des résultats sur le spread, les résultats sur la variance pouvant s en déduire, car on peut remarquer empiriquement que X V ar(x) dans le cas d un CDO. 1. L influence du nombre d entreprises : cf tableau A.3 et graphique A.2. En faisant varier le nombre d entreprises de 10 à 100, on se rend compte que le prix de la tranche junior augmente, mais que toutes les tranches supérieures diminuent. Ceci est du au fait que la tranche junior a plus de chance d être impactée par des défauts si le nombre d entreprises est

16 16 CHAPITRE 3. CALCUL DU PRIX DE CDOS plus important, alors que les tranches supérieures bénéficient d une meilleure diversification, donc d un risque plus faible. 2. L influence de la corrélation : cf tableau A.4 et graphique A.3. En faisant varier la corrélation de 10% à 50%, on se rend compte que qu une augmentation de la corrélation diminue le prix des tranches basses, mais augmente celui des tranches hautes. Ceci est du au fait que les défauts ont tendance à être plus indépendants avec une corrélation basse, donc la probabilité qu il y ait de nombreux défauts dans une simulation est beaucoup plus faible que lorsque la corrélation est importante. De même, la probabilité qu il y ait peu de défauts augmente, ce qui renchérit la tranche basse. 3. L influence du taux de recouvrement : cf tableau A.5 et graphique A.4. En faisant varier la recovery de 0% à 50%, on se rend compte que l augmentation du taux de recouvrement augmente le prix des tranches basses, tout en faisant diminuer celui des tranches hautes. L augmentation du taux de recouvrement augmente le taux de défaut des entreprises, puisqu on suppose que le spread du marché est constant. Cependant, l augmentation du taux de recouvrement diminue les pertes quand une entreprise fait défaut, ce qui va avoir tendance à diminuer les pertes des tranches supérieures (50% de taux de recouvrement indique qu on ne peut pas perdre plus de 50% du portefeuille!). Donc sur ces deux influences (augmentation du taux de défaut mais diminution des pertes en cas de défaut), c est l effet d augmentation du taux de défaut qui prédomine sur les tranches basses en faisant augmenter le spread, alors que sur les tranches supérieures c est l effet de diminution du montant des pertes en cas de défaut qui prédomine, en faisant diminuer le spread. A la limite pour un taux de recouvrement proche de 100%, on aurait un effet de diminution des pertes prépondérant, puisqu on aurait un montant de pertes maximal faible, et uniquement la tranche junior touchée, donc des pertes nulles pour les tranches senior. Le taux de recouvrement est donc un paramètre de calibration du modèle important, au même titre que la corrélation par exemple. Historiquement, le taux de recouvrement est corrélé négativement avec le taux de défaut : dans une période où les défauts sont importants, le taux de recouvrement a tendance à être faible, alors que dans les périodes où il y a peu de défauts, le taux de recouvrement a tendance à être plus élevé. Ceci va être implicitement utilisé par le marché comme paramètre pour pricer le CDO. De même, le taux de recouvrement sera différent en fonction du secteur auquel appartiennent les entreprises (plus élevé dans l industrie que dans les services). Ainsi, les pricers vont utiliser cette diversité pour calculer le prix.

17 3.2. RÉSULTATS NUMÉRIQUES 17 Conclusion Nous avons donc remarqué l importance des CDOs, produits dérivés de crédit très courants, qui sont sous le feu de la rampe depuis cet été. Le taux de recouvrement est un paramètre clé du modèle, qu il faut anticiper en fonction des données du marché et de la situation économique globale. Ce projet nous a permi de mettre en pratique les outils de pricing de CDOs, ainsi que de se confronter à des problématiques diverses. Il nous a donné la possibilité d allier théorie, pratique, algorithmie, implémentation : un projet complet!

18 18 CHAPITRE 3. CALCUL DU PRIX DE CDOS

19 Annexe A Tableaux et Figures Tranche/ Prix Variance Ecart-Type Largeur demi-intervalle de confiance à 95% [0%,3%] [3%,6%] [6%,9%] [9%,12%] [12%,22%] [22%,100%] Tab. A.1 Résultat d une simulation de Monte-Carlo, 100 noms, N= , R=40%, r=5%, corrélation = 30%, λ = , T=5ans Intensité λ = 0.01 λ = 0.01 λ = 0.01 λ = 0.01 Corrélation cor = 0.3 cor = 0.3 cor = 0.1 cor = 0.1 Tranche / nous [HW04] nous [HW04] [0%, 3%] [3%, 6%] [6%, 10%] [10%, 100%] Tab. A.2 Spreads CDO de [HW04], 100 noms, copule gaussienne, N= simulations Tranche / Nombre entreprises [0%, 3%] [3%, 6%] [6%, 9%] [9%, 12%] [12%, 22%] [22%, 100%] Tab. A.3 Influence du nombre d entreprises pour le spread de CDO 19

20 20 ANNEXE A. TABLEAUX ET FIGURES Tranche / Corrélation 10% 30% 50% [0%, 3%] [3%, 6%] [6%, 9%] [9%, 12%] [12%, 22%] [22%, 100%] Tab. A.4 Influence de la corrélation pour le spread de CDO Tranche / Corrélation 0% 10% 20% 30% 40% 50% [0%, 3%] [3%, 6%] [6%, 9%] [9%, 12%] [12%, 22%] [22%, 100%] Tab. A.5 Influence du taux de recouvrement pour le spread de CDO y x Fig. A.1 Exemple de fonction H b a(x), pour a = 10 et b = 20.

21 21 Fig. A.2 Influence du nombre de loans sur le spread des différentes tranches.. Fig. A.3 Influence de la corrélation sur le spread des différentes tranches..

Le risque de crédit. DeriveXperts. 23 juillet 2010

Le risque de crédit. DeriveXperts. 23 juillet 2010 23 juillet 2010 Définitions Exemples - Interactions Obligations Credit Default Swap (CDS) First To Default Collateralized Debt Obligation (CDO) Probabilité de défaut Le modèle exponentiel dynamique - Introduction

Plus en détail

Couverture dynamique des produits dérivés de crédit dans les modèles à copules

Couverture dynamique des produits dérivés de crédit dans les modèles à copules Couverture dynamique des produits dérivés de crédit dans les modèles à copules David Kurtz, Groupe de Recherche Opérationnelle Workshop Copula in Finance, 14 mai 2004, ENS Cachan Sommaire 1 Le marché des

Plus en détail

TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options

TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce

Plus en détail

Gestion des Risques Financiers

Gestion des Risques Financiers Gestion des Risques Financiers Thierry Roncalli 9 janvier 2008 Merci de rédiger entièrement vos réponses. 1 La réglementation Bâle II 1. Quelles sont les principales diérences entre l'accord originel de

Plus en détail

Ecole Nationale des Ponts et Chaussées Option Adjusted Spread

Ecole Nationale des Ponts et Chaussées Option Adjusted Spread Ecole Nationale des Ponts et Chaussées Option Adjusted Spread Dimitri Kassatkine, Sofiane Maayoufi IMI Finance Mars 2006 1 INTRODUCTION 1.1 Présentation des produits obligataires Une obligation est un

Plus en détail

EVALUATION DES CDS ET CDO

EVALUATION DES CDS ET CDO EVALUATION DES CDS ET CDO ARMAND NGOUPEYOU 15 novembre 2007 Credit Default Swap Le Credit Default Swap de maturité T est un contrat de protection qui porte sur le défaut d un emprunteur("single Name").L

Plus en détail

Hedging delta et gamma neutre d un option digitale

Hedging delta et gamma neutre d un option digitale Hedging delta et gamma neutre d un option digitale Daniel Herlemont 1 Introduction L objectif de ce projet est d examiner la couverture delta-gamma neutre d un portefeuille d options digitales Asset-Or-Nothing

Plus en détail

Master Modélisation Statistique M2 Finance - chapitre 3 Modèles financiers discrets

Master Modélisation Statistique M2 Finance - chapitre 3 Modèles financiers discrets Master Modélisation Statistique M2 Finance - chapitre 3 Modèles financiers discrets Clément Dombry, Laboratoire de Mathématiques de Besançon, Université de Franche-Comté. C.Dombry (Université de Franche-Comté)

Plus en détail

Chapitre 2 : Méthode de Monte-Carlo avec tirages indépendants, pour le calcul approché d une intégrale.

Chapitre 2 : Méthode de Monte-Carlo avec tirages indépendants, pour le calcul approché d une intégrale. Aix Marseille Université. Algorithmes Stochastiques. M MIS. Fabienne Castell... Chapitre : Méthode de Monte-Carlo avec tirages indépendants, pour le calcul approché d une intégrale. Le but de ce chapitre

Plus en détail

CHAMPION Matthieu Modèles de Marché en Visual Basic ESILV S04 S6. Sommaire... 1. Introduction... 2

CHAMPION Matthieu Modèles de Marché en Visual Basic ESILV S04 S6. Sommaire... 1. Introduction... 2 Sommaire Sommaire... 1 Introduction... 2 1 Trois différentes techniques de pricing... 3 1.1 Le modèle de Cox Ross Rubinstein... 3 1.2 Le modèle de Black & Scholes... 8 1.3 Méthode de Monte Carlo.... 1

Plus en détail

Spécialistes de pricing des dérivées actions et crédit complexes et de l obligation convertible.

Spécialistes de pricing des dérivées actions et crédit complexes et de l obligation convertible. Spécialistes de pricing des dérivées actions et crédit complexes et de l obligation convertible. Pedro Ferreira : Présentation de ITO33 27 novembre 2007 1 La société 2 Equity to Credit 3 Le problème de

Plus en détail

Projet de modélisation en présence de risque de défaut : Article sur la valorisation des CDS - Dominik O Kane Stuart Turnbull -

Projet de modélisation en présence de risque de défaut : Article sur la valorisation des CDS - Dominik O Kane Stuart Turnbull - T. Moudiki, X. Milhaud - M2R SAF Projet de modélisation en présence de risque de défaut : Article sur la valorisation des CDS - Dominik O Kane Stuart Turnbull - Sous la direction de M. Tchapda ISFA - Mai

Plus en détail

Pricing de CDS forward

Pricing de CDS forward Pricing de CDS forward SOFYAE THABET HASSA HAJISADEGHIA YASSIE HADDAOUI 4 mars 2008 Le but de ce rapport est de présenter une méthode de pricing des CDS forward. Le marché des Credit Default Swap a connu

Plus en détail

CDO-Squared : Modèle et Simulation de Risque

CDO-Squared : Modèle et Simulation de Risque : Modèle et Simulation de Risque ZHOU Gang ZHANG Yan ER Di LI Jia 27 mars 2006 Table des matières 1 Introduction 1 1.1 CDO et CDO-Squared............................. 1 1.2 Pricing et les Risques de CDO-Squared...................

Plus en détail

Dérivés de crédit : Situation et évolution du marché

Dérivés de crédit : Situation et évolution du marché Dérivés de crédit : Situation et évolution du marché Parallèle entre dérivés de crédit et produits d assurance Déjeuner débat FFA Jean-Paul LAURENT Professeur à l'isfa, Université de Lyon, Conseiller scientifique

Plus en détail

Support du cours de Probabilités IUT d Orléans, Département d informatique

Support du cours de Probabilités IUT d Orléans, Département d informatique Support du cours de Probabilités IUT d Orléans, Département d informatique Pierre Andreoletti IUT d Orléans Laboratoire MAPMO (Bât. de Mathématiques UFR Sciences) - Bureau 126 email: pierre.andreoletti@univ-orleans.fr

Plus en détail

Simulations des Grecques : Malliavin vs Différences finies

Simulations des Grecques : Malliavin vs Différences finies 0.1. LES GRECQUES 1 Simulations des Grecques : iavin vs Différences finies Christophe Chorro Ce petit document vise à illustrer de manière numérique les techniques présentées lors du mini cours sur le

Plus en détail

Suites numériques 2. n=0

Suites numériques 2. n=0 Suites numériques 1 Somme des termes d une suite Dans les applications, il est souvent nécessaire de calculer la somme de quelques premiers termes d une suite (ou même de tous les termes, mais on étudiera

Plus en détail

Etude de Cas de Structuration Magistère d Economie et de Statistiques

Etude de Cas de Structuration Magistère d Economie et de Statistiques Etude de Cas de Structuration Magistère d Economie et de Statistiques David DUMONT - TEAM CALYON 22 avril 2008 Dans 2 ans, si l EURODOL est inférieur à 1,40 touchez 116% du nominal investi en euros, sinon

Plus en détail

Principes de Finance

Principes de Finance Principes de Finance 13. Théorie des options II Daniel Andrei Semestre de printemps 2011 Principes de Finance 13. Théorie des options II Printemps 2011 1 / 34 Plan I Stratégie de réplication dynamique

Plus en détail

Analyse du Risque et Couverture des Tranches de CDO Synthétique

Analyse du Risque et Couverture des Tranches de CDO Synthétique Analyse du Risque et Couverture des Tranches de CDO Synthétique Areski Cousin Laboratoire de Sciences Actuarielle et Financière ISFA, Université Lyon 1 Soutenance de Thèse, Lyon, 17 Octobre 2008 Directeur

Plus en détail

Introduction à la simulation de Monte Carlo

Introduction à la simulation de Monte Carlo Introduction à la simulation de 6-601-09 Simulation Geneviève Gauthier HEC Montréal e 1 d une I Soit X 1, X,..., X n des variables aléatoires indépendantes et identiquement distribuées. Elles sont obtenues

Plus en détail

Obligation : transfert dans le temps

Obligation : transfert dans le temps Obligation : transfert dans le temps Dans ce premier chapitre nous introduirons les principales notions concernant les obligations. Les principes élémentaires de la notion d arbitrage y sont décrits. Une

Plus en détail

1 La formule de Black et Scholes en t discret

1 La formule de Black et Scholes en t discret Université de Provence Préparation Agrégation Epreuve de Modélisation, Option Proba. Texte : La formule de Black Scholes en Finance Étienne Pardoux 1 La formule de Black et Scholes en t discret On suppose

Plus en détail

ANALYSE DU RISQUE DE CRÉDIT

ANALYSE DU RISQUE DE CRÉDIT ANALYSE DU RISQUE DE CRÉDIT Banque & Marchés Cécile Kharoubi Professeur de Finance ESCP Europe Philippe Thomas Professeur de Finance ESCP Europe TABLE DES MATIÈRES Introduction... 15 Chapitre 1 Le risque

Plus en détail

Ecole Supérieure d Ingénieurs Léonard de Vinci

Ecole Supérieure d Ingénieurs Léonard de Vinci Ecole Supérieure d Ingénieurs Léonard de Vinci «Evaluation et couverture de produits dérivés» Etudiants : Colonna Andrea Pricing d'un Call Lookback par Monte Carlo et Ponts Browniens Rapport de Projet

Plus en détail

Prix d options européennes

Prix d options européennes Page n 1. Prix d options européennes Une société française tient sa comptabilité en euros et signe un contrat avec une entreprise américaine qu elle devra payer en dollars à la livraison. Entre aujourd

Plus en détail

Ecole Supérieure d Ingénieurs Léonard de Vinci

Ecole Supérieure d Ingénieurs Léonard de Vinci Ecole Supérieure d Ingénieurs Léonard de Vinci «Pricing d options Monte Carlo dans le modèle Black-Scholes» Etudiant : / Partie A : Prix de Call et Put Européens Partie B : Pricing par Monte Carlo et réduction

Plus en détail

3. Evaluer la valeur d une option. 1. Arbres binomiaux 2. Modèle de Black, Scholes et Merton

3. Evaluer la valeur d une option. 1. Arbres binomiaux 2. Modèle de Black, Scholes et Merton 3. Evaluer la valeur d une option 1. Arbres binomiaux. Modèle de Black, choles et Merton 1 Les arbres binomiaux ; évaluation des options sur actions Cox, Ross, Rubinstein 1979 Hypothèse absence opportunité

Plus en détail

Examen Mesures de Risque de Marché

Examen Mesures de Risque de Marché ESILV 2012 D. Herlemont Mesures de Risque de Marché I Examen Mesures de Risque de Marché Durée: 2 heures. Documents non autorisés et calculatrices simples autorisées. 2 pt 1. On se propose d effectuer

Plus en détail

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Master Modélisation et Simulation / ENSTA TD 1 2012-2013 Les méthodes dites de Monte-Carlo consistent en des simulations expérimentales de problèmes

Plus en détail

Formation ESSEC Gestion de patrimoine

Formation ESSEC Gestion de patrimoine Formation ESSEC Gestion de patrimoine Séminaire «Savoir vendre les nouvelles classes d actifs financiers» Les options Plan Les options standards (options de 1 ère génération) Les produits de base: calls

Plus en détail

Examen de Gestion des Risques Financiers

Examen de Gestion des Risques Financiers Examen de Gestion des Risques Financiers Thierry Roncalli 4 janvier 2012 Merci de rédiger entièrement vos réponses. 1 Les réglementations Bâle II et Bâle III 1. Quelles sont les principales différences

Plus en détail

Chapitre 2 L actualisation... 21

Chapitre 2 L actualisation... 21 III Table des matières Avant-propos Remerciements.... Les auteurs... XI XII Chapitre 1 L intérêt.... 1 1. Mise en situation.... 1 2. Concept d intérêt... 1 2.1. L unité de temps... 2 2.2. Le taux d intérêt...

Plus en détail

La méthode Monte-Carlo. DeriveXperts. 19 mai 2011

La méthode Monte-Carlo. DeriveXperts. 19 mai 2011 19 mai 2011 Outline 1 Introduction Définition Générale Génération de nombre aléatoires Domaines d application 2 Cadre d application Méthodologie générale Remarques Utilisation pratique Introduction Outline

Plus en détail

Probabilités III Introduction à l évaluation d options

Probabilités III Introduction à l évaluation d options Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un

Plus en détail

Document d implémentation - Logiciel ModAFi. Jonathan ANJOU - Maud EYZAT - Kévin NAVARRO

Document d implémentation - Logiciel ModAFi. Jonathan ANJOU - Maud EYZAT - Kévin NAVARRO - Jonathan ANJOU - Maud EYZAT - Kévin NAVARRO Grenoble, 11 juin 2012 Table des matières 1 Avant-propos 3 2 Présentation de l architecture du logiciel 3 2.1 Core..........................................

Plus en détail

Modèles structurels. Chapitre 4. 4.1 Modèle de Merton

Modèles structurels. Chapitre 4. 4.1 Modèle de Merton Chapitre 4 Modèles structurels 4.1 Modèle de Merton L idée principale de modèles structurels est basée sur l article fondateur de Merton [?], où un défaut est provoqué quand une entreprise n arrive pas

Plus en détail

Exercice du cours Gestion Financière à Court Terme : «Analyse d un reverse convertible»

Exercice du cours Gestion Financière à Court Terme : «Analyse d un reverse convertible» Exercice du cours Gestion Financière à Court Terme : «Analyse d un reverse convertible» Quand la trésorerie d une entreprise est positive, le trésorier cherche le meilleur placement pour placer les excédents.

Plus en détail

Utilisation des arbres binomiaux pour le pricing des options américaines

Utilisation des arbres binomiaux pour le pricing des options américaines Utilisation des arbres binomiaux pour le pricing des options américaines Anne-Victoire Auriault Plan de la présentation Introduction. Le problème des options 2. Le modèle de Cox-Ross-Rubinstein 3. Les

Plus en détail

Les options : Lien entre les paramètres de pricing et les grecs

Les options : Lien entre les paramètres de pricing et les grecs Cette page est soutenue par ALGOFI Cabinet de conseil, d ingénierie financière et dépositaire de systèmes d information financiers. Par Ingefi, le Pôle Métier Ingénierie Financière d Algofi. ---------------------------------------------------------------------------------------------------------------------

Plus en détail

ESSEC. Cours «Management bancaire» Séance 3 Le risque de crédit Le modèle de Merton

ESSEC. Cours «Management bancaire» Séance 3 Le risque de crédit Le modèle de Merton ESSEC Cours «Management bancaire» Séance 3 Le risque de crédit Le modèle de Merton Les hypothèses du modèle Dérivation du modèle Les extensions du modèle Le modèle de Merton Les hypothèses du modèle Marché

Plus en détail

Les mathématiques appliquées de la finance

Les mathématiques appliquées de la finance Les mathématiques appliquées de la finance Utiliser le hasard pour annuler le risque Emmanuel Temam Université Paris 7 19 mars 2007 Emmanuel Temam (Université Paris 7) Les mathématiques appliquées de la

Plus en détail

Table des matières. Avant-propos. Chapitre 2 L actualisation... 21. Chapitre 1 L intérêt... 1. Chapitre 3 Les annuités... 33 III. Entraînement...

Table des matières. Avant-propos. Chapitre 2 L actualisation... 21. Chapitre 1 L intérêt... 1. Chapitre 3 Les annuités... 33 III. Entraînement... III Table des matières Avant-propos Remerciements................................. Les auteurs..................................... Chapitre 1 L intérêt............................. 1 1. Mise en situation...........................

Plus en détail

Chapitre 2 : l évaluation des obligations

Chapitre 2 : l évaluation des obligations Chapitre 2 : l évaluation des obligations 11.10.2013 Plan du cours Flux monétaires, prix et rentabilité Bibliographie: caractéristiques générales Berk, DeMarzo: ch. 8 obligations zéro-coupon obligations

Plus en détail

NOTICE MÉTHODOLOGIQUE SUR LES OPTIONS DE CHANGE

NOTICE MÉTHODOLOGIQUE SUR LES OPTIONS DE CHANGE NOTICE MÉTHODOLOGIQUE SUR LES OPTIONS DE CHANGE Avec le développement des produits dérivés, le marché des options de change exerce une influence croissante sur le marché du change au comptant. Cette étude,

Plus en détail

Modélisation et étude d un système de trading directionnel diversifié sur 28 marchés à terme

Modélisation et étude d un système de trading directionnel diversifié sur 28 marchés à terme Modélisation et étude d un système de trading directionnel diversifié sur 28 marchés à terme Trading system : Trend following Breakout Janvier 1996 - Janvier 2009 Etude de la performance du système Le

Plus en détail

Simulations de Monte Carlo en finance : Pricer d option

Simulations de Monte Carlo en finance : Pricer d option Emma Alfonsi, Xavier Milhaud - M2R SAF Simulations de Monte Carlo en finance : Pricer d option Sous la direction de M. Pierre Alain Patard ISFA - Mars 2008 . 1 Table des matières 1 Introduction 4 2 Un

Plus en détail

Cours de Méthodes Déterministes en Finance (ENPC) Benoît Humez Société Générale Recherche Quantitative benoit.humez@sgcib.com

Cours de Méthodes Déterministes en Finance (ENPC) Benoît Humez Société Générale Recherche Quantitative benoit.humez@sgcib.com Cours de Méthodes Déterministes en Finance (ENPC) Benoît Humez Société Générale Recherche Quantitative benoit.humez@sgcib.com Points abordés Méthodes numériques employées en finance Approximations de prix

Plus en détail

MODELES DE LA COURBE DES TAUX Université d Evry Val d Essonne Séance 5. Philippe PRIAULET

MODELES DE LA COURBE DES TAUX Université d Evry Val d Essonne Séance 5. Philippe PRIAULET MODELES DE LA COURBE DES TAUX Université d Evry Val d Essonne Séance 5 Philippe PRIAULET Mise en place et mesure de performance de stratégies obligataires Introduction 1- La notion de paris sur la courbe

Plus en détail

PRIME D UNE OPTION D ACHAT OU DE VENTE

PRIME D UNE OPTION D ACHAT OU DE VENTE Université Paris VII - Agrégation de Mathématiques François Delarue) PRIME D UNE OPTION D ACHAT OU DE VENTE Ce texte vise à modéliser de façon simple l évolution d un actif financier à risque, et à introduire,

Plus en détail

Épreuve de mathématiques Terminale ES 200 minutes

Épreuve de mathématiques Terminale ES 200 minutes Examen 2 Épreuve de mathématiques Terminale ES 200 minutes L usage de la calculatrice programmable est autorisé. La bonne présentation de la copie est de rigueur. Cet examen comporte 7 pages et 5 exercices.

Plus en détail

Chapitre 4 : construction de portefeuille (I)

Chapitre 4 : construction de portefeuille (I) Chapitre 4 : construction de portefeuille (I) 25.10.2013 Plan du cours Risque et rentabilité : un premier aperçu Mesures traditionnelles du risque et rentabilité Rentabilité historique des actifs financiers

Plus en détail

MATHÉMATIQUES FINANCIÈRES I

MATHÉMATIQUES FINANCIÈRES I MATHÉMATIQUES FINANCIÈRES I Deuxième cours Rappel: Intérêt Rappel: Intérêt Fonction de capitalisation 1 Rappel: Intérêt Fonction de capitalisation Fonction d accumulation Rappel: Intérêt Fonction de capitalisation

Plus en détail

LISTE D EXERCICES 2 (à la maison)

LISTE D EXERCICES 2 (à la maison) Université de Lorraine Faculté des Sciences et Technologies MASTER 2 IMOI, parcours AD et MF Année 2013/2014 Ecole des Mines de Nancy LISTE D EXERCICES 2 (à la maison) 2.1 Un particulier place 500 euros

Plus en détail

INSTRUMENTS FINANCIERS ET RISQUES ENCOURUS

INSTRUMENTS FINANCIERS ET RISQUES ENCOURUS INSTRUMENTS FINANCIERS ET RISQUES ENCOURUS L objet de ce document est de vous présenter un panorama des principaux instruments financiers utilisés par CPR AM dans le cadre de la fourniture d un service

Plus en détail

Master 2 IMOI - Mathématiques Financières

Master 2 IMOI - Mathématiques Financières Master 2 IMOI - Mathématiques Financières Exercices - Liste 1 1 Comportement d un investisseur face au risque Exercice 1 Soit K la matrice définie par 1 2 [ 3 1 1 3 1.1 Montrer que K est la matrice de

Plus en détail

M2 IAD UE MODE Notes de cours (3)

M2 IAD UE MODE Notes de cours (3) M2 IAD UE MODE Notes de cours (3) Jean-Yves Jaffray Patrice Perny 16 mars 2006 ATTITUDE PAR RAPPORT AU RISQUE 1 Attitude par rapport au risque Nousn avons pas encore fait d hypothèse sur la structure de

Plus en détail

Théorie Financière 8 P. rod i u t its dé dérivés

Théorie Financière 8 P. rod i u t its dé dérivés Théorie Financière 8P 8. Produits dit dérivés déié Objectifsdelasession session 1. Définir les produits dérivés (forward, futures et options (calls et puts) 2. Analyser les flux financiers terminaux 3.

Plus en détail

RETScreen International. ACÉTATE 3 : Feuille Sommaire financier

RETScreen International. ACÉTATE 3 : Feuille Sommaire financier Module de formation NOTES DU FORMATEUR ANALYSES FINANCIÈRE ET DE RISQUE AVEC LE LOGICIEL RETSCREEN COURS D ANALYSE DE PROJETS D ÉNERGIES PROPRES Ce document donne la transcription de la présentation orale

Plus en détail

L évaluation des obligations

L évaluation des obligations Chapitre 8 L évaluation des obligations Plan du chapitre 8 8.1. Flux monétaires, prix et rentabilité des obligations Caractéristiques générales des obligations Obligations zéro-coupon Obligations couponnées

Plus en détail

Simulation d un système d assurance automobile

Simulation d un système d assurance automobile Simulation d un système d assurance automobile DESSOUT / PLESEL / DACHI Plan 1 Introduction... 2 Méthodes et outils utilisés... 2.1 Chaines de Markov... 2.2 Méthode de Monte Carlo... 2.3 Méthode de rejet...

Plus en détail

Risk Management: TP1

Risk Management: TP1 Risk Management: TP1 Q 1) FRA: Forward Rate Agreement Source : http://fr.wikipedia.org/wiki/forward_rate_agreement C est un contrat de gré à gré sur un taux d intérêt ou sur des devises, avec un montant

Plus en détail

Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1

Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1 Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1 1. a. On considère un modèle de marché (B, S) à une étape. On suppose que S = 5 C et qu à la date t = 1 on a (S u 1 = 51, S d 1 = 48).

Plus en détail

Options. Brochure destinée aux investisseurs particuliers BASIC. Société du groupe KBC. Publié par KBC Securities en collaboration avec Euronext

Options. Brochure destinée aux investisseurs particuliers BASIC. Société du groupe KBC. Publié par KBC Securities en collaboration avec Euronext Brochure destinée aux investisseurs particuliers Publié par KBC Securities en collaboration avec Euronext p. 2 Index 1. Options call et put 3 2. Acheteur et vendeur 4 3. Standardisation 5 Valeur sous-jacente

Plus en détail

Value at Risk - étude de cas

Value at Risk - étude de cas Value at Risk - étude de cas Daniel Herlemont 17 juin 2011 Table des matières 1 Introduction 1 2 La Value at Risk 1 2.1 La VaR historique................................. 2 2.2 La VaR normale..................................

Plus en détail

Le Modèle de Black-Scholes. DeriveXperts. 27 octobre 2010

Le Modèle de Black-Scholes. DeriveXperts. 27 octobre 2010 27 octobre 2010 Outline 1 Définitions Le modèle de diffusion de Black-Scholes Portefeuille auto-finançant Objectif de BS 2 Portefeuille auto-finançant et formule de Black-Scholes Formulation mathématique

Plus en détail

Déclassement d'actifs et stock brut de capital

Déclassement d'actifs et stock brut de capital Extrait de : La mesure du capital - Manuel de l'ocde 2009 Deuxième édition Accéder à cette publication : http://dx.doi.org/10.1787/9789264067752-fr Déclassement d'actifs et stock brut de capital Merci

Plus en détail

Introduction aux modèles financiers

Introduction aux modèles financiers Notes pour le module spécifique Introduction aux modèles financiers Ecole Centrale de Lyon Option Mathématiques 1 2 Introduction Quelques références Pour comprendre les marchés financiers, avoir un apreçu

Plus en détail

Mathématiques Financières

Mathématiques Financières Mathématiques Financières 3 ème partie Marchés financiers en temps discret & instruments financiers dérivés Université de Picardie Jules Verne Amiens Par Jean-Paul FELIX Cours du vendredi 19 février 2010-1

Plus en détail

Calcul Stochastique et Applications Financières

Calcul Stochastique et Applications Financières 0 Calcul Stochastique et Applications Financières Aurélia Istratii Luis Macavilca Taylan Kunal M I.E.F. SOMMAIRE I. MODELE DE COX-ROSS-RUBINSTEIN II. III. INTRODUCTION AUX METHODES DE MONTE CARLO EQUATION

Plus en détail

ECOLE DES HAUTES ETUDES COMMERCIALES DE L UNIVERSITE DE LAUSANNE. Professeur Matière Session. A. Ziegler Principes de Finance Automne 2005

ECOLE DES HAUTES ETUDES COMMERCIALES DE L UNIVERSITE DE LAUSANNE. Professeur Matière Session. A. Ziegler Principes de Finance Automne 2005 ECOLE DES HAUTES ETUDES COMMERCIALES DE L UNIVERSITE DE LAUSANNE Professeur Matière Session A. Ziegler Principes de Finance Automne 2005 Date: Lundi 12 septembre 2005 Nom et prénom:... Note:... Q1 :...

Plus en détail

ECOLE NATIONALE DES PONTS ET CHAUSSEES. Risque de crédit. Vente de protection d'une rme sur elle-même. Sébastien LEROUX Antony Mc BRIDE Rémi PARIS

ECOLE NATIONALE DES PONTS ET CHAUSSEES. Risque de crédit. Vente de protection d'une rme sur elle-même. Sébastien LEROUX Antony Mc BRIDE Rémi PARIS ECOLE NATIONALE DES PONTS ET CHAUSSEES Risque de crédit Vente de protection d'une rme sur elle-même Sébastien LEROUX Antony Mc BRIDE Rémi PARIS March 7, 2007 Introduction Généralement, la vente ou l'achat

Plus en détail

Mathématiques financières

Mathématiques financières Mathématique financière à court terme I) Les Intérêts : Intérêts simples Mathématiques financières - Intérêts terme échu et terme à échoir - Taux terme échu i u équivalent à un taux terme à échoir i r

Plus en détail

Principes de Finance

Principes de Finance Principes de Finance 12. Théorie des options I Daniel Andrei Semestre de printemps 211 Principes de Finance 12. Théorie des options I Printemps 211 1 / 43 Plan I Introduction II Comprendre les options

Plus en détail

Séminaire Valorisation des Instruments Complexes 09/03/2012

Séminaire Valorisation des Instruments Complexes 09/03/2012 Du Bon Usage de la Valorisation Eric Benhamou Séminaire Valorisation des Instruments Complexes 09/03/2012 Plan Méthode de valorisation Problématiques actuelles Analyse de Cas Réconciliation avec d autres

Plus en détail

TP 14 DE FINANCE & RISK MANAGEMENT

TP 14 DE FINANCE & RISK MANAGEMENT Roger HUEBER TP 14 DE FINANCE & RISK MANAGEMENT - 1 - VALUE-AT-RISK 1. ANALYSE DU RISK MANAGEMENT DE ABN AMRO BANK BASÉE SUR LE RAPPORT ANNUEL 2004 http://www.abnamro.com/com/about/ar2004en.pdf Le risque

Plus en détail

MATHÉMATIQUES ET SCIENCES HUMAINES

MATHÉMATIQUES ET SCIENCES HUMAINES MATHÉMATIQUES ET SCIENCES HUMAINES B. MARCHADIER Dépendance et indépendance de deux aléas numériques images Mathématiques et sciences humaines, tome 25 (1969), p. 2534.

Plus en détail

Probabilités 5. Simulation de variables aléatoires

Probabilités 5. Simulation de variables aléatoires Probabilités 5. Simulation de variables aléatoires Céline Lacaux École des Mines de Nancy IECL 27 avril 2015 1 / 25 Plan 1 Méthodes de Monte-Carlo 2 3 4 2 / 25 Estimation d intégrales Fiabilité d un système

Plus en détail

Mathématiques financières

Mathématiques financières Mathématiques financières Arnaud Triay Table des matières 1 Introduction Position du problème.1 Pricing des options........................................... Formalisme..............................................

Plus en détail

Contrat didactique Finance stochastique

Contrat didactique Finance stochastique Contrat didactique Finance stochastique Les compétences de ce cours sont à placer dans le contexte général de l appropriation de la notion de modèle mathématique et de son utilisation pratique en gestion

Plus en détail

IAE Master 2 Gestion de Portefeuille Année 2011 2012. Feuille 3 Pricing et couverture Modèles discret

IAE Master 2 Gestion de Portefeuille Année 2011 2012. Feuille 3 Pricing et couverture Modèles discret Université de Paris Est Créteil Mathématiques financières IAE Master 2 Gestion de Portefeuille Année 2011 2012 1. Le problème des partis 1 Feuille 3 Pricing et couverture Modèles discret Le chevalier de

Plus en détail

Risk Adjusted Return On Capital

Risk Adjusted Return On Capital Master gestion des risques Abdelkader Bousabaa 19 Novembre 2008 Historique Définition Historique Charles S. Sanford (Bankers Trust) Développement tardif en France État des lieux Historique Définition Définition

Plus en détail

Liste des notes techniques... xxi Liste des encadrés... xxiii Préface à l édition internationale... xxv Préface à l édition francophone...

Liste des notes techniques... xxi Liste des encadrés... xxiii Préface à l édition internationale... xxv Préface à l édition francophone... Liste des notes techniques.................... xxi Liste des encadrés....................... xxiii Préface à l édition internationale.................. xxv Préface à l édition francophone..................

Plus en détail

Le modèle de Black et Scholes

Le modèle de Black et Scholes Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un

Plus en détail

Chapitre 2 Le problème de l unicité des solutions

Chapitre 2 Le problème de l unicité des solutions Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)

Plus en détail

Valorisation d es des options Novembre 2007

Valorisation d es des options Novembre 2007 Valorisation des options Novembre 2007 Plan Rappels Relations de prix Le modèle binomial Le modèle de Black-Scholes Les grecques Page 2 Rappels (1) Définition Une option est un contrat financier qui confère

Plus en détail

Correction de l exercice 2 du cours Gestion de patrimoine : «Analyse d un produit structuré à capital garanti»

Correction de l exercice 2 du cours Gestion de patrimoine : «Analyse d un produit structuré à capital garanti» Correction de l exercice 2 du cours Gestion de patrimoine : «Analyse d un produit structuré à capital garanti» Question 1 : représenter graphiquement le taux de rentabilité du produit à capital garanti

Plus en détail

TD 1 : Taux d intérêt en univers déterministe

TD 1 : Taux d intérêt en univers déterministe Université Paris VI Master 1 : Introduction au calcul stochastique pour la finance 4M065) TD 1 : Taux d intérêt en univers déterministe 1 Interêts simples / Intérêts composés Définition : a) L intérêt

Plus en détail

Options, Futures, Parité call put

Options, Futures, Parité call put Département de Mathématiques TD Finance / Mathématiques Financières Options, Futures, Parité call put Exercice 1 Quelle est la différence entre (a) prendre une position longue sur un forward avec un prix

Plus en détail

Les obligations. S. Chermak infomaths.com

Les obligations. S. Chermak infomaths.com Les obligations S. Chermak Infomaths.com Saïd Chermak infomaths.com 1 Le marché des obligations est un marché moins médiatique mais tout aussi important que celui des actions, en terme de volumes. A cela

Plus en détail

3- Valorisation d'options

3- Valorisation d'options 3- Valorisation d'options Valorisation des options classiques : options d'achat (call) options de vente (put) Une pierre angulaire de la finance moderne : décisions d'investissement (options réelles) conditions

Plus en détail

Formules et Approches Utilisées dans le Calcul du Coût Réel

Formules et Approches Utilisées dans le Calcul du Coût Réel Formules et Approches Utilisées dans le Calcul du Coût Réel Objectifs du Taux Annuel Effectif Global (TAEG) et du Taux d Intérêt Effectif (TIE) Le coût réel d un crédit inclut non seulement l intérêt,

Plus en détail

Comptes et plans d épargne-logement

Comptes et plans d épargne-logement Page 1 of 6 Alerte Banques n 2 - avril 2006 ARCHIVES I IMPRIMER Comptes et plans d épargne-logement L avis du CNC relatif à la comptabilisation des CEL et PEL pose le principe suivant : les conséquences

Plus en détail

Le Modèle de taux de Ho-Lee - Pricing d obligation

Le Modèle de taux de Ho-Lee - Pricing d obligation Le Modèle de taux de Ho-Lee - Pricing d obligation Le modèle de Thomas S. Y. Ho et Sang-bin Lee [1] est un modèle simple de fluctuation de taux d intérêts. Il est utilisé sous l hypothèse d absence d opportunité

Plus en détail

5- Valorisation de la dette et structures des taux d'intérêt

5- Valorisation de la dette et structures des taux d'intérêt 5- Valorisation de la dette et structures des taux d'intérêt Objectif : Présenter : 1.Évaluation d'obligation 2.Rendement actuariel (rendement à l'échéance) 3.Risque de taux 4.Structure par termes des

Plus en détail

Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes

Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes Clément Dombry, Laboratoire de Mathématiques de Besançon, Université de Franche-Comté. C.Dombry (Université

Plus en détail

COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR

COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR Université Paris VII. Préparation à l Agrégation. (François Delarue) COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR Ce texte vise à l étude du temps d attente d un client à la caisse d un

Plus en détail

Regime Switching Model : une approche «pseudo» multivarie e

Regime Switching Model : une approche «pseudo» multivarie e Regime Switching Model : une approche «pseudo» multivarie e A. Zerrad 1, R&D, Nexialog Consulting, Juin 2015 azerrad@nexialog.com Les crises financières survenues dans les trente dernières années et les

Plus en détail