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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Question 1: Analyse et évaluation des obligations

Question 1: Analyse et évaluation des obligations Question 1: Analyse et évaluation des obligations (56 points) Vous travaillez pour le département de trésorerie d une banque internationale. L établissement bénéficie d une très bonne réputation et peut

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

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

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

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

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

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

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

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

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

BNP Paribas, CIB, Global Equity and Commodity Derivatives Research.

BNP Paribas, CIB, Global Equity and Commodity Derivatives Research. BNP Paribas, CIB, Global Equity and Commodity Derivatives Research. BNP PARIBAS jouit d une dimension internationale sur le marché des produits dérivés sur actions. Notre équipe de Recherche et Développement

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

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

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

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

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

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

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

VALORISATION DES PRODUITS DE CHANGE :

VALORISATION DES PRODUITS DE CHANGE : VALORISATION DES PRODUITS DE CHANGE : TERMES, SWAPS & OPTIONS LIVRE BLANC I 2 Table des Matières Introduction... 3 Les produits non optionnels... 3 La méthode des flux projetés... 3 Les options de change

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

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

I. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.

I. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème. I. Introduction. 1. Objectifs. Le but de ces quelques séances est d introduire les outils mathématiques, plus précisément ceux de nature probabiliste, qui interviennent dans les modèles financiers ; nous

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

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

Master ISIFAR 2ème année Exercices pour le cours Mathématiques Financières

Master ISIFAR 2ème année Exercices pour le cours Mathématiques Financières Master ISIFAR 2ème année Exercices pour le cours Mathématiques Financières Chapitre 1 Exercice 1. * Calculer le prix à terme d échéance T d une obligation de nominal N, qui verse un coupon C à la date

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

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

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

Modélisation du risque de crédit et asymétrie d information

Modélisation du risque de crédit et asymétrie d information Modélisation du risque de crédit et asymétrie d information David Kurtz, Groupe de Recherche Opérationnelle 10 juin 2004, Université de Poitiers Introduction [1] (1) Le risque de crédit (2) Modèles structurels

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

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

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

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

Stage de Recherche Interpolation du smile de corrélation sur les CDO

Stage de Recherche Interpolation du smile de corrélation sur les CDO Stage de Recherche Interpolation du smile de corrélation sur les CDO Thomas JANNAUD - X2005 Avril-Août 2008 1 TABLE DES MATIÈRES TABLE DES MATIÈRES Table des matières I Cadre du stage 4 1 Présentation

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

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

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

Tutorat 3 de Mathématiques (2ème année)

Tutorat 3 de Mathématiques (2ème année) Tutorat 3 de Mathématiques (2ème année) Marches aléatoires et marchés financiers Groupe 4 tuteur : J. Bouttier 8 février 2010 Résumé Depuis la thèse de Bachelier, les marchés nanciers ont constitué un

Plus en détail

Les techniques des marchés financiers

Les techniques des marchés financiers Les techniques des marchés financiers Exercices supplémentaires Christine Lambert éditions Ellipses Exercice 1 : le suivi d une position de change... 2 Exercice 2 : les titres de taux... 3 Exercice 3 :

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

Dérivés Financiers Caractéristiques des contrats d options

Dérivés Financiers Caractéristiques des contrats d options Dérivés Financiers Caractéristiques des contrats d options Owen Williams Grenoble Ecole de Management Accréditations > 2 Introduction Une option donne au détenteur le droit de faire quelque chose dans

Plus en détail

10/04/2001 1- INTRODUCTION. Vivien BRUNEL

10/04/2001 1- INTRODUCTION. Vivien BRUNEL Vivien BRUNEL LE RISQUE OPERATIONNEL - INTRODUCTION Le risque opérationnel est un concept mal défini ; dans le cas d une institution financière, il est même défini par une non-définition : il se réfère

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

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

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

Simulations de Monte Carlo

Simulations de Monte Carlo Simulations de Monte Carlo 2 février 261 CNAM GFN 26 Gestion d actifs et des risques Gréory Taillard GFN 26 Gestion d actifs et des risques 2 Biblioraphie Hayat, Sere, Patrice Poncet et Roland Portait,

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

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

Les CDOs : Instruments de Diversification de Portefeuille Ou Nouveau Risque Financier? 1er JUIN 2006

Les CDOs : Instruments de Diversification de Portefeuille Ou Nouveau Risque Financier? 1er JUIN 2006 Les CDOs : Instruments de Diversification de Portefeuille Ou Nouveau Risque Financier? 1er JUIN 2006 SOMMAIRE CARTOGRAPHIE & MECANISMES DES CDOs DES RISQUES SPECIFIQUES ENCORE MALAISES A MAITRISER VALORISATION

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

Finance des matières premières (2) Les options, marchés complets, AOA

Finance des matières premières (2) Les options, marchés complets, AOA Finance des matières premières (2) Les options, marchés complets, AOA Joël Priolon - 12 mars 2014 Définition générale Une option est un contrat financier qui lie : l émetteur de l option et le détenteur

Plus en détail

PROJET MODELE DE TAUX

PROJET MODELE DE TAUX MASTER 272 INGENIERIE ECONOMIQUE ET FINANCIERE PROJET MODELE DE TAUX Pricing du taux d intérêt des caplets avec le modèle de taux G2++ Professeur : Christophe LUNVEN 29 Fevrier 2012 Taylan KUNAL - Dinh

Plus en détail

HEC MONTRÉAL. Modèles et méthodes de calcul pour la valorisation d'un CDO synthétique. par Elie Elkhal. Sciences de la gestion (Ingénierie financière)

HEC MONTRÉAL. Modèles et méthodes de calcul pour la valorisation d'un CDO synthétique. par Elie Elkhal. Sciences de la gestion (Ingénierie financière) HEC MONTRÉAL Modèles et méthodes de calcul pour la valorisation d'un CDO synthétique par Elie Elkhal Sciences de la gestion (Ingénierie financière) Mémoire présenté en vue de l'obtention du grade de maîtrise

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

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

Projets scilab. L3 Maths Appliquées lagache@biologie.ens.fr 02 Avril 2009

Projets scilab. L3 Maths Appliquées lagache@biologie.ens.fr 02 Avril 2009 Projets scilab L3 Maths Appliquées lagache@biologie.ens.fr 2 Avril 29 REMARQUE: quelques résultats importants concernant le théorème central limite et les intervalles de confiance sont rappelés dans la

Plus en détail

Wacc et risque de défaut. Jean-Michel Moinade Oddo Corporate Finance

Wacc et risque de défaut. Jean-Michel Moinade Oddo Corporate Finance Wacc et risque de défaut Jean-Michel Moinade Oddo Corporate Finance Stocks, Flux et Actualisation (MM1) Approche de Modigliani-Miller (première version) Approche Théorique Approche Théorique Agrégat Flux

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

Une expérience de mathématiques appliquées en Grande Ecole

Une expérience de mathématiques appliquées en Grande Ecole Une expérience de mathématiques appliquées en Grande Ecole El Karoui Nicole Univ Paris VI / Ecole Polytechnique elkaroui@cmapx.polytechnique.fr 6 Novembre 2009 El Karoui Nicole (Labo de proba/ CMAP) Conf

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

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

Principe de symétrisation pour la construction d un test adaptatif

Principe de symétrisation pour la construction d un test adaptatif Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université

Plus en détail

Problèmes de fiabilité dépendant du temps

Problèmes de fiabilité dépendant du temps Problèmes de fiabilité dépendant du temps Bruno Sudret Dépt. Matériaux et Mécanique des Composants Pourquoi la dimension temporelle? Rappel Résistance g( RS, ) = R S Sollicitation g( Rt (), St (),) t =

Plus en détail

Points d attention. Février 2012

Points d attention. Février 2012 Générateurs de scénarios Construire économiques un générateur en assurance de scénarios économiques en assurance Points d attention Version 1.0 Version 1.2 Juillet 2012 Février 2012 Frédéric PLANCHET fplanchet@winter-associes.fr

Plus en détail

Les mathématiques de la finance Université d été de Sourdun Olivier Bardou olivier.bardou@gdfsuez.com 28 août 2012 De quoi allons nous parler? des principales hypothèses de modélisation des marchés, des

Plus en détail

1998.02 Composition d un portefeuille optimal. Dinh Cung Dang

1998.02 Composition d un portefeuille optimal. Dinh Cung Dang 199802 Composition d un portefeuille optimal Dinh Cung Dang Docteur en gestion de l IAE de Paris Ingénieur Conseil Résumé : Dans ce travail, le risque est défini comme étant la probabilité de réaliser

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

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

IFT6561. Simulation: aspects stochastiques

IFT6561. Simulation: aspects stochastiques IFT 6561 Simulation: aspects stochastiques DIRO Université de Montréal Automne 2013 Détails pratiques Professeur:, bureau 3367, Pav. A.-Aisenstadt. Courriel: bastin@iro.umontreal.ca Page web: http://www.iro.umontreal.ca/~bastin

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

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

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

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

Construction d un algorithme d accélération de la méthode des simulations dans les simulations pour le calcul du capital économique Solvabilité II

Construction d un algorithme d accélération de la méthode des simulations dans les simulations pour le calcul du capital économique Solvabilité II Construction d un algorithme d accélération de la méthode des simulations dans les simulations pour le calcul du capital économique Solvabilité II - Laurent DEVINEAU (Université Lyon, Laboratoire SAF,

Plus en détail

Sondage stratifié. Myriam Maumy-Bertrand. Master 2ème Année 12-10-2011. Strasbourg, France

Sondage stratifié. Myriam Maumy-Bertrand. Master 2ème Année 12-10-2011. Strasbourg, France 1 1 IRMA, Université de Strasbourg Strasbourg, France Master 2ème Année 12-10-2011 Ce chapitre s appuie essentiellement sur deux ouvrages : «Les sondages : Principes et méthodes» de Anne-Marie Dussaix

Plus en détail

La Volatilité Locale

La Volatilité Locale La Volatilité Locale Bertrand TAVIN Université Paris 1 - Panthéon Sorbonne 26 mai 2010 Résumé Dans cette courte note nous introduisons le concept de volatilité locale et les modèles de pricing basés sur

Plus en détail

Prévention et gestion des risques naturels et environnementaux

Prévention et gestion des risques naturels et environnementaux Prévention et gestion des risques naturels et environnementaux Risque et assurance : quelques éléments théoriques Ecole des Ponts - Le 6 Avril 01 Jacques Pelletan 1 Théorie du risque et pérennité de l

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