Modélisation Du Risque de Crédit

Credit Agricole SA Direction des Risques du Groupe Groupe de Recherche Operationnelle1
Modlisation du risque de crdit e e

DEA de Statistique et Mod`les alatoires en conomie et nance e e e Universit Paris 7 Universit Paris 1 e e David KURTZ2 & Thomas B. PIGNARD
Mots-clefs : Risque de crdit, mod`les structurels, mod`les ` forme rduite, copules, e e e a e produits drivs de crdit. e e e
1 2
Le Centorial, 18 rue du 4 septembre, 75002 Paris. david.kurtz@creditlyonnais.fr
Hey, teacher, leave those kids alone ! Pink Floyd, The Wall (1979)
REMERCIEMENTS
Merci ` Thierry Roncalli et Romain Camus pour leur aide. a
Table des mati`res e
1 Introduction 9 1.1 Zoologie des risques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.2 Enjeux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.3 Mod`les du risque de crdit . . . . . . . . . . . . . . . . . . . . . . . . 11 e e 2 Produits drivs de crdit e e e 2.1 Le march des produits drivs de e e e 2.2 Les obligations risques . . . . . . e 2.3 Credit default swap . . . . . . . . 2.4 Les Basket Default Swaps . . . . 2.5 Collateralized Debt Obligations . crdit e . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 15 17 18 21 23
3 Introduction aux mod`les structurels e 27 3.1 Mod`le de Merton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 e 3.2 Mod`les de premier instant de passage . . . . . . . . . . . . . . . . . . 35 e 4 Mod`les ` forme rduite e a e 41 4.1 Prliminaires mathmatiques . . . . . . . . . . . . . . . . . . . . . . . . 41 e e 4.2 Evaluation des actifs risqus . . . . . . . . . . . . . . . . . . . . . . . . 47 e 5 Dfauts corrls e ee 5.1 Produits drivs sur un panier de crdits e e e 5.2 Corrlation dans les mod`les structurels e e 5.3 Corrlation des intensits . . . . . . . . . e e 5.4 Corrlation des instants de dfaut . . . . e e . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 54 56 57 58 65 65 65 66
6 Mod`le Hybride : le cas des obligations convertibles e 6.1 Caractristiques des obligations convertibles . . . . . . . . . . . . . . . e 6.1.1 Dnition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e 6.1.2 Utilisation des obligations convertibles . . . . . . . . . . . . . .
Table des mati`res e
6.2 6.3
6.1.3 Obligations convertibles et options . . 6.1.4 Les dterminants du contrat . . . . . . e 6.1.5 Inuence des variables de march sur le e Modlisation du risque de crdit . . . . . . . . e e Implmentation des mod`les . . . . . . . . . . e e 6.3.1 Les arbres multinomiaux . . . . . . . . 6.3.2 Les quations aux drives partielles . e e e 6.3.3 Synth`se des obligations convertibles . e . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . prix . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
66 67 67 68 69 70 71 72 77 77 78 79 79 80
A Thorie gnrale des processus e e e A.1 Gnralits . . . . . . . . . . . . . . e e e A.2 Temps darrt et tribus associes . . e e A.3 Les tribus optionnelles et prvisibles . e A.4 Temps darrt prvisibles . . . . . . . e e A.5 Classication des temps darrt . . . e
B Formule dIt avec sauts o 83 B.1 Processus ` variation nie . . . . . . . . . . . . . . . . . . . . . . . . . 83 a B.2 Les semimartingales simples . . . . . . . . . . . . . . . . . . . . . . . . 87 C Rappel sur les diusions 93 C.1 Denitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93 C.2 Diusions avec sauts . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94 C.3 Diusion ane avec des sauts . . . . . . . . . . . . . . . . . . . . . . . 96 D Les fonctions copules 99 D.1 Denitions et exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . 99 D.2 Les copules archimdiennes . . . . . . . . . . . . . . . . . . . . . . . . . 101 e E Dmonstration du Lemme 3.1 e 105
CHAPITRE
Introduction
Ces notes constituent le support dun cours de DEA concernant la modlisation e du risque de crdit. Les deux principales sources qui ont servi de base ` lcriture de e a e ce texte sont [11] et [2]. Le but de ce cours est de prsenter quelques outils et concepts qui peuvent servir e de base ` la modlisation du risque de crdit ; il est plus spciquement orient vers la a e e e e valorisation des produits dont la valeur dpend du risque de crdit auquel il est expos. e e e Les mod`les et techniques prsents peuvent nanmoins tre utiliss aussi bien pour la e e e e e e mesure que pour lvaluation du risque de crdit 1 . Les avances thoriques autour de e e e e la modlisation du risque de crdit est lun des facteurs qui ont rendu possible lessor e e dun march des produits drivs de crdit. e e e e Le dveloppement du march des produits drivs de crdit, qui a atteint cette e e e e e anne un encours total denviron 2300 milliards de dollars, a rvolutionn en retour la e e e gestion du risque de crdit ainsi que lingnierie nanci`re qui lui est lie. Les gestione e e e naires de portefeuille et les investisseurs disposent dsormais dinstruments nanciers e permettant le transfert ecace du risque de crdit. Dapr`s Alan Greenspan, la diue e 2 sion des risques que gn`re ce march des produits drivs de crdit augmenterait la e e e e e e rsistance de lconomie mondiale aux chocs systmiques comme laurait prouv son e e e e bon comportement face aux rcentes faillites dEnron et de WorldCom. e Dans ce chapitre introductif et apr`s avoir rappel quels sont les principaux risques e e auxquels sont confronts les institutions nanci`res, nous expliquons quels sont les e e enjeux de la modlisation du risque de crdit. Nous prsentons alors, bri`vement, les e e e e deux grandes classes de mod`les du risque de crdit : les mod`les structurels et les e e e mod`les ` forme rduite. e a e
Autrement dit, ces techniques servent aussi bien sous la probabilit historique que sous une e probabilit risque-neutre. e 2 et donc la mutualisation
1
10
Introduction
1.1
Zoologie des risques
On distingue traditionnellement quatre grands types de risques nanciers [11] : 1. Le risque de march. e Le risque de march peut se dnir comme le risque de perte li aux variations des e e e conditions de march (prix, taux, taux de change, volatilits, etc...) e e 2. Le risque de crdit. e Le risque de crdit est dni comme le risque de perte li ` lvolution de la qualit e e ea e e de la signature dun metteur. On peut distinguer deux types de risque de crdit : e e le risque de contrepartie et le risque de rfrence. Pour un metteur donn, ce risque ee e e peut se matrialiser sous la forme e du changement de sa note (upgrade ou downgrade) telle celle mise par les e grandes agences de notations Moodys et Standard & Poors, dune variation de son spread de crdit, e dun vnement de crdit (credit event) tel le dfaut de paiement ou la restruce e e e turation de sa dette. Ces trois risques sont, bien videmment, corrls. Une augmentation brutale du niveau e ee du spread metteur augmente la probabilit dun vnement de crdit. De la mme e e e e e e mani`re, un changement de notation inue fortement sur la probabilit du dfaut dun e e e metteur. e Lorsque A entre en relation avec une contrepartie B via un instrument nancier, il peut tre soumis au risque que B soit dans limpossibilit dhonorer ses engagements. e e Par exemple, si A est en possession dune obligation mise par B, il court le risque e qu` maturit B ne puisse lui rembourser le capital investi. On parle dans ce cas de a e risque de contrepartie unilatral puisque B nest pas soumis au risque de crdit de A. e e Si A et B sont les deux contreparties dun swap, ils sont tout deux soumis au risque de contrepartie : on parle alors de risque de contrepartie bilatral. e Supposons maintenant que la qualit de la signature des contreparties A et B e soit de qualit innie (de sorte que le risque de contrepartie bilatral soit nul). Les e e parties A et B peuvent entrer dans un contrat qui fait intervenir le risque de crdit e 3 dune troisi`me contrepartie C . Le risque de crdit associ ` C est appel risque de e e ea e rfrence. Nous verrons que le but des produits drivs de crdit est le transfert de ce ee e e e risque de rfrence. ee La distinction entre ces risques nest pas toujours aise : le risque de crdit li ` e e ea la variation des spread de credit default swap peut tre considr comme un risque e ee de march. Les portefeuilles de produits drivs OTC sont, bien videmment, soumis e e e e aux risques de march mais ils sont aussi exposs au risque de contrepartie. e e 3. Le risque de liquidit. e Il sagit, pour une entreprise, du risque de ne pas pouvoir mobiliser ` un instant a donn assez de liquidits pour pouvoir faire face ` ses engagements. Voir [11] pour un e e a supplment dinformation. e 4. Le risque oprationnel. e
un credit swap dont le payo dpend de loccurrence dun vnement de crdit est un exemple e e e e de tel contrat.
3
1.2 Enjeux
11
Dans cette catgorie sont regroups, par exemple, les risques de fraude, derreurs e e des oprateurs, de pannes des syst`mes, etc... Pour plus de dtails, voir [26]. e e e
1.2
Enjeux
Le risque de crdit peut tre dni, en premi`re approximation, comme le risque e e e e de perte li au changement de la qualit de la signature dune contrepartie. Toutes e e les institutions nanci`res (ainsi que tout les acteurs du march) accumulent une e e grande quantit de risque de crdit : soit directement par lintermdiaire de leurs e e e portefeuilles de crances, soit indirectement sous la forme de risques de contrepartie e dans leurs portefeuilles dactifs et de produits drivs OTC. e e Lenjeu que reprsente la modlisation de ce risque est donc tr`s important : il e e e sagit de pouvoir mesurer le risque de crdit contenu dans les portefeuilles, e valuer les instruments nanciers sensibles au risque de crdit et, plus e e gnralement, tout instrument expos ` ce risque (risque de contrepartie), e e ea et ce ` un niveau agrg. Il est, en eet, important de pouvoir contrler lexposition au a e e o risque de crdit contrepartie par contrepartie ainsi que lvolution de cette exposition e e par secteurs gographiques et industriels. De telles pratiques permettent, par exemple, e de rduire le risque de concentration. e La production de rsultats quantitatifs robustes permet alors ` linstitution e a concerne e dallouer ` chaque centre de prot un capital conomique adquat, a e e dvaluer la performance des centres de prot au regard des risques pris, e de fournir des informations ables sur son intgrit nanci`re aux rgulateurs, e e e e aux investisseurs et aux agences de notation, de diversier et rduire le risque en imposant, par exemple, des limites ` lexe a position au risque de crdit par contrepartie. e La mise en place de tels processus de gestion du risque correspond ` lvolution de la a e rglementation prudentielle et aux trois piliers du nouvel accord de Ble (sur ce sujet, e a nous renvoyons le lecteur ` [26] pour plus de dtails). a e
1.3
Mod`les du risque de crdit e e
Dans cette section, nous exposons les approches classiques de la modlisation du e risque de dfaut ` partir de ltude du concept central dobligation zro-coupon risque e a e e e (cest-`-dire soumise au risque de dfaut). Il existe deux grandes familles de mod`les a e e dvaluation de la dette risque : e e les mod`les structurels, e les mod`les ` forme rduite. e a e Nous mentionnons aussi les mod`les de corrlation dinstants de dfaut qui sont e e e ncessaires ` lvaluation des produits drivs exotiques de crdit ainsi que les mod`les e a e e e e e dit hybrides dont le but est de permettre lvaluation prcise du risque de contrepartie e e des portefeuilles de produits drivs OTC. e e
12
Introduction
Dans la suite, nous nous plaons dans le cadre de lvaluation risque-neutre des c e actifs nanciers : nous supposons donns un espace probabilis ltr (, F, P, (Ft )t0 ) e e e sur lequel est dni le processus des taux dintrt instantans (rt )t0 et une probabie ee e e lit risque-neutre P . Rappelons qualors la valeur des actifs contingents4 est calcule e comme lesprance sous cette probabilit de ses ux futurs actualiss au taux sans e e e risque. Une obligation zro-coupon (sans risque) est un actif qui paye 1 ` sa maturit T . e a e La valeur B(t, T ) de cet actif est B(t, T ) = E exp t
T
r(s) ds
t
Si le risque de contrepartie de lmetteur du zro-coupon nest pas nul, lvaluation du e e e zro-coupon doit tenir compte de la possibilit du dfaut de celui-ci : deux nouveaux e e e risques entrent en jeu linstant du dfaut, e la perte en cas de dfaut (Loss Given Default). e La perte en cas de dfaut sexprime en terme dun taux de recouvrement ventuellee e ment alatoire et dune hypoth`se de recouvrement. Noter que ces hypoth`ses de e e e recouvrement, que nous prsentons maintenant, stendent immdiatement ` dautres e e e a actifs que les zro-coupons risqus. Nous notons D(t, T ) la valeur en t du zro-coupon e e e risqu de maturit T et linstant du dfaut de lmetteur de ce titre. e e e e Lhypoth`se de recouvrement la plus courante sappelle fractional recovery of par e value et consiste en le recouvrement ` linstant du dfaut dune fraction du nominal a e du titre. Dans ce cas, on a D(t, T ) = E e t
T t
r(s) ds
I{ >T } + e
r(s) ds
I{t< T } .
Si, en cas de dfaut, la fraction recouvre lest ` maturit, on parle de fractional e e a e recovery of Treasury value. Dans ce cas, on a D(t, T ) = E e t
T t
r(s) ds
I{ >T } + I{t< T } .
Une autre hypoth`se classique dite fractional recovery of market value suppose qu` e a linstant de dfaut le propritaire du titre peroit une portion de la valeur prcdant e e c e e immdiatement le dfaut. Dans ce cas e e D(t, T ) = E e t
T t
r(s) ds
I{ >T } + e
r(s) ds
D( , T )I{t< T } ,
o` D( , T )5 est la valeur avant dfaut de linstrument considr. u e ee
Mod`les structurels e
Lapproche structurelle de lvaluation de la dette risque a t initie par Merton e e ee e e e e (1974) [21] et est base sur la modlisation de lvolution du bilan de lentreprise. Dans
4 5
cest-`-dire dont la valeur est contingente ` lvolution des conditions de march. a a e e Si f est une fonction ` valeurs relles, nous notons f (t) la limite limst,s<t f (s). a e
1.3 Mod`les du risque de crdit e e
13
ce cadre, le dfaut intervient si lmetteur de la dette est dans limpossibilit dhonorer e e e ses engagements et les zro-coupons risqus apparaissent comme des produits drivs e e e e sur la valeur de lentreprise mettrice de cette dette. La qualit dune signature est e e alors fonction de trois variables fondamentales : sa valeur, la variabilit de ses actifs6 e et son levier dendettement (qui est le rapport entre le niveau de sa dette et sa valeur totale). Les mod`les structurels sont largement utiliss par les praticiens. Pour sen e e convaincre, il sut de mentionner lentreprise Moodys KMV7 qui a dvelopp une e e ore compl`te de services nanciers bass sur un tel mod`le. Ainsi, ils proposent ` e e e a leurs clients des outils danalyse et leur fournissent des donnes (telles des estimations e de probabilits de dfaut) obtenues ` partir de leur mod`le [4]. e e a e Dans le chapitre 3, nous tudions le mod`le de Merton ainsi que son extension aux e e mod`les dits de premier instant de passage. Nous mettrons en avant les liens existant e entre le risque equity et le risque de crdit. e
Mod`les ` forme rduite e a e

ee Cette approche de lvaluation de la dette risque qui remonte ` [24] a t popue e a larise par de nombreux travaux et en particulier larticle [10]. e Dans les mod`les dits ` forme rduite, et contrairement aux mod`les structurels, e a e e le dfaut est considr comme un vnement imprvisible dont la loi est gouverne e ee e e e e par un processus stochastique appel intensit darrive ou taux de hasard . Lexemple e e e le plus simple dun tel mod`le est celui o` linstant de dfaut est dni comme le e u e e premier instant darrive dun processus de Poisson dintensit 8 . Dans ce cas, on a e e
P[ > t] = et , E[ ] =
1 ,
P[ (t, t + t)| > t] = t + o(t).
En pratique, on peut faire dpendre cette intensit de dfaut dun certain nombre de e e e variables conomiques (tels les taux dintrt) et/ou de variables lies ` lentreprise e ee e a (telle sa notation). Noter que ces mod`les sont couramment utiliss pour lvaluation e e e des produits drivs de crdit. e e e Dans le chapitre 4, nous gnralisons considrablement le mod`le poissonnien : e e e e nous traitons le cas gnral o` lintensit de dfaut est un processus stochastique en e e u e e donnant un sens prcis ` lexpression e a
Pt (t, t + dt] > t = t dt.
Nous verrons que lintensit de dfaut est intimement lie au spread metteur courte e e e terme s. Plus prcisment, nous montrerons que sous lhypoth`se de recouvrement e e e fractional recovery of market value, on a s(t) = (1 )(t),
Par exemple, cette volatilit est plus forte pour une entreprise travaillant dans le secteur des e nouvelles technologies que pour une entreprise des secteurs traditionnels. 7 www.moodyskmv.com. 8 Autrement dit, suit une loi exponentielle de param`tre > 0. e
6
14
Introduction
o` est le taux de recouvrement de lobligation considre. Cette galit fondamentale u ee e e est connue sous le nom dgalit du triangle. e e
Dfauts corrls e ee
Lvaluation des produits drivs de crdit exotiques9 tels les CDO10 et les TDP11 e e e e ncessitent la modlisation de la structure de dpendance qui existe entre les instants e e e de dfaut (1 , . . . , N ) de N entreprises. e Il existe, pour lessentiel, deux mani`res de modliser cette dpendance : e e e en choisissant une structure de co-dpendance pour les rendements instantans e e des processus de valeur des entreprises, en spciant la corrlation entre les intensits des instants de dfaut. e e e e Ces questions seront abordes en dtail dans le chapitre 5. Nous y prsentons aussi e e e quelques applications concr`tes de ces techniques. e
Mod`les hybrides e
e Lvaluation du risque de contrepartie ou celle de produits mixtes12 ncessite la e mise en place de mod`les prenant en compte lvolution jointe de dirents facteurs e e e de risque : les taux dintrt, les taux de change, les cours des actions, lintensit de ee e dfaut des entreprises. Nous donnons un exemple de tels mod`les dans le chapitre 6 e e consacr aux obligations convertibles. e
Par opposition aux produits vanilla que sont les Credit Default Swap. Collateralized Debt Obligations. 11 Tranche Default Product. 12 cest-`-dire dont la valeur dpend de plusieurs facteurs de risques. a e
10
CHAPITRE
Produits drivs de crdit e e e
Dans ce chapitre, nous prsentons les principaux drivs de crdit. Nous y dcrivons e e e e e leurs payos et donnons quelques indications sur leur intrt nancier. ee Apr`s un rapide tat des lieux du march des drivs de crdit, nous dcrivons les e e e e e e e caractristiques du Credit Default Swap (CDS), qui constitue le produit ` la vanille de e a ce march. Les CDS sont ` la base de produits exotiques plus complexes, et sont utiliss e a e ` la fois en tant que produits de couverture (diversication du risque, couverture dun a risque en prservant la relation commerciale, rduction du risque de concentration, e e transfert du risque de crdit (balance sheet CDO),...), et dinvestissement (long dun e risque de crdit ` laide dun instrument hors-bilan, eets de levier, cration de position e a e de crdit synthtique (CDO synthtiques),...). Enn, nous prsentons les produits de e e e e corrlation les plus courants : les nth -to default, et les Collateralized Debt Obligations e (CDO). t Dans la suite, r dsigne le taux sans risque, B le processus t exp 0 r(s) ds et e linstant de dfaut dune entreprise. e
2.1
Le march des produits drivs de crdit e e e e
Le march des produits drivs conna une croissance exponentielle depuis le dbut e e e t e des annes 1990. Pour xer les ides, prcisons tout de suite que le nominal total des e e e encours sur produits drivs de crdit est de 2306 milliards de dollars (Risk Magazine e e e 2003) en augmentation de plus de 50% par rapport ` lanne derni`re. La standara e e disation des CDS est devenue une ralit grce aux nouvelles normes et dnitions e e a e 1 e ee e mises en place par lISDA [16]. Lanne 2003 a t marque par les faits suivants : gnralisation de lutilisation des produits synthtiques, accroissement de la liquidit e e e e sur les produits de corrlation (cotation bid-ask de tranches synthtiques), croissance e e
1
International Swap & Derivatives Association.
16
du march des credit default swaptions (credit option). Ils reste, cependant, de nome breux probl`mes ` rsoudre. Citons, par exemple, le besoin de liquidit sur le court e a e e et le long terme de la courbe de crdit qui se fait parfois sentir et les mthodologies e e de calibration de taux de recouvrement qui demandent ` tre amliores. ae e e Lessentiel de lencours se rpartit sur : les credit default swaps (73%) et les proe duits sur paniers de crdit (22%), en particulier, les nth -to-default swap ` hauteur e a de 0.3% et toutes les transactions synthtiques tels les CDO (Collateralized Debt Oblie gations) et les TDP (Tranche Default Product). Le reste de lencours est constitu de e Credit Linked Notes, de Total Rate of Return et de Spread Option.
Total agrg des encours sur produits drivs de crdit
Credit Default Swaps Portfolio Transaction Total Return Swaps Credit Linked Notes Credit Spread Options Divers
Fig. 2.1 Rpartition des encours sur produits drivs de crdit. e e e e Le march vanilla (celui des credit default swaps) est essentiellement concentr e e sur lAmrique du nord et lEurope. Le point de plus grande liquidit est celui des e e CDS de maturit comprise entre 4 et 6 ans sur des signatures investment grade. Cette e rpartition gographique est intressante compte tenu du fait quelle ne correspond pas e e e ` celle des obligations (la proportion dobligations europennes est signicativement a e plus faible). La croissance de ce march est en partie due ` la demande toujours plus e a forte de produits permettant de couvrir les positions synthtiques (CDO). e Les banques sont les principales utilisatrices de produits drivs de crdit. Ceci e e e est d ` leur utilisation massive des CDS pour couvrir leurs portefeuilles de crances ua e 2 e e e et leurs positions synthtiques . Lactivit de couverture engendre par lmission de e CDO synthtiques a, pour la premi`re fois, permis de satisfaire ` la demande dachat e e a de protection provenant des gestionnaires de portefeuille de crances. Les principaux e investisseurs dans les positions synthtiques restent les compagnies dassurance : elles e dtiennent 65% des TDP et 81% des CDO de bilan3 . Les hedge funds participent e dsormais activement ` ce march : ils sont, par exemple, rguli`rement acheteurs de e a e e e
Une position synthtique est une position de crdit courte ou longue (cest-`-dire acheteuse ou e e a vendeuse de protection) obtenue ` partir dun portefeuille de CDS donc sans prt eectif de capital. a e 3 Ces produits sont mis par les banques qui veulent couvrir le risque de crdit de leur portefeuille e e de crances en vue de rduire leur charge en capital conomique. e e e
2
2.2 Les obligations risques e
17
Rpartition des utilisateurs de produits drivs de crdit
Bank
Insurance
Re-Insurance
Hedge Funds
Asset Managers
Corporates
SPV
Fig. 2.2 Rpartition des utilisateurs de produits drivs de crdit. e e e e
CDS pour leur activit darbitrage dobligations convertibles. e
2.2
Les obligations risques e
Outre les prts traditionnellement accords aux entreprises, une part importante e e du march de la dette risque consiste en obligations mises par les entreprises et e e e certains tats. Contrairement aux prts, les obligations schangent sur les marchs e e e e organiss et sont ainsi soumis au risque de march (risque de taux), au risque de crdit e e e (risque de contrepartie) et, dans une certaine mesure, au risque de liquidit. e Le rendement de ces obligations est, en gnral, suprieur au rendement dobligae e e tions identiques dont le risque de contrepartie est considr comme nul (par exemple, ee les obligation du Trsor pour les pays de lOCDE). La dirence de rendement ou e e spread est une prime demande par le march pour prendre en charge les risques de e e e a e contrepartie et de liquidit4 inhrents ` linstrument. On distingue, pour un metteur e donn, le spread calcul ` partir dobligations ` taux xe de celui cot dans les oblie ea a e gations ` taux variables. a Noter que les obligations peuvent prsenter des caractristiques particuli`res : elles e e e peuvent tre rappels par lmetteur avant maturit (callable bond), tre convertible e e e e e en actions (convertible bond).
En pratique, il est dicile de modliser le risque de liquidit. On consid`re souvent, en premi`re e e e e approximation, quil est pris en compte dans le spread de crdit. e
18
2.3
Credit default swap
Description du produit
Le credit default swap (CDS) est le plus simple des produits drivs de crdit et e e e doit tre considr comme la brique de base (ou le sous-jacent) des produits drivs e ee e e plus exotiques. Le CDS permet le transfert de risque de crdit de rfrence dune entreprise C e ee (entit de rfrence) entre deux contrepartie A et B. Dans le contrat standard, lune e ee des parties en question, disons A, ach`te une protection contre le risque de perte en e cas de dfaut de lentit de rfrence C. Ce dfaut est dclench par un vnement de e e ee e e e e e crdit formel spci dans le contrat. Cet vnement peut tre la faillite de lentreprise, e e e e e e un dfaut de paiement ou la restructuration de sa dette. e La protection est valable jusqu` la maturit du swap. En change de cette proa e e tection, lacheteur A verse priodiquement (en gnral, tous les 3 mois) au vendeur e e e B une prime et ce jusquau dfaut de C ou jusqu` maturit du swap. La jambe du e a e swap correspondante est appel premium leg. e Si le dfaut intervient avant la maturit du swap, le vendeur de protection eectue e e un paiement ` lacheteur de protection. Ce paiement quivaut ` la dirence entre a e a e le nominal de la dette couverte par le swap et le taux de recouvrement observ ` e a linstant du dfaut. Ce paiement peut tre eectu selon deux modalits : physical e e e e settlement ou cash settlement. Dans le premier cas, lacheteur de protection A livre au vendeur de protection B un nombre dobligations mises par C correspondant au e nominal du swap et reoit en retour le nominal du swap pay en cash. Dans le deuxi`me c e e cas, un paiement en cash qui correspond au pair moins le taux de recouvrement est eectu par le vendeur de protection B vers lacheteur de protection A. Ce taux de e recouvrement est calcul ` partir de cotations obtenues quelques temps apr`s que le ea e dfaut se soit produit. e La prime (aussi appel spread ou marge) qui annule la valeur du CDS est dite ` e a la monnaie (fair margin ou fair spread ou simplement spread).
s(T1 T0 ) s(T2 T1 ) s(Ti Ti1 )
T1
T2
Ti 1
Ti+1
TN = T
Fig. 2.3 Un credit default swap.
Soient T0 la date dentre dans le swap, T sa maturit, T0 < T1 < < TN = T e e les dates de paiements, le taux de recouvrement en cas de dfaut et s la valeur de e
2.3 Credit default swap
19
la marge. Le payo (pay en T ) correspondant ` la jambe xe scrit e a e

N 1
(Ti+1 Ti )
i=0
BT BT I{ >Ti } + ( Ti ) I{Ti+1 >Ti } . BTi+1 B
tandis que le payo associ ` la jambe variable scrit ea e 1 BT I{ T } . B
Evaluation de la marge dun CDS

Un raisonnement simple dabsence dopportunit darbitrage permet dobtenir une e premi`re approximation du spread (fair margin) dun credit default swap. Nous noe tons C lentit de rfrence. e ee Considrons les deux portefeuilles suivants : e P1 long dune obligation ` taux variable mise par C de spread U a e court dune obligation ` taux variable sans risque a P2 court dun credit default swap sur C de spread S
Nous supposons que toutes les obligations et le CDS considrs ont mme maturit, ee e e mme dates de tombe de coupon et mme nominal. Nous supposons aussi que le e e e dfaut ne peut intervenir quimmdiatement apr`s une tombe de coupon. e e e e Les cash-ows gnrs par le portefeuille P1 sont dcrits dans la gure 2.4. Ils e ee e correspondent ` une position acheteuse de protection sur un CDS de spread U . Les a deux portefeuilles P1 et P2 tant ` cot dentre nul, on a ncessairement par absence e a u e e dopportunit darbitrage U = S. e Ainsi, en premi`re approximation, la fair margin dun CDS est gale au spread e e dune obligation ` taux variable (FRN = oating rate note) de mme maturit et a e e ayant les mmes dates de tombe de coupons. e e Remarque. Lgalit prcdente nest pas toujours observe dans la pratique. Ceci e e e e e est du au fait que les hypoth`ses implicites ` notre raisonnement5 ne sont pas toujours e a vries. e e Remarque. Ce genre de raisonnement nest valide que pour dterminer la marge ` e a la monnaie dun CDS. Pour dterminer sa valeur en cours de vie (NPV = net present e value) qui nest plus ncessairement gale ` 0, il faut avoir recours ` un mod`le. e e a a e Exemple. (Pricing dun CDS.) Nous considrons un CDS de maturit T . Nous supposons que le taux de recouvrement e e en cas de dfaut , le taux dintrt sans risque r et le taux de dfaut > 0 sont e ee e constants. Linstant de dfaut suit une loi exponentielle de param`tre : e e
P[ > t] = et .
telle labsence de cot de transaction (spread bid-ask) sur le march du cash et des obligations u e ` taux xes a
5
20

si + u 0 T1 s1 T2 s2 Ti si 1 u 0 T1 u T2 u u u Ti
s1 + u
s2 + u
P1
P2
Fig. 2.4 Synth`se dun CDS. e On cherche ` calculer la marge s qui annule la valeur du CDS ` lorigine. En a a considrant que la prime est paye jusquau dfaut, et sans tenir compte du coupon e e e couru, la valeur de la jambe xe scrit : e
N 1
JF (s) = s
i=0 N 1
(Ti+1 Ti )E erTi+1 1{ >Ti+1 } (Ti+1 Ti )e(r+)Ti+1

i=0 t
=s s
0
e(r+)u du
=s
1 e(r+)T . r+
En supposant que le ux variable est pay ` linstant doccurrence du dfaut, la e a e valeur de la jambe variable est : JV = (1 )E er 1{ T }
T
= (1 )
0
e(r+)u du
= (1 )
1 e(r+)T . r+
Le fair spread s est tel que JF (s ) = JV soit s = (1 ).
2.4 Les Basket Default Swaps
21
Cette galit est connue sous le nom dgalit du triangle e e e e Exercice. (Credit Default Swap et risque de contrepartie.) On consid`re 3 contreparties A, B et C. La contrepartie A entre dans un credit default e swap avec la contrepartie B sur lentit de rfrence C. Nous supposons que A est e ee acheteur de protection ; que le taux sans risque est constant et gal ` r ; que le taux de e a recouvrement associ ` lentit C est RC ; que les intensits de dfaut des rmes B et C ea e e e valent B et C respectivement. On suppose de plus que la distribution jointe risqueneutre des dfauts (B , C ) des entit B et C est modlise de la mani`re suivante : il e e e e e existe trois variables alatoires indpendantes V, TB , TC suivant des lois exponentielles e e de param`tres , lB et lC respectivement telles que e B = min(V, TB ), C = min(V, TC ).
(1) Quelles conditions faut-il imposer aux param`tres pour que les hypoth`ses sur les e e intensits de dfaut soient vries ? e e e e (2) Calculer la survie jointe des instants de dfauts (B , C ). e (3) On suppose que le ux associ ` la jambe de dfaut est pay ` la n de la priode ea e ea e en cours pourvu que B ne fasse pas dfaut dici l` et que les ux associs ` la jambe e a e a de prime soient pays ` la n de chaque priode pourvu que ni B, ni C naient fait e a e dfaut. Calculer le fair spread. Donner en une expression approche et interprter ce e e e rsultat. e (4) Question subsidiaire. Calculer la copule associe ` la loi du couple (B , C ). e a Nous allons ` prsent nous intresser aux produits crits sur des paniers de crdits : a e e e e th les n -to-default et les Collateralized Debt Obligations.
2.4
Les Basket Default Swaps
Lintrt premier des paniers dactifs risqus est de pouvoir utiliser leur corrlation ee e e pour restructurer le risque de crdit dun portefeuille ` laide de plusieurs nouveaux e a titres par le truchement dun mcanisme de redistribution. La taille des portefeuilles e considrs peut varier de cinq ` plusieurs centaines de sous-jacents de crdit. ee a e En gnral, le mcanisme de redistribution ralloue les pertes dans lordre de leur e e e e arrive : certains titres supportent les premi`res pertes, et sont donc plus risqus que e e e dautres supportant des pertes plus lointaines. Ces mcanismes exposent les investise seurs ` la tendance quont les metteurs ` faire dfaut ou ` survivre ensemble. On a e a e a modlise gnralement cette co-dpendance des instants de dfaut par une corrlation, e e e e e e cest pourquoi on parle de produits de corrlation. e Le produit de corrlation le plus simple est le Basket Default Swap (nth -2-Default), e dont la composition typique comporte de 5 ` 10 crdits. Ce produit est dit idiosyna e cratique, car lidentit du dfaut, et donc ses caractristiques doivent tre connues : e e e e 1. le principe du swap est identique ` celui du Credit Default Swap ; a 2. seule change la dnition de lvnement de crdit qui devient le dfaut du e e e e e i`me e n crdit du panier. e
22
Nous allons ` prsent tudier deux cas particuliers ` titre dexemple : les First et a e e a Second-to-Default.
First-2-Default
(n = 1)
Dans ce cas, le vendeur de protection touche un spread plus important que celui pay par nimporte quel metteur du panier. En eet, ce spread est proportionnel ` la e e a probabilit darrive de lvnement de crdit multiplie par la perte en cas de dfaut. e e e e e e e Or, en supposant que le panier est homog`ne (i.e. que la perte 1 i = 1 , o` les e u i et reprsentent les taux de recouvrement, est identique pour chacun des actifs i), e on remarque que : P[1 T ] P[i T ], i. Linvestisseur obtient un eet de levier en augmentant le risque de crdit du produit. e Le risque reste cependant limit au pire cas, cest ` dire au risque de lmetteur e a e ayant la plus mauvaise qualit de crdit. Lvolution du spread des First-to-Default e e e en fonction de la corrlation est ngative. e e
Second-2-Default
(n = 2)
Pour ces produits, lvnement de crdit est le deuxi`me dfaut du panier. Le risque e e e e e pour linvestisseur tant moindre que dans le cas du First-2-Default, son rendement e lest galement. Contrairement au rst-to-Default, le spread dun Second-2-Default e augmente quand la corrlation augmente. e Par extension, beaucoup dautres produits sont envisageables (Third-2-Default, etc...)
Dterminants du spread dun produit sur basket e

1. valeur de n : un FTD est par exemple plus risqu quun STD donc son spread e est plus lev ; e e 2. nombre de crdits : le risque dun Basket Default Swap augmente avec le e nombre de crdits ; e 3. qualit du crdit des metteurs ; e e e 4. maturit : leet de la maturit dpend de la forme des courbes de crdit des e e e e metteurs ; e 5. taux de recouvrement : son eet sur le prix est moindre car un taux de recouvrement plus lev est compens (` spread donn) par une probabilit de e e e a e e dfaut plus forte (ingalit du triangle) ; e e e 6. corrlation de dfaut : si la corrlation augmente, la tendance des crdits e e e e ` survivre ou ` faire dfaut ensemble augmente. Leet sur le prix est donc a a e fondamental, mais complexe. Ce dernier point souligne limportance des corrlations de dfaut entre les crdits e e e du panier. En eet, les Basket Default Swaps sont essentiellement des produits
2.5 Collateralized Debt Obligations
23
de corrlation. Le spread dun panier dpend donc sensiblement des hypoth`ses de e e e corrlation que lon fait. e En gnral, on suppose par exemple que les crdits dun mme secteur e e e e gographique et industriel sont plus corrls que ceux de secteurs dirents. On supe ee e pose aussi que le risque systmique est plus fort que le risque idiosyncratique, cest e ` dire que lon suppose que ces dfauts sont corrls positivement. Ces deux risques a e ee se re`tent dans les hypoth`ses de modlisation les plus couramment utilises. Le e e e e chapitre 5 sera consacr aux outils de modlisation de cette corrlation. e e e
2.5
Collateralized Debt Obligations
Les Collateralized Debt Obligations ou CDO sont des produits obligataires adosss e ` des dettes, rsultant dun mcanisme relativement complexe dingnierie nanci`re a e e e e ` appel titrisation (securitization). A partir dun panier de titres de dette (de 50 ` e a 10000 crances), lmetteur synthtise des actifs obligataires. Les CDO se distinguent e e e selon la nature de la dette sous-jacente : sil sagit de produits obligataires, on parle de Collateralized Bond Obligations ou CBO. Dans le cas ou le panier est constitu e uniquement de titres de prts, on parle de Collateralized Loan Obligations ou CLO. e Bien entendu, dans le cas gnral, le panier est mixte. Depuis sa cration dans le milieu e e e des annes 1990, le march des CDO na cess de se dvelopper. En 2000, il dpassait e e e e e les 100 Milliards de dollars dmission. Nous prsentons les enjeux du processus de e e titrisation ainsi que ses mcanismes, puis les techniques rcentes lies ` la gnration e e e a e e synthtique de tranches utilises en trading de corrlation. e e e
Titrisation
La titrisation est une technique de gestion de bilan consistant ` crer des produits a e obligataires ` partir dun ensemble de crances par le truchement dune entit juria e e dique particuli`re appele Special Purpose Vehicle (SPV). Un tablissement nancier e e e possdant un ensemble de crances ou de crdits aupr`s demprunteurs individuels ou e e e e institutionnels peut ainsi choisir de les titriser. Pour ce faire, il cre un SPV juridie quement indpendant, ` qui il vend ses crances. Cette tape est fondamentale, car e a e e elle lui permet, dune part, de transfrer le risque de crdit au SPV, et dautre part e e de retirer les crances titrises de son bilan. Enn, le SPV met les CDO (voir gure e e e 2.5). Les CDO mis comportent direntes tranches dinvestissement, chacune delle e e possdant une qualit de crdit, et donc une notation dirente : e e e e la tranche junior ou equity supporte les premi`res pertes sur lensemble de e crances. Il sagit donc dun produit tr`s risqu, payant un spread tr`s lev e e e e e e ` linvestisseur. Il sagit dun produit purement spculatif ; a e la tranche intermdiaire, dite mezzanine supporte les pertes au del` de la tranche e a equity, cest un produit moyennement risqu, orant un spread intressant ; e e la tranche senior supporte les pertes restantes, si elles ont lieu. Elle est la moins soumise au risque de crdit, et ore donc un coupon faible. e
24
e Emprunteurs emprunts, crdits Etablissement nancier
vente des crances e
Investisseurs
mission de CDO e
SPV
Fig. 2.5 Le mcanisme de Titrisation e Comme chacune de ces tranches porte sur un ensemble de crdits, leur valorisation fait e intervenir la corrlation entre les dfauts du panier. Nous laborderons plus en dtails e e e au chapitre 5. Il est ` noter que ltablissement nancier peut parfois conserver une a e partie du risque de crdit, ce qui amliore la notation des tranches. Alternativement, il e e peut aussi faire appel ` une compagnie dassurance externe pour augmenter la qualit a e du crdit. On parle alors de credit enhancement. e Lintrt de la titrisation est double : tout dabord, elle permet dconomiser ee e des fonds propres et ainsi damliorer leur rentabilit. En eet, tant donn que e e e e les crances titrises peuvent tre sorties du bilan, lexigence de fonds propres sera e e e moindre. De plus, la titrisation ore un acc`s simple et conomique au march nane e e cier ` des entreprises de faible notation, qui devraient autrement se renancer ` des a a cots prohibitifs. Elle permet lassainissement de leur structure de capital. u
Les produits synthtiques e

Devant le dveloppement impressionnant du march des CDO et la demande de e e produits de corrlation de plus en plus forte de la part des investisseurs, des techniques e dingnierie nanci`re rcentes ont donn naissance au concept des CDO synthtiques. e e e e e De lutilisation originelle dans les stratgies de gestion de fonds propres, les CDO e deviennent peu ` peu des produits dinvestissement spculatifs. a e Le principe de la titrisation synthtique est de constituer des produits tranchs ` e e a partir, non plus dun ensemble de crdits ou crances, mais dun ensemble de CDS. e e Ceci revient ` dire que lorganisme metteur cr une exposition au risque de crdit a e ee e et de corrlation en prenant des positions sur un ensemble de CDS. La titrisation e synthtique peut donner naissance ` deux types de produits : e a 1. les CDO synthtiques en full capital structure sont des CDO classiques ` ceci e a prt quils sont crits sur un ensemble de CDS. Comme pour les CDO classiques, e e
2.5 Collateralized Debt Obligations
25
le risque de dfaut est enti`rement transfr aux investisseurs ; e e ee 2. les Tranche Default Products (TDP) consistent en lmission dune seule tranche e de CDO synthtique. Dans ce cas, lmetteur reste expos au risque de e e e corrlation, ce qui impose une gestion dynamique de cette corrlation par les e e traders, les positions deltas quivalentes tant values ` partir des spreads du e e e e a march et dun mod`le de co-dpendance. e e e Le dveloppement des produits synthtiques, et des TDP en particulier, ouvre des e e perspectives prometteuses dans le domaine du trading de corrlation, et renforce lime portance de la modlisation. e
CHAPITRE
Introduction aux mod`les structurels e
Les mod`les structurels sont des mod`les du risque de crdit o` une entreprise e e e u donne est considre en cessation de paiement lorsque la valeur de ses actifs ne sut e ee plus ` faire face ` sa dette. Dans cette approche initie par Merton (1974) [21], la a a e valeur de la dette est value ` laide de la thorie des options : laction de lentreprise e e a e et sa dette y apparaissent comme des produits drivs sur la valeur totale de ses actifs. e e La popularit de ce mod`le a permis la diusion des ides de Merton et a transe e e form en quelques dcennies la vision du risque de crdit. Le mod`le dvelopp par e e e e e e Moodys KMV [4] pour estimer les probabilits de dfaut ou le mod`le Credit Grade e e e de JP Morgan [22] sont de parfaites illustrations de cette tendance. Les mod`les ` e a la Merton sont toujours largement utiliss pour valoriser la dette risque, modliser e e e le spread de crdit, valuer la qualit dune signature, tablir des liens entre le risque e e e e equity et le risque de crdit, etc. e Apr`s avoir prsent le mod`le de base tel que lintroduit Merton dans son article e e e e fondateur, nous dcrivons, suivant Hull, Nelken et White [15], comment il peut tre e e implment. Nous tendons ensuite le mod`le de Merton dans la direction des mod`les e e e e e dits de premier instant de passage et traitons lexemple du mod`le Credit Grade de e JP Morgan. Les exemples retenus mettent en vidence le lien entre risque de crdit et e e risque equity.
3.1
Mod`le de Merton e
Dans le mod`le de Merton, laction et la dette dune entreprise sont considres e ee comme des produits drivs sur sa valeur de march et peuvent donc tre values e e e e e e dans le cadre de la thorie des options. Pour pouvoir appliquer cette thorie, il nous e e faut faire lhypoth`se de compltude suivante : il existe une classe dactifs (comprenant e e le cash) permettant de rpliquer les futurs cash-ows de lentreprise. Cette hypoth`se e e nous permet de justier la valorisation des actifs de lentreprise par absence doppor-
28
tunit darbitrage. e Soit par A la valeur totale des actifs de lentreprise (A est la valeur de march de e lensemble des futurs cash-ows gnrs par lactivit de lentreprise) et nous suppoe ee e sons que ce processus satisfait ` lquation direntielle stochastique suivante (moua e e vement brownien gomtrique) : e e dAt = dt + dBt , At (, > 0),
o` B est un mouvement brownien unidimensionnel. Nous supposons aussi que les u propritaires de cette entreprise ont choisi de structurer son capital sous la forme e dactions (pure equity) et dun unique zro-coupon de maturit T et de nominal L e e (debt)1 . Le bilan dune telle entreprise est rsum dans le tableau suivant : e e Actif Actifs At = Et + Dt Passif Equity Et Debt Dt
Produits drivs sur la valeur des actifs de la rme e e

` A maturit, si la valeur de lentreprise est infrieure ` la somme L due aux e e a dtenteurs dobligations (zro-coupon), nous considrons que la rme fait dfaut. Dans e e e e ce cas, elle passe aux mains des dtenteurs de sa dette qui ne rcup`rent quune portion e e e AT /L de leur capital initial. Ainsi, les dtenteurs dobligations reoivent min(AT , L) e c ` maturit tandis que les actionnaires peroivent le reliquat AT L + . a e c
noit c a 'l ed ru el a V
200 250 300
200
Valeur liquidative
150
100
50
0 0 50 100 150
Fig. 3.1 Valeurs liquidatives pour une entreprise de dette 100. Notons Et et Dt les valeurs respectives en t des actions et de la dette et B(t, T ) la valeur en t dun zro-coupon sans risque de maturit T . Dapr`s la thorie des options e e e e
Cette hypoth`se simplicatrice nest que tr`s rarement vrie. En pratique, la structure de e e e e capital dune rme est inniment plus complexe et peut comprendre, par exemple, des portions de dette convertible en action.
1
e tt e d al e d r u el a V
Valeur de la firme
3.1 Mod`le de Merton e
29
et en vertu de lhypoth`se de compltude, les processus E et D peuvent scrire sous la e e e forme de lesprance, sous la probabilit risque neutre, de leur valeur nale actualise. e e e Autrement dit, si nous avons Et = B(t, T )E (AT L)+ = At D(t, T ), t Dt = B(t, T )E min(AT , L) = B(t, T )L B(t, T )E (L AT )+ . t Posons Lt = B(t, T )L. Appliquer la formule de Black & Scholes permet alors dobtenir la formule de Merton pour la valeur de la dette risque : e (3.1) o` u ln(At /L) + (r + 2 /2)(T t) , T t d2 = d1 T t, d1 = et
x 1 2 et /2 dt. N (x) = 2 La valeur de la dette appara comme celle dun zro-coupon au taux sans risque de t e nominal L auquel on retranche un put (appel put-to-default) sur la valeur de la rme e de strike L et de maturit T . La valeur de actions appara quant ` elle, comme celle e t, a dun call sur la valeur de la rme de strike L et de maturit T . e
Dt = At N (d1 ) + Lt N (d2 ),
Probabilits de dfaut et Loss Given Default e e

La formule (3.1) peut se rcrire ee D(t, T ) = Lt P AT L + E B(t, T )AT 1{L>AT } t t = Lt P AT L + At Pt AT < L , t e e a o` P est la mesure martingale quivalente pour le numraire A, cest-`-dire la probau bilit dnie par e e dP 1 AT = . A0 B(0, T ) dP Les probabilits de dfaut conditionnelles e e p := P AT < L , t t sont donnes par les formules suivantes e p = N (d2 ), t p = N (d1 ). t En utilisant ces notations, la formule de Merton devient
Dt = Lt (1 p ) + Lt p t = Lt (1 p wt ), t t t
p := Pt AT < L , t
o` t est le taux de recouvrement (Recovery Rate) en cas de dfaut dni par u e e

t
E AT 1{AT <L} t
LP t
AT < L
At N (d1 ) , Lt N (d2 )
e et o` wt = 1 t est la perte en cas de dfaut (Loss Given Default). u
30
Distance-to-default
La probabilit de dfaut sinterpr`te naturellement comme une fonction de la e e e distance-au-dfaut (distance-to-default) dnie par e e Xt = ln At ln L 1 At = ln . L
Plus prcisment, si m = (r 2 /2)/, on peut crire que e e e p = P XT 0 Xt = N u (t, T ) , t o` u u (t, T ) = Xt m (T t) . T t
La distance au dfaut est la distance entre la valeur des actifs de la rme et le e niveau L de la dette mesur en nombre dcarts-type. Il est facile de vrier (exercice !) e e e que X est un mouvement brownien avec drive de drift m . e
Levier dendettement
Introduisons la variable lt = Lt At
appele levier dendettement (leverage ratio) de lentreprise. Ce ratio mesure le taux e dendettement de la rme. Il permet de rinterprter les formules de Merton. e e Les formules de Merton peuvent ainsi sexprimer sous la forme Dt = Lt N (h1 ) + N (h2 ) , lt N (h2 ) , Et = At N (h1 ) lt
o` u ln(1/lt ) + 2 (T t)/2 , T t h2 = h1 T t. h1 = Les trois param`tres At , lt et sont des param`tres-clefs de lanalyse du risque de e e crdit dune entreprise. Pour plus de dtails sur les liens existant entre ces param`tres e e e et le risque de crdit dune rme voir [4] e
31
Spread implicite
Le spread de crdit S(t, T ) peut se dnir comme la dirence de rendement (yield) e e e entre une dette sans risque (par exemple une obligation du Trsor) et la dette mise par e e une entreprise (corporate bond). Ainsi, si D(t, T ) dsigne la valeur dun zro-coupon e e risqu, on a e S(t, T ) = Y d (t, T ) Y (t, T ), o` u Y (t, T ) = ln B(t, T ) , T t Y d (t, T ) = ln D(t, T ) . T t
Etant donn un mod`le, nous appellerons spread implicite, le spread induit par ce e e mod`le. Remarquons que dans le cas du mod`le de Merton e e S(t, T ) = L N (h1 ) ln + N (h2 ) . T t lt
Le spread de crdit ne dpend ainsi que de la variabilit (volatilit) des actifs de la e e e e rme, du levier dendettement et de la distance ` la maturit. Lorsque t T , on a e observe le comportement suivant (exercice !)
tT
lim S(t, T ) = 1{AT <L} + 01{AT L} .
Une premi`re implmentation du mod`le de Merton e e e

La dicult majeure de toute implmentation dun mod`le nancier est sa calibrae e e tion : comment peut-on estimer de mani`re able les param`tres apparaissant dans e e les formules prcdentes ? En pratique, lon peut estimer le param`tre L en valuant e e e e la dette de lentreprise. Les param`tres At et ntant pas directement observables ; e e nanmoins, ils peuvent tre estims implicitement ` partir des donnes de la volatilit e e e a e e (historique) E de laction et de sa valeur spot Et . Rappelons que la valeur de laction est donne par la formule e (3.2) Et = At N (d1 ) Lt N (d2 ). At N (d1 ). Et
La formule dIt montre alors que Et est un processus de volatilit o e (3.3) E (t) =
Par suite, si lon conna E et Et , on conna en principe, la valeur des variables At t t, et A . Il sut pour cela de rsoudre en At et le syst`me e e Et = At N (d1 ) Lt N (d2 ), At N (d1 ). E (t) = Et La relation (3.3) nayant lieu quinstantanment les rsultats obtenus par cette e e mthode risque dtre instables [4]. e e
32
Spread implicite et smile de volatilit e

Nous prsentons maintenant une nouvelle mthode pour implmenter le mod`le de e e e e Merton, dapr`s Hull, Nelken et White [15]. Il sagit dutiliser linformation contenue e dans le smile de volatilit implicite pour calibrer le mod`le de Merton et en particulier e e estimer le spread implicite. Cette implmentation permet de classer les metteurs de dette risque selon la e e e qualit de leur signature. Lintrt dun tel classement est important : dune part, il e ee permet de comparer le risque de crdit entre plusieurs rmes et dautre part, il peut e servir de base ` une estimation des probabilits de dfaut ` horizon donn. Enn, ce a e e a e mod`le permet de relier risque equity et risque de crdit. e e Dans le mod`le de Merton, un put de maturit < T et de strike K appara e e t comme une option compose (voir [14]) sur la valeur de lentreprise. Ainsi, la valeur e du put sur laction est donne par la formule suivante : e P = L0 M a2 , d2 ; avec ln A0 /A B(0, ) + 2 /2 , a1 = a2 = a1 , o` M dsigne la fonction de rpartition dune gaussienne bivarie : u e e e 1 M x, y; = 2
x
yu
/T A0 M a1 , d1 ;
/T + KB(0, )N (a2 ),
du
12
dv e(u
2 +v 2 )/2
(1 +1),
et A reprsente la valeur de la rme telle qu` linstant , lon ait e a

E := A N (d1 ) L N (d2 )K = K.
Autrement dit, A est la valeur en dessous de laquelle le put sur laction sera exerc. e Notons la volatilit implicite du put et posons e = A , A0 B(0, ) = K . E0 B(0, T )
Le param`tre est souvent appel moneyness de loption (lorsque = 1, loption e e est ` la monnaie du forward). Le param`tre est la moneyness du point de vue de a e la valeur de la rme. Par dnition, la volatilit implicite du put est solution de e e lquation e L0 M a2 , d2 ; /T A0 M a1 , d1 ; /T + E0 N (a2 ) = E0 N (d ) E0 N (d ). 1 2
33
o` u ln(1/) + 2 /2 , = ln(1/) + 2 /2 a1 = , d 1 En utilisant alors lquation e (3.4) il vient (3.5) 1 l0 M a2 , d2 ;

1 E0 = A0 N (h1 ) l0 N (h2 ) ,
d = d , 2 1 a2 = a1 .
1 /T M a1 , d1 ; /T + N (a2 ) N (h1 ) l0 N (h2 ) 1 = N (d ) N (d ) N (h1 ) l0 N (h2 ) . 2 1
e En utilisant une nouvelle fois lquation (3.4), nous pouvons aussi crire que e E0 erT = E (, T ) = A N (h1, ) o` u h1, = h2, de sorte que (3.6) =
1 N (d1, ) l0 N (h2, ) , 1 N (h1 ) l0 N (h2 )
1 N (h2, ) , l0
ln 1/(l0 ) + 2 (T t)/2 , T t = h1, T t.
Pour un jeu de param`tres (l0 , , T ) du mod`le de Merton et une maturit doption e e e e (< T ), les quations (3.5) et (3.6) dnissent une relation implicite de la forme e = F onction(), qui conduit ` un smile de volatilit. Les proprits de cette relation peuvent se rsumer a e ee e en quelques faits styliss : e (1) le spread de crdit est une fonction croissante de la volatilit implicite ; e e (2) la relation entre la pente (skew) du smile de volatilit et le spread de crdit est e e plus complexe : pour des spreads faibles, la pente est une fonction croissante du spread ; pour des niveaux de spread plus levs, la variation de la pente devient e e ngligeable ; e (3) enn, la pente est une fonction croissante de la volatilit implicite ` la monnaie. e a
34
Ces rsultats sugg`rent une nouvelle mthode pour implmenter le mod`le de e e e e e Merton : tant donnes deux volatilits implicites et une valeur pour T , on peut e e e rsoudre les quations (3.5) et (3.6) pour obtenir l0 et . Cette implmentation permet e e e donc destimer directement le spread de crdit et la probabilit risque-neutre de dfaut e e e ` partir du smile de volatilit tout en vitant le recours ` la relation instantane (3.3). a e e a e Ces rsultats peuvent ensuite tre utiliss comme un indicateur du risque de crdit. e e e e Les auteurs ont test cette approche en comparant le classement des spreads obtenus e par cette mthode avec les spreads du march des CDS et ont montr que ces classee e e ments sont proches. Cette mthode permet donc, par exemple, dtudier la qualit de e e e la signature dentreprises dont le march de CDS nexiste pas ou nest pas tr`s liquide. e e
Limites du mod`le et extensions e

La principale limitation du mod`le de Merton est que les spreads implicites courte terme sont ncessairement proches de zro contrairement aux spreads rellement obe e e servs sur les marchs de capitaux. Cette proprit du mod`le est lie ` la continuit e e ee e e a e de la ltration brownienne (ou, de mani`re quivalente, ` la prvisibilit de linse e a e e tant de dfaut). Due et Lando expliquent cette apparente contradiction par le fait e que lasymtrie dinformation qui existe entre les actionnaires et les dtenteurs de la e e dette nest pas prise en compte par ce mod`le. Ils ont montr [8] que si ces derniers e e ne disposent que dune information comptable partielle (ou bruite) linstant de e dfaut leur appara comme totalement inaccessible. Ces rsultats permettent de juse t e tier lutilisation des mod`les ` forme rduite dont nous aborderons ltude dans le e a e e prochain chapitre. Le mod`le de Merton peut tre tendu dans direntes directions : Nous verrons e e e e dans la section 3.2 consacre aux mod`les de premier instant de passage comment e e lon peut incorporer des dfaut se produisant ` un instant quelconque de lintervalle e a [0, T ] ; Vasiek [30] propose un mod`le de Merton prenant en compte lchelonnement c e e de la dette ; Longsta & Schwartz [20] introduisent un mod`le de Merton intgrant e e des taux stochastiques. Notons enn que si lon souhaite tenir compte des imperfections de march (tels e lincompltude ou le contrle que peuvent exercer actionnaires et dtenteurs de la e o e dette sur la conduite de lentreprise), la thorie sloigne sensiblement de la thorie e e e des options. Sur ce sujet, lon pourra se rfrer ` Leland [19]. ee a Exercice. (Extension du mod`le de Merton au cas o` la valeur des actifs de la rme e u est un processus ` sauts.) a Soit N un processus de Poisson de param`tre et U = {Ui , i 1} une suite de e v.a. i.i.d. de moyenne . Nous supposons que les tribus (W ), (N ) et (U ) sont mutuellement indpendantes. e Nous considrons une entreprise dont la dynamique risque-neutre de la valeur de e ses actifs est dcrite par lEDS e dVt = Vt (r ) dt + V dWt + dt ,
3.2 Mod`les de premier instant de passage e
35
o` W est un mouvement brownien standard et est le processus de saut t = Nt Ui u i=1 et r est la taux sans risque. Dans la suite, Ft dsigne la tribu (Ws , s ; s t). e (1) Vrier que t = t t est une martingale relativement ` la ltration F. e a rt (2) Montrer que Vt = e Vt satisfait ` a (3.7)
dVt = Vt V dWt + dt .
En dduire que V est une martingale. e (3) Vrier que e

Xt = V0 et +V Wt 2 V t 0<ut
1 2
(1 + u )eu = V0 eV Wt (V /2+)t i=1
Nt
(1 + Ui )
est solution de (3.7). On admettra lunicit des solutions de (3.7) de sorte que V = X. e (4) Nous supposons dsormais que ln(1 + Ui ) suit une loi normale de moyenne et de e 2 2 variance . Montrer que = e+ /2 1. (5) On consid`re le bond risqu de maturit T et de nominal L dont le payo est e e e 2 L I{VT L} + VT /L)I{VT <L} . Montrer que la probabilit de dfaut du bond scrit e e e
+
P[VT < L] =
i=0
(T )i N (d2 (i)), i!
o` u d2 (i) = ln(V0 /L) + i (T ) , i (T )

+ 2 i (T ) = (r V /2 ) + i, 2 2 i (T ) = V T + i 2 .
(6) Vrier que la valeur du bond risqu est e e D(0, T ) = LB(0, T ) 1

i=0
eT
V0 (T )i 2 N (d2 (i)) + ei (T )+i (T )T /2 N (d1 (i)) i! L
o` u d1 (i) = d2 (i) + i (T ).
3.2
Mod`les de premier instant de passage e
Lune des limites du mod`le de Merton rside dans le fait que le dfaut de e e e lmetteur ne peut intervenir qu` la maturit de la dette. Dans les mod`les de premier e a e e instant de passage, au contraire, linstant de dfaut est (un temps darrt) de la forme e e = inf t > 0 ; At < Bar(t) o` Bar est une barri`re qui peut tre alatoire et A est une variable de type valeur u e e e de la rme. Dans les mod`les de ce type, il est possible de spcier une grande varit e e ee e dhypoth`ses de recouvrement en cas de dfaut (voir [2], chapitre 3). Apr`s quelques e e prliminaires mathmatiques, nous prsenterons un exemple de mod`le de premier e e e e instant de passage : le mod`le Credit Grade dvelopp par JP Morgan. e e e
2
Ce sont les hypoth`ses habituelles du mod`le de la rme selon Merton. e e
36
Prliminaires mathmatiques e e
Nous commenons ce paragraphe par un lemme bien connu de la thorie des difc e e e fusions (voir [17]). Dans la suite, Y dsigne un mouvement brownien avec drive de sorte que Yt = y0 + t + Bt , (y0 > 0, R, > 0),
o` B est un mouvement brownien unidimensionnel. u Lemme 3.1

P
0us
inf (Yu y0 ) y = N
2 y + s y + s e 2 y N . s s
Une preuve de ce lemme est donne en appendice E e Considrons le temps darrt e e = inf t > 0 ; Yt < 0 Appliquer le lemme prcdent ` Y y0 sut ` prouver : e e a a Proposition 3.2 La variable alatoire est distribu selon la loi gaussienne inverse. e e Plus prcisment, e e
P s = P < s = N h1 (s) + e
2 y0 2
N h2 (s) ,
o` u h1 (s) = y0 + s , s h2 (s) = y0 s . s
Exemple. Nous considrons une entreprise dont la valeur A est dcrite comme dans e e le mod`le de Merton et nous supposons que linstant de dfaut de la rme se prsente e e e sous la forme = inf t > 0 ; At < v o` v est un rel infrieur ` A. u e e a Dans ce cas, nous avons :
P > s At = N
ln(v/At ) (s t) v + At st
2a
ln(v/At ) + (s t) , st
o` u a= r 2 /2 = . 2 2
37
Mod`le Credit Grade e

Dans ce paragraphe, nous prsentons un mod`le de premier instant de passage e e dvelopp par JP Morgan (Credit Grade, voir [22]). Nous avons choisi de prsenter ce e e e mod`le car il nous semble quil contient des intuitions puissantes sur ce que sont les e dterminants du risque de dfaut et les liens qui existent entre le risque de crdit et e e e le risque equity. Description du mod`le e Nous supposons que la valeur V dune entreprise est dcrite par un processus e satisfaisant ` lEDS a dVt = dWt , Vt ( > 0),
o` W est un mouvement brownien unidimensionnel et > 0 est la volatilit de V . Ici, u e V nest pas rellement la valeur de la rme mais plutt un indice mesurant lvolution e o e temporelle de la qualit du crdit de lentreprise. Dans ce mod`le, le dfaut est dni e e e e e comme le premier instant ou V atteint une barri`re LD o` e u (1) D est le ratio debt-per-share, (2) L est une grandeur alatoire reprsentant le taux de recouvrement moyen e e global en cas de dfaut. e e La variable L est suppose lognormale de moyenne L et dcart-type de sorte que e LD = LDeZ
2 /2
o` Z suit une loi normale centre rduite. u e e La moyenne L et lcart-type sont estims historiquement en utilisant des e e donnes de taux de recouvrement telles celles fournies par Standard & Poors. Dans e [22], les auteurs mentionnent les valeurs L = 0.5 et = 0.3 obtenues ` partir des a donnes de dfaut de 300 entreprises amricaines (hors institutions nanci`res) entre e e e e 1987 et 1997. Le ratio debt-per-share D est obtenu en divisant le nominal de la dette globale par le nombre dactions mises par lentreprise. e Pour une valeur V0 donne, linstant de dfaut est donc e e = inf t > 0 ; Vt < LD , et si lon pose Xt = Wt Z 2 2 t , 2 2
u ee de sorte que Xt N (1/2A2 , A2 ) o` At = 2 t + 2 , cette formule peut se rcrire t t = inf t > 0 ; Xt < ln(LD/V0 ) 2 . Pour appliquer les formules prsentes dans le paragraphe prcdent (an dobtenir e e e e une formule ferme pour la structure par terme de probabilit de dfaut), les auteurs e e e
38
proposent de remplacer Xt avec un mouvement brownien Yt de loi N (t, 2 t), o` u 2 t = A2 = 2 t + 2 et t = A2 /2. Dapr`s le lemme 3.1, lon a e t t
P inf Ys > y = N
st
2y t y t + y e 2 N t t
et en posant y = ln(LD/V0 ) 2 , lon obtient la formule P (t) := P[ > t] = N o` u V0 e d= . LD Remarque. Lon peut, au prix dune intgration supplmentaire, viter lapproxie e e mation (X Y ) prcdente. En eet, lon a e e
P > t = P Ws 2 s/2 > ln(LD/V0 ) + Z 2 /2, s t
+
2
At ln d At ln d + dN , 2 At 2 At
=
+
dz P Ws 2 s/2 > F (z), s t 2 F (z) 2 t/2 dz F (z) 2 t/2 eF (z) N N t t 2
o` u F (z) = ln LD 2 + z. V0 2
Remarque. Lintroduction dans un mod`le structurel dune barri`re alatoire ime e e plique que la probabilit de dfaut instantane nest plus nulle. Ceci conduit ` un e e e a spread court-terme non nul et permet de rsoudre lun des probl`mes inhrents aux e e e mod`les ` la Merton. e a Probabilit de dfaut et spread de crdit e e e Dans ce paragraphe, nous dsignons par spread de crdit la valeur de la marge e e dun Credit Default Swap qui annule sa valeur au moment de lentre dans le swap. e Autrement dit, le spread est donn par la formule e DF (0, s)P (ds) + 1 P (0) s(t) = (1 R)
]0,t] t
. DF (0, s)P (s) ds
Il faut bien prendre garde au fait que R est le taux de recouvrement spcique au e titre couvert par le CDS et nest donc pas ncessairement gal ` L qui est un taux de e e a
39
recouvrement moyen global. Typiquement, le taux de recouvrement pour une dette unsecured sera plus faible que L, alors que celui li ` une dette secured sera plus grand ea que L. Remarque. Si lon note 1 p(t) = ln P (t), t le taux de dfaut moyen et si lon suppose que e (1) p(t) p constant, (2) P (0) 1, alors lapproximation suivante est justie e s(t) (1 R)p.
Calibration du mod`le sur les donnes de march e e e Nous cherchons maintenant ` calibrer ce mod`le sur des donnes de march oba e e e servables (donnes equity). Soient S et S respectivement la valeur de laction et la e volatilit de laction de lentreprise considre. La mthode propose par JP Morgan e ee e e consiste ` examiner les conditions aux bords ` long terme sur une expression de type a a distance-au-dfaut pour les deux rgimes extrmes e e e pr`s du dfaut cest-`-dire S 0, e e a loin de la barri`re cest-`-dire S e a LD. Soit donc la distance-au-dfaut mesur en cart-type de V et dnie par e e e e ln V ln(LD) 1 V = ln . LD Reprendre le raisonnement qui nous a conduit ` la formule 3.3 permet dexprimer la a distance-au-dfaut sous la forme e V S V (3.8) = ln . S S V LD = Nous allons tablir les conditions aux bords pour . Pr`s du dfaut (S 0), nous e e e avons S V S + o(S 2 ) = LD + + o(S 2 ) V V (S = 0) + S En utilisant lquation prcdente et (3.8), on montre que lorsque S 0 e e e = 1 + o(S). S
Lorsque S LD, on suppose que S/V 1 (ce qui est cohrent avec le comportement e dun mod`le de Merton standard). Par suite, e S 1 ln , S LD (S LD).
40
Lexpression la plus simple pour qui satisfasse simultanment ` ces deux conditions e a aux bords est = S + LD S + LD . ln SS LD
En comparant lquation prcdente avec (3.8) nous sommes conduits ` e e e a V = S + LD, et donc V0 = S0 + LD. Finalement, lon obtient
= S
S , S + LD
pour une valeur de laction gale ` S et sa volatilit (historique ou implicite) correse a e pondante. La formule suivante pour la probabilit (risque neutre) de dfaut ne fait plus e e intervenir que des variables observables P (t) = N o` u A2 t =
S
At ln d At ln d + dN , 2 At 2 At
S S + LD
t+ ,
S + LD 2 d= e . LD
CHAPITRE
Nous prsentons dans ce chapitre les bases de la modlisation du risque de dfaut e e e ` laide de mod`les ` forme rduite. a e a e Apr`s avoir pos les fondations mathmatiques des mod`les ` forme rduite, nous e e e e a e nous plaons dans le cadre des mod`les doublement stochastiques. Conditionnellement c e ` linformation de march, les instants de dfaut y apparaissent comme le premier a e e instant de saut dun processus de Poisson. Nous verrons que cette proprit est au ee coeur de la tractabilit analytique de cette approche. Nous terminons ce chapitre par e des exemples dapplications lorsque lintensit de dfaut est un processus ane (cf. e e appendice C).
4.1
Prliminaires mathmatiques e e
Dans cette section inspire de [2], [7] et de [29], nous prsentons les dnitions e e e et rsultats mathmatiques qui sous-tendent la thorie des mod`les ` intensit. Elle e e e e a e se veut lmentaire et cest pourquoi nous nentrons pas dans toutes les subtilits ee e techniques. Pour plus de dtails sur la thorie gnrale des processus, nous renvoyons e e e e ` lannexe A. a Dans la suite, (, F, P, G = (Gt )t0 ) dsigne un espace probabilis satisfaisant aux e e conditions habituelles. Toutes les ltrations considres dans la suite sont, elles aussi, ee supposes vrier les conditions habituelles. e e
Dnitions e
Nous introduisons la dnition suivante qui est centrale dans la suite : e Definition 4.1 Soient un temps darrt de la ltration G et N le processus t e Nt = 1{ t} . On dit que le processus G-adapt et positif = (t )t0 est l intensit (ou e e
42
taux de hasard) de si
t t
Nt
0
1]]0, ]] (s)s ds = Nt
0
s ds
est une (G, P)-martingale. Remarque. Si est dterministe, ceci revient ` dire que est le premier instant de e a saut dun processus de Poisson dintensit . e Intuitivement, cette dnition signie que, conditionnellement ` la ralisation de e a e lvnement { > t}, on a e e
P (t, t + dt] Gt = t dt.
Le rsultat suivant [1] formalise mathmatiquement cette derni`re galit. e e e e e ` Theoreme 4.2 Soient ( n )n0 une suite de rels strictement positifs dcroissant e e 1 vers 0 et Yn une version mesurable du processus Yn (t) = n P t < t + n |Gt . Sil existe deux processus et y tels que, pour tout t, la limite t = limn Yn (t) existe et
t
|Yn (s) s | ys , s t et
0
ys ds < + p.s ,
alors est lintensit de . e Nous utiliserons ce rsultat dans le prochain chapitre de la mani`re suivante : si la e e survie conditionnelle S(t, T ) = P > T Gt est un processus susamment rgulier, e alors lintensit de est donne par e e t = S(t, T ) T .
T =t
Remarque. Par analogie avec la dnition des taux courts, on peut interprter e e comme un spread instantan : e rt = B(t, T ) T .
T =t
Exercice. Soit une variable alatoire exponentielle de param`tre > 0 : par e e dnition, on a P[ > t] = exp(t). Montrer que dans la plus petite ltration e dans laquelle un temps darrt, admet pour intensit le processus constant gal ` . e e e a Soit un temps darrt tel que P[0 < < +] > 0. Si la ltration G est e engendre par un mouvement brownien (disons W ), le temps darrt ne peut pas e e admettre dintensit. En eet, dans le cas contraire, on pourrait trouver un processus e prvisible H tel que e
t t
M t = Nt
0
(s) ds =
0
Hs dWs ,
4.1 Prliminaires mathmatiques e e
43
ce qui est absurde car sur lvnement {0 < < +}, on aurait alors M = 0. En e e fait, pour quun temps darrt admettent une intensit, il faut quil soit totalement e e inaccessible (cest-`-dire quil arrive comme une surprise totale). A contrario, les temps a darrt dune ltration brownienne sont prvisibles et sont donc annoncs par une srie e e e e de signes avant-coureurs. Nous nous intressons dsormais ` la situation o` la variable alatoire est un e e a u e temps darrt dune ltration plus grande que celle dans laquelle est dnie son taux e e de hasard. Nous supposons donc que F = (F)t0 est une ltration telle que Ft Gt . Lutilisation de ce cadre peut se justier de la mani`re suivante : supposons que e linstant de dfaut est dni par un mod`le structurel brownien. Pour les agents ayant e e e acc`s ` linformation de cette ltration (disons le conseil dadministration de lentree a prise et ses managers), linstant de dfaut est un temps darrt prvisible qui nadmet e e e pas dintensit. Or, si lon fait lhypoth`se que les informations comptables ncessaires e e e 1 ` la calibration du mod`le structurel prcdent sont bruites , les agents de march a e e e e e nont acc`s, en terme dinformation, qu` une sous-ltration de la premi`re dans lae a e quelle linstant de dfaut est totalement inaccessible et poss`de une intensit [8]. Les e e e mod`les ` forme rduite rendent compte de lasymtrie dinformation qui existe entre e a e e lagent du march non-inform et le management dune entreprise.2 e e Definition 4.3 Soit un temps darrt de G dintensit . On dit que est doue e blement stochastique relativement ` la ltration F si est un processus F-adapt3 et a e si pour tout t s, on a
s
P > s|Fs Gt = exp

t
u du 1{ >t} .
Cette dnition signie que conditionnellement ` F , est le premier instant de e a saut dun processus de Poisson N = (Nt , t 0) par rapport ` G dintensit (t , t 0). a e En eet
P[ > s| F Gt ] = P Ns Nt = 0; Nt = 0 F Gt
= 1{Nt =0} P Ns Nt F e = 1{ >t} e et donc

P[ > s| Fs Gt ] = E 1{ >t} e
t s t s
u du
,
u du
Fs G t
= 1{ >t} e
t s
u du
Dans la pratique, nous partons dune ltration F qui est, en gnral, la ltration e e engendre par un processus de Markov (disons, un processus ane) reprsentant line e formation de march hors instant de dfaut et nous construisons une v.a. et une e e de la mani`re suivante (processus de Cox) : ltration G e
voire incompl`tes, voire truques... e e le dlit diniti prot`ge, en principe, le march des abus potentiels li ` lutilisation en vue dun e e e e ea enrichissement personnel de cette asymtrie dinformation. e 3 en fait, prvisible. e
2 1
44
t Soient un processus F-adapt et positif, le processus t exp( 0 s ds) et U e une v.a. de loi uniforme sur [0, 1] indpendante de F 4 Si nous dnissons la v.a. e e
= inf{t 0 ; (t) U } et la tribu Gt = Ft Ht o` Ht = ( t), alors il est facile de vrier que est un temps darrt de G dintensit u e e e (exercice !). Nous montrerons dans la prochaine sous-section que le temps darrt e est aussi doublement stochastique relativement ` F. a
Calculs desprances conditionnelles e

Nous dtaillons une srie de calculs desprances conditionnelles valable dans un e e e contexte assez gnral. Ces rsultats vont nous permettre de dmontrer que les proe e e e cessus de Cox sont doublement stochastiques mais aussi de prouver une formule qui interviendra de mani`re rcurrente dans la suite. e e Soient F G deux ltrations et une v.a. telle que si H dsigne la ltration e Ht = ( t), alors on a G = F H. Dans la pratique, G sera la ltration du trader de CDS, convertibles, sur la rme en question, tandis que F dsignera la ltration de e march hors dfaut de la rme considre. Nous aurons besoin du lemme fondamental e e ee suivant sur les tribus : Lemme 4.4 Soit T une sous-tribu de G . Pour tout t, on a Ht T A G ; B T, A { > t} = B { > t} , autrement dit Ht T est inclus dans lensemble des lments de G dont la restriction ee a ` { > t} est dans T. Preuve. Notons G le membre de droite dans lgalit ci-dessus. Il est clair que G e e t t est une sous-tribu de G . Il sut donc de prouver que Ht G et que T G . Pour t t ce faire, il sut encore de prouver que si A = { u}(u t) ou A T, alors il existe B T tel que A { > t} = B { > t}. Dans le premier cas, on peut choisir B = , dans le second B = A. Proposition 4.5 Soient T une sous-tribu de G et Y une v.a. G -mesurable et intgrable. On a e
E[Y 1{ >t} |Ht T] = 1{ >t} E[1{ >t} Y |T] P[ > t|T]
ce qui revient ` dire que si lon se restreint ` { > t}, la tribu Ht ne contient plus a a dinformation.
On pourrait dire que cest dans lala de cette variable alatoire que se concentre linformation e e non disponible.
4
4.1 Prliminaires mathmatiques e e
45
Preuve. Puisque le membre de droite dans lgalit prcdente est Ht T-mesurable, e e e e il sut de prouver que pour tout A Ht T, on a
1C Y P[C|Ft ] dP =
A A
1C E[1C Y |Ft ] dP.
o` C = { > t}. Dapr`s le lemme prcdent, il existe B T tel que A C = B C u e e e et par suite, on peut crire que e
1C Y P[C|T] dP =
A AC
Y P[C|T] dP =
BC
Y P[C|T] dP
E[1C Y |T]P[C|T] dP
B
=
B
1C Y P[C|T] dP =
=
B
E[1C E[1C Y |T]|T] dP =

BC
E[1C Y |T] dP
=
BA
E[1C Y |T] dP =
A
1C E[1C Y |T] dP,
do` le rsultat. u e Nous allons dmontrer que le processus de Cox dni dans la sous-section e e prcdente est doublement stochastique. Nous reprenons pour un instant les notae e tions dnies prcdemment. Il sagit de prouver que e e e P[ > s|Fs Gt ] = exp
s
u du 1{>t} ,
t
(t s).
Les hypoth`se du lemme prcdent tant vries (G = F H), il sapplique ` nos e e e e e e a ltrations pour donner dune part P[ > s|Fs Gt ] = P[ > s|Fs Ht ] = 1{>t} P[ > s|Fs ] P[ > t|Fs ] .
Dautre part et puisque par hypoth`se U est indpendant de G et donc de Fs , on e e peut aussi crire que pour tout t s e P[ > t|Fs ] = exp
t
u du .
0
Le rsultat dsir est alors immdiat. e e e e Nous sommes dsormais en mesure de prouver le principal thor`me de ce parae e e graphe. Celui-ci est fondamental et il interviendra ` de nombreuses reprises dans la a suite. ` Theoreme 4.6 Soient un temps darrt de G dintensit et doublement stochase e tique relativement ` F et Z un processus F-prvisible born. Alors, pour tout s t, on a e e a
E 1{t< s} Z Gt = 1{ >t} e(t) E
]t,s]
Zu u eu du Ft ,
46
t
o` (t) = u
0
s ds.
Noter que ce thor`me sapplique aux processus de Cox. e e Remarque. Ce rsultat tr`s puissant nous dit que les calculs dans la ltration e e tendue (du trader) peuvent se ramener (dans le cadre des mod`les doublement stoe e chastiques) ` des calculs dans la ltration de march (o` les calculs sont simples, par a e u exemple lorsque F est engendre par un processus ane). e Remarque. (admise) La tribu F-prvisible est la tribu sur R+ engendre par e e 1. les processus (Xt , t 0) continus et F-adapts ; e 2. les ensembles de la forme A]s, t], s < t, A Fs A 0, A F0 .
Preuve. Nous commenons par prouver le rsultat pour un processus F-prvisible Z c e e de la forme 1]u,v] Yu o` Yu est une v.a. Fu -mesurable. Dans ce cas, le rsultat se dduit u e e des calculs suivants :
E 1{t< s} Z Gt = E 1{ >t} 1{ut< sv} Yu Ht Ft
= 1{ >t}
E 1{ut< sv} Yu Ft P > t Ft
= 1{ >t} et E Yu (1{ >ut} 1{ >sv} ) Ft = 1{ >t} et E Yu (E 1{ >ut} Fut E 1{ >sv} Fsv ) Ft = 1{ >t} et E Yu (eut esv ) Ft = 1{ >t} e(t) E
]t,s]
Zw dew Ft Zw w ew dw Ft .
]t,s]
= 1{ >t} e(t) E
Par linarit, le rsultat reste vrai pour un Z de la forme N 1]ti ,ti+1 ] Yti o` les e e e u i=1 Yti sont des v.a. Fti -mesurables bornes. Pour prouver le cas gnral, il sut alors e e e de remarquer quun processus F-prvisible born Z peut tre approch uniformment e e e e e par une suite de processus prvisible de la forme prcdente. e e e
Un thor`me de reprsentation e e e
Nous terminons cette section par lnonc dun thor`me qui prcise la structure e e e e e de la ltration G lorsque F est une ltration brownienne. Nous supposons donc ici que F est la ltration engendre par un mouvement brownien B (ventuellement multie e dimensionnel). ` Theoreme 4.7 Soient X une v.a. et M la G-martingale Mt = E X Gt , t [0, T ].
4.2 Evaluation des actifs risqus e
47
Alors, il existe un processus F-prvisible et un processus G-prvisible tels que e e

t
Mt = M0 +
0
s dBs +
]0, t]
u u du dNu .
Preuve. Voir [2].
4.2
Evaluation des actifs risqus e
Dans cette section, nous nous intressons ` lvaluation des actifs soumis au risque e a e de dfaut. Nous nous plaons dans le cadre de labsence dopportunit darbitrage. e c e Nous supposons donc que tous les actifs considrs sont dnis sur un espace proee e babilis ltr , A, P , G = (Gt )t0 . Nous supposons de plus quil existe un temps e e darrt de la ltration G, dintensit , doublement stochastique relativement ` une e e a ltration F G telle que G = F H, o` Ht = ( t). Ce temps reprsente linsu e tant de dfaut dune entit de rfrence xe. Lhypoth`se sur les ltration signie e e ee e e que toutes les informations de march autres que linstant de dfaut sont contenues e e dans la ltration F. La probabilit P est une probabilit risque-neutre relativement au processus de e e e ne, taux dintrt r = (rt )t0 que nous choisirons F-adapt. Ceci entra en particulier, ee que les prix des actifs contingents ` valuer se calculent comme lesprance sous P ae e des ux futurs ractualiss ` laide du taux sans risque r. e e a
Le cas du fractional recovery of par value

Nous considrons un produit donnant droit en T ` un ux F reprsent par une e a e e v.a. GT -mesurable et payant un ux W (taux de recouvrement) si lentit de rfrence e ee fait dfaut avant la maturit T du titre o` W est un processus F-prvisible. La valeur e e u e en t dun tel actif scrit e p(t, T ) = E e
T 0
rs ds
F 1{ >t} + e
rs ds
W 1{t< T } Gt ,
or, il dcoule du thor`me 4.6 que e e e

E e
T 0
rs ds
F 1{ >t} Gt = 1{ >t} e = 1{ >t} e
t 0 t 0
u du u du
E e E e
T t
ru du
F 1{ >t} Ft F Ft ,
T t (ru +u ) du
et
E e
0
rs ds
W 1{t< T } Gt = 1{ >t} e = 1{ >t} e
t 0
u du
E
(t,T ]
Ws s e (t, s) ds,
(t,T ]
s t (ru +u ) du
ds Ft
t 0
u du
o` u (t, s) = E e
s 0 (ru +u ) du
Ws s Ft ,
48
et nalement, la valeur de lactif scrit e p(t, T ) = 1{ >t} E e

T 0 (rs +s ) ds
F Ft + e
t 0
s ds ]t,T ]
(t, s) ds .
Remarque. Le calcul de la premi`re esprance met en lumi`re le fait que la valeur e e e dun ux de la forme F 1{ >t} se calcule comme celle dun ux de la forme F avec un taux dactualisation r + . Ceci constitue une premi`re interprtation de lintensit e e e de dfaut comme un spread metteur instantan. e e e
Le cas du fractional recovery of market value

Une hypoth`se de recouvrement particuli`rement intressante est lhypoth`se dite e e e e Market Value Recovery (MVR). Soient une variable alatoire FT -mesurable F et un e processus F-prvisible l ` valeurs dans (0, 1), nous considrons lactif contingent W e a e comme le processus F-prvisible payant le ux suivant : e F en T si lentit de rfrence na pas fait dfaut ` maturit ; e ee e a e Wt = (1 lt )p(t, T ) si le dfaut intervient en t < T o` p(t, T ) reprsente la e u e valeur en t de cet actif. Par absence dopportunit darbitrage, la valeur p(t, T ) en t de cet actif doit sae tisfaire ` lquation a e p(t, T ) = E e
T t
rs ds
F 1{ >t} + e
T t
rs ds
l p( , T )1{t< T } Gt .
La valeur p sexprime donc sous la forme dune quation direntielle stochastique e e backward (EDSB). Nous admettrons dans la suite que cette quation admet une e unique solution. Pour plus dinformations sur la thorie des EDSB, le lecteur pourra e se rfrer ` [13] ou au cours de M. Chaleyat-Maurel. ee a Proposition 4.8 Soit Vt = E e
T t (rs +(1ls )s ) ds
F Ft ,
nous supposons que, presque srement, V = 0. Alors Ut = Vt 1{ >t} est lunique u solution de lquation direntielle stochastique backward e e Ut = E e
T t
rs ds
F 1{ >t} + e
T t
rs ds
l U 1{t< T } Gt .
Preuve. Voir [2] ou larticle fondateur [10]. Remarque. Pour valoriser un actif soumis au risque de dfaut dans le cadre du e fractional recovery of market value, il sut dajouter au taux sans risque r le spread instantan st = (1 lt )t . Ceci est constitue une autre version de la relation du e triangle dja obtenue dans le cadre du pricing des CDS : e S = (1 R), o` R dsigne le taux de recouvrement et le taux de dfaut. u e e Exercice. (Intensit de dfaut et Mod`le Ane de Base.) e e e
49
Soit N un processus de Poisson de param`tre et U = {Ui , i 1} une suite de v.a. e i.i.d. de loi ` support inclus dans R+ . On consid`re le processus h dont la dynamique a e est dcrite par lEDS e dht = (h ht ) dt + ht dWt + dJt
Nt i=0
o` W est un mouvement brownien standard et J est le processus de saut Jt = u On dsigne par F la ltration engendre par le processus h. e e (1) Soit L loprateur dni par e e Lf (x) = 2 xf (x) + (h x)f (x) + 2 f (x + z) f (x) (dz).
Ui .
Vrier que pour toute fonction f de classe C 2 , borne et ` drivs borns, le processus e e a e e e
t
f (ht )
0
(Lf )(hs ) ds
est une martingale. (2) On admet quil existe deux fonctions de classe C 1 u et u telles que
E euhT
T t
hs ds
Ft = eu (T t)+ht u (T t) ,
(0 t T ).
Montrer que u et u sont solutions des quations de Riccati e = h (() 1) 2 = 1 h 2 2 ,
avec (0) = 0, (0) = u et (c) = E[exp(cU1 )] (c C). (3) On suppose que h est lintensit risque-neutre de linstant de dfaut dune e e entreprise et que le taux sans risque est constant gal ` r. Calculer la marge ` la e a a monnaie (break even spread) dun credit default swap dont la jambe xe prend en compte les ux intervenant avant le dfaut et le coupon couru, et la jambe variable e est paye d`s loccurrence du dfaut. e e e Exercice. (Examen juin 2004.) Le but de ce probl`me est dtablir les formules de base de la valorisation des actifs e e soumis au risque de dfaut dans un mod`le o` taux sans risque et intensit de dfaut e e u e e sont des processus corrls. ee Partie I : Prliminaires. Soit (, A, P, F = (Ft )t0 ) un espace probabilis ltr e e e sur lequel vit un F-mouvement brownien W . On consid`re le processus x solution de e lEDS dxt = (t xt ) dt + dWt , x0 > 0
o` est une fonction dterministe strictement positive et , (0, +). u e
50
(1) Vrier que yt := et xt satisfait ` lEDS e a dyt = et t dt + dWt , y 0 = x0 .
(2) Montrer que, pour tout s t, z(s, t) = xs e(st) xt est une gaussienne indpendante de la tribu Ft , dont on dterminera la variance. e e (3) En dduire lexistence de deux fonctions A et B (que lon ne cherchera pas ` e a calculer) telles que
E[e
T t
xs ds
|Ft ] = exp A(t, T ) xt B(t, T ) =: (t, xt ).
(4) Montrer que les fonctions A et B sont solutions des EDO B (t, T ) = B(t, T ) 1, B(T, T ) = 0, t A 2 (t, T ) = B 2 (t, T ) + t B(t, T ), A(T, T ) = 0. t 2 [Indication : le processus Mt = e (5) En dduire que e 2 B 2 (s, T ) ds 2 1 e(T t) B(t, T ) = B(t, T ; ) = . A(t, T ) = A(t, T ; , , ) =
T
t 0
xs ds
(t, xt ) est une F-martingale.]
s B(s, T ) ds,
t
Partie II. Tous les processus et v.a. considrs dans la suite vivent sur un espace ee 1 2 probabilis complet (, A, P). Soient B = (Bt , Bt ; t 0) un mouvement brownien e standard et W = (Wt1 , Wt2 ; t 0) le processus dni par e W 1 = B1, W 2 = B 1 + 1 2 B 2 ( [1, +1]),
de sorte que W soit un mouvement brownien tel que d W 1, W 2

t
= dt.
On dsigne par F = (Ft )t0 la ltration engendre par B. On consid`re une conomie e e e e dans laquelle les dynamiques risque-neutre des taux sans risque r et de lintensit de e dfaut de lentit de rfrence sont de la forme e e ee drt = (kt art ) dt + dWt1 , dt = (k t at ) dt + dWt2 . Les fonctions strictement positives et dterministes k et k ainsi que les param`tres e e e e a a, a, et sont supposs connus. On consid`re une v.a. ` valeurs dans [0, +] telle que, si G est la ltration engendre par F et , ` savoir Gt = Ft ( t), alors e a
51
(i) admet pour G-intensit, e (ii) est doublement stochastique relativement ` F. a On admettra que, dans ce cas, la proprit suivante est vrie : tout F-mouvement ee e e brownien est un G-mouvement brownien. Lespace probabilis ltr (, A, P, G) est la base du mod`le dvaluation des e e e e actifs de sorte que la tribu Gt modlise linformation disponible ` linstant t et e a reprsente linstant de dfaut de lentit de rfrence. e e e ee (1) Montrer que la valeur B(t, T ), en t, dune obligation zro-coupon sans risque de e maturit T scrit e e exp A(t, T ; a; k; ) rt B(t, T ; a) . Quelle est la volatilit de cette obligation zro-coupon ? e e (2) Montrer que la probabilit de survie de lentit de rfrence au del` de linstant e e ee a T , conditionnellement ` linformation disponible ` linstant t, scrit a a e I{ >t} exp A(t, T ; a; k; ) t B(t, T ; a) . (3) Soit PT la probabilit forward-neutre de la maturit T dans le monde sans risque e e de dfaut. Autrement dit, PT est dni par les relations e e dPT 1 B(t, T ) , = t dP Ft e 0 rs ds B(0, T ) (0 t T ).
t
T 1 2 (i) Montrer que le processus Bt = (Bt + 0 B(s, T ; a) ds, Bt ) est un PT mouvement brownien standard. (ii) En dduire que la valeur B(t, T ), en t, dune obligation zro-coupon risqu de e e e maturit T et de taux de recouvrement nul scrit e e
I{ >t} B(t, T ) exp A(t, T ; a; k; ) t B(t, T ; a) o` u kt = k t B(t, T ; a). e e (4) Montrer que la valeur B RM V (t, T ), en t, dune obligation zro-coupon risqu de maturit T soumise ` lhypoth`se Fractional Recovery of Market Value et de taux e a e de recouvrement gal ` R (0, 1) scrit e a e I{ >t} B(t, T ) exp A (t, T ) (1 R)t B(t, T ; a) o` u A (t, T ) = (1 R)2 2 2
T t
B(s, T ; a)2 ds (1 R)
T t
B(s, T, a)ks ds.
52
(5) Montrer que la valeur, en t, dun titre rapportant 1 ` linstant du dfaut, si celui-ci a e se produit avant la maturit T , scrit e e
T
I{ >t}
t
e(t, s) ds
o` u e(t, s) = E[(s)e
s t (ru +u ) du
],
(s t).
e e (6) Soit PT la probabilit dnie par les relations dPT = dP Ft e o` P (t, T ) = E[e t (rs +s ) ds |Ft ]. u (i) Montrer que le processus
1 T Bt = Bt + t 0 2 B(s, T ; a) + B(s, T ; a ds, Bt + t
T
1
t 0 (rs +s ) ds
P (t, T ) , P (0, T )
(0 t T )
1 2
0
B(s, T ; a) ds
est un PT -mouvement brownien. (ii) En dduire que e e(t, s) = B(t, T ) t e o` u k (t) = k(t) B(t, T ; a) 2 B(t, T ; a).
a(T t) T
+
t
ea(T s)k (s) ds
CHAPITRE
Dfauts corrls e ee
Dans ce chapitre, nous dcrivons plusieurs mthodes pour dnir la loi jointe dune e e e famille dinstants de dfauts. e Une entreprise donne poss`de ncessairement des liens conomiques avec dautres e e e e acteurs (fournisseurs, clients, dbiteurs...), de telle sorte que son dfaut peut aecter la e e qualit du crdit dautres entreprises. Il sav`re donc crucial de modliser cette relation e e e e de dpendance (souvent appele corrlation) entre les dfauts lorsque lon sintresse e e e e e ` des situations faisant intervenir le risque de dfaut de nombreux metteurs. De a e e telles situations sont courantes : citons les probl`mes dvaluation et couverture des e e produits drivs de crdit sur panier (Nth-to-default, CDO), ceux de la mesure du e e e risque de crdit dun portefeuille de crance et des calculs dexposition au risque de e e contrepartie dun portefeuille de produits drivs OTC. e e De mani`re gnrale, on distingue deux grands principes : e e e 1. On suppose en gnral que le principal facteur de risque de crdit est un face e e teur conomique global. La qualit du crdit des entreprises dun mme secteur e e e e conomique (Europe, Etats-Unis, Asie) est donc a priori corrle positivement. e ee 2. La dgradation de la qualit de crdit dune rme donne peut entra e e e e ner la dgradation de la sant nanci`re des entreprises partenaires dun mme secteur e e e e industriel. L` encore, la corrlation est donc positive. a e Dans la pratique, la co-dpendance sobserve eectivement sur les marchs par e e la dgradation du spread de crdit des entreprises partenaires lors du dfaut dune e e e entreprise particuli`re. e Lenjeu est dlaborer des mod`les qui rendent compte de ces phnom`nes tout en e e e e restant aisment interprtables. Nous nous restreindrons ici ` la modlisation la plus e e a e courante ` laide des copules. a Nous prsentons tout dabord des mthodes de modlisation du dfaut dun ene e e e semble de crdits. Nous nous intressons ensuite ` la gnralisation des deux approches e e a e e prcdentes, structurelle et ` forme rduite, dans le cadre des dfauts multiples. Enn, e e a e e
54
Dfauts corrls e ee
nous traitons le probl`me de la calibration sur sauts de spread. e
5.1
Produits drivs sur un panier de crdits e e e
On consid`re ici des produits drivs crits sur un panier de k crdits possdant e e e e e e les caractristiques suivantes : e e Ri (0, 1) est le taux de recouvrement du i`me crdit ; e `me e crdit ; e Ni est le nominal du i e i est linstant de dfaut du i`me crdit ; e e On fait lhypoth`se selon laquelle les instants de dfaut sont indpendants du taux e e e court : (rs )s0 (1 , . . . , k ) et lon suppose connue la distribution risque neutre Fi (t) = P [i t] de chacun des instants de dfaut. Par exemple, dans le cas dune intensit i de dfaut e e e constante, le spread de CDS si scrit e si = (1 Ri )i , ce qui conduit ` la distribution suivante : a Fi (t) = ei t = exp Dans la suite, on notera min(i ) = (1) < (2) < < (k) = max(i ) le vecteur des statistiques dordre du vecteur = (1 , . . . , k ). Nous allons distinguer deux types de produits drivs sur panier de crdits : les e e e th n -to-default et les CDO. si t . 1 Ri
nth -to-default
e Un nth -to-default ore une protection contre le ni`me dfaut dun panier de crdits. e e n {1, . . . , k} est appel ordre de dfaut. Nous supposerons pour simplier que le e e panier est homog`ne, i.e. e
i {1, . . . , k}, Ni = N, Ri = R.
e Une prime (spread) dassurance est paye jusqu` loccurrence du ni`me dfaut. Le e a e th vendeur de protection paye alors ` lacheteur du n -to-default la quantit L dnie a e e par : L = (1 Ri )N si (n) = i .
5.1 Produits drivs sur un panier de crdits e e e
55
La valorisation dun nth -to-default ncessite lvaluation des jambes xe et variable e e sous la forme des esprances suivantes : e N P V (JF ) = N
i
s(Ti+1 Ti )E e
Ti 0
rs ds
1{(n) >Ti } ,
et sous lhypoth`se dindpendance r (1 , .., k ) : e e N P V (JF ) = N

i T
s(Ti+1 Ti )B(0, Ti )P (n) > Ti B(0, t)Qn (t) dt

0
SN
e o` Qn (t) dsigne la survie du ni`me crdit ` faire dfaut au temps t. En ce qui concerne u e e a e la jambe variable :
N P V (JV ) = E e
(n) 0
rs ds
L1{(n) T } ,
et sous lhypoth`se dhomognit, L = (1 R)N : e e e e

T
N P V (JV ) = (1 R)N
0 T
B(0, t)P (n) dt B(0, t)Qn (t) dt,
(1 R)N
0
ce qui permet den dduire lexpression du spread immdiatement. e e
Collateralized Debt Obligations (CDO)

Dans cette partie, on note 0 A < B 1 et N = i Ni le nominal du panier. Lacheteur de protection sur la tranche A-B paye ` chaque priode un spread corresa e pondant au capital restant sur la tranche et reoit en change une protection contre c e toutes les pertes comprises entre A N et B N . La perte cumule Lt ` linstant t e a scrit : e
k
Lt =
i=1
Ni (1 Ri )1{i t} ,
et donc la perte cumule sur la tranche A-B est e Lt (A, B) = (Lt A)+ (Lt B)+ . On en dduit le pourcentage du capital CtA,B restant ` linstant t : e a CtA,B = 1 (Lt A)+ (Lt B)+ . BA
56
Dfauts corrls e ee
A,B On peut donc calculer le prix du CDO : lacheteur de protection verse SN (B A)CTi ` linstant Ti donc la jambe xe sexprime comme : a
N P V (JF ) =
i
A,B (Ti+1 Ti )SN (B A)E [CTi ] T
SN (B A)
0
B(0, t)Q(A, B, t) dt,
A,B o` Q(A, B, t) = E [CTi ] est la survie sur la tranche A-B. Le vendeur de protection u (A,B) (A,B) e verse ` linstant du i`me dfaut L(i) L(i) , donc la jambe variable vaut : a e
N P V (JV ) = E
T
T 0
B(0, t) dLA,B t
=
0
B(0, t) dE LA,B t
T
= (B A)
0
B(0, t)Q(A, B, dt).
Tout le probl`me se rsume donc au calcul de e e Q(A, B, t) = E CtA,B pour tout t, ce qui ncessite de modliser la loi jointe des (1 , . . . , k ) connaissant les e e lois marginales, i.e. la loi des i , (1 i k). Loutil privilgi pour rsoudre ce type de probl`me est la fonction copule (voir e e e e lannexe D).
5.2
Corrlation dans les mod`les structurels e e
Dans cette partie, on suppose que chaque dfaut est dclench par un mcanisme e e e e ` la Merton, i.e. i {1, . . . , k}, Xi N (0, 1) telles que a i t Xi Bi (t). Xi peut sinterprter comme le rendement normalis de valeur de la rme. Pour que e e lhypoth`se sur la loi des i soit vrie, il faut que e e e Fi (t) = P[Xi Bi (t)] = (Bi (t)), soit Bi (t) = 1 (Fi (t))),
x t2 1 (x) = e 2 dt. 2 Exemple. (Mod`le ` un facteur) e a On suppose que les variables Xi partagent un facteur commun X, dcrivant ltat e e
o` u
5.3 Corrlation des intensits e e
57
de lconomie mondiale. Un tel facteur est dit facteur systmique car il modlise un e e e risque global, par opposition aux facteurs idiosyncratiques Yi modlisant un risque de e crdit spcique ` lmetteur. En dautres termes, X, Y1 , . . . , Yn iid suivant une loi e e a e N (0, 1) et i [0, 1] tels que Xi = i X + 1 2 Yi . i
i est une mesure de la dpendance de la qualit du crdit aux facteurs conomiques e e e e globaux. Remarque. Conditionnellement au facteur X, les instants de dfaut sont e indpendants. En consquence, la loi jointe peut scrire : e e e
P[1 t1 , . . . , k tk ]
= E P[1 t1 , . . . , k tk |X] = E P[X1 B1 (t), . . . , Xk Bk (t)|X] = E P[X1 B1 (t)|X] . . . P[Xk Bk (t)|X] x2 1 = P[X1 B1 (t)|X = x] . . . P[Xk Bk (t)|X = x]e 2 dx, 2 o` u
P[Xi Bi (t)|X = x] =
1 (Fi (t)) i x 1 2 i
Remarque. Cet exemple est en fait un cas de modlisation avec la copule gaussienne. e Dans la pratique, le choix de la copule ` utiliser est guid par lhypoth`se que lon fait a e e sur la dpendance jointe des rendements des actifs des entreprises. Des tudes rcentes e e e tendent ` prouver que cette dpendance nest pas eectivement gaussienne, mais de a e type student (dont le degr de libert est estim ` 8 ou 9). Ces tudes justieraient la e e ea e pratique courante qui consiste ` utiliser la copule de student. a
5.3
Corrlation des intensits e e
Dans cette section, (, F, P, G = (Gt )t0 ) dsigne un espace probabilis satisfaisant e e aux conditions habituelles. Nous introduisons la dnition suivante qui gnralise la e e e dnition unidimensionnelle introduite au chapitre prcdent (cf. dnition 4.3). e e e e Definition 5.1 Une famille (1 , . . . , N ) de G-temps darrt dintensit i est dite e e doublement stochastique relativement ` la ltration F si les processus i sont F-adapt a e et si pour tout t1 , . . . , tN [t, s], on a
N ti
P 1 > t1 , . . . , N > tN Fs Gt =
i=1
exp
t
i (u) du 1{i >t} .
58
Dfauts corrls e ee
Exercice. Montrer que dans ce cadre le G-temps darrt = 1 N est e doublement stochastique relativement ` la ltration F dintensit = N i . a e i=1 reprsentant linformation de march Ici encore, nous partons dune ltration F e e N et une ltration hors instant de dfaut et nous construisons une famille de v.a. 1 , e G de la mani`re suivante : e t Soient i des processus F-adapt et positif, i les processus t exp( 0 i (s) ds) e et les Ui des v.a. indpendantes de loi uniforme sur [0, 1] et indpendante de F . Si e e nous dnissons les v.a. e i = inf{t 0 ; (t) U } et les tribus 1 1 Gt = Ft Ht Ht , o` Ht = (i t), alors il est facile de vrier que les i sont des temps darrt de u i e e G dintensit i (exercice !). On peut montrer en utilisant des arguments similaires e ` ceux dj` employ dans le chapitre prcdent (exercice !) que les i sont, de plus, a ea e e e doublement stochastique relativement ` F. a
5.4
Corrlation des instants de dfaut e e
Lapproche que nous prsentons dans cette section est due ` Schonbcher et Schue a u bert [29]. Dans ce mod`le, lon corr`le directement les instants de dfaut ` laide e e e a dune copule. Cette technique va permettre dclairer limpact de la modlisation sur e e les trajectoires des intensits. e Dans la suite (, A, P) est lespace probabilis de base sur lequel nous travaillons. e Il est suppos susamment riche pour contenir toutes les v.a. que nous introduirons e par la suite.
Description du mod`le e
On suppose donns une ltration F contenant linformation sur le march autre e e que les dfauts (background ltration) et une famille de processus F-adapts et positifs e e i . Nous appelons pseudo-intensit ces processus pour des raisons qui seront bientt e o claires. Soit U = (U1 , . . . , UN ) une v.a. indpendantes de F de loi dtermine par e e e e une copule C (voir annexe D pour plus de dtails sur ces objets). Pour tout 1 i N , nous dnissons le temps alatoire i en posant e e i = inf t 0 ; i (t) Ui o` i (t) = exp( u des i :
t 0
i (s) ds). Il est facile (exercice !) de calculer la fonction de survie

P[1 > t1 , . . . , N ] = E C(1 (t1 ), . . . , N (tN ) .
5.4 Corrlation des instants de dfaut e e
59
Nous introduisons aussi les ltrations suivantes :

G i = F Hi ,
N
G i = F G i ,
N
G=
i=1
Gi ,
G=
i=1
Gi ,
o` Hi = ((i t))t0 . u Le point important ` comprendre (et qui est aussi la raison pour laquelle nous a avons appel les processus i pseudo-intensit), est que lintensit des i dpend de e e e e mani`re cruciale de la ltration de rfrence considre. Par exemple, le processus i e ee ee est bien la Gi -intensit de i (exercice !), mais ce rsultat nest plus vrai relativement e e ` la ltration qui nous intresse ici cest-`-dire G. a e a
Dynamique de lintensit e
Nous allons calculer la G-intensit des instants i induite par le mod`le et e e dterminer sa dynamique. Pour ce faire, nous allons utiliser le thor`me 4.2 et nous e e e commenons par la remarque suivante qui simpliera nos calculs : si lon note Pi (t, T ) c et Pi (t, T ) la survie conditionnelle de i relative ` la ltration G et G respectivement, a alors la G-intensit hi de i peut se calculer de la mani`re suivante : e e hi (t) = Pi (t, T ) T ,
T =t
hi (t) =
Pi (t, T ) T
.
T =t
Pi (t, T ) = E i > T Gt ,
Pi (t, T ) = E i > T Gt .
Avant de dmontrer le lemme ` la base de ces calculs, nous introduisons quelques e a notations : si d est un sous-ensemble de {1, . . . , N }, on note Cd la drive (kd k )C ; e e plus gnralement, si d1 et d2 sont deux sous-ensembles de {1, . . . , N }, on note Cd1 +d2 e e la drive (k1 d1 k1 k2 d2 k2 )C ; si d2 = {j}, on crira simplement Cd1 +j ; on dsigne e e e e par d(t) lensemble alatoire {k ; k t}. Si u = (u1 , . . . , uN ) est un vecteur et e v un nombre rels, on note u v et (ui , v) les vecteurs (u1 v, . . . , uN v) et e (u1 , . . . , ui1 , v, ui+1 , . . . , uN ) respectivement. Lemme 5.2 La survie conditionnelle Pi (t, T ) de i est donne par la formule suivante e Cd(t) (i (t ), i (T )) Pi (t, T ) = 1{i >t} . Cd(t) ((t )) o` (t) = e u
t 0
1 (s) ds
,...,e
t 0
k (s) ds
Preuve. Pour montrer ce lemme, on commence par remarquer que Pi (t, T ) = P i > T F Ht =
d;d i
1{d(t)=d} P i > T F , j > t, j d, Uk = (k ), k d .
60
Dfauts corrls e ee
Il sut alors pour conclure de remarquer que pour tout d tel que i d, on a
P i > T F , j > t, j d, Uk = (k ), k d = P i (T ) > Ui , j (t) > Uj , j d {i}, Uk = (k ), k d F P j (t) > Uj , j d, Uk = (k ), k d F
Cd (i (t ); i (T )) , Cd ((t )) en vertu de lindpendance de U et de F . e Remarque. Ce lemme signie que la survie conditionnelle dpend du nombre de e sauts (dfauts) dj` arrivs avant linstant t. En eet, cette formule prend en compte e ea e linformation sur la structure de dpendance qui arrive au fur et ` mesure que les e a dfauts se produisent. e Exemple. (Application 1 ) De la proposition prcdente, on dduit de faon immdiate que sur {(1) > t} (pas e e e c e de dfaut) e Ci ((t)) hi (t) = i (t)i (t) = hi (t) C((t)) car hi (t) = E hi (t) Gt = hi (t). Exemple. (Application 2 ) On va chercher ` dterminer lintensit de lmetteur i sachant quen t, lmetteur a e e e e j = i ` dj` fait dfaut. Autrement dit, on se place sur lvnement {(1) = j t}. a ea e e e On a alors : Pi (t, T ) = Cj (i (t ), i (T ))) Cj ((t ))
hi (t) = hi (t) Cij ((t)) hi (t) = i (t)i (t) . Cj ((t))
La proposition suivante dcrit la dynamique de lintensit induite par le mod`le. e e e Une fois un mod`le de recouvrement choisi, nous pourrons en dduire la dynamique du e e spread court terme. Ce rsultat nous ouvrira aussi la voie dune mthode de calibration e e de ce type de mod`le. e Proposition 5.3 Pour tout 1 i N , on a dhi di = (hi ii + i ) dt dNi + ij (dNj hj ) dt, hi i jd : j=i
61
o` Ni (t) = 1{ t} et u ij = ij (t, d(t)) = Cd(t)+i+j Cd(t) (( t)) 1. Cd(t)+i Cd(t)+j
Le terme di /i est le terme de risque de diusion de hi : i et hi ont la mme e volatilit. Le terme suivant est un terme correctif exprimant le fait que hi = i . Le e terme dNi est le saut ` 0 si lmetteur i fait dfaut. Le terme de somme reprsente a e e e linuence sur lintensit de i du comportement des autres metteurs : il prend e e en compte linformation contenue dans les dfauts potentiels et la survie de toutes e les entits de rfrence du panier. Cette information est rsume dans la matrice e ee e e = (ij )ij . Cette matrice dpend pour une grande part des caractristiques de la e e copule. Preuve. Nous supposons que i est une diusion. Au vu du lemme prcdent, hi e e saute ` chaque dfaut et tombe ` 0 en cas de dfaut de lmetteur i. Soient (k) < (k+1) a e a e e deux instants de dfauts conscutifs tels que i > (k) . Le saut de lintensit hi en e e e t = (k+1) se calcule explicitement : hi (t) 1, Cd+i+j Cd+i = , hi (t) Cd+j Cd si (k+1) = i , si (k+1) = j , i = j.
Pour obtenir la dynamique du terme de diusion de hi sur lintervalle ]](k) , (k+1) [[, on applique la formule dIt ` oa hi = i f (), o` f () = i u pour obtenir dhi = i df () + f () di = i fi di + i
j d : j i / /
Cd+i () , Cd ()
fj () dj + hi
di i Cd+i+j Cd 1 hj dt dt. Cd+i Cd+j
= hi
di Cd+i+i Cd + i dt + hi 1 dt + i Cd+i Cd+i
j d : j=i /
Pour trouver la dynamique de hi sur lintervalle ]](k) , (k+1) ]], il sut dintgrer le saut e en (k+1) ; il vient alors dhi di = (hi ii + i ) dt dNi + ij (dNj hj ) dt, hi i jd : j=i et le rsultat sen dduit immdiatement. e e e
62
Dfauts corrls e ee
Calibration sur sauts de spread

Nous allons nous servir de ce rsultat pour expliquer comment calibrer la structure e de corrlation du mod`le sur un a priori de sauts du spread court-terme. e e Supposons quaucun dfaut na eu lieu juste avant t et quen t lmetteur j fasse e e j dfaut. Si lon note hi (t) la valeur juste apr`s cet vnement de crdit, on dduit du e e e e e e rsultat prcdent que e e e hj (t) i = 1 + ij (t, ). hi (t) et dans le cadre du mod`le de recouvrement MVR la mme relation est vrai pour le e e spread court-terme (et est approximativement vrai pour le mod`le de recouvrement e dit RFV recovery of face value). Par consquent, tant donn un a priori du trader e e e sur la valeur du saut de spread de lmetteur i en cas de dfaut de lmetteur j, il est e e e possible dans les bons cas, de choisir les param`tres de la fonction copule redonnant e cet a priori. Commenons par examiner la nature de ce saut de spread lorsque la copule utilise c e est archimdienne. Autrement dit, on suppose quil existe une fonction , appele e e gnrateur (qui est, par exemple, la transforme de Laplace inversible dune v.a. Y > e e e 0 : (s) = E[esY ], = 1 ) telle que
N
C(u) =
i=1
(ui ) .
Par exemple, la copule de Gumbel a pour gnrateur la fonction (s) = ( ln(x)) et e e correspond ` une v.a. de loi -stable de param`tre = 1/. La copule de Clayton a, a e quant ` elle, pour gnrateur la fonction (s) = (1 + s)1/ et correspond ` une v.a. a e e a Y de loi gamma de param`tre 1/. e Dans le cadre des copules archimdiennes, on peut montrer (exercice !) que, si tous e les instants de dfaut sont postrieurs ` t, e e a (i ) C() (C()) j C(t ) (C(t )) hi (t) = . hi (t) (t ) hi (t) = i i Et ces formules, nous conduisent ` (exercice !) a i j hi (t) 1 =1+ hi (t) hi = i
1
63
dans le cas de la copule de Gumbel et ` a hi = i C() i
hj (t) i =1+ hi (t) dans le cas de la copule de Clayton. Il y a ici deux remarques importantes ` faire. La premi`re cest que les copules a e archimdiennes nautorisent pas de structure asymtriques de dpendance : lorsquune e e e entit de rfrence fait dfaut lintensit de dfaut de tout les autres noms du panier e ee e e e est multiplie par le mme facteur. Dans le cas de la copule de Gumbel, ce facteur est e e indpendant du moment ou le saut ` lieu et cette proprit peut savrer intressante e a ee e e comme nous le verrons dans la suite. Il appara ncessaire de gnraliser le concept de copules archimdienne pour t e e e e pouvoir autoriser des changements asymtriques dans le spread court-terme en cas e de dfaut dune rme. Cest pourquoi, suivant [28], on peut utiliser des copules are chimdiennes gnralises (cf. Appendice D). e e e e Exercice. (Evaluation de CDO par Monte-Carlo.) On consid`re un panier de crdit contenant N noms. On note i linstant de dfaut du e e e i`me nom ; Ni son nominal ; Ri son taux de recouvrement et i son intensit risquee e neutre suppose constante. Le taux sans risque est constant gal ` r. On suppose que e e a la structure de dpendance de la loi jointe des i est caractrise par la copule gause e e sienne associe ` une matrice de corrlation . On consid`re un CDO sur ce panier de e a e e points dattachement 0 A < B 1. (1) Exprimer sous forme desprance la valeur prsente des deux jambes du CDO en e e supposant que la jambe de prime prend en compte tous les ux et que la jambe de protection est paye ` la n de la priode au cours de laquelle le dfaut ` lieu. e a e e a (2) Proposer un algorithme de simulation par Monte-Carlo pour calculer la valeur des deux jambes du CDO. Exercice. (Dtermination de la loi du premier et du second instant de dfaut). e e On consid`re un panier de crdit contenant N noms. On note i linstant de dfaut e e e du i`me nom ; Ni son nominal ; Ri = R son taux de recouvrement suppos constant. e e Le taux sans risque est constant gal ` r. e a On suppose de plus quil existe une v.a. X (facteur de risque) telle que conditionnellement ` X les i forment une famille de v.a. indpendantes et lon pose a e pi (t, X) = P[i t|X], On dsigne par Nt la v.a. e moments
N i=1 I{i t}
qi (t, X) = P[i > t|X]. et on consid`re sa fonction gnratrice des e e e

N
Nt (u) = E[e ] =
l=0
Nt
P[Nt = l]ul .
64
Dfauts corrls e ee
(1) Montrer que

N
Nt (u) = E
i=1
qi (t, X) + pi (t, X)u .
(2) En dduire une expression intgrale pour les probabilits P[Nt = 0] et P[Nt = 1]. e e e (3) On suppose dsormais que les i sont des variables exponentielles dintensits e e respectives i et que leur structure de dpendance est dcrite par la copule associe e e e ` un mod`le gaussien ` 1 facteur ` corrlation constante. Autrement dit, on suppose a e a a e que i t Xi = X + 1 2 Yi Bi (t),
o` les v.a. X, Y1 , . . . , YN sont des gaussiennes standard indpendantes. En utilisant u e les rsultats prcdents, calculer des formules semi-explicites pour les jambes dun e e e First-2-Default (jambe de prime de tenant uniquement compte des ux intervenant avant le dfaut, et jambe de protection paye ` la n de la priode en cours). e e a e
CHAPITRE
Mod`le Hybride : le cas des obligations convertibles e
Ce chapitre constitue une application des chapitres prcdents ` partir de lexemple e e a des obligations convertibles. Ces produits prennent une importance de plus en plus considrable et certains hedge funds fondent mme toute leur stratgie dinvestise e e sement sur cet unique actif. Apr`s une br`ve description des caractristiques de ces e e e titres, et de leurs sources de risque, nous prsentons la structure des mod`les du risque e e de crdit adapts ` ces produits, ainsi que les techniques numriques intervenant dans e e a e limplmentation de tels mod`les. La modlisation des obligations convertibles permet e e e de rpliquer articiellement le produit, dans une optique de couverture des risques. e
6.1
6.1.1
Caractristiques des obligations convertibles e

Dnition e
Une obligation convertible est un titre de crance similaire ` une obligation tradie a tionnelle ` ceci pr`s quelle peut tre change contre un nombre prdtermin dautres a e e e e e e e titres (habituellement laction de lentreprise mettrice). Le dtenteur dun tel proe e duit reoit un coupon pay priodiquement jusqu` la conversion de lobligation ou c e e a sa maturit. Si lobligation nest pas convertie avant la maturit, linvestisseur reoit e e c le nominal, comme dans le cas dune obligation traditionnelle. Apr`s conversion, line vestisseur poss`de des actions : il reoit des dividendes mais plus de coupon ni, de e c remboursement du nominal. Le prix de conversion tant prdtermin, tout se passe e e e e donc comme si lmetteur avait vendu un call sur laction sous-jacente. Comme ce call e poss`de une valeur pour linvestisseur, celui-ci accepte de recevoir un coupon moins e important que dans le cas dune obligation standard. Les obligations convertibles sont souvent considres comme de la dette subordonne, en ce sens que si lentreprise ee e mettrice fait dfaut avant la maturit, les obligations traditionnelles ont priorit sur e e e e les obligations convertibles, qui elles mmes ont priorit sur les actions. Les obligae e tions convertibles constituent donc des produits hybrides complexes, ` la limite des a
66
produits de taux, dactions et de crdit. e
6.1.2
Utilisation des obligations convertibles
Les entreprises mettent des obligations convertibles car celles-ci permettent de e lever des fonds importants de faon conomique, la prsence de loption de conversion c e e persuadant les investisseurs daccepter un taux de coupon moins lev que ceux en vie e gueur. Les obligations convertibles sont aussi utilises au cours doprations nanci`res e e e comme par exemple les Leverage BuyOut (une prise de contrle particuli`re dune o e socit qui consiste ` en nancer lachat par un endettement, pour exploiter leet de ee a levier), comme motivation pour les nouveaux dirigeants : si lentreprise fait du prot et que le prix de ses actions augmente, le prix des obligations convertibles augmentera aussi.
6.1.3
Obligations convertibles et options
Les obligations convertibles sont des produits drivs complexes, dont le prix e e dpend ` la fois de la valeur de lactif et du passif de lentreprise. Pour simplier e a ltude de leur comportement, on les dcompose parfois en produits nanciers plus e e simples. Il existe deux reprsentations de base, relies par la relation de parit call-put : e e e OC = Obligation + Call dchange de lobligation contre laction ; e OC = Action + Put dchange de laction contre lobligation + Swap dchange e e des dividendes contre les coupons jusqu` maturit. a e La premi`re reprsentation peut tre interprte dans le cadre des marchs de e e e ee e taux dintrts, lmetteur vendant une obligation, et un call pour rduire le cot ee e e u de la dette. La seconde reprsentation est plus cohrente dans le cadre des marchs e e e dactions, linvestisseur possdant une action, un put de protection, et un swap pour e assurer un paiement de coupons constant au lieu de dividendes alatoires. e La convertibilit de lobligation a lieu jusqu` maturit pour les produits ` la vae a e a nille, donc les dtenteurs dobligations convertibles vont exercer loption de faon ` e c a optimiser leur richesse. Cependant, pour la plupart des produits convertibles, la possibilit dexercer loption na lieu quapr`s une priode prdtermine. Dautres produits e e e e e e xent des dates ou des priodes de conversion. De plus, les obligations convertibles e incluent parfois des clauses dites callable et puttable : lobligation est dite callable si lmetteur se rserve la possibilit de racheter le produit ` un prix x au pralable. Le e e e a e e dtenteur peut alors choisir de convertir le produit en actions, ou bien est oblig de le e e revendre ` lmetteur. En pratique, cette clause est utilise pour forcer la conversion a e e lorsque la valeur du produit converti est un peu au dessus de la valeur de lobligation. Un produit callable poss`de un degr doptionnalit moindre que pour une obligation e e e convertible ` la vanille et est donc moins cher. A contrario, une obligation convertible a puttable donne le droit ` linvestisseur de revendre le produit ` lacheteur ` un prix a a a prdtermin. De tels produits sont donc plus chers. e e e
6.1 Caractristiques des obligations convertibles e
67
6.1.4
Les dterminants du contrat e
Le prix des obligations convertibles dpend de nombreuses caractristiques e e dnissant le comportement du contrat. Nous donnons ici les principales : e 1. le nominal est la valeur faciale de lobligation ; 2. le coupon est le taux dintrt annuel vers par le produit ; ee e 3. la frquence des coupons reprsente le nombre de coupons pays par an ; e e e 4. le ratio de conversion est le nombre dactions sous-jacentes contre lequel lobligation convertible peut tre change ; e e e 5. le prix de conversion reprsente le prix pay pour chaque action ` la conversion, e e a cest ` dire le quotient du nominal par le ratio de conversion ; a 6. la parit reprsente le ratio de conversion multipli par le prix des actions ; e e e 7. la premi`re date de conversion est la premi`re date ` laquelle le dtenteur est e e a e autoris ` convertir sil existe une priode de prescription ; ea e 8. lexistence dun call metteur (caract`re callable) ; e e 9. lexistence dun put investisseur (caract`re puttable). e Tous ces param`tres sont gnralement dnis dans le contrat et sont pris en e e e e compte pour tablir le prix initial de lobligation convertible. Cependant, pendant la e vie de lobligation, ce prix va tre inuenc par les variables de march suivantes : e e e 1. le prix des actions sous-jacentes ; 2. la volatilit des actions ; e 3. le taux de dividende ; 4. le taux demprunt de laction (taux de REPO) ; 5. le taux sans risque ; 6. le spread de crdit de lmetteur. e e Les quatre premiers facteurs sont tous relis au prix de laction sous-jacente, donc e pour simplier, le prix des obligations convertibles est inuenc par trois sources de e risque : le prix de laction, le taux sans risque, et le spread de crdit de lmetteur. e e
6.1.5
Inuence des variables de march sur le prix e
Comme les param`tres intrins`ques naectent plus le prix une fois que le e e contrat est tabli, les variations du prix durant la vie de lobligation convertible e rsultent des variations dun ou plusieurs param`tres de march. Il est possible e e e dtudier historiquement la dpendance des variations du prix par rapport ` celles e e a de variables de march. Les tendances gnrales sont rsumes dans le tableau suivant : e e e e e
68
Param. intrins`ques e Maturit e Coupon Nominal Prix de conversion Existence dun call Existence dun put
Var. Prix
Param. de march e Prix de laction Taux sans risque Spread de lmetteur e Volatilit de laction e Dividendes Taux de REPO
Var. Prix
Eu gard ` la dpendance complexe du prix des obligations convertibles aux trois e a e sources de risque (taux, action, et crdit), lvaluation de tels produits ncessite une e e e modlisation du risque de crdit mettant en jeu les techniques introduites aux chae e pitres prcdents. e e
6.2
Modlisation du risque de crdit e e
Dans cette section, nous considrons un espace probabilis ltr , F, P, G = e e e (Gt )t0 et nous nous plaons dans le cadre doublement stochastique (voir chapitre 4) c dans lequel linstant de dfaut poss`de une G-intensit , F-prvisible o` F est une e e e e u sous-ltration de la ltration G gnre par le processus de diusion de laction. Pour e ee simplier le probl`me, nous allons supposer que la variation des taux dintrts est e ee dterministe (il est en eet dusage de considrer que les variation de taux agissent e e au second ordre face ` linuence du risque de dfaut). Nous nous intressons donc a e e uniquement ` linuence du prix de laction et du risque de crdit sur le prix de a e lobligation convertible. Ces deux sources de risque ne peuvent tre considres comme e ee indpendantes : supposons en eet que la valeur du spot chute, ceci peut prsager de e e limminence dun possible dfaut, et en consquence, le spread de crdit aura tendance e e e ` augmenter. De faon empirique, on remarque que lvolution du spread de crdit ` a c e e a cinq ans en fonction de la valeur du spot poss`de la forme reprsente ` la gure 6.1. e e e a Spread 5 ans
Spot Fig. 6.1 Evolution du spread ` 5 ans en fonction du spot. a
6.3 Implmentation des mod`les e e
69
Nous allons donc utiliser un mod`le hybride, cest ` dire que lintensit de dfaut e a e e est fonction convexe de S : t = (t, St ), prenant une forme similaire ` celle reprsente sur la gure 6.2. a e e (t )t0
(St )t0 Fig. 6.2 Relation intensit-spot. e On trouve dans la littrature plusieurs formes paramtriques direntes pour e e e dont (t, St ) = a + b St (t, St ) = c d ln(St ) (t, St ) = e + f egSt . La premi`re paramtrisation se retrouve dans le mod`le de Takahashi et al (2001) e e e notamment, la deuxi`me par Bloch et Miralles (2002), et la troisi`me par Arvanitis e e et Gregory (2001). Ces formes paramtriques permettent de capturer lune des cae ractristiques du prix des obligations convertibles : quand le prix de laction S est tr`s e e lev par rapport au prix de lobligation elle-mme, lobligation convertible se come e e porte comme un call sur S. En revanche, lorsque la valeur de laction S est tr`s faible, e lintensit augmente et avec elle la probabilit de dfaut, donc le prix de lobligation e e e chute. (voir [11]). Le graphe du prix de lobligation convertible, en fonction du prix de laction poss`de donc la forme dcrite sur la gure 6.3. e e
6.3
Implmentation des mod`les e e
Considrons une obligation convertible de nominal N et de maturit T crite sur e e e un sous-jacent S ne versant pas de dividende, de taux de recouvrement , et de ratio
70 Prix
(St )t0 0 Fig. 6.3 Prix de lobligation convertible en fonction du prix de laction. de conversion . Lobligation est suppose verser continment un taux de coupon e u constant c. Nous supposons que la valeur de laction S suit lquation de diusion e avec saut suivante : dSt = rt St dt + St dWt St (dNt t dt) sur {t < } = (rt + t )St dt + St dWt St dNt sur {t < }, o` W est un mouvement Brownien standard, et Nt = 1{ t} un processus de Cox u dintensit . Comme prcdemment, nous faisons lhypoth`se que lintensit de dfaut e e e e e e est une fonction dterministe de t et de S. e
6.3.1
Les arbres multinomiaux
Lide ` la base des mod`les de rsolution par arbre est la discrtisation en temps e a e e e de la dynamique de laction. On divise la priode considre en petits intervalles de e ee temps de longueur t, et de calculer le prix ` linstant initial par rtropropagation a e dans larbre de la matrice des valeurs nales. On fait lhypoth`se que le dfaut ne peut avoir lieu qu` un noeud de larbre (voir e e a gure 6.4. En un noeud donn de larbre, la rme peut faire dfaut avec une probabilit e e e t t 1e auquel cas la valeur de lobligation convertible tombe ` ou survivre a avec une probabilit et t . Comme dans un arbre binomial classique, le rendement e de laction peut tre positif avec une probabilit et t p pendant le petit intervalle e e de temps t et prendre une valeur + ou tre ngatif avec une probabilit et t (1 e e e p) de valeur . La valeur de lobligation convertible au temps t 1 est gale au e maximum de la valeur convertie, i.e. S, et de la valeur V de lobligation calcule par e
6.3 Implmentation des mod`les e e + e(S)t p e(S)t (1 p) 1 e(S)t t t1 t
71
Fig. 6.4 Rtropropagation et risque de dfaut. e e rtropropagation, soit e V (S, t 1) = max S, e(rt c)t e(S,t)t pV (S+ , t) + (1 p)V (S , t) + 1 e(S,t)t .
En chaque noeud de larbre, la valeur de S est dtermine par la valeur au pas e e prcdent et le rendement. On en dduit la valeur de grce ` la formule paramtrique, e e e a a e et celle du prix de lobligation convertible via lexpression ci-dessus. Reste ` initialiser la matrice des valeurs du prix ` maturit. Pour chaque valeur a a e de ST , le prix nal est gal au maximum de lensemble des ux obligataires et de la e valeur convertie soit V (S, T ) = max(S, N ecT ). Cet algorithme peut tre tendu facilement en ajoutant des clauses callable ou pute e table, des priodes de non-convertibilit, des dividendes, etc... e e
6.3.2
Les quations aux drives partielles e e e
Sachant que le prix V de lobligation convertible est fonction de S et de t, Nous allons utiliser la formule dIt avec sauts pour trouver lquation aux drives partielles o e e e quil vrie. Considrons un portefeuille compos dune obligation convertible, et e e e dune quantit de sous-jacent S : e = V + S, par application de la formule dIt : o d(t, St ) = V 1 2V V dt + + dS + d S, S + V + S. t S 2 S 2
72
On peut donc supprimer le risque li ` la variation Brownienne en choisissant = V ea S et donc d(t, St ) = V 1 2V V dt + 2 2 dt + ( 1)V dNt dNt . t 2 S S V 1 2V V = dt + 2 2 dt + ( 1)V (dNt t dt) t 2 S S V + ( 1)V t dt. S
Les sauts tant compenss, le portefeuille est sans risque, donc par absence doppore e tunit darbitrage, il rapporte le taux sans risque r : e
E
d Ft = (rt c) dt,
donc nalement V 1 2V V V + 2 2 t + rt S = (rt c) + (1 )t V, t 2 S S S les conditions ` la limite tant identiques ` celles utilises dans le cas des arbres. a e a e Ce syst`me peut ensuite tre rsolu par des mthodes numriques de dirences ou e e e e e e lments nis. ee
6.3.3
Synth`se des obligations convertibles e
Outre la valorisation des produits, la modlisation des obligations convertibles e revt un intrt tout particulier en mati`re de couverture des risques. En eet, lidentie ee e cation des sources de risque va permettre de rpliquer le produit par une combinaison e dautres actifs. Les obligations convertibles sont souvent considres en premi`re approximation ee e comme un produit driv sur laction sous-jacente. Nous avons vu en eet quelle e e pouvait tre globalement dcompose comme une obligation classique ainsi quun e e e option dchange. Cette vision nglige cependant les risques de crdit et de taux lis e e e e au produit. En eet, comme le montre la gure 6.3, le prix de lobligation convertible ne se comporte pas de la mme faon que celui dun driv action. Une couverture en e c e e delta classique par achat du sous-jacent nimmuniserait pas le portefeuille aux fortes variations de S ` la baisse (risque de dfaut) et aux changements de volatilit. En a e e pratique, les traders rpliquent leet de volatilit en couvrant en vega, cest ` dire en e e a prenant une position oppose sur des options ayant la mme sensibilit ` la volatilit. e e ea e Enn, le risque de crdit peut tre rpliqu par des CDS digitaux, ` savoir un contrat e e e e a payant 1 au temps t si t. Ces produits ne sont malheureusement pas du tout liquides sur le march, et sont eux mme rpliqus par des CDS classiques dans la e e e e pratique. Le risque de taux tant, pour sa part, couvert par des swaps. e Lun des principaux probl`mes lis ` cette approche pour la gestion des risques e e a lie aux obligations convertibles est la grande maturit de ce type de contrat : selon e e Jim Vinci, directeur des risques du fond darbitrage dobligations convertibles Paloma
6.3 Implmentation des mod`les e e
73
Partners. One of the nal pieces would be if dealers start oering more longer-dated equity options the replication possibility in convertibles would become even better. En eet, ` lheure actuelle, la liquidit des options sur action de longue maturit est a e e insusante.
Bibliographie
[1] Aven (T.). A theorem for determining the compensator of a counting process. Scandinavian Journal of Statistics, 12(1), pp. 69-72 (1985). [2] Bielecki (T. R.), Rutkowski (M.). Credit Risk : Modeling, Valuation and Hedging. Springer (2002). [3] Bomfim (A. N.). Credit Derivatives and Their Potential to Synthesize Riskless Assets. The Journal of Fixed Income December 2002, Vol. 12, No. 3, pp. 6-16 (2002). [4] Crosbie (P. J.). Modeling Default Risk. KMV Corporation, San Francisco, www.kmv.com (1997). [5] Dellacherie (C.) Meyer (P.A.). Probabilits et potentiels, chapitres I ` IV, e a Hermann, Paris (1975). [6] Duffie (D.), Filipovic (D.) & Schachermayer (W.). Ane Processes and Applications in Finance. Annals of Applied Probability, Vol.13, No 3, August 2003 (2003). [7] Duffie (D.). A Short Course on Credit Risk Modeling with Ane Processes. Working Paper. Stanford University and Scuola Normale Superior (2002). Disponible sur http ://fibonacci.dm.unipi.it/ finance/duffie notes.pdf. [8] Duffie (D.), Lando (D.). The Term Structure of Credit Spreads with Incomplete Accounting Information. Econometrica 69, pp. 633-664 (2001). [9] Duffie (D.), Pan (J.), Singleton (K.). Transform Analysis and Asset Pricing for Ane Jump Diusions. Econometrica, Vol. 68, pp. 1343-1376 (2000). [10] Duffie (D.), Singleton (K. J.). Modeling Term Structure of Defaultable Bonds. The Review of Financial Studies Special 1999 Vol. 12, No. 4, pp. 687720 (1999). [11] Duffie (D.), Singleton (K. J.). Credit Risk . Princeton University Press (2003).
76
BIBLIOGRAPHIE
[12] Emery (M.). Classical Probability Theory : An Outline of Stochastic Integrals and Diusions. Quantum Probability Communications, QP-PQ, Vol. XI, World Scientic (1999). Disponible sur http ://www-irma.u-strasbg.fr [13] El Karoui (N.) & Mazliak (L.). Backward Stochastic Dierential Equations. Pitman Research Notes in Mathematic Series (1997). [14] Geske (R.). The valuation of compound options. J. Finan. Econom. 7, pp. 63-81 (1979). [15] Hull (J. C.), Nelken (I.), White (A.). Mertons Model, Credit Risk, and Volatility Skews. Working Paper. University of Toronto (2003). [16] ISDA 2003 Credit Derivatives Denitions. www.isda.org. [17] Krylov (N. V.). Introduction to the theory of diusion processes. American Mathematical Society, Providence. [18] Laurent (J.-P.). I will survive. Risk, June 2003. www.risk.net (2003). [19] Leland (H. E.). Corporate debt value, bond covenants, and optimal capital structure. J. Finance 49, pp. 1213-1252. [20] Longstaff (F. A.), Schwartz (E. S.). A simple approach to valuing risky xed and oating rate debt. J. Finance 50, pp. 789-819 (1995). [21] Merton (R. C.). On the pricing of corporate debt :The risk structure of interest rates. J. Finance 29, pp. 449-470 (1974). [22] Pan (G.). Equity to credit pricing. Risk, November 2001. www.risk.net (2001). [23] Protter (P.). Stochastic Integration and Dierentiel Equations. Springer (1990). [24] Pye (G.). Gauging the Default Premium. Financial Analysts Journal , JanuaryFebruary, pp.49-50 (1974). [25] Credit Derivatives Survey. Risk, February 2003. www.risk.net (2003). [26] Roncalli (T.). La gestion des risques nanciers. Cours du DESS de Gestion des risques et des actifs de luniversit dEvry. gro.creditlyonnais.fr. e [27] Rudin (W.). Real and Complex Analysis. McGraw-Hill, New York, third edition (1987). [28] Schonbucher (P.), Rogge (E.). Modeling Dynamic Portfolio Credit Risk. Working Paper. ETH Zrich (2002). Disponible sur www.schonbucher.de. u [29] Schonbucher (P.), Schubert (D.). Copula-Dependent Default Risk in Intensity Models. Working Paper. University of Bonn (2000). Disponible sur www.schonbucher.de. [30] Vasicek (O.). Credit Valuation. Working Paper. KMV Corporation. www.kmv.com (1984).
ANNEXE
Thorie gnrale des processus e e e
Cette annexe se veut une prsentation tr`s succinte de la thorie gnrale des proe e e e e cessus et du calcul stochastique. Pour plus de dtails et les preuves, le lecteur pourra e consulter [5]. Dans toute la suite (, F, P) dsigne un espace probabilis complet. e e
A.1
Gnralits e e e
Lobjet fondamental de la thorie sappelle ltration et consiste en la donne dune e e famille croissante (Ft )t0 de sous-tribu de F : Fs Ft , s t.
Nous supposons que les hypoth`ses suivantes sont vries : e e e (1) La tribu F0 contient les ensembles P-ngligeables, e (2) Ft = s>t Fs (continuit ` droite). ea Les conditions (1) et (2) sappellent les conditions usuelles de la thorie gnrale des e e e processus. Un processus sur cet espace est une famille (Xt )t0 de v.a. ` valeurs relles. Si lapa e plication (t, ) Xt () est mesurable, on dit que le processus (Xt )t0 est mesurable. Si pour tout t 0, la v.a. Xt est Ft -mesurable, on dit que le processus est adapt. Si e pour P-presque tout la trajectoire t Xt () est continue (respectivement continue ` droite, continue ` gauche, pourvue de limite ` droite,...) on dit que le processus a a a (Xt )t0 est continu (respectivement c`d, c`g, l`d, ...). Un processus continu ` droite a a a a et pourvue de limites ` gauches est dit c`d-l`g. Un tel processus est mesurable. a a a Soient X = (Xt )t0 et Y = (Yt )t0 deux processus. On dit que X et Y sont des versions lun de lautre ou que Y est une modication de X si Xt = Yt p.s. pour tout t 0. On dit que X et Y sont indistinguables si X. = Y. p.s. Une partie A de R+ est dite vanescente si sa projection sur est une partie P-ngligeable. Un processus e e X est dit vanescent sil est indistinguable du processus nul. e
78
A.2
Temps darrt et tribus associes e e

{T t} Ft
Une v.a. positive T est appele un temps darrt de la ltration (Ft )t0 si e e pour tout t 0. La ltration tant suppos continue ` droite, nous pouvons remplacer e e a lensemble {T t} par {T < t} dans la dnition prcdente. e e e On vrie que si S et T sont des temps darrt, il en est de mme des v.a. S T et e e e S T . Si (Sn ) est une suite de temps darrt telle que Sn S (respectivement Sn S), e alors S est un temps darrt. e Soit T un temps darrt. La tribu FT des vnements antrieurs ` T est lensemble e e e e a e e des A F tels que la v.a. TA = T 1A + 1Ac soit un temps darrt. On vrie que FT = {A F ; A {T t} Ft , t 0} . La tribu FT des vnements strictement antrieurs ` T est la tribu engendre par e e e a e F0 et les vnements de la forme e e A {t < T } , A Ft (t 0) .
Les rsultats de base sur ces direntes notions sont regroups dans le thor`me e e e e e suivant. ` Theoreme A.1 Soient S et T deux temps darrt. e (1) FS FS et S est FS -mesurable, (2) Pour tout A FS , A {S T } FT et A {S < T } FT . En particulier, {S T } et {S = T } appartiennent ` FS FT et {S < T } appartient ` FS FT ., a a (3) Pour tout A FS , A {S = +} FS , (4) Si S T , alors FS FT et FS FT . Si de plus, S < T partout sur {0 < T < +}, alors FS FT , (5) Soit (Sn )nN une suite monotone de temps darrt. Si Sn S, alors FS = e nN FSn . Si de plus, Sn < S sur {0 < S < +}, alors FS = nN FSn . Si Sn S, alors FS = nN FSn . Nous prsentons maintenant lexemple fondamental de temps darrt. On dit quun e e processus (Xt )t0 est progressivement mesurable ou progressif si lapplication [0, t] R , (s, ) Xs () est B([0, t]) Ft -mesurable. En particulier, un processus progressivement mesurable est adapt. Les processus adapts et continus (respectivement c`d, c`g,...) sont proe e a a gressivement mesurables. On note Prog la tribu sur R+ engendre par les processus e progressifs. Les lments de cette tribu sont appels ensembles progressifs. Soit A une ee e partie de R+ . On appelle dbut de A la fonction positive dnie sur par e e DA () = inf {t 0 ; (t, ) A} , avec la convention inf = +. ` Theoreme A.2 Le dbut DA dun ensemble progressif A est un temps darrt de la e e ltration (Ft )t0 .
A.3 Les tribus optionnelles et prvisibles e
79
A.3
Les tribus optionnelles et prvisibles e
Soient U, V deux applications dnies sur et ` valeurs dans R+ telles que U V . e a On pose [[U, V [[= {(t, ) R+ ; U () t < V ()} . Remarquer que [[U, V [[ est un sous-ensemble de R+ . Nous dnissons de la mme e e mani`re les intervalles de la forme [[U, V ]], ]]U, V ]],... En particulier, [[U ]] = [[U, U ]] est e le graphe de U . Definition A.3 La tribu optionnelle est la tribu O sur R+ engendre par les e processus adapts et c`d-l`g. La tribu prvisible est la tribu P sur R+ engendre e a a e e par les processus adapts et c`g sur (0, +). e a Exemple. Si S et T sont deux temps darrt tels que S T , les ensembles [[0, T ]] et e [[S, +]] sont optionnels (car adapts et c`d-l`g). Donc, [[S, T [[ est optionnel. En pree a a nant T = S + 1/n et en faisant tendre n +, nous prouvons que [[S]] est optionnel. Ainsi, tous les intervalles stochastiques dtermins par S et T sont optionnels. Plus e e gnralement, le processus Z 1[[S,T [[ , o` Z est FS -mesurable, est optionnel. Il sut, en e e u eet, de le vrier pour Z = 1A (A FS ) et dans ce cas Z 1[[S,T [[ = 1[[SA ,TA [[ . Lintervalle e ]]S, T ]] est prvisible (car adapt et c`g). e e a Nous rsumons dans les deux thor`mes suivants les proprits fondamentales des e e e ee tribus O et P. ` Theoreme A.4 (1) Les ensembles optionnels sont progressifs, (2) Si T est un temps darrt et X un processus progressif, alors XT 1{T <+} est e une v.a. FT -mesurable. Inversement, si Y est une v.a. FT -mesurable alors il existe un processus optionnel X tel que Y 1{T <+} = XT 1{T <+} , (3) La tribu optionnelle est engendre par les intervalles stochastiques des la forme e [[S, +[[, o` S est un temps darrt, u e (4) La tribu optionnelle est engendre par les processus adapts et continus ` e e a droite. ` Theoreme A.5 (1) Les ensembles prvisibles sont optionnels, e (2) Si T est un temps darrt et si X est un processus prvisible, alors la vae e riable alatoire XT 1{T <+} est FT -mesurable. Inversement, si Y est une v.a. e FT -mesurable alors il existe un processus prvisible X tel que Y 1{T <+} = e XT 1{T <+} . (3) La tribu prvisible est engendre par les ensembles de la formes e e {0} A (A F0 ) et (s, t] A (0 < s < t, A Fs ).
A.4
Temps darrt prvisibles e e
Definition A.6 Un temps darrt T est dit prvisible sil existe une suite (Tn )nN e e de temps darrt telle que e
80
(1) Tn T , (2) Tn < T sur {T > 0}, pour tout n. Dans ce cas, on dit que la suite (Tn )nN annonce T . Sous les conditions habituelles une suite (Tn ) annonce un temps darrt T d`s e e quelle lannonce presque srement. En eet, si (Tn ) annonce T sur A, o` Ac est u u ngligeable, alors A F0 et les temps d arrt e e Tn = Tn 1Ac + (T 1/n)+ 1A annoncent T partout. La signication intuitive de la dnition est claire : un phnom`ne physique est e e e prvisible sil existe une suite de signes avant-coureurs annonant son apparition. e c ` Theoreme A.7 Soient S un temps darrt prvisible, A FS et T un temps e e darrt. Alors A {S T } FT . En particulier, {S < T }, {S = T }, {S T } e appartiennent ` FT . a ` Theoreme A.8 (1) Si S, T sont des temps darrt prvisibles, il en est de mme des temps S T e e e et S T , (2) Soit (Sn ) une suite monotone de temps darrt prvisibles. Si Sn S, alors S e e est un temps darrt prvisible. Si Sn S et si pour tout il existe n() tel que e e Sn () = S(), n n(), alors S est un temps darrt prvisible, e e (3) Si S et T sont des temps darrt prvisibles, il en est de mme de S{S<T } , e e e (4) Si T est un temps darrt prvisible, TA est un temps darrt prvisible si et e e e e seulement si A FT . ` Theoreme A.9 La tribu sur R+ engendre par les intervalles stochastiques de e la forme [[S, T [[, o` S et T sont des temps darrt prvisibles, est la tribu prvisible P. u e e e
A.5
Classication des temps darrt e
On se propose de classer les temps darrt selon leur situation gomtrique e e e par rapport aux temps darrt prvisibles. Plus prcisment, nous introduisons la e e e e dnition suivante : e Definition A.10 Un temps darrt T est dit accessible sil existe une suite (Tn )nN e de temps darrt prvisibles telle que e e [[T ]] [[Tn ]] , ` un ensemble vanescent pr`s, a e e
nN
ce qui scrit encore P[ n {T = Tn < +}] = P[T < +]. e Un temps darrt T est dit totalement inaccessible si pour tout temps darrt e e prvisible S, on a e [[T ]] [[S]] = , ` un ensemble vanescent pr`s, a e e ce qui scrit encore P[S = T < +] = 0. e
A.5 Classication des temps darrt e
81
Les temps darrt prvisibles sont accessibles. Un temps darrt ` la fois accessible e e e a et totalement inaccessible est p.s. inni. Un temps darrt totalement inaccessible est e p.s. strictement positif. Soit T un temps darrt et considrons lensemble S[T ] des suites croissantes de e e temps darrt majores par T . Pour toute suite (Sn ) de S[T ], posons e e A[(Sn )] = {lim Sn = T ; Sn < T, n} {T = 0} .
n
Si lon oublie {T = 0}, A[(Sn )] est lensemble sur lequel la suite (Sn ) annonce T . De plus, nous avons A[(Sn )] = {T = 0}
n
{Sn < T } \ {S < T } ,
ce qui prouve que A[(Sn )] est un lment de la tribu FT . Soit A[T ] un reprsentant ee e c de la runion essentielle de tous les A[(Sn )] et I[T ] = A[T ] . Remarquons que A[T ] e contient p.s. les ensembles {T = 0} et {T = +}. ` Theoreme A.11 (1) Un temps darrt T est accessible si et seulement si A[T ] = p.s. e (2) Un temps darrt T est totalement inaccessible si et seulement si A[T ] = {T = e +} p.s. (3) Le temps darrt TA[T ] est accessible, le temps darrt TI[T ] est totalement ine e accessible et cette dcomposition est unique, en ce sens que si U et V sont deux e temps darrt tels que U soit accessible, V totalement inaccessible, U V = T , e U V = +, alors TA[T ] = U p.s. et TI[T ] = V p.s.
ANNEXE
Formule dIt avec sauts o
Le but de cet appendice est dnoncer une version de la formule dIt pour des e o processus avec des sauts. Pour plus de dtails sur ces questions le lecteur pourra e consulter louvrage [23] ou le survey [12]. Dans la suite (, A, P, (Ft )t0 ) dsigne un e espace probabilis ltr satisfaisant aux conditions habituelles. e e Avant daller plus lois rappelons quelques dnitions classiques : une fonction e F : R+ R est dite continue ` droite si limst F (s) = F (t), continue ` gauche a a si limst F (s) = F (t) ; on dit que F admet une limite gauche si la limite F (t) := limst F (s) existe. Le saut F de F ` linstant t est dnie par F (t) := F (t)F (t). a e Dans la suite, toutes les fonctions (et par extension tout les processus) considrs ee seront supposs c`d-l`g cest-`-dire continus ` droite et admettant des limites ` gauche e a a a a a en tout point.
B.1
Processus ` variation nie a
Nous commenons ce paragraphe par quelques rappels sur les fonctions ` variation c a nie (pour plus de dtails, on peut consulter lexcellent [27]). e
Fonctions ` variation nie a

On note lensemble des subdivisions {0 = t0 < t1 < < tN = t}. Une fonction ` valeurs relles F est dite ` variation nie sur R+, si pour tout t 0, sa variation a e a totale
N
| dfs | := sup
(0,t] i=1
|f (ti ) f (ti1 )| f (k + 1)2n t f k2n t

k0
= lim
n+
84
est une quantit nie. e Exemple. Une fonction croissante est une fonction ` variation nie, en eet : a | dfs | = lim
(0,t] n
f (k + 1)2n t f k2n t
k0
= lim
f (k + 1)2n t f k2n t
k0
= lim (f (t) f (0))

n
= f (t) f (0) < . Exemple. Soit g appartenant ` L1 (R+ ), alors f (t) = f (0) + 0 g(s) ds est ` a loc a t variation nie et (0,t] | dfs | = 0 |g(s)| ds. La dmonstration de ce rsultat dans le cas e e o` g est continue repose sur le thor`me des accroissements nis (exercice). u e e Exemple. Soient (tn )n0 R et (n )n0 R telle que + f (t) =
n0 n0 t
|n | , alors
n 1{tn t}
est ` variation nie. Montrer que dans ce cas, sa variation est donne par la fonction a e | dfs | =
(0,t] n0
|n |1{tn t} .
La mesure de Radon correspondante est la mesure = n n tn , o` t est la masse u de Dirac au point t. On dit dans ce cas que f est purement atomique ou purement de saut. Remarque. On note parfois V (f )(t) = Proposition B.1 1. Les fonctions ` variation nie forment un espace vectoriel. a 2. Si f est ` variation nie, alors a f = f (0) + f + + f o` f + et f sont deux fonctions croissantes qui scrivent de la faon suivante : u e c 1 f (t) f (0) + 2 1 f (t) = f (t) f (0) 2 f + (t) = | dfs |
(0,t] (0,t]
| dfs | la variation totale de la fonction f .
| dfs | .
(0,t]
B.1 Processus ` variation nie a
85
Preuve. Montrons que f + est croissante. Soit t1 t2 appartenant au domaine de dnition de f + , on a alors : e 2(f + (t2 ) f + (t1 )) = f (t2 ) f (t1 ) + V (f )(t2 ) V (f )(t1 ) f (t2 ) f (t1 ) + |f (t2 ) f (t1 )| 0.
Identication de f avec une mesure signe e

Les fonctions ` variation nie sont en bijection avec les mesures signes (dirence a e e + de deux mesures nies sur R ) : la donne de la fonction ` variation nie f est e a quivalente ` celle de la mesure f dnie par f (a, b] = f (b)f (a). Plus prcisment, e a e e e on peut dnir pour toute fonction g continue ` support compact : e a g(t)f (dt) :=
(0,) (0,)
g(t)f (dt).
Le membre de gauche est appel intgrale au sens de Riemann-Stieljes, et est dnie e e e comme la limite
n
lim
g(k2n ) f (k + 1)2n f k2n .

k0
Remarque. La mesure f poss`de un atome (masse de Dirac) en t0 si et seulement e si f (t0 ) = 0. En eet, f ({t0 }) = f (t0 ) f (t0 ) = f (t0 ).
Dcomposition de f en parties continue et atomique e

Soit f une fonction ` variation nie, on peut crire f sous la forme a e f = f0 + f c + f d o` f d (t) := u 0<st f (s) (la somme des sauts de f ), est une fonction purement discontinue, et f c = f f0 f d est continue. Exercice. Montrer que g df |g| dV (f ). Preuve. Modulo lutilisation dun lemme de classe monotone, il sut de prouver le rsultat pour g = 1(a,b] , et dans ce cas, on a : e g df =
(a,b] t
df = |f (b) f (a)|
(a,b]
| df |.
Exercice. Montrer que 0st |f (s)| 0 | dfs | < . Exercice. Montrer que lensemble des sauts dune fonction ` variation nie est au a plus dnombrable e Exercice. Montrer que k : t (0,t] g df est ` variation nie et k(t) = g(t)f (t). a
86
Formule de changement de variable

Nous allons gnraliser la formule dintgration par partie aux fonctions ` variation e e e a nie. Lemme B.2 (integration par partie.) Soient f, g : [0, ) R+ ` variation a nie, alors la fonction produit f g est ` variation nie et on a a f (t)g(t) = f (0)g(0) +
(0,t]
fs dgs +
(0,t]
gs dfs + f, g
o` f, g t reprsente le crochet ou covariation quadratique de f et g et est dni par u e e la relation : f, g

t
=
0<st
f (s)g(s).
Remarque. La covariation quadratique de f et g est bien dnie et est elle-mme e e une fonction ` variation nie (exercice, indication : utiliser une ingalit de type a e e Cauchy-Schwarz). Preuve. Soient et les mesures associes ` f et ` g respectivement. Le membre e a a de gauche de lgalit ` dmontrer nest autre que (0, t] (0, t] . Soient e e a e T1 = (x, y) ; 0 < x < y t , T2 = (x, y) ; 0 < y < x t et D = (x, y) ; x = y}. Il est facile de montrer que le membre de droite de lgalit prcdente nest autre e e e e que T1 + T2 + D et le rsultat sen dduit immdiatement. e e e Ce rsultat tant acquis, il est ais de dmontrer la proposition suivante : e e e e Proposition B.3 (Formule de changement de variable) Soient f une fonction de classe C 1 et F une fonction ` variation nie. On a a f (Ft ) f (F0 ) =
(0,t]
f (Fs )F (ds) +
0<st
f (Fs ) f (Fs )Fs ,
ou sous forme direntielle en notant gt = f (Ft ) : e dgt = f (Ft ) dFt + (gt f (Ft Ft )). Ce rsultat se gnralise aisment au cadre multidimensionnel : soient f C 1 (Rd ) et e e e e 1 d F , . . . , F ` variation nie : a
1 d f (Ft1 , . . . , Ftd ) = f (F0 , . . . , F0 ) +
(0,t]
f i (Fs ) dfs xi f (Fs1 , . . . , Fsd ) f i (Fs )fs xi
+
0<st
B.2 Les semimartingales simples
87
Un moyen mnmotechnique pour retenir cette formule est dcrire que les sauts sont e e les mmes ` gauche et ` droite de lgalit. e a a e e Preuve. Le rsultat est vrai pour f (x) = x. Par intgration par partie, il est vrai e e pour xf (x), donc pour les polynmes, et pour les fonctions continues par des arguo ments de densit. Voir [23]. e Nous terminons ce paragraphe par une dnition cruciale dans ce qui suit e Definition B.4 Un processus ` variation nie est un processus stochastique A a adapt ` la ltration F et tel que, pour presque srement tout , la trajectoire e a u t At () est une fonction ` variation nie. a Les deux exemples prcdents peuvent se gnraliser ` cette situation stochastique : e e e e a t si B est un processus adapt tel que, presque srement, 0 |Bs | ds < , alors le e u t processus At = 0 Bs ds est un processus ` variation nie. Soient (tn )n0 une suite de a rels et (An )n0 une suite de variables alatoires telles que An soit Ftn -mesurable pour e e u tout n. Si, pour tout t 0, n |An |1{tn t} < presque srement, alors le processus At = a n An 1{tn t} est un processus ` variation nie. Cet exemple peut encore se gnraliser au cas ou les tn sont des temps darrt de la ltration F. e e e
B.2
Les semimartingales simples
Dans cette partie, nous nous plaons dans le cadre dun espace de probabilit ltr c e e (, F, P, ((Ft )t0 )) tel que (i) F0 contient les P-ngligeables (compltude) ; e e (ii) Ft = s>t Fs (continuit ` droite). ea Remarque. Considrons deux processus mesurables X = (Xt )t0 et Y = (Yt )t0 , e la condition (i) entra que si X et Y sont deux versions (voir Annexe A) lun de ne lautre et que X est adapt ` la ltration (Ft )t0 , alors Y est lui aussi adapt ` cette ea ea ltration. Remarque. Lhypoth`se (ii) nous permettra de supposer que toutes les martingales e considres sont c`d-l`g. En eet, si M est une Ft -martingale et que (ii) est vrie, ee a a e e il existe une version M de M dont les trajectoires sont c`d-l`g. (cf. Thor`me fondaa a e e mental de la thorie des martingales) e Soit H un processus vriant des conditions de mesurabilit et dintgrabilit ` e e e e a prciser et X une semimartingale simple de la forme e X = X0 + A + M, o` A dsigne un processus ` variation nie et M = K dW une martingale locale u e a brownienne. Lobjet de cette section est dnir lintgrale stochastique H dX telle e e que si X est un martingale locale, alors H dX est galement une martingale locale. e Cest pour prserver cette proprit (vraie si A = 0, ce qui est le cas de lintgrale e ee e stochastique standard), que lon impose des conditions de mesurabilit sur H, en e particulier, nous allons imposer ` H dtre un processus prvisible (cf. Annexe A). a e e
88
Definition B.5 Soient A un processus ` variation nie et H un processus prvisible, a e on dit que H est intgrable par rapport ` A si e a t
(0,t]
|Hs | dAs < ,
dans ce cas, (0,t] |Hs | dAs est simplement lintgrale de Stieljes considre trajectoire e e e par trajectoire. Proposition B.6 (Admise) Soit A un processus ` variation nie. Si A est un mara tingale (locale) et si H est un processus prvisible et (localement) born, alors H dA e e est une martingale locale.
Intgration par rapport aux semimartingales simples e

Definition B.7 On appelle semimartingale simple un processus de la forme Xt = X0 + At + Mt , o` u (i) X0 R ; (ii) A est un processus ` variation nie ; a (iii) M est de la forme K dW o` W est un mouvement brownien (d-dimensionnel) u par rapport ` (Ft )t>0 et K est un processus prvisible localement de carr a e e t intgrable i.e. 0 Ks 2 ds < pour tout t 0. e Definition B.8 Soit X = X0 + A + K une semimartingale simple. Un processus H prvisible est dit intgrable par rapport ` X si et seulement si e e a (i) t (0,t] |Hs || dAs | < p.s. (lintgrale usuelle existe pour toutes les trajece toires) ; (ii) t
(0,t]
|Hs |2
Ks
ds < p.s. (existence de lintgrale brownienne). e
Dans ce cas, on pose Hs dXs :=

(0,t] (0,t]
Hs dAs +
(0,t]
Hs Ks dWs ,
ce qui dnit une intgration par rapport aux semimartingales simples. e e
Crochets droit et oblique de deux semimartingales simples

Soient X et Y deux semimartingales simples telles que X = X0 + A + H dW et Y = Y0 + B + K dW , on dnit le crochet droit de X et Y en t par : e [X, Y ] = = H dW, K dW + [A, B] HK dt + [A, B].
89
Le crochet droit reprsente la covariation quadratique des semimartingales simples. e Grce ` cette dnition, nous pouvons gnraliser ` la fois la formule dintgration a a e e e a e par parties pour les fonctions ` variation nie et celle (classique) pour les processus a dIt : o Lemme B.9 (Integration par parties) Soient X et Y deux semimartingales simples, alors Z = XY est aussi une semimartingale simple et lon a : Zt = Z0 +
(0,t]
Xs dYs +
(0,t]
Ys dXs + [X, Y ]t .
Preuve. Il sut de dmontrer le rsultat dans les trois cas suivants : e e 1. X = A, Y = B ; 2. X = H dW, Y = K dW ; 3. X = A, Y = K dW . Les cas 1. et 2. sont immdiats : il sagit respectivement du lemme sur les processus e ` variation nie et de la thorie classique dIt. Reste donc ` prouver a e o a
t
At Mt =
(0,t] t
Ms dAs +
0
As Ks dWs ,
o` Mt = 0 Ks dWs . Modulo lutilisation dune procdure de localisation, on peut u e supposer que sur [0, t] (i) A est ` variation borne : a e
(0,t]
| dAs | cte ;
(ii) M est borne : supst |Ms | cte. e Remarque. Localiser le probl`me signie trouver une suite de temps darrts e e (Tn )n0 telle que An = AtTn , Mtn = MtTn t vrient les proprits considres. Il sut ici de choisir e ee ee Tn = inf | dAs | > n ou sup |Ms | > n .
(0,t] st
t0
Une fois le rsultat prouv dans ce cas, il sut de faire tendre n vers +. e e n n Soit tk = k2 t, on crit que e At Mt =
k0
Atn Mtn + k k
k0
Mtn Atn + k k
k0
Atn Mtn k k
avec Mtn = Mtn Mtn et Atn = Atn Atn , et on tudie sparment la convere e e k k+1 k k k+1 k gence de chacune de ces trois sommes. Tout dabord,
t
Atn Mtn = k k
k0
An dMs , s
90
avec An = s
k0
Atn 1(tn ,tn ] , et dapr`s le thor`me de Lebesgue, on a e e e k k k+1

t
E
0 t
2 (An As )2 Ks ds 0, s
donc k0 Atn Mtn L2 0 As dMs . k k En ce qui concerne la deuxi`me somme, on a immdiatement par dnition de e e e lintgrale de Riemann-Stieltjes e Mtn Atn p.s. k k
k0
Ms dAs ,
(0,t]
et enn, on a Atn Mtn p.s. 0 k k

k0
car Atn Mtn sup |Mu Ms |; u, s t, |u s| 2n k k

k0
dAs ,
(0,t]
ce qui tend bien vers 0 car la borne suprieure tend vers 0 par continuit de M et e e lintgrale est ` variation nie. e a Ceci ach`ve la dmonstration e e
Formule de changement de variable

Nous allons maintenant gnraliser la formule de changement de variable au cas e e des semimartingales simples. Proposition B.10 Soit X une semimartingale simple et f une fonction C 2 , alors f (X) est aussi une semimartingale simple et lon a la relation suivante : f (Xt ) = f (X0 ) +
(0,t]
f (Xs ) dXs +
1 2
f (Xs ) d X c , X c
(0,t]
+
0<st
f (Xs ) f (Xs )Xs .
Ce rsultat stend au cadre multidimensionnel de la faon suivante : e e c Proposition B.11 Soit X = (X1 , . . . , Xn ) une semimartingale simple et f une fonction C 2 , alors f (X) est aussi une semimartingale simple et lon a la relation suivante : f (Xt ) = f (X0 ) +
i (0,t] i i f (Xs ) dXs +
1 2 +
i,j
(0,t]
c ij f (Xs ) d Xic , Xj
f (Xs )
0<st i
i i f (Xs )Xs .
Preuve. La dmonstration est analogue ` celle eectue dans le cadre des fonctions e a e ` variation nie, ` partir de la formule dintgration par parties. a a e On peut alors dmontrer le lemme suivant : e
91
Lemme B.12 Soient X = X0 + A + M et Y = Y0 + B + N deux semimartingales simples, X = Y A + X0 = B + Y0 , M = N Preuve. X = Y A B + X0 Y0 = (K H) dW. Le membre de gauche, disons , est un processus ` variation nie et celui de droite a est une martingale continue. Le processus est donc une martingale continue et est ` a variation nie. Par suite, et en vertu de la formule dintgration par parties, on peut e crire : e
E (t 0 )
2
=E
2 t
2 0
=E
0
Ns dNs = 0.
Le processus est donc constant et vaut 0 en 0 donc cest le processus nul.
Application : autour du processus de Poisson

Soit (Nt )t0 un processus de comptage, i.e. tel que Nt 0, 1 , N est constant entre deux sautsNt < t p.s. Nous faisons lhypoth`se selon laquelle t, Nt < presque srement. e u Definition B.13 Soit : R+ R . Un processus de comptage N est un processus + de Poisson dintensit si e
t
s (0, t], L(Nt Ns |Nu , u s) = P

0
(u) du .
k
Remarque. On rappelle que X P() P[X = k] = e , k N. La proprit ee k! prcdente entra que le processus de Poisson est ` accroissements indpendants : e e ne a e 0 u1 < u2 < v1 < v2 < Nu2 Nu1 Nv2 Nv1 . Proposition B.14 Soit N un processus de Poisson, les assertions suivantes sont quivalentes : e (i) N est un processus de Poisson dintensit ; e
N (ii) E Nt+h Nt Ft = t h + o(h) t 0
(iii) Nt
u du est une FN -martingale.
Preuve. (i)(ii) est trivial N (ii)(iii) : supposons que E Nt+h Nt Ft = t h + o(h) et montrons que, pour s t,
92
t s
N E Nt Ns F s =
u du.
n N E Ns+ k (ts) Ns k1 (ts) Fs k=1 n
n n
N E Nt Ns F s =
=
k=1 n
N N E Ns+ k (ts) Ns k1 (ts) Fs+ k1 (ts) Fs

n n n
=
k=1 n
E s+ k1 (ts)
n
1 1 +o n n
N Fs t
=
k=1
1 k1 + o(1) n n s+ n (ts)
u du + o(1).
s
(iii)(i) : dapr`s la formule de changement de variable, on a e f (Nt Ns ) = 1 + (s, t]f (Nu Ns ) dNu +
s<ut
f (1 + Nu Ns ) f (Nu ) f (Nu Ns )Nu
=1+
s<ut
f (Nu Ns )Nu + f (1 + Nu Ns ) f (Nu Ns ) f (Nu Ns )Nu
= 1 + (s, t] f (1 + Nu Ns ) f (Nu Ns ) dNs . Pour f (x) = eicx , lexpression devient : eic(Nt Ns ) = 1 + (eic 1)
(s,t]
eic(Nu Ns ) dNu eic(Nu Ns ) (dNu u du) + (eic 1)

(s,t] (s,t]
= 1 + (eic 1)
eic(Nu Ns ) u du,
et comme dNu u du est une martingale, on a

N E eic(Nt Ns ) Fs = 1 + E (eic 1) N eic(Nu Ns ) u du Fs
(s,t]
= 1 + (eic 1)
t s
N E eic(Nu Ns ) Fs u du.
N e e Et en posant g(t) = E eic(Nt Ns ) Fs , on obtient pour g une quation direntielle usuelle qui se rsout en e
g(t) = exp (eic 1)
u du ,
s t 0
qui est bien la fonction caractristique dun loi de Poisson de param`tre e e
u du.
ANNEXE
Rappel sur les diusions
Dans cette partie, nous nous intressons aux proprits de base des processus de e ee diusion, et ` leurs extensions aux diusions avec des sauts. Un cas particuli`rement a e intressant en nance est celui des diusions anes qui seront tudies en n de e e e chapitre.
C.1
Denitions
Point de vue des caractristiques locales e

Une diusion est un processus continu (Xt , t 0) ` valeurs dans Rd , dni sur a e un espace probabilis (, F, P, (Ft )t0 ) tel quil existe deux fonctions : Rd Rd et e dd a : Rd S+ (o` S+ dsigne lensemble des matrices symtriques dnies positives u dd e e e sur d d), tels que 1. E[dXt |Ft ] = (Xt ) dt + o(dt) 2. E[(dXti i dt)(dXtj j dt)|Ft ] = ai,j (Xt ) dt + o(dt). On sait construire de tels processus ` laide de la thorie des quations direntielles a e e e stochastiques : Si et a sont des fonctions susamment rguli`res, i.e. vrient les e e e conditions de Lipschitz, alors on peut construire X comme solution de lquation e direntielle stochastique e dXt = (Xt ) dt + (Xt ) dWt o` vrie = a. u e Remarque. Les proprits 1. et 2. caractrisent la loi du processus. ee e
94
Point de vue des processus de Markov

On peut galement voir le processus X dni prcdemment comme un processus e e e e de Markov de gnrateur innitsimal e e e 1 L= ai,j Di Dj + 2 i,j=1
n n
i D i
i=1
o` Di dsigne loprateur de drivation par rapport ` la variable xi u e e e a Di = . xi
Point de vue des probl`mes de martingales e

Enn, il est possible de dnir une diusion comme un processus X tel que, pour e 2 toute fonction f Cb , le processus
t
Mt = f (Xt ) f (X0 )
0
(Lf )(Xs ) ds
est une martingale, o` loprateur L dsigne le gnrateur dni ci-dessus. u e e e e e Ces dnitions sont quivalentes, et il est possible de les gnraliser dans le cas e e e e des processus ` sauts. a
C.2
Diusions avec sauts
Definition C.1 Une diusion avec sauts est un processus c`d-l`g (Xt , t 0) dni a a e dd sur (, F, P, (Ft )t0 ) et ` valeurs dans R tel quil existe : Rd Rd , a : Rd S+ , a : Rd R et une mesure sur Rd tels que + (i) E[dXt |Ft ] = (Xt ) dt + o(dt) (ii) E[(dXti i dt)(dXtj j dt)|Ft ] = ai,j (Xt ) dt + o(dt) (iii) E[dNt |Ft ] = (Xt ) dt + o(dt) (iv) E[f (Xt )|Ft , Xt = 0] = f (x)(dx), o` Nt est le processus de comptage des sauts de X : u Nt :=
0<st
1{Xs =0} .
Remarque. Les deux premi`res conditions sont directement hrites de la dnition e e e e classique des diusions (sans saut) tandis que lon peut interprter les deux derni`res e e conditions de la faon suivante : c 1. (iii) signie que, conditionnellement ` lensemble de linformation disponible au a temps t, les sauts du processus (Xt , t 0) se produisent suivant un processus de Poisson dintensit (Xt ), t > 0 ; e
C.2 Diusions avec sauts
95
2. la condition (iv) est quivalente ` e a (iv) L(Xt |Ft , Xt = 0) = . Ceci signie que la loi de lamplitude de chacun des sauts est indpendante e des autres param`tres du processus. e Un tel processus se construit comme : 1. Une diusion avec des sauts dXt = (Xt ) dt + (Xt ) dWt + dJt , o` J est un processus purement de saut dintensit (Xt ) et damplitude ; u e 2. un process de Markov de gnrateur e e (Lf )(x) = 1 2 ai,j Di,j +
i,j i
i Di + (x) (f (x + z) f (x))(dz).
Le lien entre (1) et (2) scrit : e Proposition C.2 Pour toute fonction f appartenant ` Cb , le processus a 2
t
Mt = f (Xt ) f (X0 )
0
(Lf )(Xs ) ds
est une martingale. Preuve. Dapr`s la formule dIt e o 1 df (Xt ) = f (Xt ) dXt + f (Xt ) d < X c , X c >t +f (Xt ) f (Xt )(Xt ) 2 1 = f (Xt )(Xt ) dt + f (Xt )(Xt ) dWt + f (Xt ) 2 (Xt ) dt 2 + f (Xt ) dJt + f (Xt ) f (Xt )(Xt ) = (Lf )(Xt ) dt + f (Xt ) (Xt ) (f (z + Xt ) f (Xt ))(dz) = (Lf )(Xt ) dt + (f (Xt + Xt ) f (Xt )) dNt (Xt ) (f (z + Xt ) f (Xt ))(dz), donc
E[df (Xt ) (Lf )(Xt ) dt|Ft ]
= E[(f (Xt + Xt ) f (Xt )) dNt (Xt ) (f (z + Xt ) f (Xt ))(dz)|Ft ] = E[(f (Xt + Xt ) f (Xt )) dNt |Ft ] (Xt ) (f (z + Xt ) f (Xt ))(dz) = E[dNt |Ft ] (f (z + Xt ) f (Xt ))(dz) (Xt ) (f (z + Xt ) f (Xt ))(dz) = 0,
96
ce qui ach`ve la preuve. e La thorie des diusions ore un cadre de travail tr`s gnral, qui ne permet e e e e pas toujours de faire les calculs explicitement. Cest pourquoi, dans la pratique, on consid`re souvent des diusions anes avec sauts. Ces processus sont commodes pour e leur tractabilit analytique qui en font des outils de modlisation incontournables. e e Pour plus de dtails sur ces processus, nous renvoyons le lecteur ` Pan et Filipovic e a ainsi quaux articles [9] et [6].
C.3
Diusion ane avec des sauts
On suppose que , a, sont des fonctions anes de X, autrement dit quil existe k0 Rd , k1 Rdd , H0 Rdd , H1 Rd Rdd linaire, et l0 R, l1 Rd tels que e (x) = k0 + k1 x a(x) = H0 + H1 x (x) = l0 + l1 x. On note la transforme de Laplace de . Autrement dit, pour tout c Z, on a e (c) = ecz (dz).
Proposition C.3 Soient X une diusion ane avec des sauts et R : Rd R, y l0 + l1 y une application linaire, alors e
T
E exp
t
X R(Xs ) ds eu.XT Ft = eu (T t)+u (T t).Xt ,
o` u et u sont solution des quations direntielles suivantes : u e e

1 = l0 .k0 2 H0 l0 (() 1) 1 = l1 k1 . 2 H1 l1 (() 1),
avec les conditions aux bords u (T, T ) = 0, u (T, T ) = u. On est donc ramen au probl`me de rsolution dun syst`me de deux quations e e e e e direntielles ordinaires. En pratique, soit il existe des solutions explicites, soit on e utilise un algorithme numrique de type Runge-Kutta. e Preuve. On admet que scrit bien sous cette forme. Nous allons vrier que les e e quations direntielles ordinaires sont satisfaites. Pour simplier les notations, nous e e nous limiterons ` un cadre de dimension 1, lextension aux dimensions suprieures a e tant immdiate. Posons e e (t, Xt ) = E e
T t
R(Xs ) dseu.XT
X Ft = eu (T t)+u (T t).Xt .
C.3 Diusion ane avec des sauts

t 0
97
Il est clair que e
R(Xs ) ds
(t, Xt ) est une martingale, et de plus

E
d(t, T ) Ft = R(Xt ) dt. (t, T )
Par application de la formule dIt : o d(t, Xt ) = (t, Xt ) 1 2 dt + dXt + d X c , X c + X 2 t X 2 X X 1 2 2 = dt ( dt + (Xt ) dWt + dJt ) + (Xt ) dt t X 2 X 2 + X. X
Or, dapr`s la forme ane de , on a e (t, Xt + z) = (t, Xt )ez(T t) , et donc d(t, Xt ) 2 = + Xt + (k0 + k1 Xt ) + (H0 + H1 Xt ) (t, Xt ) 2 + (l0 + l1 Xt ) (ez 1)(dz) dt + (Xt ) dWt + ((t, Xt )) (t, Xt + z) (t, Xt ) (l0 + l1 Xt ) (dz) dt . (t, Xt ) (t, Xt )
Les deux derniers termes de la somme tant martingales, on a dapr`s lexpression de e e lesprance e l0 + k0 + 2 H0 Xt + l0 (() 1) 2 + ( l1 + k1 +
2 H1 + l1 (() 1))Xt = 0, 2
ce qui est vrai pour toutes les valeurs du processus X. On en dduit donc e immdiatement les deux quations e e = l0 .k0 1 H0 l0 (() 1) 2 = l1 k1 1 H1 l1 (() 1), 2 les conditions aux bords tant la consquence de e e (T, XT ) = e(T,T )+(T,T )XT = e0+uXT .
98
Corollaire C.4 Soient X une diusion ane avec des sauts et R : Rd R, y l0 + l1 y une application linaire. e
T
E exp
t
X R(Xs ) ds XT eu.XT Ft = (Au (T t) + Bu (T t).Xt )eu (T t)+u (T t).Xt ,
o` Au et Bu sont solution des quations direntielles suivantes : u e e

A = k0 .B + H0 B + l0 ( )().B B = k1 .B + H1 B + l1 ( )().B,
avec les conditions aux bords Au (T, T ) = 0, Bu (T, T ) = 1.
Preuve. Il sut de reprendre la preuve prcdente en drivant par rapport ` u. e e e a
ANNEXE
Les fonctions copules
Les fonctions copules ou plus simplement copules sont un outil mathmatique e permettant de modliser la dpendance entre des variables alatoires connaissant leurs e e e lois marginales. Dans cette partie, nous dnissons les fonctions copules, et prsentons e e les exemples les plus couramment utiliss en nance. Le rsultat fondamental de la e e thorie tant le thor`me de Sklar. Nous nous intressons ensuite au cas particulier e e e e e des copules archimdiennes qui revtent une importance particuli`re pour les calculs. e e e
D.1
Denitions et exemples
Definition D.1 La fonction C : [0, 1]N [0, 1] est une copule de dimension N sil existe un vecteur alatoire ` marges uniformes U = (U1 , . . . , UN ) tel que e a C(u1 , . . . , uN ) = P[U1 u1 , . . . , UN uN ]. Autrement dit, C est la fonction de rpartition dun vecteur alatoire ` marges unie e a formes. Remarque. On rappelle que, si X est une variable alatoire et FX sa fonction de e rpartition, e Z = FX (X) U (0, 1), o` U est une variable alatoire de loi uniforme sur [0, 1]. Soient X1 , X2 , . . . , XN u e des variables alatoires, de fonctions de rpartitions F1 , . . . , Fn , alors la fonction de e e rpartition jointe F est dnie par e e F (x) = P[X1 x1 , . . . , XN xN ]. Le thor`me fondamental est le suivant : e e
100
` Theoreme D.2 (Sklar) Avec les notations prcdentes, il existe une fonction copule C de dimension N telle e e que F (x) = C(F1 (x1 ), . . . , FN (xN )). Si les fonctions Fi sont continues, C est unique, sinon, elle est uniquement dtermine e e sur Im(F1 ) Im(FN ). Remarque. Dapr`s le thor`me de Sklar, une distribution multidimensionnelle e e e continue F est uniquement dtermine par e e ses lois marginales ; sa structure de dpendance dcrite par une fonction copule C. e e On dit alors que F ` pour copule C. Dans la suite, on sintressera uniquement ` a e a des distributions continues, ce qui permet den dduire lunicit de la fonction copule e e associe. e Proposition D.3 La fonction copule de X = (X1 , . . . , XN ) est la fonction de rpartition du vecteur alatoire (F1 (X1 ), . . . , FN (XN )). e e e Preuve. Notons C la fonction de rpartition du vecteur (F1 (X1 ), . . . , FN (XN )), F (x) = P[X1 x1 , . . . , XN xN ] = P[F1 (X1 ) F (x1 ), . . . , FN (XN ) F (xN )] = C(F1 (X1 ), . . . , FN (XN )), do` le rsultat par unicit. u e e Proposition D.4 Soient f1 , . . . , fN des fonction croissantes et X1 , . . . , XN des variables alatoires. Pour tout i appartenant ` {1, . . . , N }, on pose Yi = Fi (Xi ). Alors e a la copule des Yi est la mme que celle est Xi . En dautres termes, la structure de e dpendance est invariante par transformation monotone. e Preuve. La preuve est laisse au lecteur e Exemple. La copule indpendante reprsente la structure de dpendance associe ` e e e e a une famille de variables alatoires uniformes indpendantes e e C(u1 , . . . , uN ) = u1 . . . uN . Exemple. La copule gaussienne est associe ` la distribution normale multidimene a sionnelle. Soit X = (X1 , . . . , XN ) un vecteur gaussien standard (i.e pour tout i appartenant ` {1, . . . , N }, E[Xi ] = 1, Var(Xi ) = 0), de matrice de corrlation (ij )i,j{1,...,N } . a e Notons la fonction de rpartition dune gaussienne multivarie, on a par dnition : e e e C ((u1 ), . . . , (uN )) = (u1 , . . . , uN ). La copule gaussienne est donc dnie de faon implicite par la relation e c C (u1 , . . . , uN ) = (1 (u1 ), . . . , 1 (uN )).
D.2 Les copules archimdiennes e
101
Exercice. Montrer que la copule gaussienne bivarie admet la reprsentation e e intgrale suivante : e
u1
C(u1 , u2 , ) =
0
1 (u2 ) 1 (u) 1 2
Remarque. Bien quil nexiste pas dexpression explicite pour cette fonction copule, il est tr`s ais de simuler des variables alatoires de lois marginales donnes ayant une e e e e structure de dpendance dcrite par cette fonction copule. Cette proprit explique e e ee en partie la popularit de cette structure de dpendance. e e Remarque. Dans les cas o` la matrice des corrlations est de la forme u e cor(Xi , Xj ) = i j , on peut trouver des variables alatoires gaussiennes indpendantes X, Y1 , . . . , YN telles e e que Xi = i X + 1 2 Yi i (mod`le ` un facteur). e a
Dans ce cas, la fonction copule correspondante scrit (exercice) : e 1 C(u1 , u2 , ) = 2
1 (u1 ) 1 x 1 2 1
...
1 (uN ) N x 1 2 N
dx.
Exemple. De la mme mani`re que pour la copule gaussienne, il est possible de e e dnir la copule de student. e
D.2
Les copules archimdiennes e
Definition D.5 On appelle copule archimdienne une fonction copule telle quil e existe une fonction inversible : [0, 1] R+ {} vriant e
N
C(u1 , ..., uN ) =
1 i=1
(xi ) .
Dans ce cas, pout tout x appartenant ` R+ {}, on a (x) < 0, (x) > 0. a Exercice. Soit C une copule archimdienne de gnrateur , montrer que e e e (ui ) C (u) = , ui (C(u1 , . . . , uN )) et C (C(u)) (u) = (ui ) (uj ) . ui uj (C(u))3
102
Exemple. (Copule de Gumbel ) (x) = ln(x) , 1

N
C(u1 , . . . , uN ) = exp
i=1
ln x i
Exemple. (Copule de Clayton) (x) =

1 x
, 0
N
C(u1 , . . . , uN ) = 1 N +
i=1
1 u i
Exercice. Soient Y une variable alatoire ` valeurs dans (0, +) et sa e a transforme de Laplace dnie par e e (u) = E[euY ], (u 0).
(1) Montrer que ralise une bijection de [0, +) sur [0, 1]. e On note linverse 1 de la transforme de Laplace de Y . On consid`re une e e famille X1 , . . . , XN de variables alatoires i.i.d. de loi uniforme sur (0, 1). On suppose e que les Xi sont indpendantes de la variable Y . On pose e 1 ln Xi , (1 i N ). Y (2) Montrer que les Ui sont des v.a. de loi uniforme sur (0, 1) dont la distribution jointe est dcrite par la copule archimdienne de gnrateur ; autrement dit, que e e e e Ui =
N
P[U1 u1 ; ; UN uN ] =
i=1
(ui ) .
(3) Dduire de ce qui prc`de un algorithme pour simuler un vecteur de v.a. de loi e e e uniforme dont la loi jointe est caractrise par la copule archimdienne de gnrateur . e e e e e
Le cas des copules archimdiennes gnraliss e e e e

Pour dnir une copule archimdienne gnralise nous partons des donnes suie e e e e e K vantes : un vecteur Y R de facteurs de risque qui sont des v.a. positives et une matrice A RN K de poids. On pose alors pour tout 1 i N et 1 k K
N
Yi =
i=1
aik Yk = ai Y, i = 1 ,
i (s) = E esYi ,
(s) = E esY .
D.2 Les copules archimdiennes e
103
La copule archimdienne gnralise correspondante est alors dnie par e e e e e

N N
C(u) =
i=1
ai1 i (ui ), . . . ,
i=1
aiK i (ui )
Le lemme suivant nous assure que C est bien une copule et fournit un moyen commode de simuler des v.a. de loi dcrite par la copule C. e Lemme D.6 Soient (Xi , 1 i N ) des v.a. indpendantes de loi uniformes sur e [0, 1]et (Ui , 1 i N ) les v.a. dnies par la formule suivante : e Ui = i ln Xi /Yi . Alors, la distribution jointe des Ui est donne par e
N N
P[Ui ui , 1 i N ] =
i=1
ai1 i (ui ), . . . ,
i=1
aiK i (ui ) .
et les lois marginales des Ui sont des lois uniformes sur [0, 1]. Preuve. Par dnition, on a e P[Ui ui , i] = P[Xi exp(Yi i (ui )), i] = E P[Xi exp(Yi i (ui )), i|Y1 , . . . , YN ]
N
= E exp
i=1 K
Yi i (ui )
N
= E exp
k=1 N i=1
aik i (ui ) Yk
N
=
i=1
ai1 i (ui ), . . . ,
i=1
aiK i (ui ) .
Il reste ` montrer que pour tout i, on a P[Ui ui ] = ui . Pour le voir, on crit en a e utilisant le mme genre de conditionnement que prcdemment que e e e P[Ui ui ] = E exp(Yi i (ui )) = i (i (ui )) = ui . Dans la pratique, il est judicieux de choisir des facteurs tels que les transformes de e Laplace prcdentes soient faciles ` calculer et ` inverser. Un exemple simple consiste e e a a ` choisir les facteurs de risques indpendants et dans une famille dont les lois sont a e stable par sommation.
ANNEXE
Dmonstration du Lemme 3.1 e
Dans cette partie, nous allons dmontrer le rsultat suivant : e e

P
0st
inf (s + Bs ) y = N
2 y + t t y . e 2 y N t t
Posons Xt = Bt + t, Mt = max0st Xt , et mt = min0st Xt . La dmonstration e revient ` prouver le lemme suivant : a Lemme E.1 x 2y t . P[Xt x; Mt y] = e2y P[Xt 2y x + 2t] = e2y N t En eet :
P[Mt y] = P[Xt y] + P[Xt < y; Mt y]
=N et donc
t y t y + e2y N , t t
P[mt y] = P min (Bs + s) y

0st
= P max (Bs s) y
0st 0st
= P max (Bs s) y = 1 P max (Bs s) y

0st
y + t y t e2y N t t t y y + t . =N e2y N t t =1N
106
Dmonstration du Lemme 3.1 e
Lextension au cas gnral est alors immdiate en crivant : e e e e

P
0st
inf (s + Bs ) y = P inf
0st
y s + Bs .
La dmonstration du lemme E.1 repose sur le Principe de rexion dont nous e e rappelons lnonc : e e Proposition E.2 (principe de reflexion) Parmi les trajectoires browniennes qui atteignent le niveau y avant linstant t, il y en a autant en dessous de x quau dessus de 2y x en t. Autrement dit :
P[Bt x; Mt y] = P[Bt 2y x; Mt y]
= P[Bt 2y x], ce qui se rcrit de la faon suivante : ee c

E 1{Mt y} f (Bt ) = E 1{Mt y} f (2y Bt ) .
Nous allons ` prsent prouver le lemme. Dapr`s le thor`me de Girsanov il existe a e e e e a e e une probabilit P quivalente ` P dnie par sa densit de Radon-Nikodym e e
2 dP = eBT 2 T dP
e e telle que Xt = Bt +t soit un P-mouvement brownien, et une probabilit P quivalente ` P dnie par la densit a e e 2 dP = eXT 2 T dP telle que Wt = Xt + t soit un P-mouvement brownien. Soit x y, on a
P[Xt x; Mt y] = E 1{Xt x;Mt y}
2 t 2 2 2
= E eBt + = E eXt et dapr`s le principe de rexion : e e
1{Xt x;Mt y} 1{Xt x;Mt y} ,
P[Xt x; Mt y] = E e(2yXt )
2 t 2
1{2yXt x;Mt y} 1{Xt 2yx}
= e2y E e =e
2y 2y
2 Xt t 2
P[Xt 2y x]
= e P[Wt + t 2y x + 2t] = e2y P[Xt 2y x + 2t], car W est un P-mouvement brownien. Ceci ach`ve la dmonstration e e

Modélisation Du Risque de Crédit

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Modélisation Du Risque de Crédit

Încărcat de

Drepturi de autor:

Formate disponibile

Credit Agricole SA Direction des Risques du Groupe Groupe de Recherche Operationnelle1

Modlisation du risque de crdit e e

Le Centorial, 18 rue du 4 septembre, 75002 Paris. david.kurtz@creditlyonnais.fr

Merci ` Thierry Roncalli et Romain Camus pour leur aide. a

Table des mati`res e

Table des mati`res e

Zoologie des risques

Mod`les du risque de crdit e e

o` D( , T )5 est la valeur avant dfaut de linstrument considr. u e ee

1.3 Mod`les du risque de crdit e e

Mod`les ` forme rduite e a e

P[ (t, t + t)| > t] = t + o(t).

Produits drivs de crdit e e e

Le march des produits drivs de crdit e e e e

International Swap & Derivatives Association.

Produits drivs de crdit e e e

2.2 Les obligations risques e

Rpartition des utilisateurs de produits drivs de crdit

Fig. 2.2 Rpartition des utilisateurs de produits drivs de crdit. e e e e

CDS pour leur activit darbitrage dobligations convertibles. e

Les obligations risques e

Produits drivs de crdit e e e

Credit default swap

Fig. 2.3 Un credit default swap.

2.3 Credit default swap

la marge. Le payo (pay en T ) correspondant ` la jambe xe scrit e a e

BT BT I{ >Ti } + ( Ti ) I{Ti+1 >Ti } . BTi+1 B

tandis que le payo associ ` la jambe variable scrit ea e 1 BT I{ T } . B

Evaluation de la marge dun CDS

Produits drivs de crdit e e e

(Ti+1 Ti )E erTi+1 1{ >Ti+1 } (Ti+1 Ti )e(r+)Ti+1

Le fair spread s est tel que JF (s ) = JV soit s = (1 ).

2.4 Les Basket Default Swaps

Les Basket Default Swaps

Produits drivs de crdit e e e

Dterminants du spread dun produit sur basket e

2.5 Collateralized Debt Obligations

Collateralized Debt Obligations

Produits drivs de crdit e e e

e Emprunteurs emprunts, crdits Etablissement nancier

vente des crances e

Les produits synthtiques e

2.5 Collateralized Debt Obligations

Introduction aux mod`les structurels e

Introduction aux mod`les structurels e

Produits drivs sur la valeur des actifs de la rme e e

3.1 Mod`le de Merton e

Probabilits de dfaut et Loss Given Default e e

o` t est le taux de recouvrement (Recovery Rate) en cas de dfaut dni par u e e

e et o` wt = 1 t est la perte en cas de dfaut (Loss Given Default). u

Introduction aux mod`les structurels e

Plus prcisment, si m = (r 2 /2)/, on peut crire que e e e p = P XT 0 Xt = N u (t, T ) , t o` u u (t, T ) = Xt m (T t) . T t

3.1 Mod`le de Merton e

lim S(t, T ) = 1{AT <L} + 01{AT L} .

Une premi`re implmentation du mod`le de Merton e e e

Introduction aux mod`les structurels e

Spread implicite et smile de volatilit e

et A reprsente la valeur de la rme telle qu` linstant , lon ait e a

3.1 Mod`le de Merton e

o` u ln(1/) + 2 /2 , = ln(1/) + 2 /2 a1 = , d 1 En utilisant alors lquation e (3.4) il vient (3.5) 1 l0 M a2 , d2 ;

1 /T M a1 , d1 ; /T + N (a2 ) N (h1 ) l0 N (h2 ) 1 = N (d ) N (d ) N (h1 ) l0 N (h2 ) . 2 1

ln 1/(l0 ) + 2 (T t)/2 , T t = h1, T t.

Introduction aux mod`les structurels e