C 07 05f PDF

Les Cahiers du CREF
ISSN: 1707-410X
Risque de crdit :
Une approche avance
Christian Gouriroux
Andr Tiomo
CREF 07-05
Avril 2007
Copyright 2007. Christian Gouriroux, Andr Tiomo

Tous droits rservs pour tous les pays. Toute traduction et toute reproduction sous quelque forme que ce soit sont interdites.
Les textes publis dans la srie Les Cahiers du CREF de HEC Montral n'engagent que la responsabilit de leurs auteurs. La
publication de cette srie de rapports de recherche bnficie d'une subvention du programme de l'Initiative de la nouvelle conomie
(INE) du Conseil de recherches en sciences humaines du Canada (CRSH).
Risque de crdit : Une approche avance
Christian Gouriroux
Universit de Toronto, CREST, CREF et CEPREMAP
15, boulevard Gabriel Pri
92245 Malakoff
Courriel : christian.gourieroux@ensae.fr
Andr Tiomo
Dexia et Universit Paris XII Val de Marne
Courriel : andre.tiomo@dexia.com
Avril 2007
Les Cahiers du CREF

CREF 07-05
Les Cahiers du CREF
CREF 07-05
Risque de crdit : Une approche avance

Rsum
Cet ouvrage prsente une analyse dtaille du risque de crdit, incluant les
drivs de crdit, les modles de dfaut, le recouvrement, la corrlation et la
migration.
Classification JEL : G21, G13
Mots cls : Risque de crdit
Abstract
This book offers a detailed analysis of credit risk, including credit derivatives,
default on recovery models, correlation and migration.
Keywords: Credit Risk
Table des mati`

eres
1 G
en
eralit
es sur le risque de cr
edit
1.1
11
Definition des risques . . . . . . . . . . . . . . . . . . . . . . . 11

1.1.1
Risque de credit, risque de marche, et risque operationnel 11
1.1.2
Types de risque de credit . . . . . . . . . . . . . . . . . 12
1.1.3
Plan du chapitre . . . . . . . . . . . . . . . . . . . . . 14
1.2
Defaillance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.3
Pertes attendue et inattendue . . . . . . . . . . . . . . . . . . 18
1.4
1.5
1.6
1.3.1
Composantes de la perte attendue . . . . . . . . . . . . 18
1.3.2
Perte inattendue . . . . . . . . . . . . . . . . . . . . . 19
1.3.3
Extension à un portefeuille de prets . . . . . . . . . . . 21
Notations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.4.1
Quest-ce quune notation ? . . . . . . . . . . . . . . . 24
1.4.2
Utilisation des notations . . . . . . . . . . . . . . . . . 25
1.4.3
Mise en place de score ou de rating . . . . . . . . . . . 27
De Bale I à Bale II : nouveau capital reglementaire . . . . . . 28

1.5.1
Historique de la reglementation . . . . . . . . . . . . . 28
1.5.2
Structure de laccord Bale II . . . . . . . . . . . . . . . 31
1.5.3
Le ratio de fonds propres . . . . . . . . . . . . . . . . . 33
Appendice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
1.6.1
Fonction quantile et mesure de distorsion de risque . . 46
1.6.2
Valeur-à-Risque . . . . . . . . . . . . . . . . . . . . . . 49
3
`
TABLE DES MATIERES
2 CREDITS ET DERIVES DE CREDIT

2.1 Credits et obligations . . . . . . . . . . . . . . .
2.1.1 Definition . . . . . . . . . . . . . . . . .
2.1.2 Caracteristiques dun pret . . . . . . . .
2.1.3 Des contrats standards . . . . . . . . . .
2.1.4 Les obligations risquees . . . . . . . . . .
2.1.5 Marches obligataires . . . . . . . . . . .
2.2 Le marche du risque de credit et son evolution .
2.2.1 Derives de credit . . . . . . . . . . . . .
2.2.2 Le marche du risque de credit . . . . . .
2.3 Instruments en nom unique . . . . . . . . . . .
2.3.1 Credit Default Swap . . . . . . . . . . .
2.3.2 Credit Linked Notes (CLN) . . . . . . .
2.3.3 Des extensions directes à plusieurs noms
2.4 Produits structures . . . . . . . . . . . . . . . .
2.4.1 Titrisation . . . . . . . . . . . . . . . . .
2.4.2 Structuration . . . . . . . . . . . . . . .
2.4.3 CDO de bilan . . . . . . . . . . . . . . .
2.4.4 CDO darbitrage . . . . . . . . . . . . .
2.4.5 Avantages et inconvenients des CDO . .
2.5 Appendice . . . . . . . . . . . . . . . . . . . . .
2.5.1 Fonds Commun de Creances . . . . . . .
2.5.2 Indices de CDS . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
3 PRINCIPE DE VALORISATION
3.1 Introduction . . . . . . . . . . . . . . . . . . . . .
3.1.1 Produits derives . . . . . . . . . . . . . . .
3.1.2 Approche actuarielle . . . . . . . . . . . .
3.1.3 Plan du chapitre . . . . . . . . . . . . . .
3.2 Principe de non-arbitrage . . . . . . . . . . . . .
3.2.1 Principe de non-arbitrage à deux periodes
3.2.2 Interpretation du facteur descompte . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
53
53
53
55
56
60
62
65
65
67
68
68
76
78
80
80
84
90
94
99
101
101
104
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
109
. 109
. 109
. 111
. 112
. 112
. 113
. 115
`
TABLE DES MATIERES
3.3
3.4
3.5
3.2.3 Principe de non-arbitrage multiperiode .

3.2.4 Probabilite risque-neutre . . . . . . . . .
3.2.5 Changement de numeraire . . . . . . . .
3.2.6 Marches incomplets . . . . . . . . . . . .
3.2.7 Approche actuarielle etendue . . . . . .
Derives de credit . . . . . . . . . . . . . . . . .
3.3.1 Lensemble dinformation . . . . . . . . .
3.3.2 Valorisation de quelques derives de credit
3.3.3 Intensite de survie . . . . . . . . . . . .
La formule de Black et Scholes . . . . . . . . . .
3.4.1 Facteur descompte stochastique . . . . .
3.4.2 Distribution risque-neutre . . . . . . . .
3.4.3 Valeur dune option dachat europeenne .
Appendice . . . . . . . . . . . . . . . . . . . . .
3.5.1 Coherence temporelle . . . . . . . . . . .
3.5.2 Presentation en temps continu . . . . . .
4 VALEUR DE LACTIF DE LA FIRME

4.1 Introduction . . . . . . . . . . . . . . . . . .
4.2 Bilan des entreprises . . . . . . . . . . . . .
4.3 Le modèle initial . . . . . . . . . . . . . . .
4.3.1 Idee de base . . . . . . . . . . . . . .
4.3.2 Les derives de credit . . . . . . . . .
4.3.3 Hypothèses dynamiques . . . . . . .
4.4 Ingenierie financière . . . . . . . . . . . . . .
4.4.1 Prevision de la defaillance . . . . . .
4.4.2 Prix du CDS digital . . . . . . . . .
4.4.3 Prix du zero-coupon dentreprise. . .
4.4.4 Prix de laction . . . . . . . . . . . .
4.5 Variables dinteret, donnees, mise en oeuvre.
4.5.1 Variables dinteret . . . . . . . . . .
4.5.2 Les donnees . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
117
118
120
121
123
124
124
125
130
131
132
133
134
136
136
137
.
.
.
.
.
.
.
.
.
.
.
.
.
.
143
. 143
. 145
. 150
. 150
. 152
. 156
. 159
. 159
. 160
. 163
. 163
. 164
. 164
. 165
`
TABLE DES MATIERES
4.6
4.7
4.5.3 Valeur implicite de lactif . . .

4.5.4 Un exemple de mise en oeuvre
Extensions . . . . . . . . . . . . . . .
4.6.1 Les limites du modèle . . . . .
4.6.2 Modèle de Wishart Structurel
Appendice . . . . . . . . . . . . . . .
4.7.1 La liasse fiscale . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
5 MODELES A INTENSITE
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.1.1 Composantes dun modèle à intensite . . . . . . . . .
5.1.2 Interpretation des facteurs . . . . . . . . . . . . . . .
5.1.3 Caracteriser la loi des facteurs . . . . . . . . . . . .
5.1.4 Plan du chapitre . . . . . . . . . . . . . . . . . . . .
5.2 Processus autoregressifs composes (CaR) . . . . . . . . . . .
5.2.1 Definition . . . . . . . . . . . . . . . . . . . . . . . .
5.2.2 Parametrisation . . . . . . . . . . . . . . . . . . . . .
5.2.3 Formules de prevision . . . . . . . . . . . . . . . . . .
5.2.4 Exemples de processus CaR . . . . . . . . . . . . . .
5.3 Structure par terme des taux . . . . . . . . . . . . . . . . . .
5.3.1 Hypothèses . . . . . . . . . . . . . . . . . . . . . . .
5.3.2 Structure par terme affine . . . . . . . . . . . . . . .
5.3.3 Reconstitution des facteurs. . . . . . . . . . . . . . .
5.3.4 Evolution risque-neutre . . . . . . . . . . . . . . . . .
5.3.5 Effets de cycles . . . . . . . . . . . . . . . . . . . . .
5.4 Analyse des probabilites de defaillance . . . . . . . . . . . .
5.4.1 Fonction de survie . . . . . . . . . . . . . . . . . . .
5.4.2 Modèle à intensite et modèle structurel. . . . . . . .
5.5 Mise en oeuvre des modèles affines . . . . . . . . . . . . . .
5.5.1 Distribution de la valeur future dun portefeuille de
credits et de derives de credit. . . . . . . . . . . . . .
5.5.2 Calibrage des paramètres . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
166
169
171
171
174
180
180
185
. 185
. 185
. 187
. 189
. 191
. 192
. 192
. 193
. 193
. 195
. 204
. 204
. 205
. 207
. 208
. 209
. 210
. 210
. 211
. 212
. 213
. 214
`
TABLE DES MATIERES
5.6
Appendice . . . . . . . . . . . . . . . . . . . . . . .
5.6.1 Quelques transformees de Laplace . . . . . .
5.6.2 Formules de recurrence. . . . . . . . . . . .
5.6.3 Modèles de diffusion affines . . . . . . . . .
5.6.4 Modèles quadratiques de structure par terme
7
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
225
225
228
229
234
6 RECOUVREMENT
235
6.1 Une approche simplifiee . . . . . . . . . . . . . . . . . . . . . 235
6.2 Procedures de recouvrement . . . . . . . . . . . . . . . . . . . 237
6.2.1 Problème de tresorerie . . . . . . . . . . . . . . . . . . 238
6.2.2 Renegociation sur un credit permanent . . . . . . . . . 239
6.2.3 Credit hypothecaire (regime anglo-saxon) . . . . . . . . 239
6.2.4 Echange de la dette sur un marche secondaire . . . . . 240
6.2.5 Restructuration de la dette dune entreprise . . . . . . 242
6.3 Valorisation du recouvrement . . . . . . . . . . . . . . . . . . 243
6.3.1 Valeur contractuelle versus valeur de marche . . . . . . 244
6.3.2 Donnees de marche (explicit market LGD) . . . . . . . 245
6.3.3 Le processus de recouvrement et sa valorisation (workout LGD) . . . . . . . . . . . . . . . . . . . . . . . . 249
6.4 Loi du taux de recouvrement . . . . . . . . . . . . . . . . . . . 252
6.4.1 Modèles de base . . . . . . . . . . . . . . . . . . . . . . 252
6.4.2 Estimation du modèle de base . . . . . . . . . . . . . . 256
6.4.3 Extensions . . . . . . . . . . . . . . . . . . . . . . . . . 257
6.5 Modelisation jointe de la defaillance et du taux de recuperation 265
6.5.1 Valorisation . . . . . . . . . . . . . . . . . . . . . . . . 265
6.5.2 Liens entre intensite de survie et taux de perte anticipe 268
6.5.3 Extension des modèles de risque de credit . . . . . . . 270
6.6 Exposition et taux de recouvrement . . . . . . . . . . . . . . . 273
6.6.1 Necessite dune analyse jointe . . . . . . . . . . . . . . 274
6.6.2 Definitions de lexposition et du recouvrement . . . . . 278
6.7 Appendice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 285
6.7.1 Extension du modèle de valeur de la firme . . . . . . . 285
`
TABLE DES MATIERES
7 RISQUE DE CORRELATION
7.1 Population homogène . . . . . . . . . . . . . . . . . . . . . .
7.1.1 Equidependance . . . . . . . . . . . . . . . . . . . . .
7.1.2 Cas gaussien . . . . . . . . . . . . . . . . . . . . . . .
7.1.3 Variables qualitatives dichotomiques . . . . . . . . .
7.1.4 Variables de duree . . . . . . . . . . . . . . . . . . .
7.2 Modèles à deux periodes . . . . . . . . . . . . . . . . . . . .
7.2.1 Cas general . . . . . . . . . . . . . . . . . . . . . . .
7.2.2 Exemples . . . . . . . . . . . . . . . . . . . . . . . .
7.2.3 Correlations latente et observable . . . . . . . . . . .
7.3 Modèles multiperiodes . . . . . . . . . . . . . . . . . . . . .
7.3.1 Modèle de valeur de la firme . . . . . . . . . . . . . .
7.3.2 Modèle à intensite . . . . . . . . . . . . . . . . . . .
7.3.3 First-to-default basket . . . . . . . . . . . . . . . . .
7.4 Appendice . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.4.1 Lois marginale et conditionnelle . . . . . . . . . . . .
7.4.2 Famille equidependante de variables qualitatives dichotomiques . . . . . . . . . . . . . . . . . . . . . . . . .
289
. 289
. 290
. 291
. 294
. 295
. 297
. 298
. 301
. 302
. 305
. 305
. 308
. 309
. 316
. 316
8 RISQUE DE MIGRATION DE NOTATION

8.1 Chaine de Markov . . . . . . . . . . . . . . . . . . . . .
8.1.1 Definition . . . . . . . . . . . . . . . . . . . . . .
8.1.2 Estimation des probabilites de transition . . . . .
8.1.3 Test dhomogenete . . . . . . . . . . . . . . . . .
8.2 Correlation de migration . . . . . . . . . . . . . . . . . .
8.2.1 Modèle de base . . . . . . . . . . . . . . . . . . .
8.2.2 Migrations jointes . . . . . . . . . . . . . . . . . .
8.2.3 Correlation de defaut dans la directive europeenne
8.3 Dynamique des probabilites de migration . . . . . . . . .
8.3.1 Evolution des probabilites de migration . . . . . .
8.3.2 Modèles dynamiques autoregressifs . . . . . . . .
8.3.3 Modèle à facteur dynamique . . . . . . . . . . . .
321
. 322
. 322
. 323
. 326
. 326
. 327
. 327
. 331
. 333
. 333
. 333
. 335
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. 318
`
TABLE DES MATIERES
8.4
8.3.4 Effets de cycle . . . . . . . . . . . . . . . . . . . .

Appendice . . . . . . . . . . . . . . . . . . . . . . . . . .
8.4.1 Propriete de Markov du processus de rating joint
8.4.2 Transitions jointes dans le cas general . . . . . . .
9 METHODOLOGIES DES FIRMES DE SERVICE

9.1 PortfolioManager (Moodys/KMV) . . . . . . . . . .
9.1.1 Calcul des probabilites de defaut individuelles
9.1.2 Le moteur de correlation . . . . . . . . . . . .
9.2 CreditMetricsT M (JP Morgans) . . . . . . . . . . . .
9.3 CreditRisk+T M . . . . . . . . . . . . . . . . . . . . .
9.4 CreditPortfolioView . . . . . . . . . . . . . . . . . . .
9.5 Comparaison des methodologies . . . . . . . . . . . .
10 LEXIQUE FRANCO-ANGLAIS
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
338
343
343
344
.
.
.
.
.
.
.
345
. 347
. 347
. 349
. 353
. 356
. 357
. 360
371
10
`
TABLE DES MATIERES
Chapitre 1
G
en
eralit
es sur le risque de
cr
edit
1.1
1.1.1
D
efinition des risques
Risque de cr
edit, risque de march
e, et risque
op
erationnel
Le risque de cr
edit est le risque de perte inherent au defaut dun emprunteur par rapport au remboursement de ses dettes (obligations, prets bancaires, creances commerciales...). Ce risque se decompose en risque de defaut
qui intervient en cas de manquement ou retard de la part de lemprunteur
sur le paiement du principal et/ou des interets de sa dette, risque sur le taux
de recouvrement en cas de defaut, et risque de degradation de la qualite du
portefeuille de credit. Il sagit de la forme la plus ancienne du risque sur les
marches des capitaux.
La gestion des portefeuilles de credits sur la base de lanalyse des risques
est aujourdhui largement repandue. Le risque de credit se distingue des
deux autres risques les plus connus auxquels sont exposees les institutions
financières : le risque de march
e et le risque op
erationnel. Le risque
de march
e est le risque de pertes sur les positions du bilan concernant len11
ERALIT
SUR LE RISQUE DE CREDIT
CHAPITRE 1. GEN
ES
12
semble des avoirs (actif) et des dettes (passif) dune entreprise et du horsbilan qui enregistre les sommes engagees, mais non (encore) effectivement
recues ou payees, suite aux variations des prix de marche. Ce risque recouvre
aussi bien les risques relatifs aux instruments lies aux taux dinteret (risque
quune hausse ou une baisse des taux dinteret ait une influence contraire sur
les valeurs dactifs ou de positions specifiques) que le risque de change (qui
modifie la valeur des avoirs en devises), ou le risque sur produits de base (actions, en particulier). Quant au risque op
erationnel, il sagit du risque de
pertes directes ou indirectes resultant dune inadequation ou dune defaillance
operationnelle attribuable à des agents, des procedures, des systèmes internes
ou des evenements exterieurs (fraudes, incendies...).
Dans ce livre, nous nous interessons essentiellement au risque de credit.
1.1.2
Types de risque de cr
edit
Divers types de risques de credit peuvent etre distingues selon les instruments financiers consideres.
i) Instruments o`
u des m
ecanismes de remboursement sont pr
evus
dans le contrat
Lexemple le plus simple est celui des credits classiques. Le risque se
revèle en cas de non-execution dun paiement prevu : non-execution dun
paiement à la date decheance, paiement partiel à la date decheance, ou
report dun paiement prevu, ou de defaut dune contrepartie : incapacite
dune contrepartie à respecter certaines de ses obligations, necessite dune
contrepartie de reporter certaines de ses obligations, ou encore incapacite
dune contrepartie de continuer à emettre des produits de credit.
ii) Instruments dont les dates de paiement et(ou) les montants ne
sont pas connus a priori
Le risque peut exister pour des instruments à vue, des credits à taux
variable, des instruments ne portant que sur linteret, des instruments rache-

1.1. DEFINITION
DES RISQUES
13
tables.
iii) Produit dont le paiement est fonction de certaines conditions
De tels actifs sont par exemple les options, les swaps de credit relatifs à
des entreprises, ou le credit bail. Le risque provient du risque de defaut dune
contrepartie, et non du risque de defaut sur linstrument lui-meme.
iv) Devise
La devaluation dune devise peut etre consideree comme une forme de
risque de credit. Lorsquun emetteur promet de verser à un preteur des montants precis dans une devise determinee à des dates futures predefinies, on
suppose de facon implicite que la devise conservera sa valeur (ou au moins
ne chutera pas en deca` dune valeur plancher presumee raisonnable). Cependant, compte tenu de la periode parfois longue dapplication de produits du
credit, on peut assister à une deterioration soutenue de la valeur de devise
dans les pays les moins developpes, mais aussi dans des pays industrialises,
ceci au detriment des creanciers. La devaluation dune devise constitue une
question complexe, qui est habituellement abordee de facon distincte dans le
cadre du risque de taux de change.
v) D
ecotes
Les decotes, bien quelles ne constituent pas un defaut au plan technique,
ont un effet negatif sur la valeur marchande de linstrument en rendant le
placement moins attrayant au plan commercial et en laissant supposer une
probabilite accrue de defaut à une date ulterieure. Au niveau du portefeuille,
une decote peut, theoriquement, etre compensee par une appreciation simultanee dun autre instrument. Cependant, il peut exister une forte contagion
des decotes rendant très probable la survenance simultanee de decotes multiples (correlation de decote). Au niveau du portefeuille, la diversification
peut attenuer, mais non eliminer complètement ces risques.
Sur les marches financiers o`
u les instruments de credit sont cotes regulièrement,
14
ERALIT
CHAPITRE 1. GEN
ES
le risque de defaut est souvent evalue par les differentiels de taux (ou spreads),
qui traduisent en termes monetaires la vraisemblance de non-remboursement.
Levolution incertaine de ces differentiels constitue aussi une forme de risque
de credit, qui influe sur la valeur de marche de ces titres. Dans ce cas, il nest
pas necessaire que le defaut se realise pour que le risque de credit affecte
negativement la valeur dun actif ou dun portefeuille dactifs.
vi) Lignes de cr
edit
Signalons pour terminer le risque associe à une ligne de credit accordee à
une entreprise ou à un particulier (carte de credit) et non encore pleinement
utilisee. Dans une mauvaise situation financière, lemprunteur peut accrotre
lutilisation de sa ligne et donc lexposition à la date de defaut. Le risque
passe par laugmentation endogène de cette exposition.
1.1.3
Plan du chapitre
Le risque de credit tient essentiellement à lincertitude des pertes, do`

u
linteret devaluer la distribution des pertes futures encourues par une institution de credit.
Les composantes du risque de credit sont le d
efaut ou la d
efaillance,
lexposition `
a la date de d
efaut, les pertes en cas de d
efaut (attendues
et inattendues), et lhorizon de d
efaut.
Nous commencons par discuter la notion de defaillance en prenant lexemple
de prets aux entreprises. La notion de defaillance est complexe et des aspects differents peuvent etre privilegies selon quil sagit du regulateur, dune
agence de notation, ou dun organisme preteur. Cette definition conditionne
lanalyse des pertes potentielles. Il est usuel de decomposer celles-ci entre
pertes attendues, cest-à-dire anticipees, et pertes inattendues, introduites
pour capturer lerreur danticipation eventuelle. Les pertes potentielles dependent
de la probabilite de defaut, de lexposition à la date de defaut, de la perte
en cas de defaut. Nous expliquons comment interviennent ces divers aspects.

1.2. DEFAILLANCE
15
Nous discutons aussi les pertes dans le cas de portefeuilles heterogènes.

Les previsions des defaillances et pertes sont sensiblement ameliorees en
tenant compte de caracteristiques des engagements ou des contreparties. Ces
effets sont habituellement presentes sous la forme agregee de notes (ou score,
ou rating) donnant une idee de la qualite du risque. Nous rappelons le
principe de telles notations et les facons de les obtenir. Finalement, nous
presentons le principe de determination des fonds propres retenu dans la
nouvelle reglementation, dite Bale II.
1.2
D
efaillance
La defaillance dune entreprise exprime un etat dinsolvabilite constate à

une echeance donnee. Celui-ci engage lentreprise dans un processus economique,
juridique, voire judiciaire, impliquant un ou plusieurs preteurs. Il existe cependant, avant la cessation des paiements et son eventuelle consequence judiciaire le d
ep
ot de bilan1 , une periode de vulnerabilite durant laquelle
les creanciers, les actionnaires ou les regulateurs peuvent etre alertes des
difficultes rencontrees par lentreprise et mettre en oeuvre des mesures de
prevention (provision ou renegociation de dette, notamment).
Le Comit
e de B
ale definit le defaut de la facon suivante (article 414
du nouvel accord de Bale, Avril 2003). Un defaut de la part dun debiteur
intervient lorsque lun des evenements ci-dessous se produit :
i) La banque estime improbable que le debiteur rembourse en totalite son
credit au groupe bancaire sans quelle ait besoin de prendre des mesures
appropriees telles que la realisation dune garantie (si elle existe).
ii) Larriere du debiteur sur un credit important d
u au groupe bancaire
depasse 90 jours.
Les nouvelles dispositions de lAccord de Bale sur les fonds propres ont fait
1
dans le cas des entreprises francaises. Le processus differe pour les entreprises
americaines, o`
u existent des stades intermediaires, notamment par appel au Chapitre 11
de la loi sur la faillite.
16
ERALIT
CHAPITRE 1. GEN
ES
surgir un vif debat quant à la definition adequate du defaut, un grand nombre

dorganismes bancaires remarquant que ces definitions devraient dependre
des marches. Ainsi, alors quune definition du defaut comme arriere de 90
jours semble acceptable en Espagne, lassociation italienne des banques indique que cela peut correspondre en Italie à un arriere de 180 jours.
Remarquons que la definition du defaut est assez peu stricte, et laisse une
certaine latitude au preteur. Ainsi, la première condition i) peut conduire à
un defaut sans quil y ait de retard de paiement de la part du debiteur.
En pratique, la banque pourrait considerer quil y a defaut, si les provisions
introduites pour couvrir ce risque potentiel depassent un certain seuil.
Les agences de notation (Moodys, Standard & Poors, et Fitch, principalement) ne peuvent evidemment utiliser une definition à la latitude partielle du preteur. Chez Moodys par exemple (voir Moodys (2002), p23), un
debiteur est considere en defaut lorsque lun des trois evenements suivants
se produit :
i) un defaut ou un retard de paiement des interets ou du principal (incluant
les retards de paiement ayant fait lobjet dune negociation) ;
ii) une faillite du debiteur ;
iii) une modification du contrat initial o`
u le debiteur donne au detenteur
du titre de creance de nouvelles valeurs dans le but de diminuer ses obligations financières, ou bien o`
u la modification a pour but apparent daider
lemprunteur à eviter le defaut de paiement.
Il existe aussi des definitions de la defaillance specifiques de chaque organisme preteur, banque ou institution de credit. Ainsi certaines institutions
financières considèrent une contrepartie en defaut dès quelle est classee dans
la categorie des clients douteux selon des règles et conditions precisees
par des normes comptables. Plus concrètement, le risque sur une contrepartie est avere dès quil est probable que letablissement financier ne percevra
pas tout ou partie des sommes dues au titre des engagements souscrits par
la contrepartie conformement aux dispositions contractuelles initiales, non-

1.2. DEFAILLANCE
17
obstant lexistence de garantie ou de caution. Sont alors classes en encours

douteux les encours porteurs dun risque de credit avere correspondant à
lune des situations suivantes :
i) Lorsquil existe un ou plusieurs impayes depuis trois mois au moins (six
mois pour les creances sur des acquereurs de logement et sur des preneurs de
credit-bail immobilier, jusquà neuf mois pour les creances sur des collectivites
locales, compte tenu des caracteristiques particulières de ces credits). Il ne
peut etre deroge à cette règle que lorsque des circonstances particulières
montrent que les impayes sont dus à des causes non liees à la situation du
debiteur ;
ii) La situation de la contrepartie presente des caracteristiques telles, quindependamment de lexistence de tout impaye, on peut conclure à lexistence dun
risque avere. Il en est ainsi lorsque letablissement de credit a connaissance
dune situation financière degradee de sa contrepartie, se traduisant par un
risque de non-recouvrement (existence des procedures dalerte, par exemple) ;
iii) Il existe des procedures contentieuses entre letablissement et sa contrepartie, notamment des procedures de surendettement, de redressement judiciaire, règlement judiciaire, liquidation judiciaire, faillite personnelle, liquidation des biens, ainsi que les assignations devant un tribunal international.
Par ailleurs, le declassement dun engagement dune contrepartie en douteux peut entraner un classement identique de la totalite de lencours et
des engagements relatifs à cette contrepartie. Dans la pratique bancaire, le
perimètre des clients classes en douteux est voisin du perimètre des clients
dont un credit au moins a ete provisionne ou classe dans la categorie des
arret de la comptabilisation des interets.
Finalement, la classification de la restructuration dune dette en categorie
defaut ne fait pas consensus dans le milieu bancaire. Dans la majorite des cas,
une restructuration de la dette est precedee par une constitution de provision
sur une contrepartie alors classee en defaut ; cependant, la restructuration de
la dette peut ne pas etre precedee dune provision ; elle est alors interpretee
comme une restructuration realisee aux conditions de marche, ne donnant
18
ERALIT
CHAPITRE 1. GEN
ES
pas lieu à une perte economique.
1.3
Pertes attendue et inattendue
Chaque etablissement de credit evalue le montant quil risque de perdre

en moyenne sur son portefeuille de credits à un horizon donne. Ce montant correspond aux pertes attendues et est en theorie couvert par des
provisions. Pour chaque ligne de credit, cette perte est fonction de la probabilite de defaut (vraisemblance que le defaut survienne), de lexposition à
la date de defaut, cest-à-dire du montant du capital restant d
u dans le
cas dun credit standard, et de la perte en cas de defaut qui depend du taux
de recuperation sur un credit ayant fait defaut.
Les pertes effectives peuvent cependant differer des pertes attendues du
fait de lincertitude, et une banque est tout autant preoccupee par le montant de ses pertes inattendues que par le montant des pertes attendues. La
banque cherche alors à connatre le montant maximum des pertes potentielles, qui risquent de survenir à un horizon donne avec un certain degre de
(mal) chance.
1.3.1
Composantes de la perte attendue
Afin dillustrer les composantes de la perte attendue, considerons un pret

de gre-à-gre accorde à une entreprise à une date 0. Ce pret est suppose dun
montant M remboursable à une date decheance T , avec un taux contractuel
rT . Sil ny a pas de defaillance, la valeur en T de ce credit est :
VT = M (1 + rT )T .
Sil y a defaillance, cette valeur correspond à une fraction RRT de celle
definie dans le contrat : VT = M (1 + rT )T RRT , o`
u RRT designe le taux de
recuperation.
1.3. PERTES ATTENDUE ET INATTENDUE
19
A la date de signature du contrat, il y a incertitude sur la survenance du

defaut, ainsi que sur le taux de recuperation RRT en cas de defaut. Designons
par ZT la variable indicatrice du defaut prenant la valeur 1, si un defaut se
produit, la valeur 0, sinon. La valeur du contrat à lecheance est :
VT = M (1 + rT )T [1 ZT (1 RRT )].
Dans la terminologie du Comite de Bale, la valeur contractuelle EADT =
M (1 + rT )T constitue lexposition `
a la date de d
efaillance (Exposureat-Default), RRT est le taux de recouvrement (recovery rate), LGDT =
1 RRT est le taux de perte en cas de d
efaut (Loss-Given-Default).
La valeur attendue est alors :
E0 VT = M (1 + rT )T [1 E0 (ZT (1 RRT )]],
o`
u E0 designe lesperance calculee à la date de signature du contrat, et la
perte attendue est :
E0 LT = M (1 + rT )T E0 [ZT (1 RRT )]
= EADT E0 (ZT )E0 [LGDT |ZT = 1]
= EADT P DT ELGDT ,
(1.1)
par definition de lesperance conditionnelle au defaut.

P DT = E0 ZT = P0 (ZT = 1) est la probabilit
e de d
efaut, ELGDT est le
taux de perte anticip
e (Expected Loss-Given-Default).
Remarquons que dans ce calcul, la perte attendue est calculee à la date 0,
mais affectee à la date T . Nous navons donc pas corrige du taux descompte
entre les dates 0 et T .
1.3.2
Perte inattendue
Interessons nous maintenant à lincertitude sur la perte de la date T .

Cette perte par rapport à la valeur contractuelle est :
20
ERALIT
CHAPITRE 1. GEN
ES
LT = M (1 + rT )T ZT (1 RRT ).
Au lieu de considerer la perte moyenne, on peut chercher le niveau de
perte maximal correspondant à un seuil . Ce niveau L0,T () est tel que :
P0 [LT > L0,T ()] = ,
ou de facon equivalente :
P0 [LT < L0,T ()] = 1 ,
et correspond au quantile à 1 de la loi de la perte LT evaluee à la date 0.
Ce niveau L0,T depend de la date T à laquelle peut se reveler le defaut et
de la date 0 à laquelle est faite la prevision.
Generalement le niveau est petit, ce qui assure que L0,T () > E0 LT .
La perte inattendue est par definition lecart entre ces deux valeurs, cest à
dire : L0,T () E0 LT . Ceci conduit à la decomposition :
perte maximale au niveau = perte attendue + perte inattendue au
niveau
Figure 1.1 : Pertes attendue et inattendue
Frequence des pertes
6

Perte attendue Perte inattendue
-
Montant des pertes
21
Comme :
P0 (EADT ZT LGDT < L0,T ())
= P0 (ZT LGDT < L0,T ()/EADT )
= P0 (ZT = 1)P0 [LGDT < L0,T ()/EADT |ZT = 1]
= P DT P0 [LGDT < L0,T ()/EADT |ZT = 1],
la condition secrit aussi :
P0 [LGDT < L0,T ()/EADT |ZT = 1] = /P DT .
(1.2)
Dans notre exemple, EADT est connu à la date initiale, et la perte maximale au niveau se deduit du quantile de la loi de la perte LGDT au niveau
/P DT . La formule de calcul de la perte maximale explique pourquoi le niveau est generalement choisi très petit, = 0.05% par exemple. En effet,
la probabilite de defaut est souvent faible de lordre de 1%, tout au moins
pour les notations investissement. Dans ce cas, /P DT est de lordre de
5%, ce qui correspond au seuil de confiance usuel pour le calcul sur la loi du
taux de perte global.
1.3.3
Extension `
a un portefeuille de pr
ets
La discussion peut etre etendue au cas o`

u des prets sont accordes à plusieurs firmes i = 1, . . . , n. Nous supposons pour simplifier que les dates de
signature et decheance sont les memes pour toutes les firmes. En revanche, les
montants des prets Mi , i = 1, . . . , n et les taux contractuels ri,T , i = 1, . . . , n
diffèrent. Nous designons par Zi,T , RRi,T les survenances de defaut et les taux
de recuperation, respectivement. La valeur du portefeuille de prets à la date
T secrit :
22
ERALIT
CHAPITRE 1. GEN
ES
n
X
VT =
{Mi (1 + ri,T )T [1 ZiT (1 RRiT )]},
i=1
et la perte est :
LT =
n
X
Mi (1 + ri,T )T ZiT (1 RRiT ).
i=1
La perte attendue :
E0 LT =
n
X
Mi (1 + ri,T )T E0 [ZiT (1 RRi,T )]
i=1
n
X
EADi,T P Di,T ELGDi,T
i=1
n
X
E0 Li,T ,
i=1
sobtient en sommant les pertes attendues de chaque credit figurant dans le

portefeuille.
Cette perte attendue peut etre reecrite :
n
X
E0 LT =
n
X
i=1
EADi,T
EADi,T P Di,T
i=1
n
X
EADi,T P Di,T ELGDi,T
i=1
n
X
EADi,T
i=1
n
X
EADi,T P Di,T
i=1
= EADT P DT ELGDT , disons.

Il sagit dune decomposition mettant en evidence les trois composantes
EAD, PD, ELGD au niveau agrege du portefeuille. On notera que les poids
doivent etre adaptes à la composante pour retrouver une telle decomposition.
23
La perte inattendue est definie par :

P0 [LT > L0,T ()] =
n
X
P0 [
Li,T > L0,T ()] =
i=1
n
X
P0 [
Li,T < L0,T ()] = 1 .
i=1
Elle correspond au quantile à 1 sur la somme des pertes individuelles.

n
X
Il est generalement impossible de relier ce quantile relatif à
Li,T aux
i=1
quantiles Li,0,T (), i = 1, . . . , n calcules sur chaque credit individuel (voir

Appendice 1.1). En particulier, la perte inattendue au niveau du portefeuille
nest pas egale à la somme des pertes inattendues calculees pour chaque
credit. Cette difficulte se comprend aisement du fait des liens entre defaillance
ou taux de perte des divers emprunteurs. Si ces liaisons sont positives, on
sattend à plus de reserves au niveau du portefeuille que la simple somme des
reserves pour chaque credit. Il y a des reserves supplementaires à introduire
pour couvrir les corr
elations de d
efaut et les corr
elations des taux de
recouvrement.
En pratique, la demarche precedente se revèle beaucoup plus complexe,
car :
i) le portefeuille peut contenir des prets avec des dates differentes de
remboursement, dont il faut alors agreger les pertes attendues et inattendues
de facon adequate.
ii) Pour combiner des pertes potentielles de diverses dates, il faut prendre
une date de reference par exemple la date 0, et actualiser de facon appropriee
pour ramener les valeurs VT à des equivalents valeur date 0.
iii) Lexposition à la date de defaut nest pas forcement connue à la date
t = 0, notamment pour les credits indexes.
24
ERALIT
CHAPITRE 1. GEN
ES
iv) Le taux contractuel nest pas forcement connu à la date 0, notamment

pour les prets indexes.
v) Les reserves pour couvrir le risque de perte doivent etre calculees non
seulement à la date 0, mais durant toute la vie du portefeuille.
vi) Le recouvrement a ete affecte à la date de defaut, alors quil resulte
dun processus long et complexe pouvant prendre plusieurs annees dans le
cas dentreprises ou de financements de projets.
vii) La perte est analysee independamment de la valeur de la creance en
absence de perte. Or pour les produits non echanges sur le marche, cette
valeur est elle-meme incertaine. Cette incertitude est ici negligee.
Ces remarques montrent que le calcul pratique des pertes attendue et
inattendue, valeur date 0, est beaucoup plus complexe que ne le laisse croire
les exemples developpes dans ce paragraphe [voir notamment les chapitres 6
et 7].
1.4
Notations
Lanalyse et le suivi du risque de credit nont pas debute avec la nouvelle

reglementation mise en place par le Comite de Bale. Il existe depuis longtemps des instruments de suivi de risque, notamment des notations (rating)
permettant de classer les prets ou emprunteurs selon leur niveau de risque. Ce
paragraphe rappelle comment sont obtenues et utilisees de telles notations.
1.4.1
Quest-ce quune notation ?
La notation est levaluation du risque de non-paiement en temps et en

heure de la totalite du principal et des interets relatifs à une obligation financière. Formellement, il sagit dune evaluation de la probabilite de defaillance
à un certain horizon. Il existe a priori autant de notations, que de prets, demprunteurs, de termes possibles et de definitions de la defaillance [voir 1.2 pour
les definitions de la defaillance].
1.4. NOTATIONS
25
On distingue generalement les notations presentees de facon quantitative

ou score, de celles presentees de facon qualitative ou rating. Un exemple de
score est lestimation dune probabilite de defaillance à un certain horizon,
à valeurs entre 0 et 100 (%). Des ratings peuvent se deduire de scores sousjacents, en constituant des classes de scores, le rating le plus eleve etant
attribue si la probabilite de defaillance estimee est par exemple inferieure
à 0.3 %, et ainsi de suite... Pour un rating qualitatif, lechelle de notation
comporte generalement entre 8 et 10 echelons [voir Tableau 1.1 pour les
echelons des principales agences de notation.]
Tableau 1.1 : Echelles de notation
Fitch, S & P
Moodys
AAA AA A
Aaa Aa A
BBB
Baa
BB
Ba
B CCC CC C D
B Caa Ca C D
Ces echelons sont presentes par ordre de risque croissant : AAA etant la
meilleure notation, D designant la defaillance.
1.4.2
Utilisation des notations
Des notations du pret ou de lemprunteur sont souvent utilisees en interne

pour decider des accords de credit et des caracteristiques de ceux-ci : montant,
taux du credit, duree du credit. Cependant, dautres utilisations expliquent
la necessite de notations plus uniformisees.
i) Toute emission dobligation, cest-à-dire de dette sur le marche, doit
saccompagner dune information sur la notation de la dette par une agence
de notation agreee. Le but est dinformer les investisseurs sur le niveau de
risque. Lemetteur peut choisir comme il le souhaite lune des agences agreees
et en changer lors dune emission future.
ii) Des contraintes peuvent etre imposees à certains investisseurs comme
les fonds de pension pour leur eviter de prendre des risques inconsideres.
Ainsi, on distingue habituellement les categories investissement, rating de
26
ERALIT
CHAPITRE 1. GEN
ES
AAA à BBB, et sp
eculatives de BB à D, ces dernières plus connues sous
le terme grand public dobligations pourries (junk bonds). Les fonds de
pension nont par exemple pas lautorisation dinvestir en dette speculative.
iii) Le changement actuel de la reglementation donne un nouveau role
aux notations, le montant des fonds propres reglementaires dependant de la
note.
De facon plus formelle, considerons un portefeuille de credits (voir 1.3.3),
o`
u les n firmes pourraient etre classees par categorie de notation. Notons Ik
la sous-population de firmes de notation k, k = 1, . . . , K, nk le nombre de
firmes dans cette categorie. Nous avons :
LT =
n
X
(EADi,T Zi,T LGDi,T )
i=1
K
X
k=1
{EADk,T [iIk
EADi,T
Zi,T LGDi,T ]},
EADk,T
(1.3)
o`
u EADk,T = iIk EADi,T designe lexposition totale pour la categorie
k, et o`
u le terme entre crochets est une moyenne ponderee par les expositions des produits Z LGD. Cette formule de decomposition peut etre utilisee de diverses manières (voir chapitre 6). Par exemple, si la categorie
de notation k comporte des firmes de meme type au sens o`
u les variables
(Zi,T , LGDi,T ), i Ik , seraient independantes, de meme loi, on peut, si nk
est grand et les expositions pas trop inegalement reparties, appliquer des
EADi,T
theorèmes limites et assimiler la moyenne iIk (
Zi,T LGDi,T ) à une
EADk,T
variable gaussienne. Ceci permet de simplifier les calculs de perte inattendues
puisquil suffit de calculer les deux premiers moments. Notons à ce stade que :
1.4. NOTATIONS
27
V (Z LGD)
= EV (Z LGD|Z) + V E[Z LGD|Z]
= E[ZV (LGD|Z = 1)] + V [ZE(LGD|Z = 1)]
= P D V (LGD|Z = 1) + P D(1 P D)ELGD.
Cette formule montre comment se combinent les deux incertitudes sur Z
et LGD.
1.4.3
Mise en place de score ou de rating
Il existe deux grandes approches pour attribuer des notations à des prets
ou des emprunteurs.
i) Une première approche repose sur lopinion dexperts ; on parle de score
par expertise. Elle reste preponderante pour les notations des grandes entreprises, des pays, des collectivites locales, des financements de projets. Elle
sappuie sur une analyse approfondie des bilans, des projets... et sur une
comparaison avec les notations des agences.
ii) Une seconde approche sappuie sur des analyses statistiques des defaillances
observees dans le passe pour des dettes ou des emprunteurs comparables. Elle
est preponderante pour les credits à la consommation, les prets hypothecaires,
les credits permanents (cartes de credit), les prets aux petites et moyennes
entreprises... Par son caractère plus automatique, elle est très adaptee à la
gestion des accords de credit en ligne.
La technique la plus employee est celle des mod`
ele logit [voir Gourieroux, Jasiak (2006) pour une description approfondie des diverses approches].
On se fixe un horizon de prevision de defaillance, disons un an. A partir de
credits accordes dans le passe, on construit des bases de donnees comportant
des caracteristiques de lemprunteur et du pret, xi disons, et le fait quil y ait
eu ou non defaillance durant la première annee du pret, represente par une
ERALIT
CHAPITRE 1. GEN
ES
28
variable indicatrice Zi . Ces donnees sont utilisees pour calibrer un modèle

logit :
P [Zi = 1|xi ] = [1 + exp(x0i b)]1 ,
o`
u b designe un vecteur de paramètres inconnus. La note est alors donnee par
u b designe lestimation de b. Cette note, comprise
s(xi ) = [1exp(x0ib)]1 , o`
entre 0 et 1, donne une estimation de la probabilite de defaillance au cours
de la première annee. Elle peut sappliquer à toute entreprise pour laquelle
les valeurs des variables explicatives xi sont disponibles, en particulier pour
de nouvelles demandes de pret.
Presentee ci-dessus pour un accord de pret, cette technique peut aussi
etre utilisee pour suivre le risque en cours de pret. Les variables explicatives
peuvent alors inclure dautres informations relatives au comportement de
remboursement de lemprunteur. On parle de score de comportement.
1.5
De B
ale I `
a B
ale II : nouveau capital
r
eglementaire
1.5.1
Historique de la r
eglementation
Le capital dune banque est une protection contre les pertes susceptibles
de survenir. Ce principe est retenu par les autorites de tutelle qui imposent
de respecter un niveau minimal de capital, appele capital r
eglementaire ou fonds propres r
eglementaires.
Mis en place en 1988, le ratio Cooke, elabore par le Comite de Bale 2 ,
avait pour objectif de renforcer la solidite et la stabilite du système bancaire
international et de promouvoir des conditions degalite de concurrence entre
les banques à vocation internationale. Le ratio Cooke repose sur la definition
2
Le Comite de Bale a ete lui-meme cree en 1974 par les autorites de surveillance bancaire
du G-10 : Les membres du G7, ainsi que la Belgique, les Pays-Bas, la Suède et la Suisse,
soit en fait 11 pays au total.

` BALE
1.5. DE BALE
IA
II : NOUVEAU CAPITAL REGLEMENTAIRE29
dune norme de solvabilit
e, selon une logique de calcul simple : le niveau
dexigence en fonds propres, constitue du capital, des reserves, des provisions generales et de titres subordonnes, doit etre egal à au moins 8% des
encours risques ponderes. Les ponderations dependent de la nature juridique
du debiteur, de la localisation du risque et de la duree des engagements.
Vers la fin des annees 1990, cette approche est apparue depassee parce
quelle ne prenait en compte ni les nouveaux instruments financiers (dont
entre autres le developpement de la titrisation des portefeuilles de prets
(voir Frachot, Gourieroux (1995)), ni la nature des divers types de risque
supportes par les institutions financières. En particulier, elle ne prenait pas
en consideration les s
uretes dont la banque pouvait disposer, mettait sur le
meme plan toutes les entreprises emprunteuses, quelle que soit la qualite de
leur risque, et traitait trop favorablement les credits aux Etats. Ainsi dans
la reglementation Cooke, un credit est pondere à 100% quelle que soit la
situation de lentreprise ou du particulier emprunteur ou quelles que soient
les s
uretes attachees à ce credit. Ne beneficiaient dune ponderation moindre
que les creances sur les administrations centrales ou le secteur public des
pays de lOCDE (0%), les avances faites à des banques de pays de lOCDE
(20%) et pour, les operations hors bilan, les credits documentes (20% si garantie de marchandises, 50% dans les autres cas) et les garanties emises par
la banque (50% pour les garanties de marche et 100% pour les garanties financières). Les financements en credit bail (leasing) immobilier avaient aussi
une ponderation de 50%.
Selon Bale II, la nouvelle ponderation repose sur une appreciation plus
fine des risques. Ainsi un meme credit à deux emprunteurs differents ne
necessitera pas la meme allocation de capital ; deux credits à des emprunteurs
beneficiant de la meme notation, mais nayant pas la meme structure ou pas
les memes s
uretes, ne consommeront pas les memes capitaux propres.
En outre, lamelioration de la gestion des risques dans les grandes banques
internationales les a conduit à developper progressivement des modèles sophistiques de mesure de leurs veritables risques et à calculer un capital
30
ERALIT
CHAPITRE 1. GEN
ES
economique different du capital r

eglementaire pour effectuer les allocations internes de capitaux entre leurs departements ou metiers.
Ces evolutions ont rendu obsolète un controle reposant uniquement sur
des normes de fonds propres aussi rigides que le ratio Cooke. Pour remedier
à ces defauts, le ratio Cooke, qui couvrait le seul risque de credit, a ete dans
un premier temps complete, en 1996, par des dispositions fixant de nouvelles
règles de calcul dune exigence de fonds propres liee aux risques de marche.
Le Comite de Bale, preside initialement par W. Mc Donough, qui reunit
à la Banque des Règlements Internationaux les controleurs bancaires des
principaux pays, a propose en juin 1999 un premier document consultatif
prenant en compte les autres aspects de risques (risque de credit et risque
operationnel). Ce document lie plus etroitement les normes de fonds propres
au risque effectif, mais aussi renforce le controle et uniformise linformation
financière avec pour objectif la solidite du système bancaire international.
Depuis lors, plusieurs documents consultatifs ont ete rediges et de nombreuses concertations ont eu lieu avec les banques interessees et les associations nationales. Lentree en application du nouvel accord de Bale est intervenue le 1er janvier 2006. Durant cette annee, le ratio Cooke continue detre
calcule en parallèle, mais un nouveau ratio, appele ratio Mc Donough devient la seule norme à partir du 31 decembre 2006 ( voir le calendrier dans
le Tableau 1.2).

` BALE
1.5. DE BALE
IA
Tableau 1.2 : Calendrier
1988
1996
1999
2001
Avril 2003
2004
2005
Fin 2006
Publication des premières directives de Bale I relatives aux

risques de credit
En complement de Bale I : couverture des risques de marche
par les fonds propres
Premier document consultatif dun nouvel accord sur les fonds
propres
Deuxième document consultatif et plusieurs etudes dimpact
(Quantitative Impact Studies - QIS)
Troisième document consultatif
Approbation des dispositions definitives de Bale II
Debut du delai transitoire dune annee
Introduction de Bale II dans les differents pays
Tout comme Bale I, les nouvelles directives sur les fonds propres ont valeur
de recommandation, et il appartient aux differentes nations de les adapter à
leur legislation nationale.
1.5.2
Structure de laccord B
ale II
Le nouvel accord de Bale ne consiste pas seulement à remplacer lancienne

norme de solvabilite par une autre norme, f
ut-elle plus sophistiquee. Il repose
sur une approche quantitative, mais aussi qualitative en sappuyant sur trois
piliers complementaires (Tableau 1.3) :
Pilier 1 : Il consiste en une exigence minimale en fonds propres renovee.
Cest le calcul du ratio proprement dit. La logique reste la meme, cest-àdire un rapport entre des fonds propres et un encours de risques. Lappreciation
de ces derniers est cependant modifiee par une reconnaissance des techniques
de reduction des risques et par la definition dune charge en fonds propres
pour les risques operationnels. Au total, toute banque doit avoir, au titre des
32
ERALIT
CHAPITRE 1. GEN
ES
exigences minimales en fonds propres, un ratio : fonds propres / (risque de

credit + risque operationnel + risque de marche) egal ou superieur à 8%.
Pilier 2 : Il règle le processus de controle de la gestion des risques et de la
couverture en capital par les autorites prudentielles nationales.
Les autorites de controle examinent de facon qualitative les procedures
internes mises en place par les banques pour evaluer ladequation des fonds
propres aux risques. En fonction de leurs appreciations, elles peuvent exiger
des banques un ratio de solvabilite superieur au minimum reglementaire de
8% .
Pilier 3 : Ce pilier renforce la discipline des marches et etablit des règles en
matière dinformation publiee.

` BALE
1.5. DE BALE
IA
Tableau 1.3 Les trois piliers de laccord B
ale II
Pilier I
Exigences minimales de
fonds propres
Pilier II
Surveillance par les
autorit
es prudentielles
Pilier III
Transparence
et discipline de march
e
Risque de cr
edit (nouveau),
Risque de march
e (inchang
e),
Risque op
erationnel (nouveau)
Evaluation des risques

et dotation en capital
sp
ecifiques `
a chaque banque
Obligation accrue de publication

(sur la dotation en fonds propres
et les m
ethodes d
evaluation des risques)
Les investisseurs et acteurs de marche ont en effet besoin dune information comparable, fiable et exhaustive pour evaluer les resultats des banques.
La communication financière des banques est renforcee en ce qui concerne
linformation sur la composition des fonds propres, la ventilation par secteur
economique et geographique des actifs, le système de notation interne et les
allocations de fonds propres affectes aux differents risques.
En Europe, la communaute europeenne se charge de faire appliquer les
recommandations du Comite de Bale, via la directive dadequation du capital
(Capital Adequacy Directive, CAD).
1.5.3
Le ratio de fonds propres
Dans sa nouvelle version, le ratio de solvabilite prend en compte dautres

categories de risque que le risque de credit, à savoir le risque de marche et le
risque operationnel et sexprime de la facon suivante :
ratio =
fonds propres reglementaires

8%,
risque de credit + risque de marche + risque operationnel
o`
u les elements du denominateur sont :
pour le risque de credit : les actifs ponderes en fonction de leur risque,
pour le risque de marche : le capital requis pour la couverture du risque de
marche,
pour le risque operationnel : le capital requis pour la couverture du risque
operationnel.
34
ERALIT
CHAPITRE 1. GEN
ES
Pour preserver la coherence du calcul, les montants de fonds propres requis

aux titres du risque de marche et du risque operationnel sont multiplies par
12.5, soit linverse de 8% avant de les incorporer au calcul du ratio final.
Avant de passer en revue les elements constitutifs de ce ratio, il est important de preciser la notion de bilan.
i) Le bilan dune entreprise
Le bilan dune entreprise se decompose schematiquement de la facon suivante : au passif figurent les sources de financement, incluant les capitaux et
les dettes à plus ou moins long terme.
A lactif, figurent tout ce que lentreprise a realise grace aux financements apportes et tout ce quelle possède. Il sagit des immobilisations corporelles (immeubles) et incorporelles (participations dans dautres societes),
des stocks, des creances. Le bilan est presente en equilibre, de sorte que le
total de lactif est egal au total du passif.
Les capitaux propres sont lensemble des ressources couvrant le risque
de lentreprise, cest-à-dire celles qui ne seront en principe remboursees quavec
la liquidation de lentreprise (fonds propres), ou celles qui ne doivent etre
remboursees quà très longue echeance (quasi-fonds propres).
Lactif net est lensemble des avoirs de lentreprise diminue de lensemble
de ses engagements reels ou potentiels :
Actif net = Actif immobilise + Actif circulant et financier - ensemble des
dettes= Capitaux propres - Dettes.
ii) Solvabilit
e
La solvabilit
e dune entreprise est sa capacite à rembourser lintegralite
de ses engagements en cas de liquidation totale. Elle depend de la qualite de
ses actifs, particulièrement de la facilite avec laquelle ceux-ci peuvent etre
liquides, et du montant de ses engagements (dettes).
La solvabilite, qui intuitivement correspond au rapport Dettes / Actif
net, peut egalement se mesurer par le rapport Dettes / Capitaux propres.

` BALE
1.5. DE BALE
IA
Dans le cas dune banque, les dettes sont essentiellement constituees des
depots à vue. Les actifs financiers sont constitues des credits octroyes. La
solvabilite dune banque est donc sa capacite à faire face aux demandes de
retrait de ses deposants. Cela fait partie de la responsabilite des autorites
de tutelle de sassurer que les banques sont bien aptes à faire face à ces
obligations.
Le niveau de fonds propres etant garant de la solidite financière de lentreprise, les fonds propres sont donc garants de la solvabilite de la banque
face aux pertes que les risques pris à lactif sont susceptibles dengendrer.
Le capital dune banque est la seule protection contre les pertes susceptibles de survenir. Ce principe est retenu par les autorites de tutelle qui
imposent un niveau minimal de capital.
iii) Les fonds propres r
eglementaires
Commencons par presenter le numerateur du ratio Mc Donough, cest-àdire les fonds propres reglementaires. Le dispositif reglementaire intègre dans
les fonds propres les elements du bilan suivants 3 :
Les fonds propres de base, comprenant le capital social ou assimile (actions, certificats dinvestissement, actions à dividende prioritaire), le
resultat non distribue de lexercice et les reserves consolidees, et deduisant
les actions en propre et la partie non liberee du capital.
Les fonds propres compl
ementaires4 , soit de premier niveau incluant des titres hybrides, cest-à-dire comportant des options, presentant
certaines conditions, duree indeterminee entre autres, soit de deuxième niveau incluant des dettes dont la duree contractuelle initiale est superieure à
5 ans5 .
3
La liste nest pas exhaustive et le lecteur peut se referer aux annexes de laccord pour
plus de details.
4
Les fonds propres complementaires ne sont pris en compte que dans la limite de 100%
des fonds propres de base. Au-delà, ils peuvent etre inclus dans les fonds propres surcomplementaires.
5
Au cours des cinq dernières annees de vie, une decote de 20% par annee ecoulee est
appliquee au capital emprunte.
ERALIT
CHAPITRE 1. GEN
ES
36
Les fonds propres surcompl

ementaires. Ils comprennent des instruments de dette subordonn
ee 6 dune duree initiale de plus de 2 ans, qui
ne comportent aucune condition preferentielle de remboursement, des fonds
propres complementaires de premier niveau plafonnes, des fonds propres
complementaires de deuxième niveau plafonnes à lexclusion des elements
decotes.
Dans la directive europeenne, les fonds propres de base doivent representer
au minimum 50% du total des fonds propres requis pour couvrir le risque de
credit de letablissement, le reste ne pouvant etre assure que par des fonds
propres complementaires. Ils doivent aussi representer au minimum 2/7 des
fonds propres requis pour couvrir les risques de marche, le reste pouvant etre
assure par des fonds propres complementaires et surcomplementaires.
iv) Les
el
ements du d
enominateur
Pour chaque categorie de risque (risque de credit, risque de marche, risque
operationnel), les banques peuvent appliquer lapproche standard proposee
par le Comite de Bale ou utiliser des methodes plus elaborees basees sur leurs
propres donnees et procedures. Lapproche standard necessite moins defforts de mesure de risque de la part de la banque, mais implique generalement
des niveaux de reserve plus eleves.
iv) a) La mesure du risque de march
e
Le risque de marche est le risque de perte ou de devaluation sur les positions prises suite à des variations des prix (cours, taux) sur le marche. Ce
risque sapplique aux produits de taux (obligations, derives de taux), actions,
options sur indices, devises, matières premières.
Le risque de marche sur les produits de taux et les actions se mesurent
sur la base des positions detenues par la banque pour son propre compte
dans un objectif de gain à court terme (portefeuille de transaction), par op6
Une dette est dite subordonnee quand son remboursement depend du remboursement
d autres creanciers.

` BALE
1.5. DE BALE
IA
position aux actifs detenus pour les activites normales de financement et
dinvestissement. En revanche, le capital requis pour la couverture des positions en devises et matières premières sapplique à la totalite des positions
de la banque.
Chaque categorie dinstrument necessite une methode de calcul differente,
qui consiste toujours à evaluer dabord une position, puis à calculer le capital
requis en appliquant une ponderation de 0 à 8% sur cette position.
Une methode particulièrement en vogue pour mesurer le risque de marche
sur une categorie dinstrument est la Valeur-`
a-Risque, (Value-at-Risk, ou
VaR). La VaR est le montant de perte potentielle liee à des variations defavorables
du marche sur une periode de temps fixee que lon ne depassera que dans x%
des cas. Par exemple, la VaR dun portefeuille est de dix millions dEuros
sur un jour avec une probabilite de 5%, sil y a 5% de (mal) chance que la
valeur de marche du portefeuille diminue de plus de dix millions dEuros sur
la journee (voir Appendice 1.2 pour la definition formelle de la VaR).
iv) b)La mesure du risque op
erationnel
Les fonds propres pour les risques operationnels ont pour but de couvrir le potentiel de perte pouvant resulter dune defaillance attribuable aux
facteurs humains, aux procedures et systèmes internes (par exemple panne
de systèmes informatiques ou erreur de controle interne), au risque juridique ou à la survenance devenements exterieurs susceptibles dentraver
considerablement les activites bancaires.
Les banques ont le choix entre trois approches pour calculer les exigences
de fonds propres au titre du risque operationnel.
La plus simple est lapproche de lindicateur de base (ou indicateur
unique) : les fonds propres correspondent à 15% du produit brut7 annuel
moyen atteint pendant trois ans.
Lapproche standard se base elle aussi sur le produit brut bancaire,
7
Le produit brut bancaire est lensemble des revenus des titres, interets et commissions
percues, des benefices doperations financières et autres produits dexploitation.
38
ERALIT
CHAPITRE 1. GEN
ES
mais, à la difference de la formule simple, les exigences de fonds propres sont

calculees pour les differents secteurs dactivite de la banque. Des ponderations
sont alors appliquees pour chacun des secteurs, permettant un controle plus
desagrege. Les valeurs des ponderations sont decrites dans le Tableau 1.4.
Dans lapproche avanc
ee (Advanced Measurement Approach, AMA),
les banques appliquent leurs propres methodes devaluation du risque operationnel
dans la mesure o`
u elles remplissent des critères reglementaires très stricts.
Laccord de Bale II veut inciter les grandes banques ou celles qui deploient
une activite internationale à mettre en oeuvre une approche avancee.
Tableau 1.4 : Risque op
erationnel, pond
erations
Lignes de metier
Financement dentreprises
Activites de marche
Banque de detail
Banque commerciale
Paiements et reglements
Fonctions dagent
Gestion dactifs
Courtage de detail
Ponderations
18 %
18 %
12 %
15 %
18 %
15%
12%
12%
(Source BCBS, 2004)

iv) c) La mesure du risque de cr
edit
Comme pour le risque operationnel, les banques ont le choix entre diverses
approches pour determiner leur niveau de fonds propres requis : elles peuvent
utiliser soit les evaluations externes dagences de notation agregees (approche
standard), soit leurs modèles de notations internes (NI) ; par ailleurs on distingue lapproche de base (foundation) et lapproche avancee (advanced).
Les exigences minimales de fonds propres dependent de la categorie de
contrepartie correspondante et de ses risques specifiques. Les prescriptions

` BALE
1.5. DE BALE
IA
de Bale II font une distinction entre les categories suivantes de contreparties
ou de debiteurs :
(a) grandes entreprises, (b) Etats et pouvoirs publics, (c) banques, (d)
particuliers et petites entreprises [produit de detail (retail)] et (e) participations (approche NI uniquement).
(*) Lapproche standard pondère les risques des differents credits sur la
base de notations externes dagences de notation homologuees. Les schemas
de ponderation utilises etaient simples : par exemple 100% pour tous les
credits aux entreprises. Desormais, il est possible dappliquer des coefficients
de ponderation fonction de la notation et de la categorie du debiteur. Le Tableau 1.5 indique les ponderations de risque proposees par le Comite de Bale
pour des debiteurs sur une echelle de notations de type Standard & Poors
(S&P). Selon ces ponderations, une banque doit couvrir un credit en blanc 8
d1 million dEuros octroye à une entreprise notee A (ponderation du risque à
50%) avec un capital propre de 40 000 Euros (8% de 500 000 Euros ponderes
du risque). Si la notation de la societe est inferieure à BB-, le credit doit etre
pondere à 150% et couvert à hauteur de 120 000 Euros. En revanche, si la
banque accorde le credit à une entreprise non notee par une agence externe
- ce qui est le cas de la plupart des petites et moyennes entreprises (PME),
elle doit appliquer une ponderation de 100% et constituer une couverture de
80 000 Euros, tout comme dans la reglementation auparavant en vigueur.
Les credits accordes aux particuliers et aux petites entreprises (voir Tableau
1.5) sont ponderes de facon uniforme à 75%. Les exigences de capital propre
selèvent donc à 6% (soit 8% de 75%). Les prets garantis par des hypothèques
beneficiaient dejà dun traitement preferentiel et sont desormais ponderes à
35%. A titre dexemple, un credit hypothecaire de 500 000 Euros est couvert
par un capital propre de 14 000 Euros, soit 8% de 175 000 Euros ponderes
du risque, ce qui represente une reduction de 6000 Euros par rapport à Bale
I pour le risque de credit. En revanche, les credits immobiliers pour objets
8
Lapport des s
uretes peut permettre de reduire la charge en capital propre.
ERALIT
CHAPITRE 1. GEN
ES
40
commerciaux restent ponderes à 100% 9 .

Lapproche standard se caracterise par toute une serie dautres dispositions. Les creances envers des entreprises non notees, par exemple, ne peuvent
beneficier dune ponderation des risques plus avantageuse que lEtat o`
u elles
ont leur siège. Ou encore, lautorite de surveillance prescrit une ponderation
superieure au standard de 100% pour des entreprises non notees, lorsquil y
a dejà eu defaillance des debiteurs.
Tableau 1.5a : Approche standard : pond
erations
Souverain ou
Banque
Banque
AAA
et AA
BBB
BB et B
inferieure à B
sans notation
0%
20 %
20 %
50 %
50 %
50 %
100 %
100 %
150 %
150 %
100 %
50 %
[Sources BCBS (2004)]

Pour les creances sur les banques, on peut retenir lun ou lautre des
systèmes de ponderations à condition de lappliquer à lensemble de ses
creances.
Tableau 1.5b : Approche standard : pond
erations
Grandes entreprises
Particulier et PME10
AAA,
AA
20%
75%
A
50 %
75%
BBB
et BB
100 %
75 %
inferieur
à BB
150 %
75%
sans notation
100 %
75%
[Sources BCBS (2004)]

9
Une ponderation inferieure est admise sur les marches immobiliers très developpes
et etablis de longue date, uniquement si des conditions supplementaires très strictes sont
remplies. La partie du credit qui ne depasse pas 50% de la valeur de lobjet sur le marche
ou 60% de la limite de financement peut etre ponderee à 50%. La partie, qui depasse ces
seuils, doit etre ponderee à 100%.

` BALE
1.5. DE BALE
IA
(**) Lapproche de base fond
ee sur les notations internes (NI)
(Internal Ratings Based foundation, IRB),
Lapproche NI est la deuxième facon devaluer le risque de credit et accorde à celui-ci une importance nettement plus grande que lapproche standard dans le calcul de la dotation en fonds propres. Les ponderations des
risques sappuient sur les evaluations ou notations internes des banques.
Elle est reservee aux etablissements pouvant justifier envers leurs organes
de controle dune organisation satisfaisante en matière de gestion et de mesure des risques. Les banques optant pour lapproche NI doivent operer une
separation fonctionnelle entre lunite de credit (gestion interne des credits)
et les services de vente ainsi quappliquer des standards eleves en matière de
gouvernement dentreprise (organisation adequate) et de comptabilite.
Les banques suivant lapproche NI doivent recourir, pour calculer la ponderation
du risque, aux quatre paramètres prudentiels suivants pour chaque credit
(sauf pour les credits aux particuliers). La probabilite de defaillance (Probability of Default, PD), dependante de la notation ; le taux de perte en cas
de defaillance (Loss-Given-Default, LGD) ; l exposition en cas de defaillance
(Exposure-At-Default, EAD) et lecheance effective (effective maturity, M).
Ces paramètres doivent etre estimes sur la base de donnees internes.
Le premier paramètre, la probabilit
e de d
efaillance, represente le risque
quun client ne respecte pas ses engagements (paiement periodique des interets,
amortissement) dans un delai dun an. Selon les dispositions reglementaires,
les banques doivent evaluer cette probabilite dans le cadre de leurs procedures
internes de notation des debiteurs. Celles-ci sont completees par le deuxième
paramètre, le taux de perte en cas de d
efaillance, avec une composante
specifique aux transactions. Il sagit du volume de la perte exprime en pour
cent du credit octroye. Il depend notamment de lapport en garanties. Par
exemple, le non paiement dun credit en blanc, dont le montant total doit
etre amorti, correspond à un taux de perte eleve. A linverse, un immobilier
residentiel à faible coefficient de financement represente un taux de perte bas.
efaillance, doit etre obLe troisième paramètre, lexposition en cas de d
42
ERALIT
CHAPITRE 1. GEN
ES
serve par les banques appliquant lapproche NI. Le montant du credit restant
expose au risque peut etre fixe dans le cas dune hypothèque par exemple,
de sorte que lutilisation actuelle de la ligne de credit correspond à celle escomptee. En revanche, dans le cas dun credit en compte courant, confirme
et assorti dune echeance (sans possibilite de resiliation anticipee), le montant restant expose en cas de defaillance du debiteur peut differer de celui
qui est attendu. Enfin, il faut determiner le quatrième paramètre, cest-à-dire
l
ech
eance effective. Il sagit du delai imparti à lemprunteur pour honorer
ses engagements.
Ces quatre paramètres sont ensuite pris en consideration dans les fonctions utilisees pour le calcul des actifs ponderes du risque ; ces fonctions sont
prescrites par les dispositions reglementaires et varient selon la categorie du
debiteur. Laccord de Bale II prevoit une formule specifique de ponderation
pour les credits octroyes aux Etats-entreprises-banques, une autre pour les
credits aux PME, et trois formules pour les credits aux particuliers. Ces
dernières sont les expositions adossees à des hypothèques sur limmobilier
residentiel, les expositions de clientèle de detail renouvelables (cartes de credit
notamment), et autres operations de detail.
Là encore, une couverture de 8% en fonds propres est requise [voir BCBS
(2004) pour les formules les plus recemment proposees].
Le Comite de Bale a defini deux approches pour la plupart des categories
de debiteurs : lapproche NI simple(IRB Foundation Approach) et lapproche
NI avancee (IRB Advanced Approach). Dans le premier cas, la banque estime
elle-meme la probabilite de defaillance de ses debiteurs et utilise les valeurs
fournies par lautorite de surveillance pour les trois autres paramètres de
calcul des risques. Dans le second cas, les quatre paramètres sont evalues par
la banque elle-meme. Le Tableau 1.6 presente la ponderation NI des risques
des differentes categories de debiteurs en fonction des diverses probabilites de
defaillance et des taux de perte de 10% et de 50%. Par rapport à lapproche
standard, la ponderation des risques est inferieure pour les credits à risque

` BALE
1.5. DE BALE
IA
faible et beaucoup plus forte pour les credits à risque eleve, comme le montre
lexemple suivant. Considerons un credit de 1 million dEuros, octroye à une
entreprise notee BBB ; celui-ci est pondere à 17.4% pour un taux de perte
de 10% et à 87.1% pour un taux de perte de 50%. Dans lhypothèse o`
u
la totalite du credit a ete utilisee au moment de la defaillance, les actifs
ponderes du risque selèveront à 174 000 Euros dans le premier cas et à
871 000 Euros dans le second. 8% de ces sommes devront etre couverts par
des fonds propres, de 13 920 Euros et 69 680 Euros, respectivement. A titre
de comparaison lapproche standard, de meme que celle de Bale I, auraient
dans ce cas demande un capital propre de 80 000 Euros.
Tableau 1.6 : Approche NI : Pond
erations en fonction de la
notation
Etats,
banques,
Entreprises
PME
Particuliers :
Hypothèques
/ immobilier
residentiel
Etats,
banques,
Entreprises
PME
Particuliers :
credits
renouvelables
qualifies
autres
(sans s
uretes)
Rating/probabilite de defaillance en %
A
BBB
BB
B+
B0.25
0.6
3
12
20
Taux
perte
AAA
0.05
AA
0.1
<B99.99
10%
4.5%
6.7%
11.3%
17.4%
32.3%
61.1%
78.3%
125.0%
10%
3.5%
5.3%
9.0%
13.9%
25.6%
50.5%
67.4%
125.0%
10%
1.5%
2.5%
5.0%
9.6%
28.6%
63.7%
81.3%
125%
50%
22.3%
33.6%
56.3%
87.1%
161.4%
305.2%
391.7%
625.0%
50%
17.6%
26.6%
44.8%
69.7%
127.7%
252.6%
337.2%
625.0%
50%
6.8%
11.4%
26.6%
48.0%
143.2%
318.4%
406.2%
625%
50%
7.2%
12.5%
25.2%
48.0%
143.2%
318.4%
406.2%
625.0%
44
ERALIT
CHAPITRE 1. GEN
ES
Dans lapproche NI, il faut encore observer des regles supplementaires

en fonction des categories de debiteurs. Dans le cas des PME (entreprises
dont le chiffre daffaire nexcède pas 50 millions dEuros), les exigences de
fonds propres sont reduites au moyen dune adaptation dependante du chiffre
daffaires de la formule de ponderation du risque. De plus, les credits aux
entreprises inferieurs à 1 million dEuros sont traites, à linstar de lapproche
standard, comme des credits aux particuliers.
En termes de contraintes de fonds propres, les banques les prefèrent donc
aux autres credits octroyes aux entreprises, et des prescriptions plus strictes
sont dejà prevues pour les financements speciaux. Il sagit de credits dont
le remboursement est assure principalement par les revenus tires de lobjet
finance alors quil nexiste presque pas dautre ressource financière. On peut
citer à titre dexemple les financements de projets complexes et co
uteux tels
que les centrales electriques ou les equipements routiers, les financements
dimmeubles locatifs, dinfrastructures ou de batiments.
Dans le cas des debiteurs particuliers, la probabilite de defaillance, le
taux de perte et les prets en souffrance en cas de defaillance ne doivent pas
etre definis pour chaque credit. Il suffit de les attribuer à une categorie de
creances repondant à des critères de perte bien specifiques. De plus, plusieurs formules de ponderation du risque et donc diverses exigences de fonds
propres sont prevues pour les produits de detail, selon quil sagit dexpositions adossees à des hypothèques sur immobilier residentiel, dexpositions de
clientèle de detail renouvelables qualifiees ou dautres operations de detail.
Les approches NI (simples et complexes) sinspirent des modèles developpes,
depuis le milieu des annees 90, dans les grandes banques francaises et internationales pour determiner le capital economique : à chaque emprunteur est
attachee une probabilite de defaut sur une echelle à plusieurs niveaux et à
chaque credit, est attachee une perte residuelle estimee après mise en oeuvre
des s
uretes et des garanties.
Pour les financements des activites de banque de detail (credits aux particuliers, aux professionnels et à certaines PME), lapproche standard est obli-

` BALE
1.5. DE BALE
IA
gatoire ; elle accorde un traitement plus favorable que le système anterieur du
ratio Cooke, en particulier pour les prets immobiliers avec hypothèque (mortgage) (ponderes à 35%), ou pour les prets aux petites entreprises inferieurs
à 1 million dEuros (ponderes à 75%).
Pour les financements specialises ou structures, certaines banques ont pu
faire entendre leurs arguments sur la prise en compte des covenants, s
uretes
et garanties attaches aux contrats de prets. Les credits documentes et les
garanties de marche à letranger, qui ont un sous-jacent marchandise ou performance devraient avoir une ponderation moindre (20%) que la precedente
(50%). Enfin les credits aux PME auront une ponderation plus favorable de
10 à 20%. En effet, elles representent un risque plus diversifie pour la banque
(effet de portefeuille) et sont souvent moins vulnerables que les grandes entreprises au risque systemique (crise du secteur ou evenement national).
Les principales differences entre lapproche NI et lapproche standardisee
sont les suivantes :
une meilleure differenciation des actifs du bilan en fonction du risque
individuel ;
lobligation de se fonder sur des donnees historiques solides pour calculer
la ponderation des risques ;
une autorisation des autorites prudentielles, à lissue dun examen, dappliquer lapproche NI, ainsi quune surveillance accrue des procedures de gestion des risques ;
une meilleure prise en compte des instruments de reduction des risques ;
lobligation de publication dinformations plus detaillees.
46
1.6
1.6.1
ERALIT
CHAPITRE 1. GEN
ES
Appendice
Fonction quantile et mesure de distorsion de risque
Considerons une variable X mesurant une perte potentielle. La fonction

quantile sup
erieur q() est definie par :
P [X > q()] = .
(A.1)
La fonction quantile sintroduit de facon naturelle dans la definition de la

perte inattendue (voir 1.3.2), ou dans la definition de la Valeur-à-Risque (voir
Appendice 1.2). La fonction quantile superieur nest autre que la fonction
inverse de la fonction de survie S(x) = P (X > x) = 1 F (x), o`
u F
designe la fonction de repartition de la variable.
i) Agr
egation de fonctions quantiles
La fonction quantile dune somme de pertes X + Y est difficile à relier
aux fonctions quantiles de chacune des pertes X ou Y . Ceci se comprend
facilement pour des pertes (et profits) X, Y gaussiennes. En effet, pour une
variable gaussienne X, nous avons :
P [X > qX ()] = P
X mX
qX () mX
>
X
X
= ,
si et seulement si :
qX () = mX + X 1 (1 ),
(A.2)
o`
u mX et X sont la moyenne et lecart-type de la variable X et designe la
fonction de repartition de la loi normale centree, reduite. Nous en deduisons
que :
2
qX+Y () = mX + mY + (X
+ Y2 + 2X Y )1/2 1 (1 ),
o`
u designe la correlation entre les deux pertes. Cette fonction diffère de
qX () + qY (), et ne peut meme sexprimer à lordre des seules fonctions
1.6. APPENDICE
47
quantiles qX et qY . Intuitivement, qX et qY caracterisent les lois marginales

de X et Y , et la connaissance de ces seules lois marginales ne suffit pas en
general pour deriver la loi de la somme.
Cependant, dans le cas (rare) o`
u les risques X et Y sont independants,
des inegalites peuvent etre obtenues
Proposition A.1.1 : Si X et Y sont independants ;
qX+Y (X Y ) qX (X ) + qY (Y ), X , Y .
Preuve : Nous savons que : X + Y qX (X ) + qY (Y ) dès que X qX (X )
et Y qY (Y ). Nous en deduisons que :
P [X +Y qX (X )+qY (Y )] P [X qX (X ) et Y qY (Y )] = X Y ,
du fait de lindependance. Le resultat decoule alors de la decroissance de la
fonction de survie.
QED
Ce resultat montre quil pourrait etre adapte pour les problèmes dagregation
de retenir des niveaux de risque differents pour les pertes desagregees et
pour la perte agregee. Ce nest pas loptique retenue par le Comite de Bale
et lagregation des pertes relatives aux diverses lignes des bilans, le meme
niveau de risque etant choisi pour les divers niveaux dagregation.
ii) Mesures de distorsion de risque
Si par exemple = 5% et X = LT , la perte sur un portefeuille qX (5%)
donne le niveau de perte maximale, qui ne peut etre depasse que dans 5% des
situations. Cependant, cette mesure de risque ne dit rien sur limportance
des pertes, dans les 5% de situations les plus risquees. Pour corriger cette
imperfection, dautres mesures de risque ont ete introduites et sont appelees
mesures de distorsion de risque [distorsion risk measure ou DRM],
[voir Wang (2000), Gourieroux, Liu (2006) a,b].
48
ERALIT
CHAPITRE 1. GEN
ES
D
efinition A.1.2 : Une mesure de distorsion de risque est definie par :
Z 1
(H) =
q()dH(),
0
o`
u q est la fonction quantile superieur et H la fonction de repartition dune
loi de probabilite sur [0, 1], appelee distribution de distorsion.
Lidee est de ponderer les quantiles correspondant aux divers niveaux
de risque au lieu de prendre par exemple celui à 5%, qui correspond à une
masse ponctuelle en = 5%. Examinons ce que donne ce type de mesure, si
la distribution de distorsion est une loi uniforme sur (0, ). Nous avons :
1
(H) =
1
=
q(u)du
0
xdF (x)
q()
= E[X|X q()].
La mesure obtenue calcule limportance esperee de la perte lorsque celle-ci
est importante. Cette mesure se decompose en :
E[X|X q()] = q() + E[(X q())|X q()].
Dans la litterature academique, le quantile est appele Valeur-à-Risque ou
VaR (voir Appendice 1.2 pour la definition legèrement differente du regulateur).
E[X|X q()] est appelee VaR de queue (Tail VaR) et E[(X q())|X
q()] expected shortfall.
1.6. APPENDICE
1.6.2
49
Valeur-`
a-Risque
Souvent le capital requis pour un ensemble dinstruments donne se deduit

dune mesure de risque facilement interpretable en terme de reserves, appelee
Valeur-`
a-Risque (VaR). Nous allons donner sa definition precise pour un
portefeuille actions et la relier à la fonction quantile introduite dans lAppendice 1.1 (voir Gourieroux-Jasiak (2001), Chap 16 pour plus de resultats
sur la VaR).
Considerons un portefeuille de composition donnee incluant n actifs en
quantites a = (a1 , . . . , an )0 . Designons par Wt (a) et Wt+h (a) ses valeurs aux
dates t et t + h. A la date t, la valeur du portefeuille à la date t + h est
generalement incertaine, et cette incertitude est representable par la distribution de cette valeur evaluee à la date t sachant linformation disponible
à cette date. On parle de distribution de profit et perte (Profit and
Loss distribution, P& L). On peut alors rechercher le montant de reserves Rt
(non remunerees) quil faudrait introduire pour assurer de navoir de perte
que dans une faible proportion de cas. Fixant une probabilite de perte , le
montant de reserve Rt (a, , h) est defini par :
Pt [Wt+h (a) + Rt (a, , h) < 0] = ,
(A.1)
o`
u Pt designe la loi conditionnelle à la date t. La quantite Rt (a, , h) est
donc le quantile dordre de la loi conditionnelle de Wt+h (a) (ou de facon
equivalente le quantile superieur dordre de la loi de Wt+h (a)). Le montant
de reserve depend de cette loi, de linformation disponible (do`
u limportance
de distinguer une approche standard avec peu dinformation dune approche
avancee avec plus dinformation), de la composition du portefeuille, du niveau
de risque retenu et du terme h (Il y a une structure par terme des reserves).
Le capital necessaire pour couvrir le risque comporte aussi la valeur courante
du portefeuille Wt (a). La Valeur-à-Risque definie par :
V aRt (a, , h) = Wt (a) + Rt (a, , h),
(A.2)
50
ERALIT
CHAPITRE 1. GEN
ES
apparat alors comme un quantile conditionnel de la loi de la modification de

valeur du portefeuille, puisque :
Pt [Wt+h (a) Wt (a) + V aRt (a, , h) < 0] = .
(A.3)
Dans le cas dun portefeuille dactions sans versement de dividendes, les

n
X
valeurs sont telles que Wt (a) =
ai pi,t = a0 pt o`
u pi,t designe le prix de
i=1
laction i à la date t. La loi de Wt+h (a) Wt (a) = a0 (pt+h pt ), fait intervenir

la loi conditionnelle des changements de prix pt+h pt des actifs. Les calculs
de VaR pour le risque de marche reposent donc sur lanalyse des evolutions
de prix.
Dans le cas dun portefeuille de credit, la valeur future dun portefeuille
resulte de phenomènes plus complexes : defaut, processus de recouvrement,...
mais le calcul peut etre effectue de facon similaire. On parle alors de VaR
de cr
edit [CreditVaR].
1.6. APPENDICE
51
REFERENCES
Basle Committee on Banking Supervision (2003) : The New Basel Capital Accord, Bank of International Settlements, Avril.
Basle Committee on Banking Supervision (2004) : Convergence Internationale de la Mesure et des Normes de Fonds Propres, Dispositif Revise
BRI, Juin.
Dumontier, P., et D., Dupre (2005) : Pilotage bancaire : Les normes IAS
et la reglementation Bale II, Revue Banque Edition, Paris.
Foulcher, S., Gourieroux, C., et A., Tiomo (2004) : La Structure par
Termes des Taux de Defaut et Ratings, Insurance and Risk Management,
72, 207-276.
Frachot, A., et C., Gourieroux (1995) : Titrisation et Remboursement
Anticipes, Economica.
Gourieroux, C., et J., Jasiak (2001) : Financial Econometrics, Princeton
University Press, Chap 16, Management of Extreme Risks.
Gourieroux, C., et J., Jasiak (2006) : Econometrics of Individual Risks
for Credit, Insurance and Marketing, Princeton University Press.
Gourieroux, C., et W., Liu (2006)a : Sensitivity Analysis of Distorsion
Risk Measures, W.P. Universite of Toronto.
Gourieroux, C., et W., Liu (2006)b : Efficient Portfolio Analysis Using
Distorsion Risk Measures, WP Universite de Toronto.
Moodys (2002) : Default and Recovery Rates of Corporate Bond Issuers ; A Statistical Review of Moodys Ratings Performance 1970-2001
52
ERALIT
CHAPITRE 1. GEN
ES
Standard & Poors (2002) : Special Report : Ratings Performance 2001,
Wang, S. (2000) : A Class of Distorsion Operators for Pricing Financial

and Insurance Risks, Journal of Risk and Insurance, 67, 15-36.
Chapitre 2
CREDITS ET DERIVES DE
CREDIT
Le but de ce chapitre est de decrire les categories dactifs financiers sensibles au risque de credit. Elles se composent principalement des credits
eux-memes : prets de gre-à-gre ou obligations echangeables sur le marche,
et des derives de credit. Ceux-ci peuvent etre ecrits sur des evènements de
credits, comme les Credit Default Swap (CDS) ; ils peuvent aussi etre adosses
à des lots de credits comme les Mortgage Backed Securities (MBS) introduits
pour la titrisation des credits hypothecaires, ou plus generalement les Collateralized Debt Obligations (CDO). Les derives de credit sont essentiellement echanges de gre-à-gre, meme sil est actuellement tente dorganiser des
marches plus structures et de standardiser les produits.
2.1
2.1.1
Cr
edits et obligations
D
efinition
Un credit est un contrat de pret. Ce contrat precise le montant de lemprunt et lecheancier de remboursement. Il correspond à une sequence de flux
financiers, o`
u le premier est negatif et les suivants positifs, correspondent aux
53
54
CHAPITRE 2. CREDITS ET DERIVES DE CREDIT
remboursements successifs.
Figure 2.1 : Repr
esentation des flux
6
Les flux de remboursement (nombre , dates, montants) doivent etre predetermines, mais ne sont pas forcement connus à la date de signature du contrat.
Cest notamment le cas pour les prets à taux indexe.
Les credits sont de type et de structure très varies. Certains sont des
pr
ets de gr
e-`
a-gr
e. Cest le cas des credits consommation, des cr
edits permanents (revolving), cest-à-dire des cartes de credit, des autorisations de
decouvert, des cr
edits hypoth
ecaires (mortgage), des credits de tresorerie,
mais aussi de la plupart des prets aux petites et moyennes entreprises, des
prets aux collectivites et des prets pays. Ces credits peuvent aussi etre accordes par lintermediaire de marches financiers adaptes, les march
es obligataires. Il portent alors le nom dobligations (bond). Lemprunt seffectue
par une
emission dobligations (bond issuing), acquises par divers acheteurs
ayant alors le role de preteurs. En echange du co
ut dacquisition de lobli1
gation (assimilable au montant du pret ), ils vont recevoir des paiements
reguliers ou coupons (assimilables aux flux de remboursement). Ceci permet de diversifier lensemble des preteurs, de standardiser les prets, et de
faciliter lechange ulterieur de ces contrats de prets sur le marche secondaire.
1
Après correction du co
ut de mise sur le marche.

2.1. CREDITS
ET OBLIGATIONS
2.1.2
55
Caract
eristiques dun pr
et
La definition precise de lecheancier fournit la caracteristique financière du

contrat de pret. Cette definition repose sur les valeurs de certains paramètres :
taux du contrat, indice sous-jacent lorsquil y a indexation, terme contractuel,..., et des formules expliquant comment calculer les flux de remboursement à partir de ces paramètres. Ces paramètres et formules sont specifies
dans le contrat lui meme et utilises dans les logiciels commerciaux de valorisation, de prevision, ou de suivi et controle des risques. Ces formules et
logiciels sont systematiquement audites (par les services daudit) de facon interne et externe (par la regulation) de facon à controler les risques de fraude
et/ou de modèle.
Les formules de base sont valables pour tous les types de prets, quils
soient echangeables sur le marche ou de gre-à-gre. Elles explicitent les liens
entre :
le terme contractuel H, exprime en mois,
le taux contractuel h pour le mois h,
le remboursement (mensualite, coupon) effectue au mois h : mh ,
le capital restant d
u (CRD) (remaining balance) Bh à la fin du mois h.
Ces liens sont donnes par :
(1 + h )Bh1 = mh + Bh , h = 1, . . . , H,
(2.1)
avec : H = inf{h : Bh = 0}.

Le montant de la dette Bh1 est reevalue pour tenir compte des interets
contractuels, puis partage entre le remboursement et la dette residuelle. Le
terme du contrat nest pas forcement connu en avance, notamment lorsque
taux ou mensualite sont indexes.
La formule conduit à un partage contractuel de la mensualite entre paiement des int
er
ets et paiement du principal (ou amortissement du capital) :
56
mh = IOh + P Oh ,
(2.2)
avec IOh = h Bh1 , P Oh = Bh1 Bh , les notations IO, P O etant pour

interest only, et principal only.
Les formules (2.1) montrent quil y a (approximativement) H equations
pour 3H inconnues : h , mh , Bh , h = 1, . . . , H. Ces formules peuvent etre
utilisees pour construire des contrats :
i) o`
u taux et mensualites sont predefinis, les CRD sen deduisant ;
ii) o`
u taux et CRD sont predefinis, les mensualites sen deduisant ;
iii) o`
u CRD et mensualites sont predefinis, les taux sen deduisant.
Il y a ainsi une grande flexibilite au niveau de la definition des contrats
(contract design). Ceux-ci peuvent, par exemple, etre adaptes aux possibilites
de remboursement de lemprunteur. Ainsi dans un pret relais au moment dun
changement de domicile, les premières mensualites peuvent etre egales à zero,
impliquant une augmentation du CRD en debut de contrat.
Par ailleurs, la valeur du capital restant d
u sert à fixer la somme à rembourser Bh dans le cas dun remboursement anticipe à la date h. On peut
ainsi construire des contrats insistant plus sur des remboursements dinteret
en debut de contrat de facon à rendre plus difficiles des remboursements anticipes trop rapides. En particulier, il ny a aucune raison que la suite des
taux contractuels ait une evolution proche de celle des taux de marche (voir
la discussion au chapitre 6).
2.1.3
Des contrats standards
De facon à faciliter lechange des contrats de prets ou dobligations sur

des marches secondaires, il y a une certaine standardisation des contrats.
Nous donnons ci-dessous trois exemples de contrats standards pour les credits
hypothecaires et les obligations.
et `
a taux fixe et mensualit
e constante
i) Pr

2.1. CREDITS
ET OBLIGATIONS
57
Taux contractuel et mensualite m sont supposes independant du mois.

La formule (2.1) devient une formule de mise-à-jour du CRD :
(1 + )Bh1 = m + Bh ,
qui, combinee avec les conditions initiale B0 et terminale BH = 0, donne :
Bh = B0
(1 + )h (1 + )H
.
1 (1 + )H
Le niveau de la mensualite : m = B0
de , decroissante de H.
(1 + )H
, est fonction croissante
(1 + )H 1
Lamortissement du capital vaut : P Oh = B0
(1 + )h1
,
(1 + )H 1
(1 + )h1 (1 + )H
.
1 (1 + )H
Le partage interet-principal est decrit dans la Figure 2.2.
les interets IOh = B0
Figure 2.2 : Partage Int

er
ets - Principal
Principal
Interets
ets `
a taux variables
ii) Pr
(2.3)
58
Ce sont des prets dont le taux h depend de la valeur dun indice à la

date h (Euribor 2 par exemple). Cet indice permet lajustement du taux au
cours du temps. Les frequences de ces ajustements sont fixees par contrat.
Dans un tel schema, le niveau dune mensualite nest connu quau moment
du dernier ajustement de taux la precedent.
Un pret indexe standard est celui o`
u i) la revision du taux est annuelle,
fonction dune moyenne ponderee de lindice sur x trimestres (x = 1, 2, 3 ou
4), ii) le pret indexe correspond chaque annee à un pret taux fixe, mensualite
constante.
Ecrivons alors les flux de paiement pour un contrat de terme fixe H.
(*) Pendant les 12 premiers mois, h = 0i , o`
u 0i designe la valeur de
reference calculee à partir de lindice (i pour indice), si bien que les mensualites de la première annee sont :
m h = B0
0i (1 + 0i )H
, h = 1, . . . , 12.
(1 + 0i )H 1
Le CRD à lissue de la première annee est :

B12 = B0
(1 + 0i )12 (1 + 0i )H
.
1 (1 + 0i )H
(**) La deuxième annee, le terme est diminue egal à H 12, et un nouveau

i
taux h = 12
est applique. Les mensualites de la deuxième annee sont :
mh = B12
i
i H12
12
(1 + 12
)
,
i H12
(1 + 12 )
1
et le CRD à la fin de la deuxième annee est :

B24 = B12
2
i H12
i 12
)
) (1 + 12
(1 + 12
.
i H12
1 (1 + 12 )
Cet indice mesure le taux interbancaire moyen dans la zone Euro. Euribor signifie
European Interbank Offered Rate.

2.1. CREDITS
ET OBLIGATIONS
59
De tels contrats peuvent se revèler très risques pour lemprunteur. Ainsi,

lorsque lindice sous-jacent crot fortement de facon non anticipee, les mensualites peuvent devenir peu supportables, entrainant des defauts de remboursements. Ceci sest produit il y a quelques annees de facon très importante en Italie pour des prets hypothecaires indexes sur lunite de compte
europeenne après la chute de la lire, entrainant plus de 50% de defaillances.
Il existe deux facons deviter ce risque consistant à plafonner soit les taux,
soit les mensualites. Dans le premier schema, les formules sont similaires avec
i
i
i
i
, ) . . ., o`
u
, ), min(24
, 24
remplacees ... par min(0i , ), min(12
0i , 12
designe la valeur contractuelle du plafond (Cap).
Dans le second schema, le plafond porte sur la mensualite remplacee par
min(mh , m ), o`
u m est le plafond sur la mensualite. Dans le cas o`
u le plafond
est effectif par exemple la première annee, le calcul du CRD doit etre effectue
en utilisant les formules de recurrence generales, ce qui conduit à une valeur
B12
> B12 , et ainsi de suite. Dès que le plafond est effectif pour certaines
mensualites alors BH
> BH , et les paiements doivent etre poursuivis après
H. Ainsi, le terme reel du contrat devient aleatoire.
Il est possible de combiner les effets precedents en introduisant des prets
plafonnes à la fois sur le taux contractuel et la mensualite. Il est aussi possible dintroduire des taux ou mensualites plancher (floor). Une mensualite
plancher empeche une trop grande incertitude sur le terme du credit. Ainsi
meme des prets standards apparassent très varies.
iii) Obligation `
a coupon fixe et paiement du capital in fine
Il sagit dun pret, o`
u le CRD est fixe et le capital rembourse à la fin du
contrat. Cest le pret standard pour les marches obligataires.
Supposons : mh = m, h = , Bh = B. La condition secrit :
(1 + h )Bh1 = mh + Bh
m = B
60
Les remboursements sont : m, m, . . . , m, m + B, jusquau terme contractuel. Il y a uniquement paiement dinteret aux dates intermediaires et remboursement du capital à la dernière periode (in fine). Le capital restant d
u
est constant egal à B. Sur les marches obligataires, est appele taux de
coupon, m coupon et B valeur faciale de lobligation (ou nominal).
Ce standard est un cas limite du standard precedent correspondant à une maturite infinie dans la formule (2.3) et à un remboursement anticipe effectue
après H periodes, sans penalites.
En fait, la description des produits standards est ici très simplifiee. Le
contrat doit aussi preciser ce qui arrive, lorsque les flux contractuels ne sont
pas respectes, cest-à-dire :
i) les conditions de remboursement anticipe, avec le montant eventuel de la
penalite ;
ii) les possibilites et conditions de renegociation volontaires des mensualites
et/ou du terme ;
iii) les interets de retard et la procedure dans le cas de retard de paiement
modere ;
iv) les procedures dans le cas de defaillance importante...
De nombreux produits comportent aussi des options et ne seront pas
consideres dans la suite. Cest notamment le cas des cr
edits avec option
dachat (leasing), largement utilises pour les achats de vehicules ou limmobilier dentreprise.
2.1.4
Les obligations risqu

ees
Outre les prets traditionnellement accordes de gre-à-gre, une part importante du marche de la dette risquee consiste en obligations emises par
les entreprises et certains etats. Contrairement aux prets, les obligations
sechangent sur les marches organises et sont ainsi soumises au risque de
marche (risque de taux), au risque de credit (risque de contrepartie) et, dans

2.1. CREDITS
ET OBLIGATIONS
61
une certaine mesure, au risque de liquidite.

Le rendement contractuel de ces obligations est, en general, superieur
au rendement dobligations identiques dont le risque de contrepartie est
considere comme nul (par exemple, les obligations du Tresor pour les pays de
lOCDE). La difference de rendement contractuel, ou spread, est une prime
demandee par le marche pour prendre en charge les risques de contrepartie
et de liquidite inherents à linstrument.
Les flux caracterisant de telles obligations sont plus difficiles à decrire, car
ils dependent des evènements de credit et du comportement de linvestisseur
en cas de defaillance du debiteur. De facon à illustrer ce problème, considerons
une obligation à coupon fixe et paiement du capital in fine emise à la date 0,
avec maturite H. Les flux contractuels sont : m, m, . . . , m, m + B.
Ces flux ne sont pas forcement realises en cas de defaillance de lemprunteur. Designons par Y la date de defaillance et supposons quen cas de
defaillance la dette continue à etre echangee sur le marche. Les flux veritables,
si linvestisseur revend son obligation en cas de defaillance, sont :
m, m, . . . , m, m + B, si Y > H
m, m, . . . , m, B.RRY , si Y H,
o`
u B.RRY designe le prix de revente à la date Y , et RRY le taux de recouvrement.
Pour une dobligation sensible au risque de credit, les flux veritables
diffèrent des flux contractuels par une diminution des montants esperes, car
le taux de recouvrement est generalement inferieur à 1, et par une diminution
de la duration 3 de lobligation. Ces effets peuvent etre differents, si linvestisseur ne revend pas immediatement son obligation à la date de defaut,
mais participe activement à la procedure de recouvrement (voir chapitre 6).
Ceci montre que les marches ne sont pas parfaits.
3
La duration dune obligation est sa duree de vie moyenne, compte tenu des remboursements periodiques prevus, cest-à-dire la duree moyenne ponderee par les flux de coupons
et de capital actualises aux taux contractuel.
62
Notons que, lors des emissions obligataires, les titres emis peuvent avoir
les memes valeurs faciales, les memes coupons, mais des traitements differents
en cas de defaillance, certains titres etant rembourses avant dautres, avec
eventuellement des garanties pour le remboursement. Ces ordres de priorit
e
(seniority) et de garanties (security) sont decrits dans le Tableau 2.1, par
risque croissant de non remboursement.
Tableau 2.1 : Ordre de priorit

e
Senior Secured
Senior Unsecured
Subordinated
Junior Unsecured
2.1.5
March
es obligataires
Les dettes echangees sur les marches organises sont principalement des
obligations du Tr
esor (Treasury bond ou T-bond) et des obligations
dentreprise (corporate bond). Il est important pour la gestion et le controle
du risque de credit de connatre quelques specificites de ces marches.
i) Obligations du Tr
esor
Ces obligations sont emises de facon regulière, souvent en fin de mois, et
sont très standardisees. Il sagit, sauf pour le terme très court, dobligations à
coupon et paiement du capital in fine (voir 2.1.3). Les caracteristiques varient
durant la vie de lobligation, notamment la maturite residuelle diminue.
Bien quil sagisse dun marche important, il existe peu de termes liquides.
Ceci est d
u à la procedure demission, très standardisee, mais aussi au fait
quil est difficile dassurer de forts volumes pour toutes les maturites possibles
(plusieurs milliers si celles-ci sont exprimees en jour). Il est usuel dutiliser
les donnees de marche pour reconstituer des prix pour toutes ces obligations
quelles soient très echangees ou pas. Ces reconstitutions sont habituellement

2.1. CREDITS
ET OBLIGATIONS
63
effectuees chaque jour en utilisant des methodes de lissage simples, dont la

plus classique est celle de Nelson-Siegel (1987).
Pour les principaux pays industrialises : Etats-Unis, U.K., France,... les
bons du Tresor sont generalement consideres comme sans risque4 . En fait,
les notations correspondantes sont au dessus de AAA. Ceci explique que des
bases de prix reconstitues à partir des observations de prix de bons du Tresor
soient utilisees pour definir les taux sans risque aux divers termes et etudier
leur evolution. Le Comite de Bale suit cette demarche usuelle, les eventuelles
erreurs de reconstitution relevant plus du risque de modèle que du risque de
credit.
ii) Obligations dentreprise
Il sagit aussi dun marche globalement important, mais le volume demission
est bien moindre pour une firme que pour le Tresor. Les questions de liquidite sont encore plus cruciales et rendent difficiles les reconstitutions des
structures par terme de taux firme par firme. De facon à disposer de plus
de prix de marches correspondant à des obligations dentreprise liquides, il
est usuel de mettre ensemble les transactions correspondant à des entreprises
dun meme secteur dactivite, dun meme pays et de meme notation. Ici encore ces donnees rassemblees de prix observes sont lissees, par exemple, par
une procedure de type Nelson-Siegel de facon à construire des structures par
terme de taux par categorie demprunteurs.
Il est egalement plus difficile dobtenir des donnees desagregees recensant
toutes les transactions sur obligation dentreprises avec leur caracteristiques :
prix, volume.. La base la plus connue est celle de Lehman-Brothers, institution qui publie des indices obligataires sur obligations dentreprise. Les
donnees de cette base ne sont cependant plus disponibles pour les annees
recentes et se sont revelees de faible qualite pour les annees anterieures.
iii) Remarques diverses
4
Les notations de bons du Tresor ont pu parfois etre diminuees, comme latteste
lexemple de la Suède.
64
Dautres aspects doivent aussi etre pris en compte dans les discussions
sur les valeurs des obligations.
(*) Il faut distinguer la valeur de lobligation de sa valeur cotee5 . A chaque
paiement de coupon, la valeur de lobligation diminue brusquement. Pour
eviter que les intervenants interpretent cette decroissance brusque comme
resultant dune augmentation du risque, les cotations sont lissees de cet effet.
Ce lissage porte le nom de coupon-couru (accrued yield). Pour passer des
donnees brutes (cotations) aux paiements ou aux bases servant à reconstituer
les taux, il faut imperativement appliquer lapplication inverse de celle du
coupon-couru et passer du taux actuariel au prix.
(**) Les taux dinteret sans risque dependent de lunite monetaire. Il y a
un marche obligataire en dollar, un marche obligataire en Euro (avec plusieurs
Tresors, francais, allemand,. . .). Un marche sans risque pour un investisseur
raisonnant en dollar devient risque pour un investisseur raisonnant en Euro
à cause du risque de change.
(***) Certaines obligations sont emises avec possibilite de remboursement anticipe (callable et puttable bonds), dautres sans cette possibilite.
Ces instruments financiers contiennent des options implicites. Une obligation annulable de type callable bond permet à lentreprise qui lemet de
racheter cet instrument à un prix et à un moment determine dans lavenir.
Lacquereur de lobligation a en fait vendu une option de remboursement
anticipe au debiteur. La valeur de cette option est refletee dans le prix de
cette lobligation, car le taux dinteret quil est possible dobtenir pour des
obligations de ce type est plus eleve que le taux dinteret fixe par le meme
debiteur sur une emission sans option. Les obligations de type puttable
bonds presentent le cas inverse.
Les cotations sont effectuees en taux actuariel (yield) et non directement en prix.
DU RISQUE DE CREDIT
2.2. LE MARCHE
ET SON EVOLUTION
65
2.2
2.2.1
Le march
e du risque de cr
edit et son
evolution
D
eriv
es de cr
edit
Un derive de credit est un actif financier, dont les flux de paiement (dividendes, coupons, remboursements) et les valeurs futures sont sensibles aux
evènements de credit, comme la defaillance, la renegociation de dette, ou la
degradation de la notation, vue comme information sur le risque individuel.
En ce sens, tout actif associe à un pays, une collectivite, une entreprise ou un
menage est un derive de credit, quil sagisse dune obligation, dun pret de
gre-à-gre echange sur un marche secondaire, dune action, ou dune option sur
action. Le but de ce paragraphe est de presenter des produits derives introduits recemment sur les marches pour permettre aux institutions de credits
de se refinancer de facon plus flexible, mais aussi de se couvrir, cest-à-dire
de sassurer contre des evènements de credit particuliers comme :
i) la defaillance dune firme dans les deux ans à venir ;
ii) la degradation de sa notation en investissement speculatif dans les deux
ans à venir ;
iii) lapparition de faillite en chane dans un secteur dactivite donne, un pays
donne, pour une periode donnee ;
iv) le fait que le taux de recouvrement en cas de defaillance dune firme
donnee, à une periode donnee soit inferieur à 80 %...
Comme toujours dans de tels cas, ces produits peuvent etre utilises dans
leur optique initiale soit de refinancement, soit de couverture. Par exemple,
ils sont achetes, sil apparat moins co
uteux de sassurer via de tels produits
que de sautoassurer. Ils servent ainsi i) pour couvrir un risque en preservant
une relation commerciale, ii) pour reduire le risque de concentration, si
trop de credits ont ete accordes à une meme entreprise ou à des emprunteurs
de profils proches, iii) pour transferer le risque de credit ou les contraintes de
reserve obligatoire sur dautres intervenants. Ce dernier aspect est pour nous
particulièrement important, puisque, transferant une partie du risque, lorganisme preteur a besoin de moins de reserves, et ce gain dans le financement
66
des reserves peut permettre de compenser une partie du co

ut de lassurance.
Comme les besoins dassurance sont très varies, de tels produits sont souvent
construits à la demande et sur mesure, et sont alors peu liquides.
Cependant, il sagit dune classe de nouveaux actifs, dont certains peuvent
etre standardises pour creer des marches plus liquides. Ces actifs peuvent etre
introduits dans les portefeuilles pour ameliorer leurs performances. Ils servent
ainsi à creer des positions de credit synthetiques, qui ne pourraient exister
avec les produits usuels, et à creer des effets de levier.
Comme on le voit, les derives de credit decouplent les fonctions de financement et de transfert de risque, et permettent de desagreger la gestion du
risque de credit de lactif sous-jacent.
On peut distinguer deux grandes familles de derives de credit :
des instruments en nom unique (single-name) : il sagit des derives
de credit portant sur une seule entite sous-jacente. Ils concernent essentiellement des emprunteurs importants : pays, grandes entreprises.
des instruments de portefeuille dautre part.
Parmi les instruments en nom unique, on distingue :
i) Les produits derives sur risque de defaut : ils permettent à leurs detenteurs
de se proteger contre des evenements de credit. Ils comprennent les Credit
Default Swap (CDS), les Credits Linked Notes (CLN).
ii) Les produits derives sur differentiels de taux ou Credit Spread Derivatives : ils permettent à leurs detenteurs de se premunir contre les mouvements des ecarts de taux entre obligations risques et obligations sans risque.
Ce sont principalement des contrats à terme (Credit Spread Forward) ,
ou des options dachat ou de vente sur un niveau de differentiel de taux pour
une maturite residuelle donnee (Credit Spread Option).
On peut distinguer deux types dinstruments ecrits sur plusieurs noms.
i) Un premier type dinstrument est lextension directe à plusieurs noms
des CDS. Il peut sagir de CDS doubles (Two-way CDS) ou de contrats sur
DU RISQUE DE CREDIT
2.2. LE MARCHE
ET SON EVOLUTION
67
panier ou Basket Default Swap (BDS).
ii) Dautres instruments resultent dop
erations de titrisation (securitization). Une telle operation consiste à revendre sur le marche des parts dun
portefeuille (pool) de credits ou de derives de credits après avoir demembre
les flux de remboursements. Le demembrement permet de proposer des produits plus homogènes (stripped securities) vis-à-vis du terme, de la rentabilite esperee, du risque sous-jacent... Ces produits peuvent etre bases sur des
credits de divers types : prets hypothecaires (Mortgage Backed Securities, MBS), dont le marche represente à peu près trois fois celui des bons
du Tresor, prets de gre-à-gre aux entreprises [Collaterized Loan Obligations (CLO)], obligations dentreprises [Collaterized Bond Obligations
(CBO)].
2.2.2
Le march
e du risque de cr
edit
Le marche du risque de credit a vu son offre de produits derives exploser ces dernières annees sous la pression de la demande des institutions
financières, qui veulent à travers ces produits acheter et vendre du risque,
pour ajuster leur ratio de solvabilit
e, mais surtout à travers cela liberer
leurs fonds propres au profit de nouvelles transactions.
Le marche des produits derives connat une très forte croissance depuis le
debut des annees 2000. Dans son rapport semi-annuel publie le 28 septembre
2005, lAssociation internationale des swaps et des produits derives (ISDA International Swap & Derivatives Association) 6 , qui regroupe les 650 plus
gros courtiers en produits derives, indique que le volume des encours en produits derives de credit selève à 12 430 milliards de dollars à la fin du mois
de juin 2005, soit 48 % de plus quau debut de lannee (8 420 milliards de
dollars) et 128 % de plus quà la meme epoque de 2004 (5440 milliards de
dollars fin juin 2004). Cet encours etait de 2 306 milliards de dollars en 2003
(Risk Magazine 2003), soit une augmentation de plus de 50% par rapport à
6
Il sagit du nom recent de lasssociation. Auparavant, ISDA signifiait International

Securities Dealers Association.
68
lannee precedente 2002. Selon lagence de notation Fitch, les fonds darbitrage 7 (hedge-funds) controlent actuellement 30 % du volume des produits
derives de credit.
En 2003, lessentiel de lencours se repartit sur les Credit Default Swaps
(73%) et les produits sur paniers de credit (22%), en particulier tous les
produits synthetiques tels les Collateralized Debt Obligations et les Tranche
Default Product (TDP). Le reste de lencours est constitue de Credit Linked
Notes, de Total Rate of Return et de Spread Option.
Les banques sont les principales utilisatrices de produits derives de credit.
Ceci est d
u à leur utilisation massive des CDS pour couvrir leurs portefeuilles
de creances et leurs positions synth
etiques 8 . Lactivite de couverture engendree par lemission de CDO synthetiques a, pour la première fois, permis
de satisfaire à la demande dachat de protection provenant des gestionnaires
de portefeuille de creances. Les principaux investisseurs dans les positions
synthetiques restent les compagnies dassurance, qui detiennent 65% des
TDP et 81% des CDO emis par les banques qui veulent couvrir le risque
de credit de leur portefeuille de creances en vue de reduire leur charge en capital economique. Les fonds speculatifs participent desormais activement à ce
marche et sont regulièrement acheteurs de CDS pour leur activite darbitrage
dobligations convertibles.
2.3
2.3.1
Instruments en nom unique

Credit Default Swap
Un swap de d
efaut ou credit default swap (CDS) est un contrat
bilateral entre un acheteur (A) et un vendeur de protection (B), concernant
un evenement de credit dun tiers (C), appele entit
e de r
ef
erence. Le CDS
7
Aussi nommes fonds speculatifs dans la presse.

Une position synthetique est une position de credit courte ou longue (cest-à-dire
acheteuse ou vendeuse de protection) obtenue à partir dun portefeuille de CDS, donc
sans pret effectif de capital.
8
2.3. INSTRUMENTS EN NOM UNIQUE
69
est le plus simple des produits derives de credit et constitue une brique de
base (ou le sous-jacent) de produits derives plus complexes. Dans ce contrat,
la partie A achète auprès de la partie B, sur une periode predeterminee, une
protection contre le risque de perte en cas de defaut de lentite de reference
C. Ce defaut est declenche par un evenement de credit formellement specifie
dans le contrat.
Le contrat a une maturite donnee, mais se termine prematurement si
levenement de defaut a lieu. Les evenements de credit peuvent etre definis
de plusieurs facons, mais font generalement reference à la documentation
legale ISDA [ISDA (2003)]. Les plus courants sont :
i) Le defaut de paiement sur les interets ou le principal dun pret ou dune
obligation.
ii) Les faillites et les procedures judiciaires similaires, comme se mettre
sous la protection du Chapitre 11 aux Etats-Unis.
iii) La restructuration de la dette du debiteur par ses creanciers. Mais
actuellement, cette clause nest plus acceptee par le marche.
Le contrat doit de plus specifier les obligations de lacheteur et du vendeur.
En echange de la protection, lacheteur verse periodiquement au vendeur une
prime fixee dans le contrat jusquau defaut de lentite, sil y a defaut ou
jusquà la maturite du swap, sil ny a pas defaut. La prime periodique,
qui constitue la jambe fixe du swap, est exprimee en points de base 9 du
notionnel du swap, est appelee diff
erentiel du swap de d
efaut ou prime
du swap de d
efaut. Meme si le montant des primes est fixe dès le debut
du contrat, le nombre de versements par lacheteur reste incertain, le contrat
9
Un point de base vaut un centième de 1 pour cent, soit 1/10 000. Les points de base
(basis point ou bp en anglais) servent à exprimer des differences de rendement infimes. Il
est plus facile de dire que le rendement dun titre X vaut 10 points de base de plus que celui
dun titre Y plutot que de dire que ce rendement represente un dixième de 1% de plus.
On utilise ce terme egalement pour les taux dinteret. Un taux dinteret de 5,0% est 50
points de base au-dessus dun taux dinteret de 4,5%. Ainsi, 50 points de base equivalent
à 0,50%, 25 points de base à 0,25%, etc.
70
pouvant se terminer avant la maturite contractuelle en cas de defaillance de

lentite.
Par ailleurs, le vendeur de protection effectue un paiement contractuel
(appele partie contingente du swap) à lacheteur de protection si un evenement
de credit survient avant la maturite du swap. Ce paiement est par exemple la
difference entre le nominal de la dette couverte par le swap (ou notionnel du
swap) et un taux de recouvrement estime de facon contractuelle à linstant
du defaut. Ce paiement est effectue soit à la date de defaut avec un decalage
contractuel, soit à la date de maturite du swap.
Figure 2.3a : Sch
ema classique dun CDS
'
'
Acheteur
de
protection
&
paiement dune prime

periodique
Vendeur
de
Versement du Notionnel
evenement de credit
si
protection
&
Figure 2.3b : Sch

ema classique dun CDS
'
Acheteur
'
paiement dune prime

periodique
de
protection
Vendeur
de
(Pair-valeur
de recouvrement)
protection
si evenement de credit
&
&
De facon à standardiser les produits, les participants du marche des CDS

ont adopte des echeances fixes aux 20 mars, 20 juin, 20 septembre et 20
71
decembre pour le versement des primes). De facon plus exceptionnelle, et

particulièrement dans la perspective dune defaillance imminente, la prime
peut etre payee sous forme dune soulte (upfront fee), dès la conclusion du
contrat. Cette soulte est exprimee en pourcentage du notionnel et non plus
en points de base. Ainsi, à lapproche dun defaut, le vendeur de protection
demandera à recevoir 20 % du notionnel de la part de lacheteur de protection
en un seul versement au debut du contrat.
Les echeances du CDS peuvent etre de un, trois, cinq, sept ou dix ans.
La standardisation a permis dechanger les CDS sur un marche organise.
iii) Type de r
eglement
Les paiements peuvent etre effectues par livraison de titres de lentite de
reference : on parle de r`
eglement physique (physical settlement), ou en
espèces : on parle de r`
eglement en esp`
eces (cash settlement).
Pour comprendre cette difference de reglement, il faut considerer un CDS
emis pour couvrir une dette specifique de lentite, disons une obligation
dun certain montant nominal emise par cette dernière (ou un autre type
de creance), un paiement contractuel lie au taux de recouvrement sur cette
meme dette.
Sous le regime du règlement physique, lacheteur de protection livre le
titre obligataire emis par lentite de reference (ou une creance bancaire quil
detient sur lentite de reference), en echange du paiement du pair dans le cas
de lobligation (du capital restant d
u dans le cas dun autre type de creance).
Lobligation (ou la creance bancaire) sur lentite de reference doit satisfaire
à certaines caracteristiques : elle doit etre libellee dans une devise du G 7
(dollar US, livre sterling, dollar canadien, yen ou euro) ; elle ne peut avoir
une maturite superieure à 30 ans, et ne peut donc etre subordonnee.
Sous le regime du règlement en espèces, la dette de lentite de reference
est generalement valorisee au prix de marche. Le vendeur de protection paie
à lacheteur de la protection la difference entre la valeur contractuelle du titre
72
et son prix de marche, ou encore la difference entre la valeur contractuelle

et une valeur estimee de recouvrement. Le taux de recouvrement estime au
moment du defaut est etabli à partir de la valeur de marche des obligations
de reference. Les parties au contrat effectuent un sondage auprès des teneurs
de marche pour determiner le pourcentage du pair correspondant au taux de
recouvrement espere. Ainsi, les titres obligataires Parmalat se traitent depuis
le depot de bilan intervenu fin decembre 2003 sur un niveau de 20 % du pair,
ce qui signifie un taux de recouvrement espere de 20 %.
Les participants de marche privilegient le règlement physique. Ceci sexplique par le fait que le vendeur de protection, qui recoit les titres en echange
de son paiement du pair, peut esperer une amelioration ulterieure de la situation de lentite de reference. Le recours au règlement physique permet,
contrairement au règlement en espèces, de ne pas figer les pertes au moment
du defaut , mais de les repartir sur les dates futures. Les prix de CDS avec
reglement physique et avec reglement en espèces seront donc differents.
De facon à comprendre le fonctionnement dun CDS, considerons un
exemple. Une contrepartie A souhaite se proteger auprès dune autre contrepartie B contre le risque de defaut sur une dette dun emprunteur C, lentite
de reference, sur une maturite de 5 ans pour un montant de 10 millions
dEuros. La prime de swap de defaut cote 90 points de base. Le montant
que lacheteur de protection doit verser periodiquement est de 90 000 Euros
par an. Si un evenement de credit se produit, le vendeur de protection doit
verser le paiement contractuel contingent. En cas de règlement physique, le
vendeur de la protection B verse à lacheteur A le notionnel du contrat, soit
10 millions dEuros, et lacheteur lui livre en retour des titres de lentite de
reference. En cas de règlement en espèces, le vendeur de protection verse une
soulte à lacheteur, egale au notionnel moins la valeur de marche des titres de
lentite de reference. Si le taux de recouvrement, calcule à partir de cotations
obtenues quelques temps après le defaut, est de 40%, le montant verse par
B est de 6 millions dEuros. Quel que soit le type de versement (physique
ou espèces), lacheteur de la protection verse au vendeur la prime annuelle
73
courue jusquà la date devenement de defaut.

iv) Types de CDS
Il peut exister des CDS de types très varies, et les contrats doivent etre
examines avec soin avant toute analyse du risque concernant de tels actifs.
Nous donnons ci-dessous une description des flux de paiement pour de tels
CDS. La prime est notee P r, la soulte S, le paiement en cas de defaut P , la
date potentielle de defaut Y , la date de debut de contrat T0 et la maturite
H.
Soulte avec paiement contractuel unitaire `
a la maturit
e
Les flux sont : S à la date T0 ,
P = 1, à T0 + H, si Y T0 + H,
0, à T0 + H, si Y > T0 + H.
Ce CDS particulier est dans la suite appelee CDS digital et correspond

à un taux de recouvrement contractuel nul.
Soulte avec paiement contractuel unitaire `
a la date de d
efaut
P = 1, à la date Y, si Y T0 + H,
0, sinon.
Soulte avec paiement dun taux de perte estim

e`
a la maturit
e
P, à la date T0 + H, si Y T0 + H,
0, à T0 + H, si Y > T0 + H.
74
Primes avec paiement dun taux de perte estim

e`
a la maturit
e
Les flux sont : P r, P r, . . . , P r jusquà T0 + H, si Y > T0 + H,
P r, P r, . . . , P r jusquà Y 1,
et P à T0 + H, si Y T0 + H.
Primes avec paiement dun taux de perte estim
e`
a la date de d
efaut
Les flux sont : P r, P r, . . . , P r jusquà T0 + H, si Y > T0 + H,
P r, P r, . . . , P r jusquà Y 1, et P à Y , si Y T0 + H.
Les exemples ci-dessus montrent deux grandes categories de CDS : celles
avec paiement contractuel connu à la signature du contrat (P = 1) ne sont
sensibles quà la date de defaillance ; celles, qui font intervenir le taux de
perte estime P = 1 RR, dependent aussi du phenomène de recouvrement.
Les premières assurent un seul type devènement de credit, et les secondes
deux types devènements.
Il est usuel quà la signature dun contrat de CDS avec primes le prix du
CDS soit nul. Cependant ce CDS peut etre echange ulterieurement et a alors
un prix non nul, fonction des anticipations des flux de paiement residuels.
v) La terminologie
Il reste à expliquer pourquoi le mot swap apparat dans lappellation du
produit. Un CDS avec primes et paiement contractuel unitaire à la date de
defaut peut etre vu comme un contrat dassurance sur la defaillance dune
entreprise 10 . Les CDS auraient donc pu etre introduits sur des marches
dassurance. Il a paru plus adapte pour des questions de reglementation et
de developpement rapide du marche de les assimiler à des actifs financiers.
Do`
u la terminologie financière swap.
10
Cependant cette assurance sur la vie de lentreprise nest pas necessairement souscrite
par lentreprise elle-meme.
75
Mais que signifie le terme de swap ? Le marche des swaps (le verbe anglais
to swap signifie echanger en francais) est la place sur laquelle seffectue
un echange (de taux dinteret, de defaut,...). Par exemple, un swap sur taux
dinteret represente un echange de taux entre un taux fixe et un taux variable.
Plus concrètement, imaginons quune entreprise ait contracte un engagement
à un taux fixe. Cette entreprise prevoit cependant un eventuel flechissement
des taux dinteret. Que doit-elle faire ? Elle cherche à echanger son taux fixe
contre un taux variable, car elle prefère devoir servir sur sa dette un taux
dinteret qui suive levolution des taux du marche plutot quun taux fixe. Elle
sadresse à une banque par exemple et lui demande de prendre en charge le
paiement du taux fixe tout en lui cedant le paiement de taux variables. Cest
ainsi que nat une operation de swap entre les deux parties.
Avec cette interpretation, un CDS apparat comme un swap entre un taux
sans risque et le taux risque correspondant au produit dassurance.
vi) Utilisation des CDS
Les derives de credit permettent aux institutions financières de gerer leur
risque de credit de facon active. Un exemple simple permet de comprendre
leur importance pour une banque dans sa politique de reduction de risque. Le
Tableau 2.2 indique les cotations de CDS pour quatre entreprises francaises
sur le marche le 13 juillet 2006. La deuxième colonne contient les notations
S&P pour chacune des quatre compagnies retenues dans lexemple. Les trois
autres colonnes donnent les prix dachat et de vente selon la maturite (3, 5 ou
10 ans) exprimes en points de base. Il sagit toujours de multiples de 1/12. Un
CDS à dix ans contre le defaut de la firme Total sachète 15.25 points de base
par an et se vend 13.25 points de base par an. Les prix augmentent avec la
maturite et avec la degradation de la notation. Lamplitude de la fourchette
prix dachat-prix de vente depasse 10%, ce qui reflète la faible liquidite de
ces titres.
76

Tableau 2.2 : Cotation de CDS le 13 juillet 2006, 12.57
Compagnie
Total
Axa
Vivendi
Alcatel
Notation
AA
A
BBB
BB
Maturite
3 ans
5 ans
achat vente achat
vente
5.750 3.250 9.800
6.200
13.000 10.250 19.799 16.799
36.000 32.333 56.250 52.500
49.000 46.500 102.000 98.333
10 ans
achat
vente
15.250 13.250
33.000 29.000
88.750 84.625
149.833 147.166
Supposons maintenant quune banque A ait une exposition de 10 millions

dEuros sur Vivendi. Elle peut acheter une protection Vivendi de maturite
5 ans auprès du teneur de marche, soit le versement dune prime annuelle
de 56 250 Euros et reporter une partie du risque Vivendi sur le teneur de
marche. Elle peut aussi vouloir echanger une part de son risque sur Vivendi
contre le risque dune entreprise dun autre secteur dactivite. Elle peut alors
vendre un CDS de valeur 10 millions dEuros à maturite 5 ans sur AXA, et
acheter pour la meme maturite un CDS sur Vivendi. Elle encaisse une prime
de 19 799 Euros annuel et paie 56 250 Euros, soit un co
ut net de 36 451
Euros annuel ou 36.451 points de base (à condition quaucune des firmes ne
fasse defaut durant la periode, sinon...). Cette strategie montre que les CDS
peuvent servir à reduire le risque de credit par la diversification.
2.3.2
Credit Linked Notes (CLN)
Les CLN sont des emprunts obligataires emis par une banque qui veut se
proteger sur un actif conclu avec une contrepartie, dont le remboursement
est conditionne par la non-defaillance de cette contrepartie (non survenance
dun evenement de credit).
Ces produits sont assimilables à des obligations risquees partiellement assurees contre le risque de defaut. Comme pour tout autre actif, la sequence
des flux doit etre definie de facon très precise. Donnons un exemple de
77
CLN en nom unique adossee à une obligation risquee de flux contractuels :

m, m, . . . , m, m + B, le dernier flux arrivant à la maturite H. Il est possible
de sassurer contre la defaillance en achetant un produit similaire o`
u, en cas
de defaillance, on recoit la valeur faciale B à la date de defaillance au lieu de
B.RRY . Cette assurance a un co
ut. Les flux du produit sont :
m , m , . . . , m + B (à la date H), si Y > H,
m , m , . . . , B (à la date Y), si Y H,
au lieu de :
m, m, . . . , m + B (à la date H), si Y > H,
m, m, . . . , B.RRY (à la date Y), si Y H,
pour lobligation risquee initiale.
La difference entre les deux sequences de flux est du type :
m m, . . . , m m (à la date H), si Y > H,

m m, m m, . . . , B(1 RRY ) (à la date Y), si Y H.
Elle correspond à un CDS avec prime de m m > 0 et paiement dune
perte estimee à la date de defaut. Ainsi le CLN nest autre quun portefeuille
comportant une obligation risquee et un CDS approprie. Ce produit consiste
à remplacer une contrepartie defaillante par un remboursement anticipe et
permet de se couvrir contre le risque de diminution des paiements attendus,
mais pas contre la diminution de la duration.
Le CLN permet donc à un investisseur dacheter un titre synthetique
offrant toutes les caracteristiques dune obligation risquee, tout en beneficiant
dun rendement superieur. Par exemple, linvestisseur peut associer lachat
78
dun certificat de depot remunere autour du taux Euribor et la vente dune

protection via un CDS 11 .
Il existe cependant quelques differences fondamentales entre un CLN et
une obligation classique :
Le CLN est peu liquide et se traite sur le marche de gre à gre (absence
de marche secondaire), car il repond très souvent aux besoins dun
investisseur specifique ;
Le CLN ne peut donner lieu à un refinancement avantageux sur le
marche de la pension livree ;
Le risque supporte par lacheteur de CLN est different de celui supporte
par un detenteur dune obligation. En effet, le risque pour le porteur de
lobligation est limite au risque de deterioration de la qualite de credit
de lentite de reference, alors que le risque sur le CLN porte aussi bien
sur lentite de reference que celui lie au CDS (lentite acheteuse de
protection via le CDS setant engagee à verser des primes periodiques).
Cette double exposition au risque expliquerait en partie le surcrot de
rendement.
2.3.3
Des extensions directes `

a plusieurs noms
Les CDS ne permettent pas de se couvrir contre les defaillances en cascades. Il est pourtant frequent que la faillite dune grande entreprise entraine
la faillite dautres entreprises. A titre dexemple, la faillite en 2003 de la
firme ENRON a entraine celle du cabinet daudit Arthur Andersen. Ce type
de risque est connu sous le nom de risque de contagion. Cest pour traiter
ce type de risque de dependance que sont apparus sur le marche ces dernières
annees des derives de type CDS ecrits sur plusieurs noms.
i) Two-way credit default swap
Ces produits permettent un echange dexposition dans un but de gestion
et de ventilation de risques concentres sur un client ou un secteur dactivites.
11
Cette strategie sapplique cependant aux entites de reference de bonne qualite
79
Considerons par exemple deux banques, lune ayant comme gros client Renault, et lautre ayant comme gros client France Telecom, et supposons que
les deux banques aient adopte une politique interne de limitation dexposition
au risque de credit dune contrepartie.
Si Renault et France Telecom demandent des prets à leurs banquiers
habituels pour developper de nouveaux produits, les banques ne voudront
certainement pas leur refuser les prets sous pretexte que leur niveau dexposition envers eux est juge trop eleve. Une solution est que les deux banques
concluent un swap de defaut sur un montant notionnel, generalement similaire, sauf si lun des deux emetteurs est juge plus risque que lautre. Dans
ce cas, une prime de risque supplementaire sera versee à la banque supportant lemetteur de moins bonne qualite. Ainsi, les deux banques ont garde de
bons rapports avec leurs clients, tout en respectant leur politique interne de
controle de risques, ventilant leurs risques sur plusieurs emetteurs et plusieurs
secteurs.
ii) Basket Default Swaps
Un Basket Default Swap, ou BDS, est un contrat dassurance contre des
defauts relatifs à un panier de prets, cest-à-dire demprunteurs. Le contrat
fournit à son acheteur une assurance sur lensemble des actifs du panier, pour
une maturite donnee, mais nest en aucun cas la somme des CDS de chaque
actif le constituant.
La taille des paniers sous-jacents peut varier de cinq à plusieurs centaines
de prets. Les BDS ont des caracteristiques proches de celles des CDS, à
lexception de la definition de levènement de credit. Considerons un panier
de N emprunteurs. Divers evènements de credits peuvent etre consideres.
Un titre first-to-default basket avec paiement unitaire, à la date de
defaillance paie 1 au moment o`
u lun quelconque des emprunteurs fait defaut
parmi les N , si ceci se produit avant la maturite contractuelle.
Un titre nth -to-default basket avec paiement unitaire à la date de defaillance
paie 1 au moment o`
u n quelconques des emprunteurs ont fait defaut parmi
les N , si ceci se produit avant la maturite contractuelle.
80
Il est evidemment facile detendre les definitions precedentes pour avoir

des paiements de pertes estimees aux diverses dates de defaillance.
2.4
2.4.1
Produits structur
es
Titrisation
La titrisation est une technique de gestion consistant à creer des produits

echangeables sur les marches obligataires à partir dun ensemble de creances.
Ces produits doivent avoir des caracteristiques contractuelles semblables à
celles dobligations comme un nominal, des coupons, des notations... Cette
transformation dactif passe par lintermediaire dune entite juridique particulière ou v
ehicule [Special Purpose Vehicle (SPV)]. En France, ce
sont les Fonds Communs de Cr
eances (FCC) qui servent de vehicule depuis la reforme de leur statut juridique intervenue en novembre 2004 (voir
lAppendice 2.1 pour plus de renseignements sur les FCC).
i) Deux types de titrisation
Un etablissement financier possedant un ensemble de creances ou de
credits auprès demprunteurs individuels ou institutionnels peut ainsi choisir de les titriser. Pour ce faire, il cree un FCC juridiquement independant,
à qui il vend ses creances. Cette etape est fondamentale, car elle permet
à letablissement, dune part, de transferer le risque de credit au FCC, et
dautre part de retirer les creances titrisees de son bilan. En contrepartie,
le FCC emet des tranches de differents profils rendement/risque duration,
revendues aux investisseurs et souvent appelees CDO de bilan.
Il peut aussi y avoir des operations de titrisation ayant pour but de
beneficier des ecarts de remuneration entre les tranches titrisees et le portefeuille sous-jacent. Dans ce cas l arrangeur, souvent une banque dinvestissement ou une societe de gestion dactifs, assemble le portefeuille sous-jacent
via des achats sur le marche. Ces achats portent souvent sur des actifs assez
liquides, tels des obligations dentreprises. Les titres emis sont appeles CDO

2.4. PRODUITS STRUCTURES
81
darbitrage.
Figure 2.4 : Op
eration classique de titrisation (CDO de bilan)
Actif de
Actif
la banque
A lactif, la
banque evalue
ses credit
et recoit du
liquide en
echange
du SPV
liquide
cession
de
creances
portefeuille
de
creances
Passif
du SPV
Tranche senior
(AAA-A)
Tranche
subordonnee
A-B
Tranche junior
BBB-C
Tranche Equity
ii) Le support
Les produits titrises se distinguent dabord par le portefeuille support,
qui concerne soit des credits, echangeables ou non sur le marche, assures ou
non contre la defaillance, soit des derives de credits. Il est usuel demployer
des noms differents pour les produits derives selon le support.
Tableau 2.3 : Supports
support
prets de gre-à-gre
obligations
prets de gre-à-gre assures, hypothecaires
prets de gre-à-gre assures, consommation, automobile
CDS
CDO
derive de credit
CLO
CBO
MBS
ABS
CDO synthetique
CDO de CDO ou CDO2
82
avec CLO : Collaterized Loan Obligations,

CBO : Collaterized Bond Obligations,
MBS : Mortgage Backed Securities, subdivisees en residentiel
(Residential MBS ou RMBS) et commercial (Commercial MBS,
ou CMB), parfois aussi nommees : Collaterized Mortgage
Obligations ou CMP.
ABS : Asset Backed Securities,
CDO : Collaterized Debt Obligations. On distingue les CDO classiques,
comprenant les CBO et CLO, des CDO synthetiques.
Les portefeuilles support peuvent comporter des creances plus ou moins
homogènes selon loperation de titrisation. Ainsi les supports de CBO et CLO
sont composes dun nombre limite de debiteurs commerciaux (de 20 à 500)
et souvent assez heterogènes, par opposition aux MBS ou ABS classiques
constitues de portefeuilles de 500 à 100 000 debiteurs individuels et souvent
plus homogènes. La majorite des actifs de CBO et CLO proviennent du
système bancaire et correspondent à des portefeuilles dobligations ou de
prets commerciaux dont les debiteurs sont des grandes entreprises.
Aux Etats-Unis, les lots de credits hypothecaires à titriser sont envoyes
par les etablissements de credit et les banques à lune des agences specialisees
Fannie Mae (FNMA), Ginnie Mae (GNMA) et Freddie Mac 12 , qui forment
les lots en les homogeneisant partiellement.
Depuis 2002, on trouve des CDO synthetiques, constitues de prises de
position sur des derives de credit sous-jacents, notamment des CDS. Ces
CDO synthetiques sont en developpement rapide, du fait de leur co
ut reduit
par rapport aux CDO classiques et dun emploi juridique plus simple, car il
ny a pas de transfert de proprietes de titres au comptant comme avec les
sous-jacents des CDO classiques.
La titrisation sest developpee dans les annees 70 aux Etats-Unis sur
12
FNMA = Federal National Mortgage Association,

GNMA = Government National Mortgage Association,
Freddie Mac = FHLMC = Federal Home Loan Mortgage Corporation.

83
les prets hypothecaires (MBS), puis le marche sest elargi aux credits aux
particuliers (à la consommation notamment) et aux entreprises.
Si lon definit le marche francais de la titrisation à partir de la nationalite
des actifs , ce marche a connu en 2004 une augmentation des volumes de
67%, avec un total demissions de 21.3 milliards deuros. De meme quen
2003, les transactions RMBS ont domine le marche (86.43% du volume total)
alors que les ABS ont connu une diminution sensible en 2004 (2 transactions
publiques). Parallèlement, le montant des volumes des ABCP a lui diminue
de 8.4% entre fin 2003 et fin 2004 (encours de 22.16 milliards dEuros en
2004).
Actuellement, une grande part des CDOs realises sont dits synthetiques.
Cela signifie que la banque conserve les credits sans supporter le risque qui
y est associe en contractant un CDS avec le SPV. Ce type doperation est
prefere car il est plus souple et economique pour la banque (il ny a pas de
co
uts de gestion associes au transfert des dettes et on peut y inclure des
produits hors bilan).
Figure 2.5 : Op
eration de titrisation synth
etique
Actif de
la banque
A lactif, la
banque garde
ses creances
et contracte
un CDS pour
se proteger
remboursement
si
defaut
prime du CDS
Actif
Passif
du SPV
du SPV
Achat des
titres non
risques,
finances par
les tranches
emises
Tranche senior
(AAA-A)
Tranche
subordonnee
A-B
Tranche junior
BBB-C
Tranche Equity
84
iii) La structuration
Il existe beaucoup de facons de demembrer les flux dun lot de creances
ou de CDS pour obtenir des produits titrises. Un meme lot est generalement
utilise pour obtenir
i) des produits très proches dobligations sans risque, facilement echangeables
sur le marche ;
ii) des produits residuels plus specialises sur des niveaux de risque plus
eleves, soit à court terme, soit à long terme.
Ces produits titrises sont souvent echanges sur des marches obligataires,
bien que certains dentre eux subisse un risque de defaut renforce. Au moment
de lemission une information sur le risque est fournie par lintermediaire de
notations portant sur chaque type de titres, mais aussi sur le lot ou lemetteur.
Letablissement financier peut parfois conserver une partie du risque de
credit, ce qui ameliore la notation des titres. Il peut aussi faire appel à une
compagnie dassurance externe pour augmenter la qualite du credit. Cette
assurance est obligatoire aux US pour les emissions de MBS.
iv) Int
er
et de la titrisation
La titrisation permet deconomiser des fonds propres et ainsi dameliorer
leur rentabilite. En effet, les creances titrisees peuvent etre sorties du bilan
et lexigence de fonds propres est moindre. De plus, la titrisation offre un
accès simple et economique au marche financier à des entreprises de faible
notation, qui devraient autrement se refinancer à des co
uts prohibitifs. Elle
permet lassainissement de leur structure de capital.
2.4.2
Structuration
a) Principe
Comme dhabitude, il est necessaire de definir de facon precise et non
ambig
ue les flux des actifs titrises, et, dans le cas present, la facon dont ils sont

85
lies aux flux des actifs inclus dans le portefeuille support. Divers principes se
retrouvent dans toute titrisation et nous les exposerons sur un cas decole,
o`
u le portefeuille support est compose de N contrats de prets identiques
assures contre la defaillance. Designons par H la maturite contractuelle, m
le coupon, B le nominal, Nh le nombre de prets sans defaillance à la date
h, h = 1, . . . , H. Les flux du portefeuille sous-jacent sont :
Fh = Nh1 m + (Nh Nh1 )B, h = 1, . . . , H.
La première composante correspond aux paiements de coupons des emprunteurs non en defaut et la seconde à lassurance defaut des emprunteurs
faisant defaut à la date h.
i) Divisibilit
e
Le portefeuille global est souvent de très grande taille et donc de très
grande valeur. Un premier principe consiste à vendre des parts plus faibles,
par exemple 1/100 000 des flux. Ce principe assure une plus grande liquidite
des parts sur le marche secondaire, mais chacun des titres ainsi construit
conserve le risque de remboursement anticipe provenant de lassurance de
defaut.
ii) Tranches de risque
Le procede peut etre ameliore en proposant des parts de caracteristiques
contractuelles similaires à celles dobligation et de niveau de risque differents.
Considerons par exemples trois types de tranches :
Tranche 1 : maturite H, coupon m1 , . . . , m1 , nominal B, nombre de titres :
1 , avec m1 = 1 B ;
2 , avec m2 = 2 B ;
3 , m3 = 3 B.
86

Les flux contractuel globaux de lensemble des produits titrises sont :
1 m1 + 2 m2 + 3 m3 , . . . , 1 m1 + 2 m2 + 3 m3 , 1 m1 + 2 m2 + 3 m3 + (1 +
2 + 3 )B.
Si 1 m1 + 2 m2 + 3 m3 < N m, les flux contractuels peuvent etre honores
sur les premières periodes, et il reste meme de largent disponible à cause des
remboursements anticipes du capital. Cet argent disponible doit etre gere de
facon à pouvoir aussi assurer (une partie) des remboursements contractuels
futurs. Du fait de lincertitude sur les dates de defaillance et sur les resultats
de la gestion de largent disponible, il est peu vraisemblable que tous les
contrats puissent etre honores dans le futur. Les tranches vont alors etre
distinguees selon les priorites de remboursement.
La tranche prioritaire, dite senior, est la première servie. Elle a un risque
faible proche dune obligation sans risque, et donc un coupon m1 et un taux
de coupon 1 assez faibles,
La tranche interm
ediaire, dite mezzanine, est la deuxième servie. Elle
a un risque correspondant à une notation standard et un coupon plus eleve.
La dernière tranche servie est appelee tranche equity. Il sagit dun
produit très risque, souvent difficilement echangeable et conservee dans les
bilans des etablissements financiers.
Examinons alors comment pourrait fonctionner cette segmentation des
tranches, dans le cas o`
u largent disponible serait investi à un taux fixe à
lavance r. Nous notons :
Fh , les flux du portefeuille support,
G1h , G2h , G3h lensemble des flux contractuels pour chaque tranche,
G1h , G2h , G3h les flux reellement servis aux tranches,
Ch largent residuel disponible au debut de periode h.
Largent disponible à la periode h est : Fh + Ch . Il y a quatre possibilites :
Cas 1 : Fh + Ch > G1h + G2h + G3h .
Les trois tranches recoivent les flux contractuels et la somme residuelle
en debut de periode h + 1 est : Ch+1 = (1 + r)[Fh + Ch (G1h + G2h + G3h )].

87
Cas 2 : G1h + G2h < Fh + Ch < G1h + G2h + G3h .

Les tranches 1 et 2 peuvent etre servies, mais la tranche 3 ne recoit que
= Fh + Ch G1h G2h ; la somme residuelle disponible en h + 1 est nulle.
G3h
Cas 3 : G1h < Fh + Ch < G1h + G2h .

La tranche 1 peut etre servie, la tranche 2 recoit : G2h = Fh + Ch G1h ,
la tranche 3 rien : G3h = 0, et la somme residuelle est nulle.
Cas 4 : Fh + Ch < G1h .
La tranche 1 nest pas totalement servie : G1h = Fh + Ch , les deux autres
tranches ne recoivent rien : G2h = G3h = 0, et la somme residuelle est nulle.
Ce principe par priorite conduit aux formules generales suivantes :
G1h
G2h
= min(Fh + Ch , G1h ),
= min(Fh + Ch G1h , G2h ),
G3h = min(Fh + Ch G1h G2h , G3h ),
Ch+1 = (1 + r)(Fh + Ch G1h G2h G3h )+ .
(2.4)
Elles montrent la complexite danalyse de tels produits.

iii) Cr
eer une tranche peu risqu
ee
Le principe de priorite ne suffit pas à assurer que la première tranche soit
presque sans risque et que la seconde ait un risque raisonnable. Le montage
peut etre ameliore de diverses facons, dont les plus usuelles sont les suivantes :
introduction dun collateral permettant davoir une reserve disponible non
nulle C0 6= 0 à la date initiale.
ehaussement) du portefeuille
surdimensionnement (on parle aussi de r
88
support par rapport au nombre de titres equivalents emis, cest-à-dire dans

notre exemple o`
u les nominaux sont identiques prendre 1 + 2 + 3 beaucoup
plus petit que N . Le ratio de surdimensionnement doit encore etre plus grand,
si la defaillance nest pas couverte par une assurance.
introduction de tranches 1 et 2 de maturites plus petites que la maturite
moyenne du portefeuille support. Pour les tranches senior et mezzanine, elles
doivent etre inferieures à 5 ans.
La discussion precedente montre que tout montage doit preciser :
le portefeuille support, collateral inclus, et son mode de gestion ;
la facon de calculer sa valeur ;
de la partager en paiement de coupon et conservation de capital (on
parle de nominal du portefeuille support) ;
la repartition des paiements de coupon et/ou du nominal entre les divers
tranches en tenant compte des priorites.
Nous allons donner ci-dessous quelques exemples de formules explicites
de flux afin de montrer la variete des structurations possibles
b) Exemple de structuration
b.1 Titrisation dun portefeuille de primes
Le portefeuille support est constitue de prets à taux constant, mensualites constantes mi , i = 1, . . . , n, de montant B0i , i = 1, . . . , n et de diverses
maturites. En cas de defaillance, on suppose par contrat que le taux de recouvrement est nul, ou, de facon equivalente, que les sommes recouvrees vont
à un autre investisseur. Les produits titrises correspondant sont appeles IO
strip, pour Interest Only. Lavantage dun tel support est que les primes
recues peuvent dans un montage adequat etre totalement distribuees et quil
ny a pas à gerer de sommes residuelles.
Le total des primes contractuelles pour le portefeuille est M =
n
X
i=1
mi .

89
Le total des primes recues à la date t peut cependant en differer, les primes
netant versees que pour les credits non en defaut à cette date. Le total de
primes reellement recu M (t) est une fonction decroissante du temps, et le
taux de perte sur le portefeuille est : L(t) = 1 M (t)/M.
Des tranches peuvent alors etre constituees de la facon suivante. Pour
chaque tranche j = 1, . . . , J, on definit un nominal contractuel Mj , j =
J
X
1, . . . , J tel que :
Mj = M . Puis, on fixe des seuils 0 < L1 < . . . <
j=1
LJ1 < 1, qui servent à definir les tranches de priorite. La tranche j est
caracterisee par lintervalle Lj1 , Lj et recoit à la periode t le montant
Mj (t) = Mj [1 Lj (t)],
o`
u le taux de perte de la tranche est lie à celui du portefeuille par :
0, si L(t) < Lj1 ,

Lj (t) =
(L(t) Lj1 )/(Lj Lj1 ), si Lj1 < Lj ,
1, si Lj < L(t).
Cette formule exprime les flux des tranches en fonction du taux de perte
du portefeuille des primes sous-jacent et peut etre reecrite sous forme plus
condensee :
Mj (t) = Mj
1
+
+
{[L(t) Lj1 ] [L(t) L(j)] }
1
Lj Lj1
= Mj
Mj
Mj
[L(t) Lj1 ]+ +
[L(t) L(j)]+ .
Lj Lj1
Lj Lj1
Une tranche apparat ainsi comme un portefeuille incluant une obligation

sans risque et deux options europeennes ecrites sur la perte du portefeuille
sous-jacent.
90
2.4.3
CDO de bilan
La variete des montages possibles conduit à distinguer des titrisations

types aussi bien pour les CDO de bilan que pour les CDO darbitrage. Nous
commencons par decrire les principaux CDO de bilan, et dans le paragraphe
suivant considerons les CDO darbitrage.
a) Le CLO classique.
Introduits pour la première fois par Nations Bank en 1997, on peut citer
dans le cas francais le Polaris de la Societe Generale, LEAF du Credit
Lyonnais, ou encore Liberte de BNP-PARIBAS.
Toutes ces structures se ressemblent fortement, et sont lapplication la
plus directe du principe de titrisation (voir Figure 2.4) : la banque cède à un
SPV un portefeuille homogène de prets commerciaux, refinances par emission
de titres les plus standards possibles pour seduire le maximum dinvestisseurs.
Le SPV est structure en Master-Trust de manière à permettre à la banque
de ceder un nouveau portefeuille ulterieurement tout en gardant la meme
structure. Le sous-jacent est constitue de 200 à 400 prets, souvent syndiques,
à des entreprises ayant une notation de BB à BBB sur une echelle S&P. Il
existe dautres critères deligibilite pour chaque pret : Rating minimum de
B, concentration maximum par debiteur fixe à 2%, et par secteur dactivite
de 8%. Ces operations obeissent à la double contrainte de minimiser le co
ut
global des titres emis et de reduire au maximum la taille de la tranche subordonnee gardee par le cedant. Comme les sous-jacents sont similaires, toutes
les operations ont sensiblement la meme structure de refinancement : 92%
de tranche AAA, 3% de tranche A, 1.5% de tranche BBB, 1.5% de tranche
BB, 1% de tranche subordonnee, et enfin 1% de depot en cash effectue par le
cedant, subordonne à toutes les autres tranches (Cash Collateral Account
ou CCA).
En gardant la tranche subordonnee et le CCA, le cedant conserve les
premiers risques du portefeuille à hauteur de 2%. Le deuxième support de
credit est lExcess Spread, cest à dire la difference entre les flux collectes par
le SPV et les frais de gestion et remuneration des titres. En marche normale,

91
ce montant de lordre de 0.50% par an revient aux porteurs du premier risque,

cest à dire à la banque cedante. En revanche, en cas de degradation de la
qualite de la structure, lintegralite de ce montant peut etre utilisee pour
rembourser les titres emis, selon leur ordre de priorite.
b) Les CDO synth
etiques.
Lobjectif principal des banques qui utilisent les CDO est de vendre du
risque sur les marches pour reduire leur capital reglementaire. Par contre elles
nont pas besoin de cash ou si elles en ont besoin, elles peuvent se financer
de manière plus economique en emettant des titres en propre (à condition
de beneficier dune bonne notation). Pour cette raison se sont developpes des
CLO de deuxième generation, dans lesquels la banque cède le risque dun
portefeuille sous-jacent via un Credit Default Swap (CDS), sans quil y ait
transfert de cash. La première transaction de ce type a ete BISTRO de JP
MORGAN en 1998 ; parmi les nombreuses transactions suivantes, on peut
citer CORE de Deutsche Bank, ou encore OLAN de BNP-Paribas.
En ce qui concerne la structure du CDO synthetique : Un SPV ad-hoc
emet des titres notes allant de AAA à BB, comme le CLO classique, mais
comportant une maturite unique. Considerons par exemple une emission de
80 millions dEuros de titres seniors, 15 millions dEuros de titres mezzanine
et 5 millions dEuros de titres subordonnes, tous de maturite 3 ans. Comme
dans le CLO classique, les titres subordonnes sont conserves par la banque.
Le produit de cette emission est reinvesti dans des actifs sans risque (Bons du
Tresor) de meme maturite. Parallèlement, le SPV contracte un Credit Default
Swap avec la Banque cedante dont le credit de reference est le portefeuille
sous-jacent de 100 millions dEuros (voir Figure 2.5).
Ainsi le SPV achète le risque à la banque, recoit la prime de CDS et
sengage en contrepartie à payer les pertes constatees sur le portefeuille de
reference en prelevant les sommes necessaires sur les bons du Tresor qui
arrivent à maturite.
92
Par exemple, supposons quà la fin de la 3è annee, 2% du portefeuille

sous-jacent soit en defaut. Avec les 100 millions dEuros de liquide recu en
remboursement des bons du Tresor, le SPV va payer 2 millions dEuros à la
banque au titre du CDS pour couvrir les defauts du portefeuille de reference,
80 millions dEuros aux porteurs de la tranche senior, 15 millions dEuros,
aux porteurs de la tranche mezzanine et les sommes residuelles, soit 3 millions
pour rembourser les porteurs des tranches subordonnees, qui supportent de
fait le premier risque.
Si la banque cedante fait defaut, le CDS peut-etre assigne au repreneur
des actifs (suivant les legislations) ; ainsi le SPV continue à etre engage sur
les pertes du lot sous-jacent, jusquà la maturite du CDS. Si, en revanche ,
la banque ou le repreneur ne paye plus la prime, le SPV est degage de ses
obligations.
Le CDO synthetique offre beaucoup de flexibilite car les risques cedes
par la banque au SPV peuvent etre hors-bilan. Ceci permet à la banque
de reunir plus facilement un encours titrisable et se revèle très utile pour
les portefeuilles europeens dans lesquels il est difficile de reunir un encours
important de prets syndiques homogènes.
Comme dans le CLO classique, la banque garde 2% environ des premiers risques et sa perte maximum est limitee à ce montant. Dans certaines
legislations, le traitement prudentiel peut etre moins favorable que pour la
structure classique avec cession physique des actifs. En France, par exemple,
il faut que le SPV porte des titres dEtat de lOCDE et que les actifs du
portefeuille aient à tout moment une maturite inferieure à la maturite du
CDS, donc inferieur à 3 ans dans notre exemple. Cela explique que, dans la
majorite des cas, ce sont des portefeuilles court terme de credits permanents,
qui sont titrises.
c) Les CDO `
a effet de levier.
Cette structure est une variante de la structure precedente, mais est
très differente en terme de profil de risque de la tranche senior. Elle a ete
developpee par des banques americaines (JP. Morgan avec BISTRO II et Ci-

93
tibank avec C.STAR), pour tirer avantage de leur legislation qui considère
favorablement les tranches super-senior gardees en portefeuille.
Le principe consiste à segmenter la tranche AAA dun CLO classique en
deux sous-tranches : une tranche senior de notation AAA, et une tranche,
qui beneficie de la subordination de la tranche senior. Pour que cette tranche
super-senior soit affectee par un defaut, il faudrait que les pertes soient telles
que la tranche senior AAA fasse entièrement defaut, ce qui est excessivement
improbable. La notation AAA de la seconde tranche est rendue possible par
un portefeuille sous-jacent avec une notation moyenne de AA à BBB, contre
BB pour les CLO classiques.
Dans ce montage, la tranche super-senior est conservee par la banque
cedante. Les autorites americaines considèrent que cet actif sans risque necessite
un capital reglementaire de 20% au lieu de 100%, cest-à-dire que la banque
immobilise 8% de 20% au lieu de 8% de 100%. Les tranches les plus subordonnees sont, comme dans des CLO classiques, gardees par la banque
cedante.
Linteret de ce montage est de reduire le capital reglementaire sur des
portefeuilles de très grande taille, en nayant à vendre sur le marche quun
encours reduit aux tranches senior et mezzanine ($1.9 milliards sur $10 milliards dans notre exemple). Cependant linvestisseur de la tranche senior
AAA doit analyser son achat comme une tranche mezzanine, cest à dire un
concentre de risque, meme si ce concentre est très peu risque. Par exemple,
si les defauts du portefeuille sous-jacent sont le double de ce qui avait ete anticipe, leffet de levier entraine une multiplication par 10 du niveau de perte
que supporte effectivement la tranche senior, par rapport à ce qui avait ete
anticipe . Les agences de notation prennent en compte cet effet de levier en
appliquant des facteurs de surdimensionnement plus importants. On peut cependant craindre que la notation AAA soit moins s
ure que dans une tranche
senior normale.
94
2.4.4
CDO darbitrage
Linteret dun CDO darbitrage sanalyse independamment de toute consideration

sur le cedant. Lobjectif est que le co
ut de refinancement du CDO, cest à
dire le prix de vente de toutes les tranches, y compris la plus subordonnee,
soit plus avantageux que le prix dachat de lactif sous-jacent.
Par nature, le sous-jacent dun CDO darbitrage est un portefeuille dactifs achetes à un prix de marche et facilement negociables, car le portefeuille
doit generalement etre gere. Souvent se sont des titres obligataires, et la
majorite des CDO darbitrage sont des CBO, mais il est envisageable que
le portefeuille support dun CDO darbitrage soit constitue de prets. Par
exemple, les prets syndiques americains sont suffisamment negociables pour
quun arbitragiste les achète.
Les portefeuilles sous-jacents comptent 20 à 100 titres, decotes, qui peuvent
etre refinances dans de meilleures conditions grace à un tranchage adapte aux
besoins des investisseurs.
Pour bien comprendre les differentes structures de CDO darbitrage, il
faut detailler la structure de base, à savoir le Cashflow CDO statique, les
autres netant que des variantes. Nous nous interessons aux structures dites
cash, qui proposent à linvestisseur des titres contre du liquide 13 .
a) Le Cash-flow CDO statique
Un SPV achète un portefeuille de titres de type obligations emises par des
pays emergents ou des entreprises high-yield (titres à haut rendement)
americaines. Leur notation moyenne est de lordre de BB et ces obligations
sont libellees en US Dollar 14 . Les portefeuilles sous-jacents ont souvent des
13
Il existe des variantes synthetiques, dans lesquelles le risque est vendu aux investisseurs
sous forme de Credit Default Swap (CDS), sans echange de cash. Le principe et lanalyse
restent identiques, avec comme difference le fait que la structure est exposee au risque de
defaut de linvestisseur qui devient contrepartie de swap.Comme il ny a pas dechange de
flux, la gestion est allegee.
14
Il y a peu de profondeur pour le marche des papiers high-yield ou emergents en EURO.

95
maturites entre 5 et 10 ans. En effet, au-delà de 5 ans, la liquidite est moindre

et les titres sont decotes , ce qui rend larbitrage plus interessant.
b) Le Market Value CDO
Il sagit dun CDO, dont la performance est liee à la variation de valeur
de marche du sous-jacent. Il ny a pas de difference technique entre un cashflow CDO et un Market Value CDO ; cest uniquement le profil de risque
qui change, plus lie à la valeur de marche dun ensemble dactifs quà des
fondamentaux sur un lot de credits.
Par exemple, lorsque lon cherche à titriser un sous-jacent compose dactions, les flux generes sont uniquement les dividendes, et le remboursement
des titres ne peut senvisager que par revente des actions. Ainsi, le rendement du portefeuille sous-jacent provient principalement de lappreciation /
depreciation de la valeur de marche des actions. Lindicateur principal de
performance du sous-jacent dun Market Value CDO est le Total Rate
of Return (TRR), qui prend en compte les flux, les pertes, mais aussi
lappreciation de valeur de marche du sous-jacent.
c) Le CDO `
a gestion active
Dans les deux exemples precedents, le portefeuille est statique car il ny
a pas dincertitude sur sa composition. Linvestisseur ne prend position que
sur le pourcentage de perte, voire sur la valeur de marche, mais en aucun cas
sur la qualite de gestion du portefeuille.
Dans la pratique, la grande majorite des CDO darbitrage sont dotes
dun gestionnaire, qui a pour mission de gerer le portefeuille pour le compte
du SPV selon des critères de gestion precisement definis dans un document
juridique : lInvestment Management Agreement. Ce document prevoit, entre
autres, la frequence et la forme des informations (reporting) que doit fournir
le gestionnaire aux administrateurs (trustee) et aux agences de notation.
Le degre dimplication du gestionnaire est très variable. Nous discutons
ci-dessous quatre mandats de gestion, qui concernent la gestion des defauts,
96
le reinvestissement, la prevention des defauts, et le trading.

Gestion 1 : R
ecup
eration.
La gestion se limite à recuperer largent pour le compte du SPV en cas
de defaut dun debiteur. Dans un CDO statique, ce role est souvent joue par
la banque arrangeuse de loperation.
La recuperation est dautant plus efficace que le gestionnaire possède
dautres engagements sur ce meme debiteur ; par exemple une grande banque
commerciale est en bonne position pour jouer ce role.
Gestion 2 : R
einvestissement.
La mission de gestion se limite à reinvestir les flux collectes dans de nouveaux actifs eligibles, pendant une periode de reinvestissement predeterminee.
Les critères principaux de controle de lactivite du gestionnaire concernent le
titre achete (notation minimum, duree maximum, taille maximum, eventuellement
secteur dactivite), et le portefeuille en general (notation moyenne minimale,
score de diversite).
Parfois chaque nouvel achat doit etre explicitement valide par les agences
de notation, mais generalement un reporting mensuel sur des donnees agregees
suffit.
Gestion 3 : Pr
evention des d
efauts.
Un autre type de mission est de revendre au mieux les titres du portefeuille dès quils presentent une degradation de leur risque de credit. Pour
cela, le gestionnaire sappuie sur la notation ou sur dautres informations
disponibles. Lorsque la decision de vendre est prise, il a la charge de vendre
au mieux, generalement après avoir demande trois cotations à trois banques
independantes.
Meme si laction du gestionnaire est encadree par des critères objectifs tel
une perte maximale admissible pour la vente dun titre, cette mission depend
largement de la qualite et de lexperience du gestionnaire.
Ce mecanisme de vente preventive evite souvent des sinistres majeurs,

97
mais peut avoir un surco

ut. Par exemple en octobre 97, lorsque lEtat coreen
a ete degrade brutalement de AA- à B+, le gestionnaire aurait probablement
vendu très vite avec une perte, tandis quen conservant les titres, il aurait
traverse la tourmente sans perte, puisque le credit de la Coree est revenu
depuis à un niveau acceptable.
Gestion 4 : Trading.
Cest le cas de la majorite des CDO darbitrage de titres high-yield
americains geres par des fonds specialises, qui ont la possibilite de faire tourner le portefeuille. Le gestionnaire est encadre par un taux de renouvellement (turn-over) annuel maximum (par exemple 15% du portefeuille par
an), lobligation de maintenir une notation moyenne minimale et un score
de diversit
e minimum.
La qualite du gestionnaire est determinante. Dans de tels produits titrises
linvestisseur achète autant les performances du gestionnaire quune vue sur
un marche. Il est important de disposer des performances historiques de ce
gestionnaire sur ce type dinstrument et de les comparer aux indicateurs
moyens du secteur (par exemple MLHY de Merrill Lynch pour le High-Yield
US et EMBI+ de JP Morgan pour les marches emergents).
Dans chaque montage, il est important de comprendre exactement comment est remunere le gestionnaire pour mesurer son degre dengagement envers les investisseurs. La prime de gestion est très variable selon le type de
gestion requis. Souvent, le gestionnaire percoit une prime de lordre de 0.25%
de lencours, avant le paiement des tranches senior, puis une deuxième partie de prime de lordre de 0.35%, qui nest payee que si les investisseurs de
la tranche subordonnee sont payes comme convenu. Parfois, le gestionnaire
achète une part de la tranche la plus subordonnee de la transaction (par
exemple à hauteur de 20%).
Generalement, les gestionnaires connaissent très bien les portefeuilles geres,
puisquils gèrent des portefeuilles similaires pour compte propre. En fait, la
titrisation leur permet de continuer à gerer un portefeuille en continuant à
percevoir des commissions de gestion.
98
De la meme facon, il est important de suivre levolution du portefeuille

pendant la duree de vie du titre : de plus en plus frequemment, il y a un
reporting mensuel, valide par le trustee, qui comporte les informations suivantes :
(i) notation moyenne du portefeuille,
(ii) score de diversite,
(iii) pour chaque tranche, niveau de surdimensionnement en principal (Overcollateralization ratio, ou OC ),
(iv) pour chaque tranche, niveau de surdimensionnement en interet (Interest coverage ratio appele, ou appele IC),
(v) valeur de marche du portefeuille.
d) Autres CDO synth
etiques
Initialement concus pour gerer les fonds propres, les CDO deviennent peu
à peu des produits dinvestissement speculatifs. Le principe de la titrisation
synthetique est de constituer des produits tranches à partir, non plus dun ensemble de credits ou creances, mais dun ensemble de CDS. Ainsi lorganisme
emetteur cree une exposition au risque de credit en prenant des positions sur
un ensemble de CDS. La titrisation synthetique peut donner naissance à deux
types de produits :
i) Les CDO synthetiques en full capital structure sont des CDO classiques
à ceci près quils sont ecrits sur un ensemble de CDS. Comme pour
les CDO classiques, le risque de defaut est entièrement transfere aux
investisseurs.
ii) Les Tranche Default Products (TDP) consistent en lemission dune
seule tranche de CDO synthetique. Dans ce cas, lemetteur reste expose
au risque de correlation.
Le developpement des produits synthetiques, et des TDP en particulier, ouvre des perspectives prometteuses dans le domaine de la gestion de

99
correlation de defaut, et renforce limportance de la modelisation. Cette phase

de developpement est toujours en cours comme le montre lhistorique de lintroduction des CDO sur les marches.
Tableau 2.4 : Historique dintroduction des CDO.

Date
Sept. 1997
Juin 2000
Dec. 2000
Mars 2001
Mars 2002
Mai 2002
Dec. 2002
Janv. 2003
Juin 2003
Mars 2004
2.4.5
Type
CDO
CDO
CDO
CDO
CDO
CDO
CDO
CDO
CDO
CDO
de CDO
synthetique
synthetique
synthetique
synthetique
synthetique
synthetique
synthetique
synthetique
de CDO
synthetique
de bilan
darbitrage
avec OC Triggers
darbitrage gere.
darbitrage avec compte de reserve
darbitrage avec coupon step-up.
à une seule tranche
SF
SF avec EDS
Avantages et inconv
enients des CDO
Pour resumer les avantages dune banque davoir recours à un CDO sont
multiples :
i) Reduire son capital reglementaire, qui consomme une grande partie
de ses fonds propres, et le ratio de solvabilite sur les fonds propres
reglementaires, qui font que le rendement dune creance classique par
rapport aux fonds engages nest pas necessairement très attractif.
ii) Reduire ses concentrations de risque de credit, en transferant ces
risques sur des investisseurs qui veulent bien les porter, en echange
de marges.
iii) Ameliorer son ROE (Return On Equity ) : par la titrisation de son
portefeuille, une banque impacte directement son bilan. Cela se fait par
100
la titrisation des actifs peu risques de son portefeuille, tout en gardant

les actifs à hauts rendements high yield .
iv) Permettre à des banques mal notees demettre des titres notes Aaa par
lintermediaire dune SPV, alors que lemission dobligations classiques
aurait un taux dinteret bien plus important, vue leur note.
vi) Beneficier dune liquidite plus importante que les titres financiers
constituant lactif de la SPV pris isolement, permettant une meilleure
valorisation en reduisant la prime de liquidite.
Evidemment le recours à ces produits complexes suppose que les montages
aient ete bien compris et les risques bien evalues.
2.5. APPENDICE
2.5
2.5.1
101
Appendice
Fonds Commun de Cr
eances
Le Fonds Commun de Creances (FCC) est cree à linitiative conjointe

dune societe de gestion et dun etablissement depositaire.
A.1 Nature juridique du FCC
a) Une absence de personnalit
e morale. Le FCC na pas la personnalite morale. En cela, il est un proche cousin du fonds commun de placement,
qui est une des deux formes dOPCVM. A lorigine, le projet de loi prevoyait
pourtant que le FCC serait dote de la personnalite morale, mais elle ne lui a
finalement pas ete octroyee, pour des raisons notamment fiscales, contestees
par de nombreux auteurs qui estiment que le meme resultat aurait pu etre atteint sans passer par cet artifice (voir art. 212.43 al.3 du Conseil des Marches
Financiers).
b) Une copropri
et
e. Le FCC est considere comme une copropriete de
creances, ce qui pose ici encore plusieurs problèmes. Lalinea 3 ecarte les règles
relatives à lindivision, ainsi que celles relatives à la societe en participation.
Dès lors, si les porteurs de parts de FCC ne sont ni indivisaires, ni associes,
se pose la question de la definition precise de leurs droits.
Lobjet meme du droit de propriete peut dejà surprendre. La propriete
dune creance est une idee discutee. Un droit de creance est un droit personnel. Peut-on etre titulaire dun droit reel dont lobjet est un droit personnel ?
On assisterait, daprès certains, à lapparition dun nouveau concept de propriete, dematerialisee, assise sur les valeurs et non plus seulement sur les
choses materielles.
Concernant le contenu du droit de propriete, les porteurs netant ni des associes, ni indivisaires, sont proprietaires de parts representatives de creances,
mais nont aucune prerogative sur lensemble des creances et sur le fonds. La
102
creation du fonds, puis sa gestion, relèvent dautres acteurs. Cest ce quil

faut etudier à present.
A.2 Cr
eation dun fonds commun de cr
eances
a) Les acteurs
Le fonds commun de creances est cree (214-47 du CMF,) à linitiative
conjointe dune soci
et
e de gestion et dun
etablissement d
epositaire. Un
règlement du fonds est elabore par la societe de gestion, precisant la strategie
de gestion du fonds, les modalites demission des titres, ainsi que la nature, les
caracteristiques des creances et leurs modalites dacquisition. La procedure
de constitution du fonds nest pas clairement definie par les textes. Mais
la societe de gestion doit etre agreee par lAutorite des Marches Financiers
(AMF), et lart. 214-47 prevoit la redaction dune note dinformation des
investisseurs repondant aux conditions fixees pour lappel public à lepargne
15
.
b) La pratique des
etablissements de cr
edit.
Les textes prevoient donc la creation dun FCC à linitiative conjointe
dune societe de gestion et dun depositaire, dont on imagine quelle est
anterieure à la recherche, auprès de tierces personnes, de creances qui seront
ensuite acquises. En pratique, cest un etablissement de credit qui possède
des creances titrisables et, desireux de proceder à une telle operation, va creer
une societe de gestion ; il joue le plus souvent lui-meme le role de depositaire.
Alors que le role de la societe de gestion est de definir la strategie du fonds et
de prendre les decisions pour la collectivite des porteurs, le role du depositaire
est de recevoir les flux financiers issus de loperation, cest-à-dire les creances.
c) Lop
eration de titrisation
Avant dexpliquer de quelle manière sont cedees les creances, il faut
preciser quelles creances peuvent faire lobjet dune operation de titrisation.
15
Sauf quand les parts du FCC font uniquement lobjet dun placement prive, auquel
cas rien nest prevu.
2.5. APPENDICE
103
1) Cr
eances concern
ees
Origine des cr
eances.
La loi de 1988 prevoyait (art. 34) que le FCC pouvait acquerir des creances
detenues par des etablissements de credit ou par la Caisse des Depots et
Consignations. Les exigences relatives à la nature des creances ont ete assouplies, jusquà la formulation suivante : le FCC a pour objet dacquerir
des creances et demettre des parts representatives de ces creances . Le
legislateur francais na fait qualigner le droit interne sur les droits anglais
et americains, de manière à eviter que les operateurs ne passent par des
montages off-shore pour faire ce qui leur etait interdit en France.
Nature des cr
eances.
A lorigine reservee à des creances de maturite superieure à deux ans,
la titrisation peut aujourdhui etre envisagee pour une creance de nimporte
quelle duree. Il est meme possible de ceder des creances futures.
2) Cession des cr
eances
Transmission par bordereau.
Afin de faciliter la transmission des creances et deviter les formalites
longues et co
uteuses, le legislateur a mis en place une cession par bordereau,
qui ressemble à la cession par bordereau Dailly. La cession est opposable aux
tiers à la date apposee sur le bordereau, sans autre formalite. Il doit figurer
certaines mentions, notamment la designation precise des creances cedees et
du cessionnaire.
Transmission avec les s
uret
es.
Point important en pratique, lart. L-214-43 du CMF precise que : la
remise du bordereau entrane de plein droit le transfert des s
uretes, des garanties et des accessoires attaches à chaque creance, y compris les s
uretes
hypothecaires, et son opposabilite aux tiers sans quil soit besoin dautres
formalites.
104
2.5.2
Indices de CDS
Des indices correspondant à des portefeuilles de CDS ont ete introduits

et geres par Dow-Jones. Ils sont connus sous le nom dindices iTraxx. Des
sous-indices existent pour diverses zones georaphiques : Etats-unis, Europe,
Japon, Asie hors Japon, Australie, divers secteurs industriels et niveaux de
volume echange. Seuls un petit nombre dentre eux servent de base à des
produits derives, notamment lindice iTraxx Europe.
Les donnees sur les CDS sont collectees auprès dun ensemble de teneurs
de marche (market maker). Ceci conduit à une longue liste de noms, dans
laquelle on retient les noms europeens, avec une notation suffisante (au dessus
de BBB). Ces noms sont ensuite classes en fonction du volume de transactions
au cours des six derniers mois.
Le portefeuille servant de base au calcul comprend 125 noms avec une
repartition predefinie par secteur dactivite. Les noms les plus liquides sont
retenus dans chaque section.
2.5. APPENDICE
105
Tableau 2.5 : R
epartition sectorielle dans lindice iTraxx
secteur dactivite
automobile
biens de consommation
energie
industriel
TMT
Finance
Total
nombre
10
30
20
20
20
25
125
Comme dhabitude dans les indices Dow-Jones, les titres figurant dans
lindice sont equiponderes.
Les tranches dindices CDS constituent une classe de derives de credit
proches doptions sur indice, leur particularite etant de sappuyer sur un
indice de CDS, en general de type iTraxx (voir Appendice 2.2). Elles ont
pour but de se couvrir contre le risque de defaillance jointe des noms figurant
dans lindice, cest-à-dire contre le risque de correlation de defaut.
Les tranches standard sur indices iTraxx Europe (cree en 2004) sont
definies comme :
Tranche Equity : entre 0% et 3%
Tranche Junior Mezzanine : entre 3 % et 6 %
Tranche Senior Mezzanine : entre 6% et 9%
Tranche Senior : entre 9 % et 12 %
Tranche Super Senior : entre 12% et 22 %.
Un exemple de cotation de telles tranches est donnee dans le Tableau 2.6.
Le spread est le differentiel de taux par rapport à lEuribor exprime en points
de base.
106
Tableau 2.6 : Cotation de Tranches sur indice iTraxx, 28 Avril

2005.
Tranche upfront (%)
0-3 %
27.60
3-6 %
0
6-9 %
0
9-12 %
0
12-22 %
0
spread (bp)
500
171.50
53
27
16
2.5. APPENDICE
107
REFERENCES
Bystroum, H. (2005) : Credit Default Swaps and Equity Prices : The Itraxx
CDS Index Market, DP 2005-24, Lund Univ.
Cousseran, O., et I., Rahmonni (2005) : Le Marche des CDO : Modalites de
fonctionnement et implications en termes de stabilite financière, Revue de
Stabilite Financière, 6, 47-68.
Das, S. (2005) : Credit Derivatives : CDOs and Sructured Credit Products,
3è edition, Wiley.
Fitch Ratings (2004) a : CDS Market Liquidity : Show me the Money,
Fitch Ratings (2004) b : Liquidity in the Credit Default Swap Market : Too
Little, Too Late ?
Fitch Ratings (2004) c : Global Credit Derivatives Survey,
Frachot, A., et C., Gourieroux (1995) : Titrisation et Remboursements Anticipes, Economica.
Gibson, M. (2004) : Understanding the Risk of Synthetic CDS, Finance
and Economics, Federal Reserve Board, 2004-36.
International Securities Derivatives Association (2003) : 2003 ISDA Credit
Derivatives Definitions, disponible sur le site www.isda.org.
International Securities Dealers Association (2003) : 2003 ISDA Credit Derivatives Definitions, disponible sur www.i dsa.org.
Nelson, C., et A., Siegel (1987) : Parsimonious Modelling of Yield Curves,
Journal of Business, University of Chicago Press, 60, 473-489.
Reoch, R. (2000) : The Market of Credit Derivatives, dans Credit Deriva-
108
tives et Credit Linked Notes, Das S., (ed), Wiley, 2e edition, 631-654.
Chapitre 3
PRINCIPE DE
VALORISATION
3.1
Introduction
Le developpement des marches financiers sest accompagne de lintroduction de produits de plus en plus complexes pour couvrir les divers types
de risques : risque sur les prix, risque sur les volatilites, risque de taux, de
change, risque de defaut,.... Ces produits sont connus sous le nom de produits
derives et certains dentre eux, les derives de credit, ont ete introduits dans le
chapitre 2. Le but de ce chapitre et dexpliquer comment definir formellement
ces produits et comment les valoriser de facon coherente.
3.1.1
Produits d
eriv
es
Nous retenons une approche en temps discret, plus adaptee à la valorisation pratique des derives de credit 1 et ne necessitant pas de connaissances
approfondies sur le mouvement Brownien et les equations differentielles stochastiques. De plus, nous considerons des produits derives de type Europeen
1
La methodologie peut cependant etre developpee de facon analogue en temps continu

(voir Annexe 3.2).
109
110
CHAPITRE 3. PRINCIPE DE VALORISATION
ou des portefeuilles de tels produits. A la date t, un tel produit est caracterise

par la suite des paiements aux diverses dates futures :
gt+1 , gt+2 , . . . , gt+h , . . .
i) Ces paiements peuvent etre connus à la date t. Cest par exemple le cas des
obligations zero-coupon sans risque. Le zero-coupon de maturite residuelle h
attribue 1 Euro à la date t + h, et aucun paiement (payoff) aux autres dates.
ii) Le plus souvent cependant ces paiements sont indexes sur les valeurs prises
par un (ou plusieurs) sous-jacent(s) : indice de marche, taux dinteret,
valeur dune action, taux dinflation, temperature... Ceux-ci peuvent etre ou
non echangeables sur un marche organise, mais sont supposes observables.
Si Zt designe la valeur du (des) sous-jacent(s) à la date t, le flux en t + h
peut dependre des valeurs (Zt+h , Zt+h1 , . . .) = Zt+h , disons. Le flux gt+h =
gt+h (Zt+h ) est alors une fonction predeterminee des valeurs du sous-jacent
connues à la date t + h, mais inconnues à la date t. Ces produits à flux
indexes sont appeles produit d
eriv
es ecrits sur le sous-jacent Z.
Lexemple le plus classique de produit derive est loption dachat europ
eenne sur indice Z, de maturit
e r
esiduelle h, de prix dexercice K.
Elle correspond à un flux unique verse en t + h, du type :
gt+h = (Zt+h K)+ = M ax(Zt+h K, 0).

Une valorisation coherente de tous les produits derives ecrits sur un meme
sous-jacent Z demande de valoriser le temps, cest-à-dire de savoir escompter,
et aussi de fixer le prix de lincertitude sur les valeurs futures du sous-jacent.
Cette valorisation doit etre disponible pour toute date t, tout terme, et tout
type de produit derive susceptible detre echange ou pour lequel une telle
valeur est demandee . Elle doit aussi etre temporellement coherente, cest-àdire prendre en compte laugmentation de linformation disponible lorsquon
passe de la date t à la date t + 1.
3.1. INTRODUCTION
3.1.2
111
Approche actuarielle
Lapproche actuarielle est la première methode de valorisation coherente

apparue dans la litterature financière [Gordon, Shapiro (1956), Gordon (1962)].
Elle suppose un taux dinteret à court terme constant r et remplace chaque
flux par son anticipation effectuee à la date t. La valeur actuarielle du
produit derive est alors :
Cta (g)
h
i
1
E
g
(Z
)
t
t+h
t+h
(1 + r)h
h=1
"
#
X
1
= Et
gt+h (Zt+h ) ,
(1 + r)h
h=1
(3.1)
(3.2)
avec des coefficients descompte (1 + r)h decroissant de facon geometrique

avec la maturite residuelle et des anticipations calculees en prenant lesperance
Et sachant linformation It = (Z t ) disponible à la date t.
Lapproche actuarielle est encore très utilisee pour la redaction de contrats
dassurance, la formulation de contrats de credit, la specification des obligations, ou le calcul de valeurs comptables. Cependant, elle se revèle insuffisante
pour comprendre les prix de marche des produits derives et leur evolution.
Ses insuffisances sont principalement de cinq types :
i) La formule suppose à chaque date un taux long egal au taux court, ce
qui nest pas observe sur le marche.
ii) Elle suppose aussi un taux court deterministe constant, alors que celui
observe est très fluctuant et vraisemblablement mieux apprehende par
un modèle dynamique stochastique.
iii) Elle evalue le prix de chaque flux incertain par sa moyenne (conditionnelle), cest-à-dire neglige lexistence de primes de risque pour compenser la variabilite de ces flux. Cette valorisation actuarielle serait celle
effectuee par un individu dit neutre au risque.
112

iv) Elle neglige la possibilite de facteurs influant à la fois sur les taux et
le sous-jacent.
v) Elle discute peu le choix très particulier de lensemble dinformation.
3.1.3
Plan du chapitre
Le principe de non-arbitrage etend lapproche actuarielle en corrigeant ses insuffisances. Cette approche sappuie sur le concept de facteur
descompte stochastique (stochastic discount factor, sdf), qui explique
comment corriger les prix de leffet temps et de leffet incertitude. Une consequence
du principe de non-arbitrage est la multiplicite des systèmes coherents de valorisation applicables à une famille de produits derives. On parle de march
e
incomplet pour insister sur cette multiplicite. Le principe de non-arbitrage
est presente dans le paragraphe 3.2. Il est applique aux derives de credit
dans le paragraphe 3.3 de facon à clairement distinguer probabilite et prix
du defaut, taux et prix de non recouvrement... Finalement, nous derivons
dans le paragraphe 3.4 la formule classique de Black-Scholes. Ceci permet de
voir que lapproche en temps discret contient lapproche standard en temps
continu et dexpliciter la forme de facteur descompte stochastique retenue
implicitement dans cette demarche.
3.2
Principe de non-arbitrage
Les methodes coherentes de valorisation supposent definis de facon très

precise linformation disponible à la date t, et son role. Ceci est resume dans
lhypothèse ci-dessous :
Hypoth`
ese sur linformation :
Il existe une suite croissante densembles dinformation It par rapport
auxquels sont exprimes les flux, les prix des actifs financiers, les valeurs des
sous-jacents, les mises à jour de portefeuille.
3.2. PRINCIPE DE NON-ARBITRAGE
113
Dans les cas les plus simples, cette information inclue les valeurs presentes
et passes des actifs sous-jacents It = (Zt ), o`
u Zt designe les valeurs des sousjacents. Cependant, ces ensembles sont beaucoup plus complexes dans le cas
des derives de credit (voir le paragraphe 3.3).
3.2.1
Principe de non-arbitrage `
a deux p
eriodes
Considerons dabord des derives de maturite residuelle 1, ne versant quun

seul flux gt+1 . Il est suppose que tout flux a un prix à la date t.
Hypoth`
ese dexistence des prix de d
eriv
es (horizon 1) :
A chaque flux de paiement gt+1 It+1 correspond un prix à la date t. Ce
prix est note Ct (1; g) It .
Cette hypothèse merite discussion. En effet, lexistence dun prix (ou
mieux dune valeur sous-jacente) est supposee meme si le produit est peu
liquide ou à la limite non encore propose sur le marche. Par aillleurs, on suppose que ce prix est fonction de linformation definie a priori. Ainsi, le fait de
mettre sur le marche un nouveau produit derive nest pas suppose apporter
de linformation nouvelle.
La condition de non-arbitrage statique fournit la coherence recherchee.
Elle peut etre exprimee de diverses facons equivalentes. Nous en donnons cidessous une version permettant de mieux comprendre le resultat principal.
Hypoth`
ese de non-arbitrage statique (horizon 1) :
Lop
erateur de prix (à horizon 1) :
g Ct (1; g)
est lineaire, positif.
La linearite signifie que la valeur dun portefeuille de derives sobtient
en sommant les valeurs de ses composantes, mais que tout derive peut etre
divise (demembre) avec les prix correspondants. Par ailleurs, des flux positifs
sont valorises positivement.
114
Lhypothèse de linearite merite aussi discussion. En effet, elle implique

que le prix de 100 000 options dun certain type est egal à 100 000 fois le
prix dune option. Elle neglige donc lexistence sur les marches de primes
de liquidit
e. Cet aspect est laisse de cote dans la suite, la recherche des
montants de reserve pour couvrir ce risque relevant dune etape ulterieure
dans la demarche du Comite de Bale.
Les trois hypothèses precedentes plus des conditions techniques de continuite de loperateur de prix permettent alors dappliquer le theorème de
Riesz, qui enonce que tout operateur lineaire, positif, continu peut etre ecrit
sous la forme dune integrale par rapport à une mesure positive.
Th
eor`
eme de Riesz :
Il existe une fonction positive Mt,t+1 It+1 telle que :
Ct (1; g) = Et (Mt,t+1 gt+1 ) = E(Mt,t+1 gt+1 |It ).
La fonction positive Mt,t+1 fonction de linformation disponible en t +
1 apparat stochastique à la date t. Elle est appelee facteur descompte
stochastique (stochastic discount factor ou sdf) pour la periode (t, t+1).
Le principe de non-arbitrage statique peut evidemment etre etendu à tout
horizon (ou terme) h. Il suffit pour cela de reecrire les hypothèses de facon
adequate :
Hypoth`
ese dexistence de prix de d
eriv
es (horizon h)
A chaque flux de paiement gt+h It+h correspond un prix à la date t. Ce
prix Ct (h; g) It .
Hypoth`
ese de non-arbitrage statique (horizon h)
Loperateur de prix (à horizon h) :
g Ct (h; g)
est lineaire positif.
115
Une nouvelle application du theorème de Riesz montre alors lexistence

dun facteur descompte stochastique Mt,t+h It+h pour la periode (t, t + h)
tel que :
Ct (h, g) = Et (Mt,t+h gt+h ) = E(Mt+h gt+h |It ).
3.2.2
Interpr
etation du facteur descompte
Le facteur descompte sert à corriger des effets temps et incertitude, mais

sans distinguer ces deux aspects. Le calcul des prix des obligations zerocoupon permet dobtenir une formule de decomposition du prix plus facilement interpretable.
Les formules de valorisation fondees sur les facteurs descompte stochastique peuvent notamment servir à valoriser les obligations zero-coupon. Rappelons que lobligation zero-coupon de maturite t + h verse un flux gt+h = 1.
Son prix est donne par :
B(t, t + h) = Et (Mt,t+h gt+h ) = Et (Mt,t+h ),
(3.3)
(la notation B est pour bond).

Ainsi les moyennes conditionnelles des facteurs descompte fournissent les
prix des obligations zero-coupon, et la facon descompter aux divers horizons.
Ces prix sont doublement indexes par la date t et le terme h. Les formules
descompte peuvent etre presentees de facon equivalente en terme de taux.
Dans la suite, nous utilisons les taux g
eom
etriques definis 2 par :
1
r(t, t + h) = log B(t, t + h) B(t, t + h) = exp[hr(t, t + h)].
h
2
(3.4)
Ces taux different des taux legaux apparaissant dans les contrats. Ces derniers sont
definis par : B(t, t + h) = [1 + r (t, t + h)]h . Il existe une relation bijective entre ces
deux types de taux, qui doit etre appliquee pour passer du modèle theorique à lanalyse
empirique.
116
A une date donnee, lapplication :

h r(t, t + h)
definit la structure par terme des taux.
Considerons alors un derive quelconque defini par sa suite de flux gt+1 , . . . , gt+h ...,
generalement indexes. Son prix est :
Ct (g) =
Et (Mt,t+h gt+h )
h=1
B(t, t + h)Et
h=1
Mt,t+h
gt+h .
Et (Mt,t+h )
Le facteur correctif Mt,t+h /Et (Mt,t+h ) est positif et tel que :

Et [Mt,t+h /Et (Mt,t+h )] = Et (Mt,t+h )/Et (Mt,t+h ) = 1 (masse totale egale à 1).
Il sinterprete comme la densite de probabilite dune loi modifiee Qt,h , disons.
Ces lois sont appelees lois forward-neutre. Elles dependent de la date t et
du terme h, de sorte quil y a, à chaque date t, une structure par terme des
lois forward-neutre : h Qt,h . Quitte à changer les lois de probabilite date
par date et terme par terme, nous pouvons donc ecrire :
Ct (g) =
Qt,h
B(t, t + h) Et (gt+h ).
(3.5)
h=1
Cette formule constitue une extension de la formule actuarielle (3.1). La

structure par terme des taux, caracterisee par la suite des taux r(t, t + h), h
variant, nest plus supposee constante. Elle peut prendre des formes diverses
et evoluer dans le temps. Par ailleurs, les flux moyens ne sont plus calcules
par rapport à la probabilite historique (celle donnant la dynamique du sousjacent), mais par rapport aux probabilites modifiees Qt,h , de facon à prendre
en compte le co
ut de lincertitude sur le sous-jacent.
3.2.3
117
Principe de non-arbitrage multip

eriode
A ce niveau, il faut se demander si les facteurs descompte stochastique

Mt,t+h peuvent etre choisis independamment les uns des autres, ou sils
doivent satisfaire une condition de coh
erence temporelle.
Remarquons dabord que le theorème de Riesz enonce lexistence de tels
facteurs descompte, mais nassure pas quils sont definis de facon unique.
Dans le cas general, il peut y avoir plusieurs valorisations envisageables (Les
marches sont dits incomplets). Certaines dentre elles ne demandent que la
connaissance des facteurs descompte stochastique à court terme Mt,t+1 , t
variant. En effet, considerons la suite de facteurs descompte stochastique :
t,t+h = Mt,t+1 Mt+1,t+2 . . . Mt+h1,t+h ,
M
(3.6)
et par exemple un flux gt+h . A la date t + h 1 un prix possible est :

Ct+h1 (1, g) = Et+h1 (Mt+h1,t+h gt+h ). A la date t + h 2, un prix possible
est :
Ct+h2 (2, g) = Et+h2 [Mt+h2,t+h1 Ct+h1 (1, g)]

= Et+h2 [Mt+h2,t+h1 Et+h1 (Mt+h1,t+h gt+h )]
= Et+h2 Et+h1 [Mt+h2,t+h1 Mt+h1,t+h gt+h ]
= Et+h2 [Mt+h2,t+h1 Mt+h1,t+h gt+h ] (par la propri
et
e
des esp
erances it
er
ees)
t+h2,t+h gt+h ].
= Et+h2 [M
Ce type de calcul peut etre poursuivi, montrant que la suite de facteurs
t,t+h est une suite admissible. En fait, sous une
descompte stochastique M
118
hypothèse supplementaire, il nexiste pas dautre possibilite [Harrison, Kreps

(1979)].
Hypoth`
ese de non-arbitrage dynamique :
Il nest pas possible de construire un portefeuille de produits derives de
co
ut nul à la date t, eventuellement remis à jour à chaque date future et
assurant des flux gt+1 , . . . gt+h , positifs ou nuls, dont au moins un avec une
probabilite non nulle detre strictement positif.
Sous cette hypothèse supplementaire, nous avons la proposition suivante.
Proposition 3.1 : Sous les hypothèses precedentes incluant la condition de
non arbitrage dynamique, les suites de facteurs descompte admissibles sont
contraintes par :
Mt,t+h = Mt,t+1 Mt+1,t+2 . . . Mt+h1,t+h .
Ainsi, pour valoriser, il suffit de specifier une suite de facteurs descompte

stochastique à court terme Mt,t+1 , t variant.
3.2.4
Probabilit
e risque-neutre
Nous pouvons alors reexprimer la formule de valorisation dun actif derive

general. Nous avons :

Ct (g) =
119
Et (Mt,t+h gt+h )
h=1
"
=
Et
#
Mt,t+h gt+h
h=1
"
=
Et
X
h=1
"
=
Et
Mt,t+h
gt+h
B(t, t + 1) . . . B(t + h 1, t + h)
B(t, t + 1) . . . B(t + h 1, t + h)
exp
h=1
h
X
!
r(t + k 1, t + k)
k=1
hk=1
#
Mt+k1,t+k
gt+h .
Et+k1 (Mt+k1,t+k )
Mt+k1,t+k
est positif et, par application
Et+k1 (Mt+k1,t+k )
de la propriete des esperances iterees, on voit que :
Le facteur correctif hk=1
Et
hk=1
Mt+k1,t+k
= 1, (masse totale egale à 1).
Et+k1 (Mt+k1,t+k )
Il definit une nouvelle loi de probabilite sappliquant aux flux de la date

t+h : Qt,h . Celle-ci est appelee probabilit
e risque-neutre. Par rapport à la
probabilite forward-neutre, elle a lavantage detre temporellement coherente
(voir Annexe 3.1), et de ce fait peut etre notee Q. La formule generale de
valorisation devient :
Ct (g) =Et
"
X
exp[
h=1
h
X
#
r(t + k 1, t + k)]gt+h ,
(3.7)
k=1
qui generalise la formule actuarielle (3.2).

Lorsque la suite des taux courts r(t, t + 1), t variant, est deterministe, on
h
X
a : B(t, t + h) = exp[
r(t + k 1, t + k)], et la comparaison des formules
k=1
de valorisation (3.5) et (3.7) :
120
Ct (g) =
Qt,h
B(t, t + h) Et (gt+h )
h=1
= Et
"
X
#
B(t, t + h)gt+h ,
h=1
montre que Qt,h = Qt,h . Les prix des obligations zero-coupon peuvent etre
introduits de facon equivalente à lexterieur ou à linterieur de lesperance, et
probabilites forward-neutre et risque-neutre concident. Cette simplification
disparat lorsque les taux courts r(t, t + 1) sont stochastiques, ce qui est le
cas standard dans lanalyse du risque de credit.
3.2.5
Changement de num
eraire
Les flux, prix, facteurs descompte dependent de la monnaie (num

eraire)
choisie. Comment les facteurs descompte stochastique dependent-ils de ce
numeraire ? Pour illustrer ce point, nous considerons deux monnaies Euro et
dollar. Nous notons t le taux de change Euro vs dollar, donnant la valeur
dun Euro exprime en dollars à la date t,
Mt,t+1 , gt+1 , Ct (1, g) les notations en Euro,
t,t+1 , gt+1 , Ct (1, g), les notations en dollar.
M
Par definition des prix, nous avons :
Ct (1; g) = Et (Mt,t+1 gt+1 ), en Euro,
t,t+1 gt+1 ), en dollar.
Ct (1; g) = Et (M
Par ailleurs, appliquant les taux de change aux dates t et t + 1, nous
avons :
121
gt+1 = gt+1 = gt+1 t+1 ,

Ct (1; g) = Ct (1; g) = Ct (1; g)t .
Nous en deduisons :
t,t+1 gt+1 t+1 ]
Ct (1; g)t = Et [M
t,t+1 t+1 gt+1 ],
Ct (1; g) = Et [M
t
et, par comparaison, les relations entre les facteurs descompte stochastique
exprimes dans les deux monnaies :
t,t+1 .
Mt,t+1 = t+1 /t M
(3.8)
Les calculs de valeurs dependent fortement du numeraire retenu. Par

exemple, si le facteur descompte stochastique est suppose deterministe lorsquil est exprime en dollars, il ne peut plus letre lorsquil est exprime en Euro,
sauf à supposer que levolution des taux de change est connue à lavance.
Dans les applications au calcul des reserves, il faut toujours sinterroger sur le numeraire adequat. De facon simplifiee, un etablissement bancaire developpe à linternational peut dependre de divers regulateurs, disons
Francais et Americain. Le regulateur francais (resp. americain) controle les
operations de credit relevant de son perimètre, perimètre à definir en liaison
avec lautre regulateur, et demande des calculs effectues en Euros [resp. en
dollars].
3.2.6
March
es incomplets
Nous avons mentionne quil y avait en general une infinite de formules

de valorisation possibles, toutes celles correspondant à un choix du facteur
descompte Mt,t+1 positif, fonction de linformation It+1 et compatible avec les
prix observes de marches des quelques actifs derives suffisamment liquides.
122
Comment resoudre en pratique la question de cette multiplicite ? Diverses

approches sont proposees dans la litterature.
i) Considerer toutes les valeurs possibles pour chaque derive, determiner les
bornes inferieure et superieure de ces valeurs, ce qui fournit un intervalle
de prix. Cet intervalle est souvent très large et se revèle peu utilisable en
pratique.
ii) Essayer de rendre les marches le moins incomplet possible en accroissant
le nombre de derives liquides. Le nombre de derives potentiels est cependant
très grand et on ne peut esperer avoir cette liquidite pour toutes les dates,
tous les termes et tous les types de flux.
iii) Restreindre a priori le nombre de facteurs descompte stochastique admissibles.
(*) En en retenant un de facon arbitraire. Ceci est fait par exemple dans
la formule classique de Black-Scholes (voir 3.4), ou dans le modèle à volatilite
stochastique de Hull-White, lorsque la prime de volatilite est arbitrairement
prise egale à zero [Hull, White (1987)]. Le choix est souvent fait de facon à
obtenir des formes explicites ou quasi-explicites 3 de prix de derives.
(**) En retenant deux ou trois principes de valorisation permettant un
certains consensus des utilisateurs. Ce principe est retenu en comptabilite
pour les calculs damortissement de machines, par exemple. Le marche des
machines doccasion est en effet peu liquide et donc de type marche incomplet. Le comptable peut choisir entre divers calculs de lamortissement à
10, 15, 20 ans avec des taux specifiques. La meme approche semble etre retenue dans la reforme actuelle de la comptabilite pour la valorisation des
obligations, avec des valeurs differentes selon quelles sont susceptibles detre
echangees rapidement (prix de marche) ou non (calcul actuariel).
(***) En retenant une specification parametrique Mt,t+1 () du facteur
3
cest-à-dire necessitant au plus une integration numerique comme dans la formule de

Hull-White.
123
descompte et en cherchant à estimer le paramètre inconnu à partir des

prix de marche disponibles. Cette dernière optique parat la plus prometteuse
(voir par exemple le chapitre 5).
3.2.7
Approche actuarielle
etendue
Il est interessant de replacer lapproche actuarielle vue en 3.1.2 dans le

cadre general de la valorisation par non-arbitrage. Supposons pour cela satisfaite lhypothèse ci-dessous :
Hypoth`
ese de lapproche actuarielle
Les facteurs descompte Mt,t+h et les flux à valoriser gt+h sont independants
sachant linformation disponible à la date t.
Sous cette hypothèse, le prix dun produit derive europeen secrit :
Ct (g) =
Et (Mt,t+h gt+h )
h=1
Et (Mt,t+h )Et (gt+h )(à cause de lhypothèse d
h=1
independance conditionnelle)
=
B(t, t + h)Et (gt+h ).
h=1
Cette formule de valorisation est une extension du prix actuariel vu en

3.1.2, dans laquelle la structure par terme nest plus necessairement supposee
plate, mais o`
u il ny a aucune correction pour lincertitude sur le flux. Dans
l approche actuarielle etendue, les valorisations du temps et de lincertitude
sont effectuees separement, et les probabilites forward-neutre concident avec
les probabilites historiques.
124
3.3
D
eriv
es de cr
edit
Le principe de valorisation par non-arbitrage sapplique notamment aux

derives de credit, dont les flux de paiement sont sensibles à des evènements
de credit comme les defauts de remboursement ou les procedures de recouvrement. Nous commencons par expliciter lensemble dinformation, qui comprend aussi bien des informations macroeconomiques que des informations
individuelles sur les emprunteurs. Nous discutons ensuite les prix de quelques
produits derives de base (voir le chapitre 2 pour la description des derives de
credit proposes sur le marche).
3.3.1
Lensemble dinformation
A titre dillustration, nous supposons que les emprunteurs sont des entreprises indexees par i = 1, . . . , n. A la date t, on suppose connus :
i) lensemble de ces entreprises encore vivantes, o`
u population `
a risque
[PaR] ;
ii) lensemble des entreprises disparues avant cette date t, avec leur date
de defaillance et les conditions de celles-ci, incluant les informations sur le
recouvrement, qui nest pas forcement termine ;
iii) Leurs bilans passes et presents, disponibles jusquà la date t, si lentreprise
est encore en vie, jusquà la date de defaillance, sinon.
iv) Les valeurs passes et presentes des actifs ecrits sur ces entreprises : actions,
obligations, derives de credits.. jusquà la date t, si lentreprise est encore en
vie, jusquà la date de defaillance, sinon 5 .
v) Les valeurs presentes et passees de variables macroeconomiques financières
ou reelles : taux sans risque, indice de marche, cycle daffaires...
4
Cette terminologie est due à Sir D. Cox, specialiste de la statistique des modèles de
duree.
5
Cependant les obligations dentreprise peuvent continuer à etre echangees sur des
marches secondaires meme après la defaillance.

DE CREDIT
3.3. DERIV
ES
125
Cette liste montre que linformation individuelle joue un role important et

quil faut imperativement conserver linformation sur les firmes ayant eu une
defaillance meme si on ne peut plus ou on ne veut plus leur preter maintenant.
Selon les approches, on insiste plus sur certaines composantes de linformation que sur dautres. Ainsi, certaines optiques donnent plus dimportance
aux sous-ensembles dinformation suivants :
i) prix des obligations du Tresor et donnees individuelles ;
ii) prix des obligations du Tresor et prix des obligations dentreprise (avec
eventuellement la prise en compte dune notation) ;
iii) prix des obligations du Tresor et prix des actions (avec eventuellement
des donnees sur les dettes et les valeurs de lactif des firmes).
3.3.2
Valorisation de quelques d
eriv
es de cr
edit
i) Obligation dentreprise `
a z
ero-coupon
Une telle obligation de maturite t + h propose un flux contractuel de 1
(1 Euro) à la date t + h. Au cas o`
u une defaillance se produit avant cette
date, ce flux ne peut etre honore et le detenteur de lobligation recoit une
quantite moindre i,t+h , disons, correspondant au taux de recouvrement.
Comme nous lavons vu dans le paragraphe 2.1.4, il y a divers types dobligations avec divers niveaux de priorite pour le remboursement au moment
des defaillances. Lapproche decrite dans ce paragraphe doit se comprendre
pour une tranche de priorite donnee. Par ailleurs, nous supposons implicitement que le recouvrement a lieu à la maturite du contrat ; nous nexpliquons pas dans cet exemple comment prendre en compte les delais aleatoires
et parfois fort longs, des procedures de recouvrement, ainsi que les co
uts
de ces procedures (voir chapitre 6). Designons par Yi la date potentielle de
defaillance de lentreprise. Le flux de paiement veritable est alors :
126
1, si Yi > t + h,
gt+h =
i,t+h , si Yi t + h.
Le prix de lobligation zero-coupon dentreprise est :

Ci (t, t + h) = exp[hri (t, t + h)]
= Et [Mt,t+h 1lYi >t+h ] + Et [Mt,t+h i,t+h 1lYi t+h ],
o`
u ri (t, t + h) designe le taux associe.
Comme le taux de recouvrement est generalement compris6 entre 0 et
1, le prix de lobligation zero-coupon de lentreprise est inferieur au prix
de lobligation zero-coupon du Tresor afin de compenser les risques de non
recouvrement et de defaillance. De facon equivalente, le diff
erentiel de taux
[spread] :
si (t, t + h) = ri (t, t + h) r(t, t + h),
(3.9)
est positif ou nul. Il depend de la date t, du terme h et de la firme i. Letude

de la structure par terme des taux de lentreprise i demande lanalyse jointe
de la structure par terme des taux sans risque et de celle des differentiels de
taux s.
ii) Credit Default Swap (CDS) digital.
Le CDS digital est un derive introduit pour se couvrir contre la defaillance
dune firme donnee avant une certaine date. Il ne sinteresse pas au risque lie
au taux de recouvrement.7 Le flux du CDS digital de maturite t + h est :
6
Voir cependant la discussion du chapitre 6.

Dans la terminologie du chapitre 2, il sagit dun CDS avec soulte et paiement contractuel unitaire à la maturite.
7

DE CREDIT
3.3. DERIV
ES
127
0, en t + h, si lentreprise est en vie,

gt+h =
1, sinon.
Ce flux peut aussi secrire :
,
gt+h = 1 gt+h
o`
u gt+h
=
1, en t + h, si lentreprise est en vie,

0, sinon.
est le flux de paiement dune obligation dentreprise zero-coupon avec

gt+h
taux de recouvrement zero. gt+h apparat alors comme le flux dun portefeuille
comportant 1 zero-coupon sans risque (du Tresor) et -1 zero-coupon dentreprise avec taux de recouvrement zero. Ceci explique le nom de swap de taux,
cest-à-dire dechange dun taux variable contre un taux sans-risque. Cet actif peut etre vu comme un contrat dassurance sur la vie dune entreprise.
Son introduction sur les marches comme actif financier sexplique essentiellement par une reglementation et une organisation des marches financiers plus
adaptees que celles des marches dassurance pour assurer son developpement
rapide. Bien que le CDS digital sintroduise naturellement, il peut differer
des CDS echanges sur les marches et decrits dans le chapitre 2. Dans le CDS
digital, il y a un seul versement de prime à la date de signature du contrat et
le taux de recouvrement a ete fixe à zero. Ceci permet de mieux comprendre
comment sont effectues les calculs de valorisation.
Dans la suite, nous notons :

CDSi (t, t + h) le prix de lobligation zero-coupon dentreprise à taux de
recouvrement zero,
et CDSi (t, t + h) le prix du CDS associe.
Le prix de lobligation zero-coupon à taux de recouvrement zero est :
128
CDSi (t, t + h)
= B(t, t + h) CDSi (t, t + h)
(3.10)
= Et [Mt,t+h 1lYi >t+h ],

= exp[hi (t, t + h)],
o`
u i designe le taux dinteret correspondant. Le prix CDSi (t, t + h) est
inferieur au prix du zero-coupon dentreprise, de sorte que :
i (t, t + h) ri (t, t + h) r(t, t + h).
Le differentiel de taux i (t, t + h) r(t, t + h) fournit la structure par
terme de la valeur de la defaillance, alors que le differentiel de taux i (t, t+
h) ri (t, t + h) donne la structure par terme de la valeur du taux de non
recouvrement.
iii) D
eriv
es de cr
edit
ecrits sur plusieurs firmes
Un exemple est le first-to-default basket (voir le paragraphe 2.3.4 pour
la definition). Considerons un tel actif ecrit sur deux firmes 1 et 2, de maturite
t + h. Le flux est :
0, à t + h, si les deux firmes sont encore vie à cette date,

gt+h =
1, sinon.
Il sagit cette fois dun contrat dassurance vie sur deux tetes, les deux
firmes considerees. Comme auparavant, il est interessant dintroduire aussi
le flux :
gt+h
1, à t + h, si les deux firmes sont encore en vie
à cette date,
=
0, sinon.

DE CREDIT
3.3. DERIV
ES
129
Dans la suite, nous notons CDS1,2 (t, t + h) et CDS1,2

(t, t + h) les prix en
t de ces derives de credits, respectifs. Nous avons :
CDS1,2 (t, t + h) = B(t, t + h) CDS1,2

(t, t + h), et :
CDS1,2
(t, t + h) = Et [Mt,t+h 1lY1 >t+h 1lY2 >t+h ]
(3.11)
= exp[h1,2 (t, t + h)].

Nous en deduisons les inegalites :
CDS1,2
(t, t + h) min[CDS1 (t, t + h), CDS2 (t, t + h)]
et CDS1,2 (t, t + h) max[CDS1 (t, t + h), CDS2 (t, t + h)].

Le prix du first-to-default basket est evidemment superieur à ceux des
CDS digitaux ecrits sur 1 et 2.
Il est interessant sur cet exemple dintroduire la probabilite forwardneutre de terme h. Nous avons :
CDS1,2
(t, t
CDSi (t, t
Qt,h
+ h) = B(t, t + h) Et [1lY1 >t+h 1lY2 >t+h ],

Qt,h
+ h) = B(t, t + h) Et [1lYi >t+h ].
Nous en deduisons que :

1
[CDS1,2
(t, t + h)B(t, t + h) CDS1 (t, t + h)CDS2 (t, t + h)]
B(t, t + h)2
concide avec la covariance forward-neutre des indicateurs de defaillance des
deux firmes. Celle-ci diffère generalement de la covariance historique entre
ces defaillances individuelles. De facon equivalente, le differentiel de taux :
1,2 (t, t + h) r(t, t + h) [1 (t, t + h) r(t, t + h)] [2 (t, t + h) r(t, t + h)],
130
fournit une mesure du prix de la correlation de defaut à horizon h, prix qui

peut etre de signe quelconque.
3.3.3
Intensit
e de survie
Lexpression du prix de lobligation zero-coupon dentreprise avec taux

de recouvrement nul :
CDSi (t, t + h) = Et [Mt,t+h 1lYi >t+h ],
montre une dissymetrie dans la variable dont lesperance doit etre calculee.
En effet, Mt,t+h est une variable positive continue alors que lindicatrice de
defaillance est qualitative dichotomique. Cette dissymetrie peut facilement
etre eliminee, ce qui evite de tenir compte directement des phenomènes de
saut dus à la defaillance.
Remarquons dabord que le calcul na de sens veritable que si lentreprise
i est encore en vie à la date t , cest-à-dire si Yi > t, et considerons pour
simplifier un calcul à court terme h = 1. Nous avons :
CDSi (t, t + 1) = Et [Mt,t+1 1lYi >t+1 ]
= E[Mt,t+1 1lYi >t+1 |It , Yi > t].
Introduisons alors un ensemble dinformation intermediaire Jt tel que :
(It , Mt,t+1 ) Jt It+1 . Nous pouvons ecrire :
CDSi (t, t + 1) = E[E[Mt,t+1 1lYi >t+1 |Jt , Yi > t]|It , Yi > t]
= Et [Mt,t+1 P [Yi > t + 1|Jt , Yi > t]].
Ce calcul permet de remplacer lindicatrice de survie 1lYi >t+1 par lintensit
e
de survie i,t,t+1 = P [Yi > t + 1|Jt , Yi > t], calculee conditionnellement à
linformation Jt . Pour un terme h, la formule peut etre remplacee par :
3.4. LA FORMULE DE BLACK ET SCHOLES
CDSi (t, t + h) = Et hk=1 (Mt+k1,t+k i,t+k1,t+k ) ,
131
(3.12)
montrant les roles symetriques du facteur descompte stochastique M et de

lintensite de survie.
Cette methodologie est notamment suivie dans les modèles à intensite
(voir chapitre 5), o`
u linformation intermediaire est constituee des valeurs de
facteurs latents influant à la fois sur les facteurs descompte stochastique et
sur les defaillances des firmes.
3.4
La formule de Black et Scholes
Le principe de non-arbitrage a notamment ete utilise pour obtenir une

première formule simple de valorisation des options dachat europeennes sur
action. Celle-ci a initialement ete derivee en temps continu par Black-Scholes
(1973) et Merton (1974). Nous en presentons une version en temps discret
plus proche de la derivation effectuee 8 par Breeden, Litzenberger (1978),
Huang-Litzenberger (1988). Nous considerons un marche avec deux actifs
sous-jacents : un actif sans risque et une action, et les produits derives ecrits
sur laction. Le taux sans risque à horizon 1 est suppose deterministe constant
dans le temps et est note r. Le prix de laction note St est tel que :
log St+1 log St = 2 /2 + t+1 ,
(3.13)
o`
u les erreurs t , t = 1, 2 . . . sont independantes, de meme loi normale centree
reduite. Ainsi le rendement (geometrique) de laction à horizon 1 : rt+1 =
log(St+1 /St ) constitue une suite de variables gaussiennes independantes, de
meme moyenne9 2 /2, de meme variance 2 .
8
Dans cette seconde approche, le facteur descompte stochastique admet une interpretation en terme de preferences des investisseurs. Cette interpretation nest pas discutee ici.
9
La moyenne a ete notee 2 /2 de facon que les notations soient compatibles avec
132
3.4.1
Facteur descompte stochastique
Considerons alors un facteur descompte stochastique fonction exponentielle affine du rendement de laction :
Mt,t+1 = exp( + rt+1 ).
(3.14)
La transformation exponentielle assure la positivite du facteur descompte

et laspect affine simplifie les calculs. La formule generale de valorisation sappliquant à lactif sans risque et à laction, les paramètres , sont contraints
par :
Et (Mt,t+1 ) = B(t, t + 1) = exp(r),
Et (Mt,t+1 St+1 ) = St ,
ou de facon equivalente par :
Et [Mt,t+1 exp r] = 1,
Et [Mt,t+1 exp rt+1 ] = 1.
Ceci conduit aux deux equations ci-dessous utilisant la forme de la transformee de Laplace dune loi normale10 :
2
2 2
exp[r
+
+
(
)
+
] = 1,
2
2
2
2
exp[ + (1 + )( ) + (1 + ) 2 ] = 1,
2
2
celles en temps continu, o`
u dSt = St dt + St dWt , avec (Wt ) un mouvement brownien
standard.
u2 2
10
).
Si X suit la loi normale N (m, 2 ), nous avons : E[exp(uX)] = exp(um +
2
133
2 2
2
)
+
= 0,
r
+
+
(
2
2
2
2
+ (1 + )( ) + (1 + ) 2 = 0.
2
2
Ce système de deux equations à deux inconnues et fixe de facon
unique les valeurs de ces deux paramètres, et donc le facteur descompte
stochastique. Ainsi le choix a priori dune forme exponentielle affine pour
Mt,t+1 contourne le problème dincompletude du marche et fournit une formule unique de valorisation. Evidemment la restriction a priori (3.14) sur le
facteur descompte devrait etre validee (testee) en pratique.
3.4.2
Distribution risque-neutre
Comme le taux sans risque est constant, les distributions risque-neutre

et forward-neutre concident. Afin de determiner la loi risque-neutre du rendement de laction, nous allons considerer sa transformee de Laplace. Nous
avons :
Q
tQ (u) = Et exp(urt+1 )
= Et [Mt,t+1 exp(urt+1 )] /Et (Mt,t+1 )
= Et [exp(u + )rt+1 ] /Et [exp(rt+1 )]
2
(u + )2 2
2
2
= exp (u + )( ) +
( ) 2
2
2
2
2
u2 2
2
2
+ ) +
= exp u(
.
2
2
Par ailleurs, les contraintes sur le facteur descompte, vues dans le paragraphes 3.4.1, impliquent :
134
tQ (1) = Et [Mt,t+1 exp rt+1 ]/Et (Mt,t+1 ) = exp r,

2
2
2
exp (
+ ) +
= exp r
2
2
2
2
+ 2 +
= r.
2
2
Le paramètre peut etre tire de cette equation et reporte dans lexpression de la transformee de Laplace risque-neutre. Nous obtenons :

tQ (u) = exp[u(r
2
2
) + u2 ],
2
2
cest-à-dire la transformee de Laplace de la loi normale de moyenne r 2 /2,

de variance 2 .
Proposition 2.2 : Sous probabilite risque-neutre, le prix de laction satisfait
2
le modèle : log St+1 log St = r
+ t+1 , o`
u les erreurs t , t = 1, 2, . . .
2
sont independantes, normales centrees, reduites.
Le passage de la probabilite historique à la probabilite risque-neutre sobtient en modifiant la moyenne r, et en conservant le meme niveau de
volatilite.
3.4.3
Valeur dune option dachat europ

eenne
Considerons alors une option dachat europeenne ecrite sur laction, de

maturite t+h, de prix dexercice K = kSt . Le prix dexercice k normalise par
la valeur courante est appele prix dexercice `
a la monnaie (moneyness
strike). Le flux de paiement est :
gt+h = (St+h kSt )+ .
135
Il peut aussi secrire :

gt+h = St (St+h /St k)+
= St [exp(log St+h log St ) k]+ .
= St [exp(rt+1 + . . . + rt+h ) k]+ .
Comme le prix de laction St est connu à la date t, ce produit derive peut
aussi etre vu comme ecrit sur le rendement int
egr
e : rt+1 + . . . + rt+h .
Sous probabilite risque-neutre, nous avons :
log St+h log St = (r 2 /2)h + h ,

o`
u suit une loi normale centree reduite. Nous pouvons alors appliquer la
formule de valorisation generale :
Q
Ct (h, g) = B(t, t + h) Et (gt+h )
= St exp(rh)E(exp[(r 2 /2)h + h ] k]+ ),

o`
u suit la loi N (0, 1). Le calcul de lesperance peut etre effectue explicitement conduisant à la formule de Black-Scholes :
Ct (h, g) = St [(xt ) exp(rh)(xt h)],

,
1
1
avec :
xt =
h log[k exp(rh)],
2
h
et designant la fonction de repartition de la loi normale centree reduite.
136
3.5
3.5.1
Appendice
Coh
erence temporelle
Mt+k1,t+k
Et+k1 (Mt+k1,t+k )
par rapport à la distribution historique Pt+h|t de Zt+h , Zt+h1 , . . . , Zt+1 sachant Zt . Qt+h|t sinterprète comme la distribution risque-neutre de Zt+h , Zt+h1 , . . . , Zt+1
sachant Zt . Considerons alors la loi de Zt+h1 , . . . , Zt+1 sachant Zt calculee
avec Qt+h|t , cest-à-dire en integrant par rapport à Zt+h . Cette loi admet
" h
#
Y
Mt+k1,t+k
Mt+k1,t+k
= h1
par
la densite Et+h1
k=1
Et+k1 (Mt+k1,t+k )
Et+k1 (Mt+k1,t+k )
k=1
rapport à Pt+h1|t . Elle concide avec Qt+h1|t , ce qui prouve la coherence
temporelle.
Considerons la distribution de probabilite Qt+h|t de densite hk=1
3.5. APPENDICE
3.5.2
137
Pr
esentation en temps continu
1. Mod
elisation
Le principe de valorisation par non-arbitrage peut aussi etre presente en
temps continu. Le but de cette annexe est de donner les formules analogues
en temps continu.
Dans une telle approche, les variables sous-jacentes Zt sont indexees par
t (0, ) et linformation disponible à la date t est Zt = {Z , t}. Le
facteur descompte stochastique doit permettre de valoriser tout flux gt+h , h
(0, ), ecrit sur les valeurs du sous-jacent : gt+h Zt+h . Il est generalement
defini en considerant une petite periode (t, t+dt) par Mt,t+dt

' exp(m(t)dt),
Z t+h
= exp[
m(u)du]. La formule
o`
u m(t) Zt . On en deduit que Mt,t+h
t
de valorisation dune option Europeenne de maturite t + h devient :
Ct (gt+h ) = Et (Mt,t+h
gt+h )
t+h
m(u)du]gt+h ).
= Et (exp[
t
Cette formule permet de definir les prix des obligations zero-coupon pour
toute date et maturite reelles :
Z
B(t, t + h) =
Et (Mt,t+h
)
t+h
= Et [exp(
m(u)du)].
(3.15)
En particulier, sous certaines conditions de regularite, on peut introduire

le taux geometrique à terme infinitesimal r(t). Plus precisement, nous avons :
1
r(t, t + h) = log B(t, t + h),
h
et pour h = dt petit :
138
r(t, t + dt) =
1
log B(t, t + dt)
dt
1
[log B(t, t + dt) log B(t, t)], car B(t, t) = 1,
dt
'
log B(t, h)
]h=0 = r(t), disons.
h
Ce taux infinit
esimal intervient dans la formule de valorisation sous
probabilite risque-neutre (voir 3.2.4). Nous avons :
Ct (gt+h ) =
EtQ
t+h
exp[
r(u)du]gt+h .
t
2. D
efaillance
Dans une presentation en temps continu, il est classique de supposer que
la defaillance peut a priori se produire à toute date reelle. Nous avons vu
dans le paragraphe 3.3.3 le role important de lintensite de survie dans le
cadre du temps discret pour une periode (t, t + h), celle-ci est :
(t, t + h) = P [Y > t + h]Y > t],
o`
u Y designe la duree de vie de lentreprise. Designons par S(t) = P [Y > t]
la fonction de survie correspondante. Nous avons :
(t, t + h) = P [Y > t + h]/P [Y > t]
= S(t + h)/S(t),
1
1
log (t, t + h) = log[S(t + h) log S(t)].
h
h
3.5. APPENDICE
139
Considerons h = dt, et faisons tendre dt vers zero. Si la loi de la duree de

vie de lentreprise est une loi continue, nous pouvons passer à la limite pour
obtenir :
1
d log S(t)
f (t)
(t) = lim log (t, t + dt) =
=
,
dt0
dt
dt
S(t)
o`
u f designe la densite de la loi de la duree de vie. La fonction est appelee
fonction de hasard, ou taux de mortalit
e infinit
esimal ou intensit
e
de d
efaillance. Nous avons alors :
Z
t+h
(t, t + h) = exp[
(u)du].
t
Le prix dune obligation zero-coupon dentreprise à taux de recouvrement

nul secrit alors :
CDSi (t, t
+ h) = Et
Z
exp
t+h
[m(u) + (u)]du
t
EtQ
Z
exp
t+h
[r(u) + (u)]du
Ces formules montrent les roles symetriques des fonctions m, , r.

3. Temps continu versus temps discret
Le choix dune modelisation en temps continu ou en temps discret est
fonction de la formation des utilisateurs, des logiciels de valorisation existant, des donnees disponibles, des demandes des regulateurs... Ainsi, il est
usuel sur les marches assez liquides de valoriser les produits derives par lintermediaire de formules en temps continu. A loppose, les valorisations sur
les produits de details, sur les produits titrises de credits hypothecaires, sont
generalement effectuees en temps discret. De meme les donnees disponibles
sur les firmes : bilans, notations... le sont en temps discret. Lintroduction
dune nouvelle regulation demande de rendre coherentes ces diverses pratiques et, au minimum, de bien comprendre les differences possibles entre les
140
deux approches. Sachant que, pour le regulateur, les calculs de risque ou de

reserves doivent etre effectues à une frequence discrète annee, mois ou jour.
3 i) Les contraintes des mod
elisations en temps continu
Ces contraintes sont souvent dues à des hypothèses implicites faites pour
deduire les principaux resultats. Celles-ci sont souvent moins anodines quil
y parat, reduisant la flexibilite de ces modèles et rendent difficiles les ajustements aux donnees reelles. Nous en verrons plusieurs dans les chapitres qui
suivent. A ce niveau, nous pouvons par exemple discuter lhypothèse dexistence de la fonction de hasard . Comme nous lavons signale, son existence
suppose que la loi de la duree de vie de lentreprise est une loi continue. Or les
dates potentielles de defaillance sont souvent presque connues à lavance et
discrètes ; ce sont les dates de remboursement prevues dans les echeanciers,
les dates de presentation des resultats... De facon à mieux sajuster à la
realite, les modèles en temps continu doivent prendre en compte ces realites,
et au minimum permettre des lois partiellement discrètes pour les dates de
defaillances. Ceci explique la necessite dintroduire des processus à sauts,
beaucoup plus difficiles à manier, dans les specifications les plus avancees.
Ce problème ne se pose pas dans les formulations en temps discret, o`
u tout
mouvement est necessairement saut.
3 ii) Les contraintes des mod
elisations en temps discret
La principale contrainte provient de la definition de lensemble dinformation Zt = (Zt , Zt1 , Zt2 , ...) en temps discret et Zt = (Z , t) en temps
continu. Ceci montre que, au moins theoriquement, les modèles en temps
continu peuvent tenir compte de plus dinformation. Examinons ce problème
,
de facon plus precise. Les facteurs descompte stochastique Mt,t+1 et Mt,t+1
utilises dans les deux modelisations pour valoriser les derives europeens de
maturite residuelle 1, different en general du fait des informations differentes,
dont ils dependent.
Cependant, la plupart des formulations existantes en temps continu sup-
3.5. APPENDICE
141
posent des variables sous-jacentes Zt , markoviennes à la fois dans le sens

direct du temps et en temps retourn
e. Plus precisement, Zt contient toute
linformation de Z t = (Z , t) utile pour prevoir les trajectoires futures
des variables detat (Propriete de Markov dans le sens direct du temps), et
Zt contient toute linformation utile de Zt = (Z , t) pour prevoir les
trajectoires passees des variables detat [Propriete de Markov dans le temps
retourne]. Considerons alors une option Europeenne, de maturite residuelle 1,
dont le flux gt+1 depend de Zt+1 seulement. Son prix evalue en temps continu
est :
t+1
Ct (gt+1 = Et exp[
m(u, Zu )du]gt+1 (Zt+1 ) ,
dès que le facteur descompte infinitesimal ne depend que de la valeur courante de la variable sous-jacente. Nous pouvons appliquer la loi des anticipations iterees pour ecrire :

Z
Ct (gt+1 ) = Et E exp[
t+1
m(u, Zu )du]|Zt , Zt+1 gt+1 (Zt+1 )

= Et E Mt,t+1
|Zt , Zt+1 gt+1 (Zt+1 )

= Et E Mt,t+1
|Zt , Zt+1 gt+1 (Zt+1 ) .
Ainsi pour valoriser ces options europeennes, il est equivalent dutiliser
lapproche en temps continu fondee sur m(t, Zt ), ou une approche en temps

discret fondee sur Mt,t+1 = E Mt,t+1

|Zt , Zt+1 , o`
u le facteur descompte
Mt,t+1 depend à la fois de Zt et Zt+1 .
142

REFERENCES
Black, F., et M., Scholes, (1973) : The Pricing of Options and Corporate
Liabilities, Journal of Political Economy, 81, 637-654.
Breeden, D., et R., Litzenberger (1978) : Prices of State-Contingent
Claims Implicit in Option Prices, Journal of Business, 51, 621-651.
Gordon, M (1962) : The Investment, Financing and Valuation of the
Corporation, Homewood, Irwin.
Gordon, M., et E., Shapiro (1956) : Capital Equipment Analysis : The
Required of Profit, Management Science, 3, 101-110.
Harrison, J., et D., Kreps (1979) : Martingales and Arbitrage in Multiperiod Securities Markets, Journal of Economic Theory, 20, 381-408.
Huang, C., et R., Litzenberger (1988) : Foundations for Financial Economics, North-Holland.
Hull, J., et A., White (1987) : The Pricing of Options on Assets with
Stochastic Volatilities, Journal of Finance, 42, 281-300.
Merton, R. (1974) : Rational Theory of Option Pricing, Bell Journal of
Economics and Management Sciences, 4, 141-183.
Chapitre 4
VALEUR DE LACTIF DE LA
FIRME
4.1
Introduction
Ce modèle est fonde sur une idee structurelle initialement introduite par
Tobin (1958), puis reprise par Black-Scholes (1973) et Merton (1974). Celleci suppose quil y a defaillance de lentreprise, lorsque la valeur de lactif du
bilan A (asset) devient inferieure à la valeur des dettes, souvent assimilee
au passif du bilan diminue des fonds propres L (liabilities). Ce principe est
utilise :
i) pour prevoir les dates de defaillance des entreprises et construire les notations associees ;
ii) pour prevoir limportance des taux de recouvrement ou des taux de perte,
lorsquil y a defaillance ;
mais aussi :
iii) pour valoriser les derives de credit : actions, obligations, options sur actions, credit default swap (CDS), collaterized debt obligations (CDO)...
iv) et pour analyser la valeur future dun portefeuille compose de tels derives,
en particulier pour determiner le montant des reserves (Credit VaR).
143
144
CHAPITRE 4. VALEUR DE LACTIF DE LA FIRME
Le modèle initial [Merton (1974)] considère une ligne de bilan et deux

dates, celle dobtention du pret et la date contractuelle de remboursement.
Cette version est ensuite etendue au cas des firmes et de plusieurs periodes.
Le modèle a ete très tot mis en oeuvre par des societes de service pour
analyser les differentiels de taux entre obligations dentreprise et obligations
detat, par exemple par la firme KMV : Kealhofer, McQuown, Vasicek [voir
Crosbie, Bohn (2003)et chapitre 9]. Cette implementation sest accompagnee
decarts par rapport à la litterature initiale sur la definition des principales
variables, sur la terminologie ou sur les sources dinformation servant au
calibrage (estimation) du modèle. Ces ecarts doivent etre compris et analyses.
Certains dentre eux proviennent de significations differentes dun meme
terme aussi bien en francais quen anglais. Ainsi le mot actif (asset) a au
moins deux sens très differents : celui dactif (financier) incluant actions,
obligations,..., celui dactif du bilan, colonne sopposant à passif (liabilities).
De meme, en anglais, le terme liability a au moins trois sens differents
celui de dette, celui de passif (dans actif-passif) (asset-liabilities), celui de
responsabilite dans limited liability.
De nombreuses derives dans les modèles theoriques, leur mise en oeuvre
et leur comprehension proviennent des confusions entre ces sens differents.
Lapproche decrite dans ce chapitre est connue sous divers noms plus ou
moins adaptes :
i) comme mod`
ele de Merton, ce qui na de sens que si les idees de Merton
(1974) sont correctements reproduites ;
ii) comme mod`
ele structurel, ce qui na de sens que si on sinteresse aux
variables sous-jacentes du modèle, cest-à-dire à la reconstitution des bilans
present et futurs, plutot quà de simples problèmes de prevision soit de la
defaillance, soit de prix de produits derives (voir la discussion au chapitre 5).
iii) comme mod`
ele de valeur de la firme (ou mieux mod`
ele de valeur
de lactif de la firme).
Cette terminologie est retenue dans la suite, bien quelle induise a priori
une dissymetrie entre actif et passif du bilan.
4.2. BILAN DES ENTREPRISES
4.2
145
Bilan des entreprises
Le fonctionnement dune entreprise repose sur lutilisation des moyens

financiers dont elle dispose. Le bilan, document de synthèse, est le reflet
de la situation patrimoniale de l entreprise à une date donnee, cloture de
lexercice. De ce point de vue, le bilan propose une presentation structuree
des avoirs et des dettes dune entreprise. Son etablissement obeit au principe
de permanence des methodes selon lequel les règles devaluation des flux
comptabilises, les methodes dimputation et les normes de presentation des
documents sont les memes dun exercice à lautre. Presente selon certains
principes imposes par la legislation , le bilan se decompose en deux parties :
lactif et le passif.
Lactif, ce que lentreprise possède, est la partie gauche du bilan. Ce sont
les emplois. Il represente lensemble des biens (immobilisations, stocks...)
et droits (creances clients...) detenus par lentreprise et necessaires à son
activite.
Le passif, partie droite du bilan, represente les ressources de lentreprise.
Le passif constitue lensemble des dettes et obligations contractees par lentreprise auprès de creanciers exterieurs (actionnaires, institutions financières,
fournisseurs, organismes sociaux,...). On distingue :
i) Le passif interne (haut du bilan), qui donne les ressources propres
de lentreprise. Cest lequivalent des dettes envers les proprietaires de lentreprise (actionnaires) ; il se decompose en capital initial, reserves provenant de benefices anterieurs et resultat de lexercice. Il sagit des dettes dont
lecheance est la plus eloignee dans le temps.
ii) Le passif externe (bas du bilan), qui represente les engagements
de lentreprise envers les tiers (fournisseurs, banques, organismes sociaux...).
Cest lensemble des dettes exigibles en premier.
Lanalyse economique et financière dune entreprise passe par letude des
principaux chiffres du bilan (capitaux propres, fonds de roulement, frais fi-
146
nanciers, chiffres daffaires, resultat net...), et conduit à opposer les emplois

(actif) aux ressources (passif). Pour cela, il est necessaire de retraiter le bilan
comptable [voir Appendice 4.1] de manière à presenter les differents elements
du bilan en fonction de leur degre dexigibilite ou de leur degre de liquidite,
mais aussi à identifier differents sous-ensembles à lactif et au passif, qui serviront de base à lanalyse de son equilibre financier. La terminologie de bilan
fonctionnel est souvent utilisee dans ce cas.
1) Lactif du bilan
Lactif du bilan se decompose en trois parties, classees par ordre croissant
de liquidite. Par liquidite, on entend la capacite dun actif à etre immediatement
disponible pour financer une depense ou payer une dette. Un billet de banque
par exemple est un actif parfaitement liquide, car il permet immediatement
dhonorer une dette, alors quun immeuble est presque illiquide au sens o`
u sa
transformation en disponibilites est très longue. Dune facon generale, on distingue les emplois durables (actif immobilise) des emplois temporaires (actif
circulant).
A) Actif immobilise (ou actif stable)
Lactif immobilise recense les biens pouvant servir durablement à lentreprise. En dautres termes, ces derniers ne disparaissent pas au premier usage.
Ces elements dactif sont evalues à leur prix dachat (hors amortissements)
pour estimer le co
ut de leur renouvellement eventuel. On distingue :
i) Les immobilisations incorporelles : Les immobilisations incorporelles ne
sont pas des biens acquis par lentreprise, mais representent des depenses
engagees par cette dernière pour une longue periode. Elles comprennent entre
autres, les frais detablissement, certains frais de recherche et developpement,
les concessions, les brevets, les fonds de commerce...
ii) Les immobilisations corporelles : Les immobilisations corporelles regroupent
les terrains, les constructions, le materiel industriel, les installations et agencements... Ce sont des biens finaux acquis par lentreprise pour exercer son
activite et qui servent au cours de plusieurs cycles dactivite.
147
iii) Les immobilisations financières : Les immobilisations financières representent

les depots de garantie, les prets accordes par lentreprise...
B) Actif circulant :
Lactif circulant est constitue des stocks, des comptes clients et des disponibilites. Il sagit des elements de lactif ayant un degre de liquidite plus
fort, qui sont directement liees à lactivite courante de lentreprise, et se renouvellent periodiquement, à savoir :
i) les stocks et encours (matières premières et autres approvisionnements non
consommes en totalite en une seule fois, et stockes par lentreprise).
ii) les creances dexploitation : Il sagit des creances clients et comptes rattaches ainsi que des creances que detient lentreprise sur les salaries, la
securite sociale, les ASSEDIC, les caisses de retraite, divers autres organismes
sociaux...
iii) les creances hors exploitation : Elles concernent la TVA, limpot sur les
societes ainsi que les creances sur debiteurs divers...
C) Tresorerie active :
Elle est constituee de lensemble des elements de lactif parfaitement liquides ou très liquides. Il sagit :
i) des valeurs mobilières de placement (actifs financiers acquis par lentreprise
dans le seul but de realiser des plus-values).
ii) des disponibilites (ensemble des disponibilites deposees sur le compte bancaire de lentreprise, ou des pièces et billets detenus par lentreprise, sur fond
de caisse par exemple).
D) Comptes de regularisation
Leur objet est la repartition des charges dans le temps de facon à respecter
le principe de separation des exercices : charges constatees davance et charges
à repartir sur plusieurs exercices.
2) Le passif du bilan
De meme que pour lactif, le passif dun bilan se decompose en trois
148
parties : les capitaux permanents, le passif circulant et la tresorerie passive.

A) Capitaux permanents :
Les capitaux permanents regroupent lensemble des elements du passif
dont le remboursement est le plus eloigne dans le temps, à savoir :
i) les capitaux propres de lentreprise, cest-à-dire lensemble des ressources
non empruntees dont dispose lentreprise pour exercer son activite (capital,
reserves, subventions dinvestissement, provisions reglementees,...).
ii) les amortissements et provisions, constitues par lentreprise pour permettre
le renouvellement de lactif immobilise.
iii) les dettes financières à long terme, contractees par lentreprise auprès
detablissements de credit et ayant une echeance longue.
B) Passif circulant :
Le passif circulant regroupe les elements du passif ayant un degre dexigibilite plus rapproche et directement lies à lactivite courante de lentreprise.
Les elements du passif circulant se renouvellent periodiquement. Il est compose :
i) des dettes fournisseurs : lentreprise, ne payant pas necessairement ses
fournisseurs à la livraison, contracte des dettes qui ont des echeances de
quelques mois (moins de 90 jours en moyenne).
ii) des dettes fiscales et sociales : Lentreprise ne paye pas ses impots, taxes
ou autres charges sociales au jour le jour (exemple la TVA) ; elle contracte
alors des dettes auprès de lEtat

ou des organismes de protection sociale.
iii) des autres dettes dexploitation : ensemble des autres dettes dexploitation
contractees par une entreprise pour exercer son activite.
C) Tresorerie passive
Il sagit :
i) des concours bancaires et autres facilites de caisses, consentis par un
etablissement pour financer lactivite quotidienne de lentreprise.
ii) des soldes bancaires crediteurs : si le compte bancaire de lentreprise est
149
negatif, lentreprise devra combler son decouvert le plus rapidement possible.

D) Comptes de regularisation.
Selon le principe de la partie double, les fonds propres representent la
difference entre ce que lentreprise possède et ce quelle doit, de sorte que lon
a:
Fonds propres = Actif - Passif externe.
Il en resulte la règle generale et immuable de legalite parfaite entre le
total des emplois et le total des ressources :
Actif = Passif.
De facon resumee, le bilan fonctionnel se presente comme dans le Tableau
4.1.
150

bf Tableau 4.1 : Bilan fonctionnel
Bilan fonctionnel
actif
passif
Actif immobilis
e:
Capitaux permanents :
dont :
dont :
- immobilisations corporelles
- capitaux propres
- immobilisations incorporelles - amortissements et provisions
- immobilisations financières
- dettes financières à long terme
Actif circulant :
Passif circulant :
dont :
dont :
- stocks
- dettes fournisseurs
- creances clients
- dettes fiscales et sociales
- autres dettes dexploitation
Tr
esorerie active :
Tr
esorerie passive :
dont :
dont :
- disponibilite
- concours bancaires
- soldes bancaires debiteurs
- soldes bancaires crediteurs
4.3
4.3.1
Le mod`
ele initial
Id
ee de base
Au depart le modèle de Merton decrit le financement dun projet bien

defini, cest-à-dire relatif à une ligne specifique du bilan. Il y a deux dates
importantes :
la date t à laquelle la firme emprunte et investit ;
la date t + h à laquelle la firme doit contractuellement rembourser sa
dette.
Le montant emprunte et la somme à rembourser Lt,t+h sont fixes à la
date de signature du contrat tout comme la date de remboursement. Si nous
`
4.3. LE MODELE
INITIAL
151
notons A le montant de lactif du bilan specifique de cette ligne pour la date

, la ligne se presente comme :
actif :A ; passif : Lt,t+h .
A toute date intermediaire t t+h, le solde de cette ligne budgetaire
peut etre positif ou negatif. Il est souvent negatif au debut, le produit dun
investissement netant pas immediat. Dans le modèle, la defaillance ne peut
se produire quau moment de la demande de remboursement de la dette,
cest-à-dire en t + h. Il y a defaillance sur la dette en t + h, si et seulement
si :
At+h < Lt,t+h .
A ce stade, il sagit dun modèle de defaillance sur une ligne de bilan,
avec des hypothèses dont certaines sont fortes. Certaines de ces hypothèses
sont rappelees ci-dessous.
H.1 La dette nest pas indexee ;
H.2 Il ny a pas de remboursements intermediaires prevus ;
H.3 La date de mise en defaillance possible est predeterminee ;
H.4 Il ny a aucune possibilite de renegociation de la dette ;
H.5 Il est facile de determiner la valeur de lactif à chaque date ;
H.6 La valeur de lactif du bilan correspond à sa valeur de liquidation ;
H.7 Rien nest dit sur le choix endogène du montant de linvestissement
et des dates par lemprunteur.
Surtout, il a ete propose très tot par Black-Scholes et Merton dutiliser
cette approche pour le bilan global dune firme et non plus ligne de dette par
ligne de dette. Dautres hypothèses implicites sont alors les suivantes :
H.8 A la date t, il y a une première date future t + h à laquelle des remboursements peuvent etre demandes (voir Geske (1977), Geske, Johnson (1984) pour les premières prises en compte des echeanciers) ;
152

H.9 La firme ne demande pas dautres prets entre t et t + h, ce qui
introduirait de lendogeneite sur le montant de la dette globale et sur
les dates de remboursement. Dune certaine facon, la structure de la
dette et le profil contractuel de remboursement sont cristallises à la
situation de la date t.
H.10 La firme est mise en defaillance si At+h < Lt,t+h , meme si, à la
date t + h, elle a de quoi payer les remboursements, cest-à-dire la seule
fraction de la dette venant à echeance (ou alors il faut changer de facon
adequate la definition de Lt,t+h et prendre en compte de facon très
precise lecheancier de remboursement).
Une des principales difficultes du modèle est dans le choix de definitions

appropriees des variables A et L, à partir des donnees de bilan. Il y a une
logique de structuration de lactif et du passif du bilan autour de la notion
de liquidite croissante. Une telle mise en parallèle des elements de lactif
et du passif fournit une idee de la capacite dune entreprise à honorer ses
dettes à divers horizons h. Ainsi, si la tresorerie dune entreprise ne parat
pas suffisante pour faire face aux echeances les plus courtes, cette entreprise
a de fortes chances de se retrouver en situation de cessation de paiement.
Tableau 4.2 : Structuration du bilan par niveau de liquidit
e
Actif du bilan
Immobilisations
Stocks et encours
Creances clients
Tresorerie active
4.3.2
Passif du bilan
Capital
Dettes à moyen et long terme
Dettes fournisseurs
Tresorerie passive
Les d
eriv
es de cr
edit
Sous les hypothèses precedentes, les flux de paiement à t + h des divers

actifs relatifs à la firme peuvent etre exprimes en fonction de la structure du
`
4.3. LE MODELE
INITIAL
153
bilan. Nous presentons ci-dessous quelques derives de credit simples utilises

dans la suite comme illustration 1 . Lindice de la firme nest pas introduit
pour ne pas alourdir les notations.
A lecheance les offreurs de capital recoivent les paiements decrits dans le
Tableau 4.3
Tableau 4.3 : Paiements aux offreurs de capital

situation
detenteur dobligation
actionnaire
capital total distribue
At+h < Lt,t+h

At+h
0
At+h
At+h > Lt,t+h

Lt,t+h
At+h Lt,t+h
At+h
i) Action (stock)
Nous supposons les fonds propres (equity) assimilables aux actions de
lentreprise. Il y a responsabilite limitee et les creanciers sont prioritaires sur
les actionnaires. Le flux de paiement en t + h est :
At+h Lt,t+h , si At+h > Lt,t+h ,

flux action =
0,
sinon,
flux action
= M ax(At+h Lt,t+h , 0)
= (At+h Lt,t+h )+ .
Une action apparat comme une option dachat europeenne (call) ecrite
sur lactif du bilan, avec comme prix dexercice (strike) la dette predeterminee
1
Les derives de credit introduits sur le marche sont souvent plus complexes (voir le
chapitre 2).
154
et comme maturite residuelle (time-to-maturity) la première date prevue de

remboursement.
Le modèle de valeur de la firme montre que toutes les formules classiques
de valorisation dactions supposent implicitement une duree de vie infinie de
la firme et sont vraisemblablement peu adaptees, au moins lorsque la firme est
proche du defaut. Par exemple, supposer une dynamique de type Brownien
geometrique pour le prix de laction [voir le modèle de Black-Scholes decrit
dans le paragraphe 3.4] est inadapte. En effet, ce prix devient nul à la date
de defaillance et reste nul après cette date.
ii) Obligation z
ero-coupon
emise par la firme
Le flux du zero-coupon de terme h est :
1, si At+h > Lt,t+h ,

flux du zero-coupon
At+h /Lt,t+h , si At+h < Lt,t+h ,
= M in(At+h /Lt,t+h , 1).

Comme :
min (At+h /Lt,t+h , 1)
= 1
1
Lt,t+h
(At+h Lt,t+h ) ,
lobligation dentreprise apparat comme un portefeuille comportant un zerocoupon sans risque et à decouvert une option de vente (put) ecrite sur lactif
de la firme. Ce correctif reflète le fait que les detenteurs dobligation payent
pour la responsabilite limite des actionnaires.
Nous avons implicitement considere que tous les creanciers ont les memes
droits (il ny a pas de tranche prioritaire), et recoivent au moment de la
defaillance un remboursement proportionnel à ce quils avaient investi et
`
4.3. LE MODELE
INITIAL
155
compatible avec le solde du bilan. On suppose aussi que la valeur de liquidation correspond à la valeur de lactif de la firme 2 . Le taux de recouvrement
en cas de defaillance RRt+h = At+h /Lt,t+h apparat incertain à la date t.
iii) Credit default swap (CDS) digital
Ce produit derive est introduit pour se couvrir contre la defaillance de
lentreprise, mais pas contre limportance plus ou moins grande du taux de
remboursement. Le flux du CDS digital est calcule comme si le taux de
remboursement etait nul, ce qui le differencie du flux du zero-coupon :
1, si At+h < Lt,t+h ,

flux du CDS
0, sinon,
= 1lAt+h /Lt,t+h <1 .

iv) Option dachat europ
eenne sur action
Comme auparavant, nous considerons ce derive pour la maturite residuelle
h. Si le prix dexercice contractuel est K, le flux de loption dachat est :
+
flux option dachat = [(At+h Lt,t+h )+ K]
= M ax {M ax (At+h Lt,t+h , 0) K, 0}
= (At+h Lt,t+h K)+ .
Ainsi, une option dachat sur action de prix dexercice K et de maturite
residuelle h est une option dachat sur lactif du bilan de meme maturite
2
Il existe des extensions, o`

u cette valeur de liquidation est supposee proportionnelle à
la valeur de la firme [Recovery of Market Value (RMV)], ou proportionnelle à la valeur
de la dette [Recovery of Face Value (RFV)] (voir e.g. Huang, Huang (2003), Guha, Sbuelz
(2005)].
156
residuelle et de prix dexercice translate du montant (predetermine) de la

dette.
v) Option de vente europ
eenne sur action .
Nous avons :
flux option de vente = [(At+h Lt,t+h )+ K]
= M ax {K M ax (At+h Lt,t+h , 0), 0}
K, si At+h < Lt,t+h ,
=
K + Lt,t+h At+h , si Lt,t+h < At+h < K + Lt,t+h ,
0, si A
>K +L
.
t+h
t,t+h
En particulier, loption de vente europeenne sur action nest pas une option de vente europeenne sur actif du bilan.
4.3.3
Hypoth`
eses dynamiques
De facon à rendre le modèle utilisable pour la prevision et la valorisation,

il est necessaire dintroduire des hypothèses dynamiques sur levolution de
lactif du bilan à la fois sous probabilite historique et risque-neutre (voir
chapitre 3). Les articles initiaux etant contemporains du modèle de BlackScholes, les hypothèses standard de ce modèle ont ete faites.
H.11 Les hypothèses standard du modèle Black-Scholes sont supposees
satisfaites. En particulier :
i) le taux sans risque instantane r est deterministe, constant dans le
temps ;
ii) le processus dactif de la firme A , t t + h satisfait lequation
differentielle stochastique :
`
4.3. LE MODELE
INITIAL
157
dA = A A d + A A dW ,
correspondant à un mouvement Brownien geometrique. A designe le
coefficient de translation (drift) et A la volatilit
e du rendement
sur la valeur de lactif de la firme.
iii) Lactif de la firme est suppose echangeable en continu ainsi que tous
les produits derives : actions, obligations...
iv) Le prix à la date t dun actif derive ecrit sur lactif de la firme ne
depend de linformation disponible à cette date quà travers la valeur
de lactif de la firme At , . . ...
Sous ces hypothèses, les distributions historique et risque-neutre de la
valeur de lactif sont parfaitement connues.
La loi conditionnelle de log At+h sachant log At sous probabilite historique
est gaussienne :
log At+h N log At + A A2 /2 h, A2 h ;

La loi conditionnelle de log At+h sachant log At sous probabilite risqueneutre est gaussienne :
log At+h N log At + r A2 /2 h, A2 h .

La loi risque-neutre est utilisee pour calculer les valeurs à la date t des
divers produits derives. Ainsi, considerons un derive europeen de flux g(At+h )
à la date t + h ; son prix à la date t est :
Q
C(t, t + h; g) = exp(rh) E t g(At+h ),

Q
o`
u E t designe lesperance conditionnelle par rapport à la loi risque-neutre.
En tenant compte de la forme de cette loi conditionnelle, nous obtenons :
Z
C(t, t + h, g) = exp(rh)
2
/2)h
1 u log At (r A
1
g(exp u) exp
du.
2h
2
A
A h 2
158
Selon les formes des flux, ces prix peuvent admettre des formes explicites ou demander le calcul numerique de lintegrale simple ci-dessus (voir
paragraphe 3.3].
Le modèle precedent, cest-à-dire les hypothèses H.1-H.11, permet danalyser à une date t donnee les prix des produits derives de maturite residuelle
h donnee. Cependant, letude dune structure par terme demande de faire
varier le terme h, et letude de levolution de cette structure de faire varier t.
Bien que le modèle initial soit à deux periodes t et t + h, il a ete propose dans
un but de simplification de lutiliser tel quel pour tous les couples possibles
t, h. Cette idee est largement suivie dans KMV (voir chapitre 9).
A.12 La demarche est applicable pour tous les couples (t, h).
Simplifiant considerablement les calculs, cette pratique neglige les questions de coherence temporelle. Par exemple, supposer le niveau de dette
Lt,t+h predetermine na evidemment plus de sens, ce niveau devant etre remis à jour constamment. De meme, considerer les interpretations en terme
de derives de la valeur de lactif pour des maturites residuelles fixes (options
europeennes) peut aussi se reveler inadapte. Ainsi, on pourrait considerer
quil y a defaillance en t + h, si et seulement si At+1 > Lt,t+1 , . . . , At+h1 >
Lt,t+h1 , At+h < Lt,t+h , interpretation de type option americaine (voir e.g.
Black, Cox (1976)).
Remarquons egalement que la dynamique retenue pour lactif de la firme
H.11 ii) ne depend pas de la quantite et du type dobligations emises par
la firme, cest-à-dire de la structure de sa dette. Cette propriete de Miller,
Modigliani (1958) est automatiquement satisfaite dans le cadre du modèle à
un facteur de Merton [Merton (1974)].

`
4.4. INGENIERIE
FINANCIERE
4.4
159
Ing
enierie financi`
ere
Le but de ce paragraphe est de fournir les formules explicites de prevision

et de valorisation pour le modèle de base de Merton.
4.4.1
Pr
evision de la d
efaillance
Il y a defaillance à la date t + h, si et seulement si :

At+h < Lt,t+h log At+h < log Lt,t+h .
Nous en deduisons la probabilite de defaillance en t + h :
p(t, t + h)
= Pt [defaillance en t + h]
= Pt (log At+h < log Lt,t+h )
= Pt
log Lt,t+h log At (A A2 /2) h

log At+h log At (A A2 /2) h
<
.
A h
A h
Nous en deduisons :
log Lt,t+h log At (A A2 /2) h
p(t, t + h) =
,
A h
(4.1)
o`
u designe la fonction de repartition de la loi normale centre reduite .
Cette probabilite est une fonction croissante du niveau de la dette, decroissante
de la valeur actuelle de lactif et du coefficient de translation. Cette relation
definit un score de defaillance. Celui-ci tient compte dune variable du bilan, le ratio dette/actif, et de variables explicatives liees au marche actions,
la prime de risque et la volatilite. Il sagit dun modèle de scoring à trois
variables explicatives assez simpliste par rapport à ceux utilises en pratique
160
(voir Gourieroux, Jasiak (2006)), mais qui montre comment combiner non
lineairement ces trois facteurs explicatifs.
Bien que la formule (4.1) soit simple, labsence de coherence dynamique
du modèle apparat clairement. Ainsi p(t, t + h) [resp. p(t, t + h + 1)] est la
probabilite de defaillance en t+h [resp. t+h+1], lorsque t+h [resp. t+h+1]
est la seule date de defaillance possible. Le modèle de base ne permet pas
de considerer ces calculs lorsque t + h et t + h + 1 sont toutes deux dates de
defaillance potentielles, notamment de calculer la probabilite de defaillance
en t + h + 1 sachant quil ny a pas eu defaillance en 3 t + h.
Cette non coherence temporelle peut avoir des consequences surprenantes.
Ainsi, sil y a une prime de risque A A2 /2 > 0 et si Lt,t+h = Lt , independant
de h, on constate que la probabilite de defaut p(t, t+h) tend vers zero, lorsque
le terme saccrot, alors quon sattend à ce quune firme soit de duree de vie
finie, cest-à-dire que limh p(t, t + h) = 1. Cest loubli de laspect option
americaine de la defaillance, cest-à-dire dune definition de la date de defaut
comme le premier instant o`
u lactif est inferieur à la dette, qui cree cet effet.
4.4.2
Prix du CDS digital
Le prix du CDS digital se deduit de la forme du flux. Nous avons :

CDS(t, t + h) = exp(rh)Qt [At+h < Lt,t+h ],
o`
u Qt designe la distribution conditionnelle risque-neutre. Nous obtenons :
log Lt,t+h log At (r A2 /2) h
CDS(t, t + h) = exp(rh)
.
A h
(4.2)
La comparaison des formules de p(t, t + h) et CDS(t, t + h) montre la

difference entre la probabilite de la defaillance de la firme et le prix de marche
de cette defaillance, cest-à-dire le remplacement de A par r.
3
Cette question sera resolue de facon naturelle dans le cadre des modèles à intensite
du chapitre 5.

`
4.4. INGENIERIE
FINANCIERE
161
Le modèle conduit à une forme très particulière de structure par terme

des differentiels de taux pour les CDS digitaux :
r(t, t + h; CDS) r
1
= log CDS(t, t + h) r
h
log Lt,t+h log At (r A2 /2) h

1
= log
.
h
A h
Cette forme est donnee ci-dessous lorsque Lt,t+h = L < At , r > A2 /2.
162
Figure 4.1 : Structure par terme des taux de CDS

(r=5%; volatilit =20%; L=100)
20
18
16
Differentiel de Taux de CDS
14
12
10
0
1
11
16
21
26
31
36
41
A=150
A=200
A=250
A=300
46
51

`
4.4. INGENIERIE
FINANCIERE
4.4.3
163
Prix du z
ero-coupon dentreprise.
De facon analogue, nous avons :
C(t, t + h; zero-coupon)
Q
= exp(rh) Et [min(At+h /Lt,t+h , 1)]
At+h
1lA <L
= exp(rh)) Et 1lAt+h >Lt,t+h +
Lt,t+h t+h t,t+h
Q
= exp(rh) 1 Et 1lAt+h <Lt,t+h
Q
Q
+ exp(rh) Et 1lAt+h <Lt,t+h Et [At+h /Lt,t+h |At+h < Lt,t+h ]
Q
= B(t, t + h) CDS(t, t + h) + CDS(t, t + h) Et [At+h /Lt,t+h |defaillance]

o`
u B(t, t + h) est le prix du zero-coupon sans risque. Nous en deduisons que :
C(t, t + h; zero-coupon) B(t, t + h) + CDS(t, t + h)
CDS(t, t + h)
fournit le prix de marche à terme du taux de recouvrement. Comme auparavant ce prix peut etre compare au niveau espere du taux de recouvrement,
cest-à-dire :
P
Et [At+h /Lt,t+h | defaillance] .
4.4.4
Prix de laction
Le prix de laction se deduit de la formule de Black-Scholes standard (voir

paragraphe 3.4). Nous avons :
164
et,t+h = C(t, t + h; action)

Q
= exp(rh) Et max (At+h Lt,t+h , 0)

= At (d1,t,t+h ) exp(rh)Lt,t+h (d2,t,t+h ) ,
d1,t,t+h =
(4.3)
log (At /Lt,t+h ) + (r + A2 /2)
,
A h
d2,t,t+h = d1,t,t+h A h.
4.5
4.5.1
Variables dint
er
et, donn
ees, mise en oeuvre.
Variables dint
er
et
Le modèle de Merton fournit une approche interessante, bien que discutable, des problèmes de valorisation et de prevision rencontres dans lanalyse
du risque de credit. En pratique, il peut etre utilise de diverses facons, qui se
distinguent par les variables sur lesquelles on souhaite mettre laccent. Ces
variables sont :
i) la date de defaillance future ;
ii) les prix actuels ou futurs des produits derives de credit ;
iii) les composantes actuelles ou futures du bilan, cest-à-dire A et L.
Dans le dernier cas, il sagit dune demarche structurelle o`
u linteret porte
sur les variables latentes et leur evolution. Nous parlons dutilisation sous
forme structurelle du modèle de Merton 4 . Dans tous les autres types
dutilisation, laccent est mis sur les consequences du modèle au niveau des
formules de prevision et de valorisation. Nous parlons alors dutilisation sous
forme r
eduite du modèle de Merton (voir la discussion au chapitre 5).
4
Un problème structurel classique en score de credit est la prevision de la valeur future

de lactif A de facon à determiner le montant maximal de remboursement supportable par
lemprunteur [voir Gourieroux, Jasiak (2006)].
ET,
DONNEES,
4.5. VARIABLES DINTER

MISE EN OEUVRE.
4.5.2
165
Les donn
ees
Dans une situation ideale, le praticien dispose des donnees presentes et

passees sur les diverses variables intervenant dans le modèle et sen sert pour
calibrer (estimer) les paramètres et prevoir le risque. Ces paramètres sont
essentiellement ceux caracterisant la dynamique de lactif du bilan : A,i , A,i ,
et dependent a priori de lentreprise i consideree. Ces donnees concerneraient :
des informations microeconomiques sur lentreprise : secteur dactivite,
pays dimplantation, notation..., qui pourraient servir à comprendre
comment les paramètres A,i , A,i dependent des caracteristiques individuelles ;
les historiques de bilan des firmes, incluant les valeurs totales de lactif
et de la dette, les dates de defaillance...
des prix de marche dactifs, tels les taux sans risque, les prix des actions,
les prix des obligations dentreprise...
Cette situation ideale nexiste pas.
i) Les petites et moyennes entreprises sont souvent non cotees et emettent
peu de dettes sur les marches organises. Pour ces entreprises, linformation
de marche est generalement manquante et les previsions de risque doivent
etre effectuees sur la base dune information microeconomique. Cependant les
donnees de bilan peuvent etre disponibles, au moins à une frequence annuelle,
ce qui permet leur analyse dynamique, base des principaux modèles de score
[voir Gourieroux, Jasiak (2006)].
ii) Pour les très grandes entreprises, on dispose en revanche dobservations
frequentes des prix de certains actifs, au moins pour les plus liquides dentre
eux : actions, obligations. Mais les bilans sont connus moins frequemment
(annuellement et au moment demissions obligataires), et surtout sont beaucoup plus complexes à analyser. De facon à se rapprocher de la situation
ideale, il a ete propose de reconstituer les donnees de bilan manquantes à
partir des prix observes de produits derives. On parle dans la litterature de
166
valeur de march
e de lactif de la firme (market value of firms asset),
mais une meilleure terminologie est valeur implicite (Black-Scholes) de
lactif de la firme, mettant en evidence que la mode de reconstitution repose sur le modèle de Black-Scholes et suppose ce dernier bien specifie (ce
qui nest evidemment pas le cas).
4.5.3
Valeur implicite de lactif
Reprenons la formule donnant la valeur de laction en supposant par

exemple le terme h = 1 fixe et la dette Lt,t+h = L à un niveau independant
de la date et du terme. Le prix de laction devient une fonction du prix de
lactif, independante de la date : et = G(At , L, r, A ), disons, avec :
log(At /L) + (r + A2 /2)

G(At , L, r, A ) = At
+
A
log(At /L) + (r A2 /2)

exp(r)L
.
A
(4.4)
La fonction G etant continuement differentiable, la dynamique en temps

continu du prix de laction se deduit de la dynamique en temps continu de la
valeur de lactif en appliquant la formule dIto. Le prix de laction satisfait
lequation differentielle stochastique :
det =
G
1 2G
2 2
(At , L, r, A )A At +
(At , L, r, A )A At dt
A
2 A2
G
(At , L, r, A )A At dWt .
A
En particulier, la volatilite du prix de laction est :

e,t =
G
(At , L, r, A )A At .
A
(4.5)
ET,
DONNEES,

MISE EN OEUVRE.
167
Elle est liee à la volatilite de lactif de la firme en appliquant un coefficient de couverture (delta) adapte.
Les formules (4.4), (4.5) sont la base dune approche de reconstitution
de valeurs de lactif, utilisee notamment de facon intensive par KMV. Cette
approche suppose connues à la date t :
la valeur de laction et ;
la valeur de la dette Lt ;
la valeur du taux sans risque rt ;
la valeur de la volatilite e,t souvent approchee par une volatilite historique
de laction calculee de facon glissante .
Les valeurs implicites de lactif et de sa volatilite sont deduites par resolution
du système :
= G(At , Lt , rt ,
A,t ),
(4.6)
e,t = G (At , Lt , rt ,
A,t )
A,t At .
A
Il sagit dun mode de reconstitution de donnees manquantes qui ne peut
etre quun pis-aller et ne remplacera jamais la connaissance des bilans euxmemes. Il est important de noter les limites et les incoherences de cette
approche.
i) Les formules sont etablies sur la base de taux sans risque et de niveau
de dette constants dans le temps, alors que ceux-ci sont pris variables au
moment de la resolution.
ii) La volatilite de lactif est supposee constante dans le modèle, mais la volatilite implicite de lactif apparat très variable dans le temps après resolution.
iii) La volatilite de laction apparat fonction de At , donc stochastique dans
la formule (4.5), mais est approchee par une volatilite historique glissante,
qui ne peut en etre une bonne estimation.
iv) Cependant, lincoherence la plus importante consiste à prendre une matu-
168
rite residuelle h = 1 fixe, alors que dans lapproche de Merton, cest la date de
premier remboursement qui est donnee. Replacons nous dans le cadre strict
du modèle de Merton avec les deux dates t, t + 1 et considerons le prix de
laction à une date intermediaire entre t et t + 1. Nous avons :
A2
log(A /L) + (r +
)(t + 1 )
= A
A t + 1
2
log(A /L) + (r A )(t + 1 )
exp[r(t + 1 )]L
.
A t + 1
Cette formule correctement ecrite montre que la date courante influe sur
le prix de laction e par lintermediaire de la valeur de lactif, mais aussi par
lintermediaire de la maturite residuelle avant la date de premier remboursement. Cet effet de maturite residuelle nest absolument pas negligeable. En
effet, par definition nous avons :
et+1 = (At+1 L)+ ,

à la date de remboursement. Intuitivement, si la firme a une forte probabilite
de defaillance, par exemple si le niveau de dette est très grand par rapport
à A , la valeur de laction e tendra vers zero pour tendant vers t + 1 avec
une forte probabilite. En cas de risque de defaillance important, on ne peut
donc esperer une volatilite du prix de laction stable dans le temps, mais
au contraire celle-ci presente une non stationarite. Cette discussion montre
que la formule automatique de reconstitution est la moins adaptee dans les
situations proches de la defaillance, ce qui est le cas important dans notre
problème.
ET,
DONNEES,

MISE EN OEUVRE.
4.5.4
169
Un exemple de mise en oeuvre
Le modèle de valeur de la firme sert de base au produit danalyse du risque

de credit propose par la firme KMV. Ce produit peut etre utilise tel quel par
les banques ou servir de base à des versions corrigees. Dans sa procedure de
validation, le regulateur est confronte à lutilisation de telles methodologies
externes ou à leurs ameliorations, et donc naturellement conduit à les auditer,
cest-à-dire à considerer attentivement les modèles à partir desquels ils sont
construits, les approximations faites dans leur utilisation, les donnees utilisees
et la facon dont ces approches sont comprises. Nous allons discuter ces points
en nous concentrant sur le coeur de lapproche KMV5 tel quil est decrit dans
Crosbie, Bohn (2003).
Le message initial de KMV est le suivant :
La valeur de lactif est une valeur date courante des flux futurs produits par la firme, convenablement escomptes. Cependant, il est difficile de
determiner quel est cet echeancier de flux futurs et cette valeur va etre remplacee par la valeur implicite de lactif definie dans le paragraphe 4.4.3. Une
fois reconstituees ces valeurs pour toutes les dates, on peut determiner par
lintermediaire du modèle les probabilites de defaillance (donc des notations),
les differentiels de taux sur obligations dentreprise...
Il sagit dune approche, qui privilegie linformation apportee par les prix
des actions et suppose bien specifie le modèle de Merton. Privilegier les prix
des actions par rapport aux prix des obligations dentreprise ou des CDS estil bien pertinent ? Dans son article initial, Merton a propose plutot dutiliser
les prix des obligations pour reconstituer une valeur dactif, puis ensuite
den deduire prix dactions, notation. De facon parallèle, il est aussi suggere
de considerer les notations obtenues par dautres approches fondees sur des
donnees individuelles comme base de cette reconstitution, puis den deduire
prix daction, prix dobligation...
La construction et la vente dune methodologie danalyse de risque de
5
Nous discuterons dans le chapitre 9 de certaines extensions proposees dans KMV

comme le moteur de correlation.
170
credit saccompagne souvent de lintroduction dune terminologie parallèle

sous copyright. Certaines terminologies KMV sont devenues assez largement
utilisees et il est necessaire de savoir ce quelles signifient. Ce sont :
Market Value of Assets, notion dejà presentee dans le paragraphe
4.4.3, o`
u elle est appelee valeur implicite de lactif pour insister sur le fait
quelle repose sur un modèle très particulier vraisemblablement mal specifie.
Le point de d
efaut (default point) est le prix dexercice dans linterpretation de laction comme une option europeenne ecrite sur la valeur
de lactif. Ce seuil est fixe par KMV à une valeur entre la dette payable
dans lannee et la dette globale, sans que son positionnement soit clairement
defini, excepte pour lhorizon 1 an, o`
u cest generalement la dette payable
dans lannee qui est retenue.
Expected Default Frequency (EDF) est la probabilite de defaillance
(4.1). Elle est exprimee en points de bases.
La distance au d
efaut (Distance-to-Default (DD)) est la quantite
log At log Lt,t+h + (A A2 /2)h
DDt =
intervenant dans la formule (4.1)
A h
donnant la probabilite de defaillance.
En fait, KMV utilise deux formules differentes (voir formules (2), (5),
(14), dans Crosbie, Bohn (2003)], et considère aussi :
DDt =
At Lt,t+h
.
At A
Cette seconde formule est une approximation de la première, qui suppose

i) A A2 /2 = 0, cest-à-dire labsence de prime de risque ;
ii) log(At /Lt,t+h ) ' At /Lt,t+h 1
At Lt,t+h
At Lt,t+h
'
,
Lt,t+h
At
approximation valable lorsque At et Lt,t+h sont proches, cest-à-dire près de
la defaillance. Ceci donne des renseignements sur le type de simplifications
introduites dans la methodologie KMV.
'
4.6. EXTENSIONS
171
Signalons pour terminer un aspect commun aux societes de services nordamericaines. Celles-ci ecrivent systematiquement leur methodologies en dollar
US. Il faut noter que la condition de defaillance At+h < Lt,t+h secrit de
facon equivalente At+h /At < Lt,t+h /At . Le second membre de linegalite ne
depend pas de lunite monetaire. Ce nest pas le cas du rapport At+h /At . Un
changement dunite monetaire implique une prise en compte de levolution
des taux de change dans levaluation du rendement de lactif de la firme. En
particulier, lhypothèse de modèle de Black-Scholes sur la valeur de lactif
est difficilement satisfaite dans deux unites monetaires differentes, sauf à
supposer des taux de change fixes.
4.6
Extensions
In many cases, academics would be uncomfortable with the assumptions

of Mertons model, but the model is, nonetheless, widely used.
4.6.1
Les limites du mod`

ele
Nous avons vu diverses limites de lapproche de base proposee par Merton.

Ses plus grandes faiblesses concernent certainement le traitement de la dette
et les hypothèses sur la dynamique de la valeur de lactif de la firme .
i) Cette dette : montant global, echeancier de remboursement,... est supposee predeterminee. En realite, elle est au moins aussi volatile que
la composante actif du bilan. Une firme, dont le chef dentreprise
craint une faillite, cherche souvent à emprunter pour des questions de
tresorerie. Il y a alors augmentations jointes de la dette et de lactif.
Ainsi les evolutions non stationnaires des variables actif et passif
sont souvent liees pour aboutir à un solde presentant une dynamique
plus stationnaire. Dune certaine facon, il serait preferable de traiter
de facon plus symetrique actif et passif. Il ny a aucune raison dinterpreter une action comme une option dachat ecrite sur lactif avec
172

comme prix dexercice le niveau de la dette plutot que comme une
option de vente ecrite sur la dette avec comme prix dexercice lactif.
Lhypothèse de predetermination de la dette doit se replacer dans lhistoire de la theorie financière. Le modèle de Merton a ete introduit à une
periode o`
u seul un modèle à un facteur (le modèle de Black-Scholes) est
connu, alors que le problème doit intuitivement tenir compte au moins
de deux evolutions : celle de lactif et celle du passif. Un tel traitement
plus symetrique est apparu pour la première fois dans un article de
Stapleton, Subrahmanyam (1984).
ii) Il faut inclure des aspects de volatilite non constante (de lactif et du
passif) pour distinguer deux types devolutions très differentes du solde
pouvant conduire à un solde negatif, lun permanent, lautre transitoire.
4.6. EXTENSIONS
173
Figure 4.2 : Evolution du solde
Dette
Actif
temps
Dette
Actif
temps
174
Dans la Figure 4.2.a, le solde presente une tendance decroissante et

le solde negatif traduit une defaillance structurelle. En revanche dans
la Figure 4.2.b, le solde varie autour dune valeur fixe dans le temps,
mais peut devenir negatif dans des phases de forte volatilite ; il sagit
ici dun phenomène transitoire ne traduisant aucun problème structurel
grave pour la firme et qui sapparente plus à un problème momentane
de tresorerie, facile à resoudre par une renegociation de la dette comprenant un allongement du terme de la dette et une diminution des
remboursements reguliers.
iii) Il y a des composantes très differentes de la dette : court terme,
moyen terme, long terme, ou des fractionnements de la dette avec des
remboursements plus ou moins prioritaires. Ces composantes devraient
etre distinguees dans lanalyse.
iv) Il y a des debiteurs avec des objectifs très varies. Ces objectifs ne
sont evidemment pas les memes pour des creanciers possedant de la
dette avec des niveaux de priorite differents. Mais il peut y avoir des
situations plus complexes o`
u par exemple les salaries de la firme sont
creanciers par lintermediaire du fonds de pension gere par cette firme
et comptabilise dans la dette. Ils doivent avant de decider de la faillite
de la firme faire un choix entre perte demploi et/ou perte du fonds de
pension.
4.6.2
Mod`
ele de Wishart Structurel
Lintroduction recente dune nouvelle classe de processus affines, les processus de Wishart (voir Annexe du chapitre 5) permet detendre le modèle de
Merton initial dans diverses directions, sans perdre la possibilite de formules
explicites ou quasi-explicites. Cette extension permet :
i) dintroduire à la fois des dette et valeur dactif stochastiques,
4.6. EXTENSIONS
175
ii) de considerer des volatilites et covolatilite stochastiques.

Nous presentons le modèle en temps continu afin de rester proche de
larticle initial de Merton [Gourieroux, Sufana (2005)]. La dynamique jointe
de dette-valeur de lactif est definie par :
d log At
d log Lt
"
=
A + T r(DA t )
L + T r(DL t )
#
1/2
dt + t dWtS ,
1/2
1/2
dt = (0 + M t + t M 0 )dt + t dWt Q + Q0 (dWt )0 t .
(4.7)
(4.8)
Le processus(t ) est un processus

de Wishart. Il sagit dun processus
!
11,t 12,t
matriciel t =
, tel que t soit toujours une matrice (stochas21,t 22,t
tique) symetrique definie positive. Cette propriete et la forme de la première
partie du système montrent que t est la matrice de volatilite-covolatilite
stochastique des taux devolution de lactif et de la dette. De facon à assurer
cette interpretation, cest-à-dire la symetrieet la positivit!
e, les paramètres
W11,t W12,t
M, , Q sont des matrices (2, 2) et Wt =
est un mouve
W21,t
W22,t
ment brownien matriciel, dont les elements sont des mouvements browniens
standard independants.
Les coefficients de translation apparaissant dans les evolutions de lactif
et de la dette comportent des effets de volatilites de lactif et de la dette et
de leur covolatilite. Ces effets sont resumes par des termes du type T r(Dt ),
o`
u D est une matrice symetrique (2,2) et T r designe loperateur trace. Cette
composante :
T r(Dt ) = d11 11,t + d22 22,t + 2d12 12,t ,
est une combinaison lineaire des volatilites et covolatilite stochastiques. On
peut verifier [Gourieroux (2006)], que, pour toute matrice D definie positive,
alors T r(Dt ) 0 et T r(Dt ) est une fonction croissante de t au sens
176
des matrices symetriques. Lintroduction dun tel effet dans le coefficient de

translation ne doit pas sinterpreter comme une prime de risque, puisque
actif et dette ne sont generalement pas echangeables sur le marche. Ils sont
introduits pour reproduire les impacts de volatilite discutes auparavant :
un accroissement de volatilite, cest-à-dire de volatilite-covolatilite, devrait
impliquer une augmentation de la probabilite de defaillance transitoire, qui
pour etre evitee conduit à accrotre à la fois dette et actif.
Le modèle (4.7), (4.8) est ecrit sous probabilite historique et un modèle
similaire avec des paramètres A , L , DA

, DL , , M , Q peut etre ecrit sous
probabilite risque-neutre tout en restant compatible avec lhypothèse dabsence dopportunite darbitrage.
Le modèle de Wishart structurel se revèle flexible et malgre tout simple
demploi. Il a ete utilise pour obtenir la loi de linstant de defaut, defini
comme le premier instant o`
u At < Lt , ou bien les lois jointes des prix de
plusieurs derives, par exemple (obligation, action), (obligation, CDS). Surtout, il permet detudier comment ces resultats dependent des paramètres
du modèle. A titre dillustration, nous donnons de telles lois jointes obtenues
par simulation, avec certaines valeurs des paramètres. Les figures 4.3, 4.4
montrent que les interpretations comme prix de derives impliquent des non
linearites, et donc des distributions jointes très differentes de distributions
log-normales bivaries.
4.6. EXTENSIONS
177
Figure 4.3 : Densit jointe obligation-action
Figure 4.4 : Densit jointe CDS-action
178

RERERENCES
Bellalah, M., (1998) : Finance moderne dentreprise , Economica.

Black, F., et J., Cox (1976) : Valuing Corporate Securities : Some Effects
of Bond Indenture Provisions, Journal of Finance, 31, 351-367.
Black, F., et M., Scholes (1973) : The Valuation of Options and Corporate
Liabilities, Journal of Political Economy, 81, 637-659.
Cohen E., (1997) : Analyse financière , Economica, 4e edition.
Crosbie, P., et J., Bohn (2003) : Modeling Default Risk, Moodys KMV
Company.
Eom, Y., Helwege, J., and J., Huang (2004) : Structural Models of Corporate
Bond Pricing : An Empirical Analysis, Review of Financial Studies, 17, 449544.
Geske, R. (1977) : The Valuation of Corporate Liabilities as Compound
Options, Journal of Financial and Quantitative Analysis, 12, 541-552.
Geske, R., et H., Johnson (1984) : Valuation of Corporate Liabilities as
Compound Options : A Correction, Journal of Financial and Quantitative
Analysis, 19, 231-232.
Gourieroux, C. (2006) : Continuous Time Wishart Process for Stochastic
Risk, Econometric Reviews, Special issue on Stochastic Volatility, 25, 1-41.
Gourieroux, C., et J., Jasiak (2006) : Econometrics of Individual Risks for
Credit, Insurance and Marketing, Princeton University Press.
Gourieroux, C., et R. Sufana (2005) : Derivative Pricing with Wishart Multivariate Stochastic Volatility : Application to Credit Risk, Univ. of Toronto
DP.
4.6. EXTENSIONS
179
Guha, R., et A., Sbuelz (2005) : Structural Recovery of Face Value at Default, CPIM, Londres.
Huang, J., et M., Huang (2003) : How Much the Corporate-Treasury Yield
Spread is Due to Credit Risk ? DP Graduate School of Business Stanford.
La Bruslerie, H., (1999) : Analyse financière et risque de credit , Dunod.
Lee, C. (1981) : The Pricing of Corporate Debt : A Note, The Journal of
Finance, 36, 1187-1189.
Merton, R. (1974) : On the Pricing of Corporate Debt : The Risk Structure
of Interest Rates, Journal of Finance, 29, 449-470.
Miller, M., et F., Modigliani (1958) : The Cost of Capital, Corporation
Finance and the Theory of Investment, American Economic Review, 3, 261297.
Stapleton, R., et M., Subrahmanyam (1984) : The Valuation of Multivariate
Contingent Claims in Discrete Time Models, Journal of Finance, 39, 207228.
Tobin, J. (1958) : Estimation of Relationships for Limited Dependent Variables, Econometrica, 46, 24-36.
180
4.7
4.7.1
Appendice
La liasse fiscale
Linformation sur les comptes dune entreprise se presente generalement

sous la forme de la liasse fiscale. Celle-ci correspond à lensemble des imprimes fiscaux renseignes par lentreprise et remis à ladministration fiscale
(en principe chaque annee) pour etablir limpot sur le revenu ou limpot sur
les societes dont elle est redevable. Linformation contenue dans la liasse fiscale va au-delà des documents comptables, car elle inclut aussi des elements
de lannexe et des tableaux fiscaux divers, à remplir selon que lentreprise
relève du système du benefice reel ou du regime simplifie dimposition. Les
differents imprimes de la liasse fiscale sont donnes ci-après à titre dillustration.
4.7. APPENDICE
N 11937*03
181
BILAN - ACTIF
D.G.I. N 2050
Formulaire obligatoire (article 53A

du Code gnral des impts).
Dsignation de l'entreprise :
Dure de l'exercice exprime en nombre de mois* :

Dure de l'exercice prcdent* :
Adresse de l'entreprise :
Numro SIRET* :
Code APE :
Exercice N, clos le : 31/12/20N
Dclaration souscrite en
COMPTES DE REGULARISATION
DIVERS
CREANCES
ACTIF CIRCULANT
STOCKS*
IMMOBILISATIONS FINANCIERES (2)
IMMOBILISATIONS CORPORELLES
ACTIF IMMOBILIS*
IMMOBILISATIONS INCORPORELLES
Brut
Amortissements, provisions
31/12/20N-1
Net
Net
Capital souscrit non appel (I)
AA
Frais d'tablissement*
AB
AC
Frais de recherche et de dveloppement*
AD
AE
Concession, brevets et droits similaire
AF
AG
Fonds commercial (1)
AH
AI
Autres immobilisations incorporelles
AJ
AK
Avances et acomptes sur immobilisations incorporelles
AL
AM
Terrains
AN
AO
Constructions
AP
AQ
Installations techniques, matriels et outillage industriels
AR
AS
Autres immobilisations corporelles
AT
AU
Immobilisations en cours
AV
AW
Avances et acomptes sur immobilisations corporelles
AX
AY
Participations valus par mise en quivalence
CS
CT
Autres participations
CU
CV
Crances rattaches des participations
BB
BC
Autres titres immobiliss
BD
BE
Prts
BF
BG
Autres immobilisations financires*
BH
BI
TOTAL (II) BJ
0 BK
Matires premires, approvisionnements
BL
BM
En cours de production de biens
BN
BO
En cours de production de services
BP
BQ
Produits intermdiaires et finis
BR
BS
Marchandises
BT
BU
Avances et acomptes verss sur commandes
BV
BW
Clients et comptes rattachs* (3)
BX
BY
Autres crances (3)
BZ
CA
Capital souscrit et appel, non vers
CB
CC
Valeurs mobilires de placement (dont actions propres)
CD
CE
Disponibilits
CF
CG
Charges constates d'avance* (3) (E)
CH
CI
TOTAL (III) CJ
0 CK
0
0
Charges rpartir sur plusieurs exercices*
(IV) CL
Primes de remboursement des obligations
(V) CM
(VI) CN
Ecarts de conversion actif*
Clause de rserve de proprit :
0 1A
(2) Part moins d'un an
immobilisations :
TOTAL GNRAL (I VI) CO
Renvois : (1) Dont droit au bail
CP
Stocks :
* Des explications concernant cette rubrique sont donnes dans la notice n 2032
0
(3) Part plus d'un an
CR
Crances :
182
N 11937 * 03
BILAN - PASSIF avant rpartition
D.G.I. N 2051

Exercice N
(Ne pas reporter le montant des centimes)*
Capital social ou individuel (1)* (dont vers..)
DA
Primes d'mission, de fusion, d'apports,

Ecarts de rvaluation (2)*
DB
(dont cart d'quivalence
EK
DC
CAPITAUX PROPRES
Rserve lgale (3)
DD
Rserves statutaires ou contractuelles
Autres rserves
DE
(Dont rserve spciale des provisions pour
fluctuations des cours)
B1
DF
(Dont rserve relative l'achat d'uvres originales d'artistes vivants)*
EJ
DG
Rserves rglementes (3)*
Report nouveau
DH
RSULTAT DE L'EXERCICE (bnfice ou perte)
DI
Subvention d'investissement
DJ
Provisions rglementes*
DK
Provisions pour
risques et
charges
Autres fonds
propres
TOTAL (I)
Produits des missions de titres participatifs
Provisions pour risques
DETTES (4)
DO
DQ
TOTAL (III)
DR
Emprunts obligataires convertibles
DS
Autres emprunts obligataires
DT
DU
(Dont emprunts participatifs)
EI
DV
Avances et acomptes reus sur commandes en cours
DW
Dettes fournisseurs et comptes rattachs

Dettes fiscales et sociales dont IS 19N =
DX
IS 19N-1 =
DY
Dettes sur immobilisations et comptes rattachs
DZ
Autres dettes
EA
Produits constats d'avance (4)
EB
TOTAL (IV)
(V)
Ecarts de conversion passif*
TOTAL GNRAL (I V)
(1) Ecart de rvaluation incorpor au capital
RENVOIS
DP
Provisions pour charges
Dont
DN
TOTAL (II)
Emprunts et dettes auprs des tablissements de crdit (5)
(2)
DL
DM
Avances conditionnes
Emprunts et dettes financires diverses
Compte rgul.
Exercice N-1
EC
ED
EE
1B
Rserve spciale de rvaluation (1959)
1C
Ecart de rvaluation libre
1D
Rserve de rvaluation (1976)
1E
(3) Dont rserve rglemente des plus-values long terme*
EF
(4) Dettes et produits constats d'avance moins d'un an
EG
(5) Dont concours bancaires courants et soldes crditeurs de banques et CCP
EH
4.7. APPENDICE
COMPTE DE RSULTAT DE L'EXERCICE (En liste)
N 10167 * 05
183
D.G.I. N 2052

Exercice N
France
Ventes de marchandises*
PRODUITS D'EXPLOITATION
Production vendue
Exercice (N-1)
Exportations et livraisons
intracommunautaires
FA
Total
FB
FC
biens*
FD
FE
FF
services*
FG
FH
FI
FJ
0 FK
0 FL
Chiffre d'affaires nets*

Production stocke*
FM
Production immobilise*
FN
Subvention d'exploitation
FO
Reprises sur amortissements et provisions, transfert de charges* (9)
FP
Autres produits (1) (11)
FQ
CHARGES D'EXPLOITATION
Total des produits d'exploitation (2) (I) FR

Achats de marchandises (y compris droits de douane)*
FS
Variation de stock (marchandises)*
FT
Achats de matires premires et autres approvisionnements ( y compris droits de douane)*
FU
Variation de stock (matires premires et approvisionnements)*
FV
Autres achats et charges externes (3) (6bis)*
FW
Impts, taxes, versements assimils*
FX
Salaires et traitements*
FY
DOTATIONS
D'EXPLOITATION
Charges sociales (10)
FZ
- sur immoblisations :
- dotations aux amortissements*
GA
- dotations aux provisions *
GB
- sur actif circulant : dotations aux provisions
GC
- Pour risques et charges : dotations aux provisions
GD
Autres charges (12)
GE
Total des charges d'exploitation (4) (II) GF
GG
CHARGES FINANCIERES
PRODUITS FINANCIERS
Opratio
ns en
commun
1 - RSULTAT D'EXPLOITATION (I - II)

Bnfice attribu ou perte transfre*
(III)
Perte supporte ou bnfice transfr*
(IV)
GH
GI
Produits financiers de participations (5)
GJ
Produits des autres valeurs mobilires et crances de l'actif immobilis
GK
Autres intrts et produits assimils (5)
GL
Reprises sur provisions et transfert de charges
GM
Diffrences positives de change
GN
Produits nets sur cessions de valeurs mobilires de placement
GO
Total des produits financiers (V) GP
Dotations financires aux amortissements et provisions*
GQ
Intrts et charges assimiles (6)
GR
Diffrence ngative de change
GS
Charges nettes sur cession de valeurs mobilires de placement
GT
Total des charges financires (VI) GU
2 - RSULTAT FINANCIER (V - VI)
GV
3 - RSULTAT COURANT AVANT IMPTS (I-II+III-IV +V - VI)
GW
184
N 10947 * 03
COMPTE DE RSULTAT DE L'EXERCICE (Suite)
D.G.I. N 2053

PRODUITS
EXCEPTIONNELS
CHARGES
EXCEPTIONNELLES
Exercice N
Produits exceptionnels sur oprations de gestion
Charges exceptionnelles sur oprations de gestion (6bis)
HE
Charges exceptionnelles sur oprations en capital*
HF
HA
Produits exceptionnels sur oprations en capital*
HB
Reprises sur provisions et transfert de charges
HC
Total des produits exceptionnels (7)
(VII) HD
(VIII) HH
HI
Dotations exceptionnelles aux amortissements et provisions
HG
Total des charges exceptionnelles (7)
4 - RSULTAT EXCEPTIONNEL (VII - VIII)
Participation des salaris aux rsultats de l'entreprise
(IX) HJ
Impts sur les bnfices*
(X) HK
TOTAL DES PRODUITS (I+III+V+VII)
HL
TOTAL DES CHARGES (II+IV+VI+VIII+IX+X)
HM
HN
5 - BNFICE OU PERTE (Total des produits - total des charges)

(1) Dont produits nets partiels sur oprations long terme
(2)
(3)
HO
produits de locations immobilires
HY
produits d'exploitation affrents des exercices antrieurs ( dtailler au (8) ci-dessous)
1G
- crdit-bail mobilier *
HP
- crdit-bail immobilier
HQ
(4) Dont charges d'exploitation affrentes des exercices antrieurs (8)

(5)
1H
Dont produits concernant les entreprises lies
1J
(6) Dont intrts concernant les entreprises lies
IK
RENVOIS
(6bis) Dont dons faits des organismes d'intrt gnral (art. 238 bis du C.G.I.)
HX
(9) Dont transferts de charges
A1
(10) Dont cotisations personnelles de l'exploitant (13)
A2
(11) Dont redevances pour concessions de brevets, de licences (produits)
A3
(12) Dont redevances pour concessions de brevets, de licences (charges)

(13)
Exercice N-1
Dont primes et cotisations complmentaires

personnelles : facultatives
A6
Obligatoires
A4
A9
Exercice N
(7)
Dtail des produits et charges exceptionnels (si ce cadre est insuffisant, joindre un tat du mme modle) :
(8) Dtail des produits et charges sur exercices antrieurs :
Charges exceptionnelles
Produits exceptionnelles
Exercice N
Charges antrieures
Produits antrieurs
Chapitre 5
MODELES A INTENSITE
5.1
Introduction
La modelisation dite par forme r

eduite en opposition à lapproche structurelle de Merton decrite au chapitre precedent, ou par intensit
e stochastique, par reference aux travaux de Cox [Cox (1972)] sur les modèles de
durees, est certainement la plus prometteuse par sa souplesse dutilisation
et sa facilite de mise en oeuvre. Elle est dejà lapproche la plus utilisee
pour lanalyse des taux sans risque et de leurs derives. Cette approche ne
cherche pas à comprendre ce qui cause les primes de risque observees dans
les prix, ou ce qui explique les defaillances dentreprises (aspect structurel).
Elle sinteresse essentiellement aux problèmes de prevision de defaillances et
de prix, à partir des informations disponibles.
5.1.1
Composantes dun mod`

ele `
a intensit
e
Considerons pour simplifier le cas dune entreprise avec taux de recouvrement zero (Les extensions au cas de plusieurs entreprises et des pertes
sachant la defaillance sont etudiees en detail dans les chapitres 6 et 7). Un
modèle à intensite comporte plusieurs aspects.
185
186
CHAPITRE 5. MODELES A INTENSITE
i) Les variables d
etats ou facteurs
Ces facteurs regroupent toutes les variables intervenant dans la definition
des flux des produits derives, mais aussi celles qui influencent les intensites de
defaillance, les corrections pour risque resumees dans le facteur descompte
stochastique, ou celles qui permettent de prevoir defaillance et prix. Il est
interessant de separer ces facteurs en trois categories :
certains notes Xi,t sont specifiques de la firme et peuvent evoluer dans
le temps ;
dautres facteurs ont des interpretations plus macroeconomiques. Certains influent essentiellement sur le facteur descompte stochastique et sont
notes Z0,t ; dautres peuvent influer à la fois sur les corrections de risque et
sur la defaillance ; ils sont notes Z1,t .
Intuitivement, des variables comme le cycle daffaire, le taux sans risque
à 1 mois... devraient etre proches de facteurs de type Z1,t ; la notation dune
firme dun facteur specifique Xi,t .
ii) Les sp
ecifications du facteur descompte et de lintensit
e de survie.
Le modèle est complete par les specifications du facteur descompte stochastique et des intensites de survie en fonction des facteurs. Lidee est de
retenir pour chacun une forme parametrique adaptee 1 :
Mt,t+1 = M (Z0,t+1 , Z1,t+1 ; 1 ),
i,t,t+1 = (Z1,t+1 , Xi,t+1 ; 2 ),
o`
u les fonctions M et sont donnees, et 1 , 2 designent des paramètres
inconnus.
1
Plus generalement, M et pourraient dependre aussi des valeurs passees des facteurs
[voir e.g. Gourieroux, Monfort (2007), Monfort, Pegoraro (2006), (2007)], par exemple
Mt,t+1 = M (Z0,t+1 , Z0,t , Z1,t+1 , Z1,t ; 1 ).
5.1. INTRODUCTION
187
Les prix des obligations zero-coupon du Tresor et ceux des obligations à

taux de recouvrement nul de lentreprise sont alors :
B(t, t + h) =
CDSi (t, t + h) =
Et [hk=1 M (Z0,t+k , Z1,t+k ; 1 )],
(5.1)
Et [hk=1 M (Z0,t+k , Z1,t+k ; 1 )hk=1 (Z1,t+k , Xi,t+k ; 2 )], (5.2)
o`
u linformation comprend lensemble des valeurs presentes et passees de
tous les facteurs, generaux ou specifiques de la firme (idiosyncratiques) :
Zt = (Z1,t , Z0,t , Xi,t ).
iii) La dynamique des facteurs
Finalement, pour determiner les expressions des prix des produits derives
et prevoir leurs valeurs futures, il faut introduire des hypothèses sur la dynamique des facteurs, cest-à-dire sur la loi conditionnelle de
Zt+1 = (Z0,t+1 , Z1,t+1 , Xi,t+1 ) sachant Zt = (Z0,t , Z1,t , Xi,t ).
5.1.2
Interpr
etation des facteurs
Il est tentant de chercher des facteurs observables ayant une interpretation

immediate comme des proxies du cycle daffaire, un taux court sans risque,
linflation... Cette approche a priori naturelle presente divers inconvenients
et devrait etre evitee. Quels sont ces inconvenients ?
i) En fixant a priori la liste et linterpretation des facteurs, il y a de fortes
chances que le modèle se revèle mal specifie. Comme nous le verrons dans la
suite, lidee est de ne pas donner a priori dinterpretation aux facteurs, mais
dessayer de reconstituer leurs valeurs à partir des donnees disponibles sur
les prix de derives, sur les defaillances, et den chercher une interpretation
ex-post. Il sagit donc dune demarche de modelisation, dite du g
en
eral au
sp
ecifique.
ii) Il semble plus simple à première vue dintroduire des facteurs observables predetermines, ceci facilitant le calcul des esperances conditionnelles
188
et donc des prix B(t, t + 1), CDSi (t, t + 1) à court terme. Cependant, meme
si les valeurs des facteurs sont connues une date à lavance, il est clair quil
faudra aussi connaitre leur dynamique de facon precise pour pouvoir calculer
les prix B(t, t + h), CDSi (t, t + h) pour h > 1, ou pour prevoir les valeurs
futures B(t + k, t + k + h), CDSi (t + k, t + k + h), k 1, h 1.
Ainsi, si on veut introduire le cycle daffaire, il faudra aussi etudier sa
dynamique. Or, ce cycle nest pas directement observable, mais deduit, par
exemple pour les Etats-Unis, par le National Bureau of Economic Research
(NBER) de modèles dynamiques à facteurs inobservables. Autant mettre ces
derniers directement dans la formulation.
iii) Finalement, il faut eviter de faire figurer a priori dans la liste des
facteurs des variables sinterpretant comme des prix (ou des rendements)
dactifs financiers. La raison en est la suivante. Supposons par exemple que
Z0,t = r(t, t + 2) designe le taux sans risque de terme 2. La formule de valorisation doit etre ecrite pour cet actif financier particulier, ce qui implique :
Et [M (Z0,t+1 , Z1,t+1 ; 1 )M (Z0,t+2 , Z1,t+2 ; 1 )] = exp(2Z0,t ).

Cette restriction concerne un moment conditionnel et implique une infinite de conditions sur le paramètre 1 , celles ecrites pour toute valeur possible
de Z0,t , Z1,t , Z0,t1 , Z1,t1 . . . , variables figurant dans lensemble dinformation. Comme le paramètre est de dimension finie, il nexiste generalement
pas de solution à ce système de dimension infinie. Ainsi, il peut se revèler
difficile de specifier le facteur descompte stochastique et les lois des facteurs pour les rendre compatibles avec labsence dopportunite darbitrage,
lorsque des facteurs sont a priori interpretes comme des rendements dactifs
financiers.
Ceci explique pourquoi un grand nombre de modèles de structure par
terme des taux dinteret ecrits directement sur les taux se sont reveles expost incompatibles avec lhypothèse de non arbitrage [voir les discussions
dans Martinelli, Priaulet (2001) et Gourieroux, Monfort (2007)].
5.1. INTRODUCTION
189
Pour resumer la discussion, dans lapproche par forme reduite les facteurs
sont a priori non observables, et automatiquement supposes stochastiques.
On parle de modèle à facteur stochastique, de facteur descompte stochastique et dintensit
e stochastique.
5.1.3
Caract
eriser la loi des facteurs
Il existe diverses facons de definir la loi conditionnelle de facteurs (Zt ).

Les plus classiques consistent à se donner :
i) un modèle de regression de Zt sur son passe, cest-à-dire souvent la
moyenne conditionnelle, la matrice de variance-covariance conditionnelle, et
la loi du terme derreur prealablement standardise. Ceci est fait par exemple
dans les modèles Autoregressifs Conditionnellement Heteroscedastiques (ARCH)
pour le temps discret [voir e.g. Engle (2002)b], ou dans les systèmes differentiels
stochastiques (diffusions) utilises en temps continu.
ii) On peut aussi retenir une specification parametrique de la densite
conditionnelle, en separant ce qui concerne les variables prises separement, de
ce qui concerne leur liaison. Cest l approche retenue pour les modèles fondes
sur les copules ou pour le modèle DCC (Dynamic Conditional Correlation)
[voir e.g. Engle (2002)a, Pelletier (2006)].
En fait, il a ete remarque assez recemment [voir Duffie, Filipovic, Schachermayer (2003), Darolles, Gourieroux, Jasiak (2006)] que ces approches
etaient vraisemblablement peu adaptees pour notre problème. La raison en
est la suivante.
Il est souhaitable de retenir des specifications du facteur descompte stochastique et de lintensite de survie, simples à manier (cest-à-dire assez
lineaires dans les facteurs) tout en assurant la positivite. Celle-ci est requise
pour Mt,t+1 par la condition dabsence dopportunite darbitrage ; elle lest
aussi pour t,t+1 du fait de son interpretation comme une probabilite. La
specification la plus simple est exponentielle affine :
190
Mt,t+1 = exp[0 Z0,t+1 + 10 Z1,t+1 + 1 ],
(5.3)
i,t,t+1 = exp[20 Z1,t+1 + 0 Xi,t+1 + 2 ],
(5.4)
o`
u , 1 , 2 , , 1 , 2 sont des paramètres et o`
u () designe la transposition.
De telles formulations impliquent des calculs du type :
B(t, t + h)
= Et (exp[0 (Z0,t+1 + . . . + Z0,t+h ) + 10 (Z1,t+1 + . . . + Z1,t+h ) + h1 ]) ,
CDSi (t, t + h) = Et [exp[0 (Z0,t+1 + . . . + Z0,t+h ) + (1 + 2 )0 [Z1,t+1 + . . . + Z1,t+h ]

+ 0 [Xi,t+1 + . . . + Xi,t+h ] + h(1 + 2 )] .
Il est alors important de savoir calculer les previsions de transformees exponentielles affines des valeurs futures cumulees des facteurs. Ceci explique
le role fondamental dans la suite de la transform
ee de Laplace conditionnelle des facteurs.
D
efinition 5.1 : La transform
ee de Laplace conditionnelle dun processus factoriel (Zt ) de dimension K est lapplication :
u t (u) = Et [exp(u0 Zt+1 )],
o`
u les composantes du vector u de dimension K peuvent etre reelles ou complexes. Cette application est definie sur le domaine D = {u : Et | exp(u0 Zt+1 )| <
} pour lequel les calculs desperances conditionnelles ont un sens.
Il est equivalent de connatre la transformee de Laplace conditionnelle
ou la distribution conditionnelle elle-meme. De plus, differentes fonctions se
deduisent de la transformee de Laplace conditionnelle et peuvent etre plus
adaptees pour certaines applications. Ce sont
i) la transform
ee de Laplace r
eelle, ou fonction g
en
eratrice des
moments, restriction de la transformee de Laplace aux vecteurs u à composantes reelles ;
5.1. INTRODUCTION
191
ii) la transform
ee de Fourier, ou fonction caract
eristique, restriction de la transformee de Laplace aux vecteurs u, dont les composantes sont
imaginaires pures. Des exemples de transformees de Laplace sont donnes dans
lAppendice 5.1.
5.1.4
Plan du chapitre
Dans le paragraphe 5.2, nous presentons les processus autor

egressifs
compos
es [CaR : Compound Autoregressive] introduits par Darolles, Gourieroux, Jasiak (2006), dont les analogues en temps continu sont les processus affines, introduits par [Duffie, Filipovic, Schachermayer (2003)]. Ces
processus constituent une extension des processus Vectoriels Autoregressifs
(VAR) gaussiens à des dynamiques non lineaires complexes. Ils sont tels que
la transformee de Laplace conditionnelle soit fonction exponentielle affine des
valeurs courantes des facteurs. Les processus CaR (affines) presentent lavantage, que les transformees de Laplace conditionnelles des facteurs integres (et
donc les prix des obligations) ont une forme explicite simple. Nous donnons
divers exemples de processus CaR, comme les processus VAR Gaussiens,
les processus de Poisson composes, incluant le cas particulier du processus
autoregressif à valeurs entières (INAR), le processus gamma autoregressif
(ARG : autoregressive gamma), dont lanalogue en temps continu est le
processus de Cox-Ingersoll-Ross (CIR), ainsi que le processus Wishart Autoregressif (WAR).
Les mod`
eles affines de valorisation sont decrits dans le paragraphe
5.3. Ils supposent des facteurs descompte stochastique exponentiels affines,
des intensites exponentielles affines et des facteurs avec des dynamiques CaR.
Nous les appliquons à letude des structures par terme des taux des obligations du Tresor et des obligations dentreprise. Finalement, nous expliquons comment cette approche sapplique à dautres produits derives simples,
comme des options dachat Europeennes sur action.
Les modèles affines sont egalement adaptes à lanalyse historique des
defaillances, base de la construction des notations. Cet aspect est discute
192
dans le paragraphe 5.4. Nous y presentons aussi linterpretation intensite

stochastique du modèle de Merton. Finalement, le dernier paragraphe 5.5
discute la mise en oeuvre de ces modèles, cest-à-dire leur calibrage, et la
determination des VaR de credit par simulation.
5.2
5.2.1
Processus autor
egressifs compos
es (CaR)
D
efinition
Considerons un processus (Zt ) de dimension K.

D
efinition 5.2 : Le processus (Zt ) est autor
egressif compos
e (compound
autoregressive (CaR)), si sa transformee de Laplace conditionnelle secrit sous
la forme :
Et [exp(u0 Zt+1 )] = exp[a(u)0 Zt + b(u)], u D.
Cette transformee est une fonction exponentielle affine de la valeur du
processus à la date t. Le processus est implicitement suppose Markov à lordre
1, mais la definition est facilement etendue à tout ordre autoregressif. Ainsi
un processus CaR (2) dordre 2 sera tel que :
Et [exp(u0 Zt+1 )] = exp[a0 (u)0 Zt + a1 (u)0 Zt1 + b(u)].
0
Pour un tel processus CaR (2), le processus Zt = (Zt0 , Zt1
)0 obtenu en
mettant ensemble les valeurs presentes et retardees est autoregressif compose
dordre 1 [voir Darolles et alii (2006)]. Il y a ainsi un trade-off entre ordre
regressif et dimension du facteur. Quitte à augmenter le nombre de facteurs,
il est toujours possible de se ramener à lordre autoregressif 1, ce que nous
supposons dans la suite.

(CAR)
5.2. PROCESSUS AUTOREGRESSIFS
COMPOSES
5.2.2
193
Param
etrisation
Supposons le processus CaR stationnaire. Sa distribution stationnaire (i.e.

marginale) peut aussi etre definie par lintermediaire de sa transformee de
Laplace :
E[exp(u0 Zt+1 )] = exp c(u).
(5.5)
Par application du theorème des esperances iterees, nous avons :
E[exp(u0 Zt+1 )] = EEt [exp(u0 Zt+1 )]

exp c(u) = E[exp[a(u)0 Zt + b(u)]]
exp c(u) = exp{c[a(u)] + b(u)}
c(u) = c[a(u)] + b(u).
(5.6)
Ainsi la transformee de Laplace secrit sous lune des formes equivalentes :

Et [exp(u0 Zt+1 )] = exp[a(u)0 Zt + b(u)]
= exp[a(u)0 Zt + c(u) c[a(u)]].
Nous en deduisons que la loi conditionnelle peut etre parametree i) soit
par lintermediaire des paramètres fonctionnels a et c, ii) soit par lintermediaire
des paramètres fonctionnels a et b. Avec la première parametrisation, c caracterise la loi marginale et a resume toute la dependance temporelle. Nous
verrons dans le paragraphe 5.2.4. que le paramètre b caracterise la loi dune
innovation du processus.
5.2.3
Formules de pr
evision
Lavantage des processus CaR est de fournir les formules de prevision

non lineaires sous-forme explicite pour tous les horizons de prevision, à la
194
fois pour le processus lui-meme et pour le processus integre. Les distributions predictives sont comme auparavant definies par lintermediaire de leurs
transformees de Laplace. Ces formules sont etablies dans lAppendice 5.2 et
decrites dans la proposition ci-dessous.
Proposition 5.1 : Soit (Zt ) un processus CaR.
i)
Et [exp(u0 Zt+h )]
= exp{aoh (u)0 Zt +
h1
X
b[aok (u)]}
k=0
= exp[aoh (u)0 Zt + c(u) c[aoh (u)]],

o`
u aoh designe la fonction a composee h fois avec elle meme.
ii) Et [exp(u0t+1 Zt+1 + . . . + u0t+h Zt+h )]
= exp[A(t, t + h; u)0 Zt + B(t, t + h; u)],
o`
u les coefficients A, B satisfont les equations de recurrence :
A(t + j, t + h; u) = a[ut+j+1 + A(t + j + 1, t + h; u)],
B(t + j, t + h; u) = b[ut+j+1 + A(t + j + 1, t + h; u)] + B(t + j + 1, t + h; u),
pour j < h,
avec les conditions terminales :
A(t + h, t + h; u) = 0, B(t + h, t + h; u) = 0.
Ainsi, la forme exponentielle affine de la transformee de Laplace conditionnnelle est valable à tout horizon, aussi bien pour le processus (Zt ) que
pour le processus integre (Zt + . . . + Zt+h1 ) (prendre ut+1 = . . . = ut+h = u).

(CAR)
COMPOSES
195
Par ailleurs, on obtient souvent des expressions simples en appliquant les

formules recursives de la proposition. Ainsi dans le cas du processus integre,
o`
u ut+1 = . . . = ut+h = u, les equations de recurrence deviennent :
A(t + j, t + h; u) = a[u + A(t + j + 1, t + h; u)],

B(t + j, t + h; u) = b[u + A(t + j + 1, t + h; u)] + B(t + j + 1, t + h; u),
avec A(t + h, t + h; u) = 0, B(t + h; t + h; u) = 0.
Les solutions sont alors independantes de la date t et dependent de j, h à
travers le delai residuel hj. Elles peuvent etre notees A(hj; u), B(hj; u).
Finalement, la Proposition 5.1 permet decrire de facon immediate la
condition sur les paramètres assurant la stationnarite forte 2 du processus
(Zt ). Intuitement, le processus est stationnaire si la valeur de la date t, cestà-dire Zt , na pas dimpact sur les previsions à long terme h . Cette
condition est satisfaite, si :
condition de stationnarite lim aoh (u) = 0, u D.
h
5.2.4
(5.7)
Exemples de processus CaR
Il existe de nombreux processus admettant des dynamiques CaR. Nous expliquons dans ce paragraphe comment les construire, et donnons des exemples
de tels processus, avec eventuellement le nom de leurs analogues en temps
continu (voir Appendice 5.3).
i) Mod`
ele VAR gaussien
Considerons le processus (Zt ) defini par :
2
Cest-à-dire le fait que la loi de (Zt+t1 , . . . , Zt+tn ) ne depende pas de t, pour tout choix
de n, t1 , . . . , tn .
196
Zt = M Zt1 + t ,
(5.8)
o`
u M est la matrice autoregressive de taille (K, K) et (t ) un ensemble de
vecteurs gaussiens independants, de meme loi normale centree, de matrice de
variance-covariance . La transformee de Laplace conditionnelle est :
u0 u
].
Et [exp(u Zt+1 )] = exp[u M Zt +
2
Il sagit dun processus CaR avec :
0
a(u) = M 0 u, b(u) =
u0 ()u
u0 u
, c(u) =
,
2
2
o`
u () = + M M 0 + . . . + M h (M 0 )h + . . .
Le paramètre fonctionnel a est lineaire, alors que les deux autres paramètres fonctionnels b et c sont quadratiques. Pour effectuer les previsions
à horizon h, le paramètre fonctionnel a doit etre remplacee par aoh . Comme
aoh (u) = (M 0 )h u, il suffit de remplacer M par M h . En particulier, le processus est stationnaire, si limh M h = 0, cest-à-dire si et seulement si les
valeurs propres de la matrice M sont de module strictement inferieur à 1.
Lanalogue de ce modèle en temps continu est le processus dOrnsteinUhlenbeck multivarie (voir Appendice 5.3).
La loi conditionnelle du processus integre Zt+1 + . . . + Zt+h se deduit
directement. Nous avons :
Zt+1 = M Zt + t+1 ,
Zt+2 = M 2 Zt + t+2 + M t+1 ,
Zt+h = M h Zt + t+h + M t+h1 + . . . + M h1 t+1 ,
et donc :

(CAR)
COMPOSES
197
Zt+1 + . . . + Zt+h = (M + M 2 + . . . + M h )Zt

+(Id + M + . . . + M h1 )t+1
+ . . . + t+h .
La loi conditionnelle du processus integre est une loi gaussienne, de moyenne :
Et (Zt+1 + . . . + Zt+h )
= (M + M 2 + . . . + M h )Zt = (Id M )1 (M M h )Zt = m(h), (disons)
de matrice de variance-covariance conditionnelle :
Vt (Zt+1 + . . . + Zt+h )
= (Id M )1 {(Id M )(Id M )0 + (Id M 2 )(Id M 2 )0
+ . . . + (Id M h )(Id M h )0 }(Id M 0 )1 = (h), (disons),
formules valables si M a ses valeurs propres de module strictement inferieur
à 1.
Les formes des fonctions A et B sen deduisent immediatement :
A(h; u) = m(h)0 u, B(h; u) =
u0 (h)u
.
2
ii) Le principe des mod`

eles compos
es
Ce principe est facile à comprendre dans le cas dun processus univarie
(Zt ) ne prenant que des valeurs entières, mesurant par exemple un nombre
de defaillances dans un portefeuille à la periode t. Une ecriture autoregressive
du type :
198
Zt = Zt1 + ut ,
o`
u ut est une suite de variables independantes, identiquement distribuees,
est inappropriee. En effet, une telle ecriture impliquerait que linnovation
ut ne pourrait prendre que les valeurs entières (prendre Zt1 = 0) et, de
meme, que le coefficient autoregressif serait entier. Cette dernière condition
et la stabilite || < 1 impliquent = 0, cest-à-dire labsence de dynamique.
Il est cependant possible detendre lidee du modèle autoregressif tout en
conservant la contrainte de valeurs entières du processus. Supposons que :
Zt1
Zt =
Xi,t + t ,
(5.9)
i=1
o`
u t , X1,t , X2,t , . . . Xn,t . . . sont des variables independantes. Supposons de
plus que t suive une loi discrète sur 1N, de transformee de Laplace :
E[exp(ut )] = exp b(u),
et X1,t , X2,t , . . . une meme loi discrète sur 1N de transformee de Laplace :
E[exp(uXj,t )] = exp a(u).
Nous avons :
Et [exp(uZt+1 )]
= Et exp(u
Zt
X
Xi,t+1 + ut+1 )
i=1
= Et [exp(u
Zt
X
Xi,t+1 )]Et exp(ut+1 )
i=1
= exp[a(u)Zt + b(u)].

(CAR)
COMPOSES
199
Il sagit dun modèle CaR. La classe de ces modèles est très flexible,
puisque les lois sur 1N correspondant aux fonctions a et b peuvent etre choisies
quelconques. Par ailleurs, nous voyons que le paramètre b caracterise la loi
de linnovation du modèle (5.9).
Un cas particulier important, dont une version continue est un modèle
à saut avec bifurcation, est le modèle dit Integer Autoregressive dordre 1
[INAR (1)]. Ce modèle est defini par :
Zt1
Zt =
Xi,t + t ,
i=1
avec t P(), Xi,t B(1, ).

Les paramètres fonctionnels sont :
a(u) = log[ exp u + 1 ], b(u) = [1 exp u], c(u) =
[1 exp u].
1
Dans ce modèle, la loi de linnovation est une loi de Poisson P() et

simultanement la loi marginale de Zt est une loi de Poisson P[/(1 )].
Pour effectuer la prevision à horizon h, on remarque que :
aoh (u) = log(h exp u + 1 h ),
donc quil suffit de remplacer par h . En particulier, le processus est stationnaire, si et seulement si : < 1.
Les formules de prevision non lineaire pour le processus INAR(1) integre
peuvent aussi etre obtenues sous forme explicite. Les fonctions a(h, u), b(h, u)
satisfont les equations de recurrence :
a(h, u) = log[ exp u exp a(h 1, u) + 1 ],
b(h, u) = b(h 1, u) (1 exp[u + a(h 1, u)]),
200
avec a(0, u) = b(0, u) = 0.

La première equation de recurrence secrit aussi :
exp a(h, u) = ( exp u) exp a(h 1, u) + 1 ;
il sagit dune equation de recurrence lineaire dont la solution est :
a(h, u) = log
1
1
h
.
+ ( exp u) 1
1 exp u
1 exp u
Substituant dans lequation de recurrence fournissant b(h, u), nous avons :
b(h, u) = h + exp u
h1
X
k=0
1
1
k
+ ( exp u) 1
,
1 exp u
1 exp u
1
1 ( exp u)h
1
b(h, u) = h + exp u
h + exp u 1
.
1 exp u
1 exp u
1 exp u
iii) Extension aux processus `
a valeurs r
eelles positives
Le principe des modèles composes est facilement etendu à des processus
à valeurs reelles positives. Lidee est decrire :
Z
Zt1
Zt =
X,t d + t ,
0
o`
u les variables X,t , variant, sont independantes, identiquement distribuees,
et independantes de t . On a alors :
Et [exp(uZt+1 )] = exp[a(u)Zt + b(u)],
dès que la loi de linnovation t caracterisee par b(u) est continue sur (0, )
et la loi de X,t caracterisee par a(u) est continue, infiniment divisible 3
3
Une loi de transformee de Laplace exp[a(u)] est infiniment divisible, si exp[a(u)z]

sinterprete comme une transformee de Laplace pour toute valeur reelle positive z. Ce type
de loi est à la base de la construction des processus de Levy utilises en temps continu.

(CAR)
COMPOSES
201
sur (0, ). Ici encore, il existe un grand choix possible de lois, montrant la
souplesse de la specification.
iv) Processus autor

egressif gamma (ARG)
Ce processus est la version en temps discret du processus de Cox, Ingersoll, Ross [voir Gourieroux, Jasiak (2006) pour letude complète des processus
ARG, larticle de Cox-Ingersoll-Ross (1985) pour lapplication à la structure
par terme des taux, Dai, Le, Singleton (2006), Karoui (2007), Monfort, Pegoraro (2007) pour leur application au risque de credit].
D
efinition 5.3 : Le processus (Zt ) est autoregressif gamma dordre 1 (ARG(1)),
si et seulement sil existe une variable intermediaire Xt telle que :
i) la loi de Xt sachant Xt1 , Zt1 est une loi de Poisson P(Zt1 ) ;
ii) la loi de Zt /c sachant Xt , Zt1 est une loi gamma ( + Xt ).
Il sagit dune variable gamma avec un degre de liberte stochastique,

fonction de la valeur passee. La distribution conditionnelle du processus est
une loi gamma decentree à un coefficient multiplicatif près. Cette loi depend
de trois paramètres : > 0 donne le degre de liberte, c > 0 le facteur dechelle,
0 caracterise le coefficient de decentrage egal à Zt1 , et donc resume la
dependance temporelle.
La transformee de Laplace conditionnelle se deduit facilement :
202
Et1 [exp(uZt )]
= Et1 Et1 [exp(uZt )|Xt ]
= Et1
1
(1 cu)+Xt
1
Et1 {exp(Xt log(1 cu)}
(1 cu)
1
exp{Zt1 [1 exp( log(1 cu))]}
(1 cu)
1
=
exp
(1 cu)
cu
Zt1 ,
1 cu
en utilisant les resultats de lAppendice 5.1.

Nous en deduisons que le processus ARG est autoregressif compose avec :
a(u) =
cu
; b(u) = log(1 cu).
1 cu
La distribution predictive à horizon h est egalement une loi gamma decentree,

qui se deduit par le changement de paramètres : c c, , (c) (c)h .
Le processus est stationnaire si c < 1 et, dans ce cas, la loi marginale du processus est une loi gamma centree à un facteur dechelle près. (1)Zt ().
v) Processus de Wishart autor
egressif (WAR)
Il sagit dune extension des processus autoregressif gamma (cest-à-dire
Cox-Ingersoll-Ross) au cas multivarie. La construction des processus WAR
repose sur la remarque suivante. Considerons K processus gaussiens vectoriels
autoregressifs dordre 1, independants :
Xk,t = Xk,t1 + k,t , avec k,t IIN (0, ),
(5.10)

(CAR)
COMPOSES
203
o`
u les processus Xk,t , k = 1, . . . , K sont de dimension n, la matrice autoregressive et la matrice de variance-covariance de linnovation sont de
taille (n, n), et sont independantes de k. Le processus obtenu en sommant
les carres de ces processus multivaries :
Yt =
K
X
0
Xk,t Xk,t
,
(5.11)
k=1
est un processus de Markov dordre 1, compose dune suite de matrices stochastiques symetriques positives. Sa transformee de Laplace conditionnelle
est :
Et exp[T r(Yt+1 )]
=
exp T r[0 (Id 2)1 Yt ]

,
det [Id 2]K/2
o`
u T r designe loperateur trace 4 et la matrice est symetrique. Cette transformee de Laplace conditionnelle est une fonction exponentielle affine des
elements de la matrice Yt , et le processus ainsi construit est un processus CaR.
La distribution de ce processus depend des paramètres matriciels , et du
degre de liberte K ; la densite de transition correspond à une loi de Wishart
decentree [voir e.g. Gourieroux (2006)a, Gourieroux, Jasiak, Sufana (2007)].
Le processus est egalement defini lorsque le degre de liberte K est fractionnaire (cest-à-dire non entier), mais perd alors son interpretation comme
somme de carres de processus VAR(1) gaussiens.
La transition à horizon H correspond egalement à une loi de Wishart
decentree, pour laquelle il suffit de specifier les nouveaux paramètres :
h , + 0 + . . . + h1 (h1 )0 , K K,
changement, qui correspond à leffet dhorizon classique pour les processus
VAR gaussiens sous-jacents.
4
La trace dune matrice carree est la somme de ses elèments diagonaux.
204
iv) Processus quadratique

Un transforme affine de processus CaR est aussi un processus CaR. Cette
propriete du processus peut aussi rester satisfaite pour certaines transformations non lineaires. Lexemple le plus connu considère un processus gaussien
autoregressif dordre 1. : zt = zt1 + t , o`
u (t ) est un bruit blanc gaussien.
2 0
Alors, le processus bivarie Zt = (zt , zt ) est egalement CaR [Voir Appendice
5.4].
5.3
5.3.1
Structure par terme des taux

Hypoth`
eses
Considerons pour une firme donnee, dont lindice nest pas introduit pour
simplifier les notations, la valorisation des obligations zero-coupon sans risque
et des obligations zero-coupon de lentreprise avec taux de recouvrement nul.
Daprès (5.1) (5.2), nous pouvons ecrire :
B(t, t + h)
= Et hk=1 M (Z0,t+k , Z1,t+k ; 1 ) ,
CDS (t, t + h) = Et [hk=1 M (Z0,t+k , Z1,t+k ; 1 )hk=1 (Z1,t+k , Xt+k ; 2 )],

o`
u M designe le facteur descompte stochastique et lintensite de survie.
D
efinition 5.4 : Le modèle à intensite est un mod`
ele affine de structure par terme [Affine Term Structure Model (ATSM)], si les conditions
suivantes sont satisfaites :
i) facteur descompte stochastique et intensite de survie sont exponentielaffines :
Mt,t+1 = exp[0 Z0,t+1 + 10 Z1,t+1 + 1 ],
t,t+1
= exp[20 Z1,t+1 + 0 Xt+1 + 2 ].
5.3. STRUCTURE PAR TERME DES TAUX
205
ii) Les facteurs (Z0,t ), (Z1,t ), (Xt ) sont des processus CaR (affines) independants :
Et [exp(u0 Zj,t+1 )] = exp[aj (u)0 Zj,t + bj (u)], j = 0, 1,
Et [exp(u0 Xt+1 )]
5.3.2
= exp[a (u)0 Xt + b (u)].
Structure par terme affine
Les prix des zero-coupon secrivent :

B(t, t + h) = Et [exp 0 (Z0,t+1 + . . . + Z0,t+h )]
Et [exp 10 (Z1,t+1 + . . . + Z1,t+h )] exp(1 h),
CDS (t, t + h) = Et (exp[0 (Z0,t+1 + . . . + Z0,t+h )])Et [exp(1 + 2 )0 (Z1,t+1 + . . . + Z1,t+h )]
Et [exp 0 (Xt+1 + . . . + Xt+h )] exp[(1 + 2 )h].
On peut alors appliquer les formules generales de la Proposition 5.1 ii),

qui donnent les expressions des transformees de Laplace conditionnelle des
processus CaR integres. Avec des notations claires, on obtient des expressions
du type :
B(t, t + h) = exp[A0 (h; )0 Z0,t + A1 (h; 1 )0 Z1,t + 1 h

+B0 (h; ) + B1 (h; 1 )],
CDS (t, t + h) = exp[A0 (h; )0 Z0,t + A1 (h; 1 + 2 )0 Z1,t + A (h; )0 Xt + (1 + 2 )h
+B0 (h; ) + B1 (h; 1 + 2 ) + B (h; )],
ou bien en terme de taux geometriques :
206
r(t, t + h)

= h1 A0 (h; )0 Z0,t h1 A1 (h; 1 )0 Z1,t 1
B0 (h;)
h
B1 (h;1 )
,
h
1
1
1
r (t, t + h) = A0 (h; )0 Zt A1 (h; 1 + 2 )0 Z1,t A (h; )0 Xt (1 + 2 )
h
h
h
1
1
1
B0 (h; ) B1 (h; 1 + 2 ) B (h; ).
h
h
h
Ainsi, les taux risques et non risques (et aussi les differentiels de taux)
sont fonctions affines des facteurs Z0,t , Z1,t , Xt avec des coefficients fonctions
de la maturite residuelle ; ceci justifie le nom mod`
ele affine de structure
par terme (Affine Term Structure Model ou ATSM).
Proposition 5.2 : Sous les hypothèses de la definition 5.4, les taux des
obligations detat et des obligations dentreprises à taux de recouvrement
nul, ainsi que les differentiels de taux sont fonctions affines des facteurs.
Il existe une facon simple dinterpreter ces relations. Supposons
dimZ1t = dimXt = 1. Nous avons :
1
1
r (t, t + h) = A1 (h; 2 )Z1t A (h; )Xt
h
h
1
1
+ {2 B1 (h; 2 ) B (h; )}.
h
h
La structure par terme des taux est construite à partir de trois structures
par terme de base :
1
1
1
1
A1 (h; 2 ), A (h; ), 2 B1 (h; 2 ) B (h; ),
h
h
h
h
avec des coefficients stochastiques Z1,t , Xt variant dans le temps. Ceci permet
dobtenir des modèles o`
u, par exemple, lune des structures par terme de
base serait croissante concave, une autre croissante avec point dinflexion,
une autre presentant une bosse, et, selon lenvironnement, les valeurs des
facteurs pondèrent plus ou moins ces diverses formes.
207
La terminologie modèle affine de structure par terme peut parfois etre

trompeuse. Ainsi il est possible que deux facteurs Z1t , Xt soient dans certains
cas lies de facon non lineaire comme Z1t = Xt2 (voir paragraphe 5.2.4 vi).
Les taux sont alors fonctions lineaires affines de Xt et Xt2 , cest-à-dire fonction quadratique de Xt . On parle dans ce cas de mod`
ele quadratique de
structure par terme des taux (QTSM) [Constantinides (1992), Leippold,
Wu (2002)] (voir Appendice 5.4). Les modèles de Wishart peuvent etre vus
comme des extensions de telles structures quadratiques.
5.3.3
Reconstitution des facteurs.
Les facteurs (Z0,t ), (Z1,t ), (Xt ) introduits dans le modèle sont a priori des
facteurs exogènes non forcement interpretables en terme de prix dactifs financiers ou de taux. Cependant, une fois appliquees les formules de valorisation liees à labsence dopportunite darbitrage, ils peuvent souvent etre
reconstitues à partir des taux observes. Supposons pour simplifier la dimension dimZ0 = dimZ1 = dimX = 1 et des observations sur trois taux, deux
taux sans risque de maturites residuelles h1 , h2 et un taux risque de maturite h3 . Ecrivant les relations affines pour r(t, t + h1 ), r(t, t + h2 ), r(t, t + h3 ),
nous obtenons un système de trois equations à trois inconnues Z0,t , Z1,t , Xt ,
en supposant les paramètres donnes. Lorsque ce système est inversible, on
deduit lexpression de chaque facteur en fonction des taux, par exemple :
Z0,t = 0 (h1 , h2 , h3 )r(t, t + h1 ) + 1 (h1 , h2 , h3 )r(t, t + h2 ) + 2 (h1 , h2 , h3 )
r (t, t + h3 ) + 3 (h1 , h2 , h3 ).
Chaque facteur apparat directement lie au taux dun portefeuille dobligations comportant des obligations zero-coupon sans risque de terme h1 , h2 ,
un zero-coupon risque de terme h3 , avec une composition donnee par :
0 (h1 , h2 , h3 ), 1 (h1 , h2 , h3 ), 2 (h1 , h2 , h3 ). On parle de portefeuille mim
etique
(mimicking portfolio).
208
5.3.4
Evolution risque-neutre
Il est interessant dexaminer egalement levolution risque-neutre des facteurs. Pour cela, considerons la transformee de Laplace conditionnelle sous
probabilite risque-neutre. A horizon 1, elle est donnee par :
EtQ [exp(u00 Z0,t+1 + u01 Z1,t+1 + u0 Xt+1 )]
= Et (Mt,t+1 exp[u00 Z0,t+1 + u01 Z1,t+1 + u0 Xt+1 ])/Et (Mt,t+1 )
=
Et exp[(u0 + )0 Z0,t+1 + (u1 + 1 )0 Z1,t+1 + u0 Xt+1 + 1 ]

Et (exp[0 Z0,t+1 + 10 Z1,t+1 + 1 ])
= exp{[a0 (u0 + ) a0 ()]0 Z0,t + [a1 (u1 + 1 ) a1 (1 )]0 Z1t

+a (u)Xt + b0 (u0 + ) b0 () + b1 (ut + 1 ) b1 (1 ) + b (u)}.
Cette transformee de Laplace est egalement une fonction exponentielle
affine des valeurs presentes des facteurs.
Proposition 5.3 : Dans un modèle affine, le processus factoriel est CaR à
la fois sous probabilite historique et sous probabilite risque-neutre.
Le passage de la probabilite historique à la probabilite risque-neutre se
traduit par une modification des paramètres fonctionnels a et b, du type :
a(u) a(u + ) a().
Cet effet de translation du paramètre fonctionnel est une generalisation
du cas Black-Scholes, o`
u leffet ne porte que sur le coefficient de translation.
Dans le cas de dynamique CaR non lineaire plus generale, cet effet est plus
complexe.
Le modèle ATSM assure des formules de prevision non lineaires simplifiees
aussi bien dans le monde historique que dans le monde risque-neutre avec des
formules simples de passage de lun à lautre.
209
Le fait que les taux soient fonctions affines des facteurs sous-jacents provient essentiellement de la dynamique CaR du taux court sous probabilite
risque-neutre. Comme la condition dabsence dopportunite darbitrage nimplique que la condition de positivite sur le facteur descompte stochastique
[Rogers (1997), Singleton (2006)], on peut conserver cette propriete en supposant
i) une dynamique CaR des facteurs sous probabilite risque-neutre ;
ii) un taux court fonction affine de ces facteurs ;
iii) une dynamique autre (non necessairement CaR) sous probabilite historique, cest-à-dire sous un jeu dhypothèses plus faibles que celui de la
definition 5.4.
Cette demarche a ete recemment suivie par Dai, Le, Singleton (2006).
5.3.5
Effets de cycles
Les defaillances dentreprises et les prix des derives de credit sont très sensibles aux cycles daffaires. Il est important de disposer de modèles capables
de prendre en compte de tels cycles, en leur permettant detre differents selon
les pays et les secteurs dactivite. Dans les modèles à facteurs stochastiques,
lintroduction de cycle se fait par lintermediaire de facteurs supposes avoir
des dynamiques cycliques, donc non stationnaires. Les dynamiques CaR sont
adaptees à de telles extensions. A titre dillustration, considerons le modèle
autoregressif gaussien ; des cycles peuvent etre pris en compte en considerant
une formulation autoregressive :
Zt = 1 Zt1 + . . . + p Ztp + t ,
avec un ordre autoregressif p suffisamment grand et des racines complexes
de module unitaire à lequation 1 1 x . . . p xp = 0, creant des composantes periodiques. Des approches de meme type existent pour les autres
dynamiques CaR.
La possibilite dintroduire des retards de tout ordre et des composantes
210
cycliques est lune des forces des modèles dynamiques en temps discret, ceci
se revelant impossible avec les specifications en temps continu.
Supposons alors une telle composante cyclique. Les modèles peuvent etre
consideres avec cette composante (ou parle dapproche Point-in-Time, ou
PIT), ou sans cette composante (on parle dapproche Through-The-Cycle,
ou TTC). Cette dernière approche revient à corriger de leffet de cycle. Au
moment de la mise en place de la nouvelle reglementation par le Comite de
Basle, il y a eu une longue discussion pour savoir laquelle des deux approches
devait etre suivie pour lanalyse des risques. Il a ete decide que les analyses de
risque et les calculs de VaR devraient etre effectues en tenant compte des effets de cycles, cest-à-dire PIT. Cette approche est aussi necessaire pour analyser les effets dun retournement de cycle, comme un passage dun regime de
croissance à un regime de recession. En revanche, rien nempeche le regulateur
de lisser ex-post les effets de cycle pour fixer le capital reglementaire. Ceci
reviendrait à ne pas prendre un ratio de 8% identique dans les periodes de
croissance ou de recession, mais à le faire dependre de la position dans le
cycle.
5.4
Analyse des probabilit

es de d
efaillance
Dans le paragraphe precedent, nous nous sommes concentres sur letude

des structures par terme de taux, cest-à-dire des problèmes de valorisation.
Le modèle affine est egalement adapte à la prevision de la defaillance. Nous
commencons par decrire la forme des probabilites de defaillance, puis dans
un deuxième temps, nous faisons le lien avec lapproche de type Merton, vue
au chapitre 4.
5.4.1
Fonction de survie
Etudions la forme de la fonction de survie de la firme evaluee à la date t.

Elle est donnee par :
DE DEFAILLANCE
5.4. ANALYSE DES PROBABILITES
211
S(t, t + h) = P [Y > t + h|Y > t, Zt , Xt ]

= Et [t,t+1 t+1,t+2 . . . t+h1,t+h ]
= Et [exp 20 (Z1,t+1 + . . . + Z1,t+h )]
Et [exp 0 (Xt+1 + . . . + Xt+h )] exp(2 h).
Ici encore, les formules generales de transformee de Laplace conditionnelle
sappliquent. La fonction de survie peut donc secrire sous la forme :
S(t, t + h) = exp{A1 (h; 2 )0 Z1,t + A (h; )0 Xt + 2 h

+B1 (h; 2 ) + B (h; )}.
(5.12)
Le logarithme de la fonction de survie satisfait un modèle affine dans les

facteurs Z1,t , Xt , influant sur la distribution historique. Il ne depend pas des
facteurs specifiques de la valorisation, cest-à-dire de la correction du risque.
5.4.2
Mod`
ele `
a intensit
e et mod`
ele structurel.
La forme exponentielle affine de lintensite de survie peut etre replacee

dans le cadre du modèle structurel de valeur de la firme discute au chapitre 4. Considerons les series actif, dette (At , Lt ). Supposons que ces series
satisfassent un modèle à facteurs, cest-à-dire que la loi conditionnelle de
At+1 , Lt+1 , sachant At , Lt , Zt+1 ne depende du passe quà travers les valeurs
Zt+1 des facteurs, et que lon puisse ecrire :
log Lt+1 log At+1 = log( 0 Zt+1 ) + ut+1 ,
(5.13)
o`
u la loi du ut+1 est une loi de Gompertz, de fonction de repartition exp[ exp(u)].
Lintensite de survie secrit :
212
t,t+1 = P [log Lt+1 < log At+1 |Zt+1 ]

= P [log( 0 Zt+1 ) + ut+1 < 0|Zt+1 ]
= P [ut+1 < log( 0 Zt+1 )|Zt+1 ]
= exp( 0 Zt+1 + ),
qui nest autre que la forme exponentielle affine. Ainsi, le modèle de Merton
vu au chapitre 4 ne diffère du modèle à intensite exponentielle affine que par
les hypothèses du modèle de regression definissant la valeur de lactif :
i) la partie expliquee depend uniquement de log At dans le modèle standard, alors quelle est ici fonction des facteurs sous-jacents ;
ii) le terme derreur est suppose gaussien alors quici il est suppose suivre
une loi de Gompertz.
Ceci montre que le modèle à intensite exponentielle affine peut egalement
etre vu comme la forme reduite dun modèle structurel de valeur de la firme.
Il est donc peu licite dopposer lapproche par modèle de valeur de la firme
et lapproche par intensite stochastique, comme ceci a ete fait jusquici dans
la majeure partie de la litterature sur le risque de credit.
5.5
Mise en oeuvre des mod`

eles affines
Des versions simples de modèles affines sont depuis longtemps utilisees

pour letude des structures par terme des taux sans risque. Cependant, le
developpement de ces modèles pour une analyse coherente du risque de credit
est très recente 5 , et sa diffusion dans les logiciels et methodologies danalyse
de ce risque demandera encore un certain temps. Dans ce paragraphe, nous
discutons la mise en oeuvre de cette approche à la fois pour la determination
5
Ces developpement incluent les roles de la transformee de Laplace, des facteurs

exogènes, limportance de la modelisation en temps discret, le processus de Wishart...
`
5.5. MISE EN OEUVRE DES MODELES
AFFINES
213
de la distribution de la valeur future dun portefeuille de credit et de derives

de credit, et pour lestimation (calibrage) des paramètres du modèle.
5.5.1
Distribution de la valeur future dun portefeuille

de cr
edits et de d
eriv
es de cr
edit.
Determiner cette distribution est necessaire pour la determination des

reserves, basees sur les VaR de credit qui correspondent à des quantiles appropries de cette distribution. Les portefeuilles figurant dans les bilans des
banques comportent un très grand nombre dengagements avec des produits
credits et derives de credit très varies. Il est illusoire de rechercher une forme
explicite pour la distribution de valeur future du portefeuille et celle-ci est
en pratique determinee par simulation. Cependant, le calcul par simulation
doit pouvoir etre effectue en un temps raisonnable, cest-à-dire inferieur à
2-3 jours, pour des portefeuilles pouvant comporter plusieurs centaines de
milliers ou millions dengagements. Un modèle de risque de credit doit de ce
point de vue i) etre assez flexible ; ii) fournir une analyse coherente des valorisations et des previsions ; iii) permettre de simplifier certains calculs dans
la phase de simulation intensive. Lapproche par modèles affines presente ces
trois avantages et de ce point de vue a actuellement peu de competiteurs.
Discutons par exemple le point iii).
(*) Nous avons vu que la valorisation des derives de credit se ramène à la
valorisation de derives ecrits sur les facteurs sous-jacents. Celle-ci est assez
facile numeriquement. Pour les derives les plus simples : obligations sans
risque, CDS.., elle necessite lapplication des formules recursives de mise à
jour des transformees de Laplace en fonction de la maturite residuelle. Pour
les produits plus complexes (beaucoup plus rares), elle necessite en plus des
inversions de Fourier [voir Duffie, Pan, Singleton (2000)] .
(**) Par ailleurs, il faut prevoir les valeurs futures des credits et derives de
credits, ou de facon equivalente des facteurs. Les modèles CaR les plus stan-
214
dards admettent des ecritures autoregressives composees simples, qui sont

directement utilisables pour faire des simulations rapidement. Considerons
à titre dexemple le processus ARG(1). Nous avons vu que la valeur Zt+1
peut etre obtenue en considerant dabord une variable Xt+1 de loi de Poisson
P(Zt ), puis ensuite la variable Zt+1 /c de loi gamma (, Xt+1 ). Ceci fournit un algorithme de simulation de valeurs futures dun tel facteur ARG(1)
depuis la date t, selon le schema suivant :
s
dans la loi de Poisson P(Zt ) ;
etape 1 : tirer Xt+1
s
s
etape 2 : tirer Zt+1
/c dans la loi gamma ( + Xt+1
);
s
s
dans la loi de Poisson P(Zt+1
);
etape 3 : tirer Xt+2
s
s
etape 4 : tirer Zt+2
/c dans la loi gamma ( + Xt+2
), . . .
s
et ainsi de suite jusquau tirage de Zt+h
, o`
u h est lhorizon de prevision
considere. Cette demarche doit etre repetee avec un nombre de repetitions
S assez grand, de facon que la distribution empirique des valeurs simulees
1
S
Zt+h
, . . . , Zt+h
permette dapprocher de facon appropriee la loi conditionnelle de Zt+h sachant Zt . Lorsquun modèle affine comporte plusieurs facteurs
ARG(1) independants, la demarche est appliquee à chaque facteur.
Remarquons finalement que cette approche suppose connues les valeurs Zt

des facteurs sous-jacents à la date t. Ces dernières peuvent generalement etre
construites date par date à partir des prix observes (grace à linterpretation
portefeuilles mimetiques), ou des probabilites de defaillance observees.
5.5.2
Calibrage des param`

etres
La determination par simulation de la distribution de valeur future dun

portefeuille suppose prealablement estimes (calibres) les paramètres. Il faut
à ce niveau eviter des methodes destimation (de calibrage) trop sophistiquees comme le maximum de vraisemblance ou les approches par fonction
`
AFFINES
215
caracteristique 6 . Elles presentent en effet le defaut detre souvent mal comprises et interpretees par les praticiens. Il faut clairement leur preferer des
methodes sappuyant sur des regressions, ou le calibrage de certains moments.
Nous discuterons ces methodes dans le cas de grandes firmes regroupees
par classe homogène, lorsque les donnees utilisees sont des taux sans risque
et des taux risques 7 . Deux types de moments ou de regressions doivent
generalement etre utilisees conjointement :
i) lapproche en coupe utilise les relations affines existant à une date
donnee entre taux et dependant de facon non lineaire des paramètres ;
ii) lapproche dynamique sappuie sur les expressions affines des moyennes
et variance conditionnelles des taux, et dependent de facon non lineaire des
paramètres.
Considerons à titre dillustration, le cas o`
u seraient observes quatre taux
sans risque r(t, t + h1 ), r(t, t + h2 ), r(t, t + h3 ), r(t, t + h4 ) et un taux risque
r (t, t + h0 ) correspondant à une entreprise donnee. Introduisons alors un
modèle à quatre facteurs Z1,t , Z2,t , Z3,t , Xt avec un seul facteur specifique Xt
de lentreprise. Etant donne un modèle affine parametrique, nous savons que
les divers taux sont des fonctions affines des quatre facteurs sous-jacents.
Ils sont donc en relation deterministe affine entre eux avec des coefficients
dependant des paramètres :
r (t, t + h0 ) = () +
4
X
j ()r(t, t + hj ).
(5.14)
j=1
Ceci explique la pratique consistant à calibrer les paramètres par une

methode de moindres carr
es non lin
eaires, cest-à-dire en cherchant une
6
Une litterature theorique importante sur les procedures destimation adaptees aux
modèles affines est en train de se developper. Citons : Pearson, Sun (1994), Duan, Simonato
(1994), Gourieroux, Monfort (2007)b pour le maximum de vraisemblance, Singleton (2005),
Bates (2006) pour les approches par fonction caracteristique.
7
Nous renvoyons à Gourieroux, Jasiak (2006)b pour les methodes destimation des
scores, et celles plus adaptees au credit de detail.
216
solution du problème de minimisation :
= arg min
T
X
t=1
[r(t, t + h0 ) ()
4
X
j ()r(t, t + hj )]2 .
(5.15)
j=1
Cependant, cette approche ne fournit des estimations convergentes de

lensemble des paramètres que dans les modèles très simples [Voir e.g. Christoffersen et al. (2006)]. En general, les relations en coupe instantan
ee
(cross-section) contiennent de linformation sur une fraction des paramètres
seulement. Mathematiquement, lapplication [(), 1 (), . . . , 1 ()] nest
pas bijective, et le paramètre nest pas identifiable à partir des seules
regressions non lineaires (5.15).
Ceci explique la necessite de completer lestimation en utilisant dautres
types de moments faisant intervenir des aspects dynamiques. Dautres conditions de moments sont facilement obtenues en utilisant les proprietes cidessous :
Proposition 5.4 : Un processus transforme affine inversible dun processus
CaR est CaR.
Preuve : Soit (Zt ) un processus CaR avec :
Et [exp(u0 Zt+1 )] = exp[a(u)0 Zt + b(u)],
u M est inversible. Nous avons :

et Zt = M Zt + , o`
`
AFFINES
217
Et exp(u0 Zt+1
)
= Et [exp(u0 M Zt+1 + u0 )]
= exp [u0 + a(M 0 u)0 Zt + b(M 0 u)]
= exp [a(M 0 u)0 M 1 Zt + u0 + b(M 0 u) a(M 0 u)0 M 1 ]
= exp [a (u)0 Zt + b (u)] , disons,
qui est une fonction exponentielle affine de Zt .
QED
En particulier, dans le cas dun modèle ATSM les taux dinteret
[r(t, t+h), r(t, t+h2 ); r(t, t+h3 ), r (t, t+h0 )] sont en liaison affine, generalement
bijective, avec les facteurs. Ce processus joint de taux dinteret est donc aussi
CaR.
Proposition 5.5 : Si (Zt ) est un processus CaR, la meilleure prevision de
(Zt ) faite à la date t 1 est fonction affine de Zt1 .
Preuve :
La transformee de Laplace conditionnelle est :
Et [exp(u0 Zt+1 )] = exp[a(u)0 Zt + b(u)] ;
effectuons son developpement limite en u, à lordre 1, au voisinage de u = 0.
Nous obtenons :
b
a 0
(0) Zt +
(0),
u
u
cest-à-dire lexpression affine de la prevision.
Et (Zt+1 ) =
QED
218
Appliquant cette propriete aux taux, nous obtenons de nouvelles regressions

du type
r(t, t + h1 )
r(t 1, t 1 + h1 )
a
b
..
..
0
(0,
)
(0, ),
'
+
.
.
u
u
r (t, t + h0 )
r (t 1, t 1 + h0 )
qui peuvent servir à trouver les paramètres non identifiables à partir des
seules regression en coupes.
Sans aller plus dans le detail de linference statistique, retenons que :
i) des estimateurs convergents des paramètres historiques et des primes
de risque (ceux figurant dans le facteur descompte stochastique) sont assez
faciles à trouver à condition dutiliser conjointement et de facon appropriee
des moments statiques (en coupe) et des moments dynamiques.
ii) Les paramètres ne sont generalement pas identifiables à partir dun
seul type de conditions de moments.
Ces approches fondees sur des moments sont evidemment sensibles aux
moments choisis, cest-à-dire aux taux retenus, et non efficaces. La mise en
place de methodes destimation simples plus performantes bute actuellement
sur deux difficultes :
i) La difference de liquidite entre les obligations risquees et les obligations dentreprise, qui implique vraisemblablement des vitesses de convergences differentes des estimateurs selon les paramètres consideres [Gagliardini, Gourieroux, Renault (2005)].
ii) Le fait que les supports des taux observes dependent des paramètres.
Ainsi dans un modèle affine à un facteur, nous pouvons ecrire :
r(t, t + h) = (h, )r(t, t + 1) + (h, ),
et si le taux court est à valeurs positives, alors le taux de maturite h prend
des valeurs superieures à (h, ), fonction qui est croissante en h [Gourie-
`
AFFINES
219
roux, Monfort (2006)]. Ainsi beaucoup dinformation sur les paramètres est
contenue dans les valeurs minimales observees de chaque taux.
220

REFERENCES
Ahn, D., Dittmar, R., et A., Gallant (2002) : Quadratic Term Structure
Models : Theory and Evidence, Review of Financial Studies, 15, 243-288.
Bates, D. (2006) : Maximum Likelihood Estimation of Latent Affine
Processes, Review of Financial Studies, 19, 909-965.
Christoffersen, P., Jacobs, K., Karoui, L., et K., Minouni (2006) : Estimating Affine Term Structure Models Using the Cross-Section of Swap Yields,
DP McGill Univ.
Constantinides, G. (1992) : A Theory of the Nominal Term Structure of
Interest Rates, Review of Financial Studies, 5, 531-552.
Cox, J. (1972) : Regression Models and Life Tables, Journal of the
Royal Statistical Society, 8, 34-187-220.
Cox, J., Ingersoll, J., et S., Ross (1985) : A Theory of the Term Structure
of Interest Rates, Econometrica, 53, 385-407.
Dai, Q., et K., Singleton (2000) : Specification Analysis of Affine Term
Structure Models, Journal of Finance, 55, 1943-1978.
Dai, Q, Le, A., et K., Singleton (2006) : Discrete Time Dynamic Term
Structure Models with Generalized Market Prices of Risk, Stanford Univ.
DP.
Darolles, S., Gourieroux, C., et J., Jasiak (2006) : Structural Laplace
Transform and Compound Autoregressive Models, Journal of Time Series
Analysis, 27, 477-503.
Duan, J., et J., Simonato (1994) : Estimating and Testing Exponential Affine Term Structure Models by Kalman Filter, Review of Quantitive
`
AFFINES
221
Finance and Accounting, 13, 111-135.

Duffie, D., Filipovic, D., et W. Schachermayer (2003) : Affine Processes
and Applications in Finance, Annals of Applied Probability, Vol 13, 9841053.
Duffie, D., et R., Kan (1996) : A Yield Factor Model of Interest Rates,
Mathematical Finance, 6, 379-406.
Duffie, D., Pan, J., et K., Singleton (2000) : Transform Analysis and
Asset Pricing for Affine Jump Diffusions, Econometrica, 68, 1343-1376.
Duffie, D., et K., Singleton (1999) : Modeling the Term Structure of
Defaultable Bonds, Review of Financial Studies, 12, 687-720.
Engle, R. (2002) a : Dynamic Conditional Correlation : A Simple Class of
Multivariate GARCH Models, Journal of Business and Economic Statistics,
20, 339-350.
Engle, R. (2002) b : New Frontiers for ARCH Models, Journal of Applied Econometrics, 17, 425-446.
Gagliardini, P., Gourieroux, C., et E., Renault (2005) : Extended Method
of Moments, with Application to Derivative Pricing, CREST DP.
Gourieroux, C. (2006)a : Wishart Processes for Stochastic Risk, numero
special sur la volatilite stochastique, Econometric Reviews, 25, 1-41
Gourieroux, C. (2006)b : Positivity Condition for a Bivariate Autoregressive Volatility Specification, à paratre Journal of Financial Econometrics.
Gourieroux, C. (2007) : Recent Developments in Term Structure Theory,
CREST DP.
Gourieroux, C., et J., Jasiak (2006) a : Autoregressive Gamma Pro-
222
cesses, Journal of Forecasting, 25, 129-152.

Gourieroux, C., et J., Jasiak (2006) b : Econometrics of Individual Risks :
Credit, Insurance and Marketing, Princeton University Press.
Gourieroux, C., Jasiak, J., et R., Sufana (2007) : The Wishart Autoregressive Process for Stochastic Volatility, à paratre Journal of Econometrics.
Gourieroux, C., et A., Monfort (2007) : Domain Restrictions on Interest
Rates Implied by No-Arbitrage, CREST DP.
Gourieroux, C., et A., Monfort (2007) a : Econometric Specifications of
Stochastic Discount Factor Models, Journal of Econometrics, Fevrier.
Gourieroux, C., et A., Monfort (2007) b : Estimation of the Historical
Mean-Reverting Parameter in the CIR Models, CREST DP.
Gourieroux, C., Monfort A., et V., Polimenis (2006) : Affine Model for
Credit Risk Analysis, Journal of Financial Econometrics, 4, 494-530.
Gourieroux, C., et R., Sufana (2003) : Wishart Quadratic Term Structure Model, CREF, 03-10, HEC Montreal.
Gourieroux, C., et R., Sufana (2005) : A Classification of Two Factor
Affine Term Structure Models, Journal of Financial Econometrics, 4, 31-52.
Gourieroux, C., et R., Sufana (2006) : Pricing with Wishart Factors,
Handbook of Financial Engineering.
Karoui, L., (2007) : Modelling Defaultable Securities with Recovery
Risk, DP Mc Gill Univ.
Lando, D. (1998) : On Cox Processes and Credit Risky Securities, Review of Derivatives Research, 2, 99-120.
`
AFFINES
223
Leippold, M., et L., Wu (2002) : Asset Pricing Under the Quadratic

Class, Journal of Financial and Quantitative Analysis, 37, 274-295.
Martellini, L., et P., Priaulet (2001) : Fixed Income Securities, Wiley.
Monfort, A., et F., Pegoraro (2006) : Multilag Term Structure Models
with Stochastic Risk Premia, CREST DP.
Monfort, A., et F., Pegoraro (2007) : Switching VARMA Term Structure
Models, Journal of Financial Econometrics, 5, 105-153.
Ng, Y., Engle, R., and M., Rothschild (1992) : A Multidynamic Factor
Model for Stock Returns, Journal of Econometrics, 52, 245-266.
Nieto-Barajas, L., et S., Walker (2002) : Markov Beta and Gamma Processes for Modelling Hazard Rates, Scandinavian Journal of Statistics, 29,
413-424.
Pearson, N., et T., Sun (1994) : Exploiting the Conditional Density in
Estimating the Term Structure : An Application to the Cox-Ingersoll-Ross
Model, Journal of Finance, 49, 1279-1329.
Pelletier, D. (2006) : Regime Switching for Dynamic Correlations, Journal of Econometrics, 131, 445-473.
Piazzesi, M. (2001) : Affine Term Structure Models, dans Handbook of
Financial Econometrics, ed. Ait-Sahalia, et L., Hansen, Elsevier, à paratre.
Rogers, L. (1977) : The Potential Approach to the Term Structure of
Interest Rates and Foreign Exchange Rates, Mathematical Finance, 7, 157176.
Singleton, K. (2001) : Estimation of Affine Diffusion Models Based on
the Empirical Characteristic Function, Journal of Econometrics, 102, 111141.
224
Singleton, K. (2006) : Empirical Asset Pricing Models : Specification

and Empirical Assessment, Princeton University Press.
5.6. APPENDICE
5.6
5.6.1
225
Appendice
Quelques transform
ees de Laplace
i) Loi de Poisson P()

Nous avons :

X
x
E[exp(uX)] =
exp() exp(ux)
x!
x=0
= exp()

X
( exp u)x
x=0
x!
= exp[(1 exp u)].

ii) Loi de Bernoulli B(1, p)
E[exp(uX)] = p exp u + 1 p.
iii) Loi gamma ()
1
E[exp(uX)] =
()
1
=
()
=
exp(ux) exp(x)x1 dx
exp[(1 u)x]x1 dx
1
.
(1 u)
iv) Loi normale multivari

ee N (m, )
Lemme A.1 : Pour toute matrice symmetrique definie positive et tout
vecteur , nous avons :
226
K/2
1 0 1
exp(x x + x)dx =
exp(
).
(det)1/2
4
IRK
0
Preuve : Lintegrale figurant dans le membre de droite est egale à :

Z
1
1
1
exp[(x 1 )0 (x 1 )] exp( 0 1 )dx
2
2
4
IRK
K/2
1 0 1
=
exp( ),
(det )1/2
4
daprès la propriete de masse totale unitaire de la loi normale de moyenne

1 1
, de variance 1 .
2
QED
Considerons alors un vecteur aleatoire de loi normale N (m, ). Nous

avons :
Z
0
E[exp(u X)] =
IRK
1
1
1
0
exp[u
x
(x m)0 1 (x m)]dx
(2)K/2 (det)1/2
2
= exp(u0 m +
u0 u
),
2
par application du lemme.

v) Loi du carr
e dun vecteur gaussien
Nous avons :
5.6. APPENDICE
E[exp T r(XX 0 )]
= E[exp(X 0 X)]
Z
=
IRK
1
1
1
exp[x0 x (x m)0 1 (x m)]dx
K/2
1/2
(2)
(det)
2
exp[m0 (Id 2)1 m]

,
[det(Id 2)]K/2
daprès le lemme.
227
228
5.6.2
Formules de r
ecurrence.
i) Pr
evision non lin
eaire du processus
La formule sobtient par recurrence. Supposons :
Et [exp(u0 Zt+k )] = exp{(aok (u)0 Zt + c(u) c[aok (u)]} pour k h.

Nous avons :
Et [exp(u0 Zt+h+1 )]
= Et Et+1 [exp(u0 Zt+h+1 )]
= Et [exp(aoh (u)0 Zt+1 + c(u) c(aoh (u)))]
= exp(c(u) c[aoh (u)])Et exp(aoh (u)0 Zt+1 )
= exp(c(u) c[aoh (u)]) exp[ao(h+1) (u)0 Zt + c(aoh (u)) c[ao(h+1) (u)]]
= exp[ao(h+1) (u)0 Zt + c(u) c[ao(h+1) (u)]].
ii) Pr
evision non lin
eaire du processus int
egr
e
La demonstration est similaire.
5.6. APPENDICE
5.6.3
229
Mod`
eles de diffusion affines
Due à une contrainte de coherence temporelle demandee pour toute unite

de temps, il existe beaucoup moins de processus affines en temps continu
quen temps discret. Ceci diminue considerablement la possibilite pour des
modèles affines en temps continu de fournir de bons ajustements aux prix
observes [voir la discussion dans Gourieroux, Monfort, Polimenis (2006), Singleton (2006) ou Gourieroux (2007)].
Les modèles affines en temps continu sont caracterises par des transformees de Laplace conditionnelles telles que :
Et [exp(u0 Zt+h )] = exp[a(h, u)0 Zt + b(h, u)],
o`
u la condition exponentielle affine est imposee pour tout terme h reel positif.
En particulier, cette condition est satisfaite pour h entier positif de sorte que
tout processus affine observe en temps discret est un processus CaR. Linverse
est faux et en general un processus CaR ne peut etre vu comme le discretise
exact dun processus affine en temps continu.
Nous allons dans cet appendice discuter les processus affines satisfaisant
des equations differentielles stochastiques 8 .
Tout processus affine (CaR) est necessairement tel que moyenne et variance conditionnelles soient fonctions affines de la valeur courante. Do`
u la
definition ci-dessous.
D
efinition A.1 : Un processus diffusion est affine si et seulement si les
coefficients de translation et de volatilite de la diffusion sont fonctions affines
du processus.
i) Processus affines univari
es
8
Il existe aussi des processus affines à saut que nous ne discutons pas ici. Notons
quen temps discret tout processus est necessairement à saut et que cette distinction entre
processus à trajectoires continues vs processus à saut est inutile.
230

Les processus diffusion affines secrivent :
dzt = (zt + )dt + (0 + 1 zt )1/2 dWt .
Paramètres et domaine de variation du processus sont contraints de facon à

assurer que le coefficient de volatilite est positif : 0 + 1 zt > 0.
A une transformation affine près, nous obtenons deux types de processus,
selon que nous introduisons ou non de lheteroscedasticite conditionnelle.
Processus dOrnstein-Uhlenbeck
Il satisfait :
1/2
dzt = (zt + )dt + 0 dWt .

Le coefficient est appele coefficient de retour `
a la moyenne. Le
processus discretise dans le temps (zt , t N ), qui lui correspond, est un
processus AR(1) gaussien avec un coefficient autoregressif strictement positif
egal à exp(). Ce processus est stationnaire, si ce coefficient autoregressif est
strictement inferieur à 1, cest-à-dire si < 0.
Processus de Cox-Ingersoll-Ross
Il satisfait :
dzt = (zt + )dt + (1 zt )1/2 dWt ,
avec : < 0, > 0, 1 > 0. Ce processus est à valeurs positives et son
discretise dans le temps est un processus autoregressif gamma ARG(1).
Ces deux types de processus sont en fait très lies. Considerons en effet le
processus (yt ) defini comme le carre dun processus dOrnstein-Uhlenbeck de
1/2
moyenne nulle, cest-à-dire avec = 0. Nous avons : dzt = zt dt + 0 dWt ,
et appliquant la formule dIto à yt = zt2 , nous obtenons :
5.6. APPENDICE
231
1
1/2
dyt = 2zt [zt dt + o dWt ] + 20 dt
2
1/2
= [2zt2 + 0 ]dt + 20 zt dWt

= [2yt + 0 ]dt + (40 yt )1/2 dWt ,
cest-à-dire un processus de Cox-Ingersoll-Ross. Cette interpretation est à la
base de la construction du processus de Wishart dans le cas multivarie. Le
resultat montre que la terminologie affine peut etre trompeuse, le carre
dun processus affine pouvant dans certains cas etre lui-meme affine (voir
aussi lappendice 5.4).
ii) Processus diffusion affines multivari
es
Dans le cadre multivarie, un processus diffusion affine de dimension K
satisfait un système differentiel stochastique du type :
dzt = (Azt + b)dt + (o +
K
X
k zkt )1/2 dWt ,
k=1
o`
u A, 0 , k sont des matrices de carrees de dimension (K, K), b un vecteur
de taille K et (Wt ) un mouvement brownien de dimension K. Ces matrices
A, b, 0 , k , k = 1, . . . , K et le domaine des valeurs possibles du processus sont
K
X
contraints par le fait que la matrice de volatilite infinitesimale 0 +
k zk,t
k=1
doit etre symetrique semi-definie possitive pour toute valeur admissible du

processus (zt ).
Suite à larticle initial de Duffie-Kan (1996), il a ete pense pendant une
dizaine dannees que le domaine de (zt ) devait etre une intersection de demiespace, cest-à-dire etre defini par des contraintes à linegalites sur des transformes affine de zt . Sous cette condition, les processus diffusions affines sont
alors obtenus en combinant des processus dOrnstein-Uhlenbeck et de CoxIngersoll-Ross independants. Une classification de ces diverses combinaisons
232
a ete etablie par Dai, Singleton (2000). Les modèles diffusion affines apparaissaient alors très restreints et peu flexibles.
En fait, les domaines admissibles pour le processus (zt ) peuvent etre
beaucoup plus varies et reveler des non linearites importantes. Une analyse
complète des modèles diffusion affines à deux facteurs a ainsi ete conduite par
Gourieroux, Sufana (2005), mettant en evidence des domaines paraboliques
[voir aussi Gourieroux (2006)b]. Plus important est lexemple du processus
de Wishart, adapte aux matrices de volatilite-covolatilite stochastiques. Dans
le cas de matrices de dimension (2 2), ce qui correspond à la dimension 3
du fait de la symmetrie, le processus est du type : zt = (z11,t , z12,t , z22,t )0 avec
2
z11,t > 0, z22,t > 0, z11,t z22,t z12,t
> 0 ; la dernière restriction, correspondant
à linegalite de Cauchy-Schwarz, fait intervenir une fonction quadratique des
composantes.
Les deux processus diffusion affines multivaries les plus important sont
les extensions des processus dOrnstein-Uhlenbeck et de Cox-Ingersoll, Ross.
Processus dOrstein-Uhlenbeck multivari
e
Il satisfait le système differentiel stochastique :
dzt = (Azt + b)dt + 1/2 dWt .
Sa version discretisee dans le temps est un processus VAR(1) gaussien
avec une matrice autoregressive de la forme exp A. Cette forme exponentielle
restreint fortement la classe des processus VAR(1) gaussiens admettant une
interpretation en temps continu [voir Gourieroux, Monfort, Polimenis (2006)
pour une discussion]. Elle interdit en particulier les cycles ou les systèmes
recursifs.
Processus de Wishart
Il sapplique à une suite de matrices stochastiques symmetriques positives
(Zt ). Ce processus satisfait le système differentiel matriciel :
5.6. APPENDICE
233
1/2
1/2
dZt = (0 + AZt + Zt A0 )dt + Zt dWt Q + Q0 dWt0 Zt ,

o`
u , A, Q sont des matrices carrees de taille K, et (Wt ) une matrice (K, K)
dont les elements sont des mouvements browniens standards de dimension 1
independants.
234
5.6.4
Mod`
eles quadratiques de structure par terme
La construction des QTSM repose sur le resultat suivant :

Lemme A.2 : Soit (xt ) un processus AR(1) gaussien (resp. dOrnsteinUhlenbeck), alors le processus bivarie (xt , x2t ) est un processus CaR (resp.
affine).
Preuve : Verifions ce resultat dans le cas dune formulation en temps continu.
Supposons un processus dOrnstein-Uhlenbeck :
1/2
dxt = (xt + )dt + 0 dWt .
(5.16)
En appliquant la formule dIto au processus yt = x2t , nous obtenons :
dyt = 2xt [(xt + )dt + o1/2 dWt ] + 0 dt

= (2yt + 2xt + o )dt + (4yt 0 )1/2 dWt .
(5.17)
Ainsi le processus bivarie (xt , yt ) = (xt , x2t ) satisfait le système differentiel

stochastique (5.16), (5.17), o`
u le
translation et la matrice de
coefficient de !
0
2xt 0
volatilite-covolatilite, egale à :
, sont tous deux affines en
2xt 0 4yt 0
(xt , yt ). Le processus joint (xt , x2t ) est donc affine.
QED
Un modèle affine avec comme facteur bivarie sous-jacent (xt , x2t ) conduira
à des taux aux divers termes secrivant sous la forme :
r(t, t + h) = a0 (h)xt + a1 (h)x2t + b(h),
cest-à-dire fonctions quadratiques du facteur AR(1) gaussien (xt ). Un tel
modèle quadratique est ainsi un cas particulier de modèle affine.
Chapitre 6
RECOUVREMENT
La prise en compte des procedures de recouvrement est un aspect important de lanalyse du risque de credit. Nous commencons par presenter
ces procedures et les diverses facons de valoriser le recouvrement. Nous expliquons ensuite comment traiter les composantes dexposition à la date de
defaut et de taux de recouvrement dans les calculs de pertes anticipee et non
anticipee.
6.1
Une approche simplifi

ee
La perte resultant dune defaillance depend de la date de cette defaillance,

du montant de la dette à cette date ou exposition [Exposure-at-Default,
EAD], et de la recuperation plus ou moins importante des sommes dues. La
perte potentielle a une influence sur les valeurs des credits et des derives de
credit. Cette influence diffère selon que lemprunteur a ou non deja fait defaut.
Avant la defaillance, il y a incertitude à la fois sur la date de defaillance,
lexposition et limportance de la recuperation possible. Après la defaillance,
il y a un changement important de linformation disponible : il ny a plus
dincertitude sur la date de defaillance et lexposition, et de moins en moins
dincertitude sur le recouvrement au fur et à mesure de celui-ci.
La regulation actuellement mise en place a dabord mis laccent sur la
235
236
CHAPITRE 6. RECOUVREMENT
connaissance des probabilites de defaillance. En effet, il existait des methodologies

et des bases de donnees pour ce problème, constituees pour construire les
systèmes de notation à partir desquels etaient fixees les autorisations de credit
ou les niveaux des taux contractuels proposes.
En revanche, letude des procedures de recouvrement est beaucoup plus
recente, une litterature academique adaptee netant apparue que depuis 2002
(voir la liste des references). Il y a à cela des raisons de fonds : i) Les
procedures de recouvrement sont de nature très variees selon les types demprunteurs, de prets, les montants à recouvrer et les legislations des pays. Il est de
ce fait difficile de proposer une demarche uniformisee. ii) Pour les grandes
entreprises, on observe assez peu de defaillances et donc les observations de
pertes sont peu nombreuses, ce qui empeche lutilisation de lapproche statistique standard. iii) Les bases de donnees sont soit très imparfaites et en cours
de construction pour les grandes entreprises et les financements de projets,
soit parfois pour le credit à la consommation bien alimentees, mais proprietes
privees et considerees comme très confidentielles.
Devant ces difficultes dont la resolution est necessairement longue, le
regulateur a retenu une approche simplifiee, o`
u le processus de recouvrement
est assimile à un recouvrement unique se produisant à la date de defaillance.
La difficulte est alors dans la conversion des sommes recuperees en une valeur
equivalente date de defaillance. Dans la terminologie du regulateur, la perte
à la date de defaut est ecrite sous la forme :
EAD LGD,
(6.1)
o`
u EAD designe lexposition au moment du defaut et LGD (Loss-GivenDefault) le taux de perte en equivalent date de defaut . Le montant recupere
est :
EAD[1 LGD],
(6.2)
o`
u 1 LGD designe le taux de recouvrement equivalent date de defaut.

6.2. PROCEDURES
DE RECOUVREMENT
237
Il a ete rapidement note, que le taux de perte LGD nest pas forcement
compris entre 0 et 1 (voir paragraphe 6.4.3). Il peut se reveler superieur
à 1, lorsque par exemple une institution de credit recupère sur un credit
particulier les sommes dues avec en plus des interets de penalite. Il peut se
reveler negatif, lorsque des poursuites judiciaires co
uteuses sont effectuees
sans resultat tangible. Pour le calcul officiel des reserves, le taux LGD doit
imperativement etre tronque à [0,1]. Pour les modèles internes ou les modèles
de prevision, detecter par exemple la proportion de defaillances rentables
est evidemment important.
Dans la suite, nous expliquons comment mettre en place une telle approche simplifiee, tout en insistant sur ses limites et les ameliorations à apporter. Nous commencons dans le paragraphe 6.2 par decrire des processus
de recouvrement (workout process) de facon à bien cerner la difficulte du
problème. Nous discutons ensuite des demarches pragmatiques pour obtenir
les LGD en equivalent date de defaillance (paragraphe 6.3). Nous discutons
dans le paragraphe 6.4 les modèles (très simples) actuellement testes pour
approcher les distributions de taux de recouvrement. Dans le paragraphe 6.5,
nous etendons le modèle de valeur de la firme et le modèle à intensite pour
tenir compte du taux de recouvrement. Le dernier paragraphe explique pourquoi lanalyse des LGD ne peut etre conduite independamment de celle des
expositions.
6.2
Proc
edures de recouvrement
Ex-post les bases de donnees sur les recouvrements devraient inclure pour
chaque dette lecheancier de recouvrement, cest-à-dire les dates o`
u ont lieu
des operations liees à celui-ci ainsi que les details de ces operations. Celles-ci
peuvent concerner des flux monetaires positifs, lorsquil sagit de remboursement, de paiement de commission de renegociation de dette ou dinterets de
retard.., negatifs, pour les co
uts de relance, les co
uts internes, les frais judiciaires. Ils peuvent concerner des actifs physiques ou financiers : immobiliers,
238
actions, obligations recus pour diminuer la dette.

Dans des processus de recouvrement, il faut distinguer la date de fin de
d
efaillance et la date de fin de recouvrement. Il y a fin de la defaillance,
lorsque les poursuites sur lemprunteur sont arretees, cest-à-dire lorsquon
considère quil a rembourse sa dette, ou quil nest pas possible dobtenir
plus. La date de fin de recouvrement peut etre posterieure à la date de fin
de defaillance, en particulier lorsque le creancier a recu en remboursement
des actifs, quil lui faut lui-meme revendre. Actuellement, peu est dit par le
regulateur sur des definitions precises de ces deux dates. Celles-ci sont laissees
au choix des banques, dans la mesure o`
u elles paraissent raisonnables.
Il serait aussi souhaitable à terme que les bases de donnees ne comportent
pas uniquement lecheancier de recouvrement pour les dettes o`
u le recouvrement est termine. Elles devraient aussi comporter des informations sur les
recouvrements en cours, incluant le detail des sommes dejà recuperees et
des previsions sur les recuperations futures. Cette amelioration devrait etre
effectuee dans un deuxième temps.
Nous allons maintenant decrire des procedures de recouvrement en supposant pour simplifier que la defaillance est definie comme un non remboursement des mensualites ou coupons durant 90 jours consecutifs.
6.2.1
Probl`
eme de tr
esorerie
Considerons un credit permanent, o`

u lemprunteur ne rembourse pas ses
mensualites pendant trois mois de suite, mais rembourse correctement après,
y compris les interets de retard sur les trois mensualites. Il sagit dune situation o`
u intuitivement la LGD sera negative.
On peut raisonnablement penser que la definition de la defaillance est
dans ce cas trop restrictive et ne reflète pas un veritable problème structurel.
Lexemple montre le lien entre defaillance et taux de perte. Une definition
plus stricte de la defaillance implique automatiquement des taux de recouvrement plus eleves (et des LGD plus faibles). Ainsi des liaisons negatives
observees entre probabilites de defaillance et taux de pertes peuvent sim-

6.2. PROCEDURES
DE RECOUVREMENT
239
plement reveler une definition inadequate de la notion de defaillance. Ceci

montre quil est important de verifier si PD et LGD sont ou non liees en
pratique (voir le paragraphe 6.5).
6.2.2
Ren
egociation sur un cr
edit permanent
Considerons la meme situation quauparavant, mais un emprunteur, qui

aurat avec son contrat actuel de veritables difficultes à rembourser. Cellesci peuvent parfois disparatre par une simple modification du niveau de sa
mensualite (obtenue soit en diminuant limportance de sa ligne de credit
non entièrement utilisee, soit en prevoyant un remboursement de cette ligne
sur une duree plus longue). Intuitivement, dates de fin de defaillance et de
fin de recouvrement sont confondues. Le preteur a recu durant la periode
de recouvrement des paiements de penalites, les mensualites à rembourser,
et à la fin de la periode un nouveau contrat de credit permanent avec des
caracteristiques differentes : mensualite plus basse, taux peut etre plus eleve,
lemprunteur ayant revele un risque plus grand que celui initialement attendu,
ligne de credit differente...
6.2.3
Cr
edit hypoth
ecaire (r
egime anglo-saxon)
Le credit pour lachat dun logement comporte generalement le logement

comme collateral. Dans le regime anglo-saxon, une defaillance importante
dans les remboursements ne peut induire quune recuperation sur le logement
lui-meme, et non par exemple sur les revenus futurs de lemprunteur comme
dans le regime francais. Il est alors frequent aux Etats-Unis que lemprunteur
se mette en defaillance volontaire, lorsque le prix de son logement est inferieur
au capital restant d
u. Bien que ce prix soit superieur au CRD au moment
de la signature du contrat, lextreme variabilite des prix de limmobilier et
les cycles expliquent que ce phenomène soit significatif 1 . Dans le cas dune
1
Il est diminue par une modification des contrats proposes. Habituellement, prets à 30
ans, ces prets sont actuellement remplaces par des prets à 30 ans, avec revisabilite au bout
240
defaillance, le preteur recoit alors le logement, actif physique pour lequel le

marche est defavorable au moment de la defaillance. La fin de la defaillance
se produit, lorsque le preteur devient proprietaire du logement. La date de
fin de recouvrement est moins facile à definir. En effet, le preteur va essayer
dameliorer le logement et dattendre un retournement du marche pour le
vendre à un meilleur prix. Cette operation peut prendre 3-10 ans, et on peut
se demander si la date de fin de recouvrement est i) la date de defaillance,
ii) la date de revente du logement, iii) une date intermediaire o`
u le marche
de limmobilier aurait commence à sortir de la phase basse du cycle.
Cet exemple montre la difficulte à distinguer risque de credit et risque de
marche sur limmobilier.
6.2.4
Echange de la dette sur un march

e secondaire
Considerons maintenant une defaillance sur la dette obligataire dune

grande entreprise. Malgre la defaillance, cette dette peut continuer à etre
echangee sur un marche secondaire. Le preteur peut tout simplement vendre
sur ce marche les obligations quil detient. La date de fin de recouvrement
pour cette dette detenue par le preteur est la date dechange et la perte
est directement liee à la difference entre le prix de lobligation au moment
de lechange et la valeur faciale (valeur de la dette figurant dans le bilan et
definissant lexposition. Voir 6.3.1). La date officielle de sortie de defaillance
de la firme peut alors etre posterieure à la date de fin de recouvrement.
Afin dillustrer cette possibilite, nous donnons dans la Figure 6.1 les
evolutions du prix de lobligation et dun CDS autour de la date de defaillance
pour lentreprise Alcatel. On observe une baisse importante du prix après ou
juste avant la date de defaillance effective, et parfois après un certain temps
une remontee du prix de la dette, lorsque plus dinformation sur la situation
de lentreprise et la valeur de ses actifs est disponible. Levolution est inverse
pour le CDS.
de 3 ans.
Date
01-dc-06
01-sept-06
01-juin-06
01-mars-06
01-dc-05
01-sept-05
01-juin-05
01-mars-05
01-dc-04
01-sept-04
01-juin-04
01-mars-04
01-dc-03
01-sept-03
01-juin-03
01-mars-03
01-dc-02
01-sept-02
01-juin-02
01-mars-02
01-dc-01
01-sept-01
01-juin-01
Cours du CDS
01/01/2007
01/09/2006
01/05/2006
01/01/2006
01/09/2005
01/05/2005
01/01/2005
01/09/2004
01/05/2004
01/01/2004
01/09/2003
01/05/2003
01/01/2003
01/09/2002
01/05/2002
01/01/2002
01/09/2001
01/05/2001
01/01/2001
01/09/2000
01/05/2000
01/01/2000
Prix de l'obligation
6.2. PROCEDURES
DE RECOUVREMENT
241
Figure 6.1a : Evolution du prix de lobligation Alcatel autour de la dfaillance
120
100
80
60
40
20
Date
Figure 6.1b : Evolution du prix du CDS Alcatel autour de la dfaillance
2000
1800
1600
1400
1200
1000
800
600
400
200
242
6.2.5
Restructuration de la dette dune entreprise
Il sagit dune entreprise ayant fait defaut, mais qui peut etre sauvee
après restructuration de la dette. La phase de restructuration est souvent
longue (elle peut prendre plus de 10 ans) et concerne la revente de certains
actifs, la redefinition des fonds de pension attaches à lentreprise, la prise de
participation, lemission de nouvelle dette.
Figure 6.2 : Evolution du prix de laction Delphi autour dune
restructuration
25
20
Cours de l'action
15
10
Date
01/01/2007
01/10/2006
01/07/2006
01/04/2006
01/01/2006
01/10/2005
01/07/2005
01/04/2005
01/01/2005
01/10/2004
01/07/2004
01/04/2004
01/01/2004
01/10/2003
01/07/2003
01/04/2003
01/01/2003
01/10/2002
01/07/2002
01/04/2002
01/01/2002
01/10/2001
01/07/2001
01/04/2001
01/01/2001
01/10/2000
01/07/2000
01/04/2000
01/01/2000
6.3. VALORISATION DU RECOUVREMENT
243
A titre dillustration, nous pouvons considerer une dette, qui est 3 ans
après la defaillance restructuree en i) une emission de nouvelle dette, et ii)
lobtention dactions de cette entreprise. Lemission de nouvelle dette porte
generalement sur un montant plus faible que la dette initiale et est à taux plus
eleve, du fait du changement de notation. Le prix des actions est souvent assez
bas au moment de la restructuration, mais peut augmenter assez rapidement
à la nouvelle de celle-ci. La figure 6.2 fournit un exemple devolution du cours
dune action autour dune defaillance. On observe la chute brutale du cours
au moment de la defaillance, sa stabilite à un niveau très bas durant lexamen
de la situation, et la remontee du cours après.
Bien que la procedure de recouvrement comprenne divers frais intermediaires, la majeure partie des sommes et actifs sont recouvres à la date de
restructuration. La date de fin de defaillance correspond à la date de restructuration. La date de fin de recouvrement pourrait lui etre posterieure par
exemple dun mois pour attendre la stabilisation du prix de laction suite à
la restructuration.
6.3
Valorisation du recouvrement
Il faut maintenant comprendre comment utiliser les donnees disponibles

concernant soit le marche secondaire de la dette (explicit market LGD),
soit les observations ex-post du recouvrement (workout LGD) pour en
deduire une valeur date de defaillance du taux de recouvrement et alimenter les bases de donnees. Nous commencons par expliciter la difference entre
valeur contractuelle et valeur de marche dun credit. Nous discutons ensuite
les donnees de marche sur la dette, puis la facon de prendre en compte les
donnees detaillees sur le recouvrement.
244
6.3.1
Valeur contractuelle versus valeur de march

e
Considerons une firme avec un marche liquide de sa dette. A chaque date

t, existent des prix de zero-coupon : C(st , t, t + h), dependant de la notation
de la firme st à la date t et du terme residuel h. Supposons une dette emise à
une date t0 , dun montant Bt0 , de terme H avec un taux de coupon t0 (voir
paragraphe 2.1.3). Les flux correspondants sont :
t0 Bt0 , . . . , t0 Bt0 , (t0 + 1)Bt0 .
Si la dette est emise au prix de marche, le taux de coupon t0 doit etre
fixe de facon que :
Bt0 = C(st0 , t0 , t0 + 1)t0 Bt0 + . . . + C(st0 , t0 , t0 + H)t0 Bt0
+ C(st0 , t0 , t0 + H)Bt0 .
Considerons alors une date ulterieure t0 + K. La valeur contractuelle
(valeur faciale) reste la meme egale à Bt0 . Cette valeur sert à fixer le montant à rembourser sil y a soit remboursement anticipe, soit defaillance à la
date t0 + K. Contrairement à la situation à la date demission, cette valeur
contractuelle diffère de la valeur de march
e. Cette dernière est :
BtM0 +K = C(st0 +K , t0 + K, t0 + K + 1)t0 Bt0
+ C(st0 +K , t0 + K, t0 + H)t0 Bt0 + C(st0 +K , t0 + K, t0 + H)Bt0 .
Trois raisons expliquent cette difference :
i) le fait que la structure par terme nest jamais plate et quil y a modification de la duration de la dette au cours du temps ;
ii) la modification de la structure par terme dans le temps ;
iii) un possible changement de notation de lemprunteur.
Ainsi une baisse de la notation, une augmentation des taux, ou un accroissement de la pente de la structure par terme diminuent la valeur de
245
marche, et impliquent BtM0 +K < Bt0 . Des conditions inverses peuvent impliquer BtM0+K > Bt0 .
Dans un cadre ideal de marche parfait et si les remboursements anticipes
sont autorises et non penalises, la dernière situation ne devrait pas se produire. En effet, lemprunteur aurait interet à rembourser de facon anticipee,
car il peut recevoir un taux de coupon t0+K plus faible pour la dette Bt0
avec la maturite residuelle H K. En pratique, cependant, les marches sont
rarement parfaits.
Pour resumer, il faut soigneusement distinguer la valeur contractuelle
assimilable à lexposition EAD et la valeur de marche de la dette.
6.3.2
Donn
ees de march
e (explicit market LGD)
Ces donnees concernent les valeurs de la dette sur un marche secondaire

après la date de defaillance. Elles servent à constituer des bases de donnees
sur les valeurs des processus de recouvrement en calculant le rapport entre
valeur de marche 1 mois après la defaillance et valeur faciale de la dette
à la date de defaillance. 2 Le decalage temporel sexplique par la necessite
dattendre une certaine stabilisation de la valeur de la dette, mais le choix
uniforme dun delai dun mois reste arbitraire et ne prend pas en compte
levolution plus ou moins erratique de la valeur de marche ou le manque
possible de liquidite sur le marche secondaire. De telles bases sont en cours
de constitution notamment par les principales societes de notation Moodys,
S&P, Fitch... Prenons à titre dillustration la base de Moodys. Cette base
porte sur la periode 1981-2005 et comporte 2574 taux de recouvrement de
dettes, donc nettement moins devènements de defaut de firmes 3 4 . Nous
donnons dans les tableaux ci-dessous les repartitions des dettes defaillantes
2
Elles peuvent aussi servir pour definir les flux contractuels dun CDS (voir chapitre
2).
3
car il peut y avoir plusieurs creances par firme.

623 taux de recouvrement dans la base S&P pour la periode 1981-1999 [Bahar-Brand
(2000)].
4
246
par region, secteur dactivite et niveau de priorite de la dette.
247
Tableau 6.1 : R
epartition par r
egion
Region
Amerique du Nord
Europe
Amerique du Sud
Asie
Autres
%
91.52
3.85
2.76
1.12
1.75
Tableau 6.2 : R
epartition par secteur dactivit
e
Secteur
Services
Industrie
Transport
Particulières
Finance (non bancaire)
Technologie
..........
%
26.92
23.89
11.77
5.91
5.79
5.09
Tableau 6.3 : R
epartition par priorit
e
Priorite
Subordinated
Senior Subordinated
Senior Secured
Senior Unsecured
Autres
Code
SB
SR
SS
SU
%
22.14
10.84
18.07
42.70
6.25
Ces tableaux montrent que les defaillances sont inegalement reparties

selon ces divers critères. En fait, dans les bases constituees, les defaillances
248
concernent principalement les Etats-Unis et les dettes Senior Unsecured ou

Subordinated. Elle permet aussi de voir quil y a peu de donnees sur les taux
de recouvrement. Un calcul simpliste donne, par exemple, pour lEurope et
par an, un nombre moyen de taux de recouvrement disponibles de lordre
de :
[2574 3.85%]25 ' 4.
Cet ordre de grandeur montre que i) lanalyse statistique ne pourra reposer que sur des approches simples vu le petit nombre dobservations, et ii)
pourra difficilement remplacer lexpertise pour ce qui concerne les grandes
entreprises.
Les donnees se presentent sous une forme mentionnant le nom de lentreprise, le type de dette, la date de defaillance, lexposition,.. le taux de
recouvrement 5 calcule par les prix de marche.
Tableau 6.4 :Un exemple de donn
ees S&P
emetteur
Peebles Inc.
sect.
indus.
Dept Store
pays
US
Telemundo G.
Ratio TV
US
Gold River Hc
Hotel
US
type
Senior
sub.
Junior
sub.
1st mtg
bond
coupon
nominal
pd
date de
defaut
14.750
80.0
76.750
01/15/91
13.625
47.0
30.000
01/15/92
13.875
118.0
37.000
11/01/90
Il faut ici se souvenir que le taux de recouvrement est calcule à partir

de prix de marche, non forcement representatifs, en particulier lorsque le
marche secondaire est peu liquide. On considère habituellement que le taux
de recouvrement de marche a tendance à sous-estimer significativement les
resultats du processus de recouvrement, sans que lon sache si cette sousestimation est reelle, et si elle est due à une prime de risque ou à des erreurs
de prevision sur les sommes quil est possible de recuperer.
5
Très malheureusement appele pd par S&P 0 s, ce qui cree la confusion avec la notation
PD du Comite de Basle pour la probabilite de defaut.
249
Signalons finalement que certains des taux de recouvrement de marche

sont superieurs à 1. Ceci peut sexpliquer par la difference entre valeur faciale
et valeur de marche (voir la discussion dans le paragraphe 6.2.1), ou à une
sous-evaluation de certaines garanties par rapport à leurs valeurs reelles.
6.3.3
Le processus de recouvrement et sa valorisation

(workout LGD)
Lutilisation de donnees de marche se revèle difficile pour les dettes des

grandes entreprises, et clairement ce type de donnees nexiste pas pour dautres
types de credit : gre-à-gre pour petites et moyennes entreprises, credits consommation, cartes de credit... Ceci explique limportance de collecter et conserver linformation detaillee sur les procedures de recouvrement. La prise de
conscience de linteret de telles bases est recente, de sorte que certaines institutions peuvent disposer de donnees detaillees pour par exemple les credits
consommation, mais que souvent il y a quasi-absence de donnees. Deux directions complementaires sont actuellement suivies pour combler cette lacune :
i) construire en interne de telles bases detaillees ;
ii) favoriser la construction de bases externes, o`
u divers preteurs mettent
en commun une partie de leur information. Celle-ci est souvent partielle pour
des raisons de confidentialite, ce qui peu conduire à un manque dhomogeneite
des donnees recues des diverses institutions et à des biais de selection. Ainsi,
les valeurs date de defaillance des taux de recouvrement envoyees par les
diverses banques peuvent etre etablies avec des dates de recouvrement et des
actualisations differentes, en prenant ou non en compte les co
uts internes de
recouvrement... Des exemples de telles bases collectives sont les bases pour
les cartes VISA existant pays par pays, ou les bases actuellement en cours
de construction par Fitch et S&P 0 s pour les financements de projets .
Dun point de vue theorique, la valeur date de defaillance du recouvrement
est donnee par :
250
V Ri,t0 = Et0
"
X
#
Mi,t0 ,t0+h Fi,t0 ,t0+h ,
h=1
o`
u t0 designe la date de defaillance, Fi,t0 ,t0+h le flux positif ou negatif lie au
recouvrement pour la date t0 + h et Mi,t0 ,t0+h le facteur descompte stochastique. Cependant, cette formule se revèle peu utilisable. En effet,
i) dans les meilleurs cas, on dispose dobservation ex-post du processus
de recouvrement,
ii) et dans des cas assez rares de valeurs de marche assimilables à des
observations de V Ri,t0 .
Ceci rend difficile lidentification de la forme du facteur descompte stochastique et de la loi predictive des flux. Afin de poursuivre la discussion,
considerons une valorisation actuarielle o`
u flux et facteur descompte stochastique seraient supposes independants. On aurait :
V Ri,t0 =
C(si,t0 , t0 , t0 + h)Et0 (Fi,t0 ,t0+h ).
(6.3)
h=1
La reconstitution demanderait
i) dapprocher le flux anticipe, ce qui est habituellement fait en prenant
les observations passees et en les moyennant sur des classes homogènes demprunteurs defaillants. Ceci suppose ces classes assez larges et lapproche est
donc difficile à utiliser pour les grandes entreprises.
ii) de connaitre la structure par terme à la date t0 pour cet emprunteur. Quil sagisse de firmes ou de menages, cette structure par terme est
pratiquement non observable sur le marche. En effet, il sagit demprunteurs
defaillants, et il ny a pas demission de dettes pour de telles notations. Plutot
que de suggerer comment actualiser, le regulateur insiste actuellement sur
certaines pratiques à eviter :
i) ne pas actualiser au taux contractuel de la dette actuellement defaillante,
qui, comme nous lavons vu en 6.2.1, a peu de lien avec lactualisation de
251
marche, par exemple parce que le taux contractuel comporte une marge commerciale qui peut etre importante et parce que la notation de la firme sest
modifiee depuis la signature du contrat.
A bank may use an effective interest rate in accordance with IAS 39 as
the discount rate, but should adjust the stream of net recoveries in a way that
is consistent with this principle [Bank of International Settlements (2005),
note de bas de page 4].
ii) ne pas actualiser au taux sans risque, ce qui negligerait les primes de
risque.
Measures of recovery rates should reflect the costs of holding defaulted
assets over the workout period, including an appropriate risk premium (BIS
(2005), Principle 2).
Intuitivement, des solutions raisonnables pourraient etre les suivantes.
i) Pour les grandes entreprises, actualiser avec des taux de marche correspondant à des emprunteurs risques, notes disons C ou B, pour lequels plus
dinformation est disponible.
ii) De facon similaire, considerer un taux contractuel (assimile à une valeur
de marche sur les credits de gre-à-gre) diminue de la marge commerciale. Il
faut alors savoir quel terme retenir, celui-ci devant etre lie à la duree du
recouvrement.
iii) Pour les credits consommation o`
u des classes homogènes demprunteurs defaillants peuvent etre constituees, on dispose des distributions de flux
de remboursement pour chaque classe. On peut alors considerer une formule
du type :
V Ri,t0 '
B(t0 , t0 + h)Qh (),
h=1
o`
u B(t0 , t0 + h) est la structure par terme sans risque et Qh () le quantile
empirique de la distribution observee des flux correspondant à un seuil >
252
50%. Plus est grand, plus la prime de risque introduite est elevee.
6.4
Loi du taux de recouvrement
Suivons la demarche actuellement suggeree par le regulateur et supposons

le processus de recouvrement resume par la valeur à la date de defaillance
du recouvrement, ou de facon equivalente par le taux de recouvrement ou
par le taux de perte LGD = 1 .
De facon à resoudre les problèmes de prevision et de valorisation, il
faut specifier la loi de tels taux, lois conditionnelles aux facteurs observables ou non que lon souhaite prendre en compte. Diverses specifications
sont envisageables, mais sont contraintes par i) le faible nombre dobservations disponibles pour certaines categories de dettes, ii) linterpretation
de ou LGD comme des taux. Le modèle de base suppose des taux de
recouvrement independants, de meme loi pour chaque categorie de dette
et ajuste des modèles parametriques pour variable à valeurs dans [0, 1].
De facon equivalente, il sinteresse à la distribution marginale des taux de
perte, melant dates de defaillance, type de defaillance, type demprunteur.
Cette specification peut ensuite etre etendue, pour inclure les taux observes
exterieurs à [0, 1], prendre en compte des facteurs explicatifs, ou rendre plus
robuste lestimation.
6.4.1
Mod`
eles de base
Il existe diverses familles de lois de probabilite, qui peuvent etre utilisees

pour des variables comprises entre 0 et 1. De facon à permettre une flexibilite
suffisante, ces familles doivent dependre dau moins deux paramètres. Ceci
permet de ne pas lier a priori le taux de recouvrement espere et un quantile de
la loi du taux de recouvrement. Les plus classiques sont decrites ci-dessous.
i) loi beta
6.4. LOI DU TAUX DE RECOUVREMENT
253
Cette loi admet la densite :
f (x) =
(a + b) a1
x (1 x)b1 , x (0, 1),
(a)(b)
(6.4)
o`
u a et b sont deux paramètres strictement positifs, et (.) designe la fonction
gamma, qui etend aux reels positifs la notion de factorielle.6 La loi beta
de paramètres a,b, notee (a, b), admet diverses formes de densite selon les
valeurs des paramètres a et b. La densite peut admettre une bosse strictement
entre 0 et 1, ou presenter des modes sur la frontières, cest-à-dire en 0, en 1,
ou à la fois en 0 et 1.
Cette loi admet comme premiers moments :
EX =
a
ab
,V X =
.
2
a+b
(a + b) (a + b + 1)
(6.5)
Ces moments sont tels que :

V X = EX(1 EX)
1
EX(1 EX).
a+b+1
Parmi les familles de lois parametriques, la famille beta est actuellement la

plus utilisee aussi bien dans la litterature academique que dans les modèles de
risque de credit proposes par les firmes specialisees (voir par exemple Credit
Portfolio View de Mc Kinsey).
ii) loi exponentielle-gamma
Par analogie avec les modèles à intensite de type exponentiel affine avec
un facteur suivant une loi gamma, il est naturel de considerer la loi de la
variable :
X = exp(Z), > 0,
Z
6
La fonction est definie par : (a) =

0
exp(x)xa1 dx.
254
o`
u Z suit une loi gamma (), de densite :
1
exp(z)z 1 1lz>0 , > 0.
()
g(z) =
Par application de la formule du Jacobien, nous deduisons la densite de

la variable X elle-meme :
f (x) =
1 1 1/1
x
( log x)1 , x (0, 1).
()
(6.6)
Les memes types de formes de densite que celles de la loi beta peuvent etre
obtenues.
Cette modelisation a ete introduite dans [Gourieroux, Monfort, Polimenis
(2006)] pour sa compatibilite avec les modèles à intensite vus dans le chapitre
5.
iii) Mod`
ele logistique-Gaussien
Lidee est de supposer la normalite de la variable de taux de recouvrement prealablement transformee par une fonction logistique, qui permet de
transformer une variable à valeurs dans (0, 1) en une variable à valeurs reelles
quelconques :
log
X
N (m, 2 ).
1X
La densite de cette loi est :
f (x) =
1
1
exp
x(1 x) 2
[log
x
m]2
1x
.
2 2
Cette famille parametrique est retenue dans Dullmann, Trapp (2004).
255
Figure 6.3 : Les formes de densit pour une loi beta de paramtres (a,b)
3
2,5
2
(0,5;0,5)
(1;0,5)
1,5
(0,5;1)
(2;2)
(5;0,5)
0,5
0
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
Figure 6.4 : Les formes de densit pour une loi exponentielle Gamma
60
0,3
50
0,25
40
0,2
30
0,15
(0,5;0,5)
(0,1;0,1)
(1,1;1,1)
(1,7;2)
20
0,1
10
0,05
0
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
Figure 6.5 : Les formes de densit pour une loi logistique gaussienne
3,5
2,5
(0;1)
(-2;0,5)
(0;5)
1,5
0,5
0
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
256
6.4.2
Estimation du mod`
ele de base
Etant donnees des observations de taux de recouvrement i , i = 1, . . . , n

pour une population homogène de defaillants, les modèles parametriques
precedents sont estimes en supposant les observations independantes, de
meme loi. Deux methodes sont habituellement utilisees.
i) Maximum de vraisemblance
Les estimateurs des paramètres sont obtenus en maximisant la log-vraisemblance.
Par exemple, pour un modèle beta, ils sont definis par :
(
a, b) = arg max
a,b
n
X
log
i=1
(a + b)
(a)(b)
+ (a 1) log i + (b 1) log(1 i ) .
En pratique une telle optimisation est souvent evitee

i) parce quelle suppose le calcul numerique de la fonction gamma et de
sa derivee la fonction digamma (la meme remarque sapplique au modèle
exponentiel gamma) ;
ii) parce que la presence des logarithmes demande des observations strictement entre 0 et 1, ce qui nest pas forcement le cas (voir la discussion en
6.3.3). Plus generalement, les estimations sont très sensibles aux valeurs de
taux de recouvrement proches de 0 ou 1.
ii) M
ethode des moments
Cette approche consiste par exemple à calculer les moyennes et variances
empiriques des taux de recouvrement, puis à calibrer les paramètres dinteret
sur ces moments. Considerons à titre dillustration le modèle beta. Nous
avons :
E =
Nous en deduisons :
a E(1 E)
,
= a + b + 1.
a+b
V
E(1 E)
a = E
1 ,
V
E(1 E)
b = (1 E)
1 ,
V
257
(6.7)
(6.8)
do`
u des estimateurs de a et b en remplacant E et V par leurs contreparties
empiriques.
Il faut insister sur le fait que les paramètres importants sont a et b, et
non la moyenne et la variance, qui ne servent que doutils intermediaires.
Il est dailleurs difficile dinterpreter les valeurs de ces moments, qui sont
contraintes entre elles. En effet, pour une variable comprise entre 0 et 1, on
a toujours linegalite :
V E(1 E),
(6.9)
due aux effets de bord en 0 et 1. Legalite na lieu que si le taux de recouvrement prend uniquement les valeurs 0 et 1 (loi de Bernoulli). Ceci explique
E(1 E)
ex-post lapparition dans les formules du facteur
1 = a + b,
V
qui tend à augmenter lorsque le taux de recouvrement secarte des valeurs
extremes 0 et 1.
Les paramètres interpretables sont plutot a+b et a/(a+b). Plus le premier
paramètre a + b est grand, plus la distribution est concentree. Le second
paramètre sert à mesurer lasymetrie de la distribution selon sa position par
rapport à 1/2.
6.4.3
Extensions
i) Probl`
emes de bord
Les taux de recouvrement date de defaillance disponibles dans les bases de
donnees ne sont pas forcement compris entre 0 et 1. Les frais de recouvrement
et les frais judiciaires peuvent induire des taux de recouvrement negatifs. Plus
258
frequemment, les differences entre valeurs de marche et valeurs faciales, les

penalites, la revente dactifs physiques ou financiers à des valeurs superieures
à celles figurant dans les bilans... peuvent induire des taux de recouvrement
superieurs à 1. Afin dillustrer ce phenomène, nous donnons dans les Figures
6.6, 6.7 et 6.8 des histogrammes de taux de recouvrement. Les deux premières
distributions correspondent à des donnees sur le marche de la dette secondaire
(Moodys) ; le troisième graphique correspond à des donnees deduites des
analyses de processus de recouvrement (Base Fitch).
Les modèles et methodes decrites aux paragraphes 6.4.1, 6.4.2, ne sappliquent pas, lorsque des observations sont negatives ou superieures à 1.
Dans la demarche du regulateur, ces donnees doivent etre systematiquement
tronquees à [0, 1], ce qui peut creer des masses ponctuelles significatives sur
le(s) bord(s). Les corrections de tels effets doivent etre simples et pragmatiques.
i) Si le phenomène de bord est mineur, disons concerne moins de 1% des
donnees, on peut remplacer les observations superieures à 1 [resp. negatives]
par 0.98 ou 0.99 [resp. 0.02, 0.01], et appliquer les demarches vues aux paragraphes precedents. Il faut cependant verifier que le choix de 0.98 ou 0.99 au
lieu de 1 a peu dimpact sur le calcul de la VaR de credit par exemple.
ii) Si le phenomène de bord est plus important, il faut separer lestimation de la partie discrète de la distribution tronquee, cest-à-dire calculer les
frequences p0 , p1 à affecter à 0 et 1, puis sur les donnees strictement entre 0
et 1 ajuster lun des modèles vu aux paragraphes precedents. Ceci revient à
supposer que la loi est un melange de masse ponctuelle en 0, avec poids p0 , de
masse ponctuelle en 1, avec poids p1 , et par exemple dune loi continue beta
(
a, b) avec poids 1 p0 p1 . Ceci diminue dautant le nombre de donnees
disponibles pour estimer la partie continue de la loi.
259
Figure 6.6 : Taux de recouvrement, donnes de march
14
12
10
P
e
r
c
e
n
t
0
0
12
18
24
30
36
42
48
54
60
66
72
78
84
90
96
102 108 114 120
Taux de r ecouvr em
ent
Figure 6.7 : Distribution du taux de recouvrement aprs troncature

12
10
8
P
e
r
c
e
n
t
0
0
10
15
20
25
30
35
40
45
50
55
60
Taux de r ecouvr em
ent
65
70
75
80
85
90
95
100
260
Figure 6.8a Processus de recouvrement entre 0 et 60 mois (nombre de Firmes)
Figure 6.8b Processus de recouvrement entre 0 et 60 mois

(montants recouvrs en millions )
261
ii) Biais de recouvrement en cours

Les donnees comportent à la fois des entreprises defaillantes dont la
procedure de recouvrement est terminee et des entreprises en cours de recouvrement. Deux traitements de cette difficulte apparaissent en pratique.
i) Considerer toutes les entreprises et calculer un taux de recouvrememnt
comme : valeur du recouvrement dejà effectue / EAD. Cette approche est
à eviter, car elle sous-estime beaucoup le taux de recouvrement moyen. Par
ailleurs, cest souvent le fait davoir meler ces deux types de donnees, qui a
conduit à observer des distributions de taux de recouvrement bi-modales. En
fait, le mode le plus faible correspond en grande partie aux entreprises en
cours de recouvrement.
ii) Une seconde solution, pragmatique, ne considère que les entreprises
defaillantes pour lesquelles la procedure de recouvrement est terminee. Cette
approche neglige une partie des observations, do`
u une perte de precision.
Il peut aussi y avoir un biais de selection endogène. Les entreprises dont
le recouvrement est plus long devrait etre plus representees dans la souspopulation des recouvrements en cours, et il peut y avoir une liaison entre
le taux de recouvrement et la duree de celui-ci. Intuitivement, on sattend
à ce que la duree du recouvrement soit prolongee lorsquil reste beaucoup à
recouvrir. Le phenomène de selection endogène devrait conduire aussi à une
sous-estimation du taux de recouvrement, mais moindre quavec la demarche
conservant lensemble des donnees, incluant les procedures en cours. Idealement,
il faudrait tester la presence dun tel biais de selection et le corriger sil existe.
Pour les firmes ou les financements de projet, les donnees disponibles ne le
permettent pas, et il faut preferer la seconde approche decrite auparavant.
iii) Approches non param
etriques
Il a ete note dans la litterature [voir e.g. Schuerman (2004), Renault,
Scaillet (2004)] que les distributions (tronquees) de taux de recouvrement
pouvaient presenter un nombre de bosses plus important que dans les modèles
262
de type beta 7 ..., et suggere de sortir du cadre parametrique pour mieux

approcher la vraie distribution sous-jacente. Ce nombre trop important de
bosses est souvent très facile à corriger.
i) Deux bosses en 0, 1 et en un point strictement compris entre 0 et 1
peuvent facilement etre prises en compte en considerant lextension avec
masses ponctuelles en 0, 1 pour prendre en compte les problèmes de bord.
ii) Deux bosses strictement entre 0 et 1 revelent generalement une heterogeneite
de la population des defaillants, et la necessite soit de travailler sur des classes
homogènes de defaillants plus fines, soit dintroduire des variables explicatives [voir le paragraphe iv) ci-dessous].
Il existe des methodes destimation par noyau de la densite assurant la
convergence des distributions estimees lorsque celles-ci chargent lintervalle
[0, 1]. Un exemple classique est lapproche à noyau beta introduite par Chen
(1999) et appliquee aux taux de recouvrement par Renault, Scaillet (2004),
Hagman, Renault, Scaillet (2005). Lestimateur de la densite est :
n
1X
f() =
K[i , /b + 1, (1 )/b + 1],
n i=1
(6.10)
(a + b) a1
u (1 u)b1 est un noyau beta. Intuitivement,
(a)(b)
un tel noyau est asymetrique en (, i ), contrairement à un noyau gaussien
standard, empechant ainsi de mettre des poids à lexterieur de (0, 1).
Cette demarche est à eviter, car elle est extremement sensible aux problèmes
de bord rencontres sur les donnees de taux de recouvrement. En effet, pour
i = 0 ou 1, le terme apparaissant dans la formule de la densite estimee vaut
identiquement 0. Ainsi, sil y a de tels problèmes de bord, la densite estimee
est
o`
u K(u, a, b) =
1
f() = (1 p0 p1 ) i:i 6=0,1 K[i , /b + 1, (1 )b + 1],
nc
7
Rappelons que lune ce ces bosses peut provenir de la prise en compte non corrigee de
recouvrements en cours ou dune segmentation insuffisante de lensemble des emprunteurs.
263
o`
u nc designe le nombre dobservations strictement entre 0 et 1. Lestimateur
est tel que la convergence (pour n grand) aura lieu vers une loi de masse
totale 1 p0 p1 , strictement inferieure à 1, confondant par ailleurs les
observations i = 0 et i = 1, cest-à-dire les très bons et les très mauvais
emprunteurs. Une discussion plus complète des defaults de cette approche
peut etre trouvee dans [Gourieroux, Monfort (2006)].
iv) Mod`
eles explicatifs
Introduire des variables explicatives dans les modèles de taux de recouvrement demande un nombre dobservations suffisant. De ce point de vue, il
faut distinguer les credits consommations, les credits hypothecaires, les cartes
de credit.. des prets aux entreprises, aux collectivites locales, aux pays...
i) Cr
edits de d
etail
Lorsque le nombre dobservations est grand, lapproche classique consiste
à choisir une famille de loi, par exemple la famille de lois beta, et à permettre
aux paramètres de dependre des variables explicatives :
i (ai , bi ), avec ai = exp(0 xi ), bi = exp( 0 xi ),
xi designe les observations des variables explicatives pour le defaut i, , sont
des vecteurs de paramètres à estimer et les transformations exponentielles
sont introduites pour assurer la positivite des paramètres de la loi beta.
et sont alors approches par des techniques statistiques standard du type
maximum de vraisemblance ou methode des moments (conditionnels). Les
combinaisons 0 x et 0 x des caracteristiques constituent alors un couple de
scores adaptes à lanalyse du taux de recouvrement et qui peuvent etre utilises
pour segmenter la population vis-à-vis de ce dernier critère.
ii) Cr
edits aux entreprises
Lorsque le nombre observe de defaillances est faible, peu de variables
264
explicatives peuvent etre raisonnablement introduites. Il est utile dans ce cas

de faire des analyses separees pour chacun des facteurs explicatifs potentiels,
puis dutiliser les resultats pour affiner un peu les classes homogènes de dette
considerees.
Parmi les variables importantes apparaissent le type de dette : niveau
de priorite, lexistence dun collateral, le type dinstrument (gre-à-gre ou
obligation ), la tangibilit
e (tangibility) des actifs, le secteur dactivite, le
pays, et evidemment des effets de cycle.
Tableau 6.5 : Effet de priorit

e-collat
eral sur la distribution de
taux de recouvrement (Moodys).
Senior Secured
Senior Unsecured
Senior Subordinated
Subordinated
Junior Subordinated
moyenne ecart-type
54
26
39
28
29
23
35
22
14
9
Q25%
33
14
10
20
9
Q50%
54
31
23
30
13
Q75%
75
63
42
45
19
N
433
971
260
347
12
Taux de recouvrement en % ; Q % designe le quantile à % et N le nombre dobservations
Tableau 6.6 : Effet du type dinstrument (Moodys)

instrument
Bank loans
Obligations
Obligations sans ETC
moyenne ecart-type
63
22
49
27
53
28
Q25%
48
28
28
Q50%
65
45
54
Q75%
81
75
80
N
151
282
218
Priorite et existence dun collateral ont des impacts importants sur la loi
du taux de recouvrement, et doivent etre introduits si possible pour construire
les classes homogènes de dettes.
6.5. MODELISATION
JOINTE DE LA DEFAILLANCE
ET DU TAUX DE RECUP
ERATION265
6.5
Mod
elisation jointe de la d
efaillance et du
taux de r
ecup
eration
Defaillance et recuperation sont deux aspects complementaires, qui doivent

etre pris en compte dans les modèles de risque de credit, à la fois pour la
valorisation et pour la determination des reserves. Nous commencons par
examiner comment ils sintroduisent naturellement dans les problèmes de valorisation en considerant le cas des zero-coupon dentreprises. Ceci met en
evidence limportance de la notion de taux de perte anticip
e (Expected
Loss-Given-Default) et de leur structure par terme. Nous discutons ensuite
les liens eventuels entre intensite de survie et taux de perte anticipee. Finalement, nous presentons des extensions du modèle de valeur de lactif de la
firme et du modèle à intensite stochastique.
6.5.1
Valorisation
Considerons un zero-coupon dentreprise de maturite residuelle h et designons

par Y la duree de vie de lentreprise. Cet actif correspond à la suite de flux :
1lY =t+1 (1LGDt+1 ), 1lY =t+2 (1LGDt+2 ), . . . , 1lY =t+h1 (1LGDt+h1 ), 1lY =t+h (1
LGDt+h ) + 1lY >t+h ,
en supposant les recouvrements affectes à la date de defaillance. Son prix à
la date t est donne par :
C(t, t + h) = Et [Mt,t+1 1lY =t+1 (1 LGDt+1 )] + Et [Mt,t+2 1lY =t+2 (1 LGDt+2 )]

+ . . . + Et [Mt,t+h1 1lY =t+h1 (1 LGDt+h1 )]
+ Et [Mt,t+h (1lY =t+h (1 LGDt+h ) + 1lY >t+h )].
(6.11)
Comme pour les obligations zero-coupon à taux de recouvrement nul, une

expression plus symetrique peut etre obtenue en introduisant des ensembles
dinformation intermediaires construits à partir de facteurs Z. Supposant le
266
facteur descompte stochastique Mt,t+h fonction de linformation Zt+h , nous

pouvons ecrire :
C(t, t + h) = Et {Mt,t+1 Et (1lY =t+1 |Zt+1 )Et [(1 LGDt+1 )|Y = t + 1, Zt+1 ]}
+ . . . + Et {Mt,t+h Et (1lY =t+h |Zt+h )Et [(1 LGDt+h )|Y = t + h, Zt+h ]}
+Et [Mt,t+h Et (1lY >t+h |Zt+h )].
Cette decomposition conduit à la notion de taux de perte anticipe :
ELGDt,t+h = Et [LGDt+h |Y = t + h, Zt+h ].
(6.12)
Le taux de perte anticipe depend du choix de lensemble dinformation intermediaire, cest-à-dire des facteurs. Il depend aussi de la maturite residuelle
h, de sorte quil existe une structure par terme des taux de perte anticipes,
qui evolue dailleurs avec la date t. Introduisant les intensites de survie, et
supposant les recuperations affectees à la date de defaillance 8 , la formule de
valorisation devient :
C(t, t + h) = Et [Mt,t+1 (1 t,t+1 )(1 ELGDt,t+1 )]

+ . . . + Et {Mt,t+1 . . . Mt+h1,t+h t,t+1 . . . t+h2,t+h1
(1 t+h1,t+h )(1 ELGDt,t+h )}
+Et {Mt,t+1 . . . Mt+h1,t+h t,t+1 . . . t+h1,t+h }.
(6.13)
Lexpression du prix du zero-coupon dentreprise montre que les modèles

factoriels de risque de credit doivent maintenant specifier les formes de
Mt,t+1 , t,t+1 , ELGDt,t+h en fonction des facteurs, ainsi que les lois historiques
des facteurs (voir paragraphe 6.5.3).
8
Une formule differente doit etre ecrite lorsque les recuperations sont affectees au terme
contractuel, ce qui se produit pour certains derives de credit (voir chapitre 2).
6.5. MODELISATION
ET DU TAUX DE RECUP
ERATION267
Le dernier terme de la decomposition (6.13) correspond au prix du zerocoupon à taux de recouvrement nul CDS (t, t + h). Lorsque les taux de
recuperation anticipes sont positifs, le prix du zero-coupon C(t, t + h) est
superieur au prix du zero-coupon à taux de recouvrement nul CDS (t, t + h).
En revanche, avec laffectation date de defaillance des sommes recuperees,
on ne peut generalement comparer C(t, t + h) et le prix du zero-coupon sans
risque B(t, t+h). La raison est la suivante. Placons nous dans le cas extreme,
o`
u le taux de perte anticipe est systematiquement egal à 1. Il sagit dun
cas assimilable à un remboursement anticipe, simple remplacement dune
obligation sans risque de terme contractuel h par une obligation de terme
residuel incertain plus court. Le fait que C(t, t + h) soit inferieur ou superieur
à B(t, t + h) depend de la forme de la structure par terme sans risque.
Lorsque h = 1, les formules deviennent :
B(t, t + 1)
exp[r(t, t + 1)] = Et (Mt,t+1 ),
CDS (t, t + 1)
exp[r (t, t + 1)] = Et (Mt,t+1 t,t+1 ),
C(t, t + 1)
= exp[(t, t + 1)] = Et {Mt,t+1 [t,t+1 + (1 t,t+1 )(1 ELGDt,t+1 )]}.
Pour h = 1 et des taux de perte anticipees compris entre 0 et 1, nous

avons :
B(t, t + 1) C(t, t + 1) CDS (t, t + 1)
r(t, t + 1) (t, t + 1) r (t, t + 1),
(6.14)
et des differentiels de taux positifs entre

i) zero-coupon dentreprise et zero-coupon sans risque ;
ii) zero-coupon dentreprise à taux de recouvrement nul et zero-coupon
dentreprise.
Finalement, des interpretations des ecarts entre prix de zero-coupon peuvent
etre obtenues de la facon suivante. Nous avons :
268
Mt,t+1 t,t+1
Et Mt,t+1
CDS (t, t + 1)
= B(t; t + 1)Et
C(t, t + 1) CDS (t, t + 1)
= (B(t, t + 1) CDS (t, t + 1)]
= B(t, t + 1)EtQ (t,t+1 ),

Et [Mt,t+1 (1 t,t+1 )(1 ELGDt,t+1 )]
Et [Mt,t+1 (1 t,t+1 )]
= [B(t, t + 1) CDS (t, t + 1)]EtQ (1 ELGDt,t+1 ),
designe une nouvelle probabilite transformee tenant compte de la defaillance.

o`
uQ
Ainsi les rapports :
C(t, t + 1) CDS (t, t + 1)
CDS (t, t + 1)/B(t, t + 1) et
B(t, t + 1) CDS (t, t + 1)
fournissent des prix respectivement de la survie et du taux de recuperation.

Les donnees de prix de zero-coupon pourraient servir à construire des
bases de donnees de valeur de march
e du taux de perte (market bond
price of LGD) ou taux de perte implicite (implied LGD). :
M
LGDt,t+1
=
6.5.2
B(t, t + 1) C(t, t + 1)
.
B(t, t + 1) CDS (t, t + 1)
(6.15)
Liens entre intensit

e de survie et taux de perte
anticip
e
On peut sattendre à des evolutions liees des intensites de survie et des

taux de perte anticipes, cest-à-dire au fait quils puissent dependre de facteurs communs. Par exemple, une definition trop stricte de la defaillance
devrait diminuer à la fois les intensites de survie et les taux de perte.
Cet effet est particulièrement visible dans les comparaisons internationales, o`
u des legislations differentes de la faillite entrainent des definitions
differentes de la defaillance et en consequence des taux de recouvrement
differents [voir Franks et alii (2004), Davidenko, Franks (2005)].
6.5. MODELISATION
ET DU TAUX DE RECUP
ERATION269
Tableau 6.7 : Taux de recouvrement dans divers pays europ
eens
Pays
Royaume-Uni Allemagne
Taux de recouvrement
70.40%
64.20%
(Taux de recouvrement pour les firmes).
France
58.40%
Il est toujours delicat danalyser de telles dependances entre variables,

qui dependent fortement des ensembles dinformation introduits, cest-à-dire
du choix des facteurs, de leur nombre et de leur dynamique. Intensite de
survie et taux de perte anticipe apparatront peu lies, si toutes les variables
ayant sur eux une influence commune sont introduites parmi les facteurs (voir
lAppendice 7.1. pour les liens entre correlations marginale et conditionnelle).
Des facteurs temporels peuvent en première approche etre mis en evidence
de la facon suivante. On considère une population de firmes suffisamment
homogène par pays, secteur dactivite. Pour chaque annee t, on calcule la
proportion de defaillants P Dt (cest-à-dire 1- intensite de survie) et le taux
de perte moyen ELGDt . Ceci fournit deux series annuelles, qui peuvent etre
analysees par des methodes usuelles. Par exemple, on peut :
i) determiner la correlation historique entre P Dt et ELGDt , tester sa
significativite et discuter son signe ;
ii) introduire quelques variables explicatives Zt , considerer les regressions9
P Dt
ELGDt
de log
et log
sur les variables Zt :
1 P Dt
1 ELGDt
log
P Dt
1 P Dt
log
ELGDt
= 0 Zt + vt ,
1 ELGDt
=
0 Zt + ut ,
examiner si certaines variables explicatives Zk,t ont des effets significatifs sur
defaillance et taux de perte, puis etudier la correlation historique entre les
9
Remarquons que le moyennage assure generalement ELGDt entre 0 et 1, meme si

quelques taux de perte individuels sont negatifs.
270
residus ut , vt pour voir sil subsite des liaisons residuelles. Des approches de
ce type visant à mettre en evidence les effets du cycle daffaire ou du taux
sans risque pour les entreprises americaines ont par exemple ete suivies par
Carey (1998), Altman et alii (2004), Schuerman (2004), Truck et alii (2005).
6.5.3
Extension des mod`

eles de risque de cr
edit
i) Mod`
ele de valeur de lactif de la firme
Le modèle initialement considere par Merton (1974) est un modèle à
un facteur, ce dernier etant la valeur de lactif de la firme. Reprenons les
notations du chapitre 4, et considerons lintensite de survie et le taux de
perte anticipe correspondant au terme h = 1 par exemple et calcules à la
date t. Nous avons :
t,t+1
= Pt [At+1 > L],
LGDt,t+1 = 1 Et [At+1 /L|At+1 > L],

o`
u At+1 designe la valeur de la firme à la date t + 1 et L le niveau de dette.
Comme la valeur de la firme est le seul facteur et quil est suppose markovien,
nous avons : t,t+1 = (At ), LGDt,t+1 = LGD(At ), disons, et le modèle
implique des relations deterministes entre intensite de survie et taux de perte
(voir Appendice 6.1). De plus, le taux de perte est toujours compris entre 0
et 1, ce qui ne correspond pas aux donnees disponibles (voir la discussion du
paragraphe 6.4.3).
Une facon naturelle detendre le modèle de Merton est dintroduire deux
barrières, la première pour definir la defaillance, la seconde pour definir le
recouvrement [Gourieroux, Monfort, Tiomo (2007)]. Plus precisement, on introduit trois processus sous-jacents : (At ), (Lt ), (At ). Retenant une definition
de type Europeenne de la defaillance, nous supposons :
(*) il y a defaillance en t + h, si At+h < Lt+h .
6.5. MODELISATION
ET DU TAUX DE RECUP
ERATION271
(**) Sil y a defaillance en t + h, le taux de recouvrement à la date de
defaut est :
RRt+h = 1 LGDt+h = At+h /Lt+h .
La Figure 6.9 illustre leffet barrières.
Figure 6.9 : Effet barrires
L
A
A*
RR
272
Sous des hypothèses log-normales, ceci conduit à des formules plus flexibles
pour lintensite de survie et le taux de perte (voir Appendice 6.1). Ces formules sont compatibles avec des evolutions non liees de facon deterministe
et permettent des valeurs superieures à 1 du taux de recouvrement.
Plus precisement, supposons, en omettant les indices temporels pour simplifier :
"
log(A/L)
log(A /L)
"
N
m
m
!
,
2
r
r
2
!#
.
La probabilite de defaillance est donnee par :

P [defaut] = P [log(A/L) < 0] = (m/).
Le taux de recouvrement anticipe à la date de defaut est :
E(RR|defaut)
= E[A /L| log(A/L) < 0]
1
(m/ r)
= exp[m + 2 ]
.
2
(m/)
La loi du taux de recouvrement à la date de defaut admet la densite :
log y m

(
)
1 1
1
log y m
m
g(y) =

r
(6.16)
y (m/)
1 r2
dès que la correlation latente r est strictement inferieure à 1. La distribution
du taux de recouvrement est definie sur [0, ]. La densite tend vers zero si
y tend vers 0 ou .
Le modèle de Merton de base correspond au cas o`
u A = A, ou, de facon
equivalente, au cas o`
u les paramètres sont tels que m = m, = , r = 1.
Lorsque m = m, = , nous avons :
6.6. EXPOSITION ET TAUX DE RECOUVREMENT
11
g(y) =
y
11
=
log y m
log y m
273
1
1
log y
lim
(m/) r1
1 r2
1
1ly<1 ,
(m/)
et le taux de recouvrement est dans ce cas limite à valeurs dans (0, 1).
ii) Mod`
ele `
a intensit
e
La generalisation du modèle à intensite est directe. Considerons par exemple
lexpression du prix du zero-coupon dentreprise pour h = 1 :
C(t, t + 1) = Et [Mt,t+1 (t,t+1 + (1 t,t+1 )(1 ELGDt,t+1 ))]
= Et (Mt,t+1 t,t+1 ) + Et [Mt,t+1 (1 ELGDt,t+1 )]
Et [Mt,t+1 t,t+1 (1 ELGDt,t+1 )].
Il suffit de completer les hypothèses de forme exponentielle affine du
facteur descompte stochastique et de lintensite de survie (voir paragraphe
5.3.1) au taux de recouvrement anticipe pour obtenir un prix de zero-coupon,
qui secrit facilement comme somme et difference de valeurs de la transformee
de Laplace conditionnelle des facteurs. Lorsque h = 1 le calcul fait intervenir
3 telles valeurs. En general, ce prix depend de 3h valeurs.
6.6
Exposition et taux de recouvrement
Dans les paragraphes precedents, nous avons suivi la demarche habituelle,

qui se concentre sur lanalyse des taux de recouvrement. Ceci est justifie,
lorsquon sinteresse à une seule ligne de dette et aux derives ecrits sur cette
dette, puisque lexposition a un simple effet multiplicatif. Ceci se comprend
274
aussi lorsque les etudes sont effectuees par les banques centrales, reserves
federales ou agences de notation, puisque celles-ci ne savent pas a priori
quelles seront les structures des expositions des diverses banques, qui peuvent
etre très variees.
Le but principal de ce paragraphe est dexpliquer pourquoi une telle analyse est insuffisante et meme trompeuse dans le cas de portefeuilles de credits.
En fait, il est necessaire de prendre en compte les dependances eventuelles
entre exposition et taux de recouvrement. Ceci conduit à remettre en cause
lhypothèse sous-jacente à lanalyse statistique standard des taux presentee
au paragraphe 6.4.
Limportance et le signe de la liaison entre exposition et taux de recouvrement sont très sensibles aux definitions retenues pour ces deux variables. Nous
terminons par la prise en compte dans ces definitions daspects specifiques
comme la presence dun collateral, ou dune ligne de credit non encore pleinement utilisee.
6.6.1
N
ecessit
e dune analyse jointe
Pour simplifier la discussion, considerons un portefeuille de credits ayant

fait defaut à une meme date. La perte totale sur ce portefeuille evaluee à la
date de defaut est donnee par :
J
X
[EADj LGDj ] .
j=1
i) Simulation de la perte totale

Pour bien comprendre le problème, examinons comment simuler la perte
totale à la date de defaut . Les deux types de variables ont des statuts très
differents : les expositions sont connues et fixees à la date de defaut, alors que
les taux de perte sont incertains, car fonctions des processus de recouvrement
futurs. Toute simulation de la perte totale doit etre effectuee en fixant la
structure actuelle des expositions, cest-à-dire en crystallisant celles-ci, et les
275
taux de perte tires une fois les expositions fixees. La procedure de simulation
sera donc simplifiee sous lhypothèse ci-dessous.
Hypoth`
ese simplificatrice des simulations AS :
Les taux de perte LGDj , j = 1, . . . , J, sont independents identiquement
distribues, de loi f , sachant les expositions.
Il sagit dune condition relative à la loi conditionnelle des taux de perte
sachant les expositions. Elle diffère de celle utilisee dans le paragraphe 6.4.2,
qui concerne la loi marginale des taux de perte. Il est facile de faire le lien
entre les deux notions. En effet, lhypothèse simplificatrice equivaut à lensemble des deux hypothèses :
H.1 : les taux de perte sont independants des expositions ;
H.2 : les taux de perte sont marginalement independants, identiquement
distribues.
Ainsi, ce nest que, sous lhypothèse H.1, que les lois de taux de perte
estimees habituellement peuvent etre utilisees.
ii) D
esagr
egation de la perte totale
Il existe une autre manière de comprendre le problème. En effet, la perte
totale secrit :
J
X
(EADj LGDj )
j=1
= EAD
J
X
EADj
j=1
o`
u EAD =
J
X
j=1
EAD
LGDj ,
EADj est lexposition totale. Elle peut aussi secrire :
(6.17)
276
J
X
(EADj LGDj )
j=1
J
1X
(EADj LGDj )
= J
J j=1
J
J
1X
1X
= J[
EADj
LGDj + Cove (EAD, LGD)]
J j=1
J j=1
J
1X
= EAD
LGDj + J Cove (EAD, LGD),
J j=1
(6.18)
o`
u Cove designe la covariance empirique.
Considerons alors lapproche couramment utilisee en pratique consistant
à calculer le taux de perte moyen (dans un ensemble de credit homogène), et à
J
1X
remplacer les taux de perte individuels LGDj par ce taux moyen
LGDj
J j=1
dans le calcul de la perte anticipee totale. Daprès la formule, cette approche
na de sens que si Cove (EAD, LGD) = 0. Cette condition est satisfaite dans
lune des deux situations suivantes :
(*) si exposition et taux de perte sont non correles, ce qui resulte de
lhypothèse H.1 ;
(**) si les expositions EADj sont les memes pour tous les credits, cestà-dire si la classe est aussi homogène vis-à-vis des expositions.
Dès quil y a heterogeneite des expositions, lhypothèse H.1 doit etre satisfaite pour que cette demarche usuelle ait un sens.
En fait, la formule (6.14) montre comment lapproche usuelle doit etre
corrigee. Au lieu de considerer la loi des taux de perte non ponderes, il faut
utiliser la loi des taux de perte pond
er
es par la structure dexposition, y compris pour les determinations de la VaR. Comme ces structures
dependent des banques, des lois differentes devraient etre utilisees pour cha-
277
cune dentre elles.

iii) Sens de la liaison
Il ne faut pas esperer que lhypothèse H.1 dindependance entre exposition
et taux de recouvrement soit satisfaite en pratique. Par exemple, il est usuel
que les efforts de recouvrement soient plus faibles pour les petites expositions,
donc que les taux de perte soient plus eleves. Cet effet est directement visible
sur la Figure 6.10. Ceci induit une dependence negative.
Figure 6.10 : Exposition (EAD) versus Pertes en cas de dfaut LGD
278
Plus generalement, il est important dans chaque cas de mesurer la liaison entre EAD et LGD. Une liaison positive (resp.negative) peut reveler les
banques non averses au risque (resp.averses au risque).
iv) Segmenter
La difficulte precedente peut etre contournee en segmentant la population
de credit selon un autre critère. Notons k = 1, . . . , K les divers segments. La
perte totale secrit :
J
X
(EADj LGDj )
j=1
J
K X
X
(EADj,k LGDj,k ), avec des notations claires.
=
k=1 j=1
Les calculs peuvent etre effectues de la facon usuelle, si les hypothèses

H.1-H.2 sont satisfaites pour chaque segment. Pour les credits de detail, on
peut esperer trouver de tels segments, avec un nombre suffisamment grand
dobservations de defaut par segment pour estimer la distribution du taux
de perte par segment. Cette demarche est difficile demploi pour les grandes
entreprises, collectivites locales, . . ., o`
u le nombre dobservations total est
dejà assez faible.
6.6.2
D
efinitions de lexposition et du recouvrement
Les estimations des taux de recouvrement et des liaisons entre expositions

et taux de recouvrement dependent fortement des definitions retenues pour
ces variables.
i) Considerons des credits avec collateral et supposons pour simplifier que
la valeur de ce collateral soit parfaitement connue à la date de defaut. Deux
definitions sont envisageables selon que le collateral est ou non inclus.
D
efinition 6.1 : EAD niveau global de la dette,
279
R quantite recuperee, collateral inclus,

R
RR =
taux de recouvrement.
EAD
D
efinition 6.2 : EAD = EAD C, collateral C deduit,
R = R C, collateral C deduit,
R
RR =
, collateral C deduit.
EAD
Les resultats sont differents selon la definition retenue. Ainsi les taux
de recouvrement sont sensiblement plus eleves, et les correlations entre exposition et taux de recouvrement plus grands avec la première definition.
Remarquons finalement, que si la dette correspond à des obligations standard, le niveau EAD est connu en avance. Ce nest pas necessairement le cas
de la valeur du collateral à la date de defaillance. Ainsi si le niveau EAD peut
etre considere comme deterministe, EAD = EAD C est lui stochastique.
ii) Le meme type de remarque sapplique aux lignes de credits. Celle-ci
peut rester ouverte pour une entreprise en defaut, alors que la ligne nest pas
totalement utilisee. Lidee est de permettre à la firme dassurer sa tresorerie
durant la phase de recouvrement. Considerons alors une firme possedant une
ligne de montant M , dont une partie dun montant M, (0, 1) a ete
utilisee ; supposons quaprès le defaut elle nutilise pas la possibilite de tirage
supplementaire et rembourse une quantite R M . Il y a deux facons de
calculer le taux de recouvrement selon que la possibilite dutilisation complète
de la ligne est ou non prise en compte.
D
efinition 6.3 : Sans prise en compte de la ligne, le taux de recouvrement
est RR = R/M.
D
efinition 6.4 : Avec prise en compte de la ligne, le taux de recouvreR + (1 )M
ment est RR =
.
M
Cest la seconde definition, qui a ete retenue par le regulateur, car elle
sapplique aussi bien aux entreprises faisant usage de leur ligne de credit
quaux autres. Comme RR = RR + 1 , la seconde definition donne un
280
taux de recouvrement plus eleve que la première.
281
REFERENCES
Altman, E., et B., Brady (2002) : Explaining Aggregate Recovery Rates

on Corporate Bond Defaults, New-York University, DP.
Altman, E., Brady, B., Resti, A., et A., Sironi (2004) : The Link Between
Default and Recovery Rates : Theory, Empirical Evidence and Implications,
Journal of Business.
Altman, E., et V., Kishore (1996) : Almost Everything you Wanted to
Know about Recoveries on Defaulted Bonds, Financial Analysts Journal,
Nov/Dec, 57-64.
Altman, E., Resti, A., et A., Sironi (2001) : Analyzing and Explaining
Default Recovery Rates, Rapport pour ISDA.
Asarnow, E., et D., Edwards (1995) : Measuring Loss on Defaulted Bank
Loans : A 24-Year Study, Journal of Commercial Lending, 77, 11-23.
Bahar, R, et L., Brand (2000) : Recoveries on Defaulted Bonds Tied to
Seniority Rankings, Special Report, S&Ps Risk Solutions.
Bank of International Settlements (2005) : Guidance on Paragraph 468
of the Framework Document, Basel Committee on Banking Supervision,
Juillet.
Carey, M. (1998) : Credit Risk in Private Debt Portfolios, Journal of
Finance, 53, 1363-1387.
Carty, L., et D., Lieberman (1996) : Defaulted Bank Loan Recoveries,
Moodys Special Comment, Nov.
Chen, S. (1999 ) : Beta Kernel Estimators for Density Functions, Computational Statistics & Data Analysis, 31, 131-145.
282
Covitz, D., et S., Han (2004) : An Empirical Analysis of Bond Recovery

Rates : Exploring a Structural View of Default, Fed. Reserve, Washington.
Davydenko, S., et J., Franks (2005) : Do Bankruptcy Codes Matter ? A
Study of Default in France, Germany and the UK, London Business School.
Dullmann, K., et M., Trapp (2004) : Systematic Risk in Recovery Rates.

An Empirical Analysis of US Corporate Credit Exposures, Deutsche Bundesbank, DP 02/2004.
Franks, J., De Servigny, A., et S., Davydenko (2004) : A Comparative
Analysis of the Recovery Process and Recovery Rates for Private Companies
in the UK, France and Germany, S&P, Risk Solutions.
Friedman, C., et S., Sandow (2003) : Ultimate Recoveries, Risk, 69-73.
Gourieroux, C., et A., Monfort (2006) : (Non) consistency of the Beta
Kernel Estimator for Recovery Rate Distribution, CREST-DP.
Gourieroux, C., Monfort, A., et V., Polimenis (2006) : Affine Models for
Credit Risk, Journal of Financial Econometrics, 4, 494-530.
Griep, C. (2002) : Higher Ratings Linked to Stronger Recoveries, Standard & Poors, Mars.
Guha, R., et A., Sbuelz (2003) : Structural RFV : Recovery Form and
Defaultable Debt Analysis, LSE DP.
Gupton, G., Gater, D., et L., Carty (2000) : Bank Loan Loss-GivenDefault, Special Comment, Moodys Investor Service, November.
Gupton, G., et R., Stein (2002) : Losscale : Moodys Model for Predicting
LGD, Moodys, Fevrier.
283
Gurdip, B., Madan, D., et F., Zhang (2001) : Understanding the Role
of Recovery in Default Risk Models : Empirical Comparisons and Implied
Recovery Rates, 2001-37, Federal Reserve.
Hagman, M., Renault, O., et O., Scaillet (2005) : Estimation of Recovery Rate Densities : Nonparametric and Semi-parametric Approaches versus
Industry Practice.
Hamilton, D., Cantor, R., et S., Ou (2002) : Default and Recovery Rates
of Corporate Bond Issuers : 1920-2004, Moodys Investors Service, Fevrier.
Katzengruber, B. (2003) : Loss-Given-Default, Ratingagenturen und Basel 2, Osterreichisches Bankarchiv, Springer, Vienne, Octobre.
Keisman, D., et K., Van de Castle (1999) : Recovering your Money :
Insights into Losses from Defaults, S&Ps Credit Week, Juin, 16-34.
Kim, J., et K., Kim (2006) : Loss-Given-Default Modelling Under the
Asymptotic Single Risk Factor Assumption, Yonsei Univ. DP.
Merton, R. (1974) : On the Pricing of Corporate Debt : The Risk Structure of Interest Rates, Journal of Finance, 29, 449-470.
Pykhtin, M. (2003) : Unexpected Recovery Risk, Risk, 16, 74-78.
Renault, O., et O., Scaillet (2004) : On the Way to Recovery : A Nonparametric Bias Free Estimation of Recovery Rate Densities, Journal of
Banking and Finance, 28, 2915-2931.
Shleifer, A., et R., Vishny (1992) : Liquidation Values and Debt Capacity : A Market Equilibrium Approach, Journal of Finance, 47, 1343-1366.
Schuerman, T. (2004) : What do we Know About Loss-Given-Default ?,
Credit Risk Models and Management, 2nd edition, Risk Books.
284
Standard & Poors (2005) : Recovery Ratings for Project Finance Transactions, Ratings Direct, Avril.
Truck, S., Harpainter, S., et S., Rachev (2005) : A Note on Forecasting
Aggregate Recovery Rates with Macroeconomic Variables, Univ. de Karlsruhe, DP.
Vasicek, O. (2002) : Loan Portfolio Value, Risk Magazine, Dec, 160-162.
6.7. APPENDICE
6.7
285
Appendice
6.7.1
Extension du mod`
ele de valeur de la firme
La condition de normalite jointe des variables log(A/L), log(A /L) peut

secrire de facon equivalente :
log(A/L)
= m + u,
log(A /L) = m + ru + 1 r2 v,
o`
u u, v sont des variables gaussiennes independantes, centrees, reduites. La seconde equation correspond à la regression lineaire de log(A /L) sur log(A/L).
i) Loi du taux de perte
Cherchons dabord la loi de log LGD = log(A /L). Nous avons :
1
P [defaut, x < log LGD < x + dx]
dx
=
p
1
P [U < m/, x < m + rU + 1 r2 V < x + dx]
dx
1
x m rU
x m rU
dx
P U < m/,
<V <
+
dx
1 r2
1 r2
1 r2
|U
E 1lU <m/ E 1l x m rU
rU
dx
dx
<V <
+
1 r2
1 r2
1 r2
'
1
E 1lU <m/
1 r2
2 1 r2
m/
x m rU
1 r2
1 (x m rU )2
U2
du
exp
2
2
2 (1 r2 )
Z m/
1
1 (x m )2
u2
(x m ) ru
exp 2
exp
+
du
2 (1 r2 )
2(1 r2 )
(1 r2 )
2 1 r2
286
ii) Transform
ee de Laplace de log RR
Nous avons :
E[exp( log RR)|defaut]
= E[exp[(m + rU + 1 r2 V )]|U < m/]

2 2 (1 r2 )
]E[exp( rU )|U < m/]
= exp[m +
2
2 2 (1 r2 ) Z
exp[m +
] m/
u2
2
exp[ + ru]du
=
2
2(m/)
exp(m +
=
2 2 (1 r2 ) 2 2 r2 Z
+
) m/
1
2
2
exp[ (u r)2 ]du

2
2(m/)
2 2 (m/ r)
= exp(m +
)
.
2
[m/]
Nous en deduisons en prenant = 1 et = 2 :
6.7. APPENDICE
287
E[RR|defaut]
1
(m/ r)
= exp(m + 2 )
.
2
(m/)
V [RR|defaut]
= E(RR2 |defaut] [E(RR|defaut)]2
= exp(2m + 2 2 )
exp(2m + 2 )
[m/ 2 r]
(m/)
((m/ r))2
((m/))2
exp(2m + 2 )
[(m/ r)]2
{exp( 2 )(m/ 2 r)
}.
(m/)
(m/)
"
2 #
2 Z m/
1
1 (x m )
1 1
x m )r
=
exp
exp
u
du
2
2
2
2
21r
2 1 r
x m
(m/ (x m )r/ .

1 r2
Nous en deduisons la densite de log LGD conditionnelle au defaut :

(m/ (x m )r/ )
x m
1
1 r2
(m/)
do`
u la formule (6.16).
288
Chapitre 7
RISQUE DE CORRELATION
Lanalyse du risque de credit developpee dans les chapitres 5 et 6 concernait essentiellement un credit (un emprunteur) et les produits derives associes. Elle est adaptee à letude des derives de credit ecrits sur un seul nom.
Cependant elle se revèle insuffisante pour letude des derives ecrits sur un
panier de credits tels les mortgage backed securities ou les basket default
swap. Elle lest aussi pour connatre le risque dun portefeuille de credits
et de derives de credits, en particulier pour determiner la VaR de credit.
Ce chapitre etend les resultats et modèles des chapitres precedents au cas
de portefeuilles, en tenant compte des possibilites de defaillance jointe des
divers emprunteurs. Nous commencons par definir de facon plus precise la
notion de population homogène de credits ou demprunteurs, et montrons
que le risque de correlation peut toujours etre introduit par lintermediaire
de facteurs non observables sous-jacents ayant une influence commune sur
tous les risques. Nous etendons ensuite le modèle de valeur de la firme et le
modèle à intensite en distinguant le cas dune periode du cas multiperiode.
7.1
Population homog`
ene
Les approches statistiques utilisees pour construire les scores de risque reposent sur une segmentation de lensemble des credits (ou des emprunteurs)
289
290
CHAPITRE 7. RISQUE DE CORRELATION
en sous-populations homogènes, o`
u les variables mesurant le risque sont
independantes, de meme loi [voir Chapitre I et Gourieroux, Jasiak (2006)].
Dans le cas des credits consommation, ces segments sont assez grands pour
permettre des approximations precises de la distribution de risque segment
par segment. Ces conditions ne sont plus satisfaites dans le contexte des
grandes entreprises, des pays, des financements de projet.., et une definition
moins stricte de lhomogeneite doit etre introduite.
7.1.1
Equid
ependance
D
efinition 7.1 : Une population de credits (ou demprunteurs) i = 1, . . . , n
dont le risque est mesure par des variables Yi , i = 1, . . . , n est homogène, si
et seulement si la loi jointe des risques est symetrique, cest-à-dire ne depend
pas de lordre dans lequel sont ranges ces individus.
Mathematiquement, la loi de Y1 , . . . , Yn doit etre la meme que celle de
Y(1) , . . . , Y(n) pour toute permutation des indices. Cette condition dinvariance par permutation est appelee condition d
equid
ependance, ou en
statistique d
echangeabilit
e.
Un ensemble de variables Yi , i = 1, . . . , n independantes, de meme loi,
constitue lexemple le plus simple de famille de variables equidependantes.
Mais il existe dautres exemples permettant des liaisons (complexes) entre
les variables. En fait, letude de ces liaisons est facilitee par la caracterisation
ci-dessous que nous enoncons sous forme simplifiee.
Proposition 7.1 : Une famille Y1 , . . . , Yn est equidependante, si et seulement
si il existe une variable aleatoire Z (eventuellement de dimension infinie) telle
que Y1 , . . . , Yn soient independantes, identiquement distribuees, sachant Z.
Il est ainsi possible de se ramener au cas independant, identiquement distribue en conditionnant par rapport à Z. La variable Z joue le role des facteurs, dont linfluence jointe sur les variables de risque, cree la dependance observee. La Proposition 7.1 montre que toute modelisation du risque dans une
`
7.1. POPULATION HOMOGENE
291
population homogène passe par une specification à facteur. La demonstration

de ce resultat fondamental est simple dans le cas gaussien (voir 7.1.2), assez facile dans le cas de variables de risque qualitatives dichotomiques (voir
Appendice 7.2) et très complexe dans un cadre general.
7.1.2
Cas gaussien
i) Equicorr
elation
Commencons par etudier la condition dequidependance lorsque les variables Yi , i = 1, . . . , n sont gaussiennes, de dimension 1. Ce cas particulier
est important pour lanalyse du risque de credit, car il sapplique au modèle
de valeur de lactif de la firme avec Yi = log Ai .
Comme les lois gaussiennes sont caracterisees par leurs deux premiers
moments, le resultat ci-dessous est immediat.
Proposition 7.2 : La loi gaussienne de Y = (Y1 , . . . , Yn )0 est symetrique,
si et seulement si :
EY = (m, . . . , m) , V Y =
1
1
..
.
...
...
..
.
..
.
La famille de lois depend de trois paramètres : la moyenne commune m,

la variance commune 2 , et l
equicorr
elation .
ii) Contraintes sur les param`
etres
Il est facile de verifier que la matrice de variance-covariance admet les
valeurs propres :
1 = 1 , avec ordre de multiplicite n 1,
2 = 1 + (n 1), avec ordre de multiplicite 1.
292
La valeur propre 2 est associee au sous-espace propre engendre par le

vecteur e = (1, . . . , 1)0 , et la valeur propre 1 au sous-espace propre orthogonal au vecteur e. Comme une matrice de variance-covariance est symetrique
semi-definie positive, ses valeurs propres sont positives ou nulles. En particulier, nous avons :
1 0, 1 + (n 1) 0, cest-à-dire
1
1.
n1
(7.1)
Toutes les valeurs dune correlation ne peuvent donc etre atteintes et le

domaine des valeurs admissibles depend de la taille du segment. Plus cette
taille est grande, moins la correlation peut etre negative. Dans le cas limite
n = , le domaine devient 0 1, et la correlation est necessairement
positive ou nulle.
La possibilite de correlation negative pour des populations homogènes de
petite taille est facile à illustrer. Considerons un secteur dactivite avec disons
trois firmes. Si lune des firmes tombe en defaut, le secteur est plus concentre,
ce qui augmente le pouvoir oligopolistique des deux firmes restantes, les rend
plus solides et diminue de ce fait leur risque sous-jacent.
iii) Repr
esentation factorielle
Supposons = 2 > 0, et une ecriture du type :
Yi = m + F +
1 2 ui , i = 1, . . . , n,
(7.2)
o`
u les variables F, u1 , . . . , un sont independantes, identiquement distribuees
selon une loi normale centree reduite. Les variables Y1 , . . . , Yn forment un
vecteur gaussien, de moyenne EY = (m, . . . , m)0 , de matrice de variancecovariance
1 2 . . . 2
2
. . ..
. .
2
.
VY = .
.
2
... 1
`
293
La representation factorielle (7.2) est un exemple de decomposition conditionnelle enoncee dans la Proposition 7.1. En effet, conditionnellement à
Z = F , les variables Y1 , . . . , Yn sont independantes, de meme loi :
Yi |F N [m + F, 2 (1 2 )].
(7.3)
On prendra garde que dans lecriture standard du modèle à facteur (7.2),

le paramètre ne sinterprete pas comme une correlation. Cest son carre
= 2 qui admet cette interpretation.
(iv) Th
eor`
emes limites
Lexitence dun facteur commun aux diverses variables de risque modifie
les proprietes limites habituellement utilisees en statistique comme la loi
des grands nombres et le theorème central limite. Supposons la taille n du
segment grande (n ) et considerons les moments empiriques dordre 1
et 2. Nous avons :
n
1X
Yn =
Yi
n i=1
= m + F +
1 2 un .
La loi des grands nombres classique sapplique à la moyenne des termes

specifiques de sorte que un 0. La moyenne empirique Yn converge lorsque
le nombre dobservations tend vers linfini, mais la limite m + F est une
variable aleatoire et non une constante comme dans la situation standard.
Cette remarque a une consequence importante au niveau financier. Supposons pour un moment que Yi represente la valeur future dun credit, Yn est la
valeur moyenne relative au portefeuille i = 1, . . . , n. Meme si le portefeuille
contient un grand nombre demprunteurs, la presence du facteur commun
empeche la disparition totale du risque par moyennage, cest-à-dire par diversification, meme au sein dune population homogène. Ceci explique limeriv
es sur paniers (basket derivatives) recemment introduits
portance des d
294
sur les marches (voir chapitre 2). Bien construits, ces derives permettent de
se couvrir contre des variations du facteur commun, cest-à-dire de la fraction
non diversifiable du portefeuille.
En fait, loi des grands nombres et theorème central limite restent valables
à condition de raisonner conditionnellement au facteur Z = F :
2 (1 2 )
Yn |Z N [m + F,
].
n
Cette propriete est connue sous le terme dinfinie granularit
e dans la
litterature sur le risque de credit.
Des proprietes asymptotiques surprenantes peuvent aussi etre obtenues
pour la variance empirique. Nous avons :
n
1X
(Yi Yn )2
n i=1
n
1X
= (1 )
(ui un )2 ' 2 (1 2 ).
n i=1
2
Il y a ainsi convergence vers une constante 2 (1 2 ), mais celle-ci diffère de

la variance theorique de Yi egale à 2 .
Pour resumer, moyenne et variance empiriques des observations permettent
de retrouver m + F et 2 (1 2 ), en particulier le facteur sous-jacent à
une transformation affine près. Mais les paramètres m, 2 , , ne sont pas
identifiables.
7.1.3
Variables qualitatives dichotomiques
Le caracterisation des familles equidependantes (Proposition 7.1) sapplique facilement au cas de variables Yi , i = 1, . . . , n qualitatives dichotomiques, à valeurs 0, 1. En particulier, elle sapplique aux indicatrices de
defaillance sur une population homogène de credits (emprunteurs).
`
295
Proposition 7.3 : Une famille de variables qualitatives dichotomiques est

equidependante, si et seulement si Yi , i = 1, . . . , n sont independantes, identiquement distribuees selon des lois de Bernoulli B(1, F ), conditionnellement
à F .
Il sagit dun modèle à probabilite stochastique, o`
u le facteur est une
variable aleatoire à valeur dans (0, 1).
Asymptotiquement les deux premiers moments empiriques sont tels que :
n
1X
Yn ' F,
(Yi Yn )2 = Yn (1 Yn ) ' F (1 F ).
n i=1
La valeur du facteur sous-jacent peut etre retrouvee si la taille de la souspopulation homogène est assez grande.
7.1.4
Variables de dur
ee
Considerons maintenant des variables de duree Yi , i = 1, . . . , n, par exemple

les durees de vie de credits renouvelables ou de firmes. Il est equivalent de
considerer une variable de duree Yi ou un processus (Xi,h ) de variables qualitatives dichotomiques reperant si lindividu i est en vie à la date h (alternative
0, sil est en vie, alternative 1 sil nest plus en vie.). Dun point de vue pratique, il est equivalent dans une base de donnees de faire figurer des durees
de vie :
Y1 = 2, Y2 = 3,
ou de coder :
X1 0 1
X2 0 0 1.
La loi dune variable de duree peut de facon similaire etre definie directement par :
i) les probabilites elementaires P (Yi = h) = ph ;
296

ii) les intensites de survie P (Xi,h = 0|Xi,h1 = . . . Xi,1 = 0) = i,h .
Le resultat ci-dessous apparat alors naturel.
Proposition 7.4 : Une famille de variables de duree Yi , i = 1, . . . , n est

equidependante, si elles sont independantes, de meme fonction dintensite
h , conditionnellement à (Zt ) = (t ).
Ceci justifie ex-post lutilisation du modèle à intensite stochastique (voir
Chapitre 5). Pour des variables de duree equidependantes, il ny a pas un
facteur univarie sous-jacent, mais un processus factoriel, donc une infinite de
facteurs scalaires. On comprend aisement que la dependance de defaillance
puisse dependre du terme. Ainsi au moment de la bulle internet, de nombreuses petites firmes ont ete creees, et la faillite de lune delles entrainait
souvent la faillite de plusieurs autres. La correlation de defaillance à court
terme etait alors positive. Après un certain temps, ce secteur dactivite sest
concentre avec des firmes specialisees sur des applications differentes. La
defaillance de lune dentre elles a moins dimpact sur les autres firmes et
il y a pratiquement independance à long terme entre les defaillances. Lintroduction dun processus factoriel est la solution pour analyser la structure
par terme des corr
elations de d
efaillance.
Le modèle de durees avec equidependance permet dinterpreter de facon
plus correcte certains chiffres publies par les societes de service. Il est ainsi
usuel de fournir les intensites de defaut empiriques en fonction du terme,
pour diverses classes de risque (voir Tableau 7.1). Ces intensites empiriques
calculees par :
i Xi,h (1 Xi,h1 )
dh =
,
i (1 Xi,h1 )
constituent des approximations convergentes de lintensite stochastique de
defaut 1 h sous-jacentes. Le processus factoriel a priori inobservable est
donc bien approche dès que le nombre de credits (emprunteurs) encore en
vie au terme h est assez grand.
`
` DEUX PERIODES
7.2. MODELES
A
297
Tableau 7.1 : Intensit

e empirique de d
efaut (S&P 1992-2001,% )
Rating
CCC
B
BB
BBB
A
AA
AAA
1
22.72
5.20
0.82
0.18
0.05
0.02
0.00
2
9.95
5.82
1.60
0.25
0.07
0.04
0.00
3
6.89
5.22
1.96
0.30
0.09
0.02
0.06
4
6.18
4.18
1.85
0.51
0.11
0.05
0.00
5
6.03
3.18
1.78
0.53
0.10
0.06
0.00
6
3.93
3.09
1.85
0.60
0.13
0.04
0.00
7
2.94
3.47
1.75
0.51
0.17
0.05
0.00
8
0.95
2.29
1.60
0.60
0.21
0.07
0.00
9
4.55
1.86
2.32
0.66
0.28
0.00
0.00
(Unite de temps : 1 an)

Un tel tableau montre que les chiffres dependent fortement des classes de
notations et donc que des processus factoriels differents doivent vraisemblablement etre introduits pour les diverses classes. Par ailleurs, les intensites
peuvent se croiser. Ainsi à 7 ans, lintensite de defaut dun CCC est sensiblement inferieur à celle dun B ou dun BB. Ceci revèle que les notations
usuelles sont determinees pour un terme precis, generalement autour de 3
ans, et ne sont pas necessairement valables pour les autres termes. Il devrait
y avoir une structure par terme de notations [voir e.g. Foulcher, Gourieroux,
Tiomo (2004)] et non une seule notation pour chaque emprunteur 1 . Notons finalement que lanalyse directe du Tableau 7.1 suppose implicitement
que les intensites de defaut dependent du terme, mais pas du temps, ce qui
nest pas satisfait en pratique [voir e.g. Moodys (2001), les discussions des
paragraphes suivants, et le chapitre 8].
7.2
Mod`
eles `
a deux p
eriodes
Le but de ce paragraphe est danalyser les proprietes dun portefeuille

constitue de credits homogènes dans un cadre à deux periodes. Ces calculs
1
Dans cet esprit les agences S&Ps et Moodys fournissent deux notations, une à court
terme et une à long terme.
298
sont le coeur de la procedure proposee par CreditRisk+ (voir chapitre 9).
7.2.1
Cas g
en
eral
i) Hypoth`
eses
Considerons une population de credits accordes à une meme date t0 et
remboursables à une meme date t1 . Ces credits portent tous sur la meme
periode (t0 , t1 ). Les expositions au risque de chaque credit sont supposees
egales et connues à la date t0 . Cette exposition commune est notee ead.
Pour chaque credit, nous considerons les variables Yi , i , o`
u Yi est la variable
indicatrice de survie (Yi = 1, si survie, Yi = 0, si defaut) et i le taux de
perte à la date de defaut.
Supposons alors la population de credits homogène. Il existe un facteur
Z tel que, conditionnellement à Z, les variables (Yi , i ), i = 1, . . . , n soient
independantes, de meme loi. Cette loi conditionnelle est caracterisee par :
la probabilite de defaut : P (Yi = 1|Z) = p(Z),
la densite du taux de perte en cas de defaut :
lim (1/d)P [ < i < + d|Yi = 1, Z] = g(, Z).
d0
Le taux de perte vaut evidemment 0, lorsque Yi = 0.

ii) Propri
et
es du portefeuille
Les resumes du risque au niveau du portefeuille sont le nombre N1 de
defaillances et la perte totale L. Ces resumes dependent des variables individuelles, puisque :
N1 =
n
X
i=1
Yi , L = ead
i .
i:Yi =1
Conditionnellement au facteur Z, la loi du couple (N1 , L) est telle que :
`
` DEUX PERIODES
7.2. MODELES
A
299
P (N1 = 0, L = 0|Z) = [1 p(Z)]n ,

P (N1 = n1 , l < L < l + dl|Z)
=
n!
1
l
p(Z)n1 [1 p(Z)]nn1 g n1 (
, Z)
dl,
n1 !(n n1 )!
ead
ead
o`
u g n1 designe la distribution g convolee n1 fois avec elle meme.
Designant par f la densite du facteur Z, nous en deduisons la loi du
nombre de defauts :
n!
P [N1 = n1 ] =
n1 !(n n1 )!
Z
p(z)n1 [1 p(z)]nn1 f (z)dz.
(7.4)
La loi de la perte totale est un melange de masse ponctuelle en 0 et de

loi continue. Nous avons :
Z
P (L = 0) =
[1 p(z)]n f (z)dz,
h(l) = limdl0
1
P (l < L < l + dl)
dl
n
X
n1
n!
1
n !(n n1 )! ead
=1 1
Z
p(z)n1 [1 p(z)]nn1 g n1 (l/ead, z)dz, si l > 0.
Ces formules montrent quil est generalement difficile dobtenir des expressions explicites des lois au niveau du portefeuille. Celles-ci sont habituellement approchees par simulation, ou en sappuyant sur un developpement
asymptotique.
iii) D
eveloppement asymptotique
Supposons n grand, p(z) petit, de sorte que (z) = np(z) ne soit ni trop
petit, ni trop grand. La loi conditionnelle de N1 , qui est une loi binomiale,
300
peut etre approchee par la loi de Poisson P[(Z)], et N1 chargera peu de

valeurs avec un poids significatif. Des formules approchees sont :
Z
P (L = 0) =
h(l)
exp[(z)]f (z)dz,
Z
n
X
1 1
=
exp[(z)][(z)]n1 g n1 (l/ead, z)dz, si l > 0,
n
!
ead
n =1 1
1
o`
u peu de valeurs de n1 , disons les 10 premières, apparaissent significativement dans la somme. Si la densite g est unimodale, on sattend à ce que la
convolee g n1 soit egalement unimodale avec un mode place differemment.
Il nest donc pas surprenant que les distributions observees de perte totale
presentent souvent plusieurs bosses correspondant intuitivement au nombre
(inconnu) de defauts sous-jacent.
iv) Transform
ee de Laplace
La densite de la perte totale est assez difficile à expliciter. Ceci peut
etre d
u au fait que la densite fournit une mauvaise caracterisation de la loi
conditionnelle. Examinons le calcul analogue effectue par lintermediaire de
transformees de Laplace. Notons :
E[exp(u)|Z] = exp c(u, Z),
la transformee de Laplace conditionnelle du taux de perte individuel. Nous
avons :
E[exp(uL)|N1 , Z] = exp[N1 c(ead.u, Z)].
Lorsque lapproximation Poissonnienne peut etre utilisee pour le nombre
de defaillances, nous obtenons :
E[exp(uL)|Z] = exp[(Z){1 exp c(ead.u, Z)}].
`
` DEUX PERIODES
7.2. MODELES
A
301
La transformee de Laplace de la perte totale sen deduit :

Z
E[exp(uL)] =
7.2.2
exp[(z){1 exp c(ead.u, z)}]f (z)dz.
Exemples
i) Valeur de lactif de la firme

Le log-ratio actif/dette est pour chaque firme de la population ecrit sous
la forme :
Yi = log Ai log Li = m + Z +
1 2 ui ,
(7.5)
o`
u ui , i = 1, . . . , n sont des variables gaussiennes independantes, centrees,
reduites. La variable indicatrice du defaut est :
1, si Yi < 0,
Yi =
0, sinon.
Lintensite de survie conditionnelle à Z est :

(Z) = 1 p(Z)
= P [Yi = 0|Z]
= P [Yi > 0|Z]
= P [m + Z +
m + Z
p
1 2
1 2 ui > 0|Z]
!
.
La loi du nombre de defaillances est alors donnee par :
302
n!
P [N1 = n1 ] =
n1 !(n n1 )!
#n1 "
!#nn1
Z "
m + z
m + z
p
1 ( p
)
f (z)dz,
1 2
1 2
integrale qui doit etre calculee soit numeriquement, soit par simulation.
Ce type de modèle est celui actuellement recommande par le Comite de
Basle pour prendre en compte la correlation de defaut.
ii) Intensit
e stochastique exponentielle affine
Supposons maintenant une intensite stochastique fonction exponentielle
affine du facteur : (Z) = exp(0 + 1 Z) (voir chapitre 5). La loi du nombre
de defaillances est :
P [N1 = n1 ]
n!
n1 !(n n1 )!
n1
X
k=0
n1
X
k=0
Z
[1 exp(0 + 1 z)]n1 exp[(n n1 )(0 + 1 z)]f (z)dz
n!
(1)k
(n n1 )!k!(n1 k)!
Z
exp[k(0 + 1 z)] exp[(n n1 )(0 + 1 z)]f (z)dz
n!
(1)k exp[(n + k n1 )0 ][(n + k n1 )1 ],
(n n1 )!k!(n1 k)!
o`
u designe la transformee de Laplace du facteur Z. Ainsi les calculs sont
simples dès que la transformee de Laplace du facteur a une forme explicite.
7.2.3
Corr
elations latente et observable
Dans le modèle de valeur de lactif de la firme, il existe diverses facons

de mesurer le risque, soit à partir de la variable quantitative sous-jacente
log-ratio actif/dette, soit à partir de lindicatrice de defaillance. Les liaisons
entre les risques individuels peuvent alors etre resumes par la corr
elation
latente, cest-à-dire Corr(Yi , Yj ) = Corr[log(Ai /Li ), log(Aj /Lj )], ou par la

corr
elation de d
efaut, correspondant aux variables observables, cest-à-dire
Corr(Yi , Yj ) = Corr(1lYi <0 , 1lYj <0 ). La correlation netant pas invariante par
`
` DEUX PERIODES
7.2. MODELES
A
303
transformation non lineaire des variables, correlation latente et correlation de

defaut prennent des valeurs differentes. Le but de ce paragraphe est detudier
comment elles sont liees. La loi dun couple (Yi , Yj ) est une loi normale
!
2
1
. La
de moyenne (m, m)0 , de matrice de variance-covariance 2
2 1
correlation latente est egale à = 2 .
Pour evaluer la correlation de defaut, il faut calculer EYi et E(Yi Yj ). Nous
avons :
E(Yi ) = P [Yi < 0] = P [m + ui < 0] = (m/),
(7.6)
o`
u ui designe une variable gaussienne centree, reduite. De meme :
E(Yi Yj ) = P (Yi < 0, Yj < 0)
= P (ui < m/, uj < m/),
" !
!#
0
1
o`
u (ui , uj ) est un couple gaussien N
,
. Nous en deduisons :
0
1
E(Yi Yj ) = (m/, m/; ),
o`
u"
(x, y;
la fonction de repartition de la loi normale bivariee
!)designe!#
0
1
N
,
. La correlation de defaut est donc :
0
1
(m/, m/; ) [(m/)]2
.
(7.7)
(m/)[1 (m/)]
La correlation de defaut depend de la correlation latente , mais aussi
de la moyenne standardise m/. Cette dernière est directement liee à la
probabilite de defaut (voir (7.6)) donnee par : P D = (m/). Nous avons :
cd =
[1 (P D), 1 (P D); ] P D2
.
(7.8)
P D(1 P D)
La relation entre correlation de defaut et correlation latente depend de la
probabilite de defaut, cest-à-dire du rating. A probabilite de defaut donnee,
cd =
304
la correlation de defaut est fonction croissante de la correlation latente, prend

la valeur 0, lorsque = 0 (cas dindependance entre les risques latents, donc
entre les risques observables). Des idees de cette dependance sont fournies
dans la Figure 7.1.
Figure 7.1 : Lien corr
elation latente-corr
elation de d
efaut
Lien Corrlation latente - corrlation de dfaut

1
0,9
0,8
Corrlation de dfaut
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
Corrlation latente
0,001
0,005
0,01
0,03
0,05
0,1
0,2
0,3
0,4
0,5
0,6
7.3. MODELES
MULTIPERIODES
7.3
305
Mod`
eles multip
eriodes
Correlation de defaut et correlation de taux de perte peuvent de facon

analogue etre introduits dans les modèles dynamiques. Linteret est de permettre lanalyse de la structure par terme de telles correlations et de son
evolution. Pour simplifier la presentation, nous considerons le cas des variables indicatrices de la defaillance, lecriture pour les taux de perte etant
similaire. Nous commencons par considerer le modèle de valeur de lactif de
la firme. Bien que ce modèle ne soit pas temporellement coherent (voir Chapitre 4), il est utilise en pratique pour une première recherche de facteurs
communs et de leur impact (voir le moteur de correlation mis en place par
la firme KMV, decrit au chapitre 9). Nous examinons ensuite lextension du
modèle à intensite, ce qui permet une approche coherente à la fois pour le
passage historique-risque neutre, et vis-à-vis des aspects temporels. Les deux
derniers paragraphes concernent la reconstitution des facteurs communs et
lanalyse des derives ecrits sur des paniers de credits.
7.3.1
Mod`
ele de valeur de la firme
i) Le mod`
ele avec facteurs explicatifs
Le modèle est construit à partir des variables latentes, Ai,t , Li,t relatives
aux diverses firmes i = 1, . . . , n. Nous supposons que :
log(Ai,t /Li,t ) = 0 + 10 Zt + ui,t , i = 1, . . . , n,
o`
u (u1t ), . . . , (unt ) sont des bruits blancs gaussiens independants de meme variance 2 , et (Zt ) un ensemble de facteurs independants des bruits. Designons
par Yi,t lindicatrice de la survie en t pour la firme i : Yi,t = 1, si et seulement
si : log(Ai,t /Li,t ) > 0. Pour un ensemble P aRt (1, . . . , n) de firmes en vie
à la date t, la loi de Yi,t+1 , i P aRt sachant Zt+1 est telle que :
i) les variables Yi,t+1 , i P aRt , sont independantes,
306

ii) de meme loi de Bernoulli, de probabilite p(Zt ) = [(0 + 10 Zt )/].
Considerons alors un ensemble {1, . . . , n} dentreprises en vie à la date 0

disons, et notons Nt le nombre dentreprises en vie à la date t. Il est equivalent
de caracteriser la loi des dates de defaillance, ou la loi du processus (Nt ). Nous
avons :
0
Nt+1
P [N1 = n1 , . . . , Nt = nt . . . , |Z] =
t=1 {([(0 + 1 Zt )/])
(1 [(0 + 10 Zt )/])Nt Nt+1 },
avec la convention N0 = n. Si les valeurs passees, presentes et futures des

facteurs etaient connues, le modèle correspondrait à un modèle probit, o`
u
les valeurs des facteurs seraient les valeurs des variables explicatives. Remarquons que le produit ci-dessus est necessairement fini, toute entreprise
defaillant à un certain moment, eventuellement lointain.
ii) Dynamique des facteurs
Lorsque les facteurs sont a priori inobservables, le modèle doit etre complete
en se donnant la loi des facteurs (à des paramètres près). La loi des dates de
defaillance et alors caracterise par,
P [N1 = n1 , . . . , Nt = nt . . .]
Z
=
Z
...
0
Nt+1
(
[1 [(0 + 10 zt )/]]Nt Nt+1 })f (z1 , . . . , zT . . .)dz1 . . . dzT . . .
t=1 {[[(0 + 1 zt )/]]
Lexpression ci-dessus ne comporte quune integrale de dimension finie

egale à inf {t : Nt = 0}, et le meme nombre fini de termes dans les produits.
La reintegration des facteurs inconnus implique une loi de forme compliquee. Cette reintegration a deux effets principaux :
i) deux indicatrices de survie Yi,t , Yj,t , disons, sont generalement dependantes ;
ii) la loi de Yi,t+1 , sachant Yj,t , j = 1, . . . , n depend generalement des
valeurs de toutes ces variables, meme concernant dautres emprunteurs, et
le processus (Yi,t ) nest pas Markovien, meme si les facteurs le sont. En fait
7.3. MODELES
MULTIPERIODES
307
les observations passees, par exemple Yj,t , j = 1, . . . , n sont importantes pour

estimer les valeurs inconnues Zt des facteurs, et donc pour prevoir les valeurs
Zt+1 .
Dans le cadre du modèle de valeur de lactif de la firme, les facteurs sont
souvent supposes autoregressifs gaussiens :
Zt = Zt1 + ut , ut IIN (0, Id).
(7.9)
Lordonnee à lorigine peut etre fixee à 0 et la matrice de variancecovariance du terme derreur à Id, les facteurs etant identifiables à une transformation affine inversible près.
Divers documents du Comite de Basle ou lapproche KMV supposent
implicitement des observations successives du facteur iid gaussiennes, cestà-dire = 0 et Zt = ut .
iii) Reconstitution des facteurs pour de larges populations
Lestimation des paramètres du modèle, qui caracterisent la dynamique
des facteurs ou mesurent leur effet sur la defaillance, relève de methodes
generales destimation pour les modèles non lineaires à facteur non observables, notamment des methodes fondees sur des simulations [voir Appendice
7.3]. Cependant, il existe une approche très simple, qui en plus permet de reconstituer ex-post les facteurs sous-jacents, lorsque les tailles de populations
observees Nt , t = 1, . . . , T sont grandes et les frequences de survie Nt+1 /Nt
ne sont pas trop proches de 1 (ou 0). En effet, la loi des grands nombres et
le theorème central limite appliques date par date montrent que :
Nt+1 /Nt [(0 + 10 Zt )/] + vt ,
o`
u les erreurs vt sont des variables gaussiennes independantes de petite variance. Par application de la delta-methode, qui permet les linearisations
asymptotiques, nous en deduisons :
1 (Nt+1 /Nt ) 0 / + (1 /)0 Zt + vt ,
(7.10)
308
o`
u les erreurs vt sont gaussiennes, independantes. Completee par lequation
(7.9) donnant la dynamique des facteurs, nous obtenons un modèle espaceetat, o`
u (7.9) est lequation detat et (7.10) est lequation de mesure. Lutilisation dun filtre de Kalman lineaire sur le modèle linearise fournit alors les
estimations des divers paramètres, ainsi que les valeurs filtrees des facteurs
sous-jacents [Gourieroux, Monfort (2006)].
Dans cette demarche, les dynamiques sont des dynamiques historiques, et
les facteurs sont reconstitues à partir des frequences observees. La demarche
de reconstitution est donc très differente de celle decrite dans le chapitre
6, qui sappuyait sur les prix de produits derives (obligations et CDS) et
demandait la specification de la dynamique risque-neutre.
7.3.2
Mod`
ele `
a intensit
e
i) Le mod`
ele
Dans le contexte des modèles à intensite, lidee est de separer clairement
les facteurs Zi,t , qui influent sur les defaillances individuelles, de ceux Zt
ayant une influence jointe. La formulation exponentielle affine secrit :
Mt,t+1 = exp(0 + 10 Zt+1 ),
(7.11)
i,t,t+1 = exp(0 + 10 Zt+1 + 0 Zi,t+1 ), i = 1, . . . , n.
(7.12)
Tous les facteurs communs sont introduits de sorte que, conditionnellement aux valeurs passees, presentes et futures des facteurs, les historiques
individuels de survie sont independants.
La specification est completee par la dynamique des facteurs. On suppose
que les processus (Zt ), (Z1t ), . . . , (Znt ) sont des processus affines independants,
(Zit ), i = 1, . . . , n ayant des loi identiques.
ii) Reconstitution des facteurs communs pour de larges populations
7.3. MODELES
MULTIPERIODES
309
Considerons la frequence de survie à la date t. Nous avons :

Nt+1 /Nt '
1 X
i,t,t+1
Nt iN
t
1 X
exp(0 + 10 Zt+1 + 0 Zi,t+1 )
Nt iN
t
= exp(0 + 10 Zt+1 )
1 X
exp( 0 Zi,t+1 )
Nt iN
t
exp(0 + 10 Zt+1 )E exp( 0 Zi,t+1 )

= exp(0 + 10 Zt+1 ), disons.
Ainsi, nous pouvons ecrire :
log(Nt+1 /Nt ) 0 + 10 Zt+1 + vt+1 ,
(7.13)
qui est lanalogue de lequation (7.10) vue dans le modèle de valeur de lactif
de la firme. Nous retrouvons une equation de mesure approchee, lineaire dans
les facteurs.
Seuls certains facteurs communs peuvent etre ainsi identifies. En particulier, on ne peut identifier que les composantes de Z qui interviennent dans
le facteur descompte stochastique, mais pas dans i,t,t+1 ; de meme, on ne
peut reconstituer les facteurs specifiques (Zi,t ). Cest pour ces facteurs que
lobservation de prix de produits derives devient essentielle [voir Chapitre 6].
7.3.3
First-to-default basket
i) Valorisation
Des specifications jointes sont evidemment requises pour valoriser des
derives ecrits sur plusieurs noms comme les first-to-default basket. Un tel
310
derive de terme h paie 1$, si tous les noms i = 1, . . . , n sont en vie à la date
t + h, paie 0$, sinon. Il peut etre vu comme un contrat dassurance-vie ecrit
sur plusieurs tetes. Son prix à la date t est :
CB,n (t, t + h) = Et [Mt,t+h ni=1 1lYi>t+h ]
= Et hk=1 [Mt+k1,t+k ni=1 i,t+k1,t+k ]

= Et {exp[0 h + 0 nh + (10 + n10 )(Zt+1 + . . . + Zt+h )
+
n
X
0 (Zi,t+1 + . . . + Zi,t+h )]}.
i=1
Introduisons les transformees de Laplace conditionnelles des facteurs integres :

Et {exp[u0 (Zt+1 . . . + Zt+h )]} = exp[a(u, h)0 Zt + b(u, h)],
Et {exp[u0 (Zi,t+1 . . . + Zi,t+h )]} = exp[as (u, h)0 Zi,t + bs (u, h)],
o`
u lindice s repère les effets specifiques. Nous obtenons :
CB,n (t, t + h) = exp[0 h + 0 nh + a(1 + n1 , h)0 Zt + b(1 + n1 , h)

n
X
0
+as (, h)
Zi,t + nbs (, h)].
(7.14)
i=1
1
Les taux geometriques correspondants rB,n (t, t+h) = log CB,n (t, t+h)
h
sont fonctions affines des facteurs communs Zt et de lagregat des facteurs
n
X
Zi,t . On obtient donc aussi une structure par terme affine pour
individuels
i=1
les first-to-default basket.

Si les facteurs specifiques sont supposes independants dans le temps, la
formule se simplifie en :
7.3. MODELES
MULTIPERIODES
311
CB,n (t, t+h) = exp[0 h+0 nh+n bs (, h)+b(1 +n1 , h)+a(1 +n1 , h)0 Zt ].
Ceci permet de noter les effets differents de la taille n du panier selon
quils concernent les facteurs communs ou les facteurs specifiques.
ii) D
ecomposition du diff
erentiel de taux
Les principales formules de valorisation et de prevision conduisent toutes
à des representation affines, qui peuvent etre combinees pour obtenir des
decompositions des differentiels de taux. Considerons ainsi :
le prix du zero-coupon sans risque : B(t, t+h) = Et (Mt,t+h ), de taux associe
r(t, t + h) ;
le prix du first-to-default basket : CB,n (t, t + h) = Et (Mt,t+h ni=1 1lYi>t+h ),
de taux associe rB,n (t, t + h) ;
a
la valeur actuarielle du first-to-default basket : CB,n
(t, t+h) = Et (Mt,t+h )Et (ni=1 1lYi,>t+h ).
Le taux est r(t, t + h) + n (t, t + h), o`
u exp[hn (t, t + h)] est la prevision
de la survie jointe ;
la valeur actuarielle du CDS ecrit sur i : CDSia (t, t+h) = Et (Mt,t+h )Et (1lYi >t+h ).
Le taux associe est r(t, t+h)+i (t, t+h), o`
u exp[hi (t, t+h)] est la prevision
de la survie individuelle ;
Le differentiel de taux peut etre decompose sous la forme :
rB,n (t, t + h) r(t, t"+ h)
#
n
n
X
X
=
i (t, t + h) + n (t, t + h)
i (t, t + h)) + terme residuel.
i=1
i=1
La première composante mesure leffet marginal des defaillances, le second limpact des correlations de defaut historiques. Le dernier terme regroupe toutes les primes de risque dues aux liaisons entre facteur descompte
stochastique et intensite de defauts. Un exemple de telle decomposition est
donnee dans la Figure 7.2 [voir Gourieroux, Monfort, Polimenis (2006)]
312
Figure 7.2 : D
ecomposition du diff
erentiel de taux dun first-todefault basket
7.3. MODELES
MULTIPERIODES
313
REFERENCES
Cantor, R., et E., Falkenstein (2001) : Testing for Rating Consistency

in Annual Default Rate, Moodys /KMV.
Cathcart, L., et L., El Jahel (2006) : Pricing Defaultable Bonds : A
Middle Way Approach Between Structural and Reduced Form Models, Quantitative Finance, 6, 243-253.
Das, S., Duffie, D., Kapadia, N., et L., Saita (2005) : Common Failings :
How Corporate Defaults are Correlated, à paratre, Journal of Finance.
Davis, M., et V., Lo (2001) : Modelling Default Correlation in Bond
Portfolios, dans C. Alexander, ed., Mastering Risk, Vol 2 : Application,
141-151, Financial Times, Prentice Hall.
De Servigny, A., et O., Renault (2002) : Default Correlation : Empirical
Evidence, S&P, Octobre.
Duffie, D., Saita, L, et K., Wang (2004) : Multiperiod Corporate Failure Prediction with Stochastic Covariates, à paratre, Journal of Financial
Economics.
Foulcher, S., Gourieroux, C., et A., Tiomo (2004) : La structure par
terme des taux de defaut et ratings, Insurance and Risk Management, 72,
207-276.
Frey, R., et A., Mc Neil (2003) : Dependent Defaults in Models of Portfolio Credit Risk, Journal of Risk, 6, 59-62.
Giesecke, K. (2004) : Correlated Default with Incomplete Information,
Journal of Banking and Finance, 28, 1521-1545.
Gourieroux, C., et J., Jasiak (2006) : Econometrics of Individual Risks :
314
Credit, Insurance and Marketing, Princeton Univ. Press.

Gourieroux, C., et A., Monfort (2006) : Nonlinear Error-in-Factor Model, CREST DP.
Gourieroux, C., Monfort, A., et V., Polimenis (2006) : Affine Models for
Credit Risk Analysis, Journal of Financial Econometrics, 4, 494-530.
Jarrow, R., Lando, D., et F., Yu (2005) : Default Risk and Diversification :Theory and Applications, Mathematical Finance, 15, 1-26.
Jarrow, R., et F., Yu (2001) : Counterparty Risk and the Pricing of
Defaultable Securities, Journal of Finance, 56, 1765-1799.
Karoui, L. (2007) : Modeling Defaultable Securities with Recovery Risk,
Mc Gill University DP.
Kijima, M., et Y., Muromachi (2000) : Credit Events and the Valuation
of Credit Derivatives of Basket Type, Review of Derivatives Research, 4,
55-79.
Lando, D. (1998) : On Cox processes and Credit Risky Securities, Review of Derivatives Research, 2, 99-120.
Lando, D. (1994) : Three Essays on Contingent Claims Pricing, Ph. D
Thesis, Cornell Univ.
Li, D. (1999) : The Valuation of Basket Credit Derivatives, Credit Metrics Monitor, 2, 34-50.
Lucas, A., Klaassen, P. Spreij, P. et S., Staetmans (2001) : An Analytic Approach to Credit Risk of Large Corporate Bond and Loan Portfolio,
Journal of Banking and Finance, 25, 1635-1644.
Schonbucher, P. (1998) : Term Structure Modelling of Defaultable Bonds,
7.3. MODELES
MULTIPERIODES
315
Review of Derivatives Research, 2, 161-192.

Schonbucher, P., et D., Schubert (2001) :Copula-Dependent Default Risk
in Intensity Models, Bonn Univ. DP.
Yu, F. (2005) : Correlated Defaults in Intensity Based Models, Univ.
of California, Irvine, DP.
Zhou, C. (2001) : An Analysis of Default Correlation and Multiple Defaults, Review of Financial Studies, 14, 555-576.
316
7.4
7.4.1
Appendice
Lois marginale et conditionnelle
Etant donnes deux vecteurs aleatoires Y, Z, il faut distinguer dans lanalyse de Y :

i) la loi conditionnelle de Y sachant Z ;
ii) la loi marginale de Y .
La première tient compte de linformation contenue dans Z alors que la
seconde prevoit la variable en absence dinformation. Si nous notons g(y|z) et
g(y) les densites correspondantes (pour des variables continues), nous avons :
Z
g(y) =
g(y|z)f (z)dz,
(7.15)
o`
u f designe la loi marginale de Z. Cette relation entre les lois implique des
contraintes entre moments marginaux et conditionnels.
Dans le cas des moments dordre 1, il faut distinguer les esperances marginale E(Y ) et conditionnelles E(Y |Z). On a la relation ci-dessous.
Loi des esp
erances it
er
ees
EE(Y [Z) = EY.
De facon analogue, on peut examiner les matrices de variance-covariance
marginale V Y et conditionnelle V (Y |Z). On obtient la decomposition cidessous.
Equation danalyse de la variance
V Y = V E(Y |Z) + EV (Y |Z).
Cette decomposition implique V Y EV (Y |Z) au sens de lordre sur
7.4. APPENDICE
317
les matrices symetriques 2 . Ainsi V Yi EV (Yi |Z) pour toute composante

i. Labsence dinformation entraine en moyenne une plus grande incertitude, donc un plus grand risque. Cependant, linegalite entre Cov(Yi , Yj )
et E[Cov(Yi , Yj |Z)] peut etre dans un sens ou dans lautre. Avoir plus dinformation peut induire aussi bien une diminution quun accroissement de la
dependance entre risques selon le choix de la variable conditionnante Z.
Si A et B sont deux matrices symetriques, de meme taille (n, n), A B, si et seulement si u0 Au u0 Bu, u IRn .
318
7.4.2
Famille
equid
ependante de variables qualitatives
dichotomiques
Considerons une famille Y1 , . . . , Yn de variables qualitatives dichotomiques

avec une distribution jointe symetrique.
Proposition A.1 : La distribution jointe de Y1 , . . . , Yn est caracterisee par
n paramètres :
(1) = E(Y1 ), (2) = E(Y1 Y2 ), . . . , (n) = E(Y1 . . . Yn ).
Preuve : En effet, les probabilites jointes sont du type :
P [Y1 = 1, . . . , Yk = 1, Yk+1 = 0, . . . , Yn = 0]
= E[Y1 . . . Yk (1 Yk+1 ) . . . (1 Yn )]
nk
X
h=0
nk
X
h=0
nk
X
h=0
nk
h
nk
h
!
(1)h (k + h)
!
nk
h
(1)nkh (n h)
!
)
(1)nkh Lh [(n)]
= (1)nk nk (N ),
o`
u = 1 L et L designe loperateur retard tel que L(k) = (k 1). Le
resultat sen deduit.
QED
7.4. APPENDICE
319
Ces paramètres caracterisant la loi ne peuvent etre choisis arbitrairement,

mais sont soumis à certaines contraintes.
Proposition A.2 : Les moments croises (k), k = 1, . . . , n sont tels que :
(1)k k (n) 0, k = 0, . . . , n.
Preuve : Ceci resulte de la demonstration de la Proposition A.1 et de linterpretation des quantites comme des probabilites jointes.
QED
Si la taille de la population n = +, la condition signifie que la suite
k (k) est completement monotone ; on peut alors appliquer le theorème
de Hausdorff.
Proposition A.3 : Th
eor`
eme de Hausdorff
Etant donnee une suite k (k) completement monotone, cest-à-dire
satisfaisant la condition de la Proposition A.2 pour k = 0, 1, . . ., il existe une
distribution
de probabilite sur [0, 1], de fonction de repartition F , telle que :
Z
1
(k) =
wk dF (), k.
Ainsi les paramètres sinterprètent comme les moments puissance dune

loi sous-jacente. Considerons alors lexpression de la probabilite jointe (voir
la preuve de la Proposition A.1). Nous avons :
P [Y1 = 1, . . . , Yk = 1, Yk+1 = 0, . . . , Yn = 0]
= (1)k nk (n)
Z
(1)k nk (wn )dF (w)
=
0
wk (1 w)nk dF (w).
320
Comme k (1 )nk est lexpression de cette probabilite jointe si les

variables Y1 , . . . , Yn sont independantes, de meme loi de Bernoulli B(1, w),
nous en deduisons la propriete ci-dessous.
Proposition A.4 : Soit Y1 , . . . , Yn , . . . une suite de variables qualitatives
dichotomiques equidependantes. Il existe une variable aleatoire Z sur [0, 1],
de loi F , telle que les variables Y1 , . . . , Yn , . . . , soient independantes de meme
loi B(1, Z), conditionnellement à Z.
Il sagit dune representation factorielle à probabilite stochastique. La
forme des paramètres caracterisent la loi jointe montre quil est important de
considerer non seulement (1), (2), cest-à-dire la correlation de defaut, mais
aussi (3), (4) . . . , cest-à-dire le fait que des defaillances puissent survenir
en grappes (cluster) 3 par 3, 4 par 4.
Chapitre 8
RISQUE DE MIGRATION DE
NOTATION
Nous avons mentionne que le regulateur (et les marches) definissent des
populations homogènes de firmes en croisant pays, secteur dactivite et classe
de notation. Il existe une difference importante entre ces critères de segmentation : alors que pays et secteur dactivite sont des variables individuelles,
independantes de la date, la notation evolue avec le risque individuel. La
determination des reserves ou les calculs de risque de portefeuille sappuyant
sur une telle segmentation demandent de prevoir les positions futures des
firmes vis-à-vis des diverses classes de notation. Le but de ce chapitre est
danalyser le risque de migration entre segments. Nous commencons par rappeler les notions de chaine de Markov et de probabilite de transition. Nous
introduisons ensuite un modèle de base dans lequel il est possible de definir
les correlations de migration, extension de la notion de correlation de defaut
vue au chapitre 6 au cas de plusieurs classes de notation. Finalement, nous
presentons le modèle de migration stochastique et discutons les effets du cycle
daffaire.
321
322
CHAPITRE 8. RISQUE DE MIGRATION DE NOTATION
8.1
Chaine de Markov
Nous considerons dans la suite des historiques individuels de notation.

Pour chaque individu i (emprunteur, firme, credit) Yi,t , i = 1, . . . , n, t =
1, . . . , T... designe la notation à la date t. Cette notation est qualitative,
susceptible de prendre diverses modalites, notees dans la suite {1, . . . , K},
o`
u K designe le defaut. Un historique individuel se presente sous une forme :
BBB BBB A A A A A AA AA
qui se traduit dans notre modèle en :
4
3 3
3 2
dans le cas dune echelle de notation, qui crot avec le risque.

Chaque historique (Yi,t ), i donne, constitue une serie temporelle à valeurs
dans lensemble {1, . . . , K}. Consideres conjointement, lensemble des historiques individuels Yt = (Y1,t , . . . , Yn,t ) forme une serie temporelle de dimension n à valeurs dans lensemble {1, . . . , K}n . Bien que discret, cet ensemble
est très grand, K etant de lordre de 8 10, et pour des firmes par exemple
n de lordre de 2000 100 000 (10 000 pour les bases de donnees S&P et
Moodys qui concernent les grandes entreprises, 120 000 pour la base de la
Banque de France relative aux entreprises francaises). Il est de ce fait difficile
de specifier de facon directe la loi de Yt sachant son passe Yt1 .
8.1.1
D
efinition
Dans tout le chapitre, nous faisons lhypothèse suivante :

Hypoth`
ese H.1 : Les historiques (Yi,t ), i = 1, . . . , n sont des chaines de
Markov independantes, avec des matrices de transition t , pouvant dependre
de la date t, mais independantes de lindividu i.
Rappelons que le processus (Y1,t ), disons, forme une chaine de Markov, si
8.1. CHAINE DE MARKOV
323
la loi de Y1,t sachant Y1,t1 ne depend du passe quà travers lobservation la

plus recente Y1,t1 . Comme Y1,t1 et Y1,t ne peuvent prendre quun nombre
fini de valeurs, cette loi conditionnelle est caracterisee par les probabilites
elementaires :
k,l,t = P [Y1,t = l|Y1,t1 = k],
(8.1)
qui donnent les probabilit

es de transition des niveaux k vers les niveaux l
entre les dates t1 et t. Ces probabilites sont positives ou nulles, et somment
à 1 à notation initiale k fixee :
K
X
k,l,t = 1, k = 1, . . . , K.
l=1
Elles sont habituellement rassemblees dans une matrice t de taille (K,K).
8.1.2
Estimation des probabilit

es de transition
Considerons alors deux dates consecutives t 1 et t. Les notations de

ces deux dates (Yi,t1 , Yi,t ), i = 1, . . . , n forment des couples independants,
identiquement distribues (sous lhypothèse H.1). Ils peuvent servir à calculer :
i) la structure par notation à la date t 1, cest-à-dire Nk,t1 , k = 1, . . . , K,
o`
u Nk,t1 est le nombre dindividus dans la classe de notation k à la date
t 1;
ii) les nombres de migrations de k vers l entre t 1 et t, notes Nk,l,t .
Si la taille n de la population est grande, nous pouvons appliquer la loi
des grands nombres et deduire :
Nk,t1 /n P [Yi,t1 = k],
Nk,l,t /n
P [Yi,t = l, Yi,t1 = k].
Prenant le rapport de ces quantites, nous voyons que :
324
k,l,t = Nk,l,t /Nk,t1 P [Yi,t = l|Yi,t1 = k] = k,l,t .
(8.2)
Ainsi les frequences de transition calculees par moyennage date par date
sont des estimateurs convergents des vraies probabilites de transition sousjacentes. De telles approximations sont actuellement mises à disposition pour
les firmes par les principales agences de rating, avec un pas de temps annuel.
Un exemple de telle matrice est donne dans le Tableau 8.1.
Tableau 8.1 : Matrice de transition `
a 1 an
7
6
5
4
3
2
1
0
7
0.7155
0.1226
0.0169
0.0085
0.0011
0.0000
0.0000
0.0000
6
0.0979
0.5977
0.2544
0.0600
0.0413
0.0114
0.0076
0.0000
5
0.0241
0.1031
0.4232
0.2519
0.0924
0.0509
0.0317
0.0000
4
0.0113
0.0321
0.1145
0.3517
0.2450
0.1500
0.0544
0.0000
3
0.0031
0.0187
0.0477
0.1223
0.2934
0.2500
0.1903
0.0000
2
0.0002
0.0022
0.0079
0.0297
0.0755
0.1640
0.1224
0.0000
1
0.0002
0.0008
0.0025
0.0109
0.0339
0.0842
0.1813
0.0000
0
0.0002
0.0011
0.0026
0.0070
0.0200
0.0307
0.0650
1.0000
NR
0.1474
0.1216
0.1305
0.1579
0.1974
0.2588
0.3474
0.0000
On verifie que les probabilites dune meme ligne somment à 1. Par ailleurs,
la dernière ligne correspond au defaut et comporte des zeros et une probabilite
egale à 1 ; ceci traduit le fait que letat de defaut est absorbant, cest-à-dire
quune firme ne peut renatre sous la meme forme après un defaut. La matrice
presentee dans le Tableau 8.1 nest pas carree, mais comporte une colonne
supplementaire, qui donne les proportions de firmes pour lesquelles le rating
na pu etre calcule par manque dinformation. Ces non-reponses peuvent se
produire pour plusieurs raisons :
i) une agence de rating peut ne disposer des informations detaillees sur le
bilan dune firme, que si celle-ci la choisit pour noter une emission dobligations plutot quune de ses concurrentes. Ces non-reponses et leurs evolutions
dans le temps reflètent alors les parts de marches des agences de notation
selon les divers niveaux de risque.
8.1. CHAINE DE MARKOV
325
ii) Une firme peut ne pas fournir linformation, soit quelle veuille cacher
des elements defavorables, soit que ceci ne lui paraisse pas prioritaire dans sa
situation actuelle. Ce dernier cas semble frequent pour les firmes en difficulte,
qui considèrent comme plus urgent le fait de resoudre leur difficultes.
La proportion de non-reponse est assez importante entre 10 % et 30 %.
Elle est plus elevee pour les petites entreprises et pour les mauvaises notations.
De facon à retrouver une matrice de transition plus standard, les nonreponses sont reallouees de facon proportionnelle aux autres classes de notation, conduisant à une matrice de transition ajustee. On suppose ainsi que les
non-reponses nentrainent pas de biais de s
election. Les matrices de transition ajustees ont une forme particulière avec des probabilites significatives
sur la diagonale principale et les deux diagonales adjacentes, ainsi que pour
les transitions vers le defaut partant dune mauvaise notation. Ceci traduit
le comportement de notation des agences. Les agences hesitent à modifier le
niveau de notation, sans certitude dune amelioration ou dune degradation.
Il est rare dobserver des changements de rating de plus de deux echelons au
cours dune annee. De tels changements consecutifs ne se produisent que lors
dun risque de defaillance mal prevu pour lagence, qui tente alors de corriger
rapidement son erreur. Ceci explique la particularite de la dernière colonne.
326

Tableau 8.2 : Matrice de transition ajust
ee `
a 1 an
7
6
5
4
3
2
1
0
7
0.8392
0.1396
0.0194
0.0101
0.0014
0.0000
0.0000
0.0000
8.1.3
6
0.1148
0.6804
0.2925
0.0713
0.0514
0.0154
0.0116
0.0000
5
0.0282
0.1174
0.4867
0.2991
0.1152
0.0686
0.0486
0.0000
4
0.0133
0.0366
0.1316
0.4177
0.3053
0.2024
0.0833
0.0000
3
0.0036
0.0213
0.0549
0.1452
0.3656
0.3373
0.2917
0.0000
2
0.0003
0.0025
0.0090
0.0352
0.0940
0.2213
0.1875
0.0000
1
0.0003
0.0009
0.0029
0.0130
0.0422
0.1136
0.2778
0.0000
0
0.0003
0.0013
0.0030
0.0084
0.0249
0.0414
0.0995
1.0000
Test dhomog
en
et
e
t des matrices sous-jacentes t , on peut

Disposant dapproximations
se demander si ces matrices de transition sont vraiment variables dans le
temps, cest-à-dire tester lhypothèse H0 = {t = , independant de t}.
Ces tests degalite ont ete appliques aux donnees de Standard & Poors et
Moodys et ont immediatement montre que lhypothèse nulle de matrice de
transition constante devait etre rejetee. Cette verification constitue la condition necessaire avant de proposer dans le paragraphe suivant un modèle à
transition stochastique.
8.2
Corr
elation de migration
Le modèle etudie dans le paragraphe 8.1.2 est cependant peu utilisable. En

effet, disposant dobservations des historiques de notation jusquà la date T ,
nous voudrions prevoir levolution future du risque, cest-à-dire YT +1 , . . . , YT +H .
Or rien ne dit pour linstant comment passer des matrices de transition
t , t = 1, . . . , T à celles des dates suivantes. Comme nous ne pouvons raisonnablement supposer que ces matrices sont constantes dans le temps [voir
le paragraphe 8.1.3], nous devons introduire un modèle pour leur evolution.

8.2. CORRELATION
DE MIGRATION
327
Ceci revient à supposer que la suite des matrices de transition constitue un

processus stochastique, ou, dans la terminologie des chapitres precedents, à
interpreter le modèle de migration comme un modèle à facteurs, o`
u les facteurs seraient les elements des matrices de transition. Le nombre de facteurs
est alors important. Ainsi lorsque K = 10, il y a 81 facteurs en tenant compte
des sommations à 1 par ligne et du fait que la dernière ligne est connue.
8.2.1
Mod`
ele de base
Le modèle le plus simple repose sur lhypothèse suivante :

Hypoth`
ese H.2 : i) Les historiques (Yi,t ), i = 1, . . . , n sont des chaines
de Markov independantes, avec des matrices de transition identiques t ,
conditionnellement à la suite (t ).
ii) Les matrices de transition (t ) sont independantes, de meme loi.
La première partie de lhypothèse est simplement lhypothèse H.1, dans laquelle nous insistons sur le fait que les proprietes dindependance et dequidistribution des historiques sont conditionnelles aux matrices de transition (t ).
La seconde partie de lhypothèse dit quil ny a pas de dependence temporelle
entre matrices de transition, et donc que la dynamique des notations vient
de la propriete Markovienne sachant (t ).
8.2.2
Migrations jointes
Lintroduction de transitions stochastiques communes aux divers individus cree la dependance entre les historiques. Plus precisement, nous avons la
propriete ci-dessous montree dans lAppendice 8.1 [voir Gagliardini, Gourieroux (2005) b, Feng et al. (2007)].
Proposition 8.1 : Sous lhypothèse H.2, le processus joint des historiques
Yt = (Y1,t , . . . , Yn,t )0 est un processus de Markov homogène de matrice de
transition :
328
Pn = E[ t ],
o`
u designe le produit de Kronecker
des matrices.
Cette propriete est valable pour toute taille de population n. De sorte que
chaque processus individuel, (Y1,t ) disons, est Markov dordre 1 de matrice
de transition P1 de taille (K, K), de terme general pkk . De meme, chaque
couple de processus, (Y1,t , Y2,t ) disons, est Markov dordre 1 de matrice de
transition P2 de taille (K 2 , K 2 ), de terme general pkk ,ll .
Lexpression de la matrice Pn permet de calculer facilement les probabilites de migration jointe 2 par 2, 3 par 3, . . . Ainsi, nous avons :
pkk
= P [Yi,t = k |Yi,t = k]
= E(k,k ,t ),
pkk ,ll = P [Yi,t = k , Yj,t = l |Yi,t = k, Yj,t = l]

= E[k,k ,t l,l ,t ].
On en deduit les corr
elations de migration des firmes 2 à 2. Nous
avons :
kk ,ll = Corr 1lYi,t =k , 1lYj,t =l |Yi,t1 = k, Yj,t1 = l
E(k,k ,t l,l ,t ) E(k,k ,t )E(l,l ,t )

{E(k,k ,t )[1 E(k,k ,t )]}1/2 {E(l,l ,t )[1 E(l,l ,t )]}1/2
Cov (k,k ,t , l,l ,t )

.
{pk,k (1 pk,k )}1/2 {pl,l (1 pl,l )}1/2
Le produit de Kronecker A B des matrices A et B est la matrice admettant une

decomposition par blocs aij B.

8.2. CORRELATION
DE MIGRATION
329
Ces quantites sont facilement estimees de facon convergente, lorsque les

dimensions individuelle n et temporelle T sont grandes [Gagliardini, Gourieroux (2005)a]. Il suffit de noter que :
pk,k
T
1X
k,k ,t ,
T t=1
T
1X
(
k,k ,t
l,l ,t )
T t=1
kk ,ll
Bien que faciles à calculer et à utiliser pour prevoir les distributions des
notations futures dans la population, les correlations de migration (estimees)
sont generalement presentees de facon partielle sous forme de tables. Il existe
en effet un grand nombre de correlations de migration, egal à K 3 (K + 1)/2
dans le cas de K classes de rating. Ceci explique quà titre dillustration sont
generalement fournis des tableaux de correlations de taille (K, K) insistant
sur certains types de migration :
i) celles correspondant à des baisses de rating dun echelon, k,k+1,l,l+1 ;
ii) celles correspondant à des ameliorations de rating dun echelon, k,k1,l,l1 ;
iii) celles donnant les correlations de defaut k,K,l,K .
De telles tables sont fournies ci-dessous.
330

Tableau 8.3 : Corr
elations de migration : baisse de rating
7
6
5
4
3
2
1
0
7
0.0021
0.0013
0.0011
0.0008
0.0006
0.0000
0.004
6
0.0013
0.0011
0.0010
0.0011
0.0009
0.0007
0.0003
5
0.0011
0.0010
0.0016
0.0019
0.0017
0.0016
0.0003
4
0.0008
0.0011
0.0019
0.0027
0.0024
0.0026
0.0010
3
0.0006
0.0009
0.0017
0.0024
0.0024
0.0025
0.0011
2
0.0000
0.0007
0.0016
0.0026
0.0025
0.0034
0.0011
1
0.0004
0.0003
0.0003
0.0010
0.0011
0.0011
0.0031
Tableau 8.4 : Corr

elations de d
efaut
7
6
5
4
3
2
1
0
7
0.0004
0.0002
0.0002
0.0000
0.0000
0.0000
0.0000
6
0.0002
0.0004
0.0002
0.0002
0.0002
0.0000
0.0000
5
0.0002
0.0002
0.0003
0.0001
0.0002
0.0001
0.0003
4
0.0000
0.0002
0.0001
0.0003
0.0002
0.0002
0.0005
3
0.0000
0.0002
0.0002
0.0002
0.0006
0.0003
0.0009
2
0.0000
0.0000
0.0001
0.0002
0.0003
0.0006
0.0000
1
0.0000
0.0000
0.0003
0.0005
0.0009
0.0000
0.0031
De facon generale, ces correlations de migration sont très petites, de

lordre de 0.003. Ceci nest pas surprenant : il sagit de correlations conditionnelles prenant en compte des caracteristiques des firmes, ici la classe de notation à laquelle chacune appartient. Lorsque ces caracteristiques sont informatives sur la notation future ce qui est ici le cas, la correlation conditionnelle
est significativement plus faible en valeur absolue que la correlation marginale (voir la discussion dans lAppendice 7.1). Le fait que ces correlations de
migration conditionnelles soient faibles ne signifient cependant pas quelles

8.2. CORRELATION
DE MIGRATION
331
doivent etre negligees. Elles peuvent influer par exemple de facon significative
sur la forme de la structure par terme du risque.
8.2.3
Corr
elation de d
efaut dans la directive europ
eenne
Une formule de correlation de defaut a ete suggeree par le regulateur et

reprise dans le projet de directive europeenne [Annexe VI, paragraphe 1.1]
à partir dun modèle de type Merton, cest-à-dire probit avec un facteur
gaussien latent (voir Chapitre 6). La correlation latente pour deux firmes
appartenant à la meme classe k est supposee telle que :
kk = 0.24 + 0.12
1 exp(50P Dk )
,
1 exp(50)
o`
u P Dk est la probabilite de defaut dans la classe k. On en deduit la facon
dont la correlation de defaut depend de la classe :
Z
kK,kK =
1 (P Dk )
1 (P Dk )
1
exp(x2 2kk xy + y 2 )dxdy
2
2 1 kk
P Dk (1 P Dk )
p
P DK /(1 P Dk ).
La correlation latente est supposee fonction decroissante de la probabilite
de defaut, variant de 0.36 pour une probabilite de defaut egale à 1, à 0.24
pour une probabilite de defaut nulle. Cette monotonie nest plus valable,
lorsquon considère la correlation de defaut elle-meme (voir Figure 8.1).
332
0.25
0.05
0.2
0.04
default correlation
default correlation
Figure 8.1 : Corr

elation de d
efaut en fonction de la probabilit
e de
d
efaut
0.15
0.1
0.05
0.03
0.02
0.01
0.2
0.4
0.6
default probability
0.8
0.02
0.04
0.06
0.08
0.1
default probability
Il est important dexaminer si ce modèle suggère par le regulateur est

compatible avec les donnees disponibles, par exemple celles du Tableau 8.5.
En considerant la diagonale de ce tableau et notant que les valeurs de la
probabilite de defaut sont assez petites, on observe bien une croissance de la
correlation. Plus les individus sont risques, plus il y a correlation de defaut.
Mais des differences importantes apparaissent.
i) Le regulateur suppose implicitement quune correlation de defaut ne
peut exister que si les deux firmes ont la meme notation initiale, et met implicitement à zero les correlations de migration qui se trouvent hors diagonale
sur le Tableau 8.5. Ceci na aucune raison detre et ces correlations sont du
meme ordre de grandeur que celles figurant sur la diagonale.
ii) Surtout les valeurs de reference 0.24, 0.12 sont bien superieures aux
valeurs reellement observees conduisant à une surestimation importante du
risque de correlation et des reserves.
Fixer par directive, decret ou loi, les valeurs de paramètres, qui peuvent
par ailleurs etre estimes, est evidemment une pratique, qui ne peut se justifier
que dans une approche standard de calcul des reserves. Cette surestimation
très importante de la correlation de defaut entraine une penalisation des
DE MIGRATION
8.3. DYNAMIQUE DES PROBABILITES
333
institutions adoptant cette approche et peut etre vue comme une incitation
forte à adopter une approche avancee.
8.3
8.3.1
Dynamique des probabilit

es de migration
Evolution des probabilit
es de migration
Lhypothèse H.2 à la base des definitions et calculs des correlations de

migration (voir Appendice 8.2 pour une extension de ces notions) nest cependant pas satisfaite en pratique. Ceci est visible, lorsquon considère les
evolutions de ces probabilites estimees, très differentes de trajectoires de
suite de variables independantes, identiquement distribuees [voir Figure 8.2].
Chaque figure correspond à une classe de risque initiale et concerne les probabilites de degradation pour les Etats-Unis, S&P. Les cercles fournissent
ces probabilites pour le secteur commerce de gros et les losanges pour le
commerce de detail.
La dependance temporelle est confirmee, lorsque les autocorrelations correspondant à ces series de probabilites de transition sont calculees. Ces autocorrelations prennent des valeurs pouvant atteindre 0.7-0.8, montrant que
lhypothèse dindependance temporelle est rejetee.
8.3.2
Mod`
eles dynamiques autor
egressifs
Une première classe de modèle dynamique repose sur lecriture de modèles

autoregressifs compatibles avec les contraintes des probabilites de transition.
Consideronspour simplifier
! le cas K = 2 et une matrice de transition du
11,t 12,t
, avec 11,t + 12,t = 1, 11,t > 0, 12,t > 0. Il suffit
type :t =
0
1
de specifier la dynamique de la probabilite 11,t en assurant quelle reste à
valeurs dans lintervalle (0,1). Deux specifications ont ete considerees dans la
litterature, et sont presentees dans le cas dun ordre autoregressif egal à 1.
334
Figure 8.2 : Evolution de probabilit

es de transition
class 7
0.3
class 6
0.25
class 5
0.3
0.25
0.25
0.2
0.2
0.2
0.15
0.15
0.15
0.1
1992 1994 1996 1998 2000
0.1
1992 1994 1996 1998 2000
class 3
0.1
1992 1994 1996 1998 2000
class 2
0.3
class 1
0.15
0.2
0.18
0.16
0.25
0.2
0.1
0.14
0.12
0.1
1992 1994 1996 1998 2000
0.15
1992 1994 1996 1998 2000
0.05
1992 1994 1996 1998 2000
DE MIGRATION
335
i) Mod`
ele logistique autor
egressif
Il est du type :
log
11,t
1 11,t
= a log
11,t1
1 11,t1
+ b + ut ,
o`
u (ut ) est un bruit blanc gaussien. La transformation logit log[/(1
)] est introduite pour transformer la probabilite en une variable à valeur
reelle. Ce type de dynamique est introduit dans lapproche Mc Kinsey du
risque de credit (voir chapitre 9).
ii) Processus de Jacobi
Une autre specification repose sur un modèle en temps continu. Le processus (11,t ) est suppose satisfaire lequation diffusion :
q
d11,t = (a11,t + b)dt +
11,t (1 11,t )dWt ,
(8.3)
o`
u (Wt ) est un mouvement brownien standard. La fonction de translation
a11,t +b est affine, et la forme specifique de la volatilite assure que le processus
de Jacobi reste à linterieur de lintervalle (0,1). Les proprietes de ce processus
et de son extension à une matrice de transition de taille quelconque sont
decrites dans Gourieroux, Jasiak (2005). Une telle version en temps continu
se revèle adaptee pour des valorisations de derives de migration effectuees en
temps continu [voir e.g. Albanese et alii (2003)].
8.3.3
Mod`
ele `
a facteur dynamique
Cependant les specifications qui paraissent actuellement les plus adaptees

reposent sur des modèles de transition à facteur latent, o`
u le facteur presente
une dependance serielle. Nous decrivons ci-dessous cette approche pour un
mod`
ele probit `
a facteur dynamique [voir Gagliardini, Gourieroux (2005)b,
Feng, Gourieroux, Jasiak (2006)].
336
Le modèle commence par specifier la dynamique dun score quantitatif

latent si,t . On suppose que pour une entreprise i dont la notation de debut
de periode est yi,t1 = k, ce score peut secrire :
si,t = k + k0 Zt + k i,t ,
(8.4)
i,t , i = 1, . . . , n, t = 1, . . . , T sont des variables gaussiennes centrees reduites

independantes, Zt des facteurs latents independants du bruit. Lequation
(8.4) fournit la loi conditionnelle des scores quantitatifs sachant les valeurs
des facteurs Zt et les notations des firmes Yi,t1 . Leffet des notations apparat
par les coefficients dependant de la classe de notation, avec des effets croises
des deux types de variables explicatives par lintermediaire de k0 Zt .
La notation yi,t à la fin de la periode se deduit du score quantitatif sousjacent par discretisation mod`
ele `
a barri`
ere. Plus precisement, nous avons :
Yi,t = l, si et seulement si Cl < si,t < Cl+1 ,
(8.5)
o`
u C1 , . . . , CK1 sont des seuils. Conditionnellement à la trajectoire du facteur Zt , les historiques de notation satisfont lhypothèse H.1 avec :
k,l,t =
Cl+1 k k0 Zt
k
Cl k k0 Zt
k
(8.6)
o`
u designe la fonction de repartition de la loi normale centree reduite. Il
sagit dune specification, o`
u chaque ligne de la matrice de transition correspond à un mod`
ele probit ordonn
e (voir), avec variable explicative Zt , et
des paramètres pouvant etre communs aux diverses lignes à cause des seuils
Cl . Le modèle est complete en se donnant la dynamique des facteurs, par
exemple en supposant que ceux-ci satisfont un processus VAR(1) gaussien :
Zt = AZt1 + ut , ut IIN (0, Id),
(8.7)
o`
u la moyenne du facteur peut etre mise à 0 et la matrice de variancecovariance du bruit prise egale à lidentite, les facteurs etant identifiables
à une transformation affine près.
DE MIGRATION
337
Le système (8.6) - (8.7) definit un modèle à facteur dynamique non

lineaire, pour lequel existe des methodes generales destimation des paramètres
et de recherche du facteur sous-jacent (Zt ) (filtrage) [voir Gourieroux, Jasiak
(2001)]. Cependant, ce modèle dynamique peut etre analyse de facon plus
simple, si le nombre de firmes n est grand. Remarquons en effet que :
Cl k k0 Zt
,
= k, Zt ) =
k
k,l,t
= P (Yi,t < l|Yi,t1
(8.8)
)=
1 (k,l,t
Cl k k0 Zt
.
k
(8.9)
Ainsi, une transformation non lineaire adequate des probabilites de transition permet dobtenir une fonction lineaire affine des variables Zt .
Introduisons alors lequivalent empirique

k,l,t
de k,l,t
calcule à partir des
donnees en coupe. Nous savons que

k,l,t k,l,t (Loi des grands nombres)
et que n(
k,l,t k,l,t ) est approximativement gaussien (Theorème central
limite). Appliquant la delta-methode, nous avons pour n grand :
Cl k k0 Zt
1/2
1 (
k,l,t
)=
+ kl,t vkl,t ,
k
k
Zt = AZt1 + ut ,
(8.10)
o`
u les variables vkl,t sont asymptotiquement gaussiennes centrees, reduites.
Le système non lineaire initial (8.6)-(8.7) est remplace par une representation
espace-etat lineaire approchee (8.10), à laquelle peut etre applique le filtre
de Kalman pour à la fois filtrer, cest-à-dire deduire des approximations des
valeurs non observables du facteur, et estimer les paramètres. Il a ete etabli
[Gourieroux, Monfort (2006)] que, si les dimensions n et T sont grandes,
cette pratique fournit des estimateurs equivalents aux estimateurs du maximum de vraisemblance, avec des vitesses de convergence differentes selon
les paramètres consideres. Les facteurs Zt reconstitues à partir des donnees
en coupe sont approches à la vitesse 1/ n ; les paramètres k , k , k , Cl
338
beneficient de toutes les observations et sont estimes à la vitesse 1/ nT ;

le paramètre A, qui caracterise la dynamique du facteur lest à la vitesse
1/ T .
8.3.4
Effets de cycle
Il est connu depuis longtemps que le taux de defaillance des entreprises

est une variable fortement correlee au cycle daffaire (business cycle). Les
probabilites de defaillance ont tendance à etre plus elevees en fin de periode
dexpansion et debut de periode de recession, plus faibles en fin de periode
de recession et debut de periode dexpansion. Cet effet est très visible sur
la figure 8.2, o`
u les tendances decroissantes observees sur les probabilites de
transition doivent sinterpreter en se souvenant que la periode dobservation
correspond à une phase tout à fait particulière du cycle daffaire.
Cette relation avec le cycle induit des non stationnarites, qui peuvent etre
prises en compte de deux facons.
Une partie de la litterature introduit letat du cycle, comme variable
explicative des probabilites de migration [voir e.g. Nickell, Perraudin, Varotto
(2000), Bangia et al. (2002)]. Cette approche permet de mesurer leffet du
cycle. Elle presente cependant deux defauts :
i) Le modèle ne peut etre utilise dans une optique dynamique, cest-àdire pour prevoir la structure de risque à horizon superieur à 1 an, car il faut
savoir comment prevoir letat futur dans le cycle.
ii) La definition ad-hoc du cycle par le NBER par exemple nest pas
forcement la plus adequate pour lanalyse des defaillances. En fait, il existe
vraisemblablement des definitions appropriees du cycle selon le type de problème.
Le cycle de defaillance pour le credit hypothecaire nest pas necessairement
le meme que celui pour les credits aux entreprises. Ce dernier peut dependre
du secteur dactivite...
Une approche alternative introduit des facteurs inobservables dans le
modèle de migration, deduit des approximations des valeurs sous-jacentes
DE MIGRATION
339
des facteurs par filtrage non lineaire, puis compare ex-post ces facteurs reconstitues à des indicateurs de cycle [voir Gagliardini, Gourieroux, (2005)b,
Feng, Gourieroux, Jasiak (2007)]. Une telle analyse plus approfondie permet de mieux comprendre les relations entre cycles et migrations. En fait
letude des migrations conduit à considerer un grand nombre de migration,
qui se distinguent par la classe de risque initial et par le sens de migration,
degradation ou amelioration du rating. Ceci permet de mieux analyser les
decalages temporels entre ces series (degradation d ou amelioration u) et la
serie de cycle sous-jacente (taux de croissance I). En fait, les migrations correspondant aux classes risquees sont des indicateurs avances du cycles, mais
le sens de causalite est inverse pour les migrations provenant des classes peu
risquees (voir Tableau 8.5)
Tableau 8.5 :Mesures des causalit
es entre migrations et taux de
croissance (France, donn
ees Banque de France)
CId
CdI (1)
CdI (2)
CdI (3)
CIu
CuI
7
10.51
1.18
1.54
2.39
6
5.62
0.44
1.86
5.12
2.27
0.34
5
5.79
0.08
0.02
2.74
8.97
1.38
4
5.79
0.47
0.14
3.51
6.72
1.38
3
7.27
1.47
0.52
3.07
7.96
1.52
2
4.68
3.25
2.43
2.12
7.69
2.36
1
0.47
1.02
3.10
5.79
0.44
0.36
340

REFERENCES
Albanese, C., Campolieti, G., Chen, O., et A., Zavidonov (2003) : Credit
Barrier Models, Risk Magazine, 16, 109-113.
Albanese, C., et O., Chen (2006) : Implied Migration Rate from Credit
Barrier Models, Journal of Banking and Finance, 30, 607-626.
Altman, E. (1997) : Rating Migration of Corporate bonds : Comparative
Results and Investor/Lender Implication, Mimeo, Salomon Brothers, NewYork.
Altman, E., and D., Kao (1992) : The Implications of Corporate Bond
Ratings Drift, Financial Analyst Journal, 64-75.
Bangia, A., Diebold, F., Krominus, A., Schlagen, C., et T., Schuermaun
(2002) : Ratings Migration and Business Cycle with Application to Credit
Portfolio Stress Testing, Journal of Banking and Finance, 26, 445-474.
Brady, B., Vazza, D. et R., Bos (2003) : Ratings Performance 2002 :
Default, Transition, Recovery and Spreads, telechargeable sur le site web de
Standard & Poors.
Carty, L., (1997) : Moodys Rating Migration and Credit Quality Correlation, 1920-1996, Moodys Investor Service, Juillet.
Couderc, F., and O., Renault (2004) : Time-to-Default : Life Cycle,
Global and Industry Cycle Impacts, DP Geneva Univ.
Feng, D., Gourieroux, C., et J., Jasiak (2007) : The Ordered Qualitative
Model for Credit Rating Transition, à paratre Journal of Empirical Finance.
Foulcher, S., Gourieroux, C., et A., Tiomo (2004) : Term Structure of
DE MIGRATION
341
Defaults and Ratings, Insurance and Risk Management, 72, 207-276.

Foulcher, S., Gourieroux, C., et A., Tiomo (2006) : Latent Variable Approach to Modelling Dependence of Credit Risk : Application to French Firms
and Implication for Regulatory Capital, Annales dEconomie et de Statistique, à paratre.
Gagliardini, P., et C., Gourieroux (2005)a : Migration Correlation : Definition and Consistent Estimation, Journal of Banking and Finance, 29,
865-894.
Gagliardini, P., et C., Gourieroux (2005)b : Stochastic Migration Models, Journal of Financial Econometrics,3, 169-187.
Gourieroux, C., et J., Jasiak (2001) : Dynamic Factor Models, Econometric Reviews, 20, 385-424.
Gourieroux, C., et J., Jasiak (2005) :Multivariate Smooth Transitions
Jacobi Process with Application, Journal of Econometrics, 131, 475-505.
Gourieroux, C., and A., Monfort (2004) : Error in Factor Model, CREST
DP.
Kijima, M., et K., Komoribayashi (1998) : A Markov Chain Model for
Valuing Credit Risk Derivatives, Journal of Derivatives, 6, 97-108.
Kijima, M., Komoribayashi, K., et E., Suzuki (2002) : A Multivariate
Markov Model for Simulating Correlated Defaults, Journal of Risk, 4, 1-32.
Lando, D., et T., Skodeberg (2002) : Analyzing Rating Transition and
Rating Drift with Continuous Observations, Journal of Banking and Finance, 26, 423-444.
Loffler, G. (2004) : An Anatomy of Rating Through the Cycle, Journal
of Banking and Finance, 28, 695-720.
342
Nickell, P., Perraudin, W., et S., Varotto (2000) : Stability of Rating

Transitions, Journal of Banking and Finance, 24, 203-227.
Rosch, D. (2003) : Correlations and Business Cycles of Credit Risk :
Evidence from Bankruptcies in Germany, Financial Markets and Portfolio
Management, 17, 30-331.
8.4. APPENDICE
8.4
8.4.1
343
Appendice
Propri
et
e de Markov du processus de rating joint
Pour simplifier la presentation, supposons n = 2 et calculons :

P [Y1,t = k , Y2,t = l |Y1,t1 , Y2,t1 ]
= EP [Y1,t = k , Y2,t = l |Y1,t1 , Y2,t1 , (Zt )]|Y1,t1 , Y2,t1 ]
= E[P (Y1,t = k |Y1,t1 , Zt )P (Y2,t = l |Y2,t1 , Zt )|Y1,t1 , Y2,t1 ],
daprès lhypothèse H.2. Nous en deduisons que :
P [Y1,t = k , Y2,t = l |Y1,t1 , Y2,t1 ]
ne depend des notations passees quà travers Y1,t1 , Y2,t1 , cest-à-dire que le
processus joint (Yt ) est un processus de Markov. Par ailleurs, nous avons :
P [Y1,t = k , Y2,t = l |Y1,t1 = k, Y2,t1 = l] = E[k,k ,t l,l ,t ].
344
8.4.2
Transitions jointes dans le cas g

en
eral
Supposons maintenant les facteurs temporellement dependants. Zt nest

plus independant de Y1,t1 , Y2,t1 . Le calcul de lAppendice 8.1 devient :
P [Y1,t = k , Y2,t = l |Y1,t1 = k, Y2,t1 = l, Y1,t2 , Y2,t2 ]
= E[k,k ,t l,l ,t |Y1,t2 , Y2,t2 ].
Le processus joint nest plus Markovien et les correlations de migration
dependent de tout lhistorique passe des notations, pas seulement des notations en debut de periode. Cette extension sapplique en particulier aux
correlations de defaut introduites dans les procedures usuelles, qui supposent
implicitement les facteurs temporellement independants.
Chapitre 9
METHODOLOGIES DES
FIRMES DE SERVICE
Nous avons vu dans le Chapitre 1 que la nouvelle regulation Bale II
met en place tout un système de mesure et de controle des risques à la fois
harmonise et assez transparent. Dans cette demarche les banques peuvent
sous-traiter divers aspects concernant les bases de donnees, la determination
des notations ou se procurer des modèles standard danalyse et de gestion des
risques. Elles le font en faisant appel à des firmes specialisees, dont les donnees
ou procedures proposees doivent elle memes etre validees par le regulateur.
Ces firmes dont le but premier, commercial, est dacquerir des parts de
marche concernant les methodes de notation ou lanalyse des risques vont
souvent proposer des procedures coherentes, assez avancees, et ont clairement
joue un role positif en creant une forte incitation à ameliorer les efforts de
collecte de donnees, les modèles existants ou le niveau de la regulation.
De nombreux modèles ont aussi ete developpes par les firmes de service
pour mesurer le risque de credit sur les portefeuilles de prets des banques et
etablissements de credit. Ce chapitre presente les principales approches proposees pour lanalyse du risque de credit notamment CreditMetricsT M proposee par J.P. Morgans, PortfolioManagerT M proposee par KMV, CreditRisk+T M
proposee par le Credit Suisse First Boston et CreditPortfolioViewT M pro345
346
CHAPITRE 9. METHODOLOGIES DES FIRMES DE SERVICE
posee par McKinsey.

La competition entre les firmes de service vis-à-vis des banques et du
regulateur les a souvent conduit à presenter des modèles très tot, quitte à
ce quils ne soient pas aboutis et à les modifier après de facon ad-hoc pour
palier certains de leur defauts. Ces modèles ont ete construits de facon assez
pragmatique et nont pu au debut sappuyer sur une litterature academique
assez inexistante. De plus, laspect commercial les a conduit à introduire
des terminologies propres (souvent sous copyright) et des sous-procedures
specifiques, egalement brevetees, de facon à se creer des niches.
Nous allons replacer ces approches par rapport aux principes generaux
presentes dans les chapitres precedents. Nous allons principalement discuter
lesprit general de chacun des modèles proposes et presenter quelques unes des
sous-procedures specifiques ayant obtenu un certain succès auprès des clients,
au sens o`
u ceux-ci essayent souvent de les reproduire en les ameliorant dans
la construction de leurs propres modèles internes.
Il est important dans la presentation de distinguer les modèles, qui sappuient sur le modèle de valeur de la firme, comme PortfolioManager et CreditMetrics. Ces modèles utilisent des donnees de marches actions pour calibrer certains paramètres du modèle, sinteressent au portefeuille dans son
ensemble et beaucoup moins aux risques individuels. Les approches CreditRisk+ et CreditPortfolioView sont plus proches de modèles de scoring, sappuient beaucoup plus sur des donnees de defaillance et sinteressent moins à
la valorisation du portefeuille, au sens o`
u cette valeur est calculee de facon
actuarielle. Ces diverses approches sappliquent essentiellement aux portefeuilles dobligations et de prets de gre-à-gre aux entreprises.
Nous terminons le chapitre par une discussion des procedures qui devraient etre utilisees pour comparer de tels modèles concurrents.
9.1. PORTFOLIOMANAGER (MOODYS/KMV)
9.1
347
PortfolioManager (Moodys/KMV)
La firme KMV proposait initialement une mise en oeuvre du modèle de

valeur de la firme de Merton pour analyser les differentiels de taux observes
sur les obligations dentreprise. Du fait de la mise en place de la nouvelle
regulation, la firme a etendue cette approche à dautres types de credits et
derives de credit. Notamment, après sa fusion avec Moodys, elle a introduit
dans son modèle de base des effets des notations. Le coeur du modèle est
actuellement une boite noire, o`
u il est difficile de voir comment lapproche
de valeur de la firme a pu etre rendue compatible avec la procedure de calcul
de rating de Moodys. Nous commencons par rappeller la vision KMV du
modèle de Merton (voir aussi Chapitre 4). Puis nous considerons le moteur
de corr
elation dactifs (asset correlation) introduit par cette firme pour
correler de facon plus complexe les risques individuels.
9.1.1
Calcul des probabilit

es de d
efaut individuelles
La methode suivie par KMV met en regard levolution de la valeur de

marche des actifs dune entreprise et de ses dettes, et considere quune firme
fait defaut quand la valeur de marche de ses actifs est insuffisante pour payer
ses dettes.
La première etape consiste à evaluer la valeur de marche des actifs et leur
volatilite qui sont inobservables. A cette fin, KMV propose dutiliser la valeur
de marche des capitaux propres et leur volatilite comme approximation de
la valeur de marche des actifs et de leur volatilite en sappuyant sur deux
relations (voir paragraphe 4.5.3.) :
Le niveau des fonds propres suppose egal à la valeur dune option dachat
sur les actifs de la firme,
La relation theorique entre la volatilite observable de la valeur des
capitaux propres et la volatilite inobservable de la valeur des actifs de la
firme.
Ainsi, avec deux equations et deux inconnues, il est possible dobtenir une
348
solution pour le couple (At , A,t ).

Pour les entreprises cotees sur le marche, la valeur de marche des fonds
propres et leur volatilite peuvent etre consideres observables. Pour les entreprises non cotees en revanche ce nest pas le cas. Dans sa version Private
Firm Model introduite pour ce type dentreprises, KMV deduit la valeur
des fonds propres dune firme non cotee de celle de firmes cotees comparables.
Plus exactement, le ratio (Ebitda1 /fonds propres) est estime sur les entreprises cotees pour etre ensuite applique aux entreprises non cotees. KMV
reconnat que cette technique ne fonctionne pas pour certains secteurs, notamment ceux pour lesquels le lien Ebitda- fonds propres est inexistant (institutions financières par exemple). Par ailleurs, cette methode na ete testee que
sur des donnees nord-americaines, ce qui incite à une certaine prudence lors
de son application aux cas dentreprises europeennes. Finalement, lEbitda,
qui permettait une autre presentation des bilans, parfois plus favorable, a ete
interdite dutilisation dans certains pays.
Une fois la valeur des actifs estimee, KMV calcule une distance au defaut
(DD) presentee comme la distance entre la valeur attendue des actifs à horizon fixe (un an par exemple) et le point de defaut (K) , exprimee en termes
decart-type de la valeur future des actifs A .
La distance au defaut est un indice de risque individuel, qui est ensuite
retranscrit en terme de probabilite de defaut, notion plus parlante pour lutilisateur. Theoriquement, cette probabilite de defaut se deduit par une relation
explicite provenant du modèle de Merton. La confrontation avec les scores
de Moodys a montre que cette probabilite reconstituee etait sensiblement
differente de celle observee historiquement. Ceci provient en grande partie
du fait que le modèle de Merton, très simpliste, est mal specifie. Le système
actuel effectue ex-post une correction pour se rapprocher des frequences observees. Soulignons toutefois que la table de passage a ete construite à partir
1
LEbitda (Earnings before Interest, Taxes, Depreciation and Amortization) peut etre
considere comme un indicateur de la rentabilite economique de la firme. LEbitda est
proche de la notion dexcedent brut dexploitation dans les pratiques francaises.
349
de donnees nord-americaines seulement, 2 cest-à-dire pour principalement

des firmes americaines et des prix dactifs exprimes en dollar ; ceci appelle
à une certaine prudence quand la methode est appliquee à des firmes europeennes par exemple, avec des evaluations exprimees en Euro.
9.1.2
Le moteur de corr
elation
Une caracteristique interessante du modèle KMV est la facon dintroduire la correlation des risques. La demarche repose sur un modèle de Merton ecrit pour plusieurs actifs et dans lequel divers facteurs peuvent induire
une dependance entre risques (lorsquils sont inobservables) : des facteurs
generaux, des facteurs regionaux, des facteurs sectoriels.
Le modèle de valeur de la firme etant un modèle à variables latentes
lecriture factorielle peut etre directement introduite sur les rendements des
actifs des firmes, et comme ces derniers sont a priori quantitatifs, aussi bien
positifs que negatifs, une representation factorielle lineaire est suffisante. De
plus, elle peut etre estimee de facon directe dès que les valeurs des actifs ont
ete reconstituees. Il sagit donc dune analyse factorielle lineaire standard,
dont nous allons rappeler les principes avant de discuter la demarche suivie par KMV. La litterature statistique distingue habituellement plusieurs
types decritures factorielles, selon que les facteurs sont ou non observables,
consideres comme statiques ou dynamiques (voir e.g. Gourieroux, Jasiak
(2001), chapitre 9).
i) Mod`
ele statique non contraint
Dans le modèle de Merton initial, les rendements des actifs sont supposes independants, identiquement distribues selon une loi normale. Dans
ce contexte les correlations marginales et les correlations conditionnelles des
rendements coincident. Elle peuvent etre estimees par leur contrepartie em2
Voir Bohn, Crosbie (2003), paragraphe 3.3, et la section intitulee Are the default
probabilities applicable across countries and industries ?.
350
pirique. On parle destimation historique ou par moyennage des correlations.

ii) Mod`
ele statique `
a facteurs
Considerons comme auparavant des rendements independants, identiquement distribues yt , t = 1, . . . , T. La matrice de variance-covariance des rendements V (yt ) = comprend en pratique un grand nombre delements et il
est necessaire de la structurer. Une approche classique consiste à supposer
que :
yt = 0 + 0 Zt + t ,
(9.1)
o`
u K facteurs Zt sont introduits. On suppose habituellement que les vecteurs
(0t , Zt0 )0 sont independants de meme loi tels que Et = 0, EZt = 0, V t =
2 Id, V Zt = Id, Cov(t , Zt ) = 0. Sous ces hypothèses, la matrice de variancecovariance des rendements est la somme dune matrice diagonale et dune
matrice de rang reduit :
0
= 0 + 2 Id = 10 1 + . . . + K
K + 2 Id.
(9.2)
Les divers paramètres , 2 , ainsi que les valeurs des facteurs peuvent etre
estimees en utilisant une d
ecomposition `
a valeurs singuli`
eres (Singular
Value Decomposition ou SVD).
iii) Mod`
ele `
a facteur observable et d
ecomposition factorielle du
terme derreur
Ce modèle secrit :
yt = 0 Xt + ut ,
(9.3)
o`
u les variables explicatives Xt sont supposes observables et le terme derreur
iid independant des variables Xt , admettant une ecriture factorielle statique :
ut = 0 Zt + t .
(9.4)
351
Dans ce modèle, il faut distinguer diverses matrices de variance-covariance

des rendements :
la matrice de variance-covariance marginale est :
V (yt ) = 0 V (Xt ) + 0 + 2 Id;
la matrice de variance-covariance sachant Xt secrit :
V (yt |Xt ) = 0 + 2 Id.
la matrice de variance-covariance à horizon plus grand est donnee par :
V (yt |Xth ) = 0 V (Xt |Xth ) + 0 + 2 Id.
Le calcul de ces derniers types de variance-covariance demande une analyse de la dynamique des variables explicatives et est generalement effectue
par simulation.
Les divers paramètres du modèle sont approches par une methode en deux
etapes :
etape 1 : Regression de yt sur Xt , pour en deduire les estimateurs des

moindres carres ordinaires et les residus destimation ut .
etape 2 : Application dune decomposition en valeur singulière sur les residus

(
ut ) pour en deduire les estimateurs ,
2 et les approximations des valeurs
Zt des facteurs statiques non observables.
iv) Mod`
eles `
a facteurs dynamiques
Un exemple simple de tel modèle est :
yt = 0 + 0 Zt + t ,
(9.5)
o`
u le processus des facteurs non observables satisfait la dynamique :
Zt = AZt1 + ut ,
(9.6)
352
avec des erreurs (0t , u0t )0 independantes, de loi gaussienne centree. Ce modèle
peut etre estime et les valeurs des facteurs non observables reconstituees
en employant un filtre de Kalman lineaire. Le filtre peut aussi etre utilise
pour prevoir les valeurs futures des rendements pour tout horizon h [voir e.g.
Gourieroux, Monfort (1996), chapitre 15].
Toutes ces approches sont assez simples demploi et peuvent etre mises
en oeuvre à partir de logiciels standards.
La procedure developpee par KMV dans Global Correlation Model
semble relever dun modèle à facteurs observables (voir Zeng, Zhang (2001)]
Le risque de chaque firme est dans un premier temps decompose en un
risque systemique 0 Xt et un risque idiosyncratique, cest à dire specifique
à la firme, t . Dans un deuxième temps, le risque idiosyncratique est lui
meme decompose de facon à faire apparatre des risques pays et des risques
industrie [Das, Ishii (2001) a,b]. De facon plus precise, il est suppose des
correlations constantes entre entreprises dun meme pays, et constantes entre
deux firmes de deux pays differents donnes pour le risque pays par exemple. Il
sagit dune approche o`
u les vecteurs k , dont les composantes caracterisent
lappartenance à un pays donne sont connus a priori.
Finalement, les risques de chacune des entreprises sont exprimes en fonction de 14 facteurs communs independants : 2 facteurs Economie globale
, 5 facteurs regionaux, 7 facteurs sectoriels, et 2 facteurs de risque idiosyncratiques correspondant à un Risque Pays (45 pays) et un Risque Industrie
(61 Industries).
Le rendement de chaque actif peut alors etre exprime comme une combinaison multifactorielle lineaire ponderee des facteurs fondamentaux, plus
une partie idiosyncratique. En limitant ainsi les facteurs de risques pris en
compte, KMV reduit considerablement le nombre de correlations à estimer.
Peu dinformation est fournie sur les modes de calcul des facteurs Xt , Zt ,
et sur la dynamique supposee des facteurs Xt , dynamique dont la specification
est necessaire pour les problèmes de prevision. Cependant, clairement les premiers facteurs communs sont des rendements dindice de marche standards.
9.2. CREDITMETRICST M (JP MORGANS)
353
Lapproche suivie presente diverses limitations. Les premières sont liees

au manque de coherence entre les procedures utilisees :
lanalyse factorielle est effectuee sur des donnees de rendements dactif
reconstituees, sans que les erreurs de reconstitution soient prises en
compte ;
elle suppose des effets de variables explicatives, ce qui est incompatible
avec le modèle de Merton, qui sert de base à cette reconstitution et o`
u
les rendements sont supposes iid ;
elle ne tient pas compte de lheteroscedasticite conditionnelle observee
lors de la reconstitution des volatilites A,t .
Les secondes limitations sont liees à la sensibilite des resultats aux donnees
utilisees. Bien que la base utilisee concerne 27 000 firmes de 40 pays et 61
secteurs dactivite, ceci ne represente en moyenne quune firme par pays
secteur dactivite. De plus la base est très desequilibree comportant une forte
proportion dentreprises americaines, entre 80 % et 50 % durant la periode.
Les resultats concernant les pays Europeens, le Japon... sont de ce fait peu
precis.
Finalement, il faut signaler que les analyses factorielles ont ete systematiquement
effectuees à partir de rendements exprimes en dollars. Ceci explique que les
premiers facteurs des decompositions soient relatifs au marche americain (par
exemple le premier correspond à un indice S&P). Ces decompositions ne
sont pas transposables facilement aux rendements exprimes en Euros. En
effet, il aurait fallu pour cela conduire lanalyse factorielle non sur les seuls
rendements dactifs exprimes en dollar, mais sur ceux-ci completes des series
devolution des taux de change. Ceci ne semble pas avoir ete fait par la firme.
9.2
CreditMetricsT M (JP Morgans)
Le modèle CreditMetrics a ete introduit en 1997 par JP Morgans pour

mesurer le risque de credit et valoriser les portefeuilles dactifs non negociables
tels que les prets et obligations privees. Son objectif est de permettre aux
354
etablissements de credit devaluer la valeur future de leur portefeuille et non

plus seulement destimer leurs pertes potentielles. En ce sens, il sagit dun
modèle de transition et non plus de defaut. Dans la suite, nous parlerons donc
de probabilite de transition et non plus de probabilite de defaut, le defaut
netant quune des transitions possibles. Essentiellement concentre sur une
evaluation des risques au niveau dun portefeuille, la procedure ne propose
pas de technique devaluation des probabilites de defaut individuelles. En pratique, levaluation des probabilites de transition se fait au niveau des classes
de risque (rating) et non au niveau individuel, ce qui implique que toutes les
firmes dune meme classe sont supposees porter le meme risque.
Pour etablir la valeur future dun portefeuille, le modèle se base sur des
matrices de transition (fournies par exemple par des agences de notations
telles que Moodys ou Standard & Poors) (voir chapitre 8). Plus precisement,
les probabilites de transition futures sont supposees egales à la moyenne
historique des probabilites de transition. Un tel système ne peut donc pas
prendre en compte les chocs potentiels pouvant affecter les probabilites de
transitions. Par ailleurs, ces matrices ne tiennent pas compte des correlations
de migration des differents titres. La première etape de la methode consiste
à etablir des matrices de transition integrant les correlations. Une fois creees,
ces matrices de transition permettront via une procedure iterative et après
une etape de valorisation que nous ne developperons pas ici, dobtenir une
distribution de la valeur future du portefeuille, et donc den calculer la VaR.
Les matrices de transition tenant compte des correlations sont calculees
à partir des probabilites de transition date par date, supposees connues. En
se basant sur le modèle de Merton, il est possible de determiner les seuils
de passage dune classe de risque à lautre. Dans lapproche structurelle,
une firme fait defaut lorsque la valeur de marche de ses actifs est inferieure
au niveau de ses dettes. Par extension, il est considere quune entreprise
change de classe de risque quand la valeur de marche de ses actifs passent
en dessous dun certain seuil. Ces seuils de transition dun rating à un autre
sont inconnus, mais peuvent etre estimes.
9.2. CREDITMETRICST M (JP MORGANS)
355
Les probabilites de transition sont specifiees selon un modèle probit ordonne pour chaque classe de rating initiale, du type (8.4)-(8.6), mais sans
facteurs. Ces probabilites dependent de deux types de paramètres : ceux
decrivant levolution des valeurs des actifs et les seuils permettant de caracteriser les classes de risque.
Les paramètres sont estimes en deux temps. Les paramètres caracterisant
la dynamique de la valeur de lactif sont estimees à partir des series de valeurs
des fonds propres (equity). Les seuils sont ensuite estimes par calibrage sur les
matrices de transition observees après substitution des paramètres donnant
la dynamique des valeurs de lactif par leur estimation de première etape.
Une fois les seuils de transition determines pour chaque classe de risque
initiale, il est necessaire destimer les correlations des taux de rendement.
Nous ne reviendrons pas sur cette etape dans la mesure o`
u la technique proposee est proche de celle de KMV, lobjectif etant toujours de reduire le
nombre de correlations à estimer via la mise en avant de facteurs communs
de risque . Toutefois, contrairement à ce qui est fait par KMV, JP Morgans ne deduit pas la valeur de marche des actifs de la valeur de marche des
capitaux propres et calcule directement les correlations entre les valeurs de
marche des capitaux propres. A partir des ces estimations, il est alors possible
de generer des taux de rendement tenant compte des correlations. Toutefois,
lutilisation des correlations des valeurs des fonds propres comme approximation des correlations des valeurs des actifs dans le calcul des correlations de
defaut a fait lobjet de critiques et les tests empiriques semblent remettre en
cause cette pratique. Ainsi par exemple, dans leur etude o`
u ils comparent les
correlations des fonds propres et des actifs pour differents secteurs et pour des
firmes issues de classes de risque differentes, Zen et Zhang (2002) montrent
que pour certains secteurs et pour les firmes mal notees, cest-à-dire pour les
plus risquees, les correlations des actifs sont superieures aux correlations des
fonds propres. En utilisant ces dernières, CreditMetrics tend à sous-estimer
les correlations de defaut.
CreditMetrics presente le meme type de limitations que le modèle KMV :
356
manque de coherence entre le modèle de Merton et les procedures Moodys

ou S&Ps de calcul des probabilites de migration, methode peu efficace destimation en plusieurs etapes des paramètres, et surtout correlations dactifs
mesurees en dollar sans possibilite simple de changer lunite monetaire.
9.3
CreditRisk+T M
Fondamentalement, CreditRisk+ est un modèle de risque de defaut, cest

à dire un modèle à deux etats, dans lequel seule la survenance du defaut est
prise en compte. La procedure sappuie alors sur des techniques actuarielles
pour modeliser la distribution des pertes et donc neffectue pas de correction
pour risque. Dans cette modelisation, aucune hypothèse nest faite sur les
causes du defaut. Conditionnellement à certains facteurs de risque, les defauts
individuels sont supposes independants et identiquement distribues selon une
loi de Bernoulli. La probabilite individuelle de defaut, elle-meme aleatoire est
decrite par un modèle à facteurs. Les correlations entre defauts sont prises
en compte via la dependance des probabilites de defaut individuelles à un
ensemble de facteurs communs (voir Proposition 7.3). Les facteurs introduits
dans CreditRisks+ sont de forme très simple. Le portefeuille est divise en
plusieurs sous-portefeuilles, chacun relatif par exemple à un secteur dactivite
donne. Pour chaque secteur, le taux de defaillance est suppose aleatoire de
loi gamma [Section A.7 du manuel CreditRisk+). Cette loi gamma 3 admet
deux paramètres, qui peuvent etre calibres sur les moyennes et variabilites
des taux de defaillance observes dans le passe.
Contrairement aux modèles developpes par KMV et JPMorgans, CreditRisk+ est peu co
uteux en termes de donnees. Ainsi, le modèle derive à
partir de la probabilite de defaut par classes de risque, les probabilites de
defaut individuelles de chaque contrepartie. Les probabilites de defaut pour
un portefeuille donne sont ensuite obtenues en suivant la methodologie à
3
Noter que la loi gamma a un support (0, ) strictement plus grand que lensemble
des valeurs possibles [0, 1] dune probabilite de defaillance ! !
9.4. CREDITPORTFOLIOVIEW
357
deux periodes decrite dans le paragraphe 7.2.1. A partir de ces probabilites

et connaissant lexposition de chaque contrepartie, cest à dire le montant de
pertes en cas de defaut, la distribution des pertes actuarielles potentielles est
finalement calculee. 4
Ainsi, Credit Suisse First Boston propose une methodologie devaluation
des pertes potentielles dun portefeuille, relativement peu co
uteuse en terme
de donnees. Seules lexposition par contrepartie et la probabilite de defaut par
rating sont en effet necessaires. Par ailleurs, dans cette approche les pertes
actuarielles peuvent etre totalement calculees analytiquement, ce qui evite
les problèmes de precision lies aux simulations.
Cette approche presente cependant deux limitations importantes.
i) Les facteurs introduits dans le modèle de risque de defaut sont des
facteurs statiques, ce qui nuit à la flexibilite du modèle pour approcher les
structures par terme de differentiels de taux.
ii) Des effets de correlations entre secteurs ne semblent pas introduits.
iii) La partie valorisation, qui repose sur une approche actuarielle, neglige
les primes de risque. Ceci peut conduire à une sous-estimation de la valeur
future du portefeuille et donc à une surestimation des pertes, sans que lon
connaisse limportance de cette surestimation.
9.4
CreditPortfolioView
La methodologie de calcul de la VaR dans CreditMetricsT M suppose les

probabilites de transition stables sur le cycle economique et entre types de
contreparties. Cette hypothèse de stabilite est contraignante et de recentes
etudes ont montre que des changements de rating dependaient de letat du
cycle economique5 . Ces evidences indiquent que les probabilites de degradation
du rating et de defaut des entreprises sont plus elevees en periode de recession
quen periode de croissance economique. Il existe trois facons de prendre en
4
5
Cf. Section A.10 du manuel CreditRisk+ pour plus de precisions à ce propos.

voir Nickell, Perraudin et Varotto (2000), Wilson (1997a, 1997b) et paragraphe 8.3.4.
358
compte les facteurs de cycle et leurs effets : la première approche consiste à

diviser la periode passee en annees de recession et annees de croissance et de
calculer deux matrices de transition (une pour les periodes de recession, et une
pour les periodes de croissance economique) ; ceci permet dobtenir deux VaR
distinctes. La deuxième facon consiste à modeliser directement la relation
entre les probabilites de transition et des facteurs macro-economiques influant
sur le cycle, puis quand un modèle est valide, de simuler levolution des probabilites de transition dans le temps en generant des chocs macroeconomiques.
La troisième approche considère un modèle à facteurs non observables, dont
la dynamique presente des aspects cycliques.
La deuxième approche est adoptee par McKinsey dans CreditPortfolioView. Cette methodologie, bien quelle soit decrite ici comme un modèle
de risque de credit, ne propose pas devaluer les pertes ou la valeur future dun portefeuille. Contrairement aux modèles presentes precedemment,
CreditPortfolioViewT M se limite à la première etape de lanalyse du risque,
à savoir la prevision de probabilites de defaillance futures.
Plus concrètement, McKinsey a propose un modèle econometrique multiperiodes en temps discret pour mesurer le risque de defaut dun emprunteur (ou dun groupe demprunteurs), dans lequel les probabilites de defaut
dependent de variables macro-economiques, dont certaines sont des variables
financières qui permettent de construire un proxy de letat de leconomie.
Ce sont par exemple le niveau des taux dinteret, le taux de croissance de
leconomie, le taux de chomage, le niveau des depenses de lEtat,

et le taux
depargne agrege. Cette modelisation constitue une reponse à une evidence
empirique montrant que les cycles de credit et les cycles economiques sont
lies (voir la discussion au chapitre 8).
Cette approche a lavantage de la disponibilite des series macroeconomiques,
ce qui nest pas toujours le cas pour les donnees necessaires aux autres
modèles. Elle sapplique très bien aux contreparties de la categorie speculative,
car ces dernières sont plus sensibles aux cycles de credit et plus dependantes
des variables macro-economiques [voir Wilson (1997 a,b) et les discussions
9.4. CREDITPORTFOLIOVIEW
359
du chapitre 8].
Quoiquil soit interessant de capter limpact des variables macro-economiques
sur le risque de credit des entreprises, le choix de la forme du modèle propose
par McKinsey semble ad hoc et ne garantit pas necessairement sa superiorite
par rapport à dautres modèles de scoring.
Le modèle de scoring introduit dans CreditPortfolioView considère des populations homogènes en terme de risque (secteur dactivite/ region geographique/classe
de risque). Pour chacune de ces populations, la defaillance pour un horizon
donne (disons 1 an) est decrite par lintermediaire dun modèle logit avec
des variables explicatives macroeconomiques. De facon plus precise, pour un
emprunteur i de la population j, j = 1, . . . , J, on suppose :
Pj,t [defaillance de i] =
1
.
1 + exp[j,0 + Zt0 j + jt ]
La probabilite conditionnelle de defaillance depend de variables macroeconomiques

observables et de termes derreurs supposes independants des variables macro, temporellement independants et tels que t = (1t , . . . , Jt )0 N (0, ).
Ainsi des correlations de defaut, à conditions macroeconomiques donnees,
sont introduites par lintermediaire des correlations entre termes derreur.
Ce modèle est calibre à partir de donnees de defaillance. Il a ete etendu en
introduisant des valeurs retardees des probabilites de defaillance parmi les
variables explicatives. Il est alors preferable de transformer prealablement
ces probabilites par une transformation logit de facon à les ramener dans
(, +) [voir Gourieroux, Jasiak (2006)b, Chapitre 11].
Bien quil soit interessant de mesurer limpact des variables macro-economiques
sur le risque de credit, le choix de la specification proposee par McKinsey
suppose, pour pouvoir prevoir les probabilites de defaut futures, danticiper correctement levolution des variables macro-economiques, ce qui est loin
detre facile.
Dans la mise en oeuvre du modèle proposee par McKinsey, les diverses
variables macroeconomiques sont ainsi supposees suivre des processus gaussiens autoregressifs dordre deux, sans causalite directionnelle entre variables.
360
Curieusement, ces dynamiques retenues ne presentent pas de composantes cycliques, ce qui etait pourtant le but du modèle. Cependant, il faut noter que
CreditPortfolioView est lun des premiers modèles de scoring introduisant
des dependances entre risques et il constitue la base des modèles ameliores
presentes dans les chapitres 7 et 8.
9.5
Comparaison des m
ethodologies
Dans les paragraphes precedents, nous avons brievement decrit les methodologies proposees par les diverses firmes de service en discutant particulièrement
le type de moteur de correlation utilise. Il est important de bien comprendre
le domaine dapplication de chacune des methodologies, les donnees disponibles quelle suppose, et de relever les manques de coherence interne des
procedures. Ceci est une etape importante de lanalyse de ces procedures,
de la reproduction et amelioration de certaines de leurs composantes pour
introduire dans les modèles internes.
Ainsi la discussion des paragraphes precedents conduit à un tableau comparatif des modèles actuellement proposes. Ils se distinguent par les donnees
utilisees : donnees de marche, donnees de defaillance, matrices de transition ; par le fait quil sinteressent à la prevision des defaillances et/ou à
la valeur du portefeuille ; par le type de facteurs introduits : observables
avec des interpretations financières, observables avec des interpretations macroeconomiques, inobservables statiques ou inobservables dynamiques ; par le
type de modelisation probit ou logit des probabilites de defaut [voir Tableau
9.1].

9.5. COMPARAISON DES METHODOLOGIES
361
Table 9.1 : Tableau comparatif
Donnees de
marche
Donnees de
defaillance
Matrices
de transition
prevision de
defaillance
individuelle
valeur du
portefeuille
facteurs
financiers
observables
facteurs
macroobservables
facteurs
statiques
inobservables
facteurs
dynamiques
inobservables
probit
logit
KMV
CreditMetrics
CreditRisk+
CreditPortfolioView
oui
oui
dans le calibrage
sur donnees Moodys
oui
non
non
non
oui
oui
non
oui
non
non
oui
non
oui
oui
oui
oui
actuarielle
actuarielle
oui
non
non
non
vraisemblalement
non
non
secteurs
oui
oui
oui
non
oui
non
non
non
non
oui
non
oui
non
non
oui
non
oui
En comparant à la partie centrale du livre, on note que les avancees

plus recentes comme lintroduction systematique de facteur inobservables
dynamiques ou les modèles à intensite nont pas encore eu le temps detre
integrees dans ces systèmes.
Cependant, il faut bien realiser quune modelisation mal specifiee, mal
estimee et/ou presentant de fortes incoherences peut malgre tout donner des
362
resultats raisonnables au niveau de la prevision des risques dun portefeuille.

Il faut donc preferer à des analyses partielles des composantes des modèles
des comparaisons effectuees sur le resultat final, qui nous interesse. Par
exemple, plutot que de comparer divers moteurs de correlations dactifs pour
lanalyse des rendements dactifs (voir e.g Zeng, Zhang (2001) b), il vaut
mieux les comparer sur leur capacite à prevoir les valeurs futures dun portefeuille de credits et de derives de credit. En fait, le moteur de correlation
est une composante dun système plus global de prevision. Il est possible que
des erreurs importantes sur le moteur de correlation soient compensees par
des erreurs en sens contraire sur le reste du système de prevision.
Le but de ce paragraphe est de discuter les facons danalyser la qualite
de previsions produites par des systèmes de type boite-noire, o`
u la structure
du modèle, les procedures destimation, les mises à jour continuelles des paramètres.. sont peu connues. La litterature academique sur ce sujet etant très
recente [Diebold, Mariano (1995), Giacomini, White (2006), Gourieroux, Liu
(2007)], nous nen donnerons que les principales idees.
Comparer les qualites des modèles de prevision du risque proposes par les
firmes de service et par les banques est lun des roles principaux du regulateur.
Il est important de rappeler comment il procede actuellement. Ses interventions comportent deux aspects : ex-ante il verifie les modèles internes,
cest-à-dire leur existence, leur adaptation au problème, leur coherence, la
qualite des bases de donnees et des calibrages effectues 6 . Ex-post, il sassure que les reserves proposees par la banque etaient suffisantes. Pour cela, le
regulateur calcule par exemple ex-post sur une certaine periode, le pourcentage de dates, o`
u les reserves se sont revelees insuffisantes et le compare au
seuil requis disons 5%. Il a ete realise recemment quune telle pratique standard a certaines limitations. Ainsi deux banques peuvent avoir une frequence
ex-post de depassement des reserves identiques, mais lune des banques des
6
Implicitement, il verifie aussi certaines des procedures proposees par les firmes de
service, lorsque celles-ci ont ete integrees dans un modèle interne, et leur coherence avec
ce modèle.

363
dates de depassement equireparties, la seconde des dates de depassement

consecutives. Clairement, la situation de la seconde banque o`
u les pertes
peuvent se cumuler est beaucoup plus risquee. Par ailleurs, le fait davoir des
pertes ne nous renseigne pas sur limportance de la perte. Il est actuellement
propose dans la litterature academique de tenir compte de ces situations en
modifiant les critères de comparaisons de modèles. Les modèles audites etant
tous mal specifies, il nest pas question de les analyser par des methodes
usuelles supposant labsence derreur de specifications, type test du rapport
de vraisemblance.
La comparaison des modèles de prevision doit sappuyer
i) sur une definition precise du critère utilise ;
ii) sur le fait que ce critère est conditionnel à lenvironnement et non
marginal.
Le premier aspect a ete pour la première fois introduit par Diebold, Manano (1995) ; le second est apparu plus recemment [Giacomini, White (2006),
Gourieroux, Jasiak (2006), a].
i) Crit`
ere sous-jacent
Nous avons vu au chapitre 1 la determination des reserves à partir de la
VaR, cest-à-dire dun quantile conditionnel. Ce quantile peut etre vu comme
une variable de controle zt fixee de facon optimale. Elle est habituellement
associee au critère :
(t, zt ) = Et (yt+1 zt )+ + (1 )(yt+1 zt ) ,
(9.7)
o`
u yt designe loppose de la valeur du portefeuille à la date t et le niveau
critique retenu. Ce critère pondère deux types de pertes. Il attribue le poids
aux ecarts resultant dun niveau trop faible des reserves (yt+1 > zt ), et un
poids 1, si les reserves sont trop elevees et lecart yt+1 zt inutilement non
investi de facon profitable. En effet la minimisation du critère (9.7) conduit
à la condition du premier ordre :
364
Et [1lzt <yt+1 ] + (1 )Et [1lzt >yt+1 ] = 0

= Pt (zt > yt+1 ),
ce qui est lequation definissant le quantile conditionnel dordre .
De facon plus generale, on connat toutes les fonctions critères dont la
solution est un tel quantile conditionnel [Gourieroux, Monfort (1995), Vol 1,
paragraphe 8.5.4]. Elles secrivent :
(t, zt ) = Et [A(yt+1 ) A(zt )]+ + (1 )[A(yt+1 ) A(zt )] ,

o`
u A est une fonction croissante. Ainsi, la comparaison de diverses methodes
de fixation des reserves doit specifier le critère sous-jacent, cest-à-dire le
niveau , qui pondère les deux types de risque, et la fonction A qui sous-ou
surpondère les risques extremes.
ii) D
ecomposition du crit`
ere
Les approches proposees par les banques ou les firmes de service sont
evidemment loin detre optimales. Plutot que de comparer directement les
niveaux de reserve proposes zt au niveau optimal, il vaut mieux le faire par
lintermediaire des valeurs prises par le critère. Celui-ci se decompose en :
(t, zt ) = (t, zt ) + ((t, zt ) (t, zt )),
o`
u la seconde composante mesure le manque doptimalite. Dans le cas du
critère standard (9.7), il est facile de verifier que :
(t, zt ) =
Et [(yt+1 zt )+ |yt+1 > zt ] + Et [(yt+1 zt ) |yt+1 < zt ]
= (1 )[T ailV aRt+ () + T ailV aRt ()].
(9.8)
Lorsque le niveau propose de reserve est proche de loptimal, on a [Gourieroux, Liu (2007)] :

1
zt zt )2 ,
(t, zt ) (t, zt ) ' ft [Ft1 ()](
2
365
(9.9)
o`
u ft [resp. Ft ] designe la densite [resp. fonction de repartition] conditionnelle
de yt+1 .
La decomposition precedente montre que la seule etude de lecart contre
zt et zt fournit peu dinformation sur le niveau du critère lui meme. Le terme
correctif fait intervenir le facteur ft [Ft1 ()], qui peut etre plus ou moins
proche de zero selon les valeurs des variables conditionnantes. Par ailleurs,
le manque doptimalite (t, zt ) (t, zt ) doit etre ramene à la valeur de
reference (t, zt ). Celle-ci fait intervenir les niveaux de risque au-dessus de la
VaR du fait de lecriture en terme de TailVaR et est vraisemblablement très
fluctuante dans le temps. Intuitivement, des ecarts defavorables du niveau de
reserve ne doivent pas etre interpretes de la meme facon selon que la periode
consideree correspond à une faible ou à une forte volatilite du portefeuille.
En fait une analyse approfondie ne devrait pas se contenter danalyser la
seule serie des ecarts zt zt , mais surtout devrait comprendre les evolutions
jointes de (t, zt ) et (t, zt ) (t, zt ).
iii) Comparaison de deux approches de fixation des r
eserves
La demarche decrite ci-dessus demande que la personne, ou le controleur
verifiant la qualite du modèle, soit elle meme capable de calculer le niveau optimal zt . Ceci peut paratre difficile pour la regulation actuelle. En revanche,
le regulateur est confronte à diverses propositions de niveau de reserve pour
un meme portefeuille et peut essayer de voir si lune de ces propositions
est meilleure quune autre. Considerons deux procedes de calcul de reserves
z1,t , z2,t , disons. Lhypothèse à etudier est :
H0 = { la procedure 1 est preferable à la procedure 2 }
366
= {Et [(yt+1 z1,t )+ + (1 )(yt+1 z1,t ) ]

Et [(yt+1 z2,t )+ + (1 )(yt+1 z2,t ) ]}.
Cette dernière inegalite doit etre verifiee pour tout environnement possible à la date t. Elle peut etre reecrite en terme desperances marginales
en introduisant des instruments gt , fonctions de linformation disponible à la
date t :
H0 = {E[gt {(yt+1 z1,t )+ + (1 )(yt+1 z1,t ) }]

E[gt {(yt+1 z2,t )+ + (1 )(yt+1 z2,t ) }],
(9.10)
pour tout instrument positif gt }

Cette ecriture detaillee de lhypothèse à la base de la comparaison fait
mieux comprendre lerreur habituellement commise. En effet, la pratique
standard consiste à tester si E[(yt+1 z1,t )+ + (1 )(yt+1 z1t ) ] est
inferieur à E[(yt+1 z2,t )+ + (1 )(yt+1 z2,t ) ], cest-à-dire à comparer les moyennes historiques des valeurs de la fonction critère avec les deux
procedes. De facon equivalente, cette demarche ne considère quun seul instrument gt = 1. Dautres instruments doivent imperativement etre introduits.
On peut ainsi considerer des indicateurs de letat du cycle ou de phase de
fortes volatilites. Dans cet esprit, il a ete suggere [voir Gourieroux, Jasiak
(2006)a] de retenir comme instruments les valeurs retardees du critère :
(yt z1,t1 )+ + (1 )(yt z1,t1 ) , (yt z2,t1 )+ + (1 )(yt z2,t1 ) ,
afin de tenir compte des effets de grappes des risques extremes.

367
REFERENCES
Bohn, J., et P., Crosbie (2003) : Modeling Default Risk, Moodys/KMV.
Credit Suisse First Boston (1997) : CreditRisk+ : Technical Documentation, London.
Crosbie, P. (1999) : Global Correlation Factor Structure, KMV LLC.
Crouhy, M., Galai D., et R., Mark (2000) : A Comparative Analysis of
Current Credit Risk Models, Journal of Banking & Finance, 24, 59-117.
Das, A., et S., Ishii (2001) a : Methods for Calculating Asset Correlation :
A Technical Note, KMV LLC.
Das, A., et S., Ishii (2001) b : Understanding Correlation Differences,
KMV LCC.
Diebold, F., et R., Mariano (1995) : Comparing Predictive Accuracy,
Journal of Business and Economic Statistics, 13, 253-263.
Frey, R., McNeil, A., et M., Nyfeler (2001) : Modelling Dependent Defaults : Asset Correlations are not enough ! , Working Paper.
Giacomini, R., et H., White (2006) : Tests of Conditional Predictive
Ability, Econometrica, 74, 1545-1578.
Gordy, M. (2000) : A Comparative Anatomy of Credit Risk Models,
Journal of Banking & Finance, 24, 119-149.
Gordy, M., et E., Heitfield (2001), Of Moodys and Merton : a Structural
Model of Bond Transition, Working Paper.
Gourieroux, C., et J., Jasiak (2001) : Financial Econometrics, Princeton
University Press.
368
Gourieroux, C., et J., Jasiak (2006)a : Dynamic Quantile Models, UoT

DP.
Gourieroux, C., et J., Jasiak (2006)b :The Econometrics of Individual
Risk, Princeton University Press.
Gourieroux, C., et W., Liu (2007) : Control and Out-of-Sample Auditing
of Dependent Risks, DP University de Toronto.
Gourieroux, C., et A., Monfort (1995) : Statistics and Econometrics
Models, Cambridge University Press.
Gourieroux, C., et A., Monfort (1996) :Time Series and Econometric
Models, Cambridge University Press.
J.P. Morgan (1997), CreditMetricsT M : Technical Documentation, New
York.
Koyluoglu, H., et A., Hickman (1998) : A Generalized Framework for
Credit Risk Portfolio Models, O., Wyman & Company.
McKinsey et Company (1998) : CreditPortfolioViewT M Approach Documentation and Users Documentation, Zurich.
Nickell, P., Perraudin, W., et S., Varotto (2000) : Stability of Rating
Transitions, Journal of Banking and Finance, 24, 203-227.
Tiomo, A. (2003) : Variabilite des taux de defaut dans les modèles de
risque de credit : analyse empirique par simulations Monte-Carlo, Banque
de France, Mimeo.
Vasicek, O. (1991) : Limiting Loan Loss Probability Distribution, KMV.
Wilson, T. (1997)a : Portfolio Credit Risk (Part I) , Risk, Septembre.

369
Wilson, T. (1997)b : Portfolio Credit Risk (Part II) , Risk, Octobre.

Zeng, B., et J., Zhang, (2001) : An Empirical Assessment of Asset Correlation Models, KMV LLC.
Zeng, B., et J., Zhang, (2002), Modeling Credit Correlation : Equity
Correlation is Not Enough !, KMV LLC.
370
Chapitre 10
LEXIQUE
FRANCO-ANGLAIS
A
absence dopportunite darbitrage (t.a. absence of arbitrage opportunity,
AA0, ou no free lunch)
acheteur de protection (t.a. protection buyer)
actif (financier) (t.a. financial asset ou security)
actif (reel) (t.a. physical asset)
actif-passif (t.a. asset-liability)
action (t.a. stock)
actionnaire (t.a. stockholder)
adosse (t.a. backed)
affine (t.a. affine)
agence de notation (t.a. rating agency)
amortissement (t.a. amortization)
anticipation (t.a. expectation)
approche actuarielle (t.a. actuarial approach)
approche avancee (t.a. advanced approach)
arbitrage (t.a. arbitrage)
371
372
CHAPITRE 10. LEXIQUE FRANCO-ANGLAIS

approche corrigee du cycle (t.a. through the cycle, ou TTC)
approche non corrigee du cycle (t.a. point-in-time, ou PIT)
autoregressif (t.a. autoregressive)
autoregressif compose (t.a. compound autoregressive, ou CaR)
autoregressif gamma (t.a. autoregressive gamma, ou ARG)
autoregressif Wishart (t.a. Wishart autoregressive, ou WAR)
Banque des Reglements Internationaux (t.a. Bank of International

Settlements, ou BIS)
base de donnees (t.a. dataset)
barrière (t.a. barrier)
biais de selection (t.a. selectivity bias)
bilan (t.a. balance sheet)
billet de tresorerie (t.a. commercial paper ou CP)
calibrage (t.a. calibration)

capital economique (t.a. economic capital)
capital reglementaire (t.a. required capital, ou RC)
capital restant d
u (t.a. remaining balance)
capitaux propres (t.a. equity)
categorie investissement (t.a. investment grade)
chaine de Markov (t.a. Markov chain)
clause (t.a. covenant)
coefficient de decentrage (t.a. noncentrality parameter)
coefficient de couverture (t.a. hedging ratio ou delta)
coefficient de retour à la moyenne (t.a. mean reverting coefficient)
coefficient descompte (t.a. discount factor)
coefficient de translation (t.a. drift)
coherence temporelle (t.a. time-coherency condition)
collateral (t.a. collateral)
373
contrat (t.a. contract, ou indenture)

contrat dechange (t.a. swap)
contrepartie (t.a. counterparty)
copule (t.a. copula)
correlation de defaut (t.a. default correlation)
correlation de migration (t.a. migration correlation)
coupe instantanee (t.a. cross section)
coupon (t.a. coupon)
covolatilite (t.a. covolatility)
creance (t.a. receivable)
credit (t.a. credit)
credit bail (t.a. leasing)
credit default swap (t.a. credit default swap, ou CDS)
credit hypothecaire (t.a. mortgage)
credit hypothecaire à taux variable (t.a. adjustable rate mortgage)
credit permanent (t.a. revolving credit)
critère (t.a. criterion)
croissance (t.a. expansion ou growth)
cycle daffaire (t.a. business cycle)
debiteur (t.a. obligor)

decomposition en valeurs singulières (t.a. singular value decomposition
ou SVD)
decote (t.a. downgrade)
defaillance (t.a. default)
degre de liberte (t.a. degree of freedom)
densite (t.a. probability density function, ou pdf)
demembre (actif) (t.a. stripped security, ou strip)
derive (produit) (t.a. derivative asset)
derive de credit (t.a. credit derivative)
derive de credit hypothecaire (t.a. mortgage backed security, ou MBS)
374

derive sur panier (t.a. basket derivative)
detail (t.a. retail)
dette (t.a. debt, or liabilities)
dette subordonnee (t.a. subordinated debt)
devise (t.a. currency)
differentiel (de taux) (t.a. spread)
diffusion (t.a. diffusion)
directive dadequation du capital (t.a. Capital Adequacy Directive, ou
CAD)
distance au defaut (t.a. distance-to-default, ou DD)
distribution de distorsion (t.a. distorsion distribution)
distribution forward-neutre (t.a. forward-neutral distribution)
distribution de profits et pertes (t.a. profit and loss distribution, ou P&L)
distribution risque-neutre (t.a. risk-neutral distribution)
donnees (t.a. data)
duration (t.a. duration)
duree (t.a. duration)
echangeabilite (t.a. exchangeability)

emetteur (t.a. issuer)
emission (t.a. issuing)
entreprise (t.a. corporate)
equation differentielle stochastique (t.a. stochastic differential equation,
ou SDE)
equicorrelation (t.a. equicorrelation)
equidependance (t.a. equidependence)
esperances iterees (theorème des) (t.a. iterated expectation theorem)
evènement de credit (t.a. credit event)
exposition (t.a. exposure)
exposition à la date de defaut (t.a. exposure-at-default, ou EAD)
375
facteur (t.a. factor)

facteur descompte (t.a. discounting factor )
facteur descompte stochastique (t.a. stochastic discounting factor,
ou sdf)
facteur du portefeuille (t.a. pool factor)
facteur stochastique (t.a. stochastic factor)
filtre de Kalman (t.a. Kalman filter)
flux de paiement (t.a. payoff ou cash-flow)
financement de projet (t.a. project finance ou FP)
financement structure (t.a. structured finance)
fonction caracteristique (t.a. characteristic function)
fonction de repartition (t.a. cumulative distribution function, ou cdf)
fonction generatrice (t.a. moment generating function)
fonds darbitrage (t.a. hedge fund)
fonds de reserve (t.a. reserve account)
fonds propres (t.a. equity)
fonds propres reglementaires (t.a. capital adequacy)
forme reduite (t.a. reduced form)
forme structurelle (t.a. structural form)
fractionnel (t.a. fractional, ou fractal)
garanti (t.a. secured)

gaussien (t.a. Gaussian)
gestion des risques (t.a. risk management)
gre-à-gre (t.a. over-the-counter, ou OTC)
granularite (t.a. granularity)
grappe (t.a. cluster)
heterogeneite (t.a. heterogeneity)

heteroscedasticite (t.a. heteroscedasticity)
376

historique (probabilite) (t.a. historical probability)
homogeneite (t.a. homogeneity)
horizon (t.a. horizon)
hypothèque (t.a. mortgage)
hypothèse (t.a. assumption ou hypothesis)
idiosyncratique (t.a. idiosyncratic)

impaye (t.a. delinquency)
implicite (t.a. implied)
incomplet (marche) (t.a. incomplete market)
indice de marche (t.a. market index)
infiniment divisible (t.a. infinitely divisible)
infiniment granulaire (t.a. infinitely granular)
ingenierie financière (t.a. financial engineering)
intensite de defaillance (t.a. default intensity)
integre (t.a. integrated)
intensite de survie (t.a. survivor intensity)
intensite stochastique (t.a. stochastic intensity)
investissement (t.a. investment)
lettre de credit (t.a. letter of credit, ou LOC)

levier (ratio dettes / fonds propres) (t.a. gearing)
ligne de credit (t.a. credit line)
ligne de metier (t.a. business line)
liquidite (t.a. liquidity)
loi (de probabilite) (t.a. probability distribution)
loi des grands nombres (t.a. law of large number ou LLN)
loi marginale (t.a. unconditional, ou marginal distribution)
377
marche incomplet (t.a. incomplete market)
matrice de transition (t.a. transition matrix)
maturite (t.a. maturity)
maturite attendue (t.a. expected maturity)
maturite residuelle (t.a. time-to-maturity, ou term)
maximum de vraisemblance (t.a. maximum likelihood, ou ML)
mesure de distorsion (t.a. distorsion measure)
modèle affine de structure par terme (t.a. affine term structure model,
ou ATSM)
modèle à intensite (t.a. intensity model)
modèle bilineaire de structure par terme (t.a. bilinear term structure
model, ou BTSM)
modèle interne (t.a. internal model)
modèle structurel (t.a. structural model)
modèle quadratique de structure par terme (t.a. quadratic term structure
model, ou QTSM)
modelisation (t.a. modelling ou modeling)
moindres carres (t.a. least squares)
moindres carres ordinaires (t.a. ordinary least squares ou OLS)
moindres carres generalises (t.a. generalized least squares ou GLS)
moindres carres non lineaires (t.a. nonlinear least squares ou NLS)
mouvement brownien (t.a. Brownian motion)
multiperiode (t.a. intertemporal)
nantissement (t.a. security)

neutre au risque (t.a. risk-neutral)
notation (t.a. rating ou grade)
notionnel (montant) (t.a. notional amount)
numeraire (t.a. numeraire)
378

obligation (t.a. bond)
obligation à coupons (t.a. coupon bond)
obligation dentreprise (t.a. corporate bond)
obligation du Tresor (t.a. Treasury bill, ou T-bill)
obligation pourrie (t.a. junk bond)
obligation zero-coupon (t.a. zero-coupon bond)
operateur de prix (t.a. pricing operator)
option dachat (t.a. call option)
option dachat europeenne (t.a. European call option)
option de remboursement (t.a. callable)
option de vente (t.a. put option)
paiement (t.a. payment)

panier (t.a. basket)
passif (du bilan) (t.a. liability)
perte (t.a. loss)
perte anticipee (t.a. expected loss)
perte non anticipee (t.a. unexpected loss)
perte en cas de defaillance (t.a. loss-given-default, ou LGD)
petites et moyennes entreprises (PME) (t.a. small and medium-sized
enterprises, ou SME)
pilier (t.a. pillar)
point de base (t.a. basis point ou bp)
point de defaut (t.a. default point)
population à risque (t.a. Population-at-Risk, ou PaR)
population homogène (t.a. homogenous population)
portefeuille (t.a. portfolio)
portefeuille mimetique (t.a. mimicking portfolio)
portefeuille statique (t.a. static pool)
pret (t.a. loan)
pret hypothecaire (t.a. mortgage)
379
Q
R
preteur (t.a. lender)

prevision (t.a. prediction)
primaire (marche) (t.a. primary market)
prime (t.a. premium)
prime de liquidite (t.a. liquidity premium)
prime de risque (t.a. risk premium)
priorite (pour les remboursements) (t.a. seniority)
prix dexercice (t.a. strike)
prix dexercice à la monnaie (t.a. moneyness strike)
probabilite de defaut (t.a. probability of default, ou PD)
probit ordonne (t.a. ordered probit)
probabilite de transition (t.a. transition probability)
processus integre (t.a. integrated process)
processus de recouvrement (t.a. recovery process ou workout process)
produit de Kronecker (t.a. Kronecker, ou tensor product)
profit et perte (t.a. profit and loss, ou P&L)
projet de financement (t.a. finance project)
provision (t.a. provision)
qualite dajustement (t.a. goodness-of-fit)

quantile (t.a. quantile ou percentile)
ratio Cooke (t.a. Cooke ratio)

ratio dendettement [t.a. Loan-to-Value ratio (hypothecaire)]
recession (t.a. recession)
recouvrement (taux) (t.a .recovery rate)
recouvrement de la valeur faciale (t.a. recovery of face value, ou RFV)
reglement en espèces (t.a. cash settlement)
reglement physique (t.a. physical settlement)
reglementation (t.a. regulation)
380

regulateur (t.a. regulator)
rehaussement (t.a. enhancement)
remboursement anticipe (t.a. prepayment)
rendement (t.a. return)
rendement integre (t.a. integrated return)
repeter (des simulations) (t.a. replicate)
representation factorielle (t.a. factor representation)
reserve (t.a. reserve, ou required capital)
risque (t.a. risk)
risque de correlation (t.a. correlation risk)
risque de credit (t.a. credit risk)
risque de marche (t.a. market risk)
risque de modèle (t.a. model risk)
risque operationnel (t.a. operational risk)
score (t.a. score)

score de comportement (t.a. behavioral score)
score de diversification (t.a. diversity score)
secondaire (marche) (t.a. secondary market)
simulation (t.a. simulation)
solvabilite (t.a. solvency)
somme composee (t.a. compound sum)
soulte (t.a. upfront fee)
sous-jacent (actif) (t.a. underlying asset)
strategie (t.a. strategy)
strategie darbitrage (t.a. arbitrage strategy)
strategie de couverture (t.a. hedging strategy)
structure de risque (t.a. risk structure)
structure par terme (t.a. term structure)
structure par terme plate (t.a. flat term structure)
structure unique (à un vehicule) (t.a. One-Tier transaction)
381
subordonne (t.a. subordinated)

surdimensionnement (t.a. enhancement)
survie (intensite de) (t.a. survivor intensity)
swap de taux (t.a. swap)
tangibilite (t.a. tangibility)

taux actuariel (t.a. yield)
taux court (t.a. short term interest rate)
taux de perte anticipe (t.a. expected loss-given-default ou ELGD)
taux de recouvrement (t.a. recovery rate)
taux dinflation (t.a. inflation rate)
taux dinteret (t.a. interest rate)
taux geometrique (t.a. geometric yield, ou logarithmic yield)
taux revisable (t.a. adjustable rate)
temps retourne (t.a. reversed time)
terme (t.a. term, ou time-to-maturity)
terme (court) (t.a. short term)
terme (long) (t.a. long term)
theorème des esperances iterees (t.a. iterated expectation theorem)
titrisation (t.a. securization)
toutes choses egales par ailleurs (t.a. ceteris paribus)
transformee de Fourier (t.a. Fourier transform)
transformee de Laplace (t.a. Laplace transform)
transition (t.a. transition, ou migration)
translation (coefficient de) (t.a. drift)
Tresor (t.a. Treasury)
valeur actuarielle (t.a. present value)

Valeur à Risque (t.a. Value-at-Risk, ou VaR)
valeur contractuelle (t.a. contractual value)
382

valeur de marche (t.a. market value)
VaR de credit (t.a. Credit VaR)
VaR de queue (t.a. Tail VaR)
valorisation (t.a. pricing)
valorisation affine (t.a. affine pricing)
valorisation risque-neutre (t.a. risk-neutral pricing)
variable detat (t.a. state variable)
vectoriel autoregressif (t.a. vector autoregressive, ou VaR)
volatilite (t.a. volatility)
volatilite implicite (t.a. implied volatility)
Wishart (processus de) (t.a. Wishart process)
383
REFERENCES
Dumontier, P., et D., Dupre (2005) : Pilotage bancaire : les normes IAS
et la reglementation Bale II, Revue Banque editions, annexe : les sigles Bale
II.
Standard & Poors (2005) : Structured Finance : Glossaire des termes
de titrisation, Mc Graw Hill.

C 07 05f PDF

Transféré par

Informations du documentcliquez pour développer les informations du document

Informations du documentcliquez pour développer les informations du document

Droits d'auteur :

Formats disponibles

C 07 05f PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

C 07 05f PDF

Transféré par

Droits d'auteur :

Formats disponibles

Les Cahiers du CREF

Copyright 2007. Christian Gouriroux, Andr Tiomo

Risque de crdit : Une approche avance

Les Cahiers du CREF

Les Cahiers du CREF

Risque de crdit : Une approche avance

Table des mati`

Definition des risques . . . . . . . . . . . . . . . . . . . . . . . 11

Risque de credit, risque de marche, et risque operationnel 11

Types de risque de credit . . . . . . . . . . . . . . . . . 12

Pertes attendue et inattendue . . . . . . . . . . . . . . . . . . 18

Composantes de la perte attendue . . . . . . . . . . . . 18

Extension `a un portefeuille de prets . . . . . . . . . . . 21

Quest-ce quune notation ? . . . . . . . . . . . . . . . 24

Utilisation des notations . . . . . . . . . . . . . . . . . 25

Mise en place de score ou de rating . . . . . . . . . . . 27

De Bale I `a Bale II : nouveau capital reglementaire . . . . . . 28

Structure de laccord Bale II . . . . . . . . . . . . . . . 31

Le ratio de fonds propres . . . . . . . . . . . . . . . . . 33

Fonction quantile et mesure de distorsion de risque . . 46

2 CREDITS ET DERIVES DE CREDIT

3.2.3 Principe de non-arbitrage multiperiode .

4 VALEUR DE LACTIF DE LA FIRME

4.5.3 Valeur implicite de lactif . . .

8 RISQUE DE MIGRATION DE NOTATION

8.3.4 Effets de cycle . . . . . . . . . . . . . . . . . . . .

9 METHODOLOGIES DES FIRMES DE SERVICE

SUR LE RISQUE DE CREDIT

SUR LE RISQUE DE CREDIT

Le risque de credit tient essentiellement `a lincertitude des pertes, do`

Nous discutons aussi les pertes dans le cas de portefeuilles heterog`enes.

La defaillance dune entreprise exprime un etat dinsolvabilite constate `a

SUR LE RISQUE DE CREDIT

surgir un vif debat quant `a la definition adequate du defaut, un grand nombre

obstant lexistence de garantie ou de caution. Sont alors classes en encours

SUR LE RISQUE DE CREDIT

pas lieu `a une perte economique.

Pertes attendue et inattendue

Chaque etablissement de credit evalue le montant quil risque de perdre

Composantes de la perte attendue

Afin dillustrer les composantes de la perte attendue, considerons un pret

1.3. PERTES ATTENDUE ET INATTENDUE

A la date de signature du contrat, il y a incertitude sur la survenance du

par definition de lesperance conditionnelle au defaut.

Interessons nous maintenant `a lincertitude sur la perte de la date T .

SUR LE RISQUE DE CREDIT

Montant des pertes

1.3. PERTES ATTENDUE ET INATTENDUE

La discussion peut etre etendue au cas o`

SUR LE RISQUE DE CREDIT

Mi (1 + ri,T )T ZiT (1 RRiT ).

Mi (1 + ri,T )T E0 [ZiT (1 RRi,T )]

EADi,T P Di,T ELGDi,T

sobtient en sommant les pertes attendues de chaque credit figurant dans le

EADi,T P Di,T ELGDi,T

= EADT P DT ELGDT , disons.

1.3. PERTES ATTENDUE ET INATTENDUE