Upload
others
View
0
Download
0
Embed Size (px)
Citation preview
Générateurs de scénarios économiques permettant la prise en compte de scénarios de crises
-
Hervé Fraysse
100% actuaires – Le 07 Novembre 2014
1 Contexte
2 Générateurs de scénarios économiques en période de crises
3 Structure de base retenue
4 Le générateur de scénarios créé
5 Application – optimisation d’un portefeuille
6 Conclusion et perspectives
SOMMAIRE
Générateurs de scénarios économiques permettant la prise en compte de scénarios de crises
• Cadre de l’étude Février à Septembre 2012 Diamant Bleu Gestion Fonds Diamant Bleu LFP Croissance et Résilience
• Stratégie d’investissement du Fonds Diamant Bleu LFP Croissance et Résilience
CONTEXTE
Générateurs de scénarios économiques permettant la prise en compte de scénarios de crises
Constats et Expériences
Environnement économique instable
Supériorité des approches mixtes
Modèle avec peu de paramètres à privilégier Probabilité de crises
Approche retenue
Approche thématique focalisée sur certains secteurs
Mise en œuvre d’une gestion de moyen terme
Exposition actions de 60% à 100%
Les outils
Analyse macro-économique du marché
Générateur de scénarios économiques à sauts
• Analyse macro-économique du marché (1/2)
CONTEXTE
Générateurs de scénarios économiques permettant la prise en compte de scénarios de crises
Idée initiale ► Modélisation de la croissance et de la croissance des dettes ► Faire de ces deux grandeurs, des variables centrales au même
titre que l’inflation
Modélisations envisagées pour la croissance du PIB
► Modélisation existante coûteuse en terme de temps : Modèle de Solow Modèle de Mankiw, Romer et Weil (croissance du PIB)
► Modèle inapplicable : Modèle à correction d’erreurs
► Utilisation d’approximation : Taux réel (nominaux – inflation) = croissance du Pib
► Régression linéaire multiple : Simple et applicable (inflation et taux long)
Solutions retenues ► Recours aux indicateurs avancés de l’OCDE et particulièrement le CLI pour modéliser la croissance du PIB
CONTEXTE
Générateurs de scénarios économiques permettant la prise en compte de scénarios de crises
► Le risque de faux signaux ► Le risque de signaux manquants
► Période de référence [2000 ; 2011] ► Etats Unis ► Supériorité du Composite Leading Indicator
Deux types de risques Etude précise de différents indicateurs
Indicateurs avancés de
l’OCDE
Nombre de mois optimal de prévisions
Ralentissements non prédits
Ralentissements prédits mais non réalisés
Prédictions réalisées
CLI 5 0% 17% 83%
S&P500 6 23% 27% 50%
ECRI 6 21% 24% 55%
Conference Board
7 16% 17% 67%
• Analyse macro-économique du marché (2/2)
1 Contexte
2 Générateurs de scénarios économiques en période de crises
3 Structure de base retenue
4 Le générateur de scénarios créé
5 Application – optimisation d’un portefeuille
6 Conclusion et perspectives
SOMMAIRE
Générateurs de scénarios économiques permettant la prise en compte de scénarios de crises
• Définitions
Outil permettant de projeter la valeur d’actifs et de variables macro-économiques sur le court terme, le moyen terme ou le long terme
Plusieurs types de structure : cascade / corrélation
• Intérêts en période de crises
Facilite la prise de décisions Permet de rester rationnel Décisions basées à la fois sur le passé et sur le futur
• Utilisation
Un GSE doit s’inscrire dans un processus de gestion des risques Les sorties d’un GSE doivent être considérées comme un indicateur supplémentaire Un GSE doit être adapté :
• Au contexte économique • A l’utilisateur : gérant d’un fonds « actions » vs ALM dans une compagnie d’assurance
Générateurs de scénarios économiques en période de crises
Générateurs de scénarios économiques permettant la prise en compte de scénarios de crises
1 Contexte
2 Générateurs de scénarios économiques en période de crises
3 Structure de base retenue
4 Le générateur de scénarios créé
5 Application – optimisation d’un portefeuille
6 Conclusion et perspectives
SOMMAIRE
Générateurs de scénarios économiques permettant la prise en compte de scénarios de crises
• Structure retenue : Wilkie – 1985
• Avantages Simple à utiliser Modèle complet Modèle adaptable facilement Modèle avec moins de paramètres que le Wilkie 1995
• Critiques Kitts : critique la modélisation de l’inflation par un AR(1) Geoghegan : remet en cause la normalité et l’indépendance des résidus Huber : modèle biaisé par des données aberrantes
• Utilisation Les GSE sans saut ne permettent pas la prise en compte efficace de chocs, de scénarios de crises La gestion par les scénarios semble la plus efficace dans ces périodes
Structure de base retenue
Générateurs de scénarios économiques permettant la prise en compte de scénarios de crises
• Le schéma ci-dessous illustre la structure du GSE utilisé :
• Inflation : It−Im = αI×(It−1−Im)+ σI×εI,t
• Rendement des dividendes : yt−ym = αY×It +βY×(yt−1−ym)+σY×εY,t
Structure de base retenue
Générateurs de scénarios économiques permettant la prise en compte de scénarios de crises
Montant des dividendes
Taux d’inflation
Taux de dividende (rendement des actions) Taux d’intérêt à long terme
Taux d’intérêt à court terme
Cours (prix) des actions
1 Contexte
2 Générateurs de scénarios économiques en période de crises
3 Structure de base retenue
4 Le générateur de scénarios créé
5 Application – optimisation d’un portefeuille
6 Conclusion et perspectives
SOMMAIRE
Générateurs de scénarios économiques permettant la prise en compte de scénarios de crises
• Données utilisées et modifications apportées
Le générateur de scénarios créé
Générateurs de scénarios économiques permettant la prise en compte de scénarios de crises
Les modifications apportées au générateur de Wilkie 1985
Considéra*on de données mensuelles
Modifica*on de l’équa*on de l’infla*on
Modifica*on de la loi des résidus
Les données considérées
Marché FRANCE
Période [ 2000 ; 2011 ]
Séries considérées Inflation
ETATS - UNIS ALLEMAGNE JAPON
Montant des dividendes
Rendement des dividendes
Intégra*on de processus à sauts
• Modification de l’équation de l’inflation
Le générateur de scénarios créé
Générateurs de scénarios économiques permettant la prise en compte de scénarios de crises
Critique ► Kitts critique la modélisation de l’inflation par un AR(1) ► Modélisation non adaptée à nos données
Notre solution
► Application de l’algorithme de Box et Jenkins. ► Choix d’une modélisation de type : SARIMA(1,1,1)(0,0,1)12 ► Stationnarisation de la série en différenciant une fois. ► Application du critère AIC.
Résultat pour la France
Critiques ► Critère AIC retenu
SARIMA AR(1) MSE 2,26E-04 0,0206
RMSE 0,015 0,1436
• Modification de la loi des résidus (1/2)
Le générateur de scénarios créé
Générateurs de scénarios économiques permettant la prise en compte de scénarios de crises
Critique
► Geoghegan et al.(1992) : La distribution des résidus est asymétrique et
leptokurtique Les résidus du modèle ne respectent pas les hypothèses
de normalité et de variance constante ► Résultats sur nos données :
Notre solution
► Remplacer les lois normales par des lois Pareto hybride ► Permet de prendre en compte : l’asymétrie et le caractère
leptokurtique des résidus
Critiques ► Relativement complexe à estimer
Pays Skewness Kurtosis Jarque-Bera France -0,4406 0,7383 0,0142
Etats-Unis -1,356 8,144 < 2,2.10-16 Japon -0,4953 4,182 < 2,2.10-16
Allemagne 0,5658 2,966 1,499.10-14
• Modification de la loi des résidus (2/2)
Le générateur de scénarios créé
Générateurs de scénarios économiques permettant la prise en compte de scénarios de crises
Densité de la loi Pareto Hybride
Estimation des paramètres
► Méthode du maximum de vraisemblance ► Conditions de continuité et de dérivabilité ► Conditions assurant que la fonction est bien une densité (normalisation)
Résultats ► Fonction dépendant finalement de 4 paramètres ► Permet de prendre en compte : l’asymétrie et le caractère leptokurtique des
résidus
• Intégration de sauts dans les équations (1/2)
Le générateur de scénarios créé
Générateurs de scénarios économiques permettant la prise en compte de scénarios de crises
Critique Le contexte actuel rend les générateurs basés uniquement sur le passé peu fiables Mixité entre approche qualitative et quantitative
Les méthodes envisagées
► Tirage d’une loi uniforme et modification des paramètres des résidus Pas envisageable dans notre cas du fait de la distribution des résidus
► Sauts poissonniens Envisageable mais modification de la structure du SARIMA
► Adaptation de l’algorithme de Box et Tiao à notre problématique
Avantages de la méthode retenue
► Permet de simuler des sauts de manière indépendante ► Pas de modification de la structure des équations ► Différents choix possibles de modélisation
• Intégration de sauts dans les équations (2/2)
Le générateur de scénarios créé
Générateurs de scénarios économiques permettant la prise en compte de scénarios de crises
Notre solution
► Permet de ne pas surparamétrer le modèle ► Possibilité d’adapter la vitesse de résorption des crises (en fonction du scénario
choisi) It = SARIMAt + Fsaut(so, Psaut, amplitude)
Critiques ► Trop qualitatif ► Pas assez complexe
Autres études ► Le markov switching : la probabilité de changer de régime conditionnellement au passé ne dépend que de l’état précédent (pertinent sur le court terme)
Les différentes fonctions de sauts envisageable
Additive outliers Temporary Change Level Shift
1 Contexte
2 Générateurs de scénarios économiques en période de crises
3 Structure de base retenue
4 Le générateur de scénarios créé
5 Application – optimisation d’un portefeuille
6 Conclusion et perspectives
SOMMAIRE
Générateurs de scénarios économiques permettant la prise en compte de scénarios de crises
• Schéma de prise de décisions
Application – optimisation d’un portefeuille
Générateurs de scénarios économiques permettant la prise en compte de scénarios de crises
Etude macroéconomique - Indicateurs avancés - Croissance - Conjoncture
Projections des prix A partir de 3 variables fondamentales : - L’inflation - Le rendement des actions - Le montant des dividendes
Calcul d’utilité Des calculs d’utilité sont réalisés sur les projections obtenues. Fonction d’utilité choisie : combinaison « Value-at-risk » - Skewness
Classement des valeurs, des plus résilientes aux moins résilientes.
Etape 1 Réalisation de scénarios macroéconomiques
Etape 2 Génération des projections – Modèle de Wilkie
Etape 3 Exploitation des projections – Calcul d’utilité
• Etape 1 : étude macroéconomique et réalisation des scénarios Etudes des indicateurs de l’OCDE et de l’IFO Choix de l’horizon de projection Sélection de différentes actions Etablissement de scénarios (ex ci-dessous) :
Application – optimisation d’un portefeuille
Générateurs de scénarios économiques permettant la prise en compte de scénarios de crises
Scénario Probabilité Choc sur le S&P 500 Choc sur l’inflation
Impact (%) Retour (an.) Impact (%) Retour (an.)
1 1 50 2 3 3 2 5 40 2 2 2 3 10 30 1 2 2 4 30 20 1 1 2 5 30 20 1 1 2 6 10 15 1 1 2 7 5 10 2 0 0 8 5 0 3 -1 1 9 3 -10 3 -2 2 10 1 -20 3 -3 2
• Etape 2 : réalisation des projections à l’aide du GSE Paramétrage des équations Obtention des projections (ex ci-dessous)
Application – optimisation d’un portefeuille
Générateurs de scénarios économiques permettant la prise en compte de scénarios de crises
-1,00%
0,00%
1,00%
2,00%
3,00%
4,00%
5,00%
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
• Etape 3 : exploitation des projections issues du GSE Objectif : classer les valeurs en fonction de différents critères Choix de l’indicateur de risques :
• Skewness • Kurtosis • Moyenne • Variance • Value-at-risk (ou Cvar)
Choix retenu : combinaison de la skewness, de la VaR et de la moyenne
• Etape 4 : allocation Utilisation de l’indicateur obtenu comme un élément de plus dans la stratégie d’allocation d’actifs
Application – optimisation d’un portefeuille
Générateurs de scénarios économiques permettant la prise en compte de scénarios de crises
• Exemple : application réalisée et résultats obtenus Objectif : classer les valeurs en fonction de différents critères
Application – optimisation d’un portefeuille
Générateurs de scénarios économiques permettant la prise en compte de scénarios de crises
Actions Utilité Halliburton Co. 0,635 Schlumberger Ltd 0,603 Cameron Int'l Corp 0,482 Baker Hughes 0,463 TideWater, Inc. 0,272 National Oilwell Varco Inc. 0,235 Helmerich & Payne 0,204 Nabors Industries Ltd 0,132 Noble Corp. -0,023 Oceaneering International, Inc -0,681
1 Contexte
2 Générateurs de scénarios économiques en période de crises
3 Structure de base retenue
4 Le générateur de scénarios créé
5 Application – optimisation d’un portefeuille
6 Conclusion et perspectives
SOMMAIRE
Générateurs de scénarios économiques permettant la prise en compte de scénarios de crises
• Comment a-t-on répondu aux exigences initiales ?
Adaptation du générateur de scénarios au contexte de crises actuel : • Résidus « Pareto hybride » • Possibilité d’introduction de probabilités de crises avec l’algorithme de Box et Tiao
Générateur de scénarios restant assez simple et adaptable : • Les équations régissant le générateur sont simples
Combinaison de l’analyse fondamentale et de l’analyse quantitative : • Arbitrage entre réalisme économique et paramétrisation • Analyse qualitative : définition des scénarios + sélection des titres
Conclusions et perspectives
Générateurs de scénarios économiques permettant la prise en compte de scénarios de crises
• Quelles perspectives ?
Affiner le calcul de la fonction d’utilité
Comparer la performance de plusieurs générateurs de scénarios économiques avec inclusion de la fonction de sauts présentée
Etude du cumul des crises pour affiner la fonction de sauts
Application des principes présentés à un GSE incluant la modélisation des taux
Définir une stratégie de gestion d’actifs plus globale : combiner plusieurs générateurs de scénarios économiques ?
Conclusions et perspectives
Générateurs de scénarios économiques permettant la prise en compte de scénarios de crises
MERCI POUR VOTRE ATTENTION
QUESTIONS ?
Conclusions et perspectives
Générateurs de scénarios économiques permettant la prise en compte de scénarios de crises