GESTION DE PORTEFEUILLE 3bis Catherine Bruneau RISQUE & PROBABILITE Rappels de calcul de probabilité • Espace des issues aléatoires €Ω Exemple : ce qui fait monter ou descendre un cours d’action • Évènements : parties de Ω • Cours au-dessus d’un certain seuil • Tribu d’évènements ( axiomes) A • (Ω, A) espace probabilisable • P: mesure de probabilité définie sur A • • • • • P à valeurs dans [0,1] Axiomes Exemple: P(hausse)=2/3 et P(baisse)=1/3 P(Ω)=1 Suite dénombrable d’évènements disjoints 2 à 2: A1 A2 ... An ... Ai Aj P( Ai ) P(Ai ) i • (Ω, A,P) espace probabilisé • Probabilité conditionnelle P( A / B) • Indépendance d’événements P( A B) P( B) Variable aléatoire X définie sur (Ω, A,P) 1 X ( B) A X ( B) / X () B 1 • X 1 ( B) est un évènement: • X à valeurs dans : – un ensemble de valeurs fini ou dénombrable X: VARIABLE DISCRETE =1 si hausse =-1 si baisse d’un cours boursier – Un ensemble continu de valeurs (R) X: VARIABLE CONTINUE Log(cours boursier) • Distribution des valeurs possibles de X: x=X()/distribution de probabilité (de ces valeurs) P( x j );1 j J – Variable discrète: P( x j ) P( X x j ) P(; X () x j ) – Exemple Bernouilli, Poisson – Variable continue • Densité: P(x≤X<x+dx)=f(x)dx • Fonction de répartition P(X<x)=F(x); F’(x)=f(x) – Exemples loi normale, log-normale, student, etc… – Loi N(0,1) f ( x) 1 1 exp( x 2 ) 2 2 • Moments – – – – – – J Espérance ( moyenne) E ( X ) P( x ) x Variance: Var ( X ) P( x )( x E( X )) écart-type ( volatilité) Var( X ) Skewness E( X E( X )) E (( X E ( X )) ) k Kurtosis Var ( X ) (effet leptokurtique ( queue de distribution plus épaisse que celle de la loi normale): risques « extrêmes » plus probables k 3 • Fractiles VaR=Value at Risk • P(perte>VaR)=α j 1 J 2 j j 1 j X 3 4 j j • Cas de deux variables aléatoires X et Y exemple: valeur d’un taux d’intérêt ( taux de rendement d’une obligation ( du trésor ou autre) et valeur d’un cours boursier • Loi jointe – Densité hX ,Y ( x, y)dxdy P( x X x dx et y Y y dy ) – Fonction de répartition F ( x, y) P( X x dx etY y dy ) – Plus que la caractérisation des 2 lois marginales (celles de X et de Y) f X ( x) et gY ( y) Cf. tableau de contingence – Sauf cas d’indépendance h( x, y) f X ( x) gY ( y) Cov(X,Y)=E(X-E(X))(Y-E(Y)) =E(XY)-E(X)E(Y) Si X=Y, cov(X,Y)=E((X-E(X)) 2 )= Var(X) cov(X,Y) corr(X,Y)= X Y • Loi conditionnelle de Y sachant X • Cas discret P(Y yk et X x j ) P(Y yk / X x j ) P( X x j ) • Cas continu: densité conditionnelle l ( y / x) hX ,Y ( x, y) f X ( x) – Loi de probabilité du cours d’un indice, sachant que les taux d’intérêt sont élevés / bas – exemple: Y et Y suivent deux lois normales N(0,1) et ont un coefficient de corrélation – Cas d’indépendance • Espérance conditionnelle E(Y/X) • Variance conditionnelle Var (Y / X ) E ((Y E (Y / X ))2 ) • Cas de plusieurs variables • Matrice de variance du vecteur U de composantes aléatoires U (U1 ,...,U n ) ' . . Cov(U ,U ) Var (U ) 1 Var (U ) . . Cov(U n ,U1 ) . 1 . Var (U n ) n E(AU)=AE(U) Var(AU)=AVar(U)A’ Cov(AU,BV)=ACov(U,V)B’ Calculs d’espérances J E (h( X )) P( x j )h( x j ) j 1 E (h( X )) h( x) f X ( x)dx E ( g ( X , Y )) g ( x, y )hX ,Y ( x, y )dxdy ( g ( x, y )l ( y / x)dy ) f X ( x)dx Exemple de calculs dans le cas discret • X=1 avec la probabilité de 2/3 et =-1 avec la probabilité de 1/3 • skewness (coefficient d’asymétrie) skewness=E[(X-E(X))3 ] E(X)=1/3=1x2/3+(-1)x1/3 skewness =(1-1/3)3 x(2/3)+ (-1-1/3)3 x(1/3) 8 2 64 1 = . . 27 3 27 3 80 81 Remarques: Rendement, taux de rendement et cours d’une action • Cours d’une action P(t) • Log cours : LogP(t) • Variation ΔLogP(t)= LogP(t)- LogP(t-1) • ΔLogP(t)=Log[P(t)/P(t-1)]=Log(rendement de l’investissement dans l’action) • ΔLogP(t)=Log{1+[P(t)- P(t-1)]/P(t-1)} • ΔLogP(t)= [P(t)- P(t-1)]/P(t-1) • =taux de rendement de l’investissement=variation de richesse/richesse initiale investie • si [P(t)- P(t-1)]/P(t-1) est petit devant 1 • P(t)/P(t-1)=rendement=1+taux de rendement • Question: si une grandeur X varie de 10% de combien varie le carré de cette grandeur?