Risque extrême : ce que la VaR laisse au-delà du seuil

Un seuil n’est pas un maximum

La valeur à risque, ou VaR, résume un quantile de perte pour un horizon et un niveau de confiance donnés. Une VaR à un jour de 95 % est un seuil associé à la queue supérieure de la distribution modélisée des pertes quotidiennes. Ce n’est ni une perte maximale possible, ni un niveau de stop garanti, ni l’assurance que la perte de demain sera plafonnée.

Le niveau de confiance seul est incomplet. Un montant en dollars dépend de la taille du portefeuille, de sa composition, de la méthode de valorisation et de la distribution retenue. Les approches historiques, paramétriques et par simulation peuvent diverger car leurs hypothèses diffèrent. Précisez toujours la convention de signe : certains systèmes affichent une perte positive, d’autres un seuil de rendement négatif.

Demander quelle est la gravité des résultats les plus défavorables

La perte moyenne au-delà du seuil examine la perte moyenne de la portion la plus défavorable sélectionnée, en traitant correctement la frontière d’un quantile discret. Elle décrit donc une gravité extrême qu’un quantile seul peut masquer. Deux portefeuilles peuvent avoir une VaR similaire, mais des pertes très différentes au-delà.

Cette information supplémentaire ne rend pas la mesure infaillible. Les observations extrêmes sont rares, donc les estimations peuvent être instables. Un échantillon court peut ne contenir aucune crise ressemblant à la prochaine. Les cadres réglementaires du risque de marché utilisent l’expected shortfall dans des modèles précis, mais un calcul pédagogique n’est pas une évaluation des fonds propres réglementaires et ne doit pas emprunter l’autorité de ce vocabulaire.

La définition de la queue importe pour des issues discrètes. Supposez une perte nulle avec probabilité 97 %, de 100 dollars avec 2 % et de 1 000 avec 1 %. Avec la convention du plus petit quantile de perte, la VaR à 95 % vaut zéro. Pourtant, la moyenne des pires 5 % est (0,02 × 100 + 0,01 × 1 000 + 0,02 × 0) / 0,05 = 240 dollars. La moyenne des seules pertes strictement supérieures à la VaR serait 400 et répondrait à une autre question : elles ne représentent que 3 % de la distribution.

L’absence historique n’est pas l’impossibilité

Une simulation historique revalorise ou approche le portefeuille actuel selon les variations passées. Sa transparence est utile, mais elle ne représente pas automatiquement les événements hors échantillon. Des changements structurels de levier, de lieux de négociation ou d’instruments peuvent faire agir autrement aujourd’hui un choc historique familier.

Les modèles paramétriques exigent également un examen critique. Supposer des rendements normalement distribués peut sous-estimer certains résultats extrêmes et certaines dépendances. Multiplier le risque quotidien par la racine carrée du temps repose sur des hypothèses restrictives de dépendance et de distribution ; ce n'est pas une règle universelle pour les positions illiquides ou les produits non linéaires. Montrez la sensibilité à d'autres hypothèses plutôt que de présenter un modèle comme une propriété objective du portefeuille.

Dépendance extrême et liquidité vont ensemble

Les mouvements conjoints extrêmes peuvent différer de la corrélation des jours ordinaires. Plusieurs positions apparemment diversifiantes peuvent devenir simultanément difficiles à vendre lorsque le financement se tend. Les pertes accroissent alors les garanties requises, forçant des ventes et accentuant la pression sur les prix. Une distribution statique peut omettre cette rétroaction.

Incluez des scénarios d'élargissement du spread, d'exécution retardée et d'indisponibilité des couvertures. Pour les options ou les produits à effet de levier, réévaluez la position en faisant varier les sensibilités plutôt que d'extrapoler une estimation de petit mouvement. Des interruptions opérationnelles peuvent aussi transformer un mouvement de prix défavorable maîtrisable en une perte réalisée plus importante. La mesure du risque est incomplète si elle suppose un processus de sortie parfaitement fonctionnel dans chaque événement extrême.

Utiliser plusieurs perspectives et examiner les exceptions

Associez mesures quantitatives extrêmes, pertes par scénario, rapports de concentration et tests de trésorerie. Chacun éclaire un aspect différent. Lorsque les pertes réelles dépassent la VaR modélisée, vérifiez si l’événement correspond à la fréquence de dépassement prévue, si le modèle a été correctement appliqué et si la distribution sous-jacente a changé.

Ne recalibrez pas uniquement pour faire disparaître les exceptions récentes. Conservez les prévisions antérieures afin d'évaluer honnêtement le modèle. Un rapport utile sur les risques extrêmes explique ce qui est inclus, ce qui ne l'est pas, le degré d'incertitude de l'estimation et les décisions qui en dépendent. Le principal danger est souvent de traiter une statistique synthétique comme une autorisation d'ignorer les hypothèses qui l'ont produite.

Évaluer la prévision avant d’interpréter ses dépassements

La prévision et son résultat de comparaison doivent concerner le même objet. Une prévision quotidienne portant sur les positions de la veille ne se teste pas directement contre un résultat incluant nouvelles transactions, retraits et frais sans rapport. Gardez une comparaison fondée sur les positions pour évaluer le modèle, et une autre fondée sur le compte réel pour analyser l’activité. Les deux sont importantes, mais les mélanger masque l’origine d’un dépassement.

Sous un modèle continu idéalement calibré, une VaR quotidienne à 99 % est dépassée 1 % des jours. Sur 250 jours, le nombre attendu est de 2,5, et non exactement deux ou trois. Si les dépassements étaient indépendants à probabilité constante, la probabilité d’en observer au moins un serait 1 − 0,99²⁵⁰, soit environ 91,9 %. Un dépassement isolé ne prouve donc pas l’échec du modèle. Un faible total ne prouve pas non plus une bonne calibration si tous les dépassements se concentrent sur un court épisode.

La gravité est distincte de la fréquence. Dépasser légèrement le seuil ou perdre dix fois ce montant compte comme un dépassement dans les deux cas, malgré des conséquences très différentes. Examinez les montants, les circonstances et les prévisions antérieures. Un modèle qui retrouve approximativement le bon nombre tout en manquant un regroupement de pertes sévères liées au financement n’a pas répondu à toute la question du risque.

Les niveaux de confiance élevés laissent peu d’observations extrêmes. Avec 1 000 scénarios historiques équipondérés, le pire 1 % n’en contient que dix. Remplacer une seule observation peut modifier fortement la moyenne de queue, surtout s’il s’agit d’une perte exceptionnelle. Modifier l’horizon ou ajouter des scénarios tendus change encore la question. Indiquez le nombre d’observations, leurs poids et la sensibilité aux plus grosses pertes. Des décimales supplémentaires ne compensent pas le manque d’information.