Download - Processus stochastiques en finance
Processus stochastiques en finance
Peter Tankov
Master M2MO
Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 1 / 51
Objectifs et organisation du cours
• Comprendre le role et les principes d’utilisation des modeles
mathematiques en finance
• Comprendre le principe de valorisation des produits derives par arbitrage
et l’importance de couverture
• Comprendre les modeles de base de la finance en temps continu et les
methodes de valorisation des produits derives dans ces modeles
Organisation du cours:7 seances de cours + 4 seances de TD au trimestre 1 (dates cours: 19/09,
26/09, 3/10, 10/10, 17/10, 31/10, 4/11 a 15h30 (amphi 4C); dates TD: 26/09,
03/10, 17/10, 24/10 et 07/11
8 seances de cours + 4 seances de TD au trimestre 2 (Simone Scotti)
Notes de cours en ligne sur le site du masterPeter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 2 / 51
Types des produits derives
Grandes classes de produits:
• Les contrats a terme (futures/forwards) permetrent de fixer aujourd’hui le
prix d’une transaction qui aura lieu a une date future
• Les swaps permettent d’echanger une serie de flux financiers
• Les options sont des contrats non-lineaires qui offrent une plus grande
liberte a l’acheteur, par exemple, l’option d’achat sur un actif financier
(call) donne le droit mais non l’obligation de l’acheter a une date future
• Les produits structures sont les strategies d’investissement basees sur
les options et autres produits derives, presentant des garanties / risques
specifiques (exemple: CDO)
Les produits derives peuvent etre vendu sur les marches organises ou bien
gre a gre par les banques (OTC)
Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 3 / 51
Quiz: Tailles de marche par categorie de sous-jacent
Taux de change
Taux d’interet
Actions / indices
Matieres premieres
Derives de credit
437&%'$
91����8.3��
��
6.4����
1.9����
Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 4 / 51
Tailles de marche par categorie de sous-jacent
Categorie Taille du marche (md$)Marches OTC
Taux de change 90,662
Taux d’interet 436,837
Actions / indices 6,417
Matieres premieres 1,898
Derives de credit 8,373
Marches organises
Taux d’interet 94,368
Taux de change 396
Tailles de marche de differentes categories de produits derives en decembre
2018. Source: Bank of International Settlements.
Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 5 / 51
L’utilisation des produits derives
• Couverture des risques:
- un industriel se protege contre les fluctuations des prix des matieres
premieres avec un contrat a terme;
- un fonds d’investissement utilise les options dans le cadre d’une
strategie d’assurance de portefeuille
• Speculation:
- un fonds d’investissement fait appel aux options dans le cadre d’une
strategie de gestion agressive
• Arbitrage:
- un trader profite d’un desequilibre sur le marche en realisant un profit
immediat
• Plus generalement, transfert des risques:
- une entreprise remunere ses salaries en stock optionsPeter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 6 / 51
Les acteurs du monde des produits derives
• Les vendeurs d’options sont les banques d’investissement, dans leur
activite de market making.
• Les acheteurs sont les institutions: fonds de gestion alternative, banques
(a des fins de speculation ou d’arbitrage), entreprises et meme
collectivites, (pour optimiser la gestion de tresorerie).
• Les marches organises ameliorent la liquidite en standardisant les
contrats et eliminent le risque de contrepartie, car la chambre de
compensation sert d’une contrepartie unique a toutes les transactions.
• Un role important est joue par les regulateurs, qui controlent les
methodologies de gestion de risques et s’assurent que le capital detenu
par les banques est suffisant pour assurer leur solvabilite.
Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 7 / 51
Banques d’investissement
• Une banque d’investissement (BFI) est une institution financiere dont les
domaines d’activite sont le conseil et l’intermediation dans les
introductions en bourse, les fusions/ acquisitions/ emissions de dette et le
trading pour compte propre ou pour compte de ses clients.
• En France, les BFI sont en general des filiales des grandes banques
(SGCIB, CACIB). La Loi de Separation Bancaire de 2013 encadre
fortement l’activite de trading pour compte propre par les banques.
• Aux Etats-Unis le Glass-Steagall act de 1933 mandatait la separation
entre les banques d’investissement et les banques de detail.
• Il a ete abroge en 1999 mais en 2010, la Volcker Rule a interdit le trading
pour compte propre pour les banques americaines (en laissant une
exception pour le market making).
Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 8 / 51
Structure d’une banque d’investissement
Front office Middle office Back office
Conseil / intermediation Enregistrement
des transactionsValidation de modeles
Trading / sales ReportingGestion des risques
Revenue−−−−→Recherche quantitative
Gestion de la
tresorerie
Comptabilite
Recherche “equity” Fonctions support
On trouve des equipes de quants aussi bien en front office que dans les
equipes de gestion de risque / validation de modele.
Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 9 / 51
Structure du bilan d’une banque d’investissementAssets (actif) Liabilities (passif)
Cash and central bank balance 10M Customer deposits 80M
Securities: Bond issues:
- bonds
} Trading book
20M - senior bond issues 25M
- stocks 20M - subordinated bond issues 15M
- derivatives 10M Short-term borrowing 30M
Loans and mortgages: Reserves (for losses on loans) 20M
- corporates
} Banking book
30M
- retail 40M
- government 30M Debt (sum of the above) 170M
Other assets
- property 10M
- investment in companies 10M Equity (fonds propres) 30M
Short-term lending 20M
Total 200M Total 200MPeter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 10 / 51
Role des regulateurs
• Alors que les clients sont interesses par la solvabilite et la solidite de la
banque, le management et les traders sont incites a prendre plus de
risque pour maximiser leur remuneration en cas de gain.
• Les gains donnent lieu a des bonus importants alors que les pertes sont
supportes par les actionnaires, ou meme parfois par le pouvoir publique.
• La presence de ces conflits d’interet ainsi que l’importance des banques
pour l’economie rend necessaire la regulation bancaire, dont l’objectif est
d’assurer la solvabilite de la banque.
• En Europe, les taches de regulation sont partages entre la BCE et les
regulateurs nationaux (Autorite de Controle Prudentiel et de Resolution).
Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 11 / 51
Les principes de regulation bancaire
• Les principes de la regulation bancaire sont developpes dans les
Accords de Bale (I, II et III).
• Les regulateurs surveillent et imposent des limites sur les ratios
reglementaires, dont le plus important est le ratio de capital:
Capital ratio :=Capital
Risk-weighted assets≥ 8%
• On fait appel aux mathematiques pour le calcul du capital (la valeur de
certains actifs peu liquides) ainsi que pour le calcul de la valeur des actifs
ponderes par leur risque (mesures de risque).
Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 12 / 51
Les accords de Bale
• Le premier accord de Bale (1988) est centre sur le banking book. Il
donne la definition du capital:
Capital ≈ Equity (Tier 1) + Reserves (Tier 2)
et introduit des ponderations simples pour les classes d’actifs:
Liquidites, depots a la BCE
et obligations souveraines
Prets immobiliers Autres actifs: obliga-
tions d’entreprises etc.
0% 50% 100%
• Le Market risk amendment de 1996 introduit une methode specifique de
calcul du capital pour le risque de marche (trading book).
Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 13 / 51
Risque de marche dans les accords de Bale
• Le Market risk amendment (1996) introduit une distinction importante
entre l’approche standardise et l’approche de modeles internes.
• Pour les banques utilisant un modele interne, la charge en capital est
determine, en gros, par la Value at Risk a 99% calcule pour un horizon
de 10 jours.
• Le deuxieme accord de Bale (2005) precise les regles de calcul des
indicateurs de risque et etend la possibilite d’utiliser les modeles internes
au banking book.
• Le troisieme accord de Bale (2011) adopte a la suite de la crise de
2007-2008 renforce les contraintes en capital et en liquidite.
• Le Fundamental review of trading book (2016) modifie les regles de
calcul des mesures de risque et introduit notamment l’utilisation de
Expected Shortfall.Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 14 / 51
Utilisation des modeles mathematiques au sein d’une
banque d’investissement
Les modeles mathematiques sont utilises par les traders et les gestionnaires
de risque a des fins differentes:
• Couverture des produits derives: par exemple, un trader qui fait un pari
sur la volatilite en utilisant une option couverte en delta a besoin d’un
modele pour calculer le ratio de couverture.
• Valorisation des actifs illiquides: les options exotiques dans le portefeuille
de la banque, pour lesquels il n’y a pas de prix de marche, sont valorises
a l’aide d’un modele pour determiner le capital de la banque.
• Gestion des risques: les modeles sont utilises pour valoriser le
portefeuille de la banque dans des scenarios de stress afin de calculer
les mesures de risques et evaluer le capital reglementaire.
Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 15 / 51
Les modeles mathematiques en finance
Prix d’une action de la societe Apple sur une periode de 10 ans, compare
avec une trajectoire du mouvement brownien geometrique.
Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 16 / 51
Les dangers des modeles mathematiques
• La modelisation financiere est fondamentalement differente de la
modelisation en sciences naturelles.
• Les lois de la physique ne changent pas, mais les prix des actifs resultent
du comportement des agents du marche, qui change en fonction de la
situation economique ou meme en fonction des modeles utilises.
• Il faut etre extremement prudent avec les modeles financiers, surtout
ceux qui tentent de faire des previsions ou des analyses a long terme.
• Tout modele en finance est fondamentalement faux dans le sens qu’a
cote des risques ’quantifiables’ il existent toujours des incertitudes
auxquelles on ne peut pas associer une probabilite.
• Les outils probabilistes comme la Value at Risk sont toujours completes
par une analyse cherchant a identifier et prendre en compte les
scenarios de perte possibles sans leur affecter une probabilite precise.Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 17 / 51
Les dangers des modeles mathematiques
• Les modeles faits par des quants sont utilises par les personnes autres
que ceux qui les ont developpes.
• Les utilisateurs des modeles peuvent ne pas etre au courant de tous les
hypotheses / limitations, ou bien decider deliberement de ne pas les
prendre en compte.
• Par consequent, les utilisateurs d’un modele financier doivent toujours
etre informes, de maniere aussi precise que possible, des hypotheses
sous-jacentes du modele et de son domaine de validite.
Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 18 / 51
Financial modeler’s manifesto (Derman, Wilmott ’09)
The Modelers’ Hippocratic Oath(reproduit de Financial Modeler’s Manifesto de Wilmott et Derman)
• I will remember that I didn’t make the world, and it doesn’t satisfy my
equations.
• Though I will use models boldly to estimate value, I will not be overly
impressed by mathematics.
• I will never sacrifice reality for elegance without explaining why I have
done so.
• Nor will I give the people who use my model false comfort about its
accuracy. Instead, I will make explicit its assumptions and oversights.
• I understand that my work may have enormous effects on society and
the economy, many of them beyond my comprehension.
Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 19 / 51
The subprime crisis: quiz
Les prets ’subprime’ sont des prets
1 Accordes par des institutions non-bancaires
2 Accordes a des taux en-dessous des taux du marche
3 Sans assurance
4 Accordes a des clients dont la capacite de remboursement est douteuse
Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 20 / 51
The subprime crisis: quiz
Les prets ’subprime’ sont des prets
1 Accordes par des institutions non-bancaires
2 Accordes a des taux en-dessous des taux du marche
3 Sans assurance
4 Accordes a des clients dont la capacite de remboursement estdouteuse
Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 20 / 51
The subprime crisis: quiz
Dans quel pays a commence la crise des subprimes?
1 France
2 Etats-Unis
3 Russie
4 Grece
Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 21 / 51
The subprime crisis: quiz
Dans quel pays a commence la crise des subprimes?
1 France
2 Etats-Unis
3 Russie
4 Grece
Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 21 / 51
The subprime crisis: quiz
Suite a la crise des subprimes, en 2009
1 Le PIB des Etats-Unis a chute de 5% et celui de la France a augmente
de 2%
2 Le PIB des Etats-Unis a chute de 1% et celui de la France a chute de 4%
3 Le PIB des Etats-Unis a chute de 2% et celui de la France a chute de 3%
Le PIB des Etats-Unis a augmente de 1% et celui de la France a
augmente de 2%
Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 22 / 51
The subprime crisis: quiz
Suite a la crise des subprimes, en 2009
1 Le PIB des Etats-Unis a chute de 5% et celui de la France a augmente
de 2%
2 Le PIB des Etats-Unis a chute de 1% et celui de la France a chute de 4%
3 Le PIB des Etats-Unis a chute de 2% et celui de la France a chute de3% Le PIB des Etats-Unis a augmente de 1% et celui de la France a
augmente de 2%
Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 22 / 51
The subprime crisis: quiz
Le produit financier principalement a l’origine de la crise est le
1 CDS (Credit default swap)
2 CDO (collateralized debt obligation)
3 CPDO (constant proportion debt obligation)
4 CPPI (constant proportion portfolio insurance)
Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 23 / 51
The subprime crisis: quiz
Le produit financier principalement a l’origine de la crise est le
1 CDS (Credit default swap)
2 CDO (collateralized debt obligation)
3 CPDO (constant proportion debt obligation)
4 CPPI (constant proportion portfolio insurance)
Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 23 / 51
La crise financiere de 2007–2008
Cette crise a ete largement provoquee par la croissance demesuree d’un type
particulier de derives de credit: celui des CDOs (Collaterized Debt
Obligations), et par des defaillances majeures dans la comprehension et la
gestion des risques associes.
Croissance de PIB en 2009. Source: WikipediaPeter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 24 / 51
Une bulle immobiliere
• La baisse du taux directeur de la Fed suite a la bulle internet de 2000
ainsi que les politiques du gouvernement americain incitant les menages
a devenir proprietaires, ont cree une bulle sur le marche immobilier.
• Pour repondre a la demande croissante des prets immobiliers, les
banques ont fait recours a une methode appelee titrisation, ou
transformation des creances en titres.
• Ces obligations adossees aux creances immobiliers s’appellent les MBS
(mortgage-backed securities) ou CMO (collateralized mortgage
obligations).
Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 25 / 51
Le principe de titrisation
Fonctionnement d’une CDO ou une CMO
Actif Passif
Tranche senior (AAA)
Prets immobiliers (CMO) ⇓ou Flux financiers−−−−−−−−→ Tranche mezzanine (BBB)
Obligations titrisees (CDO) ⇓Tranche equity (non notee)
Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 26 / 51
Une bulle sur le marche des CDO
• Les tranches ’senior’ des MBS sont facilement vendues aux investisseurs,
mais les tranches ’mezzanine’ et ’equity’ ne trouvent pas preneurs.
• En reponse, les banques ’creent l’investisseur’: les tranches mezzanine
et equity sont a noveau titrisees en CDO.
• Les tranches senior des CDO sont a nouveau bien notees et offrent une
remuneration attractive: la demande croissante des CDO alimente la
demande des prets immobiliers et conduit a une baisse des exigences et
a la proliferation des prets ’subprime’.
Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 27 / 51
Une bulle sur le marche des CDO
2000 2002 2004 2006 2008 2010 2012 2014 2016120
130
140
150
160
170
180
190
200
House
pri
ce index
0
1
2
3
4
5
6
7
Fed f
unds
rate
2000 2002 2004 2006 2008 2010 2012 20140
200
400
600
800
1000
1200
1400Size of CDO market, in billions of USD
Issuance
Outstanding
Gauche: Prix des maisons aux Etats-Unis (source de donnees: page web de
Robert Shiller, l’indice est normalise a 100 en 1890) et le taux directeur de la
Fed (source de donnees: Federal Reserve).
Droite: Marche des CDO avant et apres la crise des subprimes. Source de
donnees: Bank of International Settlements.
Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 28 / 51
Creation des actifs AAA a partir des prets subprime
Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 29 / 51
Les agences de notation
• La qualite de credit d’un emetteur est mesuree par la notation de credit
(credit rating): une evaluation de la solvabilite de l’emetteur calculee en
interne par la banque ou par une agence de notation externe.
• Les notations de la dette souveraine, des corporations et des emissions
de CDO sont calculees par les agences de rating internationales dont les
plus connues sont Standard & Poor’s, Moody’s et Fitch ratings.
• Par exemple, l’echelle de notation de Standard and Poor’s est AAA, AA,
A, BBB, BB, B, CCC, CC, C, D, ou AAA est la meilleure notation possible
et D correspond au defaut.
• Les obligations notees au minimum BBB- sont considerees adaptees aux
investissements de long terme (’investment grade’) alors que les autres
sont considerees comme investissements speculatifs.
Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 30 / 51
Les agences de notation
• Les agences de notation presentent leurs ratings comme des simples
’opinions’ alors qu’en realite ils jouent un role tres important dans la
regulation bancaire.
• Certains fonds monetaires ne peuvent investir que dans les obligations
notees AAA, et dans le calcul du ratio de capital le rating determine la
ponderation des actifs.
• Par exemple dans le cadre du Bale II, un rating AAA correspond a une
ponderation de 0.6% et un rating de BBB correspond a une ponderation
de 4.6%.
• Ceci signifie qu’une banque qui a des actifs notes AAA dans son
portefeuille devra detenir presque 8 fois moins de capital reglementaire
qu’une banque dont les actifs sont notees BBB.
Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 31 / 51
Le deroulement de la crise: phase 1
• Avec l’augmentation du taux directeur de la Fed en 2006 les emprunteurs
a taux variable ne pouvaient plus rembourser leurs prets et leurs
logements etaient vendus aux encheres
• Avec la saturation du marche en raison d’un grand nombre de maisons
mises en construction, cela a provoque d’abord un ralentissement et
ensuite une chute brutale des prix sur le marche, ce qui a augmente
encore le taux de non-remboursement, car les acheteurs ne pouvaient
plus refinancer leurs prets.
• Les agences de notation constatent une augmentation du taux de
non-remboursement et revoient la notation des MBS et CDO a la baisse.
• Cela se repercute immediatement sur les valorisation des CDO dans le
bilan des banques et des fonds d’investissement (comptabilite a la valeur
du marche).Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 32 / 51
Le deroulement de la crise: phase 1
• En juillet 2007 Bear Stearns annonce des pertes sans precedent dans
deux de ses fonds investis massivement en CDO.
• En aout, BNP Paribas suspend temporairement les retraits de capital de
trois de ces fonds investis en CDO.
• En octobre 2007 Merrill Lynch annonce des pertes de 7.9 milliards de
dollars liees a son activite de CDO.
• Le mouvement de panique declenche par ces pertes a alors quasiment
reduit a zero la liquidite du marche des CDOs.
Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 33 / 51
Le deroulement de la crise: phase 2
• La crise de liquidite sur le marche des CDO declenche alors une crise de
confiance sur le marche interbancaire:
• il devient de plus en plus difficile pour les banques d’investissement de se
financer au jour le jour.
• Pour eviter le pire, en mars 2008 la Fed negocie en urgence le rachat de
Bear Stearns par JP Morgan, en fournissant des garanties a hauteur de
30 milliards de dollars.
• Le sauvetage des actionnaires de Bear Stearns avec l’argent du
contribuable met la Fed sous pression.
• En Angleterre, la banque Northern Rock est nationalisee au printemps
2008 apres une ruee sur ces depots.
Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 34 / 51
Le deroulement de la crise: phase 2
• La crise atteint son sommet en septembre 2008 avec la faillite de Lehman
Brothers et le rachat en urgence de Merrill Lynch par Bank of America.
• Goldman Sachs et Morgan Stanley se reconvertissent en banques de
detail pour avoir acces aux financements d’urgence de la Fed.
• Les societes de credit immobilier Fanny Mae et Freddie Mac sont
reprises par le gouvernement, et l’assureur AIG recoit plus de 100
milliards du gouvernement federal.
• La banque Fortis est nationalise en Belgique le 29 septembre.
• Pendant la semaine du 6 au 10 octobre 2008, plusieurs indices majeurs
tels que le S&P 500 ou le CAC40 perdent plus de 20% de leur valeur.
• En octobre 2008 une loi met en place un programme de sauvetage des
banques sans precedent, a hauteur de 700 milliards de dollars.
Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 35 / 51
Les defaillances dans la gestion des risques de CDO
• La mauvaise evaluation et gestion du risque des CDOs, par les
investisseurs, les banques et les agences de rating a joue un role
primordial dans le declenchement de la crise.
• La plupart des banques utilisaient des modeles trop simples pour rendre
compte de la realite complexe des defauts simultanes qui affectent le
pay-off d’une CDO.
• Par exemple, le modele de copule gaussienne de D. Li reduit toute la
complexite du probleme a une unique valeur de correlation.
• Les autres acheteurs des CDO faisaient confiance aux notations
delivrees par les agences de rating a la demande des vendeurs.
• Meme les agences de rating ne pouvaient vraiment apprehender la
complexite des CDOs et etaient obliges de faire des simplifications
importantes dans leur modelisation.Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 36 / 51
Le modele de copule gaussienne
Soit F1, . . . ,Fn les lois marginales. On definit la fonction de repartition
n-dimensionnelle par
F (x1, . . . , xn) := Cρ(F1(x1), . . . ,Fn(xn)),
ou
Cρ(u1, . . . ,un) = Φρ(N−1(u1), . . . ,N−1(un)),
ou N est la fonction de repartition de la loi gaussienne univariee et Φρ est la
fonction de repartition d’un vecteur Gaussien en dimension n dont les
composantes sont centrees reduites de correlation constante egale a ρ.
Le modele de D. Li fait l’hypothese que la dependance entre les dates de
defaut de n obligations d’une CDO est donnee par la copule gaussienne.
Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 37 / 51
Le role des agences de notation
• Le risque d’une CDO depend des probabilites de non-remboursement
des prets individuels et des correlations entre les defauts.
• Dans leurs modeles les agences de rating ne descendaient jamais aux
emprunts individuels mais utilisaient les ratings des tranches de MBS,
calcules sur une periode historique trop courte.
• Le risque systemique, lie a un renversement global du marche
immobilier, a ete largement sous estime.
• La correlation entre les evenements de defaut des differentes tranches
n’etait pas modelisee correctement en l’absence de donnees fiables;
chez Moody’s on utilisait seulement 20 ans de donnees historiques.
• Par ailleurs, les equipes etaient surchargees et il existait un conflit
d’interet important car les agences etaient payees par les banques qui
structurent les CDO.Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 38 / 51
Crise des subprimes: resume
• Les notations attribuees aux CDO par les agences de rating ne
refletaient pas correctement le risque de ces produis en raison d’une
sous-estimation grossiere du risque systemique associe au retournement
general du marche immobilier
• Lorsque ce risque s’est materialise en 2006-2007, les agences de rating
ont massivement degrade les notations des CDO, ce qui a reduit
quasiment a zero la liquidite de ces instruments et a initie le mouvement
de panique sur le marche interbancaire.
• Ce ne sont pas les modeles mathematiques qui sont responsables de la
crise mais d’un cote leur utilisation hors de leur cadre d’applicabilite et
sans une calibration adequate par les agences de rating, et d’un autre
cote une confiance aveugle et contraire a tout bon sens en ces modeles
de la part des banques et des investisseurs.Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 39 / 51
Consequences de la crise: nouveaux risques
• Risque de liquidite (liquidite de financement / liquidite du marche):
funding valuation adjustment (FVA) et procedures de gestion de risque
nouvelles dans Bale III.
• Risque de defaut de grands etablissement bancaires et des pays
souveraines developpes: spread entre EONIA / EURIBOR, debt valuation
adjustment (DVA).
• Risque de contrepartie: credit valuation adjustment (CVA).
• Risque systemique: chambres de compensation pour les derives de
credit (CDS); contingent convertible bonds (CoCos) permettant ainsi de
recapitaliser la banque rapidement.
Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 40 / 51
Consequences de la crise: spread EONIA / LIBORThe financial crisis
Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 41 / 51
Consequences de la crise: reponse des regulateurs
• Depuis 2007-2008, les banques font regulierement l’objet des stress testsconduits par les regulateurs nationaux et visant a evaluer leur stabilite financiere.
• Dodd-Frank act (2010): Volker Rule: interdiction du trading pour compte proprepar les banques, creation du Conseil de Surveillance de Stabilite Financiere...
• European Market Infrastructure Regulation (2012): nouvelles regles defonctionnement des marches gre a gre des produits derives.
• Accord de Bale III (2013–2019): renforcement des contraintes en capital etliquidite, provisions pour le risque de modele des produits illiquides...
• Fundamental Review of Trading Book (FRTB, 2016, entree en vigueur 2019) -nouveaux standards du calcul du capital reglementaire;
• MIFID-II (2014, entree en vigueur 2018) - transparence des marches, protectiondes investisseurs.
Voir les rapports annuels de Financial Stability Board pour connaıtre l’etat
d’implementation des reformes dans les pays de G20Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 42 / 51
Ameliorer la resilience des institutions financieresDu�e: Financial Regulatory Reform After the Crisis: An Assessment
4 Management Science, Articles in Advance, pp. 1–23, © 2017 INFORMS
Figure 1. (Color online) Improving the Capital Ratios of EU Banks
0
10
20
30
40
50
60
70
80
90
100
%
Q42009
Q12011
Q22011
Q32011
Q42011
Q12012
Q22012
Q32012
Q42012
Q12013
Q22013
Q32013
Q42013
Q12014
Q22014
Q32014
Q42014
Q12015
Q22015
<9% 9%–12% >12%
Data source. European Banking Authority.Note. Fractions of European banks with CET1 ratios in the indicated ranges: less than 9%, between 9% and 12%, and more than 12%.
capital standard is likely to result in an approximatemedian (weighted average) increase of 22% (40%) intotal market risk capital requirements (i.e., includingsecuritization and nonsecuritization exposures withinthe scope of the market risk framework).
As a gauge of whether bank failures are as great athreat to market participants as they were before theimplementation of resiliency reforms, Figure 2 showsthe fraction of credit default swap (CDS) referencingbanks, versus nonbanks, among the 15 most referenced
Figure 2. (Color online) Banks Are Now Less Referenced by CDS, Relative to Nonbanks
0
10
20
30
40
Fra
ctio
n of
ban
k C
DS
in to
p-15
cor
pora
te C
DS
(%
)
50
60
Mar. 2012 Dec. 2012 May 2013 Dec. 2013 June 2014 Dec. 2014 June 2015 Dec. 2015 June 2016
Data source. DTCC Trade Information Warehouse.Notes. Of the 15 corporations most referenced in the CDS market by net notional outstanding, this figure shows the fraction of the total of thenet outstanding notional CDS positions of these 15 firms, period by period, that reference banks. The banks that appear in the top 15 in at leastone period are Wells Fargo, Deutsche Bank, Morgan Stanley, Goldman Sachs, Unicredit, Barclays, and J. P. Morgan.
corporations in the CDS market. Since early 2012, thisfraction has declined from about 50% to about 28%.Currently, only Deutsche Bank and Barclays are in thetop 15.
2.2. Unintended Consequences ofLeverage Regulations
There have nevertheless been some unintended ad-verse consequences of the new capital regulations.
Dow
nloa
ded
from
info
rms.o
rg b
y [3
5.17
6.47
.6] o
n 03
Aug
ust 2
017,
at 0
8:42
. Fo
r per
sona
l use
onl
y, a
ll rig
hts r
eser
ved.
Du�e: Financial Regulatory Reform After the Crisis: An Assessment4 Management Science, Articles in Advance, pp. 1–23, © 2017 INFORMS
Figure 1. (Color online) Improving the Capital Ratios of EU Banks
0
10
20
30
40
50
60
70
80
90
100
%
Q42009
Q12011
Q22011
Q32011
Q42011
Q12012
Q22012
Q32012
Q42012
Q12013
Q22013
Q32013
Q42013
Q12014
Q22014
Q32014
Q42014
Q12015
Q22015
<9% 9%–12% >12%
Data source. European Banking Authority.Note. Fractions of European banks with CET1 ratios in the indicated ranges: less than 9%, between 9% and 12%, and more than 12%.
capital standard is likely to result in an approximatemedian (weighted average) increase of 22% (40%) intotal market risk capital requirements (i.e., includingsecuritization and nonsecuritization exposures withinthe scope of the market risk framework).
As a gauge of whether bank failures are as great athreat to market participants as they were before theimplementation of resiliency reforms, Figure 2 showsthe fraction of credit default swap (CDS) referencingbanks, versus nonbanks, among the 15 most referenced
Figure 2. (Color online) Banks Are Now Less Referenced by CDS, Relative to Nonbanks
0
10
20
30
40
Fra
ctio
n of
ban
k C
DS
in to
p-15
cor
pora
te C
DS
(%
)
50
60
Mar. 2012 Dec. 2012 May 2013 Dec. 2013 June 2014 Dec. 2014 June 2015 Dec. 2015 June 2016
Data source. DTCC Trade Information Warehouse.Notes. Of the 15 corporations most referenced in the CDS market by net notional outstanding, this figure shows the fraction of the total of thenet outstanding notional CDS positions of these 15 firms, period by period, that reference banks. The banks that appear in the top 15 in at leastone period are Wells Fargo, Deutsche Bank, Morgan Stanley, Goldman Sachs, Unicredit, Barclays, and J. P. Morgan.
corporations in the CDS market. Since early 2012, thisfraction has declined from about 50% to about 28%.Currently, only Deutsche Bank and Barclays are in thetop 15.
2.2. Unintended Consequences ofLeverage Regulations
There have nevertheless been some unintended ad-verse consequences of the new capital regulations.
Dow
nloa
ded
from
info
rms.o
rg b
y [3
5.17
6.47
.6] o
n 03
Aug
ust 2
017,
at 0
8:42
. Fo
r per
sona
l use
onl
y, a
ll rig
hts r
eser
ved.
Gauche: ratios de capital CET1 des banques europeennes. Droite:
pourcentage des valeurs bancaires parmi les 15 CDS les plus references.
Grace a l’implementation des regles de calcul du ratio de capital plus robustes
du Bale III, les banques du G20 sont maintenant mieux capitalises qu’avant la
crise.
Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 43 / 51
En finir avec les “too big to fail”
En cas de faillite d’une etablissement financier a importance systemique, le
gouvernement a le choix entre
• Laisser l’etablissement faire faillite avec les consequences nefastes pour
l’economie reelle
• Utiliser l’argent des contribuables pour recapitaliser l’entreprise
L’entreprise est encourage a prendre le risque par la perception qu’elle sera
soutenu par le gouvernement quoi qui se passe
Le regulateur doit etre en mesure de resoudre en toute securite la faillite
d’une entreprise d’importance systemique sans deployer les fonds publics.
Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 44 / 51
En finir avec les “too big to fail”
Les mecanismes de resolution controlee de banqueroute ont ete introduits
aux US et en Europe, mais leur credibiilte n’est pas acquise: la faillite d’une
grande banque internationale risque toujours d’envoyer une onde de choc
desastreuse sur les marches.Du�e: Financial Regulatory Reform After the Crisis: An Assessment
10 Management Science, Articles in Advance, pp. 1–23, © 2017 INFORMS
Figure 4. (Color online) Bank CDS Rates Are Much Higher Than Their Precrisis Levels
0
50
100
150
CD
S r
ate
(bas
is p
oint
s) 250
200
300
350
February 2005 February 2007 February 2009 February 2011 February 2013 February 2015
European banks U.S. banks
Data source. Bloomberg.Notes. The trailing one-quarter average of the senior unsecured five-year CDS rates of a subset of U.S. banks (Morgan Stanley, Goldman Sachs,J. P. Morgan, Citibank, and Bank of America–Merrill Lynch) and of a subset of European banks (Barclays, BNP Paribas, Crédit Suisse, DeutscheBank, Société Générale, UBS, and Unicredit). In October 2008, Morgan Stanley and Goldman Sachs became banks and Merrill Lynch wasacquired by Bank of America.
much as L while still leaving at least C in equity cap-ital, after failure resolution causes the cancellation orconversion to equity of D in designated “bail-in” debtinstruments. The implied inequality for minimum totalloss-absorbing capital (TLAC) is then E +D � L � C, orequivalently, E�C +D � L. What portion, if any, of the“excess equity,” E � C, should be permitted to counttoward meeting this TLAC requirement? Because E isimperfectly measured, some have argued that little ifany of the excess equity should count toward TLAC,and that the requirement should therefore be D � L.Others have made the point that a TLAC rule thatencourages a bank to have more debt and less excessequity surely increases the risk of failure in the firstplace. And then there is the middle ground of count-ing some fraction of the excess equity toward the TLACrequirement, or having separate minimums for TLACand for bail-in debt, as will be the case in the UnitedStates.13
In modeling TLAC costs and benefits, Mendicinoet al. (2017, p. 2) emphasize instead the following trade-off with agency costs: “As a protection against costlydefault, bail-in debt and equity are perfect substitutes.However, they differ strongly in their impact on incen-tives. This leads to the second key trade-off faced bythe regulator: the one between controlling risk shifting(for which outside equity is superior) and preventingexcessive private benefit taking (for which bail-in debtdominates).”
2.11. Failure-Resolution ReadinessWhile much progress has been made toward the goal of“ending too-big-to-fail,” I do not view current failure-resolution processes as ready for immediate successful
deployment. Under plausible circumstances, if one ofthe world’s largest complex global financial firms wereplaced into administrative failure resolution today,I doubt that the firm (or its designated successor)would be able to quickly resume providing anythingclose to a normal level and range of financial services.In some cases, there could be a disastrous shock tomarkets. While much progress has been made towardmeeting this worthy objective and mitigating the asso-ciated moral hazard, it is too early to declare victoryover too-big-too-fail. Gracie (2016) outlines work thatremains to be done.
2.12. Lending of Last ResortIn one major jurisdiction, the United States, the finan-cial “reform” process has been used to remove the legalcapacity of the central bank to provide lending of lastresort (LOLR) to individual firms outside of the reg-ulated banking system. The suggested benefit of thisrestriction is that nonbanks could take undue advan-tage of the protection of this part of the bank “safetynet,” a form of moral hazard. This gap in LOLR cov-erage includes the huge dealer affiliates of the largestglobally systemically important bank holding compa-nies. This restriction on the central bank could exac-erbate a crisis or even cause a financial crisis thatneed not have occurred. Given the lessons of 2007–2008 about the dangers posed to the economy by non-bank financial firms, and in the light of the increasinglyheavy dependence of developed market economies onmarket-based finance, this curtailment of lending oflast resort was a significant step backward for financialstability.
Dow
nloa
ded
from
info
rms.o
rg b
y [3
5.17
6.47
.6] o
n 03
Aug
ust 2
017,
at 0
8:42
. Fo
r per
sona
l use
onl
y, a
ll rig
hts r
eser
ved.
Taux de CDS 5 and sur un sous-groupe de grandes banques europeennes et
americaines.Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 45 / 51
Reduction du risque systemique sur le marche des
derives
• La majorite des produits derives standards sont maintenant pris en
charge par les chambres de compensation
• La compensation centrale reduit le risque de contrepartie ainsi que le
risque de contagion du defaut.
• Le risque de defaut de CCP doit etre pris en compte: les CCP sont
assujetis aux stress test depuis 2016 mais un mecanisme de resolution
controlee des CCP reste a definir
• Les produits derives FX restent un secteur mal regule
Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 46 / 51
Regulation du systeme bancaire parallel
Des reformes sont en cours d’implementation pour reguler les ’shadow
banks’:
1 Fonds communs de placement (LTCM);
2 Preteurs non bancaires dependant de financements a court terme, tels
que les societes de financement, societes de credit a la consommation;
3 Les intermediaires du marche qui dependent d’un financement a court
terme ou du financement garanti des actifs des clients, tels que les
courtiers;
4 Les entreprises facilitant la creation de credit, telles que les societes
d’assurance-credit, les garants financiers et les assureurs monolines;
5 Les intermediaires de la titrisation.
Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 47 / 51
Amelioration de la concurrence sur les marches
financiers
• Passage du trading bilateral au trading multilateral: plus de 2/3 de
transactions de swaps aux US ont maintenant lieu sur les MFT avec un
carnet d’ordres centralise
• Les regulations comme MIFID-2 ont mandate la transparence pre et
post-trade.
Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 48 / 51
Les risques emergents: the tragedy of the horizons
• Le changement climatique cree des risques systemique sans precedent
pour notre economie
• Les risques physiques (destruction des actifs)
• Les risques de transition (pertes provoques par des changements
reglementaires, actifs echoues)
• Les acteurs du systeme financier prennent conscience de la necessite de
tenir compte ses risques et de developper les instruments de
financement de la transition energetique
Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 49 / 51
A climate stress test of the financial systemARTICLES NATURE CLIMATE CHANGE DOI: 10.1038/NCLIMATE3255
0% 5% 10% 15% 20% 25% 30%
Deutsche BankCrédit AgricoleCommerzbank
NatixisNordea Bank
Crédit Industriel et Co..Standard Chartered
Rai�eisen Bank Intern.UniCredit
DexiaSociété Générale
Skand. Enskilda BankenBarclays
Delta LloydAareal Bank
Jyske BankKBC Groep
Monte PaschiBNP Paribas
Svenska Handelsbanken
First round Second round
Figure 3 | First- and second-round losses in banks’ equity for the 20 most-severely a�ected EU listed banks, under the Fossil fuel + Utilities 100%shock. Subsidiaries have not been taken into account.
of stranded assets6. Accordingly, probabilistic estimates of theclimate VaR can be carried out from an aggregate perspective11.However, these estimates are too broad to define shock scenariosfor individual institutions. At a more granular level, estimates ofthe value of stranded assets are available in the literature but theirsectoral coverage is currently too narrow to inform an analysis ofsystemic impacts.
To overcome these limitations, we extend the stress-test method-ology developed in refs 27,28, which allows one to disentangle thetwo main contributions to systemic losses. First-round losses aredefined as losses in banks’ equity due to direct exposures to shocks.Second-round losses are defined as indirect losses in banks’ equitydue to the devaluation of counterparties’ debt obligations on theinterbank creditmarket. Themagnitude of second-round e�ects canvary significantly. Traditional methods (based on ref. 29), yieldingsmall second-round e�ects, are appropriate only under specificmarket conditions (that is, full recovery from counterparties’ assetliquidation and no mark-to-market valuation of debt obligations).In general, instead, second-round e�ects can be comparable inmagnitude to first-round e�ects15,27,28,30.
We illustrate how our methodology can be used to conduct aclimate stress-test of the banking system based on microeconomicdata at the level of individual banks, by carrying out two exerciseson the set of the top 50 listed European banks by total assets(see Methods).
In the first exercise we aim to determine an upper bound on themagnitude of the losses induced by climate policies by consideringa set of scenarios in which the whole equity value of the firms inthe shocked sector would be lost. We can then compute for eachbank the ratio of the exposures to climate-policy-relevant sectorsover the banks’ capital (that is, banks’ equity on the liability sideof their balance sheets). Di�erent scenarios consist of di�erentcombinations of sectors as indicated in Supplementary Table 8, byincreasing levels of shocks’ severity. For instance, in the secondscenario, 100%of themarket capitalization of listed firms both in thefossil-fuel sector and in the utilities sector is lost. Figure 3 shows thelosses as a percentage of the banks’ capital across the 20most a�ectedbanks as a result of the second scenario from Supplementary Table 8.Light (dark) grey bars indicate the losses from the first- (second-)round shocks. Notice that some banks have no first-round lossesbut have important losses at the second round. None of the largestbanks could default solely due to their exposures to climate-policy-relevant sectors on the equity market. This result implies that even
in a severe scenario, there is no systemic impact when consideringonly the equity holdings channel.
More refined scenarios, allowing one to compute a VaR for eachbank, require one to have distributions of shocks across climate-policy-relevant sectors, which are not available in the literatureat this stage. As a first step in this direction, in our secondexercise, we construct distributions of shocks for the fossil-fuel andutility sectors based on the economic impact assessment of climatepolicies provided by the LIMITS database26 and we consider severalscenarios of banks’ exposures to climate-policy-relevant sectors(see Methods).
In particular, we interpret scenarios (2) and (4) in terms ofdistributions of losses su�ered by a ‘representative’ (average) bankadopting one of two di�erent investment strategies:ˆ (2) a ‘green’ bank having all its equity holdings in utilities invested
in renewables-based utilities and having no equity holdings in thefossil-fuel sector,
ˆ (4) a ‘brown’ bank having all its equity holdings in utilitiesinvested in fossil-fuel-based utilities and keeping its equityholdings in the fossil-fuel sector.Supplementary Table 10 reports the main statistics on the global
relative equity loss in the banking system. The results of the twoexercises are consistent: the system’s VaR in the brown scenariois less than 1% of the total banks’ capital. Supplementary Table 3reports the statistics for the ‘representative’ brown and greenbank: depending on whether their exposure to utilities is mainlyconcentrated on renewables-based utilities or on fossil-fuel ones andif they are exposed to the fossil-fuel sector, banks might face verydi�erent impacts from climate policies. Further, SupplementaryFig. 6 shows the distribution of first-round losses: the brownbank incurs more losses than the green one, but these losses aresmall in comparison with the equity of the average bank (that is,US$32 billion) and with its total asset (that is, US$604 billion).Finally, Fig. 4a,b reports the VaR for the 20most a�ected banks bothin the brown and in the green scenario.
The limited magnitude of banks’ losses in this exercise is due tothe fact that Euro Area banks bear little equity holdings comparedwith their balance sheet (about 1.2T EUR, that is, 3.8% of total assetsand 48% of capital), probably due to higher capital requirements forequity holdings31. However, banks bear larger exposures on loans tonon-financial corporations (about 4.8T EUR= 13.8% of total assetsand 192% of their capital). Unfortunately, Euro Area banks’ loansare only available at 1-digit NACE Rev2 aggregation32. At this stage,
4
© 2017 Macmillan Publishers Limited, part of Springer Nature. All rights reserved.
NATURE CLIMATE CHANGE | ADVANCE ONLINE PUBLICATION | www.nature.com/natureclimatechange
Pertes en capital d’un echantillon de 20 banques dans le scenario de perte de
100% de capitalisation du secteur energie fossile / services publics
Source: Battiston et al. (2017)Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 50 / 51
References complementaires
• The Financial Crisis Inquiry Report : The Final Report of the National Commission on theCauses of the Financial and Economic Crisis in the United States. Cosimo, Inc.(2011)
• DERMAN, E. Models. Behaving. Badly. : Why Confusing Illusion with Reality Can Lead toDisaster, on Wall Street and in Life. Simon and Schuster (2011).
• DERMAN, E. et P. WILMOTT. The financial modelers’ manifesto (2009).• LI, D. X. On default correlation : a copula function approach. Journal of Fixed Income, 9(4)
:43–54 (2000).• SALMON, F. Recipe for disaster : The formula that killed Wall street. Wired Magazine,
17(3), 2009.• Lewis, M. The Big Short: Inside the Doomsday Machine (2010) + le film The Big Short
(2015)• Duffie, D., Financial Regulatory Reform After the Crisis: An Assessment, Management
Science, 2017.• Financial Stability Board, Implementation and effects of the G20 financial regulatory
reforms, 2017.• Carney, M., Breaking the tragedy of the horizon – climate change and financial stability,
2015.• S. Battiston et al., A climate stress test of the financial system, Nature Climate Change,
2017.
Peter Tankov (Universite Paris–Diderot) Processus stochastiques en finance Master M2MO 51 / 51