(très) brève histoire de la gestion actif-passif - EDHEC-Risk
Transcription
(très) brève histoire de la gestion actif-passif - EDHEC-Risk
1 L’intérêt des hedge funds dans la gestion actif-passif Noël Amenc Professeur de finance Directeur de l’EDHEC Risk and Asset Management Research Centre [email protected] Recherche réalisée avec le soutien de l’AFG Stratégies Alternatives 2008 Séminaire sponsorisé par 2 Sommaire • Gestion actif-passif – Gestion actif-passif versus gestion d’actifs – Classes de gestion actif-passif • Techniques de gestion actif-passif – Cash-flow matching & immunisation – Optimisation du surplus & LDI • Exemples d’applications – Modélisation de l’impact des fonds alternatifs – Trois illustrations 3 • Gestion actif-passif – Gestion actif-passif versus gestion d’actifs – Classes de gestion actif-passif • Techniques de gestion actif-passif – Cash-flow matching & immunisation – Optimisation du surplus & LDI • Exemples d’applications – Modélisation de l’impact des fonds alternatifs – Trois illustrations 4 Gestion actif-passif Gestion actif-passif versus gestion d’actifs • La gestion actif-passif (GAP, ou ALM en anglais) se distingue de la gestion d’actifs en ce sens que les contraintes de passif auxquels l’investisseur doit faire face sont prises en compte dans le design de la stratégie optimale d’allocation. • Cette prise en compte des contraintes de passif s’organise à travers des techniques d’allocation spécifiques dont nous discuterons en deuxième partie. • Ces techniques d’allocation s’appliquent à un ensemble cohérent de classes d’ALM, c’est-à-dire de classes génériques cohérentes pour lesquelles une modélisation long-terme est possible. • Pour chaque classe, la gestion d’actifs a ensuite pour vocation de définir un benchmark efficient permettant d’obtenir la meilleure rémunération des risques encourus. 5 Gestion actif-passif Classes de gestion actif-passif • Les classes d’actifs typiquement impliquées dans une analyse actif-passif sont les grandes classes traditionnelles. • Il s’agit typiquement de : – Actions : forte capitalisation, faible capitalisation ; – Obligations : obligations nominales, obligations indexées. • Dans un contexte de risques accrus sur les marchés actions et obligations, les investisseurs sont à la recherche de nouvelles classes de diversification ou classes dites alternatives, avec un intérêt particulier pour les fonds alternatifs. 6 Gestion actif-passif Fonds alternatifs et GAP : un défi insurmontable? • Il peut également être tentant d’introduire les fonds alternatifs comme une classe d’actifs additionnelle aux classes traditionnelles dans le contexte d’un exercice d’allocation actifpassif. • Cela pose cependant un certain nombre de problèmes. – Problèmes conceptuels • Les fonds alternatifs ne forment pas une classe cohérente. • Les fonds alternatifs sont plutôt un ensemble de stratégies disparates. – Problèmes techniques • Il n’existe pas aujourd’hui de modèle consensuel pour la performance des fonds alternatifs. • Tout espoir n’est pas perdu (Fung et Hsieh (2002), Agarwal et Naik (2004)), mais le chemin est encore long. • Utiliser un mouvement Brownien identique à celui utilisé pour la modélisation de la rentabilité des indices action impliquerait une corrélation parfaite avec les indices actions ! • Par ailleurs, nous ne disposons pas d’estimation de long-terme des paramètres de la distribution de rentabilité des fonds alternatifs. 7 Gestion actif-passif Problème de robustesse • • Comme indiqué précédemment, il est délicat de voir les fonds alternatifs comme une classe de GAP en raison de i) risques de modèles et ii) risque d’échantillon. Une utilisation naïve des rendements de fonds alternatifs pose un vrai problème de robustesse. Edhec FoHF Index Lehman Global Bond Index MSCI World Stock Index avr.-00 avr.-01 avr.-02 avr.-03 avr.-04 Results from maximization of information ratio with respect to liabilities modeled as TIPS returns + 3%. Out-of-sample period: 04/2000-03/2005. Calibration based on 3-year rolling window analysis. 8 Gestion actif-passif Une approche pragmatique • Il existe en fait une approche alternative, consistant à considérer les fonds alternatifs comme une classe complémentaire, et non pas additionnelle, aux classes traditionnelle. • La recherche académique a en effet montré que l’inclusion de certaines stratégies alternatives (mais pas toutes!) dans un portefeuille traditionnel permettait d’obtenir une amélioration significative de la rentabilité ajustée du risque de ce portefeuille. • Ces bénéfices de diversification peuvent se mesurer en termes de diminution de la volatilité, mais aussi en termes de diminution des risques extrêmes. • Ils proviennent de l’exposition des fonds alternatifs à des facteurs de risque alternatifs aux facteurs traditionnels (alternative betas) : volatilité, crédit, liquidité, etc. 9 • Gestion actif-passif – Gestion actif-passif versus gestion d’actifs – Classes de gestion actif-passif • Techniques de gestion actif-passif – Cash-flow matching & immunisation – Optimisation du surplus & LDI • Exemples d’applications – Modélisation de l’impact des fonds alternatifs – Trois illustrations 10 Techniques de gestion actif-passif Une (très) brève histoire de la gestion actif-passif • Différentes techniques de gestion actif-passif (GAP) – Adossement de flux (cash-flow matching) : cette technique de couverture (statique) consiste à assurer une correspondance parfaite entre les flux issus du portefeuille d’actifs et les engagements au passif; les obligations indexées sur l’inflation sont la classe naturelle à cet effet. – Immunisation (immunization) : dans la mesure où l’adossement parfait n’est que rarement possible en pratique, cette technique permet une gestion dynamique de risque de taux résiduel. 11 Techniques de gestion actif-passif Une (très) brève histoire de la gestion actif-passif – Optimisation du surplus (surplus optimization) : Dans un souci d’améliorer la rentabilité de l’actif, et donc de réduire le niveau des contributions, il est nécessaire d’introduire dans l’allocation stratégique des classes d’actifs (actions, obligations) qui ne sont pas parfaitement corrélées avec le passif; il s’agira alors de trouver le meilleur compromis possible entre le risque (relatif aux contraintes de passif) ainsi assumé, et l’excédent de rentabilité que l’investisseur peut espérer obtenir du fait de l’exposition à des facteurs de risques rémunérés. • Ingrédients manquants : – Théorème de séparation ? – Liens avec l’approche LDI ? 12 Techniques de gestion actif-passif Modèle (statique) de GAP The variance of the asset portfolio: σ A2 The variance of the liabilities: σ L2 The covariance between the asset portfolio and the liabilities: σ AL The vector of portfolio fractions of the risky portfolio: ω ′ ≡ (ω 1,L , ω n ) The vector of expected asset returns: μ A ′ ≡ (E 1,L , E n ) The covariance matrix of the assets: ⎛ σ 11 L σ 1n ⎞ ⎜ ⎟ V ≡⎜ M M ⎟ ⎜σ ⎟ ⎝ n1 L σ nn ⎠ The vector of covariances between assets and liabilities: V AL ′ ≡ (σ 1L ,L , σ nL ) The unity vector: e ′ ≡ (1, L ,1) ∈ ℜ n 13 Techniques de gestion actif-passif Objectif Objectif du modèle : minimiser la variance du surplus pour un niveau donné de rendement moyen du surplus. Le rendement du surplus (Sharpe and Tint (1990)) : ( ) ( ) ( ) ~ ~ ~ ~ ~ S t +1 − S t At +1 − Lt +1 − ( At − Lt ) At +1 − At Lt +1 − Lt 1 ~ ~ ~ RSt = = = − Lt = R At − RLt At At At At Lt Ft Le rendement moyen du surplus : 1 1 ~ E (R S )≡ E S = E A − E L = ω ′ (μ A − re ) + r − EL F F La variance du surplus : ( ) ~ Var R S ≡ σ 2 S =σ 2 A + 1 σ 2 F 2 L − 2⋅ 1 σ F AL = ω ′V ω + 1 σ 2 F 2 L −2 1 ⋅ ω ′V AL F Condition de premier ordre à appliquer au Lagrangien : L ≡ ω ′V ω + 1 F2 σ 1 2 − ⋅ ω ′V AL − 2 L F ⎛ λ ⎜ ω ′ (μ A − re ) + r − ⎝ 1 ⎞ EL − ES ⎟ F ⎠ 14 Techniques de gestion actif-passif Solutions LDI et le théorème de séparation • Stratégie optimale de portefeuille ω= • λ 2 V −1 (μ A − re ) + 1 −1 V V AL F On obtient ainsi un portefeuille de séparation à deux (trois) fonds – Le premier fonds est le fonds standard de l’asset management (recherche du meilleur compromis risque/rentabilité sans prise en compte de contraintes de passif). – Le deuxième portefeuille est un portefeuille de couverture du passif : c’est le portefeuille le plus corrélé avec le passif, et également celui qui minimise la volatilité locale du surplus. – Cette solution rationalise les approches dites LDI. 15 Techniques de gestion actif-passif Liability-Hedging Portfolio 0,25 0,2 Relative MSD Frontier Exceess return 0,15 0,1 Liability Hedging Portfolio 0,05 0 0 0,05 0,1 0,15 0,2 0,25 0,3 Relative Risk 16 Techniques de gestion actif-passif Liability-Matching Portfolio 0,3 0,25 Exp. Return 0,2 Relative MSD Frontier 0,15 0,1 Liability Matching Portfolio 0,05 0 0 0,05 0,1 0,15 0,2 0,25 0,3 0,35 Relative Risk 17 • Gestion Actif-Passif – Gestion actif-passif versus gestion d’actifs – Classes de gestion actif-passif • Techniques de gestion actif-passif – Cash-flow matching & immunisation – Optimisation du surplus & LDI • Exemples d’applications – Modélisation de l’impact des fonds alternatifs – Trois illustrations 18 Diversification optimale Mélange optimal avec les actions et les obligations Avec le MSCI World Index Convertible Arbitrage CTA Global Event Driven Equity Mkt Neutral Long Short Equity Covariance Beta 0.06 -0.11 0.27 0.06 0.38 Cokurtosis Beta 0.10 -0.26 0.36 0.07 0.38 Convertible Arbitrage CTA Global Event Driven Equity Mkt Neutral Long Short Equity Covariance Beta -0.06 1.51 -0.34 0.05 -0.37 Cokurtosis Beta -0.12 1.27 -0.36 0.08 -0.08 Avec le Lehman Global Treasury Bond Index Co-moments des distributions de rendement des indices de fonds alternatifs avec celles des Actions et des Obligations, Basés sur les indices Edhec Hedge Fund par rapport au MSCI World Equity et Lehman Global Treasury Bond Index sur la période 01/1997-03/2008 Pas de potentiel de diversification Interpretations (amélioration des moments du portefeuille) Potentiel de diversification faible Potentiel de diversification élevé Baisse du moment ordre 2 (volatilité) Ù beta covariance < 1 Baisse du moment ordre 4 Ù beta cokurtosis < 1 Potentiel de diversification très élevé 19 Exemples d’applications Equity et Bond Diversifier Benchmarks • La sélection des stratégies en fonction de leur profil de diversification permet de maximiser les potentiels de diversification du benchmark vis-à-vis des actions ou des obligations. • En raison de leurs bêtas, nous choisissons les stratégies suivantes pour diversifier un portefeuille orienté actions ou obligations en terme de risques (volatilité, skewness, kurtosis) Equity Diversifier • • • Convertible Arbitrage CTA / Global Macro Equity Market Neutral Bond Diversifier • • • • Convertible Arbitrage Equity Market Neutral Event Driven Long/Short Equity 20 Exemples d’applications Le modèle • Cadre de travail – On considère 3 classes à l’actif : actions, obligations et TIPS (treasury inflation protected securities) – La modélisation du passif tient compte du fait que les taux d’intérêt et l’inflation sont typiquement les deux facteurs dominants – On suppose que le rendement du passif est égal au rendement des TIPS = rendement des TIPS +3% annuels – On utilise des techniques de type Monte-Carlo pour générer 10 000 scénarios d’évolution de l’actif et du passif – On suppose que le ratio de funding est initialement égal à 100% (actif=passif à la date initial) et on cherche à minimiser le déficit moyen (expected shortfall) à l’horizon (ici T=10 ans) ⎛ AT − LT ⎞ ⎜ min E ⎜ AT − LT < 0 ⎟⎟ ⎝ LT ⎠ • On utilise des estimations de long terme des paramètres de rendement et de volatilité des classes traditionnelles 21 Exemples d’Applications Les paramètres Estimations de long-terme pour Moyennes, Variances et Corrélations des Classes Traditonnelles Actions Obligs TIPS Actions 1 Obligations 0.24 1 TIPS -0.05 0.52 1 Moyenne 10.4% 5.8% 4.3% Volatilité 16.5% 8.5% 6.58% For mean return & volatility on stocks and bonds, we have used the Dimson, Marsh & Staunton (*) 1900-2000 estimates (bonds – US: 2.1% real + 3.3% inflation + 0.4% credit spread; stocks - world); for volatility on TIPS, and for the correlation matrix, we have used the Kothari and Shanken (**) 1953-2000 estimates; for estimated mean return on TIPS = inflation + real short term (or 3.3%+1% - US) (*) Dimson, E., P., Marsh and M., Staunton, Triumph of the Optimists, 2002, Princeton University Press. (**) Kothari, S., and Shanken, J., 2004 (Jan./Feb.), Asset Allocation with Inflation-Protected Bonds, Financial Analysts Journal, pages 54-70. 22 Exemples d’applications Fonds alternatifs comme compléments Impact de l’introduction de fonds alternatifs sur la volatilité des classes traditionnelles Stocks Bonds TIPS 0% HF 16.50% 8.50% 6.58% 5% HF 15.62% 7.98% 6.58% 15% HF 13.75% 7.21% 6.58% 25% HF 11.99% 6.70% 6.58% 35% HF 10.34% 6.18% 6.58% • On modélise l’introduction des fonds alternatifs par une réduction de la volatilité des actions et obligations. • Cet effet de diminution de la volatilité est plus robuste que l’impact exprimé en termes de rentabilité. • On ne cherche pas à ajouter de fonds alternatifs au TIPS dont la raison d’être est de représenter la classe la mieux corrélée avec le passif (parfaitement corrélée dans cette expérience). 23 Exemples d’applications Passif individuel de retraite Allocation en HFs au sein des actions et obligations 0% 5% 15% 25% 35% Actions Obligations OATi 16,21% 16,65% 21,35% 25,18% 31,60% 26,40% 27,85% 20,55% 19,99% 13,55% 57,39% 55,49% 58,10% 54,83% 54,85% Allocation Déficit actifpassif effective moyen en HF 0,00% 2,23% 6,29% 11,29% 15,80% 15,44% 15,30% 14,50% 13,94% 12,95% Avantage procuré par les HFs 0,90% 6,11% 9,71% 16,09% Probabilité d'un déficit actif-passif supérieur à 10% 53,75% 53,08% 48,82% 44,24% 37,59% Avantage procuré par les HFs 1,25% 9,17% 17,69% 30,07% L’ajout de fonds alternatifs permet une diminution de la volatilité des classes actions et obligations, ce qui conduit à une forte réduction des risques de mismatch actif-passif. 24 Exemples d’applications Passif individuel de retraite Bénéfices de Diversification 40% Déficit actif-passif moyen Amélioration 30% Probabilité d'un déficit extrême 20% 10% 0% 2.23% 6.29% 11.29% 15.80% Allocation réelle en Hedge Funds Amélioration du déficit moyen et de la probabilité d’un déficit supérieur à 10% en fonction de la proportion effective allouée aux fonds alternatifs. 25 Exemples d’applications Passif court Actions Obligations OATi Déficit actif-passif sans HFs Déficit actif-passif avec HFs 11,20% 10,97% 12,07% 15,74% 18,03% 10,19% 11,17% 11,33% 9,56% 4,54% 78,60% 77,86% 76,60% 74,71% 77,43% 20,97% 21,00% 21,78% 23,95% 24,56% 20,97% 20,72% 20,86% 21,96% 21,39% Avantage procuré par les HFs 0,00% 1,35% 4,42% 9,08% 14,87% Valeur du déficit actif-passif à la fin de la période de baisse des marchés actions (mars 2003), à partir d’un déficit initial nul en date d’avril 2000, en fonction de la proportion allouée aux fonds alternatifs dans les portefeuilles d’actions et d’obligations (nominales). Nous avons utilisé l’indice MSCI World comme proxy de la classe actions, l’indice Lehman Global Treasury comme proxy de la classe obligations nominales, l’indice Merryl Lynch US Treasury Inflation-Linked Bonds comme proxy de la classe actions réelles, et l’indice Edhec Fund of Funds comme proxy de la performance des fonds alternatifs. 26 Exemples d’applications Passif d’assurance-vie Taux de rachat en fonction de l’écart entre la valeur du portefeuille et la valeur des provisions mathématiques. 27 Exemples d’applications Passif d’assurance-vie Allocations Actions Obligations OATi cas 1 50% 25% 25% cas 2 25% 50% 25% cas 3 25% 25% 50% Cas 4 33% 33% 33% cas 5 80% 10% 10% cas 6 10% 80% 10% cas 7 10% 10% 80% Présentation des différentes stratégies d’allocation retenues. 28 Exemple : la place des fonds alternatifs en GAP L’Impact des fonds alternatifs – Passif d’assurance-vie cas 1 min 25% médiane 75% max prob(SF>0) expected SF prob(SF>0,25) 0% HF 5% HF 15% HF 25% HF 35% HF Allocation effective en HFs 0% 3,75% 11,25% 18,75% 26,25% -72,71 -90,37 -60,46 -57,32 -39,24 1,19 1,36 1,98 2,61 2,99 4,89 4,93 5,04 5,05 5,11 8,39 8,25 8,04 7,56 7,22 38,20 32,41 29,78 21,74 19,04 17,37% 15,95% 12,42% 9,31% 6,27% 14,79 13,24 12,06 9,92 9,13 2,89% 2,04% 1,30% 0,45% 0,24% cas 2 0% HF 5% HF 15% HF 25% HF 35% HF 0% 3,75% 11,25% 18,75% 26,25% min -66,50 -67,31 -59,41 -40,19 -33,40 25% 1,07 1,23 1,62 1,81 2,09 médiane 3,79 3,76 3,83 3,78 3,87 75% 6,21 6,20 5,91 5,65 5,53 max 25,55 19,58 20,38 16,12 14,85 prob(SF>0) 15,85% 14,51% 11,45% 9,10% 7,18% expected SF 11,11 10,15 9,50 7,93 7,58 prob(SF>0,25) 1,16% 0,80% 0,51% 0,15% 0,11% cas 3 0% HF 5% HF 15% HF 25% HF 35% HF 0% 2,50 7,50% 12,50% 17,50% min -52,38 -59,63 -57,22 -34,97 -37,53 25% 0,99 1,11 1,33 1,49 1,68 médiane 3,48 3,40 3,45 3,39 3,46 75% 5,63 5,61 5,37 5,21 5,10 max 21,49 18,03 18,94 14,27 13,41 prob(SF>0) 15,49% 14,22% 12,08% 10,76% 8,96% expected SF 10,11 9,30 8,82 7,61 7,56 prob(SF>0,25) 0,86% 0,59% 0,33% 0,12% 0,17% cas 4 0% HF 5% HF 15% HF 25% HF 35% HF 0% 3,33% 10% 16,67% 23,33% min -63,26 -72,47 -59,12 -42,12 -33,74 25% 1,23 1,37 1,82 2,06 2,37 médiane 4,10 4,08 4,14 4,11 4,17 75% 6,72 6,64 6,37 6,07 5,90 max 26,32 21,54 20,90 15,98 14,92 prob(SF>0) 15,22% 13,95% 11,22% 8,70% 6,55% expected SF 11,66 10,42 9,79 8,05 7,79 prob(SF>0,25) 1,36% 0,84% 0,58% 0,24% 0,14% cas 5 0% HF 5% HF 15% HF 25% HF 35% HF 0% 4,50% 13,50% 22,50% 31,50% min -142,94 -150,61 -105,83 -135,25 -72,28 25% 0,21 0,55 1,51 2,67 3,56 médiane 5,93 6,06 6,38 6,58 6,68 75% 11,71 11,62 11,22 10,58 9,93 max 66,20 60,32 50,72 36,23 32,25 prob(SF>0) 23,66% 21,96% 17,72% 12,79% 8,27% expected SF 22,46 20,91 17,77 15,58 14,01 prob(SF>0,25) 8,40% 7,12% 4,35% 2,41% 1,19% cas 6 0% HF 5% HF 15% HF 25% HF 35% HF 0% 4,50% 13,50% 22,50% 31,50% min -75,61 -57,95 -58,99 -42,28 -42,94 25% 0,29 0,46 0,82 1,03 1,29 médiane 2,98 3,02 3,14 3,07 3,23 75% 5,48 5,47 5,30 5,02 4,97 max 24,04 19,35 19,42 16,66 15,42 prob(SF>0) 21,99% 20,09% 16,25% 14,14% 11,86% expected SF 11,63 10,89 9,77 8,53 8,06 prob(SF>0,25) 1,82% 1,51% 0,77% 0,33% 0,24% cas 7 0% HF 5% HF 15% HF 25% HF 35% HF 0% 1% 3% 5% 7% min -50,92 -44,59 -53,73 -37,70 -46,26 25% 0,18 0,15 0,17 0,20 0,20 médiane 2,05 2,03 1,99 1,97 1,99 75% 3,98 3,92 3,87 3,81 3,86 max 15,25 15,12 16,37 13,55 12,25 prob(SF>0) 22,23% 22,64% 22,10% 21,77% 21,65% expected SF 9,36 8,95 8,65 8,78 8,74 Prob(SF>0,25) 0,86% 0,68% 0,56% 0,53% 0,53% 29