Dérivés actions: risques – un (rapide) aperçu
Transcription
Dérivés actions: risques – un (rapide) aperçu
Dérivés actions: risques – un (rapide) aperçu Lorenzo Bergomi Equity Derivatives Quantitative Research Société Générale [email protected] +33 1 42 13 32 95 Introduction - le Dow Jones 1920-2006 (1) Dow Jones Industrial Average 14000 12000 10 9 Lin Log 8 10000 7 6 8000 5 6000 4 3 4000 2 2000 0 1/5/1920 Lorenzo Bergomi 1 0 1/5/1940 1/5/1960 1/5/1980 1/5/2000 1 Introduction - le Dow Jones 1920-2006 Densité cumulée des returns -20 -15 -10 0 -5 0 -1 DJ IA LOG[ P(return/vol < x) ] (2) Student mu = 3 -2 Gaussienne -3 ρ( x ) ∝ 1 x2 1 + µ − 2 1+ µ 2 -4 -5 -6 x Lorenzo Bergomi 2 Risques des produits dérivés (1 – le portage) • Un petit exercice de comptabilité: P&L (profit & loss) entre t=0 et la maturité de l’option – à taux nuls pour simplifier: P & L = − [Payoff (S T ) − Prime ] + ∑ ∆ (S i i +1 − Si ) i = − ∑ [P(t i +1 , S i +1 ) − P(t i , S i )] + i dP ∑ dS (S i i +1 − Si ) i dP (S i +1 − S i ) = − ∑ P(t i +1 , S i +1 ) − P (t i , S i ) − ∑ i i dS i ³ On peut réécrire le P&L total comme une somme de petits P&Ls journaliers: on sait dire si l’on perd/gagne de l’argent sans attendre la maturité. ³ Il suffit de s’intéresser au P&L élémentaire sur un intervalle [t, t+δt] En intégrant l’effet des taux: P & L = [ − P (t + δt , S + δS ) + P(t , S )(1 + rδt ) ] + ∆(δS − rSδt ) Lorenzo Bergomi 3 Risques des produits dérivés (1 – le portage) • Un petit développement limité : P & L = [− P(t + δt , S + δS ) + P (t , S )(1 + rδt )] + ∆ (δS − rSδt ) = 1 d 2P 2 dP − − rP + rS∆ δt − δS + L 2 dS 2 dt - Risque sur le sous-jacent - ordre dominant : Gamma Γ = S 2 d 2P dS 2 3 2 - Est-ce un gros risque ? 1 0 - Imaginons que le prix P est calculé avec le modèle Back-Scholes avec σP -6% -4% -2% 0% 2% 4% 6% -1 σ δt σ δt -2 dP σ P2 2 d 2 P dP rP rS S − + = − dt dS 2 dS 2 P&L = − -3 -4 2 1 d 2 P 2 δS 2 S − σ Pδt 2 2 dS S - Stdev typique de la somme de ces P&Ls sur la durée de vie d’une option avec un hedge en delta journalier ? Dans Black-Scholes? Dans la réalité ? - Exemple d’un Call 1 an, vol = 20% Lorenzo Bergomi 4 Risques des produits dérivés (2 – le mark-to-market) • La fonction de pricing fait intervenir d’autres paramètres : − [P(t + δt , S + δS , σ + δσ , r + δr , div + δdiv ) − P(t , S , σ , r , div ) ] + ∆δS = − 2 dP dP dP dP 1 d P 2 δt − δσ + δr + δdiv − δS + L 2 dt dr ddiv dσ 2 dS • Sensibilités aux paramètres ? Call K=100 Maturité = 1 semaine Call K=100 0.15 Maturité = 1 an 0.60 Sensi vol: 1% 0.13 0.11 Sensi taux: 0.5% de variation 0.40 Gamma: variation relative de 1% Sensi taux de dividende: 0.5% de variation 0.20 0.09 0.07 0.00 0.05 -0.20 60 70 80 90 100 110 120 130 140 0.03 -0.40 0.01 -0.01 60 70 80 90 100 110 120 -0.03 130 140 -0.60 -0.80 Sensi vol: 1% Sensi taux: 0.5% de variation Gamma: variation relative de 1% Sensi taux de dividende: 0.5% de variation • En règle générale, pour un payoff sur S • Maturités longues : sensibilité par rapport aux paramètres de la dynamique • Maturités courtes : sensibilité par rapport aux conditions initiales des sous-jacents Lorenzo Bergomi 5 Risques des produits dérivés (3 – le mark-to-market) • Comment calibre-t-on les paramètres de pricing? Doit-on vraiment calibrer ? • A priori non: pricing avec coût de couverture. On couvre le risque sur un paramètre p en traitant un instrument O de telle sorte à annuler ce risque : dP dO = λ dp dp Le prix donné au client pour l’option P est ajusté pour tenir compte du prix de marché de l’instrument de couverture Prix = P( pˆ ) + λ(O( pMarket ) − O( pˆ )) ≈ P( p = pMarket ) • Alors quel avantage de la calibration ? • Nous assure que le modèle price bien tous les instruments de couverture: aucun coût supplémentaire n’est encouru au moment où l’on se couvre. ³ essentiel de calibrer le modèle sur un choix pertinent d’ instruments • Autres raisons : Standardisation du pricing Prix « en ligne avec la concurrence » Bénéfice psychologique • Quid des paramètres non couvrables ? Lorenzo Bergomi 6 Risques des produits dérivés (4 – le mark-to-market) • Paramètres typiques pour les dérivés actions • Volatilités • Dividendes • Taux • Corrélations • Volatilités des taux de change / corrélation avec les sous-jacents action • Volatilité des taux / corrélations avec les sous-jacents action • Volatilité/smile forward • Volatilité de la volatilité • … ⇒ P(t , S , σ , r , div, .... ) • Indépendamment du modèle de pricing utilisé, il faut (1) caractériser et (2) mesurer les risques sur ces paramètres • Pertinence de P(t , S , σ , r , div, .... Lorenzo Bergomi ) : risque de modèle 7 Volatilités (1) Exemple de l’Eurostoxx 50 – on a tous les jours une matrice complète (K, T) de volatilités implicites Vols implis au 8 /1 /2008 Historique des volatilités ATM 1 mois (bleu) et 5 ans (rouge) 50 60 45 55 40 50 35 45 30 40 25 35 20 30 25 15 31-Mar-14 10 2-Apr-12 5 5-Apr-10 15 200 135 7-Apr-08 165 105 115 90 10 100 50 80 0 20 2002 2003 2004 2005 2006 2007 2008 Historique de la différence des vols implicites 3 mois K= 95% et K = 105% 7 Smile 3 mois K = 95 - K= 105 6 5 4 3 - Comment décrire de façon économique la variation journalière de la nappe de vols implicites ? 2 1 0 2/5/2001 2/5/2002 2/5/2003 2/5/2004 2/4/2005 2/4/2006 2/4/2007 2/4/2008 Lorenzo Bergomi 8 Volatilités (2) – mesure des risques • Solution 1: translater uniformément les volatilités implicites Est-ce une bonne idée? Modes propres de déformation des surfaces de volatilité implicite les plus « importants ». δ P&L = Critère : fraction de la variance des variations de volatilité implicites expliquée : Translation 90 – 95% Torsion en maturité 2–5% Torsion en strike 1–2% ∑V δσ i i i Vi = dP dσ i M ij = δσ i δσ j δ P&L 2 = tVMV = ∑ω ( T V ) 2 t k k k • Pb: un book d’options est en général structuré de façon telle que t T0V ≈ 0 - exemple d’un Call Spread 90/110 3 mois - sensibilité à une translation des vols implis: on ne voit pas de risque - & sensibilité à un changement de pente du smile autour du strike 100% 90 Sensibilité d'un Call spread 90/110 3 mois à une translation des volatilités 0.2 100 110 Sensibilité d'un Call spread 90/110 3 mois à une pentification du smile 0.3 0.15 0.25 0.1 0.2 0.05 0 60 70 80 90 100 110 120 130 140 0.15 -0.05 -0.1 -0.15 0.1 0.05 -0.2 0 -0.25 Lorenzo Bergomi 60 70 80 90 100 110 120 130 140 9 Dividendes (1) • Au moment où un dividende est versé S T = S T − D(S ) - l’action baisse exactement du montant du dividende + − P(T − , S ) = P(T + , S − D(S )) - le prix de l’option est inchangé : • Les dividendes prochains sont connus avec une bonne précision • Ceux versés plus tard dans le futur sont estimés - Risque sur leur montant - Risque sur le modèle de dividendes Div. en cash Div. en yield D (S ) = D D(S ) = µS Sur les indices: div swaps Y2002 Y2003 Y2014 Y2015 Y2004 Y2005 Y2006 Y2007 Y2008 Y2009 Y2010 Y2011 Y2012 Y2013 120.00 110.00 100.00 90.00 Autres … 80.00 70.00 60.00 50.00 Jan-02 Lorenzo Bergomi Apr-02 Jun-02 Sep-02 Dec-02 Mar-03 Jun-03 Sep-03 Dec-03 Mar-04 Jun-04 Sep-04 Dec-04 Mar-05 Jun-05 Sep-05 10 Dividendes (2) • Vols implis des vanilles dépendent du modèle de dividende utilisé ³ risque de modèle Vols implis vanille 25% 20% Yield Cash 15% 50 • Un cas intéressant: le Call sur max 100 150 200 Payoff = ( max Sτ − K ) + τ - Bien couvert en Vega par Calls vanille de même maturité - Pas d’impact des divs proches de la maturité - Faible sensibilité intrinsèque au modèle de dividende - Forte sensibilité au modèle de dividende Lorenzo Bergomi 11 La saga récente des produits multi sous-jacents (1) 1997 - 2006 Produits multi sous-jacents de distribution à capital garanti Everest 1997 10 ans / 12 actions Altiplano 10 ans / 12 actions STj ³ 100% + min j i S0 Si au cours des 5 dernières années, aucune action < 60% de sa valeur intiale ³ 300% + 1 Sj sinon ³ 100% + ∑ Tj − 1 N j S0 i Kilimanjaro 6 ans / 12 actions Coupon annuel de 6% tant qu’aucune action du basket < 60% de sa valeur initiale; les actions qui traversent la barrière sont successivement éliminées du basket A maturité ³ 100% Atlas 6 ans / 16 actions Non garanti A maturité on enlève les actions ayant connu les 3 meilleures et les 3 pires performances ³ 105% du basket equipondéré des 10 restantes Lorenzo Bergomi 12 La saga récente des produits multi sous-jacents (2) 1997 - 2005 Emeraude 2004 10 ans / 20 actions Chaque année, l’action dont la performance depuis t = 0 est la plus élevée est figée à son niveau, avec un minimum de 200% de son niveau initial. A maturité ³ 100% + la performance maximale par rapport à t = 0 du panier equipondéré, floorée à 0. Produits à sortie anticipée – à capital garanti Oxygène 2003 6 ans / 3 indices A la fin de la 3ème année, sortie possible si la moyenne trimestrielle de la performance du basket depuis t = 0 dépasse 125% ³ 125% Si on reste dans le produit, à maturité : ³ Min( 125% , 100% + moyenne trim. de la perf. depuis t=0, sur 6 ans) Titanium 2003 8 ans / 16 actions 1 Coupon annuel max NS S τj min − 1, 16% , 0 ∑j j S τ i −1 Dès que la somme des coupons versés dépasse 30%, on reçoit chaque année un coupon supplémentaire de 10% … Et tous les produits hybrides Equity/Forex/Fixed Income/Commodity imaginables Lorenzo Bergomi 13 Corrélations (1) • Une écrasante majorité des dérivés actions sont multi sous-jacents - Leur prix fait intervenir des hypothèses de corrélation. Ex : cadre Black-Scholes dP + dt dP ∑ (ri − qi )Si i dSi + 1 d 2P ˆ ˆ ˆ ρ σ σ S S ∑ ij i j i j dS dS = rP 2 ij i j P (Si , σˆ i , ρˆij , K) - Comment mesure-t-on des corrélations ? - Les corrélations sont-elles stables dans le temps ? Exemple d’un basket mondial - Que se passe-t-il lorsque corrélation implicite et réalisée diffèrent ? Lorenzo Bergomi P&L = − 1 d 2 P δS i δS j S S ∑ i j dS dS S S − ρˆ ij σˆ i σˆ j δt 2 ij i j i j 14 Corrélations (2) • Comment se couvrir sur la corrélation réalisée ? - le correlation swap 1 Payoff = ρij − ρˆ ∑ N ( N − 1) i ≠ j ρij = ∑x τ i x τj S iτ x = ln τ −1 Si τ i τ ∑ (x ) ∑ (x ) τ 2 i τ τ 2 j τ - Stabilité de la couverture en corrélation? Sensibilité à la corrélation - pour 1pt de correl 0.6 0.5 0.4 Call K = 100 Call K = 150 Everest 0.3 0.2 0.1 0.0 20% 30% 40% 50% 60% 70% 80% • Comment mesurer le risque de corrélation ? dP dρij - Comment « déformer » une matrice de corrélation ? Ex. • Risque de modèle sur la corrélation ? Lorenzo Bergomi ρˆ = λ ρHisto + (1 − λ )1 dρˆ ij dλ = − (1 − ρij Histo ) 15 Risque de modèle (1) • Un modèle rustique de pricing d’option K - Modèle simple de « dynamique » du sous-jacent : sous-jacent gelé Equivalent à pricer en BS à vol nulle dP = 0 dt 120 P = (S − K )+ P & L = − [P(t + δt , S + δS ) − P(t , S ) ] + ∆δS 25 S dP 1 d 2P 2 = − δt − δS dt 2 dS 2 1 d 2P 2 = − δS 2 dS 2 1 = − δ (S − K ) δS 2 2 20 P&L 110 15 10 100 5 90 0 -5 80 -10 -15 70 -20 60 -25 0 50 100 150 200 250 5 120 S • Un modèle un peu moins rustique : Black Scholes dP σˆ 2 2 d 2 P = − S dt 2 dS 2 1 d 2 P δS 2 P & L = − S 2 2 2 − σˆ 2δt 2 dS S P&L 110 100 90 0 80 70 60 -5 0 Lorenzo Bergomi 50 100 150 200 250 16 Risque de modèle (2) • A nouveau de la comptabilité - avec quelques paramètres supplémentaires – pas de taux pour simplifier P & L = − [P(t + δt , S + δS , σˆ + δσˆ , p + δp ) − P(t , S , σˆ , p ) ] + ∆δS = dP dP dP 1 d 2 P 2 d 2 P 2 d 2 P 2 − δt − δσˆ + δp − δS − 2 δp − δσˆ 2 dt dp dp dσˆ 2 dσˆ 2 dS d 2P d 2P d 2P − δSδp + δSδσˆ − δpδσˆ + K dSdσˆ dpdσˆ dSdp En utilisant une fonction de pricing P issue du modèle Black-Scholes : le P&L se réécrit comme : dP σˆ 2 2 d 2 P = − S dt 2 dS 2 dP dP S 2 d 2 P δS 2 1 d 2P 2 d 2P 2 d 2P d 2P d 2P 2 ˆ ˆ ˆ P & L = t p p δσˆ + δp − − σ δ − δ − δ σ − δ S δ + δ S δ σ − δpδσˆ + K 2 2 2 2 dp 2 dS S 2 dp dσˆ dSdσˆ dpdσˆ dσˆ dSdp Termes d’ordre 1: couvrables en delta Gamma / Theta Gammas Theta ?? Lorenzo Bergomi 17 Risque de modèle (3) – le modèle de volatilité locale • A une nappe de volatilités implicites donnée correspond une surface de volatilité locale qui redonne les prix de marché des options vanille. Eurostoxx 50 - mat 1 an 25 Smile original σ (S , t )2 dC dC + qC + (r − q )K dK = 2 dT 2 d C K2 K =S dK 2 T =t Smile S = 105% Smile S = 95% 20 15 dS = rSdt + σ (S , t )SdWt 10 80 • En quoi ce modèle diffère-t-il de Black Scholes ? 90 100 110 120 20 4000 18 3900 16 3800 14 3700 • Quelle dynamique jointe du spot / des vols implis implique-t-il ? Est-elle plus/moins raisonnable ? dσ K = S dσ ≈2 K dS dK 12 3600 Vol impli ATM 5y S Eurostoxx50 10 3/1/2006 Lorenzo Bergomi Vol impli ATM 3m 3500 3/31/2006 4/30/2006 18 Risque de modèle (4) – l’exemple de la digitale américaine • Digitale americaine – paye 1€ dès que le sous-jacent passe en dessous de la barrière Maturité 1 an, limite = 80% Dans le cadre B.S. Gamma / Vega bien couverts par la digitale Européenne double: Vega Gamma 1.2 Euro double 1 0.7 16 0.6 14 Americaine 0.8 0.6 12 0.5 10 0.4 8 0.3 6 0.4 0.2 4 0.2 Euro double 2 0 0 80 • 85 90 95 100 105 110 115 120 Euro Double 0.1 Americaine Americaine 0.0 80 90 100 110 120 80 90 100 110 120 A la traversée de la limite, on revend la digitale Européenne Risques résiduels : - valeur du skew le jour où on traverse la limite - risque de gap ³ modèles différents impliquent dynamiques du smile différentes ³ prix différents Lorenzo Bergomi 19 Risque de modèle (5) – la volatilité forward – les cliquets • Exemple: Call ATM forward paye à t= T2 ST −1 S T + t T1 2 T2 1 σ̂12 • Dans le modèle B.S. la fonction de pricing s’écrit: P (σˆ12 , - fait intervenir la volatilité forward, r, L ) σ̂12 , les taux, pas le sous-jacent - pas de delta à t=0 – trader en vacances jusqu’à T1 - dynamique des arguments de la fonction de pricing: modèle σˆ12 , r pas pricée par le modèle ³ indice d’un sérieux risque / problème de • Dans le modèle de volatilité locale la fonction de pricing P delta non-nul à t = 0 (S , σˆ K T1 , σˆ TK , r , L ) fait explicitement apparaître S et produit un 2 - est-ce une meilleure solution ? ³ Le cliquet est en réalité une option sur σ̂12 , pas sur S: attention à ne pas se tromper de sous-jacent !! Lorenzo Bergomi 20 Risque de modèle (5) – la volatilité forward – l’exemple du Napoléon • Napoléon ( - on observe chaque année les 12 performances mensuelles de l’Eurostoxx50 - on paye en fin d’année un coupon fonction de la plus basse de ces performances ) S Coupon = 8% + min ri + ri = i − 1 i S i −1 Risk Magazine: juillet 2002 • Risque de modèle: - dynamique des vols implis forward - dynamique jointe vols implis forward / sous-jacent Γσˆσˆ = d 2P dσˆ 2 > 0 ΓSσˆ = d 2P dSdσˆ < 0 Risk Magazine: février 2004 Eurostoxx vol ATM 5y 40 35 30 25 20 15 10 01/01/02 Lorenzo Bergomi 01/01/03 01/01/04 12/31/04 12/31/05 21 Conclusion • Risques - Mesure macroscopique au niveau d’un book - Méthodologie de mesure d’un risque doit refléter : - sa pertinence au regard des occurrences historiques - sa matérialité : impact sur le book • Risque de modèle: - Peut – souvent – être detecté même dans un modèle fruste - Questions de base : - Quels sont les vrais sous-jacents sur lesquels porte l’option ? Leur dynamique est-elle pricée par le modèle ? - Quels sont les instruments de couverture? Leur dynamique est-elle correctement pricée par le modèle ? - Si impossibilité de se couvrir: les niveaux de portage des paramètres sont-ils raisonnables ? - Le modèle condense-t-il des risques de nature différente en un seul paramètre ? (ex. vol-of-vol & forward skew) - Réponses à ces questions s’apprécient produit par produit - Ne pas « subir » le modèle – choisir Lorenzo Bergomi 22