Dérivés actions:
risques – un (rapide) aperçu
Lorenzo Bergomi
Equity Derivatives Quantitative Research Société Générale
lorenzo.bergomi@sgcib.com
+33 1 42 13 32 95
Introduction - le Dow Jones 1920-2006 (1)
Dow Jones Industrial Average
0 2000 4000 6000 8000 10000 12000 14000
1/5/1920 1/5/1940 1/5/1960 1/5/1980 1/5/2000 0 1 2 3 4 5 6 7 8 9 10
Lin Log
Introduction - le Dow Jones 1920-2006 (2)
Densité cumulée des returns
-6 -5 -4 -3 -2 -1 0
-20 -15 -10 -5 0
x
LOG[ P(return/vol < x) ]
DJ IA
Student mu = 3 Gaussienne
( )
2 1 2
1 2 1
µ
µ x x
ρ +
+ −
∝
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:
³
³
³
³On 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.
³Il suffit de s’intéresser au P&L élémentaire sur un intervalle [t, t+δt]
En intégrant l’effet des taux:
[ ( ) ] ( )
( ) ( )
[ ] ( )
( ) ( ) ( )
∑ ∑
∑
∑
∑
− − −
−
=
− +
−
−
=
−
∆ +
−
−
=
+ +
+
+ +
+
+
i
i i
i i
i i i
i
i i
i i
i
i i i
i
i i i
i T
S dS S
S dP t P S
t P
S dS S
S dP t P S
t P
S S S
L P
1 1
1
1 1
1
1
, ,
, ,
&
Prime Payoff
( ) ( )( )
[
P t δt S δS P t S rδt] (
δS rSδt)
L
P& = − + , + + , 1+ + ∆ −
Risques des produits dérivés (1 – le portage)
• Un petit développement limité :
- Risque sur le sous-jacent - ordre dominant : Gamma - Est-ce un gros risque ?
- Imaginons que le prix P est calculé avec le modèle Back-Scholes avec σ
P
- 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%
( ) ( )( )
[
− + + + +]
+ ∆(
−)
= − − + ∆ − + L= 22 2
2 1 1
, ,
& S
dS P t d
rS dt rP
t dP rS S t
r S t P S S t t P L
P δ δ δ δ δ δ δ
2 2 2 2
2 dS
P S d dS
rSdP dt rP
dP = −σP
− +
−
−
= t
S S S dS
P L d
P δ σP2δ
2 2
2 2
2
& 1
2 2 2
dS P S d
= Γ
-4 -3 -2 -1 0 1 2 3
-6% -4% -2% 0% 2% 4% 6%
t δ
σ σ δt
Risques des produits dérivés (2 – le mark-to-market)
• La fonction de pricing fait intervenir d’autres paramètres :
• Sensibilités aux paramètres ?
• 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
( ) ( )
[ ]
− +L
+ +
−
−
=
∆ +
− +
+ +
+ +
− 22 2
2 , 1
, , , ,
, ,
, δS
dS P δ d
d r dP dr δ δσ dP σ d t dP dt δ S dP
r δ S σ t δ P
δr δσ r S σ
S δ δt t
P div
div div div
div
Call K=100 Maturité = 1 an
-0.80 -0.60 -0.40 -0.20 0.00 0.20 0.40 0.60
60 70 80 90 100 110 120 130 140
Sensi vol: 1%
Sensi taux: 0.5% de variation Gamma: variation relative de 1%
Sensi taux de dividende: 0.5% de variation Call K=100 Maturité = 1 semaine
-0.03 -0.01 0.01 0.03 0.05 0.07 0.09 0.11 0.13 0.15
60 70 80 90 100 110 120 130 140
Sensi vol: 1%
Sensi taux: 0.5% de variation Gamma: variation relative de 1%
Sensi taux de dividende: 0.5% de variation
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 pen traitant un instrument Ode telle sorte à annuler ce risque :
Le prix donné au client pour l’option P est ajusté pour tenir compte du prix de marché de l’instrument de couverture
• 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 ?
dp λdO dp
dP =
( ) ( ( ) ( ) )
(
Market)
Market
Prix
p p P
p O p
O λ p P
=
≈
− +
= ˆ ˆ
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
• …
• Indépendamment du modèle de pricing utilisé, il faut (1) caractériser et (2) mesurer les risques sur ces paramètres
• Pertinence de : risque de modèle
(
t,S, σ, r, div, ....)
⇒ P
(
t,S, σ, r, div, ....)
P
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)
Historique de la différence des vols implicites 3 mois K= 95% et K = 105%
- Comment décrire de façon économique la variation journalière de la nappe de vols implicites ?
2008 2007
2006 2005
2004 2003
2002 60
55 50 45 40 35 30 25 20 15 10
31-Mar-14 2-Apr-12 5-Apr-10 7-Apr-08
50 80 90 100 105 115 135 165 200
0 5 10 15 20 25 30 35 40 45 50
Smile 3 mois K = 95 - K= 105
0 1 2 3 4 5 6 7
2/5/2001 2/5/2002 2/5/2003 2/5/2004 2/4/2005 2/4/2006 2/4/2007 2/4/2008
Volatilités (2) – mesure des risques
• Solution 1:
translater uniformément les volatilités implicitesEst-ce une bonne idée? Modes propres de déformation des surfaces de volatilité implicite les plus « importants ».
Critère : fraction de la variance des variations de volatilité implicites expliquée :
Translation 90 – 95%
Torsion en maturité 2 – 5 % Torsion en strike 1 – 2 %
•Pb: un book d’options est en général structuré de façon telle que - 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%
Sensibilité d'un Call spread 90/110 3 mois à une translation des volatilités
-0.2 -0.15 -0.1 -0.05 0 0.05 0.1 0.15 0.2
60 70 80 90 100 110 120 130 140
Sensibilité d'un Call spread 90/110 3 mois à une pentification du smile
0.05 0.1 0.15 0.2 0.25 0.3
( )
∑
∑
=
=
=
=
=
k
k t k t
j i ij
i i
i i
i
V ω T
VMV P&L
δ
δσ δσ σ M
d V dP
V δσ P&L
δ
2 2
0V ≈ 0
tT
90 100 110
Dividendes (1)
• Au moment où un dividende est versé
- l’action baisse exactement du montant du dividende - 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
Sur les indices: div swaps- Risque sur leur montant
- Risque sur le modèle de dividendes Div. en cash
Div. en yield Autres …
(
T S)
P(
T( )
S D( )
S)
P
S D S ST T
−
=
−
=
+
−
− +
, ,
( ) ( )
S µSD
D S D
=
=
50.00 60.00 70.00 80.00 90.00 100.00 110.00 120.00
Jan-02 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
Y2002 Y2003 Y2004 Y2005 Y2006 Y2007 Y2008 Y2009 Y2010 Y2011 Y2012 Y2013
Y2014 Y2015
Dividendes (2)
•
Vols implis des vanilles dépendent du modèle de dividende utilisé ³ risque de modèle•
Un cas intéressant: le Call sur max- 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
Vols implis vanille
15%
20%
25%
50 100 150 200
Yield Cash
− +
= ( max )
Payoff S
τK
τ
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 ³Altiplano
10 ans / 12 actions Si au cours des 5 dernières années, aucune action < 60% de sa valeur intiale³ 300%
sinon ³
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 ³100%
Atlas
6 ans / 16 actions Non garantiA maturité on enlève les actions ayant connu les 3 meilleures et les 3 pires performances ³105% du basket equipondéré des 10 restantes
+ Tjj
S S
0
min
% 100
i
i
+
−
+
∑
j j j T
S S
N1 1
% 100
0
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 = 0est la plus élevée est figée à son niveau, avec un minimum de 200% de son niveau initial.A maturité ³100% + 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% ³125%Si on reste dans le produit, à maturité :
³Min( 125% , 100% + moyenne trim. de la perf. depuis t=0, sur 6 ans)
Titanium 2003
8 ans / 16 actions Coupon annuelDès 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
−
∑
−
0 ,
% 16 , 1 1 min
max
j 1
j τ
j τ
S Si
S N
Corrélations (1)
•
Une écrasante majorité des dérivés actions sont multi sous-jacents- Leur prix fait intervenir des hypothèses de corrélation. Ex : cadre Black-Scholes
- 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 ?
( )
ˆ ˆ ˆ(
, ˆ , ˆ , K)
2
1 2
ij i i j
ij i
j i j i ij
i i
i i
i rP P S
dS dS
P S d dS S
S dP q dt r
dP +
∑
− +∑
ρ σσ = σ ρ∑
−
−
=
ij
j i ij j
i j i j i j
i ρ σ σ δt
S S
δS δS dS dS
P S d
S L
P ˆ ˆ ˆ
2
& 1
2
Corrélations (2)
• Comment se couvrir sur la corrélation réalisée ?
- le correlation swap
- Stabilité de la couverture en corrélation?
• Comment mesurer le risque de corrélation ?
- Comment « déformer » une matrice de corrélation ? Ex.
• Risque de modèle sur la corrélation ?
( )
−
= −
∑
≠
ρ N ρ
N i j
ij ˆ
1 Payoff 1
( ) ( )
=
= −
∑
∑
∑
2 1
2 ln τ
i τ τ i
i
τ τ j τ
τ i
τ τ j τ i
ij S
x S x
x x x ρ
Sensibilité à la corrélation - pour 1pt de correl
0.0 0.1 0.2 0.3 0.4 0.5 0.6
20% 30% 40% 50% 60% 70% 80%
Call K = 100 Call K = 150 Everest
ρij
d dP
( ) 1 (
Histo)
Histo ij
ij
ρ
λ d d ρ λ
ρ λ
ρ = + − ˆ = − 1 −
ˆ 1
Risque de modèle (1)
• Un modèle rustique de pricing d’option
- Modèle simple de « dynamique » du sous-jacent : sous-jacent gelé Equivalent à pricer en BS à vol nulle
• Un modèle un peu moins rustique : Black Scholes
( ) ( )
[ ]
( )
22 2 2
2 2 2
2 1 2 1
2 , 1
,
&
δS K δ S
δS dS
P d
δS dS
P t d
dt δ S dP
δ S
t P δS
S δt t P L
P
−
−
=
−
=
−
−
=
∆ +
− + +
−
=
(
−)
+=
= P S K
dt dP 0
K
60 70 80 90 100 110 120
0 50 100 150 200 250
-25 -20 -15 -10 -5 0 5 10 15 20 25 S
P&L
2 2 2 2
2 ˆ
dS P S d σ dt
dP = −
−
−
= t
S S dS
P S d L
P δ σ2δ
2 2 2 2
2 ˆ
2
& 1
60 70 80 90 100 110 120
0 50 100 150 200 250
-5 0 5 S
P&L
Risque de modèle (2)
• A nouveau de la comptabilité - avec quelques paramètres supplémentaires – pas de taux pour simplifier
En utilisant une fonction de pricingPissue du modèle Black-Scholes : le P&L se réécrit comme :
( ) ( )
[ ]
+K
+ −
−
− −
−
+
−
−
=
∆ +
− +
+ +
+
−
=
σ δ p σδ dpd
P σ d
δ S σδ dSd
P p d
δ S dSdpδ
P d
σ σ δ d
P p d
dp δ P S d
dS δ P p d
dpδ σ dP σ δ d t dP dt δ S dP
p δ S σ
t P δp
σ p δ S σ
S δ δt t P L
P
ˆ ˆ ˆ ˆ
ˆ ˆ 2
ˆ 1 , ˆ
, ˆ , ˆ,
, ˆ ,
&
2 2
2
2 2 2 2 2 2 2 2 2
2 2 2 2
2 ˆ
dS P S d σ dt
dP = −
+K
+ −
−
−
−
−
−
+
= δpδσ
σ dpd
P σ d
δ δS σ dSd
P p d
δ δS dSdp
P σ d
σ δ d
P p d
dp δ P t d
δ S σ
δS dS
P d p S
dpδ σ dP σδ d L dP
P ˆ
ˆ ˆ ˆ ˆ
ˆ 2
ˆ 1 ˆ 2
& ˆ
2 2
2 2
2 2 2 2 2 2
2 2 2 2 2
Termes d’ordre 1:
couvrables en delta
Gamma / Theta
Gammas Theta ??
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.
• En quoi ce modèle diffère-t-il de Black Scholes ?
• Quelle dynamique jointe du spot / des vols implis implique-t-il ? Est-elle plus/moins raisonnable ?
( ) ( )
( )
S t SdWtrSdt dS
t T
S dK K
C K d
dK K dC q r dT qC
dC t
S
, 2 ,
2 2 2 2
σ σ
+
=
==
− +
= +
S S K
K
dK σ d dS
σ
d
=≈ 2
10 12 14 16 18 20
3/1/2006 3/31/2006 4/30/2006
3500 3600 3700 3800 3900 4000
Vol impli ATM 3m Vol impli ATM 5y Eurostoxx50
Eurostoxx 50 - mat 1 an
10 15 20 25
80 90 100 110 120
Smile original Smile S = 105%
Smile S = 95%
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:
•
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 ³prix différents
Gamma
0 2 4 6 8 10 12 14 16
80 90 100 110 120
Euro double Americaine
Vega
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7
80 90 100 110 120
Euro Double Americaine 0
0.2 0.4 0.6 0.8 1 1.2
80 85 90 95 100 105 110 115 120
Euro double Americaine
Risque de modèle (5) – la volatilité forward – les cliquets
• Exemple: Call ATM forward paye à t= T
2• Dans le modèle B.S. la fonction de pricing s’écrit:
- fait intervenir la volatilité forward, , les taux, pas le sous-jacent - pas de delta àt=0– trader en vacances jusqu’à T1
- dynamique des arguments de la fonction de pricing: pas pricée par le modèle ³ indice d’un sérieux risque / problème de modèle
• Dans le modèle de volatilité locale la fonction de pricing fait explicitement apparaîtreSet produit un delta non-nul àt = 0
- est-ce une meilleure solution ?
³ Le cliquet est en réalité une option sur , pas sur S: attention à ne pas se tromper de sous-jacent
!!
+
−1
1 2
T T
S
S t T
1T
2ˆ
12σ
ˆ
12σ
( σ ˆ
12, r , L )
P
r σ ˆ
12,
( S , σ ˆ
1, σ ˆ
2, r , L )
P
TK TKˆ
12σ
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
Risk Magazine: juillet 2002
• Risque de modèle:
- dynamique des vols implis forward
- dynamique jointe vols implis forward / sous-jacent
Risk Magazine: février 2004
Eurostoxx vol ATM 5y
10 15 20 25 30 35 40
01/01/02 01/01/03 01/01/04 12/31/04 12/31/05
( 8 % min ) 1
1
− + =
+
=
− i
i i
i i
S
r S r Coupon
ˆ2 0
2
ˆ
ˆ = >
Γ
dσ P dσ
σ 0
ˆ
2
ˆ = <
Γ
dSdσ P dσ S
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