Upload
alexandersurkov
View
70
Download
0
Embed Size (px)
Citation preview
Modelisation destrategies en
finance de marche
Alexander Surkov
Anticipations dumarche
Rendements
Var. et corr.
EWMA
Modelisation de strategies en finance demarche
Seance 7 : Anticipations du marche
Alexander Surkov, CFA, FRM, PRM, [email protected]
Ecole de gestionUniversite de Sherbrooke
Le 22 fevrier 2017
Modelisation destrategies en
finance de marche
Alexander Surkov
Anticipations dumarche
Rendements
Var. et corr.
EWMA
Table de matiere
Anticipations du marcheEstimation des rendementsEstimation des variances et correlationsModele EWMA
Modelisation destrategies en
finance de marche
Alexander Surkov
Anticipations dumarche
Rendements
Var. et corr.
EWMA
Table de matiere
Anticipations du marcheEstimation des rendementsEstimation des variances et correlationsModele EWMA
Modelisation destrategies en
finance de marche
Alexander Surkov
Anticipations dumarche
Rendements
Var. et corr.
EWMA
Rendement moyenI Pour former les anticipations du marche, nous sommes
interesses par l’esperance mathematique du rendementfutur Et Rt+1 compte tenu de l’information que nousdisposons aujourd’hui.
I Pour les rendements independants,
Et Rt+1,t = ERt+1,t .
I Pour une serie stationnaire,
ERt+1,t = µR
et la moyenne d’echantillon des rendements observes
µR =1
N
N−1∑i=0
rt−i
represente un estimateur non biaise pour l’esperancemathematique de la distribution inconditionnelle
E µR = µR .
Modelisation destrategies en
finance de marche
Alexander Surkov
Anticipations dumarche
Rendements
Var. et corr.
EWMA
L’erreur du rendement moyen
I L’allocation d’actif est tres sensible a l’estimation durendement.
I L’erreur type du rendement moyen :
σµR =σR√N
ou N est le nombre d’observations, σR est l’ecart typedu rendement.
I L’erreur statistique de l’estimation de rendement
±1.96σµR
peut etre plus grande que la moyenne du rendement !
Modelisation destrategies en
finance de marche
Alexander Surkov
Anticipations dumarche
Rendements
Var. et corr.
EWMA
Exemple : l’erreur du rendement mensuel
05 06 07 08 09 10 11 12 13 14 15−0.2
−0.15
−0.1
−0.05
0
0.05
0.1
0.15
Date
Ren
dem
ent
Modelisation destrategies en
finance de marche
Alexander Surkov
Anticipations dumarche
Rendements
Var. et corr.
EWMA
Comment reduire l’erreur ?
I Etendre l’historique
N ↑ ⇒ σµR =σR√N↓, µR
σµR↑
Est-ce que les donnees pour des periodes eloignees sonttoujours pertinentes ?
I Changer la frequence ?
Rτ+T ,τ = Rτ+T ,τ+T−1 + Rτ+T−1,τ+T−2 + · · ·+ Rτ+1,τ
ou, par exemple, T = 21 pour � jour �→ � mois �.
ERτ+T ,τ = µR · T , VRτ+T ,τ = σ2R · T , N ′ =
N
T√V µRτ+T ,τ
=σR ·√T√
N /T= σµR · T
Modelisation destrategies en
finance de marche
Alexander Surkov
Anticipations dumarche
Rendements
Var. et corr.
EWMA
Exemple : l’erreur du rendement quotidien
05 06 07 08 09 10 11 12 13 14 15−0.1
−0.05
0
0.05
0.1
Date
Ren
dem
ent
Modelisation destrategies en
finance de marche
Alexander Surkov
Anticipations dumarche
Rendements
Var. et corr.
EWMA
Comparaison : rendements mensuels/quotidiens
−0.1
−0.05
0
0.05
0.1
Date
Ren
dem
ent
−4
−2
0
2
4
x 10−3
Date
Modelisation destrategies en
finance de marche
Alexander Surkov
Anticipations dumarche
Rendements
Var. et corr.
EWMA
Chevauchement d’intervalles (1)
I On cherche l’estimation du rendement mensuel µRT
(T = 21 jours) a partir de N = 2520 observationsquotidiennes.
I Pour les intervalles sans chevauchement, il y aN /T = 120 observations.
I L’ecart type du rendement moyen
σRτ+T ,τ√N /T
=σR√T√
N /T=σR T√
N
I Pourrait-on profiter du grand nombre (et de larelativement petite variance) des rendements mensuelset du grand nombre d’observations quotidiennes enmeme temps ?
Modelisation destrategies en
finance de marche
Alexander Surkov
Anticipations dumarche
Rendements
Var. et corr.
EWMA
Chevauchement d’intervalles (2)
I Pour les intervalles avec chevauchement,
rt,t−T , rt−1,t−T−1, . . .
le nombre d’observations est n = N − T + 1.
I Cependant, l’ecart type du rendement moyen n’est pasegale a
σR√T√n
parce que les rendements mensuels ne sont plusindependants.
I Le vrai ecart type du rendement moyen est
σRT√n
√1− T 2 − 1
3nT
Modelisation destrategies en
finance de marche
Alexander Surkov
Anticipations dumarche
Rendements
Var. et corr.
EWMA
L’estimateur de James-Stein (1)
I Le choix du portefeuille depend des rendements deplusieurs actifs.
I L’estimateur devrait minimiser une certaine fonctiond’erreur totale au lieu des erreurs pour chacun derendements.
I L’estimateur de James-Stein µJS pour un vecteur derendements moyens
µ(i)JS = (1− w) µ
(i)R + wµ0
I ou w est un certain poids optimal,I µ
(i)R est le rendement moyen pour l’actif i ,
I µ0 est une n’importe quelle constante
Modelisation destrategies en
finance de marche
Alexander Surkov
Anticipations dumarche
Rendements
Var. et corr.
EWMA
L’estimateur de James-Stein (2)
I L’estimateur de James-Stein est biaise, mais plusefficace que µR selon une certaine fonction d’erreurquadratique.
I Voir P. Jorion. Bayes-Stein Estimation for PortfolioAnalysis. Journal of Financial and QuantitativeAnalysis. 1986. 21(3). 279–92 pour plus de details.
Modelisation destrategies en
finance de marche
Alexander Surkov
Anticipations dumarche
Rendements
Var. et corr.
EWMA
Rendement arithmetique compose
I Si on veut predire des rendements arithmetiquescomposes (par exemple, un rendement annuel enutilisant les donnees mensuelles, T = 12)
Et Rt+T ,t
I et les rendements sont independants et identiquementdistribues,
Et Rt+T ,t = [E (1 + Rt+1,t)]T − 1 = (1 + µR)T − 1.
I Problemes :I Meme si µR est connu precisement, (1 + µR)T − 1 ne
represente pas bien les rendements observes.I En raison de l’erreur d’estimation de µR , l’estimateur
(1 + µR)T − 1 est biaise.
Modelisation destrategies en
finance de marche
Alexander Surkov
Anticipations dumarche
Rendements
Var. et corr.
EWMA
Probleme 1 : periode de composition T = 60
−1 0 1 2 3 4 5 60
2000
4000
6000
8000
Rendement, T =60
Nom
bre
d’ob
serv
atio
ns, m
=50
0000
N. d’obs.MoyenneMediane
Modelisation destrategies en
finance de marche
Alexander Surkov
Anticipations dumarche
Rendements
Var. et corr.
EWMA
Probleme 1 : periode de composition T = 120
−1 0 1 2 3 4 5 60
2000
4000
6000
8000
10000
12000
14000
Rendement, T =120
Nom
bre
d’ob
serv
atio
ns, m
=50
0000
N. d’obs.MoyenneMediane
Modelisation destrategies en
finance de marche
Alexander Surkov
Anticipations dumarche
Rendements
Var. et corr.
EWMA
Probleme 1 en Matlab
mu = (1+11.8/100)^(1/12)-1;
sigma = 20.3 / 100 / sqrt(12);
T = 120; % Periode de composition
m = 5e5; % Nombre d’essais
rT = zeros(m,1);
for i = 1:m
% T rendements aleatoires
r = normrnd( mu, sigma, 1, T );
% Rendement compose
rT(i) = prod( 1 + r, 2 )-1;
end;
ErT = ( 1 + mu )^T - 1; % Moyenne
MrT = median(rT); % Mediane
Modelisation destrategies en
finance de marche
Alexander Surkov
Anticipations dumarche
Rendements
Var. et corr.
EWMA
Probleme 1 : solution approximative
ln (1 + Rt+1,t) ∼ N(µ, σ2
)ERt+1,t = exp
(µ+
σ2
2
)− 1 = µR
σ2R =
[exp
(σ2)− 1]
(1 + µ)2
σ2 = ln
[1 +
(σR
1 + µ
)2]≈ σ2
R
µ = ln (1 + µR)− σ2
2≈ µR −
σ2R
2
I La mediane de exp [ln (1 + Rt+T ,t)] est egale a l’exp dela mediane de ln (1 + Rt+T ,t), c.-a-d. a exp (µT ).
I Plus generalement, le rendement median compose≈ exp [E ln (1 + Rt+T ,t)T ]− 1.
Modelisation destrategies en
finance de marche
Alexander Surkov
Anticipations dumarche
Rendements
Var. et corr.
EWMA
Probleme 2 : l’estimateur biaise
µR =1
N
N−1∑i=0
rt−i , EµR = µR
E (1 + µR)T 6= (1 + µR)T
Modelisation destrategies en
finance de marche
Alexander Surkov
Anticipations dumarche
Rendements
Var. et corr.
EWMA
Probleme 2 : periode de composition T = 60
−1 0 1 2 3 4 5 60
1000
2000
3000
4000
5000
6000
Rendement, T =60
Nom
bre
d’ob
serv
atio
ns, m
=50
0000
N. d’obs.M. estim.Vraie m.
Modelisation destrategies en
finance de marche
Alexander Surkov
Anticipations dumarche
Rendements
Var. et corr.
EWMA
Probleme 2 : periode de composition T = 120
−1 0 1 2 3 4 5 60
2000
4000
6000
8000
10000
12000
14000
Rendement, T =120
Nom
bre
d’ob
serv
atio
ns, m
=50
0000
N. d’obs.M. estim.Vraie m.
Modelisation destrategies en
finance de marche
Alexander Surkov
Anticipations dumarche
Rendements
Var. et corr.
EWMA
Probleme 2 en Matlab
N = 120; % Nombre de donnees
T = 120; % Periode de composition
m = 5e5; % Nombre d’essais
% Estimations du rendement compose
muTe = ( 1 + normrnd( mu, sigma / sqrt( N ),...
m, 1 ) ) .^ T - 1;
% L’esperance mathematique estimee
EmuTe = mean( muTe );
% La vraie esperance mathematique
muT = ( 1 + mu ) ^ T - 1;
Modelisation destrategies en
finance de marche
Alexander Surkov
Anticipations dumarche
Rendements
Var. et corr.
EWMA
Probleme 2 : le biais
Si µR ∼ N(µR , σ
2R /N
)E (1 + µR)T = (1 + µR)T
×
1 +
[T/2 ]∑k=1
T !
2k (T − 2k)!k!
σR/√
N
1 + µR
2k
Modelisation destrategies en
finance de marche
Alexander Surkov
Anticipations dumarche
Rendements
Var. et corr.
EWMA
Table de matiere
Anticipations du marcheEstimation des rendementsEstimation des variances et correlationsModele EWMA
Modelisation destrategies en
finance de marche
Alexander Surkov
Anticipations dumarche
Rendements
Var. et corr.
EWMA
Matrice de covariance
I La variance, la covariance et la correlation :
σ2Ri≡ VRi ≡ E (Ri − ERi )
2 ,
σRiRj≡ cov (Ri ,Rj) ≡ E (Ri − ERi ) (Rj − ERj) ,
ρRiRj≡ corr (Ri ,Rj) = σRiRj
/(σRi
σRj
)I La matrice de covariance
Σ =(σRiRj
)=
σ2R1
σR1R2 . . . σR1Rn
σR1R2 σ2R2
. . . σR2Rn
......
. . ....
σR1Rn σR2Rn . . . σ2Rn
I Tout ensemble, elles permettent de quantifier le risque
du portefeuille.
Modelisation destrategies en
finance de marche
Alexander Surkov
Anticipations dumarche
Rendements
Var. et corr.
EWMA
Covariance vs. correlation(σRiRj
)= (σRi
)(ρRiRj
)(σRi
)T
σ2R1
σR1R2 . . . σR1Rn
σR1R2 σ2R2
. . . σR2Rn
......
. . ....
σR1Rn σR2Rn . . . σ2Rn
=
σR1 0 . . . 0
0 σR2 . . . 0...
.... . .
...0 0 . . . σRn
1 ρR1R2 . . . ρR1Rn
ρR1R2 1 . . . ρR2Rn
......
. . ....
ρR1Rn ρR2Rn . . . 1
×
σR1 0 . . . 0
0 σR2 . . . 0...
.... . .
...0 0 . . . σRn
Modelisation destrategies en
finance de marche
Alexander Surkov
Anticipations dumarche
Rendements
Var. et corr.
EWMA
Variance vs. volatilite
I Volatilite est l’ecart type annualise de rendementslogarithmiques
I Si les rendements logarithmiques sont independants etidentiquement distribues,
Rt+T ,t = Rt+T ,t+N−1 + Rt+N−1,t+T−2 + · · ·+ Rt+1,t
ERt+T ,t = TµR , E (Rt+T ,t − ERt+T ,t)2 = Tσ2
R
I La moyenne annualisee : µR · TI La variance annualisee : σ2
R · TI L’ecart type annualise (volatilite) : σR ·
√T
Modelisation destrategies en
finance de marche
Alexander Surkov
Anticipations dumarche
Rendements
Var. et corr.
EWMA
Volatilite : exemple
I Le rendement moyen et l’ecart type des rendementsquotidiens de l’indice S&P/TSX
µR = 1.87 ·10−4 = 0.0187%, σR = 0.0119 = 1.19%
I La moyenne annualisee, T = 252
µaR = µR · T = 1.87 · 10−4 · 252 = 0.0470 = 4.70%
I La volatilite
σaR = σR ·√T = 0.0119 ·
√252 = 0.189 = 18.9%
Modelisation destrategies en
finance de marche
Alexander Surkov
Anticipations dumarche
Rendements
Var. et corr.
EWMA
Variance de rendements composes
I Si les rendements ne sont pas independants, disons
Rt+1,t = α+ρRt,t−1+εt , εt ∼ iid(0, σ2
), |ρ| < 1
VRt+T ,t =
= σ2
{T +
2ρ
(1− ρ)2
[(T − 1) (1− ρ)− ρ
(1− ρT−1
)]}I Exemple :
ρ = −0.05, σ = 0.0119,√VRt+T ,t = 0.179
I On observe une sur-estimation de 5% environs de lavolatilite si l’autocorrelation est ignoree.
Modelisation destrategies en
finance de marche
Alexander Surkov
Anticipations dumarche
Rendements
Var. et corr.
EWMA
Estimation de la variance
I Pour former les anticipations du marche, nous sommesinteresses par la variance du rendement futur
Et (Rt+1 − Et Rt+1)2 .
compte tenu de l’information que nous disposonsaujourd’hui.
I Pour les rendements independants Et ≡ EI Pour une serie stationnaire, la variance est constante.
I La moyenne equiponderee
σ2R =
1
N − 1
N−1∑i=0
(rt−i − µR)2
represente un estimateur non biaise de la varianceinconditionnelle
E σ2R = σ2
R .
Modelisation destrategies en
finance de marche
Alexander Surkov
Anticipations dumarche
Rendements
Var. et corr.
EWMA
Estimation des correlations
I En utilisant la meme logique :
σRi ,Rj=
1
N − 1
N−1∑k=0
(ri ,t−k − µRi)(rj ,t−k − µRj
)I Notons que les estimateurs
σR =√σ2R , ρRiRj
= σRiRj
/(σRi
σRj
)sont generalement biaises, le biais etant habituellementpetit.
Modelisation destrategies en
finance de marche
Alexander Surkov
Anticipations dumarche
Rendements
Var. et corr.
EWMA
Erreur d’echantillonnage
I Si les observations sont i.i.d., l’estimateur de la varianceest non biaise
E σ2R = σ2
R .
I L’erreur type de l’estimateur de la variance√V σ2
R = σ2R ·√
2
N − 1
I L’erreur type de l’estimateur de la volatilite
√V σaRσaR
≈
√V σ2
R
2σ2R
,√V σaR =
σaR√2(N − 1)
car√
1 + x ≈ 1 + x/2 quand x est petit.
Modelisation destrategies en
finance de marche
Alexander Surkov
Anticipations dumarche
Rendements
Var. et corr.
EWMA
Intervalle de confiance (1)
I Si R ∼ N(µR , σ
2R
),
(N − 1)
σ2R
· σ2R ∼ χ2
N−1
I Exemple : N = 252 ; l’intervalle de confiance pour leniveau de confiance 1− α = 0.95 :
χ2α/2,251 ≈ 209, χ2
1−α/2,251 ≈ 297[(N − 1) σ2
R
χ21−α/2,N−1
,(N − 1) σ2
R
χ2α/2,N−1
]≈[0.85 · σ2
R , 1.2 · σ2R
]I Matlab :
N = 252; alpha = 0.05;
s2 = nanvar(X); %Calculer la variance de X
s2*(N-1)./chi2inv([1-alpha/2 alpha/2], N-1)
Modelisation destrategies en
finance de marche
Alexander Surkov
Anticipations dumarche
Rendements
Var. et corr.
EWMA
Intervalle de confiance (2)
50 100 150 200 2500
0.5
1
1.5
2
2.5
3(N
−1)/χ2,α=
0.05
N
Modelisation destrategies en
finance de marche
Alexander Surkov
Anticipations dumarche
Rendements
Var. et corr.
EWMA
Intervalle de confiance pour la volatilite
[√T (N − 1) σ2
R
χ21−α/2,N−1
,
√T (N − 1) σ2
R
χ2α/2,N−1
]
I Exemple : a partir d’un an des donnees quotidiennes,
T = 252, N = 252, σR = 0.0119 = 1.19%
I L’intervalle de confiance pour le niveau de confiance95% :[√
252 · 251
297· 0.0119,
√252 · 251
209· 0.0119
]≈ [0.174, 0.207] = [17.4%, 20.7%]
Modelisation destrategies en
finance de marche
Alexander Surkov
Anticipations dumarche
Rendements
Var. et corr.
EWMA
Chevauchement d’intervalles (1)
I L’estimation de la variance n’est donc pasproblematique :
I utiliser la frequence maximale disponible,I calculer la volatilite en utilisant la regle de
√T .
I Si on cherche l’estimation de la variance mensuelle σRT
(T = 21 jours) a partir de N = 252 observationsquotidiennes, il faut la calculer comme σR ·
√T a partir
de la variance quotidienne.
I Une approche alternative utilisant les rendementsmensuels est moins precise, parce qu’elle n’implique que12 observations.
Modelisation destrategies en
finance de marche
Alexander Surkov
Anticipations dumarche
Rendements
Var. et corr.
EWMA
Chevauchement d’intervalles (2)
I Une autre alternative existe : pour les intervalles avecchevauchement,
rt,t−T , rt−1,t−T−1, . . .
le nombre d’observations est n = N − T + 1.
I Les rendements ne sont plus independants etl’estimateur de variance est biaise
E σ2RT
= σ2RT· T ·
[1− (T − 1)(3n − T − 1)
3n(n − 1)
]I Pour N = 252, T = 21, le biais est de 8%.
I Cependant, cette approche est de ∼ 1/3 plus preciseque celle sans chevauchements et peut etre utilisee sil’emploi de la regle de
√T n’est pas souhaitable.
Modelisation destrategies en
finance de marche
Alexander Surkov
Anticipations dumarche
Rendements
Var. et corr.
EWMA
Limitations de l’approche equiponderee
I L’estimateur equipondere est pour la varianceinconditionnelle quand les rendements sont i.i.d.
I La periode d’observation devrait donc etre longue.
I Un rendement extreme influence l’estimation lorsqu’ilest dans la fenetre d’observation.
I Lorsqu’il quitte la fenetre, la volatilite diminue, ce quiest completement artificiel.
Modelisation destrategies en
finance de marche
Alexander Surkov
Anticipations dumarche
Rendements
Var. et corr.
EWMA
Exemple : les rendements de S&P/TSXComposite
05 06 07 08 09 10 11 12 13 14 15−0.1
−0.05
0
0.05
0.1
Date
Ren
dem
ent
Rend. TSXEc. type 21jEc. type 63jEc. type 1an
Modelisation destrategies en
finance de marche
Alexander Surkov
Anticipations dumarche
Rendements
Var. et corr.
EWMA
Exemple : la correlation entre S&P/TSXComposite et S&P 500
05 06 07 08 09 10 11 12 13 14 150
0.2
0.4
0.6
0.8
1
Date
Cor
rela
tion
Corr. 21jCorr. 63jCorr. 1an
Modelisation destrategies en
finance de marche
Alexander Surkov
Anticipations dumarche
Rendements
Var. et corr.
EWMA
Table de matiere
Anticipations du marcheEstimation des rendementsEstimation des variances et correlationsModele EWMA
Modelisation destrategies en
finance de marche
Alexander Surkov
Anticipations dumarche
Rendements
Var. et corr.
EWMA
Modele EWMA
I Exponentially weighted moving average
σ2R,t = λσ2
R,t−1 + (1− λ) r2t−1 = (1− λ)
∞∑k=1
λk−1r2t−k
σRiRj ,t = λσRiRj ,t−1 + (1− λ) ri ,t−1rj ,t−1
= (1− λ)∞∑k=1
λk−1ri ,t−k rj ,t−k
I Si R ∼ i.i.d(0, σ2
R
), les estimations du modele EWMA
sont non biaisees
E σ2R,t = λE σ2
R,t−1 + (1− λ)E r2t−1 = σ2
R
Modelisation destrategies en
finance de marche
Alexander Surkov
Anticipations dumarche
Rendements
Var. et corr.
EWMA
EWMA : l’erreur d’estimation
I Si R ∼ N(0, σ2
R
)V σ2
R,t = 2σ4R ·
1− λ1 + λ
I L’erreur type de la volatilite
√V σR,t ≈ σR
√1− λ
2(1 + λ)
I Pour λ = 0.96√V σR,tσR,t
≈
√1− 0.96
2 · (1 + 0.96)≈ 10%
I L’erreur reelle est plus grande parce que l’historique estlimitee.
Modelisation destrategies en
finance de marche
Alexander Surkov
Anticipations dumarche
Rendements
Var. et corr.
EWMA
EWMA : ecart type
05 06 07 08 09 10 11 12 13 14 15−0.1
−0.05
0
0.05
0.1
Date
Ren
dem
ent
Rend. TSXλ=0.9λ=0.96Ec. type 63j
Modelisation destrategies en
finance de marche
Alexander Surkov
Anticipations dumarche
Rendements
Var. et corr.
EWMA
EWMA : correlation
05 06 07 08 09 10 11 12 13 14 150
0.2
0.4
0.6
0.8
1
λ=0.9λ=0.96Ec. type 63j
Modelisation destrategies en
finance de marche
Alexander Surkov
Anticipations dumarche
Rendements
Var. et corr.
EWMA
EWMA en Matlab
N = length(r1); lambda = 0.95;
V = zeros(N,3); % Deux variances et la covariance
for j = 2:length(r1)
% Attention aux NaNs!
if(isnan(r1(j))||isnan(r2(j)))
V(j,:)= V(j-1,:);
else
V(j,:) = lambda * V(j-1,:)+ (1-lambda)...
*[r1(j-1)^2 r2(j-1)^2 r1(j-1)*r2(j-1)];
end
end
% Les ecarts type et la correlation
V(:,1:2) = sqrt( V(:,1:2));
V(:,3) = V(:,3)./ V(:,1) ./ V(:,2);
Modelisation destrategies en
finance de marche
Alexander Surkov
Anticipations dumarche
Rendements
Var. et corr.
EWMA
Conclusion
I Les methodes discutees ci-dessus d’estimation de lavariance se basent sur l’hypothese que les rendementssont i.i.d.
I La methode equiponderee est fortement influencee parle choix de la fenetre d’observation.
I Le modele EWMA permet d’eviter la dynamiqueartificielle apportee par des periodes d’ d’une tres fortevolatilite. Cependant, il presume toujours que lesrendements sont i.i.d.
I Nos estimations des erreurs d’echantillonnages’appuient sur l’hypothese que les rendements sontdistribues selon la loi normale.