Expected Shortfall des options : les pertes au-delà de la VaR

Comprenez comment l’Expected Shortfall mesure la perte moyenne d’un portefeuille d’options dans la pire queue, pourquoi la réévaluation complète est essentielle et comment l’horizon, les scénarios et la liquidité façonnent l’estimation.

À des fins éducatives uniquement ; ne constitue ni un conseil en investissement ni une recommandation d’investissement. Les investissements peuvent entraîner des pertes.

Réponse directe

L’Expected Shortfall (ES) au niveau de confiance alpha est la perte moyenne pondérée par les probabilités dans la pire fraction 1 - alpha des résultats modélisés. La VaR repère un quantile de perte ; l’ES mesure la gravité de la queue au-delà de ce quantile.

Dans un portefeuille d’options, les profils non linéaires, les variations de la surface de volatilité, les sauts et les positions short Gamma peuvent concentrer de très lourdes pertes dans quelques scénarios qu’un seuil de VaR unique ne décrit pas. L’ES reste une estimation de modèle, et non une perte maximale, une prévision de prix, une exigence de marge ou une garantie.

Définition et estimation

Laissez L désigner une perte, les nombres positifs représentant les pertes. Une définition générale de la distribution est :

ES_alpha = [1 / (1 - alpha)] x integral from alpha to 1 of VaR_u du

Pour une distribution continue des pertes, cette expression est égale à la moyenne conditionnelle des pertes au-delà de la VaR alpha. Avec un échantillon fini ou une masse de probabilité à la VaR, moyenner toutes les observations égales ou supérieures à la VaR peut être erroné : il faut documenter la convention de quantile et, si nécessaire, appliquer un poids fractionnaire à la frontière.

Un moteur d’ES pour options suit généralement ces étapes :

Choisissez l’horizon, le niveau de confiance, l’horodatage de valorisation, la devise et la convention de perte.
Générer des chocs conjoints sur le spot, la surface de volatilité, les taux, les dividendes, l’emprunt et le temps.
Réévaluez entièrement chaque option et couvrez-vous selon chaque scénario.
Incluez le multiplicateur, la quantité, la trésorerie, les actions, les frais et les coûts d’exécution ou de liquidation modélisés.
Triez les pertes du portefeuille et faites la moyenne de la pire extrémité requise, avec des pondérations de scénario.

La simulation historique rejoue les variations conjointes observées et conserve les relations de l’échantillon choisi, mais omet les crises et changements de régime extérieurs à cet échantillon. La simulation Monte Carlo peut produire davantage de scénarios et cibler les queues, mais le résultat dépend d’hypothèses de distribution, corrélation, volatilité, sauts et dynamique de surface. Les probabilités doivent correspondre à la question de risque : la distribution risque-neutre utilisée pour valoriser les options n’est pas automatiquement une distribution de pertes réelles. Une approximation Delta-normale est rapide, mais peut fortement sous-estimer les effets Gamma, Vega, skew, barrière, exercice anticipé et gap.

L’horizon doit correspondre à la décision. Un ES à un jour ne mesure pas la perte d’une position dont la liquidation demande plusieurs jours sous tension. Une estimation ajustée de la liquidité doit préciser le traitement des spreads, de l’impact de marché, des exécutions partielles et des différents horizons de liquidation ; la mise à l’échelle par la racine carrée du temps est particulièrement fragile pour les options non linéaires et les sauts.

Même VaR, queue différente

Supposons dix scénarios d’un jour équipondérés et entièrement réévalués. Les pertes se chiffrent en milliers de dollars et sont déjà classées du meilleur au pire :

Portefeuille A : -5, -3, 0, 1, 2, 4, 6, 8, 20, 100
Portefeuille B : -5, -3, 0, 1, 2, 4, 6, 8, 9, 11

En prenant la plus petite perte dont la probabilité cumulée atteint 80 %, les deux portefeuilles ont :

80% VaR = $8,000

Les 20 % les plus mauvais contiennent deux résultats équipondérés. Par conséquent :

ES_80%(A) = ($20,000 + $100,000) / 2 = $60,000

ES_80%(B) = ($9,000 + $11,000) / 2 = $10,000

La VaR à elle seule rend les portefeuilles identiques au seuil. ES révèle que le portefeuille A présente une perte extrême beaucoup plus grave. L’échantillon est délibérément petit pour des raisons de clarté arithmétique ; les estimations de production nécessitent de nombreuses observations ou scénarios, des règles de pondération, des analyses de stabilité et des tests de résistance indépendants.

Pour une option courte, chaque scénario doit réévaluer l’option plutôt que de plafonner la perte à la prime reçue. Un écart peut modifier simultanément Delta et IV, élargir le spread, déclencher des besoins de marge et empêcher une liquidation au niveau théorique.

Liste de contrôle de mise en œuvre et de validation

Indiquez le signe de perte, la devise de base, le niveau de confiance, l’horizon et l’heure d’évaluation.
Enregistrez si ES est historique, paramétrique, historique filtré ou Monte Carlo.
Préserver les dépendances entre actifs, expirations croisées et volatilité ponctuelle.
Appliquer des chocs à l’ensemble de la surface de volatilité, et non à un seul numéro ATM IV.
Utiliser la réévaluation complète pour les positions significatives non linéaires et dépendant du chemin.
Incluez les actions, les liquidités, les dividendes, les taux, le coût d’emprunt, le multiplicateur et toutes les jambes d’options.
Traiter les scénarios d’exercices et d’assignment (assignation de l’obligation au vendeur de l’option) américains séparément de la valorisation du modèle.
Ajoutez explicitement des hypothèses de bid-ask, d’impact sur le marché, de liquidation retardée et de remplissage partiel.
Inclure les sauts de nuit et les événements absents de l’histoire récente.
Vérifiez la longueur de l’échantillon, les données manquantes, les cotations périmées, les opérations sur titres et les biais de survie.
Comparez les estimations glissantes sur des fenêtres calmes et stressées.
Backtester les dépassements de VaR, mais aussi comparer l’ampleur des pertes extrêmes réalisées avec les prévisions ES.
Utiliser des scénarios de stress déterministes aux côtés des ES ; de rares états non modélisés peuvent dominer la perte d’option.
Déclarez la concentration et les contributions aux scénarios plutôt qu’un seul total de portefeuille.
Recalculer après un changement des conditions de position, de surface, de corrélation, de liquidité ou de marge.
Conservez la version du modèle, la graine aléatoire le cas échéant, l’instantané des données et les règles de transformation reproductibles.
Fixer des limites de position en fonction de la capacité de risque ; ne procédez pas à une ingénierie inverse d’hypothèses optimistes pour les adapter à un métier souhaité.

Idées fausses courantes

“ES est la pire perte possible.” Il s’agit en moyenne d’une queue modélisée ; les résultats au-delà de l’échantillon peuvent être pires.
“99 % ES signifie seulement 1 % de chances de perte.” Le niveau de confiance définit une queue et non la probabilité d’une perte.
“ES prédit la perte de demain.” Il résume une distribution modélisée conditionnelle.
“Le raccourci conditionnel-moyenne fonctionne toujours.” Les atomes et les échantillons finis nécessitent une convention de limite déclarée.
“Deux portefeuilles avec une VaR égale ont un risque égal.” Leurs pertes au-delà de la VaR peuvent différer fortement.
“Plus de scénarios garantissent l’exactitude.” Une mauvaise dynamique ou des données médiocres peuvent créer une erreur d’apparence précise.
« L’ES historique n’a pas d’hypothèses de modèle. » La fenêtre, la pondération, le mappage, le nettoyage et la réévaluation sont des choix de modélisation.
“Delta suffit pour l’option ES.” Les mouvements importants modifient Delta et exposent les risques Gamma, Vega, d’inclinaison et de saut.
“Les stratégies à risque défini n’ont pas besoin d’ES.” La trajectoire de la queue, la liquidité, l’assignation et la concentration comptent toujours, même lorsque la perte à l’échéance est plafonnée.
“ES inclut automatiquement chaque perte opérationnelle.” La liquidation, la levée, l’exercice et le règlement des marges doivent être modélisés explicitement.
“Un ES inférieur prouve qu’un échange est meilleur.” Il mesure une dimension du risque et ne dit rien en soi sur le rendement attendu ou l’adéquation.