|
Accueil / Home | |||
| Chercher / Search |
| Mensuel : | Edition de février 2008 |
| Rubrique : | Hedge Funds |
| Titre : | Gestion des risques et analyse quantitative des hedge funds |
| Article : | Par Gabriel CATHERIN (Portfolio Manager, Kredietbank Luxembourg)
La gestion des risques et l’analyse quantitative sont classiquement basés sur l’hypothèse de normalité des rendements ce qui sous-entend une symétrie des rendements à la hausse et à la baisse. Alors que cette hypothèse semble être vérifiée dans le cas des indices boursiers classiques et des indices obligataires, la situation est différente lorsqu’on considère des fonds alternatifs. Étant donné que les gérants de hedge funds ont un objectif de rendement absolu, ils vont appliquer une stratégie de placement diversifiée et vont intervenir de façon opportuniste sur divers marchés, comme par exemple les marchés actions, de taux, matières premières, devises, etc., les rendements sont donc généralement décorréllés de ceux des marchés plus classiques (action et obligataire) et ils ne suivent pas la distribution d’une loi normale. Les rendements des hedges funds ne suivant pas une distribution d’une loi normale, il faut introduire des mesures qui permettent d’intégrer les spécificités des rendements de tels produits: la skweness et la kurtosis. La skweness permet de mesurer le dégré de symétrie d’une distribution des rendements. Une skewness positive signifie une asymétrie positive (vers la droite), un coefficient négatif signifie une distribution rallongée sur la gauche. La kurtosis également appelée coefficient d’aplatissement permet de mesurer le degré d’aplatissement d’une distribution. Un coefficient élevé indique que la distribution est plus pointue qu’une distribution normale et des queues de distribution épaisses. Les différents outils quantitatifs classiques étant remis en cause par ces deux concepts, il faut alors développer de nouveaux et spécifiques outils quantitatifs pour les hedge funds. Gestion des risques Dans l’article de Daniel Capocci relatif à l’évolution de l’industrie des hedges funds, l’auteur décrit le développement de l’industrie des fonds alternatifs: de plus en plus de gérant de fortune considèrent les hedge funds comme produit d’investissement. Ces gestionnaires nécessitent une gestion des risques adaptée afin de limiter les risques des clients privés. Il a fallu adapter les outils quantitatifs du domaine des fonds classiques à ceux du domaine alternatif mais aussi développer de nouveaux outils quantitatifs spécifiques. Ci-dessous nous décrivons trois outils spécifiques avant de décrire en détail les conditions de liquidité spécifiques aux fonds alternatifs: la VaR ajustée à la distribution des rendements qui est une mesure de risque de perte, l’autocorrélation qui quantifie le risque de liquidité, le stress testing qui vise à estimer les pertes dans des conditions de marché extrêmes. VaR ajustée à la distribution des rendements La value at risk (VaR) représente la perte potentielle maximale (en montant ou en pourcentage) d'un investisseur sur la valeur d'un actif ou d'un portefeuille d'actifs financiers compte tenu d'un horizon de détention et d'un intervalle de confiance. Classiquement, elle se calcule sur base d’une distribution des rendements normale et elle ne peut pas s’appliquer au domaine des hedge funds. De nombreuses modifications de la VaR classique ont vu le jour. Elles visent à simplifier les hypothèses de base dont la normalité des rendements. La façon la plus simple d’éviter cette hypothèse est d’estimer la distribution des rendements sur une base historique, ce qui n’est pas possible dans le cas des hedge funds ou le nombre de données historique reste trop faible. Nous ne disposons pas d’assez d’information pour estimer cette loi. Une solution alternative que nous préconisons est la VaR modifiée qui prend en compte la volatilité des rendements mais aussi la skweness et la kurtosis. Avec cet outil, la mesure de risque n’est plus uniquement la volatilié mais une mesure étendue qui intègre la symétrie de la distribution et son aplatissement. Si la distribution est asymétrique avec plus de rendements positifs que de rendements négatifs la VaR modifiée aura une valeur plus faible que la VaR classique, de même si la distribution possède un kurtosis supérieur à celui d’une loi normale, la VaR modifiée aura plus valeur plus importante que la VaR classique. Autocorrélation L’autocorrélation mesure le degré de corrélation entre les rendements au cours du temps. Il s’agit de la corrélation des rendements dans le temps. En cas de corrélation importante, le risque de liquidité est réel. Une corrélation élevée signifie que les rendements sont lissés et l’idée sous-jacente est que les titres peu liquides ont tendance à avoir des prix stables. L’analyse de l’autocorrélation permet alors de mesurer le risque de liquidité des hedge funds. Nous pouvons déterminer si le gestionnaire influence ses performances, ou tout simplement que la stratégie implique des rendements corrélés entre eux mois après mois. Stress testing Le stress testing est une manière simple de déterminer la "réaction" d’un fonds ou d’un portefeuille pendant une période d’événements exceptionnels. C’est une procédure visant à créer des simulations de crise, à travers des scénarios de stress, nous pouvons alors utiliser des événements historiques comme hypothétiques. Pratiquement, dans le cas d’un portefeuille, nous reprenons chaque période de stress et, sur base de la performance du fonds durant cette période (ou sur base d’une estimation de cette performance), nous estimons la performance globale du portefeuille en cas de mouvement extrême. Contraintes de liquidité Un aspect du risque spécifique aux hedge funds qu’il est indispensable de considérer est la relative illiquidité des fonds individuels. Diverses contraintes sont à considérer même si pratiquement il est assez difficile de les intégrer dans du risk management, il est indispensable de les considérer. Nous allons décrire quelques caractéristiques concernant la liquidité des hedge funds: - Lock-up (période de sûreté): période durant laquelle l’investisseur ne peut pas retirer son investissement (1 an en général). - Notice: nombre de jours qui précèdent le remboursement d’un investissement en cas de vente (30 jours en général) - Date de liquidité: date quand chaque investisseur peut retirer ses investissement après avoir attendu la notice et la lock-up. - Exit gate: pourcentage maximums des actifs qui sont remboursés à chaque date de liquidité (20% en général). A titre d’exemple, utilisons un fonds avec les caractéristiques suivantes: 1 an de lock-up, notice de 30 jours, liquidité mensuelle, pas d’exit gate. Un investisseur place son ordre de vente le 03/01/2008, l’ordre est acceptée le 03/01/2008 + 30 jours de qui signifie le 02/02/2008. La liquidité de fonds étant mensuelle, l’investisseur sort à la valeur nette d’inventaire de fin février soit près de 2 mois après sa décision. Durant ce temps, il reste naturellement investi dans le fonds et exposé au risque d’investissement. Le risque de liquidité a deux effets, premièrement pendant la période où on a passé son ordre de vente et lorsque l’on récupère les actifs (période qui peut être très longue), les performance peuvent êtres mauvaises. Deuxièmement, dans certaines stratégies, les actifs sont des investissements très illiquides (immobilier, polices d’assurances…), si le gestionnaire choisit mal les conditions de liquidités de son fonds (notice, lock-up…), en cas de sorties massives, il ne pourra pas y faire face et au final, il va devoir liquider son fonds. Il est difficile de quantifier ces contraintes de liquidité, mais il est indispensable de diversifier un portefeuille au maximum avec des produits qui offrent des liquidités diverses. Analyse quantitative Auparavant, l’analyse quantitative se basait uniquement sur la statistique suivante: performance/risque. Aujourd’hui l’analyse quantitative a été améliorée et devient de plus en plus complexe. Ces outils se basent sur les chiffres afin de comprendre la stratégie d’investissement d’une équipe ou d’un gérant. Statistiques descriptives Ces statistiques sont utilisées afin de décrire de manière simplifiée le hedge fund. Elles contiennent généralement les mesures suivantes: rendement annualisé, volatilité annualisée, skweness, kurtosis. Nous pouvons aussi rajouter des mesures liées à un indice de référence comme l’apha (indicateur de sur/sous performance d'un fonds par rapport à son indice de référence, il mesure l'écart entre la performance réalisée par le fonds, et celle obtenue par l'indice de référence), le beta (coefficient de sensibilité qui indique la relation existant entre les fluctuations de la valeur du titre et les fluctuations du marché). On peut également intégrer des mesures de drawdown (perte maximale sur la période analysée), de volatilité à la baisse, etc. L’intérêt de telles mesures est de donner une vue d’ensemble de données analysées afin de comparer les produits sur une base identique. Analyse multi-factorielle Cette analyse s’est développée depuis le début des années 2000. Elle permet de déterminer si un gestionnaire de fonds crée de l’alpha par rapport aux marchés classiques, c’est-à-dire si la performance qu’il offre est réellement plus importante que l’indice de référence, qu’il crée de la valeur. Cette analyse consiste à décomposer les rendements des fonds et de les expliquer par les rendements des marchés classiques et ainsi d’extraire l’alpha. Nous pouvons compléter l’analyse multi-factorielle par une évolution des bêtas au court du temps, le principe est de réaliser une étude multi-factorielle sur une période de 3 ans glissant. Nous obtenons pour chaque béta une évolution au cours du temps, et donc nous pouvons déterminer la compétence ou l’incompétence du gestionnaire au cours du temps et l’évolution du risque. Exposition par stratégie De cette analyse, afin d’analyser les gestionnaires de funds of hedge funds, une seconde analyse multi-factorielle existe. Elle consiste cette fois à expliquer les rendements par les rendements des indices de marchés hedge funds. Elle va permettre de déterminer si le gestionnaire a été un bon market timer par rapport aux stratégies présentes dans l’industrie et/ou un bon stock picker. Nous pouvons dans le cas présent également calculer l’évolution de bêtas afin d’analyser l’évolution du gestionnaire au court du temps. Analyse de style L’analyse de style est proche de l’analyse multi-factorielle en ce sens qu’on vise à expliquer les rendements. Elle ne prend cependant pas en compte l’indicateur de sur- ou sous-performance du gestionnaire mais on décompose ses expositions passées sur base de style. Elle permet de déterminer le style du gestionnaire, de comprendre quel est le marché qui explique au mieux la performance du fonds du gestionnaire. Omega L’oméga est le ratio entre la probabilité de gain sur la probabilité de perte pour un rendement donné. Pour un rendement déterminé, une telle mesure rapporte la probabilité de gagner plus que ce montant sur la probabilité de gagner moins. L’oméga a un avantage par rapport aux autres mesures car elle ne nécessite pas d’hypothèse sur les rendements, ni d’approximation. La mesure de l’Oméga est accompagné d’un benchmark afin de déterminer pour un rendement donné si le fonds choisi aura une meilleure probabilité d’obtenir ce rendement que son indice. Cette nouvelle mesure développée récemment trouve toute son utilité dans le cas de produits non classiques comme les hedge funds. Facteur de Corrélation Comme nous l’avons spécifié précédemment, les hedge funds visent à être décorrélés des marchés classiques. Ils peuvent cependant être corrélés entre eux, ce qui va impliquer pour un gestionnaire de fonds de hedge funds un problème de non diversification de ses actifs et en cas d’événements graves (crise du crédit, crise sur les marchés émergents) impliquer une perte importante. Son objectif est donc de construire son portefeuille en évitant au maximum les corrélations entre les sous-jacents. Le gestionnaire va alors utiliser le facteur de corrélation afin de déterminer une matrice de corrélation de ses actifs. Une matrice de corrélation permet de connaître les corrélations de chaque fonds entre eux ainsi que leur évolution dans le temps. Conclusion On ne parle de gestion des risques que depuis quelques années, cependant durant cette période nous avons vu que l’analyse quantitative et le risk management évoluent constamment et sont de plus en plus complexes. Malheureusement, cette gestion des risques demandent de nombreux pré-requis tels un nombre de données importantes. Ce handicap peut cependant être contrebalancé par une connaissance approfondie des équipes de gestion et du portefeuille. Il est indispensable d’adapter les outils utilisés et les quelques exemples décrit ci-dessus montrent l’utilité de suivre les développements récents, de les adapter afin de les utiliser dans le cadre d’une gestion dynamique. |
Retour début de page