<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Thibaut Joncour on Medium]]></title>
        <description><![CDATA[Stories by Thibaut Joncour on Medium]]></description>
        <link>https://medium.com/@thibautjoncour?source=rss-b5b2bd1f49ff------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*FlMEwTF5af4oNf0wy8vaUw.jpeg</url>
            <title>Stories by Thibaut Joncour on Medium</title>
            <link>https://medium.com/@thibautjoncour?source=rss-b5b2bd1f49ff------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sat, 21 Nov 2026 23:21:51 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@thibautjoncour/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[“Back testing” d’une stratégie de trading sur 100 titres avec Python.]]></title>
            <link>https://thibautjoncour.medium.com/back-testing-dune-strat%C3%A9gie-de-trading-sur-100-titres-avec-python-e03d974705e8?source=rss-b5b2bd1f49ff------2</link>
            <guid isPermaLink="false">https://medium.com/p/e03d974705e8</guid>
            <category><![CDATA[asset-management]]></category>
            <category><![CDATA[finance]]></category>
            <category><![CDATA[trading]]></category>
            <category><![CDATA[algorithms]]></category>
            <dc:creator><![CDATA[Thibaut Joncour]]></dc:creator>
            <pubDate>Fri, 29 Jul 2022 10:35:21 GMT</pubDate>
            <atom:updated>2022-07-29T12:29:41.716Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*zRjlRJEFlOnhkBVhRFeflw.jpeg" /></figure><p>L’importance du “back testing” en trading et en gestion de portefeuille est primordiale, il permet en effet de surveiller la performance d’un modèle ou d’une stratégie. L’objectif ici est de voir si une stratégie de trading est rentable sur une période donnée grâce à Python.</p><p><strong>Partie 1 — Création de la stratégie</strong></p><p><strong>Partie 2— Résultat du backtest</strong></p><p><strong>Partie 3— Généralisation du backtest sur 100 titres</strong></p><h3>Partie 1 — Création de la stratégie</h3><p><strong>Importation des données</strong></p><p>Les données sont issues de Yahoo finance, en fréquence daily sur une période de 24 mois, je vais garder uniquement les prix de clôture.</p><p>La stratégie que j’ai choisit est basé sur la volatilité comme variable de décision de algorithme pour l’achat et la vente du titre.</p><p>La volatilité permet de capter l’évolution à la hausse ou à la baisse d’un titre. Lorsque la volatilité augmente le risque augmente et donc le potentiel de gain et de perte importante en même temps.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1007/1*yPqUoQxs0n-hO1pz1uIyxQ.png" /></figure><p>Afin de capter la hausse de la volatilité en période de tendance haussière et de vendre la hausse de la volatilité pour éviter les pertes importantes en période de tendance baissière, j’ai décidé de coupler cet métrique avec un indicateur de tendance que sont les Moyennes mobiles 200 et 100.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*WmosFxGNNwDSPg5-lGgX1g.png" /></figure><p>La condition d’achat et de vente est conditionnel à deux paramètres et s’articule comme suit:</p><ol><li><strong>Si la MA 100 &gt; MA 200 et que la volatilité en t &gt; volatilité en t-1 alors on achète. (tendance haussière)</strong></li><li><strong>Si la MA 100 &gt; MA 200 et que la volatilité en t &lt;volatilité en t-1 alors on vend. (tendance haussière)</strong></li><li><strong>Si la MA 100 &lt; MA 200 et que la volatilité en t &lt;volatilité en t-1 alors on achète. (tendance baissière)</strong></li><li><strong>Si la MA 100 &lt; MA 200 et que la volatilité en t &gt; volatilité en t-1 alors on vend. (tendance baissière)</strong></li></ol><p>Le calcul de la volatilité et des moyennes mobiles s’effectuent avec le code suivant.</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/e06573f2388c779a5a2b336d92f07ca4/href">https://medium.com/media/e06573f2388c779a5a2b336d92f07ca4/href</a></iframe><p>Output : Exemple avec le titre “Snapchat”</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1005/1*hAboFf2o1iqxwWJvvZJDug.png" /></figure><p><strong>Décision d’achat et de vente de l’algorithme.</strong></p><p>L’objectif ici est de donnée la condition d’achat et de vente à l’aide d’un boucle permettant d’incorporer les conditions énoncées plus haut.</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/f5033cbbb626593384760d78944254d7/href">https://medium.com/media/f5033cbbb626593384760d78944254d7/href</a></iframe><p>Output :</p><p>On peut sortir les signaux d’achats</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/494/1*hGG80kr9ZWhYxrZI-d87pQ.png" /></figure><p>Ainsi que les signaux de ventes :</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/494/1*Z6CN-yq2uM9BuHHSWnyasQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ZVxbxww6c0MBJGhtMQJ0zg.png" /><figcaption>Visualisation des signaux</figcaption></figure><h3><strong>Partie 2 — Résultat du backtest</strong></h3><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/979225fec7ff2696f6b18ebae043dc15/href">https://medium.com/media/979225fec7ff2696f6b18ebae043dc15/href</a></iframe><p>La fonction “BT” permet d’isoler les signaux d’achats/ventes du dataframe</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/463/1*73aVzEWlRuFZa2RwiZM3Zw.png" /><figcaption>Les 22 premiers signaux</figcaption></figure><p>La fonction “Hold” permet de calculer le rendements entre le premier et le dernier prix de clôture du range de donnée, et ainsi simuler la performance du titre en cas de simple “buy and hold” du titre, afin d’évaluer la performance relative et absolue de la stratégie.</p><p>Et enfin la fonction “profit” calcul le rendements entre les signaux d’achat et de vente, puis somme le tout.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/815/1*Jnm5-cPkM6NpVb0EYuTwQQ.png" /></figure><p><strong>La stratégie “buy and hold” sur Snapchat renvoie un rendement de -56,84%, contre +16.47% pour la stratégie sur la volatilité et les moyennes mobiles.</strong></p><p>Autre exemple sur le titre Orpéa :</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*_jAcT4TBMfH7xJ6yxzIiFw.png" /></figure><h3><strong>Partie 3 — Généralisation du backtest sur 100 titres</strong></h3><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/d00203790981a83cd2669b64f0401afb/href">https://medium.com/media/d00203790981a83cd2669b64f0401afb/href</a></iframe><figure><img alt="" src="https://cdn-images-1.medium.com/max/714/1*LilLSVv03s4PLKIx41AlPw.png" /></figure><h3>Conclusion</h3><p>En rajoutant les coûts de transactions, il est possible de tester facilement la performance d’une stratégie, et de l’ajuster en fonction de divers paramètres.</p><p>Full code :</p><p><a href="https://github.com/ThibautJoncour/finance/blob/main/Backtest_trading_strategie.py">finance/Backtest_trading_strategie.py at main · ThibautJoncour/finance</a></p><p><em>Cet article n’est pas un conseil en investissement.</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=e03d974705e8" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Comment créer un intervalle de confiance pour le prix d’un actif avec le modèle ARMA et les…]]></title>
            <link>https://thibautjoncour.medium.com/how-to-create-confidence-level-for-the-stock-price-with-arma-model-and-monte-carlo-simulation-on-10b16e1d0601?source=rss-b5b2bd1f49ff------2</link>
            <guid isPermaLink="false">https://medium.com/p/10b16e1d0601</guid>
            <dc:creator><![CDATA[Thibaut Joncour]]></dc:creator>
            <pubDate>Sat, 20 Nov 2021 14:24:37 GMT</pubDate>
            <atom:updated>2021-12-29T11:35:21.724Z</atom:updated>
            <content:encoded><![CDATA[<h3>Comment créer un intervalle de confiance pour le prix d’un actif avec le modèle ARMA et les simulations Monte-Carlo sur Python</h3><p>Code disponible:</p><p><a href="https://github.com/ThibautJoncour/finance/blob/main/Monte-Carlo.py">https://github.com/ThibautJoncour/finance/blob/main/Monte-Carlo.py</a></p><p><a href="https://github.com/ThibautJoncour/finance/blob/main/Monte-Carlo.py">Cet</a> article a pour objectif de montrer si il est possible d’estimer un intervalle de confiance de prix cohérent à partir d’une prédiction de volatilité d’un actif.</p><p>J’ai choisi le modèle ARMA (autoregressive moving average) pour estimer la volatilité par souci de simplicité, bien que d’autres models soient plus pertinents dans la littérature économique tels que ARCH GARCH etc.</p><h3>Estimation de la volatilité</h3><p>Grace au package yf on va scrapper les données de yahoo finance pour faire quelques statistiques.</p><pre><strong>import yfinance as yf<br>import numpy as np<br>import pandas as pd<br>import seaborn as sns<br>import matplotlib.pyplot as plt<br>from datetime import datetime, timedelta</strong></pre><pre>df = yf.download(tickers=&#39;BTC-USD&#39;, period=&#39;24mo&#39;, interval=&#39;1d&#39;)</pre><pre>df= df[&#39;Close&#39;]</pre><p>On visualise la distribution des rendements et l&#39;allure du graphique.</p><pre>plt.plot(df)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/689/1*51JZQzEtgdAZ8qX8Qd2BJw.png" /></figure><p>On stationnarise la série</p><pre>df = 100*df.pct_change().dropna()<br>plt.plot(df)<br>sns.distplot(df, color = &#39;red&#39;)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/730/1*54kUsgaVtyGikfwsz_IpGQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/473/1*yXtdbcTjSOSdt2QdUJBxFw.png" /></figure><pre>df.describe()<br></pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/330/1*gCZ0zVum511EGIexuN-ijg.png" /></figure><p>On estime la volatilité :</p><pre>window_size=10<br>plt.figure(figsize=(20,10))</pre><pre>vols =df.rolling(window_size).std()<br>plt.plot(vols)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*m-AOjaWJ9uUl81b-ODsZfw.png" /></figure><h3>Le modèle ARMA</h3><p>En <a href="https://fr.wikipedia.org/wiki/Statistique">statistique</a>, les modèles <strong>ARMA</strong> (modèles <em>autorégressifs et moyenne mobile</em>), ou aussi <strong>modèle de </strong><a href="https://fr.wikipedia.org/w/index.php?title=George_EP_Box&amp;action=edit&amp;redlink=1"><strong>Box</strong></a><strong>-</strong><a href="https://fr.wikipedia.org/wiki/Gwilym_Jenkins"><strong>Jenkins</strong></a>, sont les principaux modèles de <a href="https://fr.wikipedia.org/wiki/S%C3%A9ries_temporelles">séries temporelles</a>.</p><p>Étant donné une série temporelle <em>Xt</em>, le modèle ARMA est un outil pour comprendre et prédire, éventuellement, les valeurs futures de cette série. Le modèle est composé de deux parties : une part autorégressive (AR) et une part moyenne-mobile (MA). Le modèle est généralement noté ARMA(<em>p</em>,<em>q</em>), où <em>p</em> est l’ordre de la partie AR et <em>q</em> l’ordre de la partie MA.</p><p>J’ai pris le code sur ce site : <a href="https://machinelearningmastery.com/grid-search-arima-hyperparameters-with-python/">https://machinelearningmastery.com/grid-search-arima-hyperparameters-with-python/</a></p><p>Afin de pouvoir trouver les paramètres optimaux grâce à la méthode GridSearchCV</p><p>Le résultat des p,d,q est le suivant p = 15, d = 1, q =1</p><pre>from statsmodels.tsa.arima_model import ARIMA</pre><pre>#p,d,q p = periods taken for autoregressive model<br>#d -&gt; Integrated order, difference<br># q periods in moving average model</pre><pre>model_arima = ARIMA(vols[-200:],order=(15, 1, 1))<br>model_arima_fit = model_arima.fit()<br>print(model_arima_fit.aic)<br>predictions= model_arima_fit.forecast(steps=10)[0]<br>predictions</pre><p>On visualise le résultat</p><pre>future_dates = [returns.index[-1] + timedelta(days=i) for i in range(1,11)]</pre><pre>ARMA_pred = pd.Series((predictions), index=future_dates)<br>plt.figure(figsize=(10,4))<br>plt.plot(vols[-200:])<br>plt.title(&#39;ARMA volatility Prediction - Next 10 Days&#39;, fontsize=20)<br>plt.legend([&#39;ARMA&#39;,&#39;volatility&#39;], fontsize=16)<br>plt.plot(ARMA_pred)<br></pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/657/1*CGM6Ka4MhN7et8k5ZfQetQ.png" /></figure><p><strong>Construction de l’intervalle de confiance avec la table loi normale.</strong></p><p>La première donné de prévision de volatilité est la suivante</p><pre>d1 = ARMA_pred[:1].values<br>d1</pre><p>La prochaine data de volatilité prédite par le modèle ARMA est</p><p>[2.78193501]</p><p>On prend le dernier prix d’ouverture. Et on utilise la distribution de loi normale.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/336/1*Z0O2_MZF1vEV9_B4Dbi1-Q.gif" /></figure><pre><br>price =df1.iloc[-1:,:1].values<br>price</pre><pre>intervalle_up =price * (d1/100) * 1.96 + price<br>intervalle_down =abs(price * (d1/100) * 1.96-price)<br>print(intervalle_up)<br>print(intervalle_down)</pre><h3>Monte-Carlo simulations</h3><p>Selon l&#39;<a href="https://fr.wikipedia.org/wiki/Hypoth%C3%A8se_des_march%C3%A9s_financiers_efficients">hypothèse des marchés efficients</a>, les performances boursières sont aléatoires et suivent une loi normale. Dans ces conditions, il est possible de réaliser des milliers de tirages aléatoires pour déterminer les probabilités d&#39;atteindre certaines performances boursières dans le futur. Cette caractéristique des marchés financiers permet d&#39;utiliser la méthode de Monte-Carlo pour valoriser des <a href="https://fr.wikipedia.org/wiki/Call">options</a>, ou encore des <a href="https://fr.wikipedia.org/wiki/Special_Purpose_Acquisition_Company">SPAC</a>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/724/1*iAGS7A9BITCO6pXJ-S2ekA.png" /></figure><p>On prend les paramètres sigma µ (mu) et S0 le prix de départ.<br>On prend les datas horaires pour plus de précision sur le graphique mais les paramètres sont estimés en journalier.</p><p>Datas horaires:</p><pre>df33 = yf.download(tickers=&#39;BTC-USD&#39;, period=&#39;12mo&#39;, interval=&#39;1h&#39;)</pre><pre>sigma = (pred_ARMA[:1]/100)<br>S0 = (df1[&#39;Open&#39;][-1:]).values<br>m = (df).mean()<br>m = m/100<br>m</pre><pre>import numpy as np<br>import matplotlib.pyplot as plt</pre><pre><br><br># number de pas <br>n = 100<br># time in years<br>T = 1<br># nombre de simulation<br>M = 1000<br># initial stock price<br>#S0 = test[:1]</pre><pre># volatility<br>sigma = sig</pre><pre><br># calc each time step<br>dt = T/n</pre><pre><br>St = np.exp(<br>    (mu - sigma ** 2 / 2) * dt<br>    + sigma * np.random.normal(0, np.sqrt(dt), size=(M,n)).T)</pre><pre>St = np.vstack([np.ones(M), St])<br>St = S0 * St.cumprod(axis=0)<br>time = np.linspace(0,100,n+1)<br>future_dates = [df1.index[-1] + timedelta(hours=i) for i in range(1,102)]<br>tt = np.full(shape=(M,n+1), fill_value=future_dates).T</pre><pre>plt.figure(figsize=(20,15))</pre><pre>plt.plot(tt,St)<br>plt.plot(df33[&#39;Close&#39;][-300:])</pre><pre>plt.axhline(intervalle_up, color= &#39;black&#39;)<br>plt.axhline(intervalle_down, color = &quot;black&quot;)</pre><pre>plt.axhline(S0, color = &quot;black&quot;)<br><br>plt.xlabel(&quot;jours&quot;)<br>plt.ylabel(&quot;bitcoin Price&quot;)<br>plt.title(<br>    &quot;Monte-Carlo simulations&quot;)</pre><pre>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*5DzP__WS0KI_5Bbu2o_Uhg.png" /></figure><p>L’intervalle de confiance à 95% de probabilité, avec la volatilité prédite par le modèle ARMA.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=10b16e1d0601" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Quels sont les principaux enjeux de l’évolution récente des activités de post-marché ?]]></title>
            <link>https://thibautjoncour.medium.com/quels-sont-les-principaux-enjeux-de-l%C3%A9volution-r%C3%A9cente-des-activit%C3%A9s-de-post-march%C3%A9-2801136e6e12?source=rss-b5b2bd1f49ff------2</link>
            <guid isPermaLink="false">https://medium.com/p/2801136e6e12</guid>
            <category><![CDATA[économie]]></category>
            <category><![CDATA[finance]]></category>
            <dc:creator><![CDATA[Thibaut Joncour]]></dc:creator>
            <pubDate>Fri, 18 Jun 2021 18:01:53 GMT</pubDate>
            <atom:updated>2021-06-18T18:10:37.360Z</atom:updated>
            <content:encoded><![CDATA[<h3>Quels sont les principaux enjeux de l’évolution récente des activités de post-marché ?</h3><p>Les activités de post marché comme la compensation prennent un rôle très important au sein des économies modernes, en effet les institutions y participants ressemblent de plus en plus à des institutions financières systémiques, que ce soit les contreparties centrales (CCP) sur les marchés de gré à gré compensés (over the counter) ou bien les chambres de compensations (clearing house) sur les marchés organisés.</p><p>Les activités de post marché correspondent à l’étape, après la négociation des titres, cela correspond aussi bien au système de règlement livraison (fonction support), l’administration des titres, la fiscalité mais aussi la compensation. Ainsi que toutes les activités de dépositaire centrale (Euroclear en Europe), et de teneur de compte conservateur (distribution des dividendes, organisation des assemblées générales).</p><p><strong>La question que l’on peut se poser est : Quels sont les principaux enjeux de l’évolution récente des activités de post-marché ?</strong></p><h3>1 ) CCP et risque systémique</h3><p>L’objectif primordial des instances de surveillance macroprudentielle telles que le CERS (Comité européen du risque systémique) ou le FSB (financial stability board) est de réduire le risque systémique. Certains économistes ont évoqués les lacunes de ses réformes d’après crise d’avoir transformé les CCP en entités “Too Big to fail”. Une faillite d’organisation tels que la filiale LCH, SwapClear serait catastrophique pour l’ensemble de la sphère économique, et les banquiers centraux seraient obligés d’intervenir. Ce scénario aussi catastrophique soit-il n’est pas d’actualité étant donné les collatéraux apportées par les contreparties couvrent 99% des défauts que peut subir la CCP.</p><p>Autre risque à prendre en compte pour la CCP est celui de la liquidité.</p><p>L’essentiel du collatéral exigé en vertu des nouvelles réglementations devra être remis en espèces ou titres d’Etat en effet ce sont des titres suffisamment liquide pour combler tout besoin en appel de marge. La question de la liquidité devient par conséquent de plus en plus importante pour les opérateurs du marché des dérivés. Chaque collatérale à pour vocation à être revendue immédiatement en cas d’appel de marge, d’où l’intérêt pour les banques par exemple de conserver des actifs suffisamment liquides dans leur bilan. Ainsi la banque peut répondre aux appels de marge de la CCP et conserver sa position. Si l’appel de marge n’est pas comblé, la CCP peut clôturer la position de la contrepartie déficitaire. Bâle III a reconnu le rôle crucial de la liquidité en proposant deux nouveaux ratios auxquels les banques sont soumises.</p><h3><strong>2) Les réformes réglementaires post-crise.</strong></h3><p>La réunion des membres du G20 Pittsburgh en septembre 2009 à pour vocation à réglementer ce qui est considéré par bon nombre d’économistes comme en partie responsable de la crise, les membres du G20 ont souhaités réduire le risque systémique en régulant le marché. Les conclusions de cette réunion sont que tous les contrats dérivées de gré à gré suffisamment standardisé devront être négociés sur des plateformes électroniques et compensés par des contreparties centrales. Les mesures exigent aussi que les contrats de dérivées de gré à gré devront être noté par les référentiels centraux, ainsi que d’une amélioration de la transparence et un renforcement de la surveillance de ces mesures par le CSF, afin d’atténuer le risque systémique qui émane de ces produits, en particuliers les CDS (crédits default swaps). Il en a résulté trois grandes réformes concernant les dérivés de gré à gré.</p><p><strong>1. L’obligation de compenser tous les dérivés de gré à gré standardisés via des CCP (central counterparty)</strong></p><p>Les dérivés standardisés comprennent notamment les swaps de taux plain vanilla (qui représentent la majorité des dérivés de gré à gré négociés) et les CDS sur indices à l’origine des problèmes cités plus haut . Cette obligation a pour but de réduire le risque systémique. Elle réduit l’exposition des opérateurs de dérivés et amoindrit le risque de contagion financière des opérateurs, en effet le défaut d’une contrepartie peut impacter la contrepartie n’ayant pas fait défaut</p><p><strong>2). L’obligation de négocier les dérivés de gré à gré standardisés sur des plateformes électroniques.</strong></p><p>Cette réforme a pour vocation d’améliorer la transparence, ainsi l’existence d’une plateforme électronique destinée à la mise en relation des opérateurs de marché en particulier les vendeurs et acheteurs devrait permettre à l’ensemble des participants de connaître aisément le prix de marché auquel les produits s’échangent.</p><p>Ces plateformes sont nommées systèmes d’exécution de swaps (swap execution facilities ou SEF) aux Etats-Unis, et systèmes organisés de négociation (organized trading facilities ou OTF) en Europe. Par ce biais, après le passage d’une négociation sur ces plateformes, les produits négociés sont transmis à une CCP de manière automatique</p><p><strong>3) L’obligation de notifier à un référent central l’ensemble des échanges de gré à gré.</strong></p><p>Ces exigences permettent aux régulateurs d’accéder facilement à des informations sur les prises de position des participants.</p><p>A la veille de la crise, 25 % environ des transactions de gré à gré étaient au travers des CCP, et les 75 % restants passaient par une compensation bilatérale.</p><h3>2) Convergence des marchés de gré à gré et des marchés organisés</h3><p>La distinction entre marché de gré à gré et marché organisé s’amenuise. Beaucoup de transactions boursières de gré à gré s’effectuent désormais sur des plateformes électroniques semblables aux places boursière.</p><p>Avec les récentes réformes que nous verrons dans la troisième partie, un nombre croissant de transactions de gré à gré vont tendre vers une standardisation avec tout ce que cela comporte. De plus, les opérations entre entités financières sur instruments dérivés compensées bilatéralement risquent elles aussi d’être assez similaires aux opérations réalisées sur les marchés organisés.</p><p>La raison principale est l’obligation de compensation et de dépôt de marge, qui pourrait voir naître des sociétés spécialisées dans la fonction de tiers de confiance pour les opérations de gré à gré bilatéraux, de la même manière que les chambres de compensation sur les marchés organisés. Les places boursières quant à elles essaient de proposer des contrats moins standard afin de capter une part des volumes aux marchés de gré à gré.</p><p>Comme les places boursières s’orientent davantage vers une offre de produits moins standard, cela fait converger les contrats standards et les contrats plus flexible vers des opérations hybrides ressemblant à la fois à celle observable sur les marchés de gré à gré et à la fois observable sur les marchés organisés.</p><p>Pour cela les contrats échangés deviennent de plus en plus homogène avec des caractéristiques provenant des deux type de marché,</p><h3>Conclusion</h3><p>Pour conclure, les étapes post-marché en particulier celle lié à la compensation deviennent des questions cruciale pour le régulateur.</p><p>Même si les chambres de compensation et les CCP n’ont pas encore d’activité aussi complexe que les banques, les régulateurs devront garder un œil sur ces activités dans les années à venir.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=2801136e6e12" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Système bancaire moderne, entre risques et régulations.]]></title>
            <link>https://thibautjoncour.medium.com/syst%C3%A8me-bancaire-moderne-entre-risques-et-r%C3%A9gulations-5360421d1a54?source=rss-b5b2bd1f49ff------2</link>
            <guid isPermaLink="false">https://medium.com/p/5360421d1a54</guid>
            <category><![CDATA[banking]]></category>
            <category><![CDATA[banque]]></category>
            <category><![CDATA[regulation]]></category>
            <dc:creator><![CDATA[Thibaut Joncour]]></dc:creator>
            <pubDate>Thu, 26 Nov 2020 21:05:58 GMT</pubDate>
            <atom:updated>2020-12-18T16:43:12.878Z</atom:updated>
            <content:encoded><![CDATA[<h3>Système bancaire moderne, risques et régulation.</h3><p>Le compromis entre le risque et la rentabilité représente un arbitrage important pour les acteurs de la sphère économique. On peut prétendre à des rendements plus élevés que si le risque pris est parallèlement plus important. Les nouveaux modes de gouvernance des entreprises et des institutions financières sont dites dominées par un mode de gouvernance par la valeur actionnariale ( Jensen et Meckling, 1976). En théorie les actionnaires ne sont pas censés se préoccuper du risque qu’ils peuvent diversifier, et la prise en compte d’un risque systématique devrait conditionner leur espérance de rendement.</p><p>Cela est d’autant plus vrai dans le cas d’une institution financière telle qu’une banque ou une compagnie d’assurance. La réglementation des institutions financières est donc primordiale et porte en priorité sur le contrôle du risque de faillite de ces organismes.</p><p>Le risque se décompose en deux grandes partis, le risque systématique ou global et le risque idiosyncratique ou spécifique, ce dernier peut être géré par la diversification des activités de banque universelle ( activités de banque de détails, de gros, banque d’investissement, compagnie d’assurance et gestion d’actifs), ainsi que par la diversification des secteurs d’activité financés.</p><p>Le deuxième type de risque, trop souvent sous-estimé dans les modes opératoires de calcul du risque, ne peut être comblé par un processus de diversification. Les autorités de régulation prudentielles doivent donc s’assurer que la banque soit assez capitalisée en fonds propres pour y faire face. En outre, la confiance accordée par les agents non financiers envers les institutions financières est la clé du maintien de la solvabilité de celles-ci.</p><p>Après 1970 les restrictions bancaires ont commencé à disparaître aux Etat-Unis sous l’influence de l’école de Chicago ( Friedman, et Hayek notamment). A la suite de la crise de 2007, la faillite de nombreux groupes bancaires tels que Lehman Brothers, a entraîné la signature par le président Obama de la loi Dodd Frank Act le 21 Juillet 2010. Cette loi vise en premier lieu une réforme de Wall Street sur la protection du consommateur, ainsi que la révision des accords de Bâle. La question que l’on peut se poser est donc :</p><p>Quels sont les différents risques pesant sur le système bancaire des économies modernes ?</p><p>Nous verrons d’abord une définition de ces risques, et comment les banques et les autorités publiques agissent pour s’en prémunir. Les risques bancaires sont multiples, ont en dénote six principaux que nous allons itérer succinctement.</p><p>Le premier est le risque de contrepartie autrement appelé risque de défaut. Il renvoi à des accords contractuels entre les prêteurs et les emprunteurs, il fait peser un risque à l’actif du bilan bancaire (ce qui n’est pas forcément la partie la plus fragile de son bilan ). La banque doit donc contracter des provisions en liquidité pour s’en prémunir, à l’aide de preuve factuelle elle peut étiqueter un client de douteux. Les provisions sont réglementées car elles réduisent le chiffre d’affaire, induisant une baisse des impôts payés dont l’Etat ne peut plus s’acquitter .</p><p>Le risque de taux peut aussi entraîner les défauts des contreparties en particuliers lors d’accord de crédit à taux variable, la hausse des taux peut alourdir la dette de l’emprunteur qui peut alors se déclarer insolvable. La banque doit donc élaborer des provisions pour prévenir ce type de perte.</p><p>Le risque de liquidité est par définition lié à la possibilité d’échanger un actif sans que son prix ne varie de manière trop importante, la liquidité sur le marché interbancaire est un flux permettant aux banques de se refinancer. Un assèchement de leur liquidités leur serait délétère tant pour leur réputation, que par une baisse de leur bénéfices, étant donné les facilités de prêts marginal empruntées à un taux supérieur à celui du marché interbancaire. Le risque est donc de se trouver en incapacité à trouver des ressources, lorsqu’elles ont un actif plus important que leur passif (ce qui est souvent le cas).</p><p>Le risque de change est relatif aux variations des devises sur le marché du Forex, il peut altérer les échanges interbancaires internationaux si la volatilité des monnaies est trop forte.</p><p>Le risque pays est lié à l’incapacité d’un État de rembourser ses dettes. Depuis Cuba qui s’est déclaré en faillite,il est très rare qu’un pays se déclare de lui-même comme insolvable, en outre des renégociation de dette sont fréquentes comme ce fut le cas pour la Grèce lors de la crise des dettes souveraines en 2012.</p><p>Et enfin le risque systémique est aussi à prendre en compte, et a été trop souvent ignoré ou sous-estimé par les analystes du risque au sein des banques, ainsi que par les accords de Bâle I et II. C’est un enjeu important pour les pouvoirs publics. Il représente le fait que la faillite d’une institution financière entraîne par un phénomène de contagion, d’autres institutions financières dans sa chute.</p><p>Ainsi, étant donné que la faillite d’une banque dite “too big to fail” peut mettre à mal l’ensemble de l’économie, les gouvernements sont alors piégés dans un choix à double conséquence négative. D’un côté sauver la banque et envoyer du même coup un mauvais signal au marché, et d’un autre laisser la banque faire faillite au risque de laisser couler toute une partie de l’économie avec elle.</p><p>Ce choix cornélien à été pris au cours de la crise de 2008, où de nombreuses banques ont été sauvées aux Etats-Unis et en Europe, à l’exception de Lehman Brothers ( ce qui à d’ailleurs aggravé la crise et suscité de nombreuses critiques).</p><p>A présent, voyons comment les autorités publiques ont agis sur la réglementation bancaire pour obliger les banques à davantage de prudence.</p><p>En 1988 on assiste à la mise en place de la première norme internationale concernant la régulation bancaire avec le premier accord de Bâle. Depuis cette date la réglementation prudentielle des banques s’est vu comme un continuum avec une révision progressive de cet accord pour pallier aux éventuelles carences du système bancaire.</p><p>La motivation première en matière de régulation bancaire est de s’assurer que les banques soient suffisamment capitalisées au regard du risque pris. Même s’ il est impossible d’évincer totalement le risque de faillite bancaire, il convient pour les autorités publiques de le minimiser au mieux. Et par ce biais pouvoir espérer créer un environnement économique stable ou sphère financière et monétaire évoluent de pairs, et pouvoir ainsi optimiser la confiance qu’ont les agents économiques envers le système bancaire.</p><p>C’est pour ces raisons que les autorités de surveillance prudentielle du G10 en Europe ont décidé de créer en 1974 le comité de Bâle, qui se réunit en Suisse dans les locaux de la banques des règlements internationaux (BRI) ces reunions ont finalement débouchées sur la signature du premier accord de Bâle.</p><p>Le premier accord de Bâle est donc à l’initiative de la mise en place de normes internationales en termes de de capitalisation nécessaire au vu du risque pris. L’innovation première issue de cet accord fut la mise en place du “Ratio de Cooke”, prenant en compte à la fois les activités du bilan et du hors bilan dans le calcul de pondération du risque.</p><p>Les actifs sont donc classés en fonction de leur risque, par exemple un bon du trésor américain est considéré comme sans risque les prêts au entreprises étaient pondérés à 100%, alors que les prêts hypothécaires aux particuliers non garantis ne le sont qu’à 50%.</p><p>L’accord exige également que les fonds propres détenus par les banques représentent 8% de leur actif pondéré par le risque. Le capital ayant une double composante, les fonds propres tiers 1, comportant principalement des capitaux propres et des titres subordonnées à durée indéterminée.</p><p>Et une composante tiers 2 ( fond propre complémentaire) contenant entre autres des titres subordonnées à durée indéterminée à coupon zéro et de réserve de réévaluation. Il est primordial que les capitaux propres soient supérieurs aux éventuelles pertes pesant sur le bilan bancaire du fait de sa structure actif long, passif court.</p><p>Par la suite le comité de Bâle a proposé un amendement en 1996, au sujet notamment de la régulation des activités de trading.</p><p>L’accord de Bâle 1, présente cependant certaines carences, les choix de pondération de risque relatifs à la qualité d’un actif étant l’une d’elle. En outre, une entreprise ne peut pas être pondérée à 100% indépendamment de sa notation. Bâle II voit donc le jour en 1999, et est publié en 2004 afin d’être effectif en 2007.</p><p>Il repose notamment sur une modification de l’échelle de pondération du risque des actifs qui suit désormais une approche dite “standard” corrélé à la notation des entreprises soumises par les agences de notation. Autres révisions par rapport à Bâle I, est la prise en compte des sûretés de garantie, mais aussi une triple approche pour la gestion du risque de crédit.</p><p>Les banques peuvent en effet choisir entre une approche standard, une approche IRB ( foundation internal ratings approach) ou IRB avancés. Dans l’approche standard le calcul du risque est plus perfectionné que dans Bâle I la banque prend en compte les notations du pays, de la banque, et de l’entreprise ( de AAA à B-). En fonction de ces trois notes elle pondère le risque adossé au crédits émis. L’approche IRB permet de calculer le capital requis par la banque à partir d’un modèle VaR ( value at risk ) diminuée des espérance de perte.</p><p>Suite à la crise de 2007 certains protagonistes ont érigé en porte à faux les accords de Bâle II d’être responsable de cette crise, or ils n’étaient pas en vigueurs en 2007 et n’étaient pas suivies par les Etats-Unis dont la crise provient.</p><p>Le comité de Bâle a donc décidé une nouvelle fois de combler les lacunes des accord de Bâle II, en particulier sur sa non prise en compte du risque de système ou risque systémique ainsi que la sous estimation du risque de liquidité.</p><p>Publiés en 2010 les accords de Bâle III comportes 6 parties que sont : La mise en fonction d’un coussin de protection des fonds propres, d’un coussin contracyclique, d’un coussin de protection des fonds propres, d’un ratio de levier, d’un risque de liquidité, d’un risque crédit de contrepartie et d’une définition plus aguerrie d’un fond propre.</p><p>Le coussin contracyclique représente entre 0 et 2.5% des actifs pondérés par le risque et se compose de fonds propres de catégorie 1. Il permet d’éviter le comportement procyclique des banques en matière de prise de risque. En les obligeant à constituer des fonds propres durant les phases hautes du cycle.</p><p>Le ratio de levier représente une marge de 3% du rapport entre les fonds propres et le risque total. Ce ratio vient en réponse au choix des banques quant à leur pondération de risque jugée trop libertaire, cette marge est donc encore une mesure d’incitation à la prudence.</p><p>Le risque de liquidité : ce risque provient de la structure du bilan bancaire, et du financement par ressource courte de projet à emploi long, faisant subsister un spectre d’illiquidité bancaire. Comme ce fut le cas lors du gèle interbancaire de la crise des subprimes. La titrisation permet de réduire en outre les exigences de fond propre inculquées par les accords de Bâle, mais peut aussi traduire une dépendance bancaire à un accès trop facile à la liquidité, dopée à cette même titrisation. Ce procédé est tristement célèbre pour sa responsabilité dans la crise d’illiquidité pour la Banque Northern Rock en 2007. Bâle III intègre deux ratios de liquidités visant à prémunir les banque d’un assèchement éventuels de leur liquidités.</p><p>Le ratio de liquidité à court terme LCR (Liquidity coverage ratio)</p><p>Le ratio structurel de liquidité à long terme NSFR (Net Stable Funding Ratio)</p><p>Ces deux ratio test la capacité d’une banque à survivre en période de gelée du marché interbancaire, à court et moyen terme.</p><p>Pour conclure, même si les banques gèrent leur risque de manière efficace en interne, l’histoire nous montre qu’en matière de recapitalisation, la régulation bancaire s’avère au moins très utile et au plus une nécessité, en incitant les banques à davantage de prudence. Les autorités publiques et les gouvernements assurent un système d’assurance des dépôts comme la nécessité l’a été prouvée par le modèle de Diamond et Dybvig(1983).</p><p>Les banques sont alors incitées par le biais de leur aléa moral à prendre des risques excessifs au vu du fait que l’Etat leur assure une assiette de dépôt certaine. Il convient donc de compléter l’approche initiée par Diamond et Dybvig avec une réglementation stricte sur les fonds propres bancaires. D’autres risques non pris en compte par le comité de Bâle, notamment liés aux activités de trading des banques continuent de subsister encore aujourd’hui.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=5360421d1a54" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>