KKane

HEC MONTRAL
Mthodes Monte Carlo pour lvaluation des paramtres de

sensibilit des valeurs doptions sur plusieurs actifs sous-jacents
Mmoire prsent HEC Montral

en vue de lobtention du grade de
Matre s Sciences de Gestion (M.Sc.) en Ingnierie Financire
c
Kadiata
Kane, 2006
Sommaire
Ce mmoire traite de lestimation des paramtres de sensibilit des produits

drivs m dimensions et ce partir des rsultats de Broadie et Glasserman
1996 Estimating Security Price Derivatives Using Simulation.
Dans cet article, Broadie et Glasserman prsentent deux mthodes destimation des paramtres de sensibilit laide de la simulation Monte Carlo pour
des options portant sur un actif sous-jacent.
Au travers de ce mmoire nous tendons ces 2 approches, la mthode des
trajectoires et la mthode du ratio de vraisemblance des produits drivs
portant sur plusieurs actifs sous-jacents en partant de la matrice de variance
covariance. Pour la mthode des trajectoires, les paramtres de sensibilit sont
drivs par rapport chacune des trajectoires possibles de la valeur de loption
tandis que pour la mthode du ratio de vraisemblance, les sensibilits sont
drives par rapport la fonction de densit du prix de loption.
Nous illustrons ensuite nos rsultats par des applications numriques sur le
cas dune option dchange dun actif risqu pour un autre, dune option panier
portant sur 2 actifs risqus et enfin sur une option panier portant sur 5 actifs
risqus.
Remerciements
Mes remerciements vont lendroit de mon professeur et directeur de mmoire Bruno Remillard pour avoir encadr ce travail de ses prcieux conseils.
Merci davoir financ mon projet, davoir fait preuve dune grande disponibilit
et surtout davoir su prodiguer un encadrement de qualit.
Mes remerciements Chantal Labb et Frank Leclerc pour avoir accepter
de lire ce travail ; vos commentaires et suggestions ont permit den amliorer
la qualit.
Mes sincres remerciements ma famille. A mes chers parents, merci pour
votre soutien moral et financier et surtout merci davoir pousser la paresseuse
que je suis aux tudes. A mon frre Mamadou, tes efforts et ta persvrance
mont permis de raliser ce projet, merci. Selly merci dtre le gnie que tu
es, Fadima et Alpha merci pour votre soutien sans faille.
Table des matires
1 Introduction
2 Revue de la littrature
2.1 Calcul des greeks lorsque des formules fermes existent . . . . .
2.2 Mthodes des diffrences finies . . . . . . . . . . . . . . . . . . .
2.3 Mthodes du modle binomial . . . . . . . . . . . . . . . . . . .
2.4 Calcul de Malliavin . . . . . . . . . . . . . . . . . . . . . . . . . 10

2.5 Mthodes Monte Carlo . . . . . . . . . . . . . . . . . . . . . . . 11
2.6 Lien avec le mmoire . . . . . . . . . . . . . . . . . . . . . . . . 15
3 Mthodologie
16
3.1 Dfinition des greeks . . . . . . . . . . . . . . . . . . . . . . . . 16

3.1.1
Delta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
i
3.1.2
Vega . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.1.3
Gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.1.4
Rho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.1.5
Theta . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2 Utilit et application des greeks . . . . . . . . . . . . . . . . . . 22

3.2.1
Les valeurs de sensibilit doptions pour les stratgies de

couverture . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.2.2
Les valeurs de sensibilit doptions pour le calcul des VaR 26
3.3 valuation des greeks par les mthodes de Broadie et Glasserman (1996) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.3.1
Cadre thorique . . . . . . . . . . . . . . . . . . . . . . . 28
3.3.2
Mthode des trajectoires (pathwise method) . . . . . . . 28
3.3.3
Mthode du rapport de vraisemblance . . . . . . . . . . 32
3.3.4
Rsultats donns par les deux mthodes . . . . . . . . . 35
3.4 Extension des mthodes de Broadie et Glasserman (1996) au cas

des options ayant plusieurs actifs sous-jacents . . . . . . . . . . 36
3.4.1
Particularits des options ayant plusieurs actifs sous-jacents 36
3.4.2
Cadre thorique . . . . . . . . . . . . . . . . . . . . . . . 39
ii
3.4.3
Mthode des trajectoires . . . . . . . . . . . . . . . . . . 41
3.4.4
Mthode du rapport de vraisemblance . . . . . . . . . . 43
4 Application numrique
46
4.1 Loption dchange dun actif risqu pour un autre . . . . . . . . 47

4.1.1
Mthodes Monte Carlo pour la valeur et les paramtres

de sensibilit pour une option dchange . . . . . . . . . 48
4.1.2
Formules de Black-Scholes pour la valeur et les paramtres de sensibilits pour une option dchange . . . . . 49
4.1.3
Description des donnes . . . . . . . . . . . . . . . . . . 51
4.2 Loption panier . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

4.2.1
Loption panier de dimension 2 . . . . . . . . . . . . . . 56
4.2.2
Loption panier de dimension 5 . . . . . . . . . . . . . . 58
5 Conclusion
64
A Mthode des trajectoires
67
A.1 Forme gnrale . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

A.2 Delta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
iii
A.3 Vega . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
A.4 Theta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
A.5 Rho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
A.6 Gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
B Mthode du rapport de vraisemblance
73
B.1 Forme gnrale . . . . . . . . . . . . . . . . . . . . . . . . . . . 73

B.2 Delta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
B.3 Gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
B.4 Vega . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
B.5 Theta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
B.6 Rho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
C Modle de Black-Scholes pour loption dchange
94
C.1 Delta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
C.2 Vega . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
C.3 Gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
iv
C.4 Rho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
C.5 Theta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
Liste des figures

3.1 Evolution de Delta par rapport au sous-jacent ( S = 1, ..., 15,
K = 10, = 0.2, T = 0.5, r = 0.05). . . . . . . . . . . . . . . . 18
3.2 Evolution de Vega par rapport au sous-jacent (S = 1, ..., 15,
K = 10, = 0.2, T = 0.5, r = 0.05). . . . . . . . . . . . . . . . 19
3.3 Evolution de Gamma par rapport au sous-jacent (S = 1, ..., 15,
K = 10, = 0.2, T = 0.5, r = 0.05). . . . . . . . . . . . . . . . 20
3.4 Evolution de Rho par rapport au sous-jacent (S = 1, ..., 15, K =
10, = 0.2, T = 0.5, r = 0.05). . . . . . . . . . . . . . . . . . . 21
3.5 Evolution de Theta par rapport au sous-jacent (S = 1, ..., 15,
K = 10, = 0.2, T = 0.5, r = 0.05). . . . . . . . . . . . . . . . 22
4.1 Evolution du titre MSFT Evolution du titre INT . . . . . . . . 52
4.2 Evolution des Titres APPLE, DELL et CISCO . . . . . . . . . . 60
vi
Liste des tableaux

4.1 Valeurs et paramtres de sensibilit dune option dchange . . . 54
4.2 Valeurs et paramtres de sensibilit dune option panier de 2
titres
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.3 Valeurs et paramtres de sensibilit dune option panier de 5

titres
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
vii
Chapitre 1
Introduction
Les institutions financires sont soumises un risque de march dans le

cadre de leurs activits. Chaque fois quelles offrent leur clientle institutionnelle des produits drivs, elles sexposent en retour un important risque de
perte quelles ne peuvent couvrir par une couverture de type assurance. Pour
faire face ce risque, deux alternatives soffrent elles, soit acqurir le produit
driv en question si celui-ci est transig sur le march organis, soit lorsquelles
sont en prsence de produits drivs conus pour un besoin spcifique propre
un client et transig sur le march Other The Counter (OTC) , mettre en
place une stratgie de rplication (ou duplication).
La stratgie de rplication dynamique va permettre linstitution financire
de compenser sa perte sur la position du produit driv par celle du portefeuille
de rplication. Pour construire ce portefeuille de rplication et le rquilibrer,
elle doit se servir des diffrentes sensiblilits du produit driv par rapport
1
ses paramtres : les greeks.

Les greeks (grecques) sont des drives dune valeur doption par rapport
diffrents paramtres. Ils permettent de quantifier la sensibilit dune option
ses diffrents paramtres et sont utiliss dans les stratgies de rplication et
de couverture doptions ou de portefeuilles doptions. Ils sont appels greeks
parce quils sont reprsents par des lettres grecques (exception faite de Vega
qui bien que considr comme greek nest pas une lettre grecque) :
Le Delta dune option reprsente la variation du prix de loption par
rapport la variation de lactif sous-jacent.
Le Gamma dune option se dfini comme la variation du par rapport
celle de lactif sous-jacent.
Le Theta dune option dtermine la sensibilit de loption par rapport
une variation de la dure de vie de loption.
Le Vega dune option (galement appel Lambda ) quivaut la variation de loption par rapport la volatilit.
Le Rho dune option reprsente la sensibilit de loption par rapport
une variation du niveau des taux dintrt.
Il existe dautres greeks comme speed (ordre 3), charm (ordre 2), color
(ordre 3), etc., mais nous nous tendrons sur ceux cits ci-dessus, qui ont plus
dapplications. Tout au long de ce travail nous utiliserons langlicisme greeks
plutt que la traduction grecques.
Un portefeuille qui rplique un autre portefeuille de produits drivs ncessite des greeks calculs avec precision. ce sujet, il existe plusieurs mthodes
dvaluation des greeks, certaines analytiques, dautres numriques, lutilisateur nayant qu choisir celle qui sapplique le mieux au type doptions quil
souhaite rpliquer. Parmi celles-ci on peut citer celles proposes par Broadie et
Glasserman (1996).
Ce mmoire se veut une extension des travaux de Broadie et Glasserman
(1996) au cas spcifique des options portant sur plusieurs actifs sous-jacents.
Nous essayerons destimer les greeks des valeurs portant sur plusieurs actifs
sous-jacents par le biais de la simulation Monte Carlo car celle-ci savre parfaitement indique lorsquon est en prsence de plusieurs variables dtat.
Notre tude dbutera tout dabord par une revue de la littrature dj
existante sur lvaluation des greeks, puis nous entamerons la mthodologie
dans laquelle aprs une dfinition des greeks, nous prsenterons les mthodes
proposes par Broadie et Glasserman (1996) et lextension que nous en tirerons.
Par la suite nous testerons nos propositions par simulation Monte Carlo puis
analyserons les rsultats obtenus.
Chapitre 2
Revue de la littrature
Lobjectif de cette revue de littrature est de faire une prsentation des
diffrentes contributions apportes dans le calcul des diffrents paramtres de
sensibilt des options.
Le premier volet de ce chapitre portera sur les diffrentes formes analytiques
de calcul des greeks existants. Par la suite nous aborderons dans les autres
sections le calcul des greeks bas sur les mthodes numriques. Un intrt
particulier sera accord aux dernires mthodes prsentes, celles bases sur la
simulation Monte Carlo dont Broadie et Glasserman (1996).
2.1
Calcul des greeks lorsque des formules fermes existent
Cest Black et Scholes (1973) qui introduisent lusage des greeks. Ils montrent
que la position de couverture ne dpend pas du prix de lactif sous-jacent mais
plutt de la variation de la valeur de loption par rapport celle de son sousjacent. Leur article demeure une rfrence importante dans lvaluation des
valeurs doptions et dans le calcul des paramtres de sensibilit. Les greeks
sont calculs en drivant la valeur de loption, obtenue par le modle de BlackScholes, par rapport au paramtre tudi.
Carr (2001) parvient exprimer les greeks en les interprtant comme une
valeur dune certaine quantit du produit driv en question. A partir de lquation aux drivs partielles de loption obtenue par le modle de Black-MertonScholes, il exprime le Delta qui a la mme expression que lquation aux drivs
partielles de loption exception faite de la drive (drift) et du taux dactualisation. partir de ces quations et des relations qui existent entre les diffrents
greeks, en se servant dune expansion en srie de Taylor, il est mme de
dduire les autres greeks. Cependant, la rsolution des quations aux drives
partielles de loption et celle du Delta se fait numriquement. Cest seulement
la dtermination des autres drives qui se fait analytiquement.
Reiss et Wystup (2001) proposent une approche rapide de calculer les
greeks. Ils tablissent les liens entre les diffrents greeks. Ils dduisent une
relation base sur lhomognit du temps (le prix de loption dpend de la
date de maturit plutt que du temps au moment courant) et une autre base
5
sur le niveau de prix du produit financier (les prix des produits drivs peuvent
tre exprims en diffrentes units montaires par exemple). Ils montrent ensuite comment dduire les autres greeks lorsquon en connat un ou deux en
exploitant ces diffrentes proprits. Ainsi, lusager vite les cots de calcul de
mme que le calcul de drives quelquefois fastidieux.
Dans certains cas cependant, il est possible que loption value ne rponde
pas aux diffrentes hypothses ou spcificits numres par chacune des mthodes ci-dessus cites. Lusager nest alors pas en mesure de se servir des
formes analytiques pour dduire les greeks. Il peut alors avoir recours aux mthodes numriques ou aux techniques de simulation pour valuer la valeur des
greeks.
2.2
Mthodes des diffrences finies
Les mthodes de diffrences finies sont hrites de la physique et leurs premires applications en finance sont dues Brennan et Schwartz (1978). Dans
leur article, ils se proposent dvaluer des produits drivs dont lactif sousjacent suit une dynamique de saut au moyen des diffrences finies. Pour arriver une approximation en diffrences finies, Brennan et Schwartz partent
de lquation aux drives partielles de Black-Scholes laquelle ils appliquent
la log transformation. Dans cette nouvelle quation, ils remplacent les drives
partielles par des diffrences finies. Ils sont alors mme de rsoudre cette quation pour chaque intervalle de temps. La rsolution de cette quation permet
de dduire les greeks qui sont exprims dans lquation.
6
Dans la suite des travaux de Brennan et Schwartz (1978), on peut citer ceux
de Courtadon (1982) qui en adoptant une discrtisation diffrente du temps
parvient une meilleure approximation des greeks et par consquent une
meilleure prcision des rsultats. Il fait galement une extension de Brennan et
Schwartz (1978) au cas dune option dachat europenne.
Hull et White (1990) quant eux font une application gnrale de ces
mthodes et plus prcisment lapproche explicite lvaluation des produits
drivs. En adoptant une discrtisation plus fine du temps et de la valeur du
sous-jacent tout en respectant un certain ordre de grandeur dfini de mme
quune transformation de variables qui assure la constance de la volatilit, ils
obtiennent une meilleure convergence de la mthode et une gnralisation de
son application lvaluation des produits drivs dpendant dune ou de deux
variables dtat. Les greeks qui peuvent tre dduits sont alors plus prcis.
Thomas III et Yalanmanchili (2001) proposent une autre mthode de discrtisation nanmoins diffrente pour la computation des greeks, la mthode des
lments finis. Dans la mthode des lments finis, lensemble des quations
aux drives partielles qui forment la solution est remplac par des equations
algbriques dont les inconnues seront values aux diffrents noeuds de la grille.
Cette mthode peut savrer avantageuse par rapport celle des diffrences
finies lorsque la grille de discrtisation nest pas uniforme.
Ces mthodes gnrent des rsultats plus ou moins bons selon lapproche
utilise (approche implicite, explicite ou Crank-Nicholson pour les diffrences
finies) et le type doption valuer. Leur efficacit repose galement sur la discrtisation choisie, les conditions aux bornes et le nombre de variables dtat.
7
Les greeks tant des mesures de la sensibilit des valeurs doptions, les erreurs
produites lors de lvaluation de loption vont se rpercuter sur les valeurs des
greeks. Ces mthodes produisent un biais important lorsque les fonctions de
paiement (payoffs) sont discontinues comme cest le cas des options rtroviseurs, binaires, etc.
2.3
Mthodes du modle binomial
Le modle de larbre binomial est propos par Cox, Ross et Rubinstein

(1979) et Rendleman et Bartter (1979). Le produit driv est valu en temps
discret en fonction des diffrentes trajectoires possibles de lactif sous-jacent.
Cette rsolution par approche martingale est une reprsentation du produit
driv par lesprance actualise de sa valeur future dans un monde neutre au
risque.
Hull (1993) nonce un moyen de dtermination des greeks partir des
arbres binomiaux. Les greeks sont exprims en fonction des prix de loption,
des valeurs du sous-jacent, de la volatilit ou du temps selon les cas. Ces calculs
se font diffrents noeuds de larbre suivant la date de calcul dsire. Dans
la pratique, le calcul des greeks seffectue le plus souvent la date zro. Cela
requiert une valuation sur plusieurs noeuds.
Pelsser et Vorst (1994) proposent une alternative au modle binomial base
sur une extension de larbre. Ils tendent un arbre binomial de manire obtenir
un arbre pour lequel il serait possible de calculer des valeurs antrieures au
temps zro. Les greeks sont alors exprims en fonction des valeurs prises autour
du temps zro selon les diffrents paramtres. Cette mthode est plus rapide
et plus prcise que la premire, notamment pour le calcul de Gamma, car
elle requiert moins de noeuds pour estimer les greeks. Ces travaux portent
essentiellement sur la dtermination du Delta et du Gamma.
Pour ce qui est du calcul du Theta, du Rho et du Vega, ils proposent de les
calculer pour le premier par une approximation du Delta et du Gamma et pour
les autres par les mthodes de drivation numrique. La prcision des calculs
restent trs sujette au choix des intervalles de temps et de prix du sous-jacent.
Chung and Shackleton (2002) remettent jour lutilisation du modle binomial pour le calcul des greeks en liminant les limites cites ci-dessus quant
son utilisation. Pour ce faire, ils travaillent partir de la mthode binomiale Black-Scholes (BBS dans ce qui suit) introduite par Broadie et Detemple
(1996). Broadie et Detemple avaient montr quen appliquant la formule de
Black-Scholes au pnultime noeud larbre binomial, on obtenait des rsultats plus prcis pour un arbre de mme taille. Ces performances se retrouvent
lorsquon applique le modle BBS pour le calcul des greeks. En outre, les erreurs relatives la discrtisation napparaissent plus puisque la mthode BBS
est base sur des fonctions lisses des prix du sous-jacent et du temps proches
de la date de maturit. Dans leur article, ils montrent que cette mthode de
computation est trs adapte pour les options de type vanille.
2.4
Calcul de Malliavin
Le Calcul de Malliavin, de son auteur Paul Malliavin, est le calcul de la

variation pour les processus stochastiques dfinis sur un espace de Wiener et
peut tre visualis comme un modle dintgration par partie sur cet espace. Il
est parfois ncessaire de mesurer leffet dune perturbation dans la trajectoire
dun sous-jacent mouvement brownien sur la fonction en question. Le calcul de
Malliavin permet de mesurer cet effet dou son usage de plus en plus frquent
en ingnierie financire. La drive de Malliavin dune fonction quelconque de
mouvements browniens, continue et drivable, est la variation de cette fonction
due une quelconque variation dans la trajectoire des mouvements browniens.
Le calcul des greeks par le calcul de Malliavin est utilis pour la premire
fois par Fourni, Lasry, Lebuchoux, Lions et Touzi (1999). Selon leur approche,
chaque greek peut tre exprim comme une moyenne de pondration de la fonction de payement (payoff) partir de la drive de Malliavin. Cette pondration
est fonction des conditions initiales et dune faible variation de la volatilit locale. Fourni, Lasry, Lebuchoux et Lions (2001) font une extension de larticle
prcdent en dterminant les pondrations optimales qui correspondent une
variance minimale. Les avantages de la mthode rsident dans le fait que les
calculs peuvent se faire sans toutefois connatre la fonction de densit. De plus,
lorsque les pondrations utilises sont optimales, des travaux ont t fait dans
ce sens notamment par Benhamou (2003), lvaluation des greeks par le calcul
de Malliavin savre efficiente et rapide.
Cependant, la dtermination de la drive de Malliavin est un calcul assez
10
ardu et la mthode ne peut tre gnralise toutes les options car la condition
de dpart requiert une fonction de paiement lisse.
2.5
Mthodes Monte Carlo
La simulation Monte Carlo pour lvaluation des options a t introduite

par Boyle (1976). Cette approche consiste gnrer des trajectoires de processus stochastiques afin destimer les volutions possibles de loption pendant
sa dure de vie. La valeur de loption est ensuite exprime sous forme dune
esprance des diffrents cas de figure une date donne. La simulation est trs
utile lorsquil sagit de calculer des valeurs doptions pour lesquelles il nexiste
pas de formules analytiques et lorsquon est en prsence de plusieurs variables
dtat. Cest une technique trs approprie pour traiter les processus continus
ou avec sauts. Les rsultats et performances produits par la mthode par rapport aux cots de computation en ont fait un outil trs utilis notamment dans
lvaluation des valeurs doption et des valeurs de sensibilit y affrents.
Depuis, plusieurs travaux sur lvaluation des diffrents types doptions via
la simulation Monte Carlo ont t dvelopps. Les greeks taient alors calculs
en faisant une resimulation supplmentaire pour mesurer la variation occasionne sur la valeur de loption par celle du paramtre tudi. Cette mthode
requrait la dtermination de la variation optimale appliquer au paramtre
en question et un temps de calcul supplmentaire voir double. Le succs des
mthodes Monte Carlo ont entran en parallle plusieurs travaux sur la dtermination des greeks simultanment lestimation du produit driv.
11
Cette voie est ouverte par Fu et Hu (1995) qui proposent comme alternative
la resimulation, la mthode des gradients. Ils dterminent les esprances
des drives partielles pour le cas dune option europenne et dune option
amricaine.
Par la suite, Broadie et Glasserman (1996) sur la base de la simulation
Monte Carlo, prsentent deux nouvelles mthodes de calcul des greeks. La premire, la mthode par trajectoire (pathwise method) suppose que la fonction
de payoff est drivable presque partout et que les drives partielles des valeurs doptions existent pour chacun des paramtres. La fonction de payoff suit
une distribution log-normale et est reprsente par un mouvement brownien
gomtrique. Partant de l, il devient possible dvaluer chacune des drives
partielles correspondant aux greeks. La mthode exige cependant une continuit des fonctions de paiement pour tre applicable.
Cest pourquoi ils proposent en alternative une deuxime mthode, celle
du rapport de vraisemblance (likelihood ratio method). Le principe de la mthode est de supposer que les rendements des sous-jacents suivent une fonction
de densit g. La fonction de payoff est alors dfinie comme une intgrale par
rapport au sous-jacent de la fonction de densit actualise. Pour obtenir les
diffrents greeks il suffit de diviser le g dans la fonction de payoff par les diffrents paramtres. La mthode ncessite cependant de connatre la fonction
de densit des rendements. Broadie et Glasserman arrivent la conclusion que
la mthode des trajectoires lorsquelle est applicable donnent de meilleurs rsultats que celle du rapport de vraisemblance. Comme montr par Detemple,
Garcia et Rindisbacher (2002), la mthode des trajectoires ainsi que celle du
12
rapport de vraisemblance peuvent tre vues comme des mthodes du calcul de

Malliavin dans le cas du mouvement brownien gomtrique.
Toujours avec la simulation Monte Carlo, Willard (1997) suggre lutilisation du Monte Carlo Conditionnel pour calculer les valeurs des sensibilits
doptions dont la fonction de payoff la date dexercice est indpendante du
reste la trajectoire dans le cas des modles facteurs multiples. Le conditionnement est une technique de rduction de variance. En lassociant la
simulation Monte Carlo elle permet de simplifier les calculs en exprimant des
valeurs conditionnelles sous forme de solutions explicites. Pour ce faire, il donne
lexemple dune option europenne volatilit stochastique. Il calcule la volatilit moyenne sur la dure de vie de loption. En conditionnant la volatilit
stochastique un processus de Wiener, il parvient une volatilit constante et
exprimer ainsi la valeur de loption par la formule de Black-Scholes. De l, il
peut tirer les expressions des diffrents greeks voulus. Cette technique permet
de gagner en temps de computation et donne de bons rsultats, cependant elle
ne sapplique que dans le cas des options dont la fonction de paiement (payoff)
est indpendante du reste de la trajectoire.
Dans la suite de Broadie et Glasserman (1996), Glasserman et Zhao (1999)
font une application des mthodes des trajectoires et du rapport de vraisemblance pour le calcul des greeks des modles de Libor et Forward semblables
ceux prsents dans les modles de Heath, Jarrow et Merton avec une particularit cependant, car ils modlisent la dynamique de la courbe des taux
forward. La structure de ces modles rend le calcul des greeks plus complexe
que dans le cas doptions. Ils y ajoutent une combinaison des deux mthodes
13
pour le calcul de certains greeks. Grce une analyse comparative, ils dterminent la meilleure approche adapte lvaluation des greeks dans les modles
de structure terme selon le type de la fonction de valeur (continue ou discontinue).
Toujours dans la foule de Broadie et Glasserman (1996), Duan (2003) dveloppe une gnralisation de la mthode des trajectoires. Il introduit un lissage
naturel partir de la formule analytique de la fonction de paiement disponible
certains points une date proche de la maturit afin de rendre applicable
la mthode aux options dont les trajectoires sont non diffrentiables. Il russit appliquer sa mthode au calcul des greeks pour des options barrire,
asiatiques ou encore sur des modles Garch.
Glasserman (2003) fait une extension de la mthode des trajectoires et de
celle du ratio de vraisemblance au cas doptions avec multiples sous-jacents
mais seulement pour le calcul du Delta.
Dans le cas particulier des options, Bernis, Gobet et Kohatsu-Higa (2003)
utilisent le calcul de Malliavin pour driver des pondrations additionnelles qui
permettront lusage de la simulation Monte Carlo pour la dtermination des
greeks. Leur travail porte sur le cas multidimensionnel en plus de traiter de la
particularit des options barrires et rtroviseurs savoir que la valeur finale
dpendra des extrema de la trajectoire pendant la dure de vie de loption.
Cette mthode pour ce type doption savre plus performante dans le sens
o elle permet une plus grande applicabilit ( des options dont la fonction
de valeur est discontinue) que celle des diffrences finies ou celle du calcul de
Malliavin utilise toute seule. Cette manire de faire est encore appele Quasi14
Monte Carlo.
2.6
Lien avec le mmoire
De nombreux travaux ont t mens en matire de calcul des greeks. Depuis

larticle de Black et Scholes (1973), lusager a le choix entre plusieurs mthodes
dvaluation des paramtres de sensibilit des valeurs doptions adaptes plus
ou moins au cas quil traite. Cependant lorsque loption porte sur plusieurs
actifs sous-jacents, le choix de lusager est beaucoup plus restreint. Dans ce
travail nous nous proposons de faire une gnralisation des mthodes de trajectoires et du rapport de vraisemblance prsentes par Broadie et Glasserman
(1996) au cas des options sur plusieurs actifs sous-jacents.
15
Chapitre 3
Mthodologie
Dans cette section, nous nous proposons de faire une extension de Broadie
et Glasserman (1996) aux options portant sur plusieurs actifs sous-jacents.
Afin dexpliciter lintrt dun tel travail, la premire partie de ce chapitre sera
consacre la dfinition ainsi qu lutilit des greeks. Par la suite nous ferons
un expos des mthodes de Broadie et Glasserman (1996) et enfin lextension
qui peut en tre faite.
3.1
Dfinition des greeks
Dans cette partie, nous allons prsenter les greeks et dcrire leurs caractristiques dans le cadre dune option dachat dans un contexte de Black-Scholes,
i.e., lorsque lactif sous-jacent suit la dynamique suivante :
dSt = St dt + St dWt
16
Les proprits et formules prsentes ci-dessus sappliquent au cas de loption dachat europenne dont la valeur au temps t est :
C(S, K, t, T ) = SN (d1 ) Ker(T t) N (d2 )
avec N la fonction cumulative de la loi normale centre rduite, S lactif sousjacent, K le prix dexercice, T la date dchance et
S
ln K
+ (r + 12 2 )(T t)
d1 =
d2 = d1 T t
T t
Dans tout ce qui suit, V = V (S, K, , t, T ) reprsente la valeur dune option
europenne sur un actif sous-jacent suivant la dynamique de Black-Scholes.
3.1.1
Delta
Dfinition 3.1.1 Le Delta dune option reprsente la variation du prix de

loption par rapport une variation montaire du prix de lactif sous-jacent,
i.e.
=
V
.
S
Dans le cas de loption dachat europenne, on a

=
V
= N (d1 ).
S
(3.1)
Le Delta dune option dachat varie entre 0 et 1 tandis que celui de loption
de vente varie entre 0 et -1. Loption dachat dont le sous-jacent ne verse pas
de dividende verra son Delta voluer avec sa valeur. Ainsi Delta tendra vers 0
lorsque que loption sera hors de la monnaie et tendra vers 1 lorsque loption
sera dans la monnaie. S = 1, ..., 15, K = 10, = 0.2, T = 0.5, r = 0.05.
17
1
0.9
0.8
0.7
Delta
0.6
0.5
0.4
0.3
0.2
0.1
0
10
15
Figure 3.1: Evolution de Delta par rapport au sous-jacent ( S = 1, ..., 15,

K = 10, = 0.2, T = 0.5, r = 0.05).
3.1.2
Vega
Dfinition 3.1.2 Vega reprsente la sensibilit de loption par rapport la

volatilit du sous-jacent, i.e.
=
V
.

=
V
= S T tN 0 (d1 ).
Bien que la volatilit soit suppose constante dans la formule de Black-Scholes,

elle est trs souvent variable dans la ralit. La valeur de loption est de fait
affecte par la variation de la volatilit de lactif sous-jacent. Lo (1986) montre
limportance de calculer Vega. En partant de la formule de Black-Scholes pour
une option dachat europenne, il fait le lien entre la variance du prix de loption
et la volatilit de lactif sous-jacent. Il dduit ainsi que pour une meilleure
estimation du prix de loption il est ncessaire de tenir compte de la variation
18
par rapport la volatilit du sous-jacent sur toute la dure de vie de loption.

Ainsi Vega est une fonction croissante du prix de loption dachat puisque
quune augmentation de la volatilit implique une hausse de la probabilit
dexercice et produit leffet contraire dans le cas dune option de vente.
3
2.5
Vega
1.5
0.5
10
15
Figure 3.2: Evolution de Vega par rapport au sous-jacent (S = 1, ..., 15, K = 10,
= 0.2, T = 0.5, r = 0.05).
Il est difficile de dterminer la volatilit et il faut recourir des modles

de calibration. Connatre la sensibilit de loption par rapport la volatilit
permet de jauger la fiabilit de son prix par rapport au modle de calibration.
Cest trs souvent le paramtre calculer.
3.1.3
Gamma
Dfinition 3.1.3 Gamma correspond la variabilit du prix de loption par

rapport celle dune unit du Delta de ladite option ; cest donc la drive
19
seconde par rapport lactif sous-jacent, i.e.

=
2V
.
S 2

=
2V
N 0 (d1 )
=
.
S 2
S T t
(3.2)
Le Gamma dune option est son maximum lorsque celle-ci est la monnaie. Lorsque loption est hors de la monnaie ou dans la monnaie Gamma tend
vers 0.
0.35
0.3
Gamma
0.25
0.2
0.15
0.1
0.05
10
15
Figure 3.3: Evolution de Gamma par rapport au sous-jacent (S = 1, ..., 15,

K = 10, = 0.2, T = 0.5, r = 0.05).
3.1.4
Rho
Dfinition 3.1.4 Rho permet de mesurer la variabilit dune option par rapport au niveau des taux dintrt sans risque, i.e.
Rho =
20
V
.
r

Rho =
V
= K(T t)er(T t) N (d2 ).
r
Un Changement dans les taux dintrt va entraner une variation du facteur

dactualisation et ainsi de la valeur de loption. Cependant, il a un impact relativement faible sur la valeur de loption compar aux autres drives partielles.
5
4.5
4
3.5
Rho
3
2.5
2
1.5
1
0.5
0
10
15
Figure 3.4: Evolution de Rho par rapport au sous-jacent (S = 1, ..., 15, K = 10,
= 0.2, T = 0.5, r = 0.05).
3.1.5
Theta
Dfinition 3.1.5 Theta exprime la sensibilit de loption par rapport au temps,

i.e.
=
V
.
t
Il fournit une indication sur la vitesse laquelle le prix de loption dcrot plus
la date dchance approche.
21
Dans le cas de loption europenne dachat, on a

=
V
SN 0 (d1 )
=
+ SN (d1 ) rKer(T t) N (d2 ).
t
2 T t
(3.3)
Pour une option dachat, Theta est proche de 0 lorsque loption est hors de
la monnaie et large et ngatif lorsque loption est la monnaie.
0
0.1
0.2
Theta
0.3
0.4
0.5
0.6
0.7
0.8
0.9
10
15
Figure 3.5: Evolution de Theta par rapport au sous-jacent (S = 1, ..., 15, K =

10, = 0.2, T = 0.5, r = 0.05).
3.2
Utilit et application des greeks
Soit un gestionnaire de portefeuille doptions. Lorsquil ne peut pas se rfrer au march pour grer le risque li son portefeuille, il peut se fier aux
diffrentes valeurs de sensibilit par rapport aux facteurs de risque des options
de son portefeuille pour le couvrir. La sensibilit des options sera mesure par
22
rapport diffrents paramtres pour aboutir des stratgies de couverture ou

de calcul de la VaR (Valeur Risque) de portefeuille.
3.2.1
Les valeurs de sensibilit doptions pour les stratgies de couverture
Soit un portefeuille dactifs et doptions portant sur les mmes actifs.

Pour simplifier, supposons une volatilit et un taux sans risque constant.
partir dune expansion de Taylor, et en ignorant les termes dordre 2 autre
que (S)2 , nous pouvons exprimer tout changement dans la valeur de notre
portefeuille par :
1
d = dt + dS + (dS)2 + d + Rho dr
2
Une couverture du portefeuille consisterait le rendre neutre aux diffrents
greeks
Delta
Delta informe sur la variabilit de loption ainsi que sur la probabilit de
lexercer. Beaucoup de gestionnaires utilisent la technique du Delta hedging
comme moyen de couverture de leurs portefeuilles. Il sagit dune gestion en
temps continu du risque. Elle consiste rquilibrer le nombre de parts dactifs sous-jacents dtenir pour couvrir le risque de variabilit de loption par
rapport son sous-jacent.
23
Lorsque change, il faut rquilibrer le portefeuille dactions pour garder

la position Delta neutre. Lorsque le portefeuille est Delta neutre, sa variation
est donne par :
1
d = dt + (dS)2 + d + Rho dr
2
Cette technique ne peut tre applicable que lorsque les variations des prix
des sous-jacents ne sont pas trs importantes car dans la pratique il peut tre
difficile de rquilibrer le portefeuille lorsque lopration doit porter sur un
volume important dactions compte tenu des cots de transactions, des risques
de pertes, etc.
Gamma
Gamma dsigne galement la frquence et le niveau auquel un portefeuille
doit tre rquilibr pour conserver la position Delta neutre. Ainsi, pour petit,
le rquilibrage du portefeuille dactions ne se fera pas trs souvent. Par contre,
lorsque Gamma est lev, Delta est de fait trs sensible aux variations de prix
de lactif sous-jacent. Pour maintenir la position Delta neutre, le gestionnaire
devra ajuster son portefeuille dactions sur des intervalles de temps trs rduits
et souvent pour des quantits importantes.
Dans ces cas-ci, tant donn la difficult garder la position Delta neutre,
le gestionnaire peut avoir recours la position Gamma neutre. Pour ce faire, il
doit rquilibrer non pas seulement le portefeuille dactions mais galement un
portefeuille doptions dans des proportions lui garantissant la position Delta
24
neutre et Gamma neutre :

d = dt + d + Rho dr
Dans le modle Black-Scholes, et r tant supposs constants, la position
Delta Gamma neutre quivaut une position Theta neutre galement (pour
respecter la condition dautofinancement d = r = dt = r).
Vega
Dans le cas o le Vega est lev, la valeur de loption est trs sensible aux
plus petites variations de la volatilit mais fluctuera peu dans le cas contraire.
L galement, le gestionnaire peut chercher la position Vega neutre pour rduire
la sensibilit face aux variations du sous-jacent :
1
d = dS + dt + (dS)2 + Rho dr
2
On note cependant quil est trs rare daboutir sur une position Gamma
neutre et Vega neutre la fois et cest donc au gestionnaire de dcider dans
ces cas quelle est la position neutre privilgier.
Theta
Limportance de Theta dans les stratgies de couverture relve de linterprtation que lon peut tirer de Gamma. En effet, pour loption dachat europenne, plus Theta est grand et positif, plus Gamma a tendance tre grand
et ngatif et vice versa.
25
Rho
Rho dtermine la variabilit de la valeur de loption par rapport un changement des taux dintrt sans risque. Cette mesure est intressante dans le
cas des taux dintrt dterministes. Dans le cas des options sur devises trangres, lusager peut galement viser assurer la neutralit de son portefeuille
par rapport au taux tranger.
En parallle avec la stratgie de couverture, le manager peut utiliser les
greeks pour dfinir lexposition maximale un facteur de risque quil peut
tolrer dans son portefeuille. Ainsi, il est courant dans la pratique de dfinir la
limite Vega, Delta ou Rho selon les cas pour les portefeuilles.
3.2.2
Les valeurs de sensibilit doptions pour le calcul

des VaR
La VaR est une mesure statistique de risque qui dcrit le risque de march
li un portefeuille. Cest la perte maximale espre dun portefeuille sur
un horizon de temps donn pour un intervalle de confiance dfini. Elle peut
tre calcule au moyen de plusieurs mthodes dont lapproximation Delta et
lapproximation Delta-Gamma.
Soit un portefeuille doptions portant sur un actif sous-jacent. Lapproximation Delta consiste dfinir lcart type de notre portefeuille partir de celui
de lactif sous-jacent cest--dire multiplier lcart type de lactif sous-jacent
au Delta du portefeuille par rapport ce sous-jacent.
26
Lapproximation Delta est pertinente dans les cas ou les variations du sousjacent sont linaires (portefeuilles dactions, dobligations ou de contracts forward). La variation dans les portefeuilles de produits drives tels que les options ntant pas linaire, il devient appropri dinsrer Gamma dans la mthode de calcul car lapproximation Delta est une estimation linaire sous laquelle la valeur calcule est normalement distribue. Gamma permet de considrer toute la convexit de la fonction de distribution et de calculer une VaR
plus exacte (Mina and Ulmer (1999), Jaschke(2002)).
3.3
valuation des greeks par les mthodes de

Broadie et Glasserman (1996)
Dans cette section, nous nous attarderons sur les travaux de Broadie et
Glasserman puisque nous lavons dit plus haut, lobjet de ce mmoire est den
faire une extension aux options ayant plusieurs actifs sous-jacents.
Broadie et Glasserman (1996) dveloppent deux mthodes directes de calcul
des paramtres de sensibilit des valeurs doptions au moyen de la simulation
Monte Carlo, la mthode des trajectoires et celle du rapport de vraisemblance
par opposition aux mthodes de computation indirectes telle la resimulation.
Les auteurs prconisent deux mthodes directes car elles permettent un gain
de temps puisquune simulation supplmentaire est inutile et quelles gnrent
des rsultats non biaiss ce qui nest pas toujours le cas des mthodes indirectes.
27
3.3.1
Cadre thorique
Soit la valeur lchance dune option europenne portant sur un actif

qui verse des dividendes. Dans le cas dune option dachat, on a
(ST ) = max (ST K, 0)
(3.4)
pour un prix dexercice K et une maturit T > 0.

Le prix de loption au temps t = 0 est donn par
V = erT E [(ST )]
(3.5)
avec E dsignant lesprance en monde neutre au risque. Comme cest une

esprance, elle peut tre estime sans biais par simulation.
En monde neutre au risque, lquation diffrentielle stochastique du prix de
lactif sous-jacent St est la suivante :
dSt = St (r ) dt + St dWt
(3.6)
o r est le taux sans risque, le taux de payement des dividendes , la volatilit

et W un mouvement brownien standard.
Sous la mesure neutre au risque, ln
2
r 2 T et de variance ( 2 T ).
3.3.2
ST
S0
suit une loi normale desprance
Mthode des trajectoires (pathwise method)
La mthode des trajectoires repose sur la relation entre la fonction de paiement (payoff ) et le paramtre tudi (, r, S, T ). Ici, le prix de lactif sous-jacent
28
est modlis par un mouvement brownien gomtrique et scrit sous la forme

ST = S0 e(r
2
)T +
2
TZ
(3.7)
o Z est une variable alatoire normale centre rduite.

Pour obtenir une estimation de Vega,
dV
,
d
les auteurs drivent ST par rap-
port la volatilit puisque celle-ci naffecte V qu travers ST ce qui donne :

dST
= ST T + T Z
d

ST
ST
1 2
=
ln
r+ T
(3.8)
S0
2
Par la suite il suffit dvaluer la variation de par rapport ST pour arriver
la variation de V par rapport :
dV
d dST
rT
= e E
d
dS d
T

ST
ST
1 2
rT
0
= e E (ST )
ln
r+ T
S0
2
(3.9)
(3.10)
Cette expression de Vega est facilement calcule par le biais de la simulation

et les auteurs montrent que les rsultats obtenus sont sans biais.
Dans le cas de loption dachat, on trouve que
d
= 1(ST K)
dST
(3.11)
o 1 dsigne la fonction indicatrice de lvnement ST K. On note cependant

que lorsque que ST = K la fonction de paiement ntant plus drivable, il est
plus difficile de justifier le changement de variables de drivation mais le rsultat
reste similaire. On obtient alors

ST
1 2
dV
ST
rT
= e E 1(ST K)
r+ T
ln
.
d
S0
2
29
(3.12)
En appliquant le mme raisonnement on obtient lexpression suivante de

Delta
dV
d dST
d ST
rT
rT
=e E
,
=e E
dS0
dST dS0
dST S0
ce qui donne
dC
ST
rT
= e E 1(ST K)
dS0
S0
(3.13)
pour loption dachat.

Lexpression obtenue de Rho est
dV
d dST
d
rT
rT
= T V + e E
= T V + T e E
ST ,
dr
dST dr
dST
ce qui donne
dC
= KT erT E 1(ST K)
dr
(3.14)

Quant Theta, la drive par rapport t, elle est value par
dV
d dST
dV
rT
=
= rV e E
,
dt
dT
dST dT
ce qui donne
dC
dt
= rerT E [max (ST K, 0)]

ST
ST
2
rT
e E 1(ST K)
ln
+ r
T
2T
S0
2
(3.15)

Cette mthode peut tre difficile appliquer pour le calcul du Gamma.
En effet, dans le cadre de loption dachat europenne, Broadie et Glasserman
30
expriment Gamma, en partant de (3.13), comme suit :
d2 V
ST
rT
= E e
1(S (S )K)
dS02
S0 S0 T 0
#
"
2
K
g(K)
= E erT
S0
T n(d1(K)
= E e
S0 T
o
+
r+
x
d1 (x) =
T
3
= d (x) + T .
ln
S
0
2
2
(3.16)
et
g(x) =
avec n (x) =
1
2
1
n (d (x)) ,
x T
x 0.
x2
e 2 .
En partant de (3.7) et (3.13), on remarque que la drive seconde par rapport S0 est nulle. Pour tre en mesure de dterminer lexpression de Gamma
les auteurs supposent le cas dun payoff exponentiel. Ainsi,
V = E erT eST
(3.17)
En drivant deux fois cette expression par rapport S0 et sachant que

dST
dS0
ST
S0
et
d2 ST
dS02
= 0 , on obtient
"
)#
(
2
2
d
S
d2 V
dS
T
T
= E erT eST
dS02
dS0
dS02
"
2 #
ST
= E erT eST
S0
31
(3.18)
3.3.3
Mthode du rapport de vraisemblance
La mthode du rapport de vraisemblance est base sur la relation entre la

fonction de densit du prix de loption et le paramtre tudi. Le rapport de
vraisemblance est obtenu en partant de la valeur de loption :
2
r 2 T + T Z
rT
V = e E S0 e
Z
= erT
S0 e
r 2
= erT
(x)
1
2 2 T

T + T z
(3.19)
z2
e 2
dz
2
2
x
ln( S
) r 2 T
x 2T
dx
(3.20)
Soit f la densit de la variable x :

f (x) =
=
=
1
2 2 T
2
2
x
ln( S
) r 2 T
x 2T
2
ln( x ) r 2 T
S
1
(3.21)
x 2T
1
n (d (x))
x T
, x 0;
o
z2
1
n (z) = e 2
2
et

d (x) =
ln
x
S0
2
2
Le prix de loption peut alors tre crit de la manire suivante :

Z +
V =
(x)erT f (x) dx.
0
32
(3.22)
Le premier greek valu ici est Vega, la drive premire par rapport .
dV
d
=
=
=
=
Z +
erT (x)f (x) dx

0
Z +
f
erT (x) (x)dx
Z0 +
log f
erT (x)
(x)f (x)dx
log f
rT
E e (ST )
(ST ) ,
(3.23)
puisque la fonction de paiement ne dpend pas daucun des paramtres S0 , , t, T .

Sachant que
d ln (f (x))
d
1
= d
d

et
d
=
ln
S0
x
+ r+
2 T
2
2
Il devient facile dimplanter (3.23). En refaisant le mme exercice mais cette

fois ci en drivant par rapport S0 , on obtient lexpression sans biais suivante
de Delta :
dV
log f
rT
= E e (ST )
(ST ) .
dS0
S0
(3.24)
De plus,

d (x)
ln (f (ST ))
=
=
S0
S0 T
33
ln
x
S0
+ r
S0 2 T
2
2
Comme les expressions (3.23) et (3.24) sont des esprances, elles peuvent
tre facilement estimes par simulation.
Lestimateur sans biais de Rho est valu comme suit :
"
!#
dV
d
T
= E erT (ST ) T +
dr
tandis que celui de Theta est donn par
dV
d
1
rT
= E e (ST ) r + d
+
dT
T
2T
o
d
=
T
ln
ST
S0
(3.25)

r 12 2 T
2T 3/2
Concernant le calcul de la drive seconde Gamma, les auteurs lexpriment

en partant de lquation (3.22) :
Z +
d2 V
2
=
erT (x)f (x) dx
dS02
S02 0
Z +
2 f (x)
dx
=
erT (x)
S02
0
Z +
2 f (x) 1
=
erT (x)
f (x) dx
S02 f (x)
0
2 f (ST ) 1
rT
= E e (ST )
S02 f (ST )
avec
(3.26)
d2 d T 1
2 f (ST ) 1
=
S02 f (ST )
S02 2 T
Cette formule permet galement dobtenir un estimateur sans biais de Gamma.
34
Il est noter cependant que dans le cas du rapport de vraisemblance, le

paramtre tudi pourrait ne pas apparatre dans la fonction de densit, auquel
cas un changement de variables simposerait pour rendre la mthode applicable.
Les avantages et les inconvnients de ces deux mthodes sont explicits dans
la section suivante.
3.3.4
Rsultats donns par les deux mthodes
Les auteurs, en plus du cas de loption dachat europenne appliquent leurs

mthodes aux cas des options asiatiques et volatilit stochastique. Ils comparent les rsultats obtenus ceux obtenus lorsque la mthode de resimulation
est utilise.
Dans le cas de loption dachat europenne pour laquelle il existe des formules explicites, lestimation des greeks ainsi que lcart type obtenus par resimulation sont identiques ceux donns par la mthode des trajectoires exception faite du Gamma pour lequel la mthode des trajectoires produit une
estimation exacte. Ces deux mthodes gnrent des rsultats meilleurs ceux
obtenus par la mthode du rapport de vraisemblance.
Concernant lapplication aux options asiatiques auquel cas la fonction de
payoff dpend de la moyenne des valeurs de lactif sous-jacent pendant la dure
de vie de loption, on observe la mme tendance des rsultats que dans le cas
de loption dachat europenne.
Pour valider leurs mthodes par rapport aux options multiples variables
35
dtat, Broadie et Glasserman font une application sur les options volatilit
stochastique. L galement, la tendance des rsultats est la mme que dans les
deux cas cits ci-dessus. Nanmoins, la mthode du rapport de vraisemblance
nest pas applique ici cause de la complexit dfinir les estimateurs.
Ces deux mthodes destimation des greeks requirent un certain travail
analytique dans le calcul des drives, des intgrales et dans la vrification des
conditions de changement de variables afin dobtenir des rsultats fiables et
sont plus complexes pour ce qui est de lvaluation de la drive seconde. Elles
sont toutes deux plus rapides que la technique de resimulation avec cependant
une meilleure performance de la mthode des trajectoires quant il sagit de la
prcision des rsultats.
3.4
Extension des mthodes de Broadie et Glasserman (1996) au cas des options ayant plusieurs actifs sous-jacents
3.4.1
Particularits des options ayant plusieurs actifs sousjacents
Une option portant sur plusieurs actifs sous-jacents (multi-asset option) est
une option dont la fonction de paiement (payoff) dpend de deux ou plusieurs
actifs. Ce type doptions appartient la catgorie des options exotiques car
elles sont spcifiquement cres pour rpondre un besoin particulier dune
36
entreprise.
Les actifs sous-jacents peuvent tre des actions, des devises, des indices
boursiers, etc. Ils sont dans la majorit des cas modliss par des processus
stochastiques continus. Le prix de ce type doption peut galement tre exprim
comme une esprance dans le cas multidimensionnel.
Tout comme lvaluation des options standards (sur un actif sous-jacent), il
existe pour certains cas des solutions fermes. Lorsque ces solutions analytiques
ne sappliquent pas, on peut alors avoir recours aux mthodes numriques. Une
dimension de plus en plus grande devient vite une limite lusage des certaines
mthodes (binomiales, Diffrences finies), auquel cas les mthodes Monte Carlo
semblent tre plus indiques pour lestimation.
Il existe diffrents types doptions sur plusieurs actifs sous-jacents :
Les options Panier
Les options panier (basket) sont des options dont le sous-jacent est un
portefeuille dactifs. Cette option ne prend pas en compte la somme des pondrations des actifs pris de faon indpendante mais repose plutt sur un portefeuille constitus dactifs avec des pondrations quivalentes ou non. La corrlation entre les actifs constituant le panier permet de gnrer une baisse de la
volatilit et par consquent un prix moins lev que celui obtenu en sommant
des options individuelles sur chacun des actifs. La premire difficult rencontre
dans lvaluation de ces options est la dtermination de la corrlation entre les
37
diffrents actifs. Par la suite, la dimension leve et la possibilit dun exercice

prmatur peuvent rendre plus difficile la tche de lusager.
Les options Rainbow

Les options rainbow sont des options dont la fonction de paiement (payoff)
dpend de 2 ou plusieurs actifs risqus sous-jacents. Dans la catgorie des
options rainbow, on retrouve :
Les options sur minimum / maximum : il sagit dune option de type
vanille avec cependant quelques spcificits. Loption porte sur plusieurs
sous-jacents, mais lchance, lexercice portera sur un seul des actifs
sous-jacents , celui ayant la valeur minimale ou maximale selon les cas.
Loption dchange comme son nom lindique, permet leur dtenteur
dchanger un actif pour un autre. Lactif peut tre une devise ou une
action.
Les spread options quant eux correspondent des options dont la
fonction de paiement est base sur la diffrence entre plusieurs actifs.
Les worst of / better of options (alternative options) procurent leur
dtenteur une fonction de paiement (payoff) correspondant lactif ayant
la plus faible ou la plus forte valeur suivant les cas. Ces options peuvent
inclure un paiement supplmentaire dun montant donn, on parle alors
de worst of / better of and cash options.
Lvaluation des options rainbow doit tenir compte de la particularit du
produit driv mais aussi de la corrlation qui existe entre les diffrents actifs
38
en question.
Les options quantos

Les quantos ou cross currency derivative sont des produits drivs pour
lesquels la fonction de paiement (payoff) est dfinie par rapport des actifs
exprims dans une certaine devise mais dont le paiement se fera dans une autre
devise. Loption est alors expos au taux de change entre les diffrentes devises.
3.4.2
Cadre thorique
Dans ce qui suit, nous nous proposons de faire une extension de la mthode
des trajectoires et de celle du rapport de vraisemblance dveloppes par Broadie
et Glasserman (1996).
Pour cela, nous allons supposer le cas plus gnral dune option europenne
dont la fonction de paiement (payoff) dpend de d actifs sous-jacents S
et est indpendante de la trajectoire des actifs sous-jacents. Les actifs sousjacents sont reprsents par des mouvements browniens gomtriques corrls
entre eux et suivent une distribution log-normale. Ces actifs, en monde neutre
au risque, satisfont le systme dquations diffrentielles suivant :
dSi (t) = Si (t) rdt + Si (t) i dWi (t)
pour i = 1, ..., d, o reprsente la volatilit et W le mouvement brownien.
Notons la matrice de corrlation des mouvements browniens et la ma39
trice de variance-covariance dfinie par

ik = i k ik ,
1 i, k d
Puisque est symtrique dfini positif, il est possible dobtenir par une
dcomposition de Cholesky une matrice triangulaire suprieure a contenant
toute linformation de dpendance entre les mouvements browniens tel que
= a> a
Cette rcriture de nous permet dcrire chaque actif sous-jacent sous

la forme dun mouvement brownien indpendant pondr par le coefficient de
dpendance :
i
P
(r 2ii )t+ aki Zk (t)

k=1
Si (t) = Si (0) e
pour i = 1, ..., d, ii = 2i et Z1 , ..., Zd des mouvement browniens indpendants.
On dfinit alors le vecteur de volatilit par = ~a = (a11 , ..., a1d , a22 , ..., add ).
Ainsi, la variation par rapport chacun des lments de ~a ne constitue la
variation par rapport la volatilit des sous-jacents pris individuellement. Vega
ici reprsente la sensibilit de loption par rapport aux coefficients de volatilit
prsents dans le processus de diffusion des actifs sous-jacents.
Dans le cas, dune option portant sur 2 actifs sous-jacents corrls avec
S1 (t) = S1 (0) exp
et
S2 (t) = S2 (0) exp
2
r 21 t+ 1 tZ1
2
r 22 t+ 2 tZ1 + 12 2 tZ2
40
Les coefficients de volatilit devant les mouvements browniens sont pour

p
S1 : 1 et pour S2 : 2 et 1 2 2 .
Quand aux drives croises ik pour i 6= k, elles permettent de mesurer
limpact dun mouvement simultan de deux actifs sous-jacents sur le prix de
loption.
Dans ce qui suit nous allons dans le cadre dune simulation Monte Carlo
dterminer les greeks dune option portant sur plusieurs sous-jacents selon la
mthode des trajectoires puis celle du rapport de vraisemblance.
3.4.3
Mthode des trajectoires
Dans le cadre dune simulation des valeurs doptions europennes portant

sur plusieurs sous-jacents, les titres peuvent tre reprsents comme suit :
Pi
ii
(Sj )i = si e(r 2 ) +
l=1
ali Zjl
(3.27)
avec 1 i d, 1 j N , N tant le nombre de simulations effectues, s

est la valeur initiale du titre i, Z = (Z1 , ..., Zd )> Nd (0, 1) indpendants et
= T t la dure de vie restante avant lchance de loption.
La valeur au temps t de loption europenne venant chance au temps T
est estime par
X
r 1
V =e
Sj
N j=1
N
o dsigne la fonction de paiement de loption.

41
Proposition 1 Si est drivable presque partout et admet des drives partielles, alors pour tout i = 1, ..., d la drive par rapport un paramtre
quelconque r, t, s1 , ..., sd, v1 , ..., vd(d+1)/2 est :

1 X
1 XX
Sj + er
k Sj Sjk ,
N j=1
N j=1 k=1
N
V = (er )
o k (s) =
(s1 , . . . , sd ).
sk
Les estimateurs sans biais des drives partielles
par rapport chacun des paramtres sont :

Delta
N
S
X
ji
r 1
i Sj
si V = e
N j=1
si
Vega

N
P
r 1
V
=
e
Sj Sji ( Zji aii )

a
i
ii
N
j=1
pour i = 1, . . . , d,

N
P
r 1
Sj Sjk ( Zji aik )
V
=
e
k
aik
j=1
pour 1 i < k d.
Theta
V = rV e
!
N
d
i

X
1 XX
1
ii
i Sj
r
+
aki Zjk Sji
N j=1 i=1
2
2
k=1
Rho

1 XX
i Sj Sji
r V = V + er
N j=1 i=1
N
Gamma : Concernant les drives secondes, tout comme dans le cas une
dimension, la mthode des trajectoires ne permet pas de gnrer Gamma.
Dans beaucoup de cas, les drives secondes de sont nulles presque
42
partout. Ici galement on utilisera la formule de Black-Scholes pour dterminer le Gamma par rapport chacun des titres. Quant aux drives
croises, nous ne sommes pas en mesure de les valuer non plus.
Pour plus de dtail sur les calculs se rfrer lannexe A.
3.4.4
Mthode du rapport de vraisemblance
Dans le cas de multiples actifs sous-jacents, lanalogue de la fonction de

vraisemblance (3.21), est donne par
f (x) =
1
d
Q
e 2
>
(aii xi ) (2 )d/2
i=1
1
avec 1 = a> a
et i = ln xsii r
ii
2
Remarquons que f est drivable par rapport chacun des paramtres qui
nous interesse. On peut alors reprsenter V en faisant apparatre f (x) dans
son expression :
Z
r
V =e
(x) f (x) dx
o dsigne la fonction de paiement de loption.

Proposition 2 Lorsque que le paramtre tudi apparat dans la fonction de
densit, lestimation sans biais de la drive partielle (dordre 1) par rapport
ce paramtre est donne par lexpression suivante :
N
N

X
r 1 X
r 1
d
V = e
Sj + e
Sj {ln f (x)}|x=Sj
N j=1
N j=1
43
(3.28)
Les drives partielles dordre 1 par rapport chacun des paramtres tudis
sont :
Delta
N
X
1 1
r 1
d
V
=
e
a Zj i S j
si
N j=1 si
Vega
n
N
P
r 1
1
d
j
V
=
e
S
(a
Z
aii )
aii
j )i (Zji
j=1
pour i = 1, . . . , d,

N
P
r 1
Sj (a1 Zj )k (Zji aik )

V
=
e
aik
j=1
pour 1 i < k d.
1
aii
Theta
d
= d
tV
V
d
V
=
r+
2
(
)
N
d
X
er X >
kk >
Sj
Zj Zj + 2
r
a Zj k
2 N j=1
2
i=1
Rho
X X
r
r 1
d
V
=
e
V
+
e
Sj
a1 Zj k
r
N j=1
k=1
N
Lestimateur sans biais dune drive partielle (dordre 2) par rapport au

paramtre s prsent dans la fonction de densit est donn par :
1 r X
e
Sj {Si (Sk ln f (x)) + (Si ln f (x)) (Sk ln f (x))}
N
j=1
N
V =
Sd
i Sk
dou
44
Gamma (drive seconde)

1 r X
e
Sj
Sd
V
=
i Si
N
j=1
N
(
)
2
( a1 Zj )i ( a1 Zj )i (1 )ii
Si2
Gamma (drive croise)

1 r X
Sd
V
=
e
Sj
S
i k
N
j=1
N
(a1 Zj )i (a1 Zj )k (1 )ik

Sk Si
Les dtails des calculs sont donns dans lannexe B.

Le chapitre suivant traitera de la mise en application des propositions (1)
et (2).
45
Chapitre 4
Application numrique
Dans les chapitres prcdents, nous avons dduit une estimation des paramtres de sensibilit des options sur plusieurs actifs sous-jacents partir des
approches proposes par Broadie et Glasserman.
Dans cette section, nous allons procder une application numrique sur
des options dimension N de nos estimations selon les 2 approches.
La premire partie sera consacre une analyse comparative de nos estimations avec le modle Black-Scholes pour une option dchange dun actif risqu
pour un autre.
La seconde partie portera sur une option panier de dimension 2 et 5. Enfin
la troisime partie viendra commenter et conclure les rsultats obtenus.
46
4.1
Loption dchange dun actif risqu pour un

autre
Une option dchange dun actif risqu pour un autre octroie son dtenteur
le droit dchanger une quantit dtermine dun actif donn pour une certaine
quantit dun autre actif risqu spcifi et ce, la date de maturit de loption.
Considrons une option europenne C (S1 , S2 ) dont la fonction de paiement
dpend de 2 actifs risqus. La valeur lchance de cette option vaut
C (S1 , S2 ) = max(q2 S2 q1 S1 , 0)
o q1 et q2 sont des quantits positives et constantes.
La dynamique des actifs risqus est dfinie par :
dS1
= 1 dt + 1 dW1
S1
dS2
= 2 dt + 2 dW2
S2
o W1 et W2 sont 2 mouvements browniens dpendants de corrlation .
47
(4.1)
4.1.1
Mthodes Monte Carlo pour la valeur et les paramtres de sensibilit pour une option dchange
La valeur en monde neutre au risque de loption dchange est donne par

C (t, S1 , S2 ) = exp(r(T t)) E [(q1 S1 (T ), q2 S2 (T ))]
avec
S1 (t) = S1 (0) exp
(4.2)
2
r 21 t+ 1 tZ1
et
S2 (t) = S2 (0) exp
o Z2 = Z1 +
2
r 22 t+ 2 tZ2
1 2 Z3 , Z1 et Z3 tant des variables indpendantes N (0, 1).
Les expressions de S1 et S2 permettent de rcrire (4.2) :

(
2
C (t, s1 , s2 ) = er(T t) E
max q2 s2 e
2
2
(T t)+ 2 T tZ2
2
r 21 (T t)+ 1 T tZ1
q1 s1 e
!)
,0
A partir de cette expression, on peut dduire lestimateur Monte Carlo sans

biais de la valeur de loption dchange dun actif risqu pour un autre V au
temps t :
N
2
r(T t) X
r 22 (T t)+ 2 T tZ2j
e
max q2 s2 e
V (t, s1 , s2 ) =
N
j=1
q1 s1 e
48
1
2
(T t)+ 1 T tZ1j
,0
(4.3)
o Z11 , . . . , Z1N , Z31 , . . . , Z3N sont des variables alatoires indpendantes N (0, 1)
p
et Z2j = Z1j + 1 2 Z3j , j = 1, . . . , N .
Les estimations Monte Carlo des diffrents paramtres de sensibilit de
(4.3) selon la mthode des trajectoires et celle du ratio de vraisemblance sont
donnes par les propositions 1 et 2.
Afin de vrifier la prcision de nos rsultats sur ces estimations, nous les
avons compars ceux gnrs dans un monde Black-Scholes.
4.1.2
Formules de Black-Scholes pour la valeur et les paramtres de sensibilits pour une option dchange
Dans un modle Black-Scholes, la valeur dune option change dun actif

risqu pour un autre est donne par
C(t, S1 , S2 ) = q2 S2 (t)N (D1 ) q1 S1 (t)N (D2 )
(4.4)
avec N la fonction cumulative normale,
(t)
+ 12 2 (T t)
ln qq21 SS12 (t)
D1 =
T t
D2 = D1 T t
et 2 = 21 + 22 2 1 2 . Posons = T t. Cette expression de la valeur
de loption dchange ne dpend pas du taux sans risque r. partir de cette
reprsentation de loption dchange tire de Willmott (1998), lon est mme
den dduire une solution analytique des paramtres de sensibilit :
49
Proposition 3 Les drives partielles premires par rapport aux actifs sousjacents dune option dchange dans une formulation Black-Scholes sont donnes par :
1 = q1 N (D2 )
2 = q2 N (D1 )
Quant aux drives partielles secondes par rapport aux actifs sous jacents, elles
sont :
11 = q1 n(D2 )
S1 (t)
22 = q2 n(D1 )
S2 (t)
12 = q1 n (D2 )
S2 (t)
o n(x) reprsente la fonction de densit de la loi normale centre rduite.
Le paramtre de sensibilit Vega, sachant que = a> a avec
a=
1
0
2
1
,
2
se dcompose en :
a11 a12
Va11 =
q2 S2 (t)n(D1 )
a12 a11
Va12 = Va21 =
q2 S2 (t)n(D1 )
Va22 =
a
22
q2 S2 (t)n(D1 )
50
La sensibilit par rapport au temps, Theta, est dfinie par

n(D2 )
= q1 S1 (t)
2
Dans le cadre de notre formulation Black-Scholes, tel quon peut le voir
dans (4.4), la sensibilit par rapport au taux dintert sans risque est nulle
puisque r napparat pas dans la fonction de valeur de loption.
Rho = 0
Nous avons ajout les drives croiss afin de mesurer limpact dun mouvement simultan de la volatilit ou du prix de deux actifs sous-jacents.
Le dtail des diffrentes formules est explicit en annexe C.
4.1.3
Description des donnes
Pour cette premire application numrique, nous avons choisi 2 titres Intel
(INT) et Microsoft (MSFT), tous deux lists sur le NASDAQ. Les donnes
historiques utilises sont les valeurs ajustes et portent sur une priode allant
du 27 Mai 2003 au 24 Mai 2005 pour un total de 503 observations :
51
28
34
27
32
26
30
25
28
24
26
23
24
22
22
21
20
20
100
200
300
400
500
600
18
100
200
300
400
500
600
Figure 4.1: Evolution du titre MSFT Evolution du titre INT

Les estimations sur la volatilit et la corrlation des 2 titres ont t faites
sur leurs rendements respectifs grce aux fonctions Matlab COV (pour la variance covariance. Nous avons multipli la matrice par 252 afin dobtenir la
variance annuelle) et CHOL (pour la dcomposition de Cholesky). Nous avons
la dcomposition de Cholesky car elle permet une resolution simplifi des matrices symtriques et produit une seule matrice apres transformation, ce qui
facilite les manipulations.
Loption dchange porte sur q1 = q2 = 1 quantit de chacun des titres. S1
reprsente le titre MSFT et S2 le titre INT. La matrice
de variance covariance
exprime partir des rendements historiques est
correspond au vecteur a =
0.0388 0.0283
0.0283 0.0859
, ce qui
0.1969 0.1436
et au coefficient de corrlation
0
0.2554
= 0.4901. La dure de vie de loption T = 6 mois.
Pour la simulation Monte Carlo, le nombre de simulation N = 1000000 et
le taux sans risque r = 0.0259.
52
Nous avons implant les 2 mthodes destimation Monte Carlo ainsi que
le modle comparatif de Black-Scholes dans une routine Matlab. Les rsultats
obtenus pour diffrentes valeurs des sous-jacents sont prsents dans le tableau
suivant 4.1.
53
Option dchange entre 2 actifs risqus

S1=25.75
Erreur
S1=21
Erreur
S1=19
Erreur
S2=26.96
stand
S2=19
stand
S2=25.75
stand
Valeur de loption
Black-Scholes
2.60159
0.68031
6.83442
Monte Carlo
2.60577
0.68209
6.83966
-0.5622
-0.2628
-0.9401
0.6335
0.3263
0.9591
Delta
Black-Scholes
Trajectoires
Rapport de Vraisemblance
-0.5626
0.0010
-0.2630
0.0009
-0.9398
0.00052
0.6340
0.0011
0.3266
0.0011
0.9590
0.00060
-0.5639
0.0032
-0.2636
0.0018
0.9445
0.0071
0.6351
0.0028
0.3274
0.0020
0.9613
0.0043
Vega
Black-Scholes
1.4670 -1.4670
-1.4670
Trajectoires
1.4796 -1.0932
-1.0932
0.9902 -0.9902
7.0238
-0.9902
0.0262 0.0263
7.0373
0.0263 0.0281
1.4451 -1.4724
0.0773 0.0584
-1.4724
7.0619
0.0584 0.1013
4.7409
0.9945 -0.8472
0.3269
-0.3269
-0.3269
1.5650
0.0146
0.0145
0.3386
-0.3264
4.7499
0.0145
0.0194
-0.3264
1.5907
0.0259
0.0346
0.9827 -0.9893
0.0350
0.0279
0.2823 - 0.3421
0.1270
0.0852
0.0279
0.0542
-0.3421
1.6175
0.0852
0.1351
0.0339
-0.0250
-0.0250
0.0185
0.0047
0.0023
-0.8472
-0.9893
4.7607
0.0.257 0.0259
Gamma
Black-Scholes
0.0829 -0.0792
-0.0792
Trajectoires
0.0842 -0.0930
0.0757
-0.0930
0.0808
-0.0776
0.0017 0.0012
-0.0776 0.0741
0.0012 0.0011
0.1028
-
0.0820 -0.0909
-0.0909
0.1006
0.0013
0.0011
0.0328
-0.0253
0.0011
0.0011
-0.0253
0.0186
0.0023 0.0016
Rho
Black-Scholes
Trajectoires
-2.5300e-014
1.0880e-014
7.8623e-013
0.00016
6.0023e-004
0.00030
Theta
Black-Scholes
-1.8722
-1.2637
-0.4171
Trajectoires
-1.8761
0.0071
-1.2662
0.0050
-0.4237
0.0089
-1.8767
0.0290
-1.2675
0.0148
-0.4188
0.0421
Tableau 4.1: Valeurs et paramtres de sensibilit dune option dchange
54
Le tableau ci-dessus prsente 3 cas de figures : S1 < S2 loption est lgrement dans la monnaie, S1 > S2 , loption est la monnaie et enfin S1 < S2 ,
loption est trs dans la monnaie. La colonne Erreur standard reprsente la
variation en quon pourrait observer pour un intervalle de confiance donn
( V )
de 95%.Lerreur standard est calcule comme suit : 1.96 N .
Dune manire gnrale, on note que la mthode des trajectoires produit une
meilleure approximation des paramtres de sensibilit par rapport celle du
ratio de vraisemblance. De plus, lerreur standard produite par la mthode de
vraisemblance est plus grande que celle produite par la mthode des trajectoires
surtout lorsque loption est trs dans la monnaie.
Tout comme dans larticle de Broadie et Glasserman (1996), la mthode des
trajectoires est plus prcise pour chacune des drives. Enfin, lerreur standard
la plus leve est produite par la mthode du ratio de vraisemblance lorsque
loption est trs dans la monnaie
4.2
Loption panier
La prochaine application numrique des propositions (1) et (2) porte sur

une option panier de dimension d = 2 et d = 5. Loption panier est compose
de d titres dont la dynamique est reprsente par :
dSi
= i dt + i dWi
Si
pour i = 1, .., d
55
4.2.1
Loption panier de dimension 2
La valeur lchance dune option panier dachat portant sur 2 titres

risqus, de prix dexercice K est dfinie par
C(T, S1 , S2 ) = max((S1 + S2 ) K, 0)
Lestimateur Monte Carlo de la valeur de loption panier au temps t est

donn par
N
X
= er(T t) 1
C(t)
max((Sj1 (T ) + Sj2 (T )) K, 0)
N j=1
Les paramtres de sensibilit de cette option sont estims par les propositions 1 et 2.
Description des donnes et rsultats

Les donnes de cette simulation sont les mmes que celles utilises pour
loption dchange dans la section prcdente. La valeur initiale des titres S1 et
S2 est de respectivement 25.76 et 26.96 et le prix dexercice K est fix 52.9.
La dure de vie de loption, le taux sans risque, la matrice a ainsi que le nombre
de simulations restent inchangs. Les rsultats apparaissent dans le tableau 4.2.
56
Option Panier de 2 actifs risqus

S1=25.75
Erreur
S2=26.96
stand
Option panier
3.8261
Delta
Resimulation
Trajectoires
0.5758
0.0011
0.6062
0.0012
0.5757
0.0011
0.6062
0.0011
0.5760
0.0048
0.6044
0.0036
Vega
Resimulation
Trajectoires
5.6746
5.9265
5.9265
4.4236
0.0271 0.0288
5.6744
6.0699
6.0699
4.4231
5.6791
5.7865
5.7865
4.4325
0.0495
0.0482
0.0023 0.0012
0.0482
0.0471
0.0012 0.0012
0.0288
0.0317
0.0268 0.0272
0.0272
0.0313
0.1555 0.0900
0.0900
0.1163
Gamma
Resimulation
Trajectoires
0.0489
0.0470
0.0023 0.0012
0.0470
0.0466
0.0012 0.0012
Resimulation
15.5862
0.0293
Trajectoires
15.4849
0.0287
13.9344
0.0700
Resimulation
-3.8868
0.0000
Trajectoires
-3.7869
0.0120
-3.8383
0.0485
Rho
Theta
Tableau 4.2: Valeurs et paramtres de sensibilit dune option panier de 2 titres

Le calcul des paramtres de sensibilit pour loption panier ne diffre pas
de celui de loption dchange. La variante est la fonction de paiement , le reste
du calcul reste inchang.
57
A des fins de comparaison, nous avons ajout la mthode de resimulation.

Pour cela, nous avons perturb les paramtres tudis de h = 0.0001 (pour
Gamma, h = 0.05). Le choix de h est le mme que dans notre article de rfrence. Tout comme dans Broadie et Glasserman (1996), on note que la mthode
des trajectoires gnre des rsultats trs proches de ceux de la resimulation.
La tendance observe des rsultats est la mme que dans le prcdent
exemple : les valeurs donnes par les deux mthodes sont proches, et la mthode
de vraisemblance gnre plus dincertitude que celle des trajectoires.
Sur un ordinateur de 1GB de Ram, les rsultats pour 1000000 de trajectoires sont gnrs en 1.9929 secondes pour la mthode des trajectoires, 2.0730
secondes pour la mthode du ratio de vraisemblance et 3.9857 secondes pour
la resimulation. La resimulation requiert 2 fois plus de temps de calcul que les
mthodes des trajectoires et du ratio de vraisemblance.
4.2.2
Loption panier de dimension 5
La valeur dune option panier dachat portant sur 5 titres risqus avec un
prix dexercice K est dfinie par
C(T, S1 , S2 , S3 , S4 , S5 ) = max((S1 (T ) + S2 (T ) + S3 (T ) + S4 (T ) + S5 (T )) K, 0)
Lestimateur Monte Carlo de la valeur de loption panier au temps t est
donn par
5
!
N
X
X
1
C = er(T t)
max
Sjk (T ) K, 0 .
N j=1
k=1
58
Les paramtres de sensibilit de cette option sont estims par les propositions (1) et (2).
Description des donnes et rsultats

Pour cet exemple, nous conservons les donnes historiques sur les deux
titres utilises pour les exemples prcdents. Nous avons rajout, pour le mme
nombre dobservations sur la mme priode, 3 autres titres lists sur le Nasdaq
notre panier, APPLE, DELL et CISCO. Leurs volutions sont prsentes
ci-dessus :
59
50
44
45
42
40
40
35
38
30
25
36
20
34
15
32
10
100
200
300
400
500
600
30
100
200
300
400
500
600
30
28
26
24
22
20
18
16
100
200
300
400
500
600
Figure 4.2: Evolution des Titres APPLE, DELL et CISCO

La valeur initiale des titres S1 ,S2 , S3 ,S4 et S5 est respectivement 25.76,
26.96 19.15, 35.05 et 21.5. Le prix dexercice K est fix la monnaie 129.28.
La matrice a est donne par
0.1969 0.1436 0.1307 0.0035 0.0246
0
0.2554 0.0805 0.0161 0.027
a=
0
0
0.3659 0.0022 0.0103
0
0
0
0.2184 0.1675
0
0
0
0
0.2441
60
et la matrice de corrlation est
1
0.4901
0.3295
0.4901
1
0.3383
0.3295
0.3383
1
0.0158
0.0719
0.0293
0.0823 0.1193 0.0773
0.0158 0.0823
0.0719 0.1193
0.0293 0.0773
1
0.5513
0.5513
1
La dure de vie de loption, le taux sans risque ainsi que le nombre de simulations restent inchangs. Les rsultats apparaissent dans le tableau 4.3.
61
Option Panier de 5 actifs risqus

S1=25.75 S2=26.96 S3=19.15 S4=35.05 S5=21.5
Erreur
Valeur de loption
Monte Carlo
5.99698
Delta
Trajectoires
0.5291
0.0011
0.5513
0.0011
0.5641
0.0012
0.5361
0.0011
0.5360
0.0011
0.5251
0.0074
0.5535
0.0051
0.5629
0.0051
0.5343
0.0053
0.5378
0.0063
4.0132 5.2476 3.6504 5.3982 3.1312
0.0274 0.0301 0.0220 0.0355 0.0218
5.2476 3.2419 2.6937 4.2735 2.3532
0.0301 0.0308 0.0219 0.0366 0.0225
3.6504 2.6937 1.9019 3.3317 1.9601
0.0220 0.0219 0.0236 0.0372 0.0230
5.3982 4.2735 3.3317 5.6483 4.4494
0.0355 0.0366 0.0372 0.0382 0.0242
3.1312 2.3532 1.9601 4.4494 1.6625
0.0218 0.0225 0.0230 0.0242 0.0242
4.1203 4.1745 2.9469 5.4362 3.3075
0.2128 0.1203 0.0843 0.1678 0.1237
4.1745 3.2131 2.2663 4.0718 2.5281
0.1203 0.1540 0.0806 0.1568 0.1157
2.9469 2.2663 1.9175 3.3136 1.9908
0.0843 0.0806 0.1061 0.1568 0.1134
5.4362 4.0718 3.3136 5.6567 3.5587
0.1678 0.1568 0.1557 0.2078 0.1191
3.3075 2.5281 1.9908 3.5587 1.7460
0.1237 0.1157 0.1134 0.1191 0.1420
0.0299 0.0271 0.0265 0.0280 0.0275
0.0034 0.0018 0.0017 0.0018 0.0021
0.0271 0.0278 0.0272 0.0269 0.0276
0.0018 0.0016 0.0012 0.0012 0.0015
0.0265 0.0272 0.0284 0.0269 0.0264
0.0017 0.0012 0.0015 0.0012 0.0015
0.0280 0.0269 0.0269 0.0279 0.0280
0.0018 0.0012 0.0012 0.0018 0.0016
0.0275 0.0276 0.0264 0.0280 0.0302
0.0021 0.0015 0.0015 0.0016 0.0025
Trajectoires
31.7654
0.0625
32.1730
0.1597
Trajectoires
-6.3720
0.0198
-7.4213
0.0986
Vega
Trajectoires
Gamma
Trajectoires
Rho
Theta
Tableau 4.3: Valeurs et paramtres de sensibilit dune option panier de 5 titres
62
Le but de cet exercice est de montrer que les extensions que nous proposons
dans les propositions 1 et 2 sont galement facilement applicables des options
de dimension plus leve. Lapplication des deux propositions la dimension
5 de loption panier ne requiert pas changement dans les formules. Quant
limplementation, il ny a pas de calcul supplmentaire par rapport loption
de dimension 2. Enfin, pour ce qui est de la prcision des estimateurs, on
conserve la mme tendance observe avec les deux premiers exemples.
63
Chapitre 5
Conclusion
Ce mmoire a port sur lestimation des paramtres de sensibilit Greeks
des valeurs doptions portant sur plusieurs actifs sous-jacents au moyen des
simulations Monte Carlo.
Pour Cela, nous avons choisi comme approche de dpart celles proposes
par Broadie et Glasserman (1996) : la mthode des trajectoires Pathwise method et celle du ratio de vraisemblance Likelihood ratio method. Cet article
sintressait au cas des options comportant un actif sous-jacent.
La problmatique ici tait de transposer ces mthodes aux cas doptions
dont la valeur dpend de plusieurs actifs sous-jacents pouvant tre corrls
entre eux.
Pour ce faire, nous avons utilis les simulations Monte Carlo comme mthode numrique pour leurs performances dans lvaluation des valeurs dop-
64
tions comportant plusieurs variables dtat.

Dans un premier temps nous avons exprim les actifs sous-jacents en fonction de leur dpendance les uns des autres grce une dcomposition de Cholesky.
Pour la mthode des trajectoires, nous avons crit lestimateur Monte Carlo
de la valeur de loption partir des diffrentes trajectoires possibles pour chacun des actifs sous-jacents. Nous avons ensuite dduit les drives partielles qui
nous intressent de la valeur de loption sur chacune des trajectoires.
Concernant la mthode du ratio de vraisemblance, nous avons exprim lestimateur Monte Carlo de la valeur de loption sous forme dune intgrale de la
fonction de densit du prix de loption. Nous avons obtenu nos drives partielles de la valeur de loption en drivant la fonction de densit par rapport
aux paramtres qui nous intressaient.
En procdant ainsi, nous avons pu dgager une expression des estimateurs
de Delta, Vega, Rho et Theta pour chacune des deux mthodes et lestimateur
de Gamma pour la mthode du rapport de vraisemblance.
Nous avons ensuite test la performance de nos estimateurs en comparant
les rsultats quils produisaient ceux gnrs par le modle de Black-Scholes
et par la technique de resimulation. Notre extension de Broadie et Glasserman
(1996) permet dapproximer les paramtres de sensibilit doptions portant sur
plusieurs actifs sous-jacents. De manire gnrale, la mthode des trajectoires
est plus prcise que celle du rapport de vraisemblance et les estimateurs sont
plus prcis lorsque loption est la monnaie.
65
Enfin pour complter notre tude, nous avons montr que ces extensions
taient facilement adaptables des options de diffrentes dimensions, nous
avons illustr les cas avec 2 et 5 actifs sous-jacents.
Ces extensions sont facilement applicables et implantables et requirent
un court temps de simulation (1.9929 secondes et 2.0730 secondes pour les
mthodes des trajectoires et du ratio de vraisemblance contre 3.9857 secondes
pour la resimulation). Elles seraient donc trs utiles un usager qui souhaite
connatre et contrler le risque de son option multidimensionnelle. Dans un
souci de prcision, celui-ci pourrait ajouter des techniques de rduction de
variance son modle afin den amliorer la convergence.
Enfin pour une meilleure gnralisation, il serait intressant dtudier lapplicabilit de la mthode des trajectoires aux cas doptions dont la fonction de
paiement est discontinue. Il y a lieu de penser que cela fonctionne si lensemble
des discontinuits est de mesure de Lebesgue nulle.
66
Appendices A
Mthode des trajectoires
A.1
Forme gnrale
Dans le cadre dune simulation des valeurs doptions europennes portant

sur plusieurs sous-jacents, les titres peuvent tre reprsents comme suit :
Pi
ii
(Sj )i = si e(r 2 ) +
k=1
aki Zjk
(A.1)
avec 1 i d, 1 j N , Z = (Z1 , ..., Zd )> Nd (0, 1) indpendants et

= T t la dure de vie restante avant lchance de loption.
La valeur lchance T de loption europenne venant au temps t donne
par
67
V = er E { (ST )}
N

X
r 1
e
Sj
N j=1
(A.2)
Si est drivable presque partout et admet des drives partielles, alors

pour tout i = 1, ..., d, la drive par rapport un paramtre se calcule comme
suit :
X
X n o
r 1
r 1
V = (e )
Sj + e
Sj
N j=1
N j=1
N
>
1 X
1 X
Sj
Sj
Sj + er
N j=1
N j=1
N
= (er )

1 X
1 XX
)
k Sj Sjk
Sj + er
N j=1
N j=1 k=1
N
= (e
A.2
(A.3)
Delta
A partir de lexpression gnrale de V , dterminons cette drive pour

= S cest dire .
1
si V = si (er )
N
N
N

>
X
X
r 1
Sj + e
Sj si Sj
N j=1
j=1

1X
i Sj si Sji
N j=1
N
= er
68
(A.4)
o i correspond la drive par rapport la ime composante de , car pour
i 6= k, si Sj = 0.
k
Trouvons ensuite si Sji . On a

si Sj
= s i
Pi
ii
s e(r 2 ) +
ii
= e(r 2 ) +
Sji
=
,
si
Pi
k=1
k=1
!
aki Zjk
aki Zjk
(A.5)
do
N
S
X
ji
r 1
= si V = e
i Sji
N j=1
si
pour 1 i d.
(A.6)
Le mme raisonnement appliqu gnre lestimateur sans biais de
. Puisque
A.3
Vega
le vecteur de volatilit est dfini par a> , la drive partielle par rapport la
volatilit sera calcule par rapport (a11 , ..., a1d , a22 , ..., a2d , ....add )> .

1X
1 X
Sj + er
k Sj aik Sjk
)
N j=1
N j=1
N
aik = aik (e

1X
k Sj aik Sjk
N j=1
N
= e
valuons dabord cette drive pour i = k, soit aii Sji .
69
(A.7)
On a
aii (Sj )i = aii
r 2ii
si e(
= Sji
Pi
) +
Zji aii
l=1
ali Zjl
(A.8)
et lon obtient

1X
aii V = er
Zji aii .
i Sj Sji
N j=1
N
(A.9)
A prsent, dterminons cette drive pour 1 i < k d, soit aik Sjk :

!

Pk
kk
alk Zjl
r 2 +
l=1
a (Sj )k = a
sk e
ik
ik
= Sjk
Zji aik ,
(A.10)
et on arrive

1X
k Sj Sjk
aik V = er
Zji aik .
N j=1
N
A.4
(A.11)
Theta
Une autre des drives est celle par rapport

1
V = (er )
N
N
N X
d

X
X
r 1
Sj + e
i Sj Sji
N j=1 i=1
j=1

1 XX
1 X
Sj + er
i Sj Sji
N j=1
N j=1 i=1
N
= (r) er
1 XX
= rV + er
Sj Sji .
N j=1 i=1
N
70
(A.12)
Cherchons Sji :
!
Pi
ii
Sji = si e(r 2 ) + k=1 aki Zjk
ii
r
2
ii
r
2
1 X
+
aki Zjk
2
k=1
1 X
+
aki Zjk
2
Pi
ii
si e(r 2 ) +
k=1
aki Zjk
!
Sji .
(A.13)
k=1
En remplaant (A.13) dans (A.12) , on obtient
!
N X
d
i

X
X
1
1
ii
V = rV er
i Sj
+
aki Zjk Sji . (A.14)
r
N j=1 i=1
2
2
k=1
A.5
Rho
Enfin, la drive par rapport au taux sans risque r sobtient comme suit :
1
r V = r (er )
N
N
N X
d

X
X
r 1
Sj + e
i Sj r Sji
N j=1 i=1
j=1

1 XX
1 X
Sj + er
i Sj r Sji
N j=1
N j=1 i=1
N
= ( ) er

1 XX
= V + er
i Sj r Sji .
N j=1 i=1
N
71
(A.15)
Cherchons r Sji :
r 2ii
si e(
r Sji = r
r 2ii
si e(
Pi
) +
k=1
Pi
) +
k=1
aki Zjk
!
aki Zjk
= Sji
(A.16)
En remplaant dans (A.16 ) lquation (A.15), on arrive

1 XX
r V = V + er
i Sj Sji .
N j=1 i=1
N
A.6
(A.17)
Gamma
Concernant les drives secondes, tout comme dans le cas une dimension,
la mthode des trajectoires ne permet pas gnrer Gamma. Dans beaucoup de
cas, les drives secondes de sont nulles presque partout. Ici galement on
utilisera la formule de Black-Scholes pour dterminer le Gamma par rapport
chacun des titres. Quant aux drives croises, nous ne sommes pas en mesure
de les valuer non plus.
72
Appendices B
Mthode du rapport de
vraisemblance
B.1
Forme gnrale
Selon la distribution des actifs sous-jacents, la valeur de loption est modlise comme suit :
V
= er E { (ST )}
Z
= er
r 2ii
si e(
Pi
) +
k=1
!
aki zk
d
1P
z2
k=1 k
e 2
(2)d/2
dz
pour 1 i d
Nous cherchons dfinir la fonction du rapport de vraisemblance dans le
cas dactifs sous-jacents multiples. Pour ce faire, effectuons le changement de
73
variables suivant :
ii
xi = si e(r 2 ) +
Pi
k=1
aki zk
i = 1, . . . , d,
o la densit jointe des z est donne par

1P
e 2
d/2
(2)
d
z2
k=1 k
Pour trouver dx = Jacobien dz, remarquons que
xi
= xi aki
zk
pour 1 i d et k i
=
d !
Y
dx =
xi det (a)
i=1
d
Y
!
aii xi d/2 .
i=1
De mme,
z>z =
1 > 1

avec 1 = a> a
et = a> Z . On peut alors crire la fonction de densit
de x comme suit :
f (x) =
1
d
Q
e 2
>
(aii xi ) (2 )d/2
i=1
Remarquons que f est drivable par rapport chacun des paramtres qui
nous interesse.
74
On peut alors reprsenter V en faisant apparatre f (x) dans son expression :

Z
r
V =e
(x) f (x) dx
et par consquent, on a
Z
Z
r
r
V = e
(x) f (x) dx+e
(x) f (x) dx = er I+er J,
(B.1)
o
Z
I=
et
(x) f (x) dx
Z
J=
(x) f (x) dx.
S tant une variable alatoire, I peut tre estim par :

1 X
Sj .
N j=1
N
I =
(B.2)
De mme,
Z
J =
(x) f (x) dx
Z
(x)
Z
f (x)
f (x) dx
f (x)
{ (x) ln f (x)} f (x) dx

h
i
ln f (x) et donc peut tre estim par
= E (S)
1 X
Sj {ln f (x)}|x=Sj .
N j=1
N
J =
75
(B.3)
En remplaant I et J dans (B.1) par leurs estimations (B.2) et (B.3), une

estimation sans biais de V est donne par
N
N

X
r 1 X
r 1
d
V = e
Sj + e
Sj {ln f (x)}|x=Sj .
N j=1
N j=1
B.2
(B.4)
Delta
Calculons lestimation de la drive partielle de V par rapport Si :

d
Si V
N
N

1X
1 X
Sj + er
Sj Si {ln f (x)}|x=Sj
= Si er
N j=1
N j=1
1 X
Sj Si {ln f (x)}|x=Sj .
N j=1
N
= e
Calculons prsent Si ln f (x) :
1
Si > 1 Si ln x1 ...xd a11 a22 ...add (2 )d/2
2
1
(B.5)
= Si > 1
2
Si ln f (x) =
Cette dernire drive sobtient comme suit :
Si > 1 = Si > 1 + > Si 1 + > 1 (Si )
= Si > 1 + > 1 (Si )

o
Si > = (Si 1 , Si 2 , ..., Si i , ..., Si d ) .
76
(B.6)

Si k = 0 pour i 6= k car k = ln
xk
Sk
(r
kk
)
2
nest pas une fonction
de Si pour i 6= k, et donc
Si > = (0, ..., 0, ..., Si i , ..., 0)
et

ii
xi
r
= Si ln
Si
2
1
= ,
Si
Si i
ce qui nous donne

(Si ) 1 =
1 1
i.
Si
(B.7)
Preuve. Preuve de (B.7) ( Rmillard (2004))
Si
>
1 =
0, ..., , 0, ..., 0
Si
1
11
..
.
1
1d
d1
1
dd
..
.
..
.
1
..
.
1 1
..
, ..., 1
=
id .
Si i1
d
d
1 X 1
k
=
Si k=1 ik
Calculons 1 :
d
P
1
1k k
k=1
1
1
11
1d 1
..
..
.. ..
...
.
.
. . =

d
P 1
d
1
1
dk k
dd
d1
k=1
77
la ime ligne correspond
d
P
1
1
ik k = ( )i
k=1
Par la suite,
>
(Si ) =
>
1 1

Si
Si
(B.8)
car Si > = (0, ..., S1i , 0, ..., 0) et puisque est symtrique alors > 1 i =
(1 )i .
En remplaant (B.7) et (B.8) dans (B.6) on obtient :
1 1 1
Si > 1 =
i+ i
Si
2 1
=
i
Si
On peut alors rcrire (B.5)
1
Si > 1
2
1
2 1
i
2
Si
1 1
i
Si
1 1
a Zj i
Si
1 1
a Zj i
Si
Si {ln f (x)}|x=Sj =
=
=
=
=
car (1 )i = ( a1 Zj )i pour x = Sj .
78
Il en rsulte lexpression suivante de Delta

N
X
1 1
r 1
a Zj i S j
d
V
=
e
Si
N j=1 Si
B.3
(B.9)
Gamma
On a
Si Sk V = e
Z
r
(x) f (x) dx + e
(x) Si Sk f (x) dx
(B.10)
R
Lestimation de I = (x) f (x) dx reste telle que trouve lquation
R
(B.2). valuons J = (x) Si Sk f (x) dx.
On a
Z
J =
(x) Si Sk f (x) dx
Z
(x)
Si (Sk f (x))
f (x) dx.
f (x)
(B.11)
Or,
S S f (x)
Si (Sk ln f (x)) = i k
f (x)
Si f (x)
f (x)
Sk f (x)
f (x)
(B.12)
do
Si Sk f (x)
= Si (Sk ln f (x)) + (Si ln f (x)) (Sk ln f (x))
f (x)
79
(B.13)
Ceci nous permet de rcrire J comme suit :

Z
J =
(x) {Si (Sk ln f (x)) + (Si ln f (x)) (Sk ln f (x))} f (x) dx
i
h
= E S {Si (Sk ln f (x)) + (Si ln f (x)) (Sk ln f (x))} ,
qui peut tre estime par

1 X
J =
Sj {Si (Sk ln f (x)) + (Si ln f (x)) (Sk ln f (x))} .
N j=1
N
(B.14)
En remplaant I et J dans (B.10) par leurs estimations, on obtient

Sd
V
i Sk
S S er + er J
= I
i k
= er J
N
1 r X
=
e
Sj {Si (Sk ln f (x)) + (Si ln f (x)) (Sk ln f (x))} ,
N
j=1
(B.15)
avec
Si ln f (x) =
1 1
i
Si
(B.16)
Sk ln f (x) =
1 1
k
Sk
(B.17)
et
ce qui nous permet de rcrire (B.15) comme suit :
N
1 r X
1 1 1
d
Si Sk V = e
Sj
i k + Si (Sk ln f (x)) .
2
N
S
S
i
k
j=1
(B.18)
80
Calculons Si (Sk ln f (x)) :
1 1
Si (Sk ln f (x)) = Si
k
Sk
(
)
d
1
1 X 1
=
S
kl l .
i Sk l=1
(B.19)
Si i = k alors,
1
Si (Sk ln f (x)) =
S
i
1 X 1
il l
Si l=1
1 1
i+
Si2
1
= 2 1 i +
Si
1
= 2 1 i
Si
=
d
1 X 1
il Si l
Si l=1
1
1 1
(
ii )
Si Si
1 1
ii .
Si2
(B.20)
Par contre, si i 6= k alors,

d
X
1
1
Si (Sk ln f (x)) =
Si
kl l
Sk
l=1
d
1 X 1
kl Si l
Sk l=1
1
1 1
=
(
ki )
S k Si
1 1
=
ik .
S k Si
(B.21)
En remplaant (B.20) dans (B.18), on obtient lexpression suivante de les-
81
timation de la drive seconde :
NX
1 2
1 1
1
1
1
r
e
i 2
i + ii
Sd
V =
Sj
i Si
2 2
N
S
S
i
i
j=1
NX
1 r
1 1 2
1 1 1
=
e
Sj
a Zj i 2
a Zj i + ii
N
Si2 2
Si
j=1
)
(
N
2
1 r X ( a1 Zj )i ( a1 Zj )i (1 )ii
=
e
Sj
.
(B.22)
2
N
S
i
j=1
Concernant lestimation des drives croises, en remplaant (B.21) dans
(B.18), elles sont exprimes comme suit
Sd
V
i Sk
B.4
N
1 1 1
1 1
1 r X
e
Sj
i k
ik
=
2
N
S
S
S
S
i
k
k
i
j=1
NX
1 1 1
1 1
1 r
e
Sj
a Zj i
a Zj k
ik
=
N
Si Sk 2
Sk Si
j=1
N
1 r X (a1 Zj )i (a1 Zj )k (1 )ik
=
e
Sj
.
(B.23)
N
S k Si
j=1
Vega
En partant de B.4, dterminons lestimation de Vega :

d
aik V
N
N

X
r 1 X
r 1
= aik e
Sj + e
Sj aik {ln f (x)}|x=Sj
N j=1
N j=1
1 X
Sj aik {ln f (x)}|x=Sj
N j=1
N
= e
82
(B.24)
tudions la drive par rapport ln f (x) :
1
1 > 1
aik {ln f (x)} = aik

(B.25)
2
n
o
aik ln x1 x2 ...xd a11 a22 ...add (2)d/2 , (B.26)
avec
aik
Posons I1 =
1 > 1

2
1
2
1 > 1
= aik

2
1
1
=
aik > 1 + > aik 1
2
2
1 > 1
+ (aik ) .
2
(B.27)
(B.28)
aik > 1 , I2 = 12 > (aik 1 ) et enfin I3 = 21 > 1 (aik ).
On a donc
aik
1 > 1

2
= I1 + I2 + I3 .
(B.29)
Voyons dabord quelques dtails. Tout dabord, = a> a et

mn
min(m,n)
d
X
X
ahm ahn .
ahm ahn =
=
h=1
h=1
Alors on voit que pour 1 i k d, on a
2aik
si m = n = k
a
si m = k 6= n
in
aik mn =
aim
si n = k 6= m
0
sinon
(B.30)
En outre pour le calcul de I2 dterminons les expressions suivantes :

1
(aik ) 1 .
aik 1
hl =
83
(B.31)
Preuve. On a
0 = aik I = aik 1
= (aik ) 1 + aik 1 ,
do
aik 1 = (aik ) 1 .
Notons A = (aik ) 1 . Alors

Aml =
d
X
(aik )mn
nl
n=1
d
X
(aik mn ) 1 nl .
n=1
Posons prsent B = 1 A. Alors,

Bhl =
=
=
=
=
1 A hl
d
X
1
hm Aml
m=1
(
d
X
1
hm
m=1
d X
d
X
d
X
)
(aik mn ) 1
nl
n=1
1
1
hm (aik mn ) nl
m=1 n=1
d
X
d X
1
X
1
1
hm (aik mm ) ml +
hm (aik mn ) 1
nl
m=1
21
hk
m=1m6=n
(aik ) 1
kl
d
X
k1
X
1
1
1
hm (aim ) 1
hk (ain ) nl +
kl
m6=k
n6=k
d
d
X
X
1
1
.
+
hm aim 1
hk ain 1
kl
nl
n=1
m=1
84
(B.32)
Or (a1 )il = 1 a> li et

1 > 1 1 >
a1 = aa1 a>
= a
= a
,
(B.33)
ce qui permet dcrire
a1
il
>
a1
il
1
= a li .
=
De la mme manire,

Bhl = a1 li 1 hk + a1 hi 1 kl .
(B.34)
On sait que aik 1

= Bhl . Ceci nous permet dcrire
hl
1 1
1 1
aik 1
=
a hi kl .
hl
li
hk
(B.35)
Reprenons le calcul de Vega et calculons les diffrentes expressions des I

contenues dans
I1 =
et
1
aik > 1
2
aik > = aik 1 , ..., aik j , ..., aik d
Or,
h = ln
et daprs (B.30),
aik hh
xh
Sh
r +
hh
,
2
2a
si h = k
ik
=
0 sinon
85
(B.36)
(B.37)
(B.38)
(B.39)
ce qui implique
>
aik =
do
2aik
, 0, ...0
0, .., 0,
2
1
I1 = aik 1 k .
2
(B.40)
(B.41)
En effet,
(1 )1
..
1 =
.
.
(B.42)
(1 )d
De mme,
1
aik > 1 k
2
1
=
aik 1 k .
2
I3 =
(B.43)
Daprs la dfinition de B on peut rcrire I2 comme suit :

I2 =
1 >
B
2
P
B1h h
1
..
=
( 1 , ..., d )
.
2
P
Bdh h
En remplaant B par son expression, on arrive

(
)
d
d
X
1 X
>
1
Blh h =
l a li
hk h
l=1
(B.44)
(B.45)
h=1
(
)
d
d
X
1 X
l a lk
.
1
hi h
l=1
86
h=1
(B.46)
Ensuite, (B.45) est donn par

(
)
d
! d
!
d
d
X
X
X
1 X
l a li
1
=
l a1 li
1
hk h
hk h
l=1
h=1
l=1
h=1
d
!
X
1
=
l a li 1 k
l=1
=
=
d
X
a1 il l
l=1
1
a i 1 k ,
(B.47)
1
1
car 1 = a1 a> , do a1 = a>
et par consquent (a1 )li =
1
(a1 )li = a> il , tandis que (B.46) correspond
(
d
X
1
1
l a lk
hi h
= 1 k a1 i ,
(B.48)
h=1
ce qui nous permet daboutir lexpression suivante de B :
> Blh h = 2 a1 i 1 k .
(B.49)
En remplaant > B par son expression en (B.49), on obtient lexpression

suivante de I2
I2 = a1 i 1 k
Avec les diffrentes expressions des I dans (B.29) on obtient
1
1 > 1
1
=
aik 1 k a1 i 1 k + aik 1 k
aik
2
2
2
1
1 1
= aik k a i k
(B.50)
87
ce qui nous donne lexpression suivante de (B.24)
N
1
1
1
1
X
((a
)
(
)
(
)
)
ik
i
k
k
r 1
d
aik V = e
Sj
a ln x1 x2 ...xd a11 a22 ...add (2)d/2
N
j=1
ik
|x=Sj
(B.51)
Lorsque i 6= k
aik ln x1 x2 ...xd a11 a22 ...add (2)d/2 = 0
(B.52)
La drive Vega par rapport aik est alors estime par

d
aik V

1 X 1 1 1
= e
Sj
a i k aik 1 k
N j=1
N

X
1 1
1
r 1
Sj k
a i aik
= e
N j=1
N

X
1 1
1
r 1
S j a Zj k
aa Zj i aik
= e
N j=1
1 X 1
Sj a Zj k Zji aik
N j=1
N
= er
(B.53)
Lorsque i = k, alors
1
aii ln x1 x2 ...xd a11 a22 ...add (2)d/2 =
.
aii
(B.54)
La drive Vega par rapport aii est alors estime par
1
1
1 1 1
a i k aik k
= e
aii
N

X
1
r 1
1
= e
.
(B.55)
Sj
a Zj i Zji aii
N j=1
aii
1 X
Sj
N j=1
N
d
aii V
88
B.5
Theta
Dduisons prsent Theta, la drive de la valeur de loption par rapport

:
N
N

X
r 1 X
r 1
d
V = e
Sj + e
Sj {ln f (x)}|x=Sj
N j=1
N j=1
1 X
1 X
Sj + er
Sj {ln f (x)}|x=Sj ,
N j=1
N j=1
N
= rer
1 > 1
ln f (x) = ln x1 x2 ...xd a11 a22 ...add (2 )d/2
2
1
1 > 1
1
=
> 1
> 1
2
2
2
1
> 1 ( ) ln( d/2 )
2
1
1 > 1
=
> 1

2
2
1
d
> 1 ( ) .
(B.56)
2
2
Estimons les diffrentes drives de (B.56). Dabord,
1
1
= 2
2
2
89
et
= ( 1 , ..., d )
>
...
1
1d
d1
1
dd
1
11
..
.
d
P
..
.
1
..
.
k=11k k
..
= ( 1 , ..., d )
P
1
1k k
k=1
d
!
d
X X
= ( 1 , ..., d )
1
lk k
l=1
= ( 1 , ..., d )
k=1
d
X
l=1
= ( 1 , ..., d )
=
d
X
k=1
d
X
d
X
l=1
a > Zj
d
X
a1 Zj
(B.57)
l=1
!
Zj> Zj
(B.58)
k=1
do
!)
( d
X
1
1
> 1
>
Zj Zj
= 2
2
2
k=1
d
!
1 X >
=
Z Zj .
2 k=1 j
La deuxime expression quant elle est donne par

> = ( 1 , ...., d )
90
(B.59)
avec
k
et

kk
xk
r
= r ln
Sk
2
kk
= r
2
d
X
kk
,
=
r
2
k=1
>
do
d
1 > 1
1 X
kk >
r
=
a Zj k .
2
2
2 k=1
(B.60)
Enfin, en partant de la premire expression, on en dduit la troisime :
d
kk >
1 > 1
1 X
r
( ) =
a Zj k .
2
2
2 k=1
(B.61)
En remplaant (B.59) (B.60) (B.61) dans (B.56)on obtient
d
2 X
kk >
d
1 >
Zj Zj +
r
a Zj k
ln f (x) =
2
2
2
2 k=1
(
)
d
X
1 >
kk >
=
Zj Zj + 2
r
a Zj k d
2
2
k=1
(
)
d
X
1 >
kk >
=
Zj Zj + 2
r
a Zj k d ,
2
2
k=1
91
do
d
= d
tV
V
1 X
Sj
N j=1
N
= re
(
d
N
X
1 r X >
r
e
Sj
Zj Zj + 2
2 N
j=1
k=1
d
=
r+
V
2
(
N
d
X
1 r X >
e
Sj
Zj Zj + 2
r
2 N
j=1
k=1
B.6
kk
2
kk
2
a> Zj
a> Zj
Rho
Enfin, trouvons lestimation de la drive de V par rapport r :
N
N

X
r 1 X
r 1
d
Sj + e
Sj r {ln f (x)}|x=Sj
r V = r e
N j=1
N j=1
X
1 X
r 1
Sj + e
Sj r {ln f (x)}|x=Sj .
N j=1
N j=1
N
= e
On a
1 > 1
r r ln x1 x2 ...xd a11 a22 ...add (2 )d/2
2
1
= r > 1
2
1 > 1
=
r + > r 1 + > 1 (r )
2
1 > 1
r + > 1 (r )
=
2
r {ln f (x)} =
92
avec
r > = r ( 1 , ..., d )
et

xi
ii
= r ln
r
Si
2
=
r i
do
r > = ( , ..., )
ce qui donne
>
d
X
= 1 k .
1
k=1
De mme, > 1 i (r ) = r > i 1 = (1 )i . On aboutit

1
r {ln f (x)} =
2
=
=
d
X
k=1
d
X
d
X
k=1
a1 Zj
k=1
do
1 X
1 X X 1
Sj + er
Sj
r V = er
a Zj k
N j=1
N j=1
k=1
N
93
Appendices C
Modle de Black-Scholes pour
loption dchange
La fonction de paiement dchange entre 2 actifs risqus au temps T est
donn par
(S1 , S2 , T ) = max(q2 S2 q1 S1 , 0).
(C.1)
La valeur Black-Scholes au temps t de loption dchange de maturit T est

donne par :
(S1 (t), S2 (t), T ) = q2 S2 (t)N (D1 ) q1 S1 (t)N (D2 ),
avec N la fonction cumulative de la loi normale centre rduite, q1 et q2 des
94
quantits positives et
D1 =
ln
D2 =
ln
q2 S2 (t)
q1 S1 (t)
q2 S2 (t)
q1 S1 (t)
+ 21 2
12 2
pour = T t et 2 = 21 + 22 2 1 2 .
C.1
Delta
1 = S1 (q2 S2 (t)N (D1 ) q1 S1 (t)N (D2 ))

= q2 S2 (t)S1 (N (D1 )) q1 N (D2 ) q1 S1 (t)S1 (N (D2 ))
= q2 S2 (t)n(D1 ) q1 N (D2 ) q1 S1 (t)n(D2 )
= q1 N (D2 ).
De mme,
2 = S2 (q2 S2 (t)N (D1 ) q1 S1 (t)N (D2 ))
= q2 N (D1 ) + q2 S2 (t)n(D1 ) q1 S1 (t)n(D2 )
2 = q2 N (D1 ),
avec n(x) =
x2
1 e 2 .
2
95

Preuve. Premirement, notons que D2 = D1 . Par consquent,
2
D
exp
21
n(D1 )
2
=
D
n(D2 )
exp 2
2
= exp[
12 (D12 D22 )
= exp[ 2 (D1 D2 )(D1 +D2 )] .

1
Comme D1 D2 = et D1 + D2 =
h
q S (t)
ln q2 S2 (t)
11
2 ,
q S (t)
n(D1 )
ln q2 S2 (t)
1 1
= exp
n(D2 )
q1 S1 (t)
=
.
q2 S2 (t)
on a
De cette galit on dduit que n(D1 )q2 S2 (t) = n(D2 )q1 S1 (t).
C.2
Vega
La matrice de variance covariance est donne dans la proposition suivante :
Proposition 4
2 = 21 + 22 2 1 2
>
= a
a
21
1 2
1 2
22
96
2
. Nous allons exprimer Vega en fonction de
p
1 2 2
0
chacun des lments de la matrice a.
avec a =
Vaik =
.
(S1 (t), S2 (t), T )
aik
Trouvons la premire expression :

V
(S1 (t), S2 (t), T ) = (q2 S2 (t)N (D1 ) q1 S1 (t)N (D2 ))
= q2 S2 (t)n(D1 ) (D1 ) q1 S1 (t)n(D2 ) (D2 )
= q2 S2 (t)n(D1 ) (D2 + ) q1 S1 (t)n(D2 ) (D2 )
= q2 S2 (t)n(D1 )( D2 + ) q1 S1 (t)n(D2 ) (D2 )
= D2 [q2 S2 (t)n(D1 ) q1 S1 (t)n(D2 )] + q2 S2 (t)n(D1 ) )
= q2 S2 (t)n(D1 ) ).
Trouvons ensuite la deuxime expression :
aik
aik 2
2
aik 2
=
.
2
=
On obtient donc lexpression suivante de vega :

Vaik
aik 2
= q2 S2 (t)n(D1 ) )
2
Cette expression applique chacun des lments qui composent 2 nous donne
la sensibilit de loption par rapport :
a11 a12
Va11 =
q2 S2 (t)n(D1 )
97

Va12 = Va21 =
Va22 =
C.3
a12 a11
a
22
q2 S2 (t)n(D1 )
q2 S2 (t)n(D1 )
Gamma
On a
1 = S1 1
= S1 (q1 N (D2 ))
= q1 n(D2 )S1 (D2 )
1
.
= q1 n(D2 )
S1 (t)
De mme,
2 = S2 2
= S2 (q2 N (D1 ))
= q2 n(D1 )S2 (D1 )
1
,
= q2 n(D1 )
S2 (t)
98
et enfin la drive croise

12 = S2 1
= S2 (q1 N (D2 ))
= q1 n(D2 )S2 (D2 )
1
.
= q1 n(D2 )
S2 (t)
C.4
Rho
Dans le modle Black-Scholes pour loption dchange entre deux actifs

risqus, le taux sans risque r napparat pas dans lexpression de la valeur de
loption. Par consquent la sensibilit de loption par rapport r est nulle.
C.5
Theta
T heta = t (q2 S2 (t)N (D1 ) q1 S1 (t)N (D2 ))

= q2 S2 (t)n(D1 )t (D1 ) q1 S1 (t)n(D2 )t (D2 )
Puisque D1 D2 = , on a
t (D2 ) = t D1
= t D 1 + ,
2
99
do
T heta = q2 S2 (t)n(D1 )t (D1 ) q1 S1 (t)n(D2 )t (D1 ) q1 S1 (t)n(D2 )

2
= q1 S1 (t)n(D2 ) .
2
100
Rfrences
[1] Bernis,G., E.Gobet et A. Kohatsu-Higa, Monte Carlo Evaluation of
Greeks for Multidimensional Barrier and Lookback Options, Mathematical Finance, 13 (2003), pp 99-113.
[2] Black, F. et M. Scholes, , The pricing of Options and Corporate Liabilities, The Journal of Political Economy, 81 (1973), pp 637-654.(1997)
[3] Boyle, P., Options : A Monte Carlo Approach, Journal of Financial Economics, 4 (1997), pp 323-238.
[4] Brennan, M. and Swartz, E.,Finite Difference Methods and Jump Processes Arising in the Pricing of Contingent Claims : A Synthesis, Journal
of Financial and Quantitative Analysis, 13 (1978), pp 462-474.
[5] Broadie, M. et P. Glasserman, Estimating Security Price Derivatives
Using Simulation, Management Science, 42 (1996), pp. 269-285.
[6] Carr, P., Deriving derivatives orf derivative securities, Journal of Computational Finance, 4 (2000/2001), pp. 5-27.
[7] Chung, S-L. and M. Shackleton, The Binomial Black-Scholes Model and
The Greeks, The Journal of Futures Markets, 22 (2202), pp. 143-153.
101
[8] Duan,J-C., An Enhanced Path-Derivative Monte Carlo Method for Computing Option GreeksUniversity of Toronto, Working paper.
[9] Fourni, E., J-M. Lasry, J. Lebuchoux, P-L. Lions et N. Touzi, Applications of Malliavin Calculus to Monte Carlo Methods in Finance, Finance
and Stochastic, 3(1999), 391-412.
[10] Fourni, E., J-M. Lasry, J. Lebuchoux, et P-L. Lions, Applications of
Malliavin Calculus to Monte-Carlo Methods in Finance. II, Finance and
Stochastic, 5 (2001), 201-236.
[11] Franois, P., Options et Contrats Terme : Recueil de textes , Hec
Montral,(2004-2005).
[12] Fu, M. C.et J. Hu Sensitivity Analysis for Monte Carlo Simulation of
Option Pricing, Probability in the Engineering and Information Sciences,
9 (1995), 417-449.
[13] Glasserman, P.(2003), Monte Carlo Methods in financial Engineering,
Springer.
[14] Glasserman, P. and Zhao,X., Fast Greeks by Simulation in Forward Libor
Models, Journal of Computational Finance, 3 (1999), pp. 5-39.
[15] Hull, J.(1993), Options, Futures, and Other Derivative Securities, Prentice Hall, 2nd edition.
[16] Jaschke, S., The Cornish-Fisher Expansion in the Context of DeltaGamma-Normal Approximations , Journal of Risk,4 (2002), pp 33-52.
[17] Lo, A.W, Statistical Tests of Contingent Claims Asset-pricing Models,
Journal of Financial Economics, 17 (1986), pp. 143-173.
102
[18] Mina, J. and Ulmer A., Delta-Gamma Four ways , Technical Report,
RiskMetrics Group, 1999.
[19] Pelsser, A. and Vorst, T. ,The Binomial Model and The Greeks, The
Journal of Derivatives, 1 (1994), pp. 45-49.
[20] Reiss, O. and Wystup, U. Computing Option Price Sensitivities Using
Homogeneity And Other Tricks, The Journal of Derivatives, winter 2001,
pp. 41-53.
[21] Rmillard, B., Mthodes Numriques en Ingnierie Financire : Notes de
Cours , Hec Montral,(2004).
[22] Tavella, D. and Randall, C. (2000), Pricing Financial Instruments : The
Finite Difference Method, John Wiley & Sons.
[23] Tomas III, J. M. ;Yalamanchili, K. K., An Application of Finite Elements
to Option Pricing,The Journal of Futures Markets, 21 (2001), pp. 19-42.
[24] Willard, Gregory A. , Calculating Prices And Sensitivities For Pathindependant Derivative Securities In Multifactor Models, The Journal of
Derivatives, 5 (1997), pp.45-61.
[25] Willmott, Paul, Derivatives : The Theory And Practice Of Financial Engineering, John Wiley & Son, 1998.
103

KKane

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

KKane

Transféré par

Droits d'auteur :

Formats disponibles

HEC MONTRAL

Mthodes Monte Carlo pour lvaluation des paramtres de

Mmoire prsent HEC Montral

Ce mmoire traite de lestimation des paramtres de sensibilit des produits

Table des matires

2.1 Calcul des greeks lorsque des formules fermes existent . . . . .

2.2 Mthodes des diffrences finies . . . . . . . . . . . . . . . . . . .

2.3 Mthodes du modle binomial . . . . . . . . . . . . . . . . . . .

2.4 Calcul de Malliavin . . . . . . . . . . . . . . . . . . . . . . . . . 10

3.1 Dfinition des greeks . . . . . . . . . . . . . . . . . . . . . . . . 16

3.2 Utilit et application des greeks . . . . . . . . . . . . . . . . . . 22

Les valeurs de sensibilit doptions pour les stratgies de

Les valeurs de sensibilit doptions pour le calcul des VaR 26

Mthode des trajectoires (pathwise method) . . . . . . . 28

Mthode du rapport de vraisemblance . . . . . . . . . . 32

Rsultats donns par les deux mthodes . . . . . . . . . 35

3.4 Extension des mthodes de Broadie et Glasserman (1996) au cas

Particularits des options ayant plusieurs actifs sous-jacents 36

Mthode des trajectoires . . . . . . . . . . . . . . . . . . 41

Mthode du rapport de vraisemblance . . . . . . . . . . 43

4.1 Loption dchange dun actif risqu pour un autre . . . . . . . . 47

Mthodes Monte Carlo pour la valeur et les paramtres

Description des donnes . . . . . . . . . . . . . . . . . . 51

4.2 Loption panier . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

Loption panier de dimension 2 . . . . . . . . . . . . . . 56

Loption panier de dimension 5 . . . . . . . . . . . . . . 58

A Mthode des trajectoires

A.1 Forme gnrale . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

B Mthode du rapport de vraisemblance

B.1 Forme gnrale . . . . . . . . . . . . . . . . . . . . . . . . . . . 73

C Modle de Black-Scholes pour loption dchange

Liste des figures

Liste des tableaux

4.3 Valeurs et paramtres de sensibilit dune option panier de 5

Les institutions financires sont soumises un risque de march dans le

ses paramtres : les greeks.

Calcul des greeks lorsque des formules fermes existent

Mthodes des diffrences finies

Mthodes du modle binomial

Le modle de larbre binomial est propos par Cox, Ross et Rubinstein

Le Calcul de Malliavin, de son auteur Paul Malliavin, est le calcul de la

Mthodes Monte Carlo

La simulation Monte Carlo pour lvaluation des options a t introduite

rapport de vraisemblance peuvent tre vues comme des mthodes du calcul de

Lien avec le mmoire

De nombreux travaux ont t mens en matire de calcul des greeks. Depuis

Dfinition des greeks

Dfinition 3.1.1 Le Delta dune option reprsente la variation du prix de

Dans le cas de loption dachat europenne, on a

Figure 3.1: Evolution de Delta par rapport au sous-jacent ( S = 1, ..., 15,

Dfinition 3.1.2 Vega reprsente la sensibilit de loption par rapport la

Dans le cas de loption dachat europenne, on a

Bien que la volatilit soit suppose constante dans la formule de Black-Scholes,

par rapport la volatilit du sous-jacent sur toute la dure de vie de loption.

Il est difficile de dterminer la volatilit et il faut recourir des modles

Dfinition 3.1.3 Gamma correspond la variabilit du prix de loption par

seconde par rapport lactif sous-jacent, i.e.

Dans le cas de loption dachat europenne, on a

Figure 3.3: Evolution de Gamma par rapport au sous-jacent (S = 1, ..., 15,

Dans le cas de loption dachat europenne, on a

Un Changement dans les taux dintrt va entraner une variation du facteur

Dfinition 3.1.5 Theta exprime la sensibilit de loption par rapport au temps,

Dans le cas de loption europenne dachat, on a

Figure 3.5: Evolution de Theta par rapport au sous-jacent (S = 1, ..., 15, K =