Académique Documents
Professionnel Documents
Culture Documents
KKane
KKane
c
Kadiata
Kane, 2006
Sommaire
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.
1 Introduction
2 Revue de la littrature
3 Mthodologie
16
Delta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
i
3.1.2
Vega . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.1.3
Gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.1.4
Rho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.1.5
Theta . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2.2
3.3 valuation des greeks par les mthodes de Broadie et Glasserman (1996) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.3.1
Cadre thorique . . . . . . . . . . . . . . . . . . . . . . . 28
3.3.2
3.3.3
3.3.4
3.4.2
Cadre thorique . . . . . . . . . . . . . . . . . . . . . . . 39
ii
3.4.3
3.4.4
4 Application numrique
46
4.1.2
Formules de Black-Scholes pour la valeur et les paramtres de sensibilits pour une option dchange . . . . . 49
4.1.3
4.2.2
5 Conclusion
64
67
iii
A.3 Vega . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
A.4 Theta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
A.5 Rho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
A.6 Gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
73
94
C.1 Delta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
C.2 Vega . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
C.3 Gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
iv
C.4 Rho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
C.5 Theta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
vi
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
vii
Chapitre 1
Introduction
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
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
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
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
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
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
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
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
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
V
.
S
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
3.1.2
Vega
V
.
V
= S T tN 0 (d1 ).
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).
3.1.3
Gamma
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
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
V
= K(T t)er(T t) N (d2 ).
r
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
V
.
t
Il fournit une indication sur la vitesse laquelle le prix de loption dcrot plus
la date dchance approche.
21
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
3.2
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
3.2.1
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
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
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
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
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
(3.4)
(3.5)
(3.6)
2
r 2 T et de variance ( 2 T ).
3.3.2
ST
S0
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
2
)T +
2
TZ
(3.7)
dV
,
d
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)
(3.11)
ST
1 2
dV
ST
rT
= e E 1(ST K)
r+ T
ln
.
d
S0
2
29
(3.12)
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)
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)
dV
d dST
dV
rT
=
= rV e E
,
dt
dT
dST dT
ce qui donne
dC
dt
ST
ST
2
rT
e E 1(ST K)
ln
+ r
T
2T
S0
2
(3.15)
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)
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
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)
=
=
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
32
(3.22)
Le premier greek valu ici est Vega, la drive premire par rapport .
dV
d
=
=
=
=
Z +
Z0 +
log f
erT (x)
(x)f (x)dx
log f
rT
E e (ST )
(ST ) ,
(3.23)
d
et
d
=
ln
S0
x
+ r+
2 T
2
2
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
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
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
34
3.3.4
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
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 (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
38
en question.
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
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
2
r 21 t+ 1 tZ1
2
r 22 t+ 2 tZ1 + 12 2 tZ2
40
3.4.3
ii
(Sj )i = si e(r 2 ) +
l=1
ali Zjl
(3.27)
V =e
Sj
N j=1
N
Proposition 1 Si est drivable presque partout et admet des drives partielles, alors pour tout i = 1, ..., d la drive par rapport un paramtre
V = (er )
o k (s) =
(s1 , . . . , sd ).
sk
N
S
X
ji
r 1
i Sj
si V = e
N j=1
si
Vega
N
P
r 1
V
=
e
ii
N
j=1
pour i = 1, . . . , d,
N
P
r 1
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
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
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
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
V =
Sd
i Sk
dou
44
(
)
2
( a1 Zj )i ( a1 Zj )i (1 )ii
Si2
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
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
(4.2)
2
r 21 t+ 1 tZ1
et
S2 (t) = S2 (0) exp
o Z2 = Z1 +
2
r 22 t+ 2 tZ2
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
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
(4.4)
(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)
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
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
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
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
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
Rapport de Vraisemblance
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
Rapport de Vraisemblance
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
Rapport de Vraisemblance
-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
Rapport de Vraisemblance
-1.8767
0.0290
-1.2675
0.0148
-0.4188
0.0421
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
dSi
= i dt + i dWi
Si
pour i = 1, .., d
55
4.2.1
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.
56
Erreur
S2=26.96
stand
Option panier
3.8261
Delta
Resimulation
Trajectoires
Rapport de Vraisemblance
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
Rapport de Vraisemblance
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
Rapport de Vraisemblance
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
Rapport de Vraisemblance
13.9344
0.0700
Resimulation
-3.8868
0.0000
Trajectoires
-3.7869
0.0120
Rapport de Vraisemblance
-3.8383
0.0485
Rho
Theta
57
4.2.2
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).
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
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
1
0.4901
0.3295
0.4901
1
0.3383
0.3295
0.3383
1
0.0158
0.0719
0.0293
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
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
Trajectoires
31.7654
0.0625
Rapport de Vraisemblance
32.1730
0.1597
Trajectoires
-6.3720
0.0198
Rapport de Vraisemblance
-7.4213
0.0986
Rapport de Vraisemblance
Vega
Trajectoires
Rapport de Vraisemblance
Gamma
Trajectoires
Rapport de Vraisemblance
Rho
Theta
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
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
A.1
Forme gnrale
ii
(Sj )i = si e(r 2 ) +
k=1
aki Zjk
(A.1)
67
V = er E { (ST )}
N
X
r 1
e
Sj
N j=1
(A.2)
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
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)
i 6= k, si Sj = 0.
k
= 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)
. 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
69
(A.7)
On a
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)
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
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
!
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)
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,
e 2
d/2
(2)
d
z2
k=1 k
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
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=
I =
(B.2)
De mme,
Z
J =
(x) f (x) dx
Z
(x)
Z
f (x)
f (x) dx
f (x)
J =
75
(B.3)
V = e
Sj + e
Sj {ln f (x)}|x=Sj .
N j=1
N j=1
B.2
(B.4)
Delta
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
1
Si > 1 Si ln x1 ...xd a11 a22 ...add (2 )d/2
2
1
(B.5)
= Si > 1
2
Si ln f (x) =
(B.6)
Si k = 0 pour i 6= k car k = ln
xk
Sk
(r
kk
)
2
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
1 1
i.
Si
(B.7)
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
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
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)
(B.14)
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
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
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)
(B.21)
81
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
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)
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)
On a donc
aik
1 > 1
2
= I1 + I2 + I3 .
(B.29)
min(m,n)
d
X
X
ahm ahn .
ahm ahn =
=
h=1
h=1
2aik
si m = n = k
a
si m = k 6= n
in
aik mn =
aim
si n = k 6= m
0
sinon
(B.30)
83
(B.31)
Preuve. On a
0 = aik I = aik 1
= (aik ) 1 + aik 1 ,
do
aik 1 = (aik ) 1 .
d
X
(aik )mn
nl
n=1
d
X
(aik mn ) 1 nl .
n=1
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)
1 > 1 1 >
a1 = aa1 a>
= a
= a
,
(B.33)
a1
il
>
a1
il
1
= a li .
=
De la mme manire,
Bhl = a1 li 1 hk + a1 hi 1 kl .
(B.34)
a hi kl .
hl
li
hk
(B.35)
1
aik > 1
2
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)
1 >
B
2
P
B1h h
1
..
=
( 1 , ..., d )
.
2
P
Bdh h
(B.44)
(B.45)
h=1
(
)
d
d
X
1 X
l a lk
.
1
hi h
l=1
86
h=1
(B.46)
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
> Blh h = 2 a1 i 1 k .
(B.49)
I2 = a1 i 1 k
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
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
(B.52)
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)
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
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
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
(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)
d
kk >
1 > 1
1 X
r
( ) =
a Zj k .
2
2
2 k=1
(B.61)
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
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
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
(C.1)
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
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 )
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
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
= q2 S2 (t)n(D1 ) ).
Trouvons ensuite la deuxime expression :
aik
aik 2
2
aik 2
=
.
2
=
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
C.4
Rho
C.5
Theta
Puisque D1 D2 = , on a
t (D2 ) = t D1
= t D 1 + ,
2
99
do
= 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