Méthodes Numériques en Finance

1
Mthodes numriques en finance

Arthur Charpentier
ENSAE-ENSAI-CREST & Katholieke Universiteit Leuven
http://www.crest.fr/pageperso/charpent/charpentFR.htm
2006/2007
Ces notes de cours ne sont quun complment au cours de Mthodes Numriques en Finance. Merci de ne pas citer, merci de ne
pas diffuser.
I prefer the judgement of a 55-year old trader to that of a 25-year old mathematician
(Greenspan (1997))
Arthur CHARPENTIER - Mthodes numriques en Finance
CONTENTS
Contents
1 Prambule
2 Introduction aux options
2.1 Les options comme produit driv
2.2 Les options en assurance . . . . .
2.3 Les options dite relles . . . . .
2.4 Les diffrentes options . . . . . .
2.5 Plan du cours . . . . . . . . . . .
6
financier
. . . . .
. . . . .
. . . . .
. . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
7
8
8
8
8
12
3 Un peu de modlisation et de mathmatiques financires

3.1 Un peu de terminologie sur les options . . . . . . . . . . . . . . . . . . . .
3.2 Bornes sur les prix et relations de parit . . . . . . . . . . . . . . . . . . .
3.3 Comment fait-on pour valoriser des options ? . . . . . . . . . . . . . . . . .
3.4 Lquation de Black & Scholes (1973) (sans dmonstration) . . . . . .
3.5 La notion de volatilit implicite . . . . . . . . . . . . . . . . . . . . . . . .
3.6 Do vient cette volatilit implicite . . . . . . . . . . . . . . . . . . . . . .
3.7 Petit complment, le versement de dividendes . . . . . . . . . . . . . . . .
3.8 Formule de Black & Scholes (1973) en prsence de dividendes . . . . .
3.9 Formule de Black & Scholes (1973) en prsence de cots de transactions
3.10 Le calcul des grecques dans le modle de Black & Scholes (1973) . . . .
3.11 Le Delta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.12 Le Gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.13 La sensibilit au strike . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.14 Le Vega . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.15 Le Theta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.16 Le rho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
13
15
19
20
20
21
23
23
23
24
24
24
25
26
27
27
28
4 Quelques mots sur lestimation des paramtres

4.1 Estimation de paramtres univaris . . . . . . . . . . . . . . . .
4.2 Calcul de variances empiriques . . . . . . . . . . . . . . . . . . .
4.3 Variance empirique ou variance implicite ? . . . . . . . . . . . .
4.4 Approche implicite et modle de Dupire (1998) . . . . . . . .
4.5 Quelques expressions de volatilit pour des options europennes
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
28
29
29
30
30
32
5 Les
5.1
5.2
5.3
5.4
5.5
5.6
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
33
37
37
39
39
40
40
6 Options et arbres binomiaux

6.1 Valorisation et arbre une priode . . . . . . . . . . . . . . . . . . . . . .
6.2 Valorisation et arbre n priodes . . . . . . . . . . . . . . . . . . . . . . .
6.3 Petite digression: de la marche alatoire au brownien . . . . . . . . . . . .
41
41
42
43
notions de taux dintrt

Valorisation et processus en temps continu . . . . .
Les mthodes danalyse en composantes principales
Le modle de Heath, Jarrow & Morton . . . .
Le modle de Ho & Lee . . . . . . . . . . . . . . .
Le modle de Vasicek . . . . . . . . . . . . . . . .
Le modle de Hull & White . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
CONTENTS
6.4
6.5
6.6
6.7
6.8
6.9
6.10
6.11
6.12
6.13
6.14
6.15
6.16
6.17
6.18
6.19
6.20
6.21
6.22
6.23
6.24
6.25
Petit complment sur la convergence . . . . . . . . . . . . . . . . . .

Interprtation des paramtres . . . . . . . . . . . . . . . . . . . . . .
Pourquoi le prix dpend de Q, et pas de P ? . . . . . . . . . . . . . .
Que se passe-t-il sous cette probabilit risque neutre ? . . . . . . . . .
Que se passe-t-il si la probabilit risque neutre nest pas unique ? . .
De larbre binomial au modle continu . . . . . . . . . . . . . . . . .
La formule de Black & Scholes (1973) . . . . . . . . . . . . . . .
Utiliser un autre arbre ? . . . . . . . . . . . . . . . . . . . . . . . . .
Arbre trinomial, ou mthode de Boyle (1986) . . . . . . . . . . . . .
Extention aux options multisupport (ou arc-en-ciel) . . . . . . . . . .
Utilisation des arbres pour modliser les processus de taux . . . . . .
Une extension possible: cas dun taux ou dune volatilit stochastique
Arbre binomial et calcul des grecques: Delta . . . . . . . . . . . . . .
Arbre binomial et calcul des grecques: Gamma . . . . . . . . . . . . .
Arbre binomial et calcul des grecques: Theta . . . . . . . . . . . . . .
Arbre binomial et calcul des grecques: Vega . . . . . . . . . . . . . .
Arbres pour options path-dependent . . . . . . . . . . . . . . . . . .
Utilisation (directe) pour les options barrire . . . . . . . . . . . . .
Les arbres adaptatifs . . . . . . . . . . . . . . . . . . . . . . . . . . .
Une application simple des arbres adaptatifs . . . . . . . . . . . . . .
Les options lookback . . . . . . . . . . . . . . . . . . . . . . . . . . .
Les options asiatiques . . . . . . . . . . . . . . . . . . . . . . . . . . .
7 Valorisation en temps continu

7.1 Le modle dHarrison & Pliska (1981) . . . . .
7.2 Les volutions des cours . . . . . . . . . . . . . . .
7.3 Rsolution et formule dIto . . . . . . . . . . . . . .
7.4 Quelques rappels sur les changements de probabilit
7.5 Application au pricing doptions . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
8 Approche par les quations aux drives partielles

8.1 Petit rappel sur la formule dIto . . . . . . . . . . . . . . . . . .
8.2 Une premire approche, partir des arbres binomiaux . . . . . .
8.3 Une seconde approche, avec mes mains . . . . . . . . . . . . .
8.4 De lquation de Black & Scholes lquation de la chaleur .
8.5 Gnrateur de la diffusion et formule de Feynman-Kac . . . . .
8.6 Gnralisation en dimension d . . . . . . . . . . . . . . . . . . .
8.7 Equation et conditions de bord . . . . . . . . . . . . . . . . . .
8.8 Options asiatiques, avec moyenne arithmtique . . . . . . . . . .
8.9 Options lookback, sur maximum . . . . . . . . . . . . . . . . . .
8.10 Options avec cot de transaction . . . . . . . . . . . . . . . . .
8.11 Option pour un modle volatilit stochastique . . . . . . . . .
8.12 Le modle de Bates . . . . . . . . . . . . . . . . . . . . . . . . .
8.13 Les formes dquations vues jusqu prsent . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
44
44
45
49
50
50
51
51
53
53
58
58
59
59
59
62
62
62
62
64
66
66
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
68
68
68
68
70
72
.
.
.
.
.
.
.
.
.
.
.
.
.
74
74
74
75
75
77
78
79
79
81
82
82
84
84
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
CONTENTS
9 Petits rappels danalyse numrique

9.1 Inversion de matrices et rsolution de systmes
9.2 Recherche de zros . . . . . . . . . . . . . . .
9.3 Recherche doptimums . . . . . . . . . . . . .
9.4 Interpolation de fonctions (par des polynmes)
9.5 Solutions dquations diffrentielles . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
84
85
88
90
90
93
10 Rsolution des edp et diffrences finies

10.1 Mthodes de discrtisation . . . . . . . . . . . . . . . . . . . . . . .
10.2 Les diffrentes mthodes de discrtisation . . . . . . . . . . . . . . .
10.3 Notions de stabilit et de convergence . . . . . . . . . . . . . . . . .
10.4 Stabilit numrique de la discrtisation . . . . . . . . . . . . . . . .
10.5 Examples de discrtisation: lquation de la chaleur . . . . . . . . .
10.6 La notion de consistance . . . . . . . . . . . . . . . . . . . . . . . .
10.7 La notion de stabilit . . . . . . . . . . . . . . . . . . . . . . . . . .
10.8 Approximation dune solution et consistance . . . . . . . . . . . . .
10.9 Approximation dune solution et convergence . . . . . . . . . . . . .
10.10Quelques aspects numriques et rsolution de systmes linaires . . .
10.11schma de Crank-Nicolson . . . . . . . . . . . . . . . . . . . . . . .
10.12schma de De Fort-Frankel . . . . . . . . . . . . . . . . . . . . . . .
10.13Prix dun call europen par rsolution de.d.p. . . . . . . . . . . . .
10.14Diffrence entre les schmas forward, backward et centrs . . . . . .
10.15Discrtisation dune edp sur un maillage non uniforme . . . . . . .
10.16Autres formes de payoff, et conditions de bord . . . . . . . . . . . .
10.17Les conditions de bord . . . . . . . . . . . . . . . . . . . . . . . . .
10.18Rsolution implicite de lquation . . . . . . . . . . . . . . . . . . .
10.19Calcul des grecques par quations aux drives partielles . . . . . .
10.20Equations aux drives partielles pour les options path-dependent
10.21Cas particulier, les options sur moyenne . . . . . . . . . . . . . . .
10.22Cas particulier, les options sur maximum . . . . . . . . . . . . . . .
10.23Pour aller plus loin sur lutilisation des e.d.p. . . . . . . . . . . . . .
10.24Cas des processus sauts, et valorisation par e.d.p. . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
96
96
97
98
99
100
103
104
105
106
106
109
110
110
115
117
118
120
121
122
122
123
124
125
125
linaires
. . . . .
. . . . .
. . . . .
. . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
11 Mthodes de simulations dans le modle de Black & Scholes (1973)127

11.1 Introduction aux mthode de Monte Carlo . . . . . . . . . . . . . . . . . . 127
11.2 Mthodes de simulation en finance ? . . . . . . . . . . . . . . . . . . . . . 137
11.3 Mthodes de simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
11.4 Simulation dun processus . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
11.5 Simulation dune diffusion continue . . . . . . . . . . . . . . . . . . . . . . 142
11.6 Simulation du mouvement brownien... . . . . . . . . . . . . . . . . . . . . . 147
11.7 Simulation dun processus saut, le processus de Poisson . . . . . . . . . . 150
11.8 Simulation pour options path-dependent, premire approche . . . . . . . . . 150
11.9 Options lookback . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152
11.10Simulation dun vecteur alatoire . . . . . . . . . . . . . . . . . . . . . . . 152
11.11Simulation de processus corrls . . . . . . . . . . . . . . . . . . . . . . . . 158
11.12Impact de la corrlation sur les prix doptions . . . . . . . . . . . . . . . . 160
11.13Processus volatilit stochastique . . . . . . . . . . . . . . . . . . . . . . . 160
CONTENTS
12 Amliorer la prcision des estimations

12.1 Mthodes de rduction de variance . . . . . . . . . . . . . . .
12.2 Les mthodes de stratification . . . . . . . . . . . . . . . . . .
12.3 Les variables antithtiques . . . . . . . . . . . . . . . . . . . .
12.4 Echantillonage par importance, ou importance sampling . . . .
12.5 Utilisation de variables de contrle . . . . . . . . . . . . . . .
12.6 Comparaison des diffrents mthodes de rduction de variance
12.7 Mthodes de quasi-Monte Carlo . . . . . . . . . . . . . . . . .
12.8 Complment sur la simulation de trajectoires . . . . . . . . . .
12.9 Options asiatiques . . . . . . . . . . . . . . . . . . . . . . . .
12.10Options sur maximum . . . . . . . . . . . . . . . . . . . . . .
12.11Les options barrire(s) . . . . . . . . . . . . . . . . . . . . .
12.12Calcul de grecques par Monte Carlo . . . . . . . . . . . . . . .
12.13Calcul des grecques dans le cas dun call digital . . . . . . . .
12.14Le problme de la dimension . . . . . . . . . . . . . . . . . . .
12.15Dcomposition de trajectoires continues . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
164
. 164
. 165
. 166
. 167
. 172
. 173
. 173
. 178
. 179
. 182
. 183
. 185
. 186
. 188
. 189
13 Quelques mots sur dautres mthodes

191
13.1 La Fast Fourier Transform . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
14 Options amricaines
14.1 Introduction pour des options bermudiennes . . . . . . . . . . . . . . .
14.2 Lenveloppe de Snell du payoff . . . . . . . . . . . . . . . . . . . . . . .
14.3 La notion de temps darrt optimal . . . . . . . . . . . . . . . . . . . .
14.4 Valorisation doptions bermudiennes et arbres binomiaux . . . . . . . .
14.5 Valeur dun call amricain . . . . . . . . . . . . . . . . . . . . . . . . .
14.6 Mthode dapproximation de Bjerskund et Stensland . . . . . . . . . .
14.7 Mthode dapproximation de Barone-Adesi et Whaley (call) . . . . . .
14.8 Mthode dapproximation de Barone, Adesi & Whaley (put) . . .
14.9 Utilisation des arbres . . . . . . . . . . . . . . . . . . . . . . . . . . . .
14.10Reprsentation de la rgion dexercice . . . . . . . . . . . . . . . . . . .
14.11Arbre de Leisen (1998) . . . . . . . . . . . . . . . . . . . . . . . . . .
14.12Approche par quations aux drives partielles . . . . . . . . . . . . . .
14.13Approche par quations aux drives partielles: frontire libre . . . . .
14.14Approche par quations aux drives partielles: ingalit variationnelle
14.15Une solution analytique dans le cas du put amricain . . . . . . . . . .
14.16Approximation de la forme de la frontire dexercice . . . . . . . . . . .
14.17Utilisation des mthodes de simulations . . . . . . . . . . . . . . . . . .
14.18Algorithme de Tilley (1993) . . . . . . . . . . . . . . . . . . . . . . .
14.19Algorithme de Grant, Vora & Weeks (1996) . . . . . . . . . . . . .
14.20Algorithme de Welch & Chen (1991) . . . . . . . . . . . . . . . . . .
14.21Algorithme de Barraquand & Martineau (1995) . . . . . . . . . .
14.22Complment: simulation de chanes de Markov . . . . . . . . . . . . .
14.23Simulations et moindres carrs pour les options amricaines . . . . . . .
14.24Les options perptuelles . . . . . . . . . . . . . . . . . . . . . . . . . .
15 Elements bibliographiques
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
191
. 192
. 192
. 193
. 194
. 194
. 195
. 196
. 197
. 198
. 198
. 198
. 199
. 200
. 201
. 204
. 205
. 207
. 207
. 211
. 211
. 211
. 212
. 213
. 216
217
PRAMBULE
Prambule
Quils soient vus commes des mthodes numriques ou de simulations, les algorithmes
dcrits ici partagent des caractristiques communes [..]Lobjectif atteindre tant la solution approche dun certain problme avec une prcision fixe, un critre de choix
important dans le choix dune mthode numrique est le temps dxcution, mesur en
nombre doprations lmentaires (la complexit de lalgorithme). Intervient alors la notion de taille du problme, qui est un entier n dont la signification est habituellement claire
en fonction du context - taille despace, taille de matrices - Les complexits des mthodes
numriques dterministes dpendent gnralement de la taille de faon polynomiale, en
O(n2 ) ou O(n3 ). Tout aussi typiquement, un mthode de Monte Carlo rsoudra le mme
problme en O(n). Cela semble miraculeux. O est donc le pige ? Il est dans la constante
cache par lexpression O(n). Cette constante dpend de la prcision atteindre. Pour
une dimension donne, il est frquent quune mthode numrique atteigne la prcision
en un temps O(log(1 )). Pour une raison lie au thorme central limite, les mthodes
de Monte Carlo atteignent la prcision en O(2 ), ce qui est trs lent.
mthode dterministe K log(1 ) n2 ,
mthode de Monte Carlo K 2 n.
Cest donc dans le cas o la taille n du problme est trs grande et lexigence sur
la prcision faible quil faut envisager les mthodes de Monte Carlo. (Ycart (2001),
p.1-2).
En pratique, le critre de choix important dans le choix dans le choix de la mthode
nest pas ncessairement le temps dxcution, mais le temps qui scoule entre le moment
o lon commence crire lalgorithme, et celui o lon obtient le rsultat numrique.
Les mthodes numriques sont - en dimension 1 - a priori plus rapides (ou moins
coteuses en temps de calcul) que les mthodes de Monte Carlo, mais il est ncessaire
de formaliser correctement le problme (conditions de bords de lquation aux drives
partielles), ainsi que les changements de variables parfois ncessaires pour simplifier
lalgorithme.
Ce cours nest ni un cours thorique danalyse numrique dquations aux drives
partielles, ni un cours de mthodes de monte carlo, mais un cours prsentant diffrentes
mthodes numriques, dans une optique dingnieurie financire.
Le but est de prsenter les grandes ides sous-jacentes aux diffrentes mthodes
numriques, et de les illustrer sur des exemples concrets, en montrant queffectivement
elles convergent dans le cas du modle de Black & Scholes (1973), sous certaines conditions. Ltude dans le dtail de la vitesse de convergence sera le plus souvent laiss
les curiosits de ceux qui souhaitent aller plus loin. De plus, la plupart des rsultats techniques seront expliqus, mais admis. Je renvoie les plus curieux (ou pointilleux) soit aux
cours antrieurs (en particulier de calcul stochastique, voire dalgbre linaire ou danalyse
fonctionnelle), soit maintes rfrences qui sont rappeles en toute fin de document.
Pour toute remarque ou question, arthur.charpentier@ensae.fr.
INTRODUCTION AUX OPTIONS
60
40
0
20
Prix dun call europen
80
100
Prix (BlackScholes) dun call
50
100
150
200
Impact du prix du sousjacent
Figure 1: Prix dune option dachat (europenne).
Introduction aux options
Dfinition 1. Une option financire est un produit driv qui donne le droit (et non
lobligation) dacheter (option dachat, ou call) ou de vendre (option de vente, ou put) une
quantit donne dun actif financier (action, obligation, indice boursier, devise, matire
premire, autre produit driv, etc.), appel actif sous-jacent un prix prcis lavance
(prix dexercice), une date dchance donne (option europenne) ou avant une date
donne (option amricaine).
Les options peuvent tre utilises soit en couverture de risque de baisse ou hausse, soit
pour spculer la baisse ou la hausse.
A linstar du prix dune action, qui nest pas dtermin seulement par loffre et la
demande sur le march, le prix dune option (appel aussi prime) dpend aussi des anticipations de rsultats de la valeur lchance. La valeur dune option est par consquent
compose de deux parties : la valeur intrinsque et la valeur temps.
La valeur intrinsque est gale la valeur relle de loption cest dire quelle reprsente
le profit qui serait obtenu immdiatement si lon dcidait dexercer loption
La prime dune option vaut toujours plus que sa valeur intrinsque tout simplement
parce quil y a toujours une possibilit (ou probabilit) pour que, dici lchance de
loption, lvolution des cours du sous-jacent accroisse la valeur intrinsque de loption.
La valeur temps mesure cette probabilit. Ainsi, mme lorsque loption a une valeur
intrinsque nulle, la prime nest pas nulle mais gale sa valeur temps. Cette valeur
reprsente en quelque sorte la probabilit de raliser lanticipation.
2.1
Les options comme produit driv financier
En 1973, ouverture du CBOE (Chicago Board Options Exchange) et la mme anne,

publication des articles de Black & Scholes (The pricing of options and corporate liabilities,
Journal of Political Economy) et de Merton (Theory of Rational Option Pricing, Bell
Journal of Economics and Management Science).
2.2
Les options en assurance
Certains contrats dassurance (vie) comportent des options: de nombreuses clauses contractuelles peuvent tre interprtes comme des options (par exemple les clauses de rachat
anticip).
2.3
Les options dite relles
Par analogie aux options financires, on appelle option relle sur une activit nouvelle, le
fait quune entreprise fasse un premier investissement dessai dans cette activit dont on
elle ne sait pas si elle vaudra la peine dinvestir plus avant.
Une mthode de valorisation dactifs de production est de les considrer comme des
options relles ayant pour sous-jacent le bien quils produisent.
Les projets dinvestissement contiennent souvent des options,
option dabandon du projet, peut tre vue comme un put amricain sur la valeur
du projet
option dextention du projet, peut tre vue comme un call amricain sur la valeur
du projet
Exemple 2. Les options relles sont utilises pour les forages ptroliers.
Option financire
Valeur actuelle du titre
Prix dexercice (strike)
Delai jusqu maturit
Taux dintrt sans risque
Incertitude sur la valeur du sous jacent
Options relle
Valeur actuelle des flux financiers esprs
Cot dinvestissement
Dlai jusqu expiration de lopportunit dinvestissement
Taux dintrt sans risque (ou RAROC)
Incertitude sur la valeur du projet
Exemple 3. Les options relles sont utilises pour les gestion environmentale des
ressources.
2.4
Les diffrentes options
Les options dcrites jusquici sont dites vanille (ou plain vanilla options), car ce sont
les premires apparues, les plus rpandues et les plus simples.Ils sont changs sur des
marchs organiss, mais il existe ct un certain nombre de produits changs de gr
gr, parmi lesquels
les options binaires, ou options digitales, donnent droit, en cas dexercice, un
montant fixe (et prtabli) si le sous-jacent dpasse maturit le prix dexercice K.
Il sagit essentiellement dun produit spculatif, car il est du type tout ou rien (on
parle galement doptions all-or-nothing ou cash-or-nothing). Le payoff est alors de
la forme 1(ST > K), Pooley, Vetzal & Forsyth (2001), Wystup, Schmock
& Shreve (2001).
les options asiatiques, ou options sur moyenne, donnent droit, en cas dexercice, la
diffrence entre le prix moyen sous-jacent sur la priode [0, T ] et le prix dexercice
K (si cette diffrence est positive). Son avantage tre dtre moins sensible la
manipulation de cours qui peuvent sobserver au voisinage delchance
sur les
Z
1 T
options europennes classiques. Le payoff est alors de la forme
St dt K
T
0
Z T
1
pour un strike fixe, ou
St dt ST pour un strike flottant, Klassen (2001),
T 0
Vecer (2001)
les options lookback donnent droit chance la diffrence entre la valeur du cours
en T et la valeur du minimum, ou du maximum sur la priode [0, T ]. Ces options
sont relativement cher, car le payoff est toujours positif (souvent strictement, sauf le
maximum ou le minimum est prcisment atteint chance). Dautres options sur
minimum ou maximum offrent comme payoff la diffrence entre le prix dexercice K
et la valeur du minimum, ou du maximum sur la priode [0, T ]. Le payoff est alors
de la forme (max{St , t [0, T ]} ST ), Baabs (2000), Cheuk & Vorst (1997),
Kat (1995), Vorst & Cheuk (1994)
les options sur quantile sont un rafinement des options lookback, o on considre
non pas le maximum ou le minimum, mais un quantile prdtermin. Le payoff
est alors de la forme (q {St , t [0, T ]} ST )+ , Akahori (1995), Andrianjakaherivola & Russo (2001), Ballotta & Kyprianou (2001), Dassios (1995),
Fujita (2000), Miura (1992).
les options barrire (knock out, knock in...) sont des call ou des put standards, mais dont lexercice nest autoris que si le cours du sous-jacent franchis
(ou au contraire ne franchit pas) un seuil (appel barrire). Le payoff est alors de
la forme 1(max{St , t [0, T ]} < B) 1(min{St , t [0, T ]} > B) (ST K)+ pour
une double barrire dsactivante. Boyle & Lau (1994), Derman, Kani, Ergener & Bardhan (1995), Fujita & Miura (2003), Levitan (2001), Reiner
& Rubinstein (1991).
les options parisiennes sont des options qui sont annules (ou actives) si le prix
du sous-jacent dpasse une des barrires, et se maintient au del pendant un temps
prdfini. On distingera les options knock-in - ou barrire activante - knock-out ou barrire dsactivante. Une terminologie plus explicite parle aussi des options
down & in, up & in,down & out ou encore down & out, Vorst (1997), Avellaneda
& Wu (1999), Haber, Schnbucher & Wilmott (1999),Schroder (2000).
les options quanto sont des call ou des put standards, sur des titres trangers, mais
pays dans la devise locale. Ces options doivent alors prendre en compte le taux
de change. Le payoff est alors de la forme eT (ST K)+ , Dravid, Richardson &
Sun (1993) ou Reiner (1992).
les options cliquet qui permettent lacheteur de bloquer ses gains raliss sur le
sous-jacent au cours dintervalles dtermins pendant la dure de loption, de sorte
que ces gains lui restent acquis mme en cas de mouvement inverse ultrieur. On
10
parle aussi doptions lock-in, ou encore , Buetow (1999), Rubinstein (1991) ou

Kwok (2003).
les options doubles qui permettent lacheteur de choisir, une certaine date avant
lchance, si loption sera une option dachat ou une option de vente. On parle
aussi de doptions as-you-like-it, ou choose options, Rubinstein (1991)
les options verrou qui permet lacheteur de bloquer un rendement minimum en
choisissant, au moment quil juge favorable, de fixer au niveau du cours du sousjacent alors atteint le cours minimum ou maximum qui servira au dnouement de
loption (shout options), Kwok (2003).
les options passport sont plus complexes: partir dun actif risqu de prix (St ),
on considre
Z t une stratgie dinvestissement dans laction, dfini par un processus
Xt = x +
s dSs . Loption passeport permet de se couvrir contre une mauvaise
0
stratgie dinvestissement (entre actif risqu et actif sans risque). Pour la version
discrte, o les stratgies peuvent tre
n modifies aux!dates 0 t1 t2 ...
X
k (Stk+1 Stk ) , et dans le cas continu,
tn T , le payoff est de la forme
k=0
+
Z t
s dSs , Ahn, Penaud & Wilmott (1998, 1999), Delbaen & Yor
x+
0
(1998), Nagayama (1999), Topper (2003). Parmi toutes les variantes des options
passport, on retiendra les account options, perfect trader options, magic potion
options ou autre vacation options.
les options sur panier - ou options papillon, ou butterfly dont lactif sousjacent est un une combinaison linaire dactifs (panier de devises ou un panier
dactions). Plus gnralement, la Socit Gnrale avait lanc en 1998 des options montain range (parfois appeles portefeuille capital garanti). Parmi
toutes les montagnes
n possibles,!on retiendra les options altiplano dont le payoff
X Si,T
est de la forme
K , les options Annapurna dont le payoff est de
S
i,0
+
k=1
Si,T
la forme 1 min
> , les options Atlas dont le payoff est de la forme
Si,0
!
k+
X Si,T
K , o lon enlve les k plus mauvais titres et les n k + meilleurs,
S
i,0
k=k
+
Si,T
les options Everest dont le payoff est de la forme min
ou loption Hi n
! Si,0
X Si,T
malaya dont le payoff est de la forme
K , o seuls les meilleurs
Si,0
+
k=k
titres sont considrs, Overhaus (2002).
les options arc-en-ciel, ou rainbow est galement bas sur plusieurs actifs, mais il
peut sagir (pour un arc-en-ciel deux couleurs par exemple), du minimum ou du
11
maximum de deux actifs, et le payoff est alors de la forme (max{S1 , S2 )} K)+ ou

(min{S1 , S2 )} K)+ , Lindset (2003) ou Stulz (1982).
les options dchange est un cas particulier doptions sur panier, ou le sous-jacent est
la diffrence (le spread) entre les cours de deux dactifs. On parlera aussi de spread
options, dont le payoff est de la forme (S1,T S2,T K)+ . Parmi les variantes, on
retrouve les extreme spread options, les dual spread options, correlation options,
outperformance options ou autre ratio spread options, Rubinstein (1994), Moro
(1995), Pearson (1995) ou Duan & Pliska (2003).
La plupart de ces options sont dites car seule loption ne peut sexercer qu chance
T . Pour les options dites dites , loption peut tre exerce nimporte quelle date entre
[0, T ]. Des rafinements l aussi existent, avec les options dites , o loption peut tre
exerce un ensemble prdtermin de dates 0 t1 t2 ... tn T , ou encore elles
peuvent tre dites si la date dexercice est une variable alatoire . On peut alors adapter
les options vues prcdament dans un cadre amricain. On notera la date dexercice
de loption.
les options russes, qui sont des options amricaines perptuelles (T est infini), qui
garantissent de toucher le maximum observ entre 0 et la date dexercice. Le payoff
est alors max{St , t [0, ]}, Shepp & Shiryaev (1995, 1996, 1998).
les options israliennes sont des options amricaines donne la possibilit au vendeur
de loption dempcher un exercice prmatur. Kyprianou (2002), Kyprianou
& Baurdoux (2004).
les options hawaennes sont des options amricaines de type asiatique,
Z bases sur la
1
moyenne du processus entre 0 et . Le payoff est alors de la forme
St dt K ,
0
Ameur, Breton & LEcuyer (1999), Hansen & Jorgensen (2000), Jorgensen, Jorgensen & Miltersen (1999).
Enfin, parmi les sous-jacents possibles, on retiendra les options sur actions (tudies
ici), mais aussi des options sur indices (CAC40), sur taux de change, sur taux dintrts,
sur matires premires (cacao, caf...), voire sur des options (on parlera alors de compound
option).
Enfin, pour compliquer les choses, notons quon peut constituer des portefeuilles
doptions,
le bull spread ou bear spread, qui consistent acheter et vendre deux options de
mme sous-jacent et de mme date dexercice, mais de strikes diffrents (K1 et
K2 ). Le Bull spread correspond un achat et une vente dune option dachat et le
Bear spread est lmission dune option de vente et un achat dune option de vente.
Dans le cas du bull spread, linvestisseur sattend une hausse du cours du titre
sous-jacent,
le butterfly correspond lachat de 2 call (de strikes K1 et K2 ) et la vente dun call
(de strike K = (K1 +K2 )/2). Trs logiquement, le payoff a une forme se rapprochant
dautant plus dun Dirac que les strikes sont proches. Cette stratgie sera choisie
par un investisseur qui anticipe que le cours du sous-jacent restera proche du strike
et ne bougera pas ni dans un sens ni dans un autre,
12
le straddle est un portefeuille compos dune call et dun put de mme strike K.
Cette stratgie sera choisie par un investisseur qui pense que le cours du sous-jacent
va varier significativement sans savoir exactement dans quel sens. A linverse, un
investisseur qui anticipe que le cours restera stable autour de la valeur du strike
sengagera dans la stratgie oppose,
les calendar spreads sont des stratgies impliquant des options de diffrentes dates
de maturits (T1 , T2 , ...) mais de strikes identiques K.
En panachant tout, on peut sintresse des straddle sur options russes (Gerber &
Shiu (1994)), etc.
2.5
Plan du cours
1. Modles de mathmatiques financires, liens entre probabilits, processus et prix de

produits financiers, prsentation des options et formule de Black & Scholes,
2. Valorisation par arbre (binomial), par discrtisation des processus,
3. Valorisation par quation aux drives partielles, et utilisation des mthodes de
diffrences finies (ou lments finis),
4. Valorisation par mthodes de Monte Carlo, et par simulations, sensibilisation la
problmatique de rduction de variance,
5. Cas des options amricaines et des temps dexercices optimaux.
2. Lutilisation des arbres (binomiaux) - ou mthode par lattice,
Il sagit dune mthode simple et explicite, mais parfois peu efficiente, en particulier
pour les options path-dependent. Lide est de discrtiser en temps lvolution du sousjacent, mais aussi en espace: entre la date ti et ti+1 , le cours passe de Sti deux valeurs,
une en cas de hausse du cours, et lautre correspondant la baisse.
3. Lutilisation des quation aux drives partielles, et les mthodes de diffrences finies
Ces mthodes sont plus efficaces, mais parfois plus complexes mettre en oeuvre: il
faut trouver lquation aux drives partielles et les conditions de bords. Ceci ncessite
de faire correctement du calcul dIto. Une fois lquation aux drives partielle obtenue,
lide est alors relativement simple: remplacer les drives par des diffrence, i.e.
f 0 (x)
f (x + h) f (x)
o h est petit,
h
Lanalyse de lerreure commise se fait laide de dveloppements de Taylor,

h
f (x + h) f (x)
f 0 (x) f 00 (x) + o(h),
h
2
sous des conditions de rgularit suffisantes. Si ces conditions ne sont pas vrifies, on
parlera de mthodes dlments finis.
4. Les mthodes de Monte Carlo,
UN PEU DE MODLISATION ET DE MATHMATIQUES FINANCIRES
13
Le prix dune option est lesprance actualise, sous une certain probabilit, du payoff:
e EQ (g(ST )). Lide de la mthode de Monte Carlo est dutiliser la loi des grands
nombres pour approcher cette esprance, puis le thorme central limite pour avoir un
ordre de grandeur de lerreur commise. Si on sait simuler ST (ventuellement tout le
processus (Xt )t[0,T ] pour une option path-dependent), alors
rT
1X
EQ (g(ST ))
g(Si,T )
n i=1
avec une erreur de la forme O(1/ n). Ces mthodes sont intressantes en grande dimension (trois facteurs de risques), et sont faciles mettre en oeuvre.
Mais la lgitimation de telle ou telle approche dpend des auteurs,
2. Lutilisation des arbres (binomiaux) est naturelle, car il sagit de la discrtisation la
plus simple du modle de Black & Scholes (1973). Mais it is binomial is not
that it is a numerical scheme so simple as to be understood by traders all round or
by financial quantitative analysts freshly introduced to the field of numerical analysis.
The binomial tree is binomial - and so persistent in the financial textbooks - because
two states of the world are the only way we can regain market completeness in a
discrete setting. (Ayche (2001))
3. Lutilisation des diffrences finies pour les e.d.p. sont la method of choice for less
thatn 3 stochastic factors since complex features are easily handled, i.e. complex
american contract type. De plus, one can build up general library so that many
different contracts can be quickly priced and those techniques can handle nonlinear
problems (optimal stochastic control, HJB equation) (Forsyth & Vetzal (2006)).
4. Les mthodes de Monte Carlo sont de plus en plus intressantes compte tenu de la
vitesse de calcul des ordinateurs. Historiquement, the most common applications
of Monte Carlo methods in numerical computations are for evaluating integrals.
(Gentle (2006)).
Un peu de modlisation et de mathmatiques financires
Formellement on se place sur un espace probabilit filtr (, F, P). reprsente tous les
tats du monde possibles. Ltat tant possible, cela signifie que P() > 0. En
se plaant du point de vue dun investisseur, la mesure de probabilit P reprsente sa
perception des probabilits associes chaque tat de la nature. On notera en particulier
que sil y a deux investisseurs, les probabilits associs aux diffrents tats de la nature
ne sont pas ncessairement identiques.
A un instant T , pouvant correspondre une chance quelqueconque, linformation
disponible est reprsente par la filtration
F = {Fs , 0 s t},
avec F0 = {0, } (qui correspond la tribue ne contenant aucune information). Si lon
considre n titres sur le march, on note pour tout i = 1, ..., n et t [O, T ], St,i le prix
14
du titre i la date t. On notera que le processus (St,i )t[O,T ] est un processus adapt la
filtration F.
Notons quen plus de ces n titres risqus, on suppose quil existe un titre, indic par
0, correspondant un actif sans risque. Le processus t = 1/St,0 sera utilis comme
processus dactualisation.
On appelera stratgie dinvestissement un processus prvisible (t )t[0,T ] , o t =
(t,0 , t,1 , ..., t,n ) dsigne les parts dactifs dtenus la date t. La stratgie est dite
autofinance si aucune somme dargent nest investie, ou retire, aprs la date 0, cest
dire, en temps discret, que pour tout t [0, T ]
t S t = t+1 S t .
On notera de plus quil ny a pas de cot de transaction.
La valeur dune stratgie est le processus (Vt ())t[0,T ] , o Vt () = t S t . Une
stratgie est alors dite admissible si elle est autofinance, et que sa valeur nest jamais
ngative. On dira quune stratgie admissible est une opportunit darbitrage si
V0 () = 0 et EP (VT ()) > 0.
Autrement, avec une telle stratgie, en ninvestissant rien (V0 () = 0), nous sommes
certain de ne pas perdre dargent (VT ()() 0), et nous avons la possibilit de raliser
un grain (il existe au moins un tat de la nature pour lequel VT ()( ) > 0).
Une hypothse fondamentale sera que sur le march, il ny a pas dopportunit
darbitrage.
On parlera de portefeuille de rplication, permettant de rpliquer un actif St , un
portefeuille t tel que, pour tout , t S t () = St (): chaque tat de la nature,
le portefeuille vaut autant que lactif St .
Sous lhypothse dabsence dopportunit darbitrage, si un portefeuille t permet de
rpliquer un actif St , alors ncessairement, toute date antrieure s [0, t] leurs prix
concident.
Exemple 4. si un actif sans risque vaut 1 + r en t1 et 1 la date t0 < t1 , et si un
actif risqu vaut 1 en t0 , et soit 1 + d, soit 1 + u en t1 , avec d < u, alors ncessairement
d < r < u.
Un march sera dit complet si quel que soit le payoff que lon cherche rpliquer (correspondant une variable alatoire Z), il existe un portefeuille de rplication, permettant
de rpliquer Z, i.e. pour tout Z, il existe tel que S() = Z() pour tout .
Parmi les hypothses qui seront galement toujours faites, bien que peu raliste,on
notera que les actifs sont infiniment divisibles: on peut acheter une quantit 2/3, ou
dactions. De plus, il ny a pas de limitation de dcouvert.
On supposera quil nexiste pas de cots de transations. Une consquence de toutes
ces hypothses est que les prix lachat et les prix la vente sont identiques.
Parmi les autres termes, on dira quun portefeuille est un portefeuille de couverture
pour un payoff Z, si pour tout , S() Z().
Enfin, lhypothse que nous ferons dans toute la suite est quil existe un unique actif
sans risque. Cette hypothse est trs forte, et contredite par la ralit (courbe des taux
plate, constante).
15
Si le march est complet, et satisfait labsence dopportunit darbitrage, considrons

un portefeuille sur plusieurs actifs S0 , S1 , ..., Sp . Considrons un produit driv europen,
de payoff positif, de maturit T . Par hypothse, il existe un portefeuille de rpliquation,
permettant dobtenir le prix en t = 0. Aussi, le prix du produit driv est une combinaison
linaire des actifs. Soit T ce prix. On suppose le premier actif S0 sans risque. Alors
S0,T
T
est une forme linaire positive.
S0,0
De plus, cette fonction vaut 1 en 1 (principe dactualisation sur le taux sans risque). Par
le theorme de Riesz, il existe une unique probabilit Q (unicit induite par lhypothse
de march complet), quivalente la probabilit historique P (ayant les mmes ensembles
de mesure nulle) telle que
Z
S0,T
T
YT = YT dQ = EQ (YT ),
S0,0
pour tout YT . Donc, pour tout produit europen de maturit T , et de flux terminal XT ,
XT
.
T (XT ) = S0,0 EQ
S0,T
Le prix dun produit driv europen est alors lesprance sous une probabilit Q - appele
1
probabilit risque neutre - du prix du payoff actualis (facteur S0,T
correspondant au prix
de lactif sans risque en T ).
Il est alors possible de noter que sous la probabilit Q,

Xt
XT
= EQ
Ft ,
S0,t
S0,T
o lesprance est calcule conditionnellement linformation connue la date t, note
Ft . Aussi, le prix actualis de lactif (Xt )t[0,T ] est une martingale.
3.1
Un peu de terminologie sur les options
Un call est une option dachat, et un put une option de vente. Le payoff dune option (ou
valeur intrinsque) est le maximum entre 0 et le flux engendr par un exercice immdiat
de loption. Pour un call, le payoff est max{0, S K} = (S K)+ .
La valeur temps dune option vient du fait quil est possible que le prix du sous-jacent
varie encore avant chance.
Une option est dans la monnaie engendrerait un flux positif si elle tait exerce immdiatement. Un call est dans la monnaie si et seulement si S > K.
Une option est la monnaie engendrerait un flux nul si elle tait exerce immdiatement. Un call est dans la monnaie si et seulement si S = K.
Une option est en dehors de la monnaie engendrerait un flux ngatif si elle tait exerce
immdiatement. Un call est dans la monnaie si et seulement si S < K.
Exemple 5. Considrons une date t lindice CAC 40 cotant 3195.02 points, et considrons les options suivantes,
16
Prix (BlackScholes) dun put
80
60
40
Prix dun put europen
60
40
0
20
20
80
100
100
50
100
150
200
50
100
150
200
Figure 2: Influence du prix du sous-jacent sur le prix dun call et dun put.
un call de prix dexercice K = 3150 est la monnaie,
un call de prix dexercice K = 3200 est dans la monnaie,
un call de prix dexercice K = 3250 est en dehors de la monnaie.
Plusieurs facteurs peuvent influencer le prix dun option sur action,
le cours du sous-jacent (de laction) la date dvaluation (ici S0 ),
le prix dexercice, ou strike, K
le temps parcourir avant lchance, T , en annes,
la volatilit du prix de laction ,
le taux dintrt sans risque r.
Les figures 2 6 montrent les volution des prix dun call ( gauche) et dun put (
droite), en fonction de diffrents paramtres.
La prime est le prix du contrat pay par lacheteur au vendeur de loption (quelle soit
dachat ou de vente).
Exemple 6. Le CAC 40 cotant 3195.02 points
un call de prix dexercice K = 3100 valait 199.91 points, et le put 100.13,
17
80
60
0
20
40
60
40
20
80
100
100
50
100
150
200
50
Impact du strike
100
150
200
Impact du strike
Figure 3: Influence du prix du strike sur le prix dun call et dun put.
10
20
15
10
15
25
0.5
1.0
1.5
2.0
Impact du temps avant chance
0.0
0.5
1.0
1.5
2.0
Impact du temps avant chance
Figure 4: Influence du prix du temps avant chance sur le prix doptions.
18
16
12
14
22
21
20
18
19
23
24
0.00
0.05
0.10
0.15
0.00
0.05
Impact du taux sans risque
0.10
0.15
Figure 5: Influence du prix du taux sans risque sur le prix dun call et dun put.
25
20
15
5
10
25
20
15
10
30
30
35
0.0
0.2
0.4
0.6
0.8
Impact de la volatilit
0.0
0.2
0.4
0.6
0.8
Figure 6: Influence du prix de la volatilit du sous-jacent sur le prix doptions.
19
Prix dun call europen: la valeur temps
10
10
20
20
30
30
40
40
50
50
60
Prix dun call europen: la valeur temps
20
40
60
80
100
Prix du sousjacent
20
40
60
80
100
Prix du sousjacent
Figure 7: La valeur temps dune option.

Le valeur intrinsque de loption est la diffrence (positive ou nulle) entre le cours
du support, et le prix dexercice. La diffrence entre le cours de loption et sa valeur
intrinsque sera appele valeur temps.
3.2
Bornes sur les prix et relations de parit
Les bornes sont des outils prcieux pour vrifier quun algorithme de valorisation est bien
implment.
une option dachat ne peut jamais valoir plus que laction sous-jacente (S0 ),
que loption soit europenne ou amricaine. Aussi, C S0 (sinon une opportunit
darbitrage serait possible en achetant laction, et en vendant le call). De mme,
une option de vente ne peut jamais valoir plus que que le strike (K),
en particulier, maturit. On peut en dduire que sa valeur aujourdhui ne peut pas
dpasser la valeur actualise du strike, i.e. P KerT .
une option dachat ne peut jamais valoir moins que S0 KerT ,
Aussi, on en dduit que C max{S0 KerT , 0}.
une option de vente ne peut jamais valoir moins que KerT S0 ,
Aussi, on en dduit que P max{KerT S0 , 0}.
pour des options europennes C P = S0 KerT , formule de parti call-put,
pour des options amricaine C P S0 KerT
Toutes ces proprits peuvent se rsumer dans les proprits suivantes,
20
Proposition 7. Dans le cas doptions europennes, si C et P dsignent les prix du call

et du put la date 0,
max{S0 KerT , 0} C S0 ,
max{KerT S0 , 0} P KerT .
On a de plus la formule de parit
C P = S0 KerT .
Proposition 8. Dans le cas doptions amricaines, si C et P dsignent les prix du call

et du put la date 0,
max{S0 KerT , 0} C S0 ,
max{KerT S0 , 0} P K.
On a de plus la formule de parit
S0 K C P S0 KerT .
The Black-Scholes formula is still around, even though it depends on at least 10

unrealistic assumptions. Making the assumptions more realistic hasnt produced a formula
that works better across a wide ranfe of circumstances (Black (1989)).
3.3
Comment fait-on pour valoriser des options ?
Lide centrale pour valoriser des options est de pouvoir constituer des portefeuilles permetttant de rpliquer le payoff de loption.
3.4
Lquation de Black & Scholes (1973) (sans dmonstration)
La formule dite de Black & Scholes a t publie en 1973, par Fischer Black et Myron
Scholes, et constituait le prolongement de travaux raliss par Paul Samuelson et Robert
Merton.
La formule de Black & Scholes permet de calculer la valeur thorique dune option
europenne partir des cinq donnes suivantes,
S0 ou S la valeur actuelle de laction sous-jacente
T le temps qui reste loption avant son chance
K le prix dexercice fix par loption, ou le strike
r le taux dintrt sans risque
2 la volatilit du prix de laction
21
Le prix thorique dune option dachat (call) la date t = 0, qui donne le droit mais
pas lobligation dacheter lactif S la valeur K la date T , est caractris par son payoff
max{ST K, 0} = (ST K)+ . Le prix dun call europen est donn par la formule de
Black & Scholes,
C = S(d1 ) KerT (d2 ),
o est la fonction de rpartition de la loi N (0, 1), i.e.
2
Z x
1
t
exp
(x) =
dt,
2
2
et

1
2
S
d1 =
log
+ r+
T ,
K
2
T
avec d2 = d1 T .
Pour le prix thorique dun put, la relation de parit donne aisment
P = KerT (d2 ) S(d1 ).
Fomule de Black & Scholes
call = s*pnorm(d1)-K*exp(-r*T)*pnorm(d2)
d1 = (log(s/k)+ (r+0.5*sigma
2)*T)/(sigma*sqrt(T))
put = K*exp(-r*T)*(1-pnorm(d2))-s*(1-pnorm(d1))
d2 = d1-sigma*sqrt(T)
data.frame(call,put)
3.5
La notion de volatilit implicite
Le prix dune option dpend de paramtres connus

S0 ou S la valeur actuelle de laction sous-jacente
T le temps qui reste loption avant son chance
K le prix dexercice fix par loption, ou le strike
et de deux autres paramtres.
r le taux dintrt sans risque
est suppos connu, ou obtenable sur les marchs de taux.
2 la volatilit du prix de laction
La volatilit du sous-jacent est suppos estimable (cf plus loin).
En fait la volatilit va tre, en pratique, un paramtre problmatique. En particulier,
supposer des taux constants dans le temps, ou une volatilit constante semble peu raliste.
Dans le modle de Black & Scholes (1973), notons que le prix scrit
C = BS(S0 , T, K, r, ).
En pratique, pour diffrentes maturits T , ou diffrents strike K, il est possible de trouver
des prix, sur le march, de telles options.
Le principe de la volatilit historique revient inverser cette quation, en notant que
K)).
= BS 1 (S0 , T, K, r, C(T,
On parle alors de surface de volatilit implicite.
En dimension 1, maturit donne, la volatilit implicite peut sexprimer en fonction
du strike K, et la courbe obtenue est en forme de smile. A la monnaie, la volatilit
implicite est la plus basse et plus on sloigne de la monnaie, plus elle est leve.
La pente de la volatilit implicite en fonction du strike est appele la skew.
22
0.26
0.24
0.22
0.20
0.18
0.16
Volatilit induite dans le modle Black & Scholes
0.28
Volatilit implicite ou smile de volatilit
0.6
0.8
1.0
1.2
1.4
1.6
1.8
Valeur des strikes
Figure 8: Notion de volatilit implicite, et de smile de volatilit.
2.0
0.25
0.30
1.5
2000
1.0
Maturit
0.35
0.40
0.45
0.50
0.55
0.60
Surface de volatilit implicite, DAX
Volatilit
0.5
0.0
3000
4000
5000
6000
7000
Strike
Figure 9: Surface de volatilit implicite.
23
3.6
Do vient cette volatilit implicite
Lexiste de ce smile de volatilit est en contradiction avec le modle de Black & Scholes
(1973).
Parmi les interprtations, une premire (conomique) est base sur le fait quil existe
une asymtrie entre loffre et la demande sur les marchs doptions.
La seconde interprtation est que supposer un processus de type Brownien gomtrique
pour le prix des actions est irraliste.
3.7
Petit complment, le versement de dividendes
Les anticipations sur le versement de dividendes peuvent tre modliss. Il ocnvient de

distinguer
le cas o les dividendes sont un pourcentage du cours du titre aux dates de tombe
des dividendes,
le cas o les dividendes sont un certain capital, vus alors que des flux futurs
(ventuellement certains).
Dans le premier cas, on modlise le taux (instantan) de dividende.
Considrons le cas dun titre, versant des dividendes D1 ,..., DN 1 aux dates T1 ,...,
TN 1 , entre 0 et t. Le prix en t = 0 est la somme actualise des flux futurs, i.e.
N
Z Ti
Z t
!
X
S0 = E
Di exp
rs ds + St exp
rs ds
.
i=1
3.8
Formule de Black & Scholes (1973) en prsence de dividendes
Dans le cas dversement continu de dividendes, soit q le taux de dividende, tel que le
dtenteur du titre touche qSt dt pendant lintervalle dt. La dynamique du prix scrit alors
dSt
= ( q)dt + dWt ,
St
ce qui donne simplement les formules (fermes) des prix des call et des put europens:
pour un call
C = SeqT (d1 ) KerT (d2 ),
o est la fonction de rpartition de la loi N (0, 1), et

1
S
2
d1 =
log
+ rq +
T ,
K
2
T
avec d2 = d1 T . Dans le cas dun put

P = KerT (d2 ) SeqT (d1 ).
Dans le cas o les paramtres r, q ou 2 ne sont plus constantes, mais dpendantes
du temps (mais pas pour autant stochastique), notons quil suffit de remplacer les valeurs
constantes pour leur moyenne sur lintervalle [0, T ],
Z
Z
Z
1 T
1 T 2
1 T
2
r(u)du, q
q(u)du et
(u)du.
r
T 0
T 0
T 0
24
3.9
Formule de Black & Scholes (1973) en prsence de cots

de transactions
Une dmonstration pour obtenir lquation de Black & Scholes est de constituer un
portefeuille de rplication, et par absence dopportunit darbitrage, on en dduit le prix
de tout produit contingent.
Or crer un portefeuille contenant unit dactif risqu peut avoir un cot. Leland (1985) a propos dtendre le modle de Black & Scholes sil y a des cots de
transaction.
3.10
Le calcul des grecques dans le modle de Black & Scholes

(1973)
Si C dsigne le prix dun call europen, rappelons que

C = S (d1 ) K exp (rT ) (d2 )
dans le modle de Black & Scholes (option sur action), avec
d1 =
log (S/K) + (r + 2 /2) T

log (S/K) + (r 2 /2) T
et d2 =
= d1 T .
T
T
Pour les calculs rappelons que

d22 = d21 2 log (S exp (rT ) /K) et (d2 ) = (d1 )
3.11
S exp (rT )
.
K
Le Delta
Le Delta tant la sensibilit du prix dun call une petite variation du prix du sous-jacent,
on en dduit
C
(d1 )
(d2 )
= (d1 ) + S
K exp (rT )
S
S
S
(d1 ) d1
(d2 ) d2
= (d1 ) + S
K exp (rT )
d1 S
d2 S
S exp (rT ) d2
d1
K (d1 )
= (d1 ) + S (d1 )
S
K
S
= (d1 ) + 0 > 0,
en utilisant le fait que
d2
d1
=
S
S
Aussi, pour un call et un put respectivement,
(C) = (d1 ) > 0 et (P ) = (d1 ) 1 < 0.
Le rle du delta a t voqu prcdemment, le portefeuille sans risque de Black

& Scholes (1973) est consitu dune vente dune option, et de lachat de actions:
Black & Scholes voluent les options en position delta-neutre, et une telle position doit
tre rmunre au taux sans risque.
25
0.6
0.4
0.2
0.2
0.4
0.6
0.8
Delta dun call (Black & Scholes)
0.8
Delta dun call (Black & Scholes)
60
80
100
120
140
60
80
Cours de laction
100
120
140
Cours de laction
Figure 10: Delta dans le modle de Black & Scholes (influence de r et ).
3.12
Le Gamma
Le Gamma tant la sensibilit du Delta dun call une petite variation du prix du sousjacent, on en dduit
2C
(d1 )
(d1 ) d1
=
=
=
S
S 2
S
d1 S
(d1 )
> 0.
=
S T
Aussi, pour un call et un put, le Gamma est identique,

(C) = (P ) =
(d1 )
> 0.
S T
Le gamma reprsente la convexit du prix dune option en fonction du cours du sousjacent.

En pratique, le Gamma est trs important, car la stratgie est traditionnellement de
se positionner en delta-neutre sur un portefeuille, et cest alors le gamma, et donc les
fluctuations de grande amplitude du cours, qui vont tre reponsable de lvolution dun
portefeuille.
Un trader qui adopte une couverture dynamique delta-neutre sera donc amen modifier sa position sur le sous-jacent de faon trs frquente si le Gamma est lev.
A linverse, si le gamma de loption est nul, le trader peut conserver une position fixe
tout au long de la dure de vie de loption.
26
0.008
0.006
0.004
0.004
0.006
0.008
0.010
Gamma dun call (Black & Scholes)
0.010
Gamma dun call (Black & Scholes)
60
80
100
120
140
60
80
Cours de laction
100
120
140
Cours de laction
Figure 11: Gamma dans le modle de Black & Scholes (influence de r et de ).
3.13
La sensibilit au strike
La sensibilit du prix dun call une petite variation de la strike scrit en revanche
C
K
(d1 )
(d2 )
exp (rT ) (d2 ) K exp (rT )
K
K
(d1 ) d1
(d2 ) d2
= S
exp (rT ) (d2 ) K exp (rT )
d1 K
d2 K
d1
S exp (rT ) d2
= S (d1 )
exp (rT ) (d2 ) K exp (rT ) (d1 )
K
K
K
= exp (rT ) (d2 ) < 0,
= S
en utilisant le fait que
d2
d1
=
K
K
Exprim en valeurs relatives, on peut obtenir aisment que
(d2 )
(d2 ) exp (rT )
2C
= exp (rT )
=
> 0.
2
K
K
K T
27
3.14
Le Vega
Le Vega tant la sensibilit du prix dun call une petite variation de la volatilit du
sous-jacent, on en dduit
C
(d1 )
(d2 )
=S
K exp (rT )
(d1 ) d1
(d2 ) d2
= S
K exp (rT )
d1
d2
= S (d1 ) T > 0.
V =
Aussi, pour un call et un put, le Vega est identique,
V(C) = V(P ) = S (d1 ) T > 0.
30
25
20
15
10
5
10
15
20
25
30
35
Vega dun call (Black & Scholes)
35
Vega dun call (Black & Scholes)
60
80
100
120
140
Cours de laction
60
80
100
120
140
Cours de laction
Figure 12: Vega dans le modle de Black & Scholes (influence de r et de ).
3.15
Le Theta
Le Theta tant la sensibilit du prix dun call une petite variation de la maturit de
loption , on en dduit
=
S (d1 )
C
=
rK exp (rT ) (d2 ) .
T
2 T
Aussi, pour un call et un put, le Theta vaut respectivement

(C) =
S (d1 )
rK exp (rT ) (d2 ) < 0,

2 T
28
QUELQUES MOTS SUR LESTIMATION DES PARAMTRES
et
(P ) =
S (d1 )
+ rK exp (rT ) (d2 ).

2 T
4
6
8
10
10
Theta dun call (Black & Scholes)
Theta dun call (Black & Scholes)
60
80
100
120
140
Cours de laction
60
80
100
120
140
Cours de laction
Figure 13: Theta dans le modle de Black & Scholes (influence de r et ).
3.16
Le rho
Le Rho tant la sensibilit du prix dun call une petite variation du taux sans risque,
on en dduit,
C
R=
= T K exp (rT ) (d2 ) > 0
r
Aussi, pour un call et un put, le Rho vaut respectivement
R(C) = T K exp (rT ) (d2 ) > 0,
et
R(P ) = T K exp (rT ) (d2 ) < 0.
Quelques mots sur lestimation des paramtres
Plusieurs mthodes peuvent tre retenus pour obtenir les diffrents paramtres. On distinguera,
lestimation historique, o on cherche estimer les paramtres dvolution de S t
du drift et
et
partir de donnes historiques. On cherche alors des estimateurs
de la volatilit. On en dduit alors la probabilit risque neutre Q, puis on en dduit
les prix doptions.
29
10
20
30
40
50
50
40
30
20
10
Rho dun call (Black & Scholes)
Rho dun call (Black & Scholes)
60
80
100
120
140
60
Cours de laction
80
100
120
140
Cours de laction
Figure 14: Rho dans le modle de Black & Scholes (influence de r et ).

la calibration, o on cherche obtenir directement, partir de donnes de marchs
(de prix doptions) la probabilit risque neutre Q.
4.1
Estimation de paramtres univaris
Dans lapproche classique, les variables dintrt sont gnralement la moyenne et lcarttype.
4.2
Calcul de variances empiriques
Rappelons que la variance empirique dun chantillon {X1 , ..., Xn } est
n
!2
n
1X
1 X 2
2
Xi
SX
=
Xi
n 1 i=1
n i=1
Lalgorithme qui consiste calculer dans une boucle U = U + Xi et V = V + Xi2 peut
savrer instable si les Xi prennent de grandes valeurs. La variance empirique est alors
2
SX
= (V U 2 /n)/(n 1).
Une alternative peut tre de calculer dans un premier temps la moyenne X, puis de
2
=
calculer dans une boucle V = V + (Xi X)2 . La variance empirique est alors SX
V /(n 1).
Une autre mthode est base sur une mise jour, observation par observation. On
pose alors U1 = X1 et V1 = 0 afin dinitialiser lalgorithme. Puis, dans une boucle, on
pose
1
i1
(Xi Ui1 )2 et Ui = Ui1 + (Xi Ui1 ),
Vi = Vi1 +
i
i
30
0 100
300
Indice S&P500
1930
1940
1950
1960
1970
1980
1990
0.06
0.00 0.04
Logrendement de lindice SP500
1990
1995
2000
2005
Date
Figure 15: Evolution de lindice SP500, 1990-2006.

2
et enfin, la variance empirique est alors SX
= Vn /(n 1).
Numriquement, cest cette dernire mthode qui permet gnralement davoir la
meilleur prcision (Chan, Golub & LeVeque (1983)).
4.3
Variance empirique ou variance implicite ?
Nous avons vu que deux types de variances pouvaient tre obtenues,

une volatilit empirique, estime partir de lvolution du sous-jacent,
une volatilit implicite, drive des prix de marchs doption, permettant dobtenir
la formule de Black & Scholes (1973).
Les Figures 15 16 montrent ainsi la comparaison entre la volatilit empirique obtenues
sur lindice SP500, et lindice VIX, correspondant la volatilit implicite sur cet indice.
4.4
Approche implicite et modle de Dupire (1998)
Si la volatilit tait la mme pour toutes les maturits T et tous les prix dexercice K, les
prix de call et put seraient donns par la formue de Black & Scholes (1973), avec une
mme volatilit .
En ralit, il convient de prendre en compte une volatilit implicite (T, K).
La formule de Dupire permet dobtenir une volatilit qui ne soit ni constante, ni
dterministe. On suppose que le prix du titre est donn par lquation
dSt
= t dt + (St , t)dWt .
St
31
0.005
0.015
Volatilit du logrendement de lindice SP500
1990
1995
2000
2005
Date
10 20 30 40
Indice VIX Volatilit implicite des options sur SP500
1990
1995
2000
2005
Date
Figure 16: Volatilit empirique versus volatilit implicite.

Le prix Xt = X(St , t) dun actif contingent - vu comme une fonction de St - satisfait
lquation aux drives partielles
X 2 (S, t) 2 X
X
+
+ rS
rX = 0.
2
t
2
S
S
Notons que ce prix - vu comme procesus - peut aussi scrire comme solution de lquation
dXt
t,
= rdt + X (S, t)dW
Xt
t ) est un mouvement brownien standard.
sous la probabilit risque neutre Q, o (W
On cherche ici calculer le prix dun call, ou plutt le prix de tous les calls de maturits
T et de prix dexercice K diffrents, C(T, K). On cherche alors la fonction de volatilit
(S, t) telle que pour tout T et tout K,
C(T, K) = exp(rT )EQ ((ST K)+ ).
Q(ST [x, x + dx])
, la fonction de rpartition de la variable
dx
alatoire ST (sous Q). Le prix du call scrit alors
Z +
C(T, K) = exp(rT )
(x K)(T, x)dx.
(1)
On note ici (T, x) =
En drivant deux fois par rapport K, on obtient

(T, x) = exp(rT )
2C
(T, x).
K 2
32
Aussi, la fonction de rpartition vrifie lquation de Fokker-Plack,
(T, x)
1 2 2
2
=
(x,
T
)
(T,
x)
[rx(T, x)].
2
T
2 x
x
En remplaant (T, x) par son expression en fonction de C(T, K) (donn par lquation
1) on en dduit lquation satisfaite par C(T, K),
C0 (T, x)
2 C0 (T, x) 2 (x, T ) x2 2 C0 (T, x)
rx
+
= 0.
x2
T
2
x2
x
Pour que les prix restent borns en fonction du strike, il faut ncessairement que
C0 (T, x) 2 (x, T ) x2 2 C0 (T, x)

C0 (T, x)
+
rx
= 0.
T
2
x2
x
Do finallement lexpression de la volatilit (x, T ) en fonction des prix des calls,
appele formule de Dupire,
2 (x, t) =
4.5
rx
C(T, x) C(T, x)
x
T
1 2 C(T, x)
2
x2
Quelques expressions de volatilit pour des options europennes
Prix de call digitaux avec smile de volatilit: fonction indicatrice

Considrons le cas de calls digitaux, payant 1 si ST > K et 0 sinon, i.e. 1(ST > K)
De manire simple, notons que lintroduction de cette masse de Diract en K permet
de modliser le call digital par un montage, de telle sorte que le prix dun call digital de
strike K scrit
1
[CB&S (K(1 )) CB&S (K(1 + ))]
2K
o CB&S () est le prix Black & Scholes dun call de strike . Le prix de ce montage
tend vers le prix dun call digital quand 0. Le prix (thorique) est
=
1
[CB&S (K(1 ), (T, K(1 ))) CB&S (K(1 + ), (T, K(1 )))]
2K
soit, en effectuant un dveloppement limit

=
CB&S (T, K)
(T, K)
VgaB&S (T, K)
+ o(1).
K
K
Aussi, le prix du call digital en prsence de smile de volatilit scrit
|{z}
prix du call digital
CB&S (T, K)
K
{z
}
prix du call digital sans smile
(T, K)
+ o(1),
VgaB&S (T, K)
|
{z K
}
impact du smile de volatilit
soit
= sans smile (K, (T, K)) VgaB&S (T, K)
(T, K)
.
K
33
LES NOTIONS DE TAUX DINTRT
Prix de diffrence de call digitaux avec smile de volatilit: fonction en escalier

On considre une option payant 1 si ST [K1 , K2 ] et 0 sinon, i.e. 1(ST [K1 , K2 ]).
Le portefeuille qui permet de rpliquer cette option est obtenu avec une position longue
sur le call de stike K1 , et courte sur le call de strike K2 . Aussi, en utilisant la relation
prcdante
= sans smile (K1 , (T, K1 )) sans smile (K2 , (T, K2 ))
(T, K2 )
(T, K1 )
+ VgaB&S (T, K2 )
VgaB&S (T, K1 )
,
K2
K1
soit, en posant K2 = K1 + K, la variation du prix du cette diffrence K, note
scrit
(T, K1 )
VgaB&S (T, K1 )
(K1 ) =
K
K1
sans smile
(K1 , (T, K1 )) sans smile (K1 , (T, K1 )) (T, K1 )
K.
K1
K1
Cas gnral dune option europenne: combinaison linaire de fonctions en escalier
De manire plus gnrale, en utilisant Zlexpression prcdante, pour une option de
payoff g(ST ), on peut crire le prix comme

g(x) (x), soit finalement
0
(T, x)
VgaB&S (T, x)
x
x
0
sans smile
(x, (T, x)) sans smile (x, (T, x)) (T, x)
g(x)dx.
x
Les notions de taux dintrt
Rappelons que la structure par terme des taux dintrt (ou courbe des taux) est la
fonction qui une date donne et pour chaque maturit, indique le niveau du taux dintrt
associ.
Notamment, on distingue les courbes de march et les courbes implicites,
Les courbes de march sont construites directement partir des cotations de march
dinstruments (obligations ou swaps).
Les courbes implicites sont elles construites indirectement. On retrouve la courbe
des taux zro-coupon, les courbes de taux forwards, la courbe des taux forwards
instantans ou encore la courbe des taux de rendement au pair.
On pourra considrer les diffrents taux suivants: le taux de rendement maturit, le
taux de swap, le taux zro-coupon, le taux forward, le taux forward instantan ou encore
le taux de rendement au pair.
Le taux de rendement maturit (Yield to Maturity) est associ un produit de taux
dintrt: lobligation taux fixe. Lobligation taux fixe est classiquement cote en prix
ou en taux. Ce taux est le taux de rendement maturit de lobligation.
34
Exemple 9. A la date t, le taux de rendement (actuariel) maturit de lobligation de

prix V (t) dlivrant les flux Fi aux dates futures i = t + 1, ..., T est le taux R(t) qui vrifie
lquation
T
X
Fi
V (t) =
.
(1 + R(t))it
i=t+1
La courbe des taux de rendement maturit associe chaque maturit dune obligation
son taux de rendement.
En pratique, cette courbe souffre de leffet coupon pour des raisons essentiellement
fiscales, certains pays taxant diffremment le capital et les coupons. Ainsi, deux obligations
de mme chance mais de taux de coupon diffrent nauront pas forcment le mme taux
de rendement, les investisseurs prfrant lobligation qui a le coupon le plus lev, ce qui
a pour effet daccrotre son prix et de diminuer son taux de rendement.
Le fait dutiliser le taux de rendement pour valuer une obligation consiste faire
lhypothse que la courbe des taux est plate.
En effet on utilise le mme taux R dans chaque facteur dactualisation. Or la courbe
des taux est trs rarement plate.
Une obligation est plus justement value laide des taux zro-coupon.
Le taux de swap sobtient de la manire suivante: la valeur dun swap standard de
montant nominal N est gale celle:
- dune obligation taux fixe de maturit identique celle du swap et de mme montant
nominal que le swap;
- moins le montant nominal du swap.
A une date t donne, le taux fixe est dtermin de telle faon que la valeur du swap
soit gale 0.
Ce taux fixe est appel taux de swap. Cest ainsi que sont cots les swaps.
Les taux de swap cots sur le march sont issus de swaps standards entre banques,
cest pour cela que cette courbe est couramment appele courbe interbancaire.
Les taux zro coupons sont implicitement dfinis dans la relation suivante:
1
.
B(0, t) =
(1 + R(t))t
o B(0, t) est le prix de march la date 0 dune obligation zro-coupon (on parle de
strip) dlivrant 1 euro la date t. B(0, t) est alors le facteur dactualisation en 0 pour la
maturit t.
De manire plus gnrale, un zro-coupon dchance T vaut, en t, B(t, T ), et on note
R(t, ) le taux actuariel en t de maturit le taux annualis auquel est prt largent
entre t et t + , i.e.
1
.
B(t, t + ) =
(1 + R(t, ))
Le taux continu est R(t, ) dfini par
1
log B(t, t + ) = log(1 + R(t, )).
Enfin, le taux court rt est la limite des taux continus R(t, ), quand la maturit tend
vers 0,
B(t, T )
.
rt = lim R(t, ) =
0
T T =t
R(t, ) =
35
La courbe des taux est alors la fonction 7 R(t, ). On parlera de courbe plate si
cette fonction est constante.
On note Vi le prix du strip
Vi (t) =
Fi
= Fi B(t, i),
(1 + R(t, i t))it
o R(t, ) est le taux de rendement de lobligation zro-coupon dchance t+ , et B(t, T )

est le prix la date t de lobligation zro-coupon rapportant 1 euro en T .
On alors crire le prix dune obligation la date t sous la forme
T
X
Fi
=
Fi B(t, i).
Vi (t) =
(1 + R(t, i t))it i=t+1
i=t+1
T
X
Aussi, pour valuer une obligation, il suffit de connatre les taux zro-coupon associs
aux maturits de chacun des flux. La principale difficult est quil nexiste que peu
dobligations zro-coupon. On doit alors extrapoler les diffrents taux.
Ces taux zro-coupon permettent den dduire des taux forwards, ainsi que des taux
de rendement au pair.
Le taux forward F (t, x, y x) le taux dtermin en t, dmarrant en x et dchance
y, dfini par
1
(1 + R(t, y))yt yx
F (t, x, y x) =
1.
(1 + R(t, x))xt
On appelle taux forward instantan le taux
f (t, x) =
lim F (t, x, y x).
(yx)0
Ce modle est en particulier utilis dans le modles Heath, Jarrow & Morton (????).
Enfin, pour gommer leffet coupon rencontr sur les taux de rendement maturit,
on considre la courbe des taux de rendement au pair. Une oblgation au pair est une
obligation dont le taux du coupon est identique au taux de rendement actuariel. Le taux
r(n) est alors donn par la relation
r(n)
r(n)
r(n) + 100
+
+ ... +
= 100,
2
1 + R(0, 1) (1 + R(0, 2))
(1 + R(0, n))n
qui sinverse simplement sous la forme
r(n) = Pn
100
1
i=1 (1+R(0,i))i
1
1
.
(1 + R(0, n))n
Si Rn est un taux avec n composition dans lanne, au bout de T annes, en investissant

1, au bout de T annes on aura
nT
Rn
,
1+
n
et quand n , on obtient un taux exprim en composition continue, et
nT
Rn
lim 1 +
= exp (T ) .
n
n
36
1M
3M
6M
1A
2A
3A
4A
5A
7A
10A
1M
1.000
0.999
0.908
0.546
0.235
0.246
0.209
0.163
0.107
0.073
3M
6M
1A
2A
3A
4A
5A
7A
10A
1.000
0.914
0.539
0.224
0.239
0.202
0.154
0.097
0.063
1.000
0.672
0.310
0.384
0.337
0.225
0.182
0.134
1.000
0.880
0.808
0.742
0.700
0.617
0.549
1.000
0.929
0.881
0.859
0.792
0.735
1.000
0.981
0.936
0.867
0.811
1.000
0.981
0.927
0.871
1.000
0.970
0.917
1.000
0.966
1.000
Table 1: Probability of exceedances, for given parametric copulas, = 0.5.

Aussi, le taux continu rho et le taux exprim en composition annuelle R, alors =
log(1 + R).
Aussi, le facteur dactualisation et le taux zro-coupon sont lis par la relation
B(t, T ) = exp ( [T t]) ,
le taux forward et le taux cooupon sont lis par la relation
F(t, x, y x) =
(y t)(t, y t) (x t)(t, x t)
,
yx
et le taux zro-coupon et le taux forward instantan par la relation

Z y
1
{(t, s)ds.
(t, y t) =
yt t
Exemple 10. Un trs grand nombre de forme de taux de rendement au pair peuvent tre
observs. La figure reprsente ainsi la courbe trsor des taux de rendement au pair US, 3
novembre 1999, puis Japon, 27 avril 2001, UK, 19 octobre 2000, France, 4 avril 2001, et
enfin US, 29 fvrier 2000.
Parmi les observations empiriques et les divers faits styliss, on peut noter que
les taux dintrt ne sont pas ngatifs (ce qui tendra rejeter les modles Gaussiens),
les taux dintrt sont affects par des effets de retour la moyenne (des valeurs
leves de taux sont souvent suivies par des basses, plus que par des hausses, et
inversement)
les taux ne sont pas parfaitement corrls (mme si elles sont gnralement positives,
comme le montre lexemple 11, de plus sur les taux courts la corrlation est leve,
ainsi que sur les taux longs),
les taux court terme sont plus volatiles que les taux long terme,
3 facteurs de niveau, penteet courbure expliquent plus de 95% des mouvements de
la courbe des taux.
Exemple 11. Sur les taux interbancaire en France entre 1995 et 1998, les valeurs suivantes ont t observes ( Priaulet & Martel (2000)),
Enfin, notons que lon distingue souvent trois classes de modles de courbes de taux,
le modle danalyse en composantes principales de la courbe des taux (gnralement
sur la courbe des taux zro-coupon ou des taux forwards),
37
les modles de reconstitution de la courbe des taux au comptant (galement sur la

courbe des taux zro-coupon),
- les modles stochastiques de la courbe des taux (sur la courbe des taux zro-coupon
ou des taux forwards instantans).
5.1
Valorisation et processus en temps continu
Si les taux sont dterministes, par absence dopportunit darbitrage, on obtient que
dB(t, T
= rt dt,
B(t, T )
(2)
soit, puisque B(T, T ) = 1,

Z
B(t, T ) = exp
Z t
rs ds = B(0, T ) = exp
rs ds .
En particulier, on en dduit que

1
R(t, ) =
t+
rs ds.
t
Des arguments dabsence dopportunit darbitrage permettent de valoriser le prix des

zro-coupon B(t, T ).
On suppose que pour toutes les maturits T , le prix des zro-coupon suivent des
processus dIto ....
o (Wt )t0
dB(t, T
= rt dt+ < (t, T ), dWt + t dt >,
B(t, T )
est un mouvement Brownien, et (t )t0 une prime de risque.
(3)
Proposition 12. Si les primes de risque et les volatilits sont bornes, il existe une
probabilit risque neutre Q, quivalente P, telle que le prix des zro-coupons vrifient
Z T

B(t, T ) = EQ exp
rs ds Ft .
t
5.2
Les mthodes danalyse en composantes principales
Cette mthode permet de mettre en vidence les principaux facteurs qui expliquent les
dformations de la courbe des taux. Il peut sagir dune tape pralable, avant la recherche
dun modle stochastique raliste. Cette mthode peut aussi tre utile pour se couvrir
contre le risque de taux (en cherchant des produits permettant de se couvrir contre les
principaux facteurs de dformation de la courbe des taux).
Les trois facteurs de dformation expliquant 95% des dformation de la courbe des
taux. Lide de Nelson & Siegel (1987) est dcrire les taux zro-coupon comme une
fonction dpendant de 3 paramtres. En particulier, Nelson & Siegel (1987) proposent
1 exp(t/ )
1 exp(t/ )
exp(t/ ) ,
(0, t) = 0 + 1
+ 2
t/
t/
o
38
0.08
0.06
0.04
0.02
0.00
0.00
0.02
0.04
0.06
0.08
0.10
Modle de Nelson et Siegel, effet courbure
0.10
Modle de Nelson et Siegel, effet pente
10
15
20
10
Maturit
15
20
Maturit
Figure 17: Modle de Nelson & Siegel, effet pente (1 ) gauche et effet courbure (2 )
droite.
0 est un facteur de niveau,
1 est un facteur de rotation,
2 est un facteur de courbure,
et un paramtre dchelle fixe au cours du temps,
Une analyse des donnes est galement possible, partir de T observations sur K taux
zro-coupons, Xt,k . On note X la matrice (Xt,k ). On crit alors
Xt,k =
I
X
si,k Ft,i + t,k ,
i=1
o si,k est la sensibilit de la kme variable au ime facteur, et Ft,i la valeur du ime
facteur la date t.
Lanalyse en composante principale vise dcomposer Xt,k sous la forme
Xt,k =
=
K p
X
i=1
I p
X
i Ui,k Vt,i
i Ui,k Vt,i +
i=1
K p
X
K p
X
i Ui,k Vt,i
i=I+1
i si,k Ft,i + t,k ,
i=1
o U = (Uk,i ) est la matrice des K vecteurs propres de X 0 X, V = (Vt,i ) est la matrice des
K vecteurs propres de XX 0 , o les vecteurs propres sont
orthonorms. i est la valeur
propre associe au vecteur propre Ui . On note si,k = i Ui,k la sensibilit absolue de la
variable k au facteur i.
39
5.3
Le modle de Heath, Jarrow & Morton
On modlise ici le prix des zro-coupons, BT (t) comme un processus stochastique,

(BT (t))t[0,T ] . On retiendra une diffusion de la forme suivante
dBT (t)
= (t, T )dt + (t, T )dWt ,
BT (t)
avec comme condition terminale BT (T ) = 1. On va alors supposer quil existe une probabilit risque neutre Q sous laquelle
dBT (t)
t,
= rt dt + (t, T )dW
BT (t)
1
o rt est le processus de taux court rt = log(BT (t)). Cette classe de modle est
T
toutefois trop gnrale pour tre utilise telle quelle.
5.4
Le modle de Ho & Lee
On suppose ici que sous Q, le taux court rt suit la diffusion

t.
drt = adt + dW
En intgrant, on obtient que
Z t
Z t
t2
s.
rs ds = r0 t + a + t (t s)dW
2
0
0
Z T
De cette relation, on en dduit que
rs ds suit une loi normale,
0
rs ds N
0
T 2 2T 3
r0 T + a ,
2
6
On peut alors en dduire, en particulier, la valeur de BT (0), obtenue partir de r0 , et

donc
aT 2 2 T 3
BT (0) = exp r0 T
.
2
6
Et en intgrant entre t et T , on obtient le prix en t du zro-coupon dchance T ,
a(T 2 t2 ) 2 (T 3 t3 )
.
BT (t) = exp r0 (T t)
2
6
On en dduit enfin la courbe des taux, pour nimporte quelle date t et nimporte quelle
maturit T , en fonction du taux court rt ,
T + t 2 (T 2 T t + t2
+
.
2
6
Cette courbe nest toutefois pas raliste long terme, puisque R(t, T ) quand
T . De plus, il peut gnrer des taux ngatifs avec une probabilt non nulle:
p
Q(rt 0) = (a (t)/).
R(t, T ) = rt + a
Remarque 13. Nous retrouverons ce modle dans le cas de la modlisation par arbre
binomiaux.
40
5.5
Le modle de Vasicek
Ce modle permet de stabiliser la dynamique du taux court, en introduisant un effet de

retour la moyenne dans lquation de diffusion. Sous la probabilit risque neutre Q,
t.
drt = (a brt )dt + dW
Le coefficient de retour b est suppos positif. Aussi, le taux court a tendance lors quil
scarte de la valeur moyenne a/b y revenir avec une lasticit de b/a: plus lcart est
grand, plus forte sera la force de rappel.
En intgrant lquation, on peut obtenir lquation itgrale
Z t
Z
a 1 exp(bt)
at t
s.
rs ds = r0
+
+
[1 exp(b(t s)]dW
b
b
b
b
0
0
Z T
L aussi,
rs ds suit aussi une loi normale,
0
a 1 exp(bt)
aT
+
de moyenne r0
b
b
b
1 exp(bT ) 1 exp(2bT )
et de variance 2 T +
+
.
b
b
2b
L aussi, on peut en dduit la courbe initiale des taux,
a 1 exp(bt)
a
R(0, T ) = r0
+
b
bT
b
1 exp(bT ) 1 exp(2bT )
+ 2 12
+
,
2b
bT
2bT
et plus gnralement, on peut en dduire la courbe toute date t [0, T ].
a 2
On peut noter que si T , R(t, T ) + 2 . Mais l aussi, il est possible davoir
b
b
des taux court ngatifs.
5.6
Le modle de Hull & White
Ce modle est galement un modle Gaussien, et peut tre vu comme une extention du
prcdant. Le taux court suit la diffusion suivante, sous Q,
t.
drt = (a(t) b(t)rt )dt + dW
En posant
A(t, T ) =
a(s)B(s, T )ds o B(t, T ) = exp

t
C(t, T ) =
t
et enfin E(t, T ) =
ds
et D(t, T ) =
B(s, T )
b(s)ds ,
T
t
A(s, T )ds
B(s, T )
[B(s, T )(C(s, T C(t, T ))]2 ds, on peut montrer que la courbe des
taux court est donne par

1
R(t, T ) =
T t
2
rt C(t, T ) + D(t, T ) + E(t, T ) .
2
41
OPTIONS ET ARBRES BINOMIAUX
Options et arbres binomiaux
6.1
Valorisation et arbre une priode
On considre un call, sur un action de prix S0 en t = 0, dont la valeur est C. Loption

arrive maturit en t = T , et le sous-jacent que peut voluer que de deux faons,
augmenter pour atteindre S0 u,
baisser pour atteindre S0 d,
o d < 1 < u. Soit Cu le payoff de loption si le cours de laction atteint S0 u, et Cd le
payoff de loption sil atteint S0 d.
Considrons le portefeuille constitu de actions, et obligations (ou actifs sans
risques), qui rplique la valeur de loption. Si le cours de laction monte,
S0 u + (1 + r) = Cu ,
et si le cours du sous-jacent baisse,
S0 d + (1 + r) = Cd .
La thorie financire nous garantie lexistence et lunicit (sous certaines hypothses)
dun tel portefeuille dit de rplication, et effectivement, ce systme admet une et une
seule solution
Cu Cd
1
Cu Cd
=
et =
Cu S0 u
.
S0 u S0 d
1+r
S0 u S0 d
On a alors effectivement russi rpliquer le prix de loption, et on note quen t = 0, la
valeur de loption est
1+rd
1
u (1 + r)
S0 + =
Cu +
Cd ,
1+r
ud
ud
qui peut scrire
C0 =
1
1+rd
(p Cu + (1 p )Cd ) , o p =
.
1+r
ud
Si 1 + r < d, alors il y aurait une opportunit darbitrage, lactif sans risque prsentant
un rendement plus faible que laction, quel que soit ltat de la nature. De mme, si
u < 1 + r, il ny aurait aucun intrt acheter laction. Aussi, par des arguments
dabsence dopportunit darbitrage,
d < 1 + r < u.
Cette dernire condition implique en particulier que
p =
1+rd
]0, 1[,
ud
aussi, p peut tre vu comme une probabilit. La valeur de loption est alors lesprance
de la valeur future, actualise au taux sans risque. p est alors la probabilit risque-neutre
de hausse du sous-jacent.
42
6.2
Valorisation et arbre n priodes
De faon gnrale, considrons un arbre. A la date i, les valeurs possibles sont les
S0 uj (1 d)ij o j = 0, 1, ..., i.
La Figure 18 montre larbre binomial associ.
Arbre binomial
S0u5
S0u
S0u3
S0u
S0u d
S0u2d
S 0u
S0
S0u3d2
S0u2d2
S0ud
2
S 0d
S0u2d3
S0ud
S0d
S0u4d
3
S0ud
S0d3
S0ud4
S0d
S0d5
Figure 18: Valeurs possibles dans un arbres, avec un prix initial S0 .

En itrant, on obtient pour n priodes
n
X
n i
1
(1 )ni max ui dni S K, 0
C=
n
(1 + r) i=0 i
o r est le taux sur une priode. Aussi, si lon subdivisionne [0, T ] en n priodes, le taux
doit plutt etre crit sous la forme
1
exp(rT ) quand n .
(1 + T r/n)n
Remarque 14. Un tel arbre est dit recombinant: chaque date, les chemins correspondant un mme nombre dvnements lmentaires passs (croissance de u ou dcroissance de d) recombinent. Aussi, un arbre recombinant ne possde que n(n + 1)/2 noeuds
distincts pour n priodes, au lieu des 2n+1 1 pour un arbre naf. Le gain (algorithmique)
est considrable.
Remarque 15. Il est possible de montrer que
n
X
1
n i
C=
(1 )ni ui dni S K
n
(1 + r) i=a i
43
n
5
10
20
25
arbre recombinant 15
55
210
325
arbre naf
63 2 047 2 097 151 67 108 863
Table 2: Nombre de noeuds pour les arbres, en fonction du nombre de priodes n.
o a est le nombre minimal de hausse du sous-jacent pour tre en dedans lchance,
i.e.
log (K/Sdn )
ua dna S = K soit a =
.
log (u/d)
On peut alors rcire, en posant
e = u/d,
C=S
n
X
n
i=0
ni
e (1
e)
n
X
1
n i
K
(1 )ni .
n
(1 + r) i=0 i
Notons que et
e sont des probabilits, aussi, en notant B la fonction de rpartition
de la loi binomiale,
K
C = SB (a, n,
e)
B (a, n, ) .
(1 + r)n
On retrouve ici une version discrte de la formule de Black & Scholes (1973).
Remarque 16. Pour calculer le prix dun call, la mthode retenue ici est base sur un
algorithme dit de rtropropagation
6.3
Petite digression: de la marche alatoire au brownien
Pour obtenir plus formellement le prix Black & Scholes partir de ce modle, rappelons que le mouvement brownien apparait comme limite de la marche alatoire.
Dfinition 17. Le processus (Wt )tR est un mouvement brownien si (Zt )tR est une suite
de variables alatoires
accroissements indpendants, i.e. Wt+h Wt et Wt Wtk sont des variables
indpendantes, pour tout t, h > 0 et k ]0, t[,
t 7 Wt est une fonction continue
pour tout t, h > 0, Wt+h Wt suit une loi normale centre, de variance h.
On note (Zn )nN la suite de variable alatoire telle que
u avec probabilit 1
2 ,
Zn+1 Zn =
1
d avec probabilit ,
2
et Z0 = 0. On considre alors (Xt )tT o T = {0, t, 2t, 3t, ...} = {t0 , t1 , t2 , t3 , ...}
dfinie par Xtn = Zn . On note p(n, k) la probabilit
p(n, k) = P(Zn = kx|Z0 = 0).
44
Soit m = (n + k)/2, alors

m 1
p(n, k) =
si n + k est pair , 0 sinon.
n 2n
On se place dans le cas o n, k , de telle sorte nt t et kx x. On note
(x)2
=
. Rappelons que daprs la formule de Stirling
t
1
n! 2nn+ 2 exp(n).
Aussi, on en dduit que
r
r
2 ! n2
2
(n + k)/2 1
2
2
k
k
.
1
exp
n
n
2
n
n
n
2n
On peut alors conclure, laide des notations prcdantes que

r
x2
P(Zn = kx|Z0 = 0)
2 1
k
1
exp 2 .
exp
2x
n 2x
2n
2 t
2 2 t
On obtient ainsi la convergence marginale vers la loi Gaussienne, centre de variance
2 t. La proprit daccroissements indpendants dcoule de la construction de la marche
alatoire. La proprit de continuit est elle un peu plus dlicate montrer, mais elle
peut tre obtenue (Karatzas & Shreve (1988)).
Afin de passer lgitimement du modle discret la formule de Black & Scholes
(1973), il convient dinterprter les paramtres.
6.4
Petit complment sur la convergence
Nous avons vu, en montrant que larbre tait une discrtisation de la trajectoire (continue)
du modle de Black & Scholes (1973), et donc, quand n (o n est le nombre
de priodes considres), le prix converge vers le prix du modle de Black & Scholes
(1973). Toutefois, cette convergence nest pas du tout monotone. Si t = T /n, et si n
est la diffrence entre le prix obtenu par un arbre n priodes et le prix thorique,

1
.
|n | O
n
Leisen & Reimer (1996) puis Walsh (2003) ont propos une tude pousse de la
convergence des modles par arbre.
6.5
Interprtation des paramtres
En pratique, les valeurs u et d sont dfinis laide de la volatilit de la rentabilit de

laction et de son esprance (sous la probabilit P). On note p la probabilit de hausse
du sous-jacent.
Si lon se place sur une priode [0, t], alors
p S0 u + (1 p) S0 d = S0 exp(t),
45
soit
exp(t) d
.
ud
De plus, la variance de la rentabilit est 2 t, qui vrifie
p=
pu2 + (1 p)d2 [pu + (1 p)d]2 = 2 t,

de telle sorte que

u = exp t et d = exp t ,
comme lavait not Cox, Ross & Rubinstein (1979).

En fait, rappelons que la valorisation doit se faire sous la probabilit risque neutre p ,
p = (exp(rt) d)/(u d).
Exemple 18. Prenons un call dchance T = 1 an, de prix dexercice K = 50, ne
versant pas de dividendes. Laction cote galement S0 = 50, avec une volatilit estime
de = 40% par an, un taux sans risque de r = 5% par an. On en dduit les valeurs
suivantes
p
p
u = exp( 1/5) = 1.195884 et d = exp( 1/5) = 0.8362017,
et donc
exp(r/5) d
= 48.33%.
ud
La Figure 19 montre toutes les valeurs possibles du sous-jacent, en bleu. Notons que la
valeur du call est galement reporte, chacun des noeuds.
p =
Notons que si Rubinstein (1979) a impos la contrainte ud = 1 pour des raisons

de simplification de calculs, il reste un degr de libert. Une alternative possible est
dimposer p = 1/2 et des considrer alors
2
2
u = exp r
t + t et d exp r
t t .
2
2
6.6
Pourquoi le prix dpend de Q, et pas de P ?
Valoriser en cherchant EP (payoff) revient dire que lon cherche se protger en moyenne.
Cest le principe de calcul de la prime pure en assurance.
Ici, on cherche tre couvert dans tous les cas, peu importe les probabilits de hausse
ou de baisse du sous-jacent. On ne peut donc pas utiliser une approche assurantielle,
actuarielle, ou probabiliste.
Toutefois, le prix obtenu peut tre interprt comme une esprance mathmatique,
non pas sous P, mais sous une probabilit ad-hoc, Q, appele probabilit risque neutre.
Proposition 19. Le fait quil y ait absence dopportunit darbitrage est quivalent
lexistence dau moins une probabilit risque neutre.
Proposition 20. Sil y a absence dopportunit darbitrage, le fait que le march soit
complet est quivalent lexistence d une probabilit risque neutre.
46
Convergence du prix dun call europen par arbre binomial
8.7
2.9
8.8
8.9
3.0
9.0
3.1
9.1
3.2
9.2
3.3
9.3
3.4
9.4
Convergence du prix dun call europen par arbre binomial
50
100
150
200
50
Nombre de pas de temps
100
150
200
Nombre de pas de temps
Figure 19: Convergence du prix par arbre binomial, et borne en 1/n, cas la monnaie, et
en dehors de la monnaie.
Prix du sousjacent, n=100
500
0
100
200
1000
300
1500
400
2000
500
2500
Prix du sousjacent, n=15
10
15
20
40
60
80
100
Figure 20: Prix du sous-jacent, avec les montants en ordonnes.
47
72.3
52.76
35.51
3.52
2.14
6.95
5.86
4.19
9.44
10.29
2.24
1.07
Option Value
4.69
4.06
9.79
7.33
0
0
1.1
8.19
14.63
14.54
12.93
15.27
9.39
22
Option Value
24.08
36.5
19.77
20.76
25.06
29.56
Figure 21: Valeur dun call dans un modle binomial, n = 5, gauche, et dun put
droite.
57.79
45.35
34.6
25.63
49.97
0
0
0
8.82
0
6.11
2.88
12.92
33.92
24.69
17.33
4.02
0.88
3.4
1.5
2.0
2.5
3.0
3.5
4.0
0
0
0
0
1.0
0
0
14.39
6.99
1.65
0.8
0.19
4
14.89
5.19
0.39
32.93
23.33
8.96
2.93
1.62
2.41
33.43
16.13
6.58
7.77
56.8
44.36
23.82
10.48
11.77
9.64
Option Value
18.45
12.99
Option Value
30.18
17.34
57.3
44.86
0
0
10
Figure 22: Valeur dun call dans un modle binomial, influence de n, n = 3 gauche, et
n = 10 droite.
48
9.2
9.0
8.6
8.8
prix du call
9.4
9.6
Convergence du prix dun call
20
40
60
80
100
nombre de subdivisions de [0,1]
Figure 23: Convergence du calcul du prix dun call par arbre binomial.
Erreur relative, 10 priode
0.6
d[10:900]
BS
0
0.0
10
0.2
20
0.4
30
40
0.8
50
1.0
Prix par arbre vs. prix thorique, 10 priodes
20
40
60
80
100
20
40
60
Prix du sousjacent en t=0
Prix par arbre vs. prix thorique, 50 priodes
Erreur relative, 10 priodes
80
0.6
d[10:900]
BS
0.0
10
0.2
20
0.4
30
40
0.8
50
1.0
20
40
60
80
100
20
40
60
80
Figure 24: Erreur lors du calcul du prix, arbre 10 et 50 priodes.
49
e04
2
d[400:600]
0.00
6 e04
2 e04
0.03
0.02
0.01
d[100:900]
0.04
0.05
e04
0.06
20
40
60
80
40
45
50
55
60
Figure 25: Erreur lors du calcul du prix, arbre 500 priodes.
6.7
Que se passe-t-il sous cette probabilit risque neutre ?
Pour un arbre dans un modle une priode, sous la probabilit risque neutre, Q, notons
que
1+rd
1
u1r
1
1
EQ
S1 |F0 = EQ
S1 |S0 =
S0 u +
S0 d = S0 .
1+r
1+r
1+r
ud
ud
Aussi,
EQ
1
S1 |F0
1+r
Plus gnralement, notons que
EQ
1
EQ (S1 |S0 ) = S0 .
1+r
1
Sn |F0
(1 + r)n
= S0 ,
cest dire que les prix actualiss sont des martingales.

Remarque 21. Une autre faon dcrire ce rsultat est de noter que
Sn+1
|Fn = 1 + r.
EQ
Sn
La valeur moyenne des rendements sous la probabilit risque neutre correspond au taux
sans risque.
Sous la probabilit risque neutre, Q, notons que
EQ (ert St |Fu ) = eru Su
50
pour t > u, cest dire que les prix actualiss sont des martingales.
En temps discret, (not n N), un processus (Xn )nN est une martingale si
E(Xn+1 |Fn ) = Xn .
On peut montrer que de manire quivalente, E(Xn+k |Fn ) = Xn pour k > 0. On notera
galement que la moyenne dune martingale est constante dans le temps, E(Xn ) = E(X0 )
pour tout n N.
Plus gnralement, en temps continu, (not t [0, T ]), un processus (Xt )t[0,T ] est une
martingale si E(Xt+h |Ft ) = Xt pour tout h > 0.
6.8
Que se passe-t-il si la probabilit risque neutre nest pas

unique ?
En march incomplet, il ny a plus forcment unicit de prix, mais un fourchette de prix

acceptables. La borne suprieure sera la prix demand (ask) dfini par
C+ = inf { S, S() C()}
et la borne infrieure sera la prix offert (bid) dfini par
C = sup { S, S() C()}
o C dsigne le payoff de loption.
Dans ce cas, notons que si Q est une probabilit risque neutre, alors
C EQ (C) C + .
Lide sous-jacent est que sil existe un contrat se vendant plus que C + , il existe une
opportunit darbitrage (et de gagner de largent sans risque).
6.9
De larbre binomial au modle continu
Dans le cas de larbre binomial, le processus dus sous-jacent vrifiait
Sn+1
u avec probabilit1/2
=
d avec probabilit1/2
Sn
(on suppose que les probabilits de hausse et de baisse sont ici gale par soucis de simplicit). Aussi,

m 1
P(Sn = s|S0 ) =
si s = S0 um dnm , et 0 sinon.
n 2n
Comme pourle passe en temps continu de la marche alatoire, on pose Ynt = Sn .
Alors, si x = t,
P(Sn = S0 uk dnk |S0 )
f (Yt = s|Y0 = S0 ),
2x
quand n, k , avec nt t, et S0 uk dnk s, en notant
(y y0 [ 2 /2] t)2
1
exp
f (Yt = y|Y0 = y0 ) =
,
2 2 t
2 2 t
51
comme le montre Karatzas & Shreve (1988). Une tape cle de la preuve est de noter
que
2
ud = exp(2t) (2 exp( 2 t)) e2t e t ,
et que
u
= 1 + 2 t + 2 t e2 t .
d
En notant encore une fois m = [n + k]/2, on en dduit que
2
m log u + (n k) log d nt
+ mx,
2
et donc, en utilisant un raisonnement analogue au cas de la marche alatoire

r

2
1
k 1
2
k
exp
n
2x n 2
n
2n
1
(log S log S0 [ 2 /2] t)2

exp
.
2 2 t
2 2 t
6.10
La formule de Black & Scholes (1973)
Comme nous lavons rappel dans le Chapitre prcdant, dans le cas du modle de Black
& Scholes (1973), une formule analytique peut tre obtenue pour valoriser les call.
Proposition 22. Le prix dun call europen en t = 0, de maturit T , de strike K, dont
le prix de lactif sous-jacent est de moyenne , de volatilit , avec un taux sans risque
de r,
Call(r, , T, K) = S0 (d1 ) KerT (d2 ),
et dans le cas du put de mmes paramtres
Put(r, , T, K) = KerT (d2 ) S0 (d1 ),
o
et d2 = d1 T .
6.11
1
d1 =
T
log
S
K

2
+ r+
T ,
2
Utiliser un autre arbre ?
Nous avons ainsi deux mthodes pour discrtiser larbre
er T /h d
u = exp( t)
le cas u = 1/d, soit
et p =
d = exp( t)
ud
p 2
u = erT /h 1 e T /h 1
et p = 1
le cas p = 1/2, soit
p
d = erT /h 1 + e2 T /h 1
2
La figure 27 montre les distributions en T pour diffrentes valeurs h. Ces deux choix
semblent trs proches. En effet, notons que
u = 1 + t + rt + O(t3/2 ) pour les deux modles.
52
80
60
0
20
40
60
40
0
20
80
100
Prix BlackScholes dun call
100
Prix BlackScholes dun call
50
100
150
200
50
100
150
200
Figure 26: Valeur Black & Scholes dun call, impact de la volatilit et du taux sans
risque r.
0.08
0.06
0.04
0.02
0.00
0.00
0.02
0.04
0.06
0.08
0.10
Arbre binomial, p=1/2, n=100
0.10
Arbre binomial, u=1/d, n=100
50
100
150
200
50
150
200
150
100
50
0
50
100
150
200
Arbre binomial, p=1/2, n=25
200
Arbre binomial, u=1/d, n=25
100
0.0
0.2
0.4
0.6
0.8
1.0
0.0
0.2
0.4
0.6
0.8
1.0
Figure 27: Comparaison des diffrents arbres, u = 1/d et p = 1/2.
53
6.12
Arbre trinomial, ou mthode de Boyle (1986)
Lide de Boyle (1986) tait de proposer un algorithme convergent plus rapidement que
lalgorithme binomial. Pour cela, chaque noeud, trois direction sont envisages, o la
date 1 trois valeurs sont envisage
S1 = S0 u avec probabilit pu
S1 = S0 avec probabilit ps
S1 = S0 d avec probabilit pd
o
!2
e T /2 erT /2
pd =
,
e T /2 e T /2
!2
erT /2 e T /2
pu =
,
T /2
T /2
e
e
et ps = 1 pu pd .
Cette mthode revient peu de choses prt, sauter un pas de temps dans le modle
binomial, en supposant que lon passe de t = 0 t = 2 puis t
= 4,... etc.
L encore, une alternative possible est de poser u = exp( 3t) et d = exp( 3t).
Les probabilits de transition
r
t
1
2
pu =
+ ,
r
2
12
2
6
pour la probabilit de passer de S0 S0 u
r
t
2
1
ps =
r
+ ,
2
12
2
6
pour la probabilit de passer de S0 S0 d, et ps = 2/3 pour la probabilit de rester S0 .
Une autre manire de prsenter cette mthode est dutiliser la moyenne des valeurs
obtenues sur n dates, et sur n 1 (les valeurs du call changeant de signe en fonction de
la parit de n)
6.13
Extention aux options multisupport (ou arc-en-ciel)
On sintresse ici des options bases sur deux sous-jacents dont les cours sont (S1,t )t0
et (S2,t )t0 respectivement. On note p1 et p2 les probabilits de hausse des deux titres,
respectivement. Alors, si lon suppose les variations comme tant indpendantes dune
date lautre,
S1 et S2 augmentent avec probabilit p1 p2 ,
S1 augmente et S2 baisse avec probabilit p1 (1 p2 ),
S1 baisse et S2 augmente avec probabilit (1 p1 ) p2 ,
S1 et S2 diminuent avec probabilit (1 p1 ) (1 p2 ).
54
Prix dun call par arbre binomial
6.576
6.574
6.572
PRIX.CALL[5:450]
6.566
6.45
6.568
6.570
6.60
6.55
6.50
PRIX.CALL[5:450]
6.65
6.578
6.70
6.580
Prix dun call par arbre binomial
100
200
300
400
100
200
5:450
300
400
5:450
Figure 28: Convergence du prix du call par arbre, en utilisant la moyenne pour n et n 1
priodes.
Dans le cas o les sous-jacent sont corrls Rubinstein (1994) a propos un arbre
non-rectangulaire. A partir dun noeud o les prix sont (S1 , S2 ), on suppose que 4 noeuds
peuvent tre atteints, avec un arbre binomial pour le premier actif (qui peut atteindre les
valeurs u ou d), et 4 valeurs possibles pour le second actif A, B, C ou D,
(u, A) (u, B)
(d, C) (d, D)
Remarque 23. Notons que lon parle aussi parfois darbre binomial deux facteurs.
On suppose que les probabilits sont gales (1/4), et que A D = B C. A la date 1,
il y a 4 noeuds, qui passent 9 la date 2 (compte tenue de lgalit A D = B C, on a
(t + 1)2 noeuds la date t, et non pas 2t+1 ). Cette mthode est proche de la convention
o p = 1/2 dans les arbres binomiaux unidimensionnels.
On suppose que le logarithme des prix (log S1 et log S2 ) suit une marche alatoire.
Dans le cas o = 0, les valeurs possibles pour le logarithme des prix sont
(+1, +1) (+1, 1)
(1, +1) (1, 1)
ce qui donne une marche alatoire centre rduite, au sens o
E(log Si ) = 0, V ar(log Si ) = 1 pour i = 1, 2,
et cov(log S1 , log S2 ) = 0. Si lon souhaite que les prix des actifs soient corrls, les valeurs
possibles sont alors
p
p
+1, 1 2
+1, + 1 2
p
p
2
2
1, + 1
1, 1
55
(u2,A2)
(u2,AB)
(u2,B2)
(u,A)
(u,B)
(du,BC)
=
(ud,AD)
(ud,AC)
(du,BD)
(d,D)
(d,C)
(d2,C2)
(d2,CD)
(d2,D2)
Arbre binomial pour 2 risques, T=2
Arbre binomial pour 2 risques, T=2
Figure 29: Visualisation dun arbre binomial sur deux risques, ou arbre pyramidal.
On notera que
E(log Si ) = 0, V ar(log Si ) = 1 pour i = 1, 2,
et cov(log S1 , log S2 ) = . Enfin, plus gnralement, si les deux titres nont pas les mmes
premiers moments,

p
+1 h + 1 h, +2 h + 2 h( + 1 2 )

p
1 h 1 h, +2 h 2 h( + 1 2 )

p
+1 h + 1 h, +2 h + 2 h( 1 2 )

p
1 h 1 h, 2 h 1 h( 1 2 )
de telle sorte que

E(log Si ) = i h, V ar(log Si ) = i2 h pour i = 1, 2,
et cov(log S1 , log S2 ) = 1 2 h.
Plus gnralement, avec k actifs, de chaque noeud part 2k . Dans le cas o k = 2,
partir de (S1 , S2 ), on accde (S1 u1 , S2 u2 ) avec probabilit pu1 u2 , (S1 u1 , S2 d2 ) avec
probabilit pu1 d2 , (S1 d1 , S2 u2 ) avec probabilit pd1 u2 , et (S1 d1 , S2 d2 ) avec probabilit
pd1 d2 , o, en notant t = T /n,
ui = exp(i t) et di = exp(i t),

et o les probabilit sont
1 2
pu1 u2
+
,
1++ t
1 2
1 2
1
,
pu1 d2 =
1+ t
4
1 2
1
1 2
pd1 u2 =
,
1+ t +
4
1 2
1
=
4
56
pd1 d2
1
=
4
1+
1 2
t
+
1 2
o i = r i2 /2. Cette mthode est justifie dans Boyle, Evnine & Gibbs (1989).
Lide est dutiliser une approximation lordre 1, par la formule de Taylor, de la fonction
charactristique du vecteur Gaussien. On suppose en effet que
dSti
= i dt + i dWti , pour i = 1, 2,
Sti
o (W t )t0 = (Wt1 , Wt2 )t0 est un mouvement brownien (standard) bivarie, de corrlation
(on parlera aussi de corrlation instantanne entre dWt1 et dWt2 ). Dans le cas continue
(et de rendements Gaussiens), la fonction charactristique des rendements entre t et t est
alors
t 2 2
R (x, y) = 1 + i t (x1 + y2 )
x 1 + 2xy1 2 + y 2 22 + o(t).
2
o R1 et R2 dsigne le rendement entre les dates 0 et t = T /n, pour le processus discrtis,
i.e. Ri = log(S1i /S0i ). La fonction charactristique de R = (R1 , R2 ) est
R (t, u) = E(exp(itR1 + iuR2 )).
Dans le cas de notre processus 4 tats, on obtient que
R (x, y) = pu1 u2 exp(i t[x1 + y2 ]) + pu1 d2 exp(i t[x1 y2 ])
+pd1 u2 exp(i t[x1 + y2 ]) + pd1 d2 exp(i t[x1 y2 ]),

do, en faisant un dveloppement de Taylor lordre 1,
t
2
R (x, y) = pu1 u2 1 + i t[x1 + y2 ] [x1 + y2 ]
2
t
2
+pu1 d2 1 + i t[x1 y2 ] [x1 y2 ]
2
t
2
+pd1 u2 1 + i t[x1 + y2 ] [x1 + y2 ]
2
t
2
+ pd1 d2 1 + i t[x1 y2 ] [x1 y2 ] + o(t).
2
Cette dernire expression peut se simplifier sous la forme
R (x, y) = 1 + i t ([x1 (pu1 u2 + pu1 d2 pd1 u2 pd1 d2 )] + [y2 (pu1 u2 pu1 d2 + pd1 u2 pd1 d2 )])
t
x2 12 + 2xy1 2 [(pu1 u2 pu1 d2 pd1 u2 + pd1 d2 )] + y 2 2 + o(t).
2
Par identification entre les deux premiers termes du dveloppement de Taylor, on
obtient le systme
pu u + pu d + pd u + pd d = 1
p 1 2 p 1 2 p 1 2 +p 1 2 =
u1 u2
u1 d2
d1 u2
d1 d2
p
+
p
p
u1 u2
u1 d2
d1 u2
d1 d2 = t1 /1
pu1 u2 pu1 d2 + pd1 u2 pd1 d2 = t2 /2

57
Option sur spread
25.90
25.85
Prix du call
25.80
16.35
16.25
25.75
16.30
Prix du call
16.40
25.95
16.45
26.00
Option sur spread
50
100
150
50
100
5:150
150
5:150
Figure 30: Prix dune option sur spread.

Remarque 24. Pour dautres mthodes de valorisations doptions multisupports par lattices, un certain nombre dalgorithmes ont t obtenus par Madan, Milne & Shefrin
(1989), He (1990) ou encore Kamrad & Rithken (1991). Ces derniers ont en particulier propos dtendre en dimension 2 les arbres trinomiaux, en rajoutant une cinquime
branche aux 4 de la mthode de Boyle, Evnine & Gibbs (1989) (cas dinvariance).
La Figure 30 montre le prix dun call sur spread, avec une corrlation de 0.5 gauche,
et 0.5 droite.
Remarque 25. La valeur thorique prsente est bas sur lapproximation de Kirk
(1995). Lide est de noter que
S1
1
2
C = max{S S K, 0} = max
1, 0 (S 2 + K),
2
S +K
de telle sorte que
C=
o
(S02
rT
K) e
1
d1 =
T
S01
(d1 ) (d2 ) ,
S02 + K
2T
S1
log 2 0 +
S0 + K
2
et d2 = d1 T , o est la volatilit de S 1 /(S 2 + K), qui peut tre approche par

s
2
S2
S02
2
21 2 2 0 .
= 1 + 2 2
S0 + K
S0 + K
58
Arbre pour les prix des zrocoupons
Arbre binomial pour les taux dintrt
ruuuuu
1
B5(u4)
ruuuu
ruuu
ruu
B5(u3)
ruuudd
2
ruudd
rudd
ru
rdd
rddd
rud
ruddd
ruud
ruuddd
B5(u2d)
B5(ud)
B5(d)
ruuuud
1
B5(u d )
2 2
B5(ud2)
B5(d2)
1
B5(ud3)
B5(d3)
1
B5(d4)
ruuud
B5(0)
rddddd
2
rd
B5(u)
rudddd
rdddd
1
B5(u3d)
B5(u )
2
Figure 31: Arbres pour les taux, et pour les prix des zro-coupons.
6.14
Utilisation des arbres pour modliser les processus de taux
Le modle de Ho & Lee (1986), prsent auparavant en temps continu, est en fait un
processus de diffusion sur un arbre.
On note Bi (n, T ) la valeur la nime priode dun zro-coupon de maturit rsiduelle
T , se trouvant dans ltat du monde i. Sil y a une hausse, on passe Bi+1 (n+1, T 1) la
date suivante, et sinon Bi (n + 1, T 1) en cas de baisse. Lhypothse darbre recombinant
est l aussi faite.
Pour valoriser ces zro-coupons, on note quil existe deux manire, la date n,
dobtenir 1 euro en T + 1:
acheter un zro-coupon de maturit T + 1, ce qui vaut Bi (n, T + 1),
acheter un zro-coupon de maturit 1, puis, dans une priode, acheter un nouveau
zro-coupon de maturit T . Ce double achat vaut
Bi (n, 1)Bi (n + 1, T ) = Bi (n, 1)Bi+1 (n + 1, T ).????
Suivant que les taux montent ou baisse, Ho & Lee (1986) propose dintroduire deux
fonctions perturbatrices.
6.15
Une extension possible: cas dun taux ou dune volatilit

stochastique
Au lieu de supposer deux volutions de cours (corrls), il est aussi possible de considrer
un modle avec un taux dintrt stochastique.
Formellement, si lon suppose un processus de diffusion de la forme suivante pour le
taux sans risque
drt = a(r, t)dt + r dWtr ,
59
et pour le prix de laction
d(log St ) =
2
r S
2
dt + S dWtr +
1 2 S dWts ,
en supposant les deux browniens non-corrls.
6.16
Arbre binomial et calcul des grecques: Delta
Le Delta se calcule sous la forme

n =
15.27 4.05
11.22
=
0.624
59.79 41.81
17.98
Notons que le Delta thorique vaut ici

=
C
= (d1 )
S
Remarque 26. Notons quen prenant dautres noeuds de larbre, on aurait trouv
24.08 7.33
16.75
7.33 1.07
6.26
=
0.779 ou
=
0.416.
71.5 50
21.5
50 34.96
15.04
La Figure 32 montre le calcul du , avec gauche lvolution de n en fonction de
n en utilisant la premire mthode propose. La figure de droite est base sur la seconde
mthode, prsente dans la Remarque prcdante. Le trait en haut est bas sur larbre
aprs une monte (u), et le trait en bas larbre obtenu aprs une premire descente (d).
La moyenne de ces deux valeurs est aussi prsente. Ces deux calculs seront dailleurs
utiliss ltape suivante, pour le calcul du .
6.17
Arbre binomial et calcul des grecques: Gamma
Le Gamma se calcule sous la forme

=
1 2
0.779 0.416
=
= 0.00993 0.01.
71.50 34.96
36.54
24.08 7.33
7.33 1.07
et 2 =
.
71.5 50
50 34.96
La aussi, dans le cas du modle de Black & Scholes (1973), la formule ferme
permet dobtenir la vraie valeur du Gamma.
1 =
6.18
Arbre binomial et calcul des grecques: Theta

=
7.33 9.38
10.25(par anne),
1/5
60
Grecques par arbre binomial
0.632
0.630
0.628
0.626
Convergence du Delta
0.622
0.624
0.66
0.64
0.62
0.60
0.58
Convergence du Delta
0.68
0.634
0.56
50
100
150
200
50
100
5:200
150
200
5:200
Figure 32: Calcul du par la mthode des arbres, convergence de n vers .
0.017
0.018
0.019
0.020
Convergence du Gamma
20
40
60
80
100
5:100
Figure 33: Calcul du par la mthode des arbres, convergence de n vers .
61
n
5
10
20
50
100
250
1000
Vega
0.1982842
0.1844915
0.1868036
0.1882080
0.1886787
0.1889617
0.1891033
0.195
0.185
0.190
Valeur du Vega
0.190
0.185
Valeur du Vega
0.195
Table 3: Calcul du Vega, par arbre binomial et convergence.
50
100
150
200
Nombre de segmentations
50
100
150
200
Nombre de segmentations
Figure 34: Convergence du calcul du Vega par arbre (avec 0.41 gauche, 0.401 droite).
6.19
62
Arbre binomial et calcul des grecques: Vega
Le calcul du Vega se fait en augmentant la volatilit de 1%, et en construisant un autre

arbre. Aussi, 9.38513 pour n = 5, avec = 40%, et 9.583413 pour = 41%. Aussi, le
vega est la diffrence entre ces deux prix, i.e. V 0.1982842.
On notera que thoriquement, la valeur du vga est 0.1895058.
6.20
Arbres pour options path-dependent
Les options considres taient des options europennes, ne faisant intervenir, dans la
formule du payoff que la valeur chance du sous-jacent. Mais dans certains cas, il
convient de connaitre la valeur du sous-jacent toute date entre 0 et T , en particulier
quand on sintresse
Z
1 T
la moyenne
St dt,
T 0
un extrema max{St , t [0, T ]} ou min{St , t [0, T ]},
au franchissement dune barrire au cours de la priode [0, T ].
6.21
Utilisation (directe) pour les options barrire
Plaons nous sur larbre considr dans la section prcdante, et supposons quil existe
une barrire 80, dans le cas dun call up and out, cest dire qui verse (ST K)+
chance, condition que St B pour tout t [0, T ].
En fait, deux barrire seront alors considrs, une premire appele frontire modifie, situe juste en dessous, et une frontire effective, situe juste au dessus (Figure
35). La frontire modifie passe par les noeuds strictement au dessus de la barrire, et la
barrire modifie par les noeuds strictement en dessous.
On fait alors la valorisation de loption, comme dans le cas sans barrire, en notant
que le prix de loption est nul ds lors que le cours du sous-jacent a franchi la barrire.
On notera sur la Figure 36 que le prix converge relativement lentement. En particulier,
un certain nombre de sauts ralentissent la convergence. Une solution est alors dutiliser
des arbres adaptatifs, dont le branchage est de plus en plus dense, au fur et mesure
quon se rapproche de la barrire.
6.22
Les arbres adaptatifs
Figkewski & Gao (1999) ont propos dutiliser des arbres adaptatifs afin damliorer
la convergence des arbres binomiaux. On notera que ces mthodes sont aussi beaucoup
utilise pour la valorisation doptions amricaines.
Lide est de rajouter un maillage un peu grossier un second maillage beaucoup plus
fin, l o cest ncessaire (par exemple prs des barrires dans le cas doptions barrires,
proche du strike pour des options all-or-nothing ou proche de la date dexercice dans le
cas dun call amricain).
63
Arbre du prix du sousjacent
Arbre du prix du sousjacent
122.29
59.79
50
41.81
41.81
59.79
29.23
71.5
59.79
59.79
50
50
41.81
41.81
34.96
29.23
41.81
34.96
29.23
29.23
24.44
24.44
50
41.81
34.96
85.51
71.5
59.79
50
34.96
85.51
59.79
50
85.51
71.5
71.5
102.26
85.51
122.29
102.26
20.44
20.44
Figure 35: Arbre, barrire et frontires (modifie et effective).
Prix dun call upandout par arbre binomial
Arbre du prix de loption
2.19
4.0
2.24
1.07
9.79
4.68
0
0
0
2.5
3.5
4.79
3.44
Barrire 80
2.93
2.52
0
5
2.45
3.0
0
0
4.5
2.0
100
200
300
400
500
5:500
Figure 36: Construction de larbre optionnel, et valeur du call douwn-and-out en fonction

du nombre de priodes.
64
2
0
2
4
Maillage adaptatif (intense prs de la barrire)
Maillage adaptatif (intense prs du strike)
Figure 37: Deux arbres adaptatifs, pour une option de type all-or-nothing gauche, ou
barrire droite.
6.23
Une application simple des arbres adaptatifs
Considrons le cas dun call europen (classique) trs en dehors de la monnaie, S0 = 100
et K = 150, voire K = 200. La Figure suivante montre lvolution du prix du call
pour des options en dehors de la monnaie (les ordonnes sont cohrentes, au sens o elles
reprsentent le vrai prix du call 1%).
Plus le strike est loign de la valeur du sous-jacent, plus lalgorithme est lent
converger. Aussi, les arbres adaptatifs sont ventuellement une solution, en intensifiant
le maillage pour des prix proches du strike.
Pour mettre en oeuvre simplement larbre adaptatif, on gnre un premier arbre
grossier n branches. On cherche alors la date iT /n laquelle le prix maximum du
sous-jacent (S0 ui ) dpasse le strike. A partir de ce point, on gnre un arbre pour valoriser loption valant S0 ui la date initiale, de strike K et de maturit T iT /n. On
gnre alors un arbre plus fin, m branches.
De manire gnrale, on peut gnrer plusieurs arbres plus fins afin de mieux valoriser le
prix des options une date intermdiaire (Figure 39). En particulier, pour la valorisation
du call trs en dehors de la monnaie, on a intrt intensifier le maillage pour les valeurs
leves. En effet, pour les valeurs faibles du sous-jacent, le prix de loption est nul.
Algorithmiquement, on gnre les arbres n priodes, pour le sous-jacent et le prix
de loption. On calcule alors de prix de loption de manire rcursive, et arriv la date
i (obtenu en rsolvant S0 ui = K, soit i = log(K/S0 )/ log(u)), on subtitue la valeur de
loption un noeud de larbre, le prix dune option dont la valeur initiale est S0 ui , de
strike K et de maturit T iT /n, par arbre binomial (Figure 40).
Parmi les arbres adaptatifs on compte aussi les arbres pais. Formellement, le processus de prix du sous-jacent est une chane de Markov ((Xt )t{t0 ,t1 ,...,tn } ) qui volue sur un
arbre classique T .
65
Prix dun call en dehors de la monnaie (s=100, K=200)
4.80
1.230
4.82
1.235
1.240
4.84
1.245
4.86
1.250
4.88
Prix dun call en dehors de la monnaie (s=100, K=150)
100
200
300
400
100
200
300
400
Figure 38: Valorisation dun call, la monnaie, et trs en dehors de la monnaie.
10
0
10
20
10
10
20
Constitution des plusieurs arbres imbriqus
20
Constitution des deux arbres imbriqus
20
10
15
20
10
15
20
Figure 39: Valorisation dun call, la monnaie, et trs en dehors de la monnaie.
66
0.003
0.002
0.000
0.001
PRIX.CALL[10:150]
0.004
Ajout dun maillage plusieurs niveaux
20
40
60
80
100
120
140
10:150
Figure 40: Options trs en dehors de la monnaie.

A un point de larbre (correspondant une date t et un tat x donns), considre
un second processus pouvant prendre K valeurs,
Y (x, t, 1), Y (x, t, 2), ..., Y (x, t, K).
Un arbre pais est alors le produit cartsien de larbre classique T et de lensemble
des valeurs possible du second processus, i.e. D = {1, 2, ..., K}. Aussi, chaque T {k}
est un arbre classique. On notera T larbre pais ainsi construit.
A chaque noeud ( = (x, t), k) de cet arbre T = T D, le processus (X, Y ) prend la
valeur (x, Y (x, t, k).
6.24
Les options lookback
Une premire ide peut tre non plus de construire larbre du sous-jacent, mais de le
normaliser. A chaque date t, on ne reprsente plus les diffrentes valeurs de St , mais
St0 =
max{Su , u [0, T ]}
,
St
et on construit larbre associ, comme sur la Figure 41.
6.25
Les options asiatiques
Lutilisation dun arbre binomialnest

naturelle pour valoriser une option
Z a priori pas
1 T
St dt K
(call asiatique strike fixe). Pour
asiatique, par exemple de payoff
T 0
+
deux mthodes sont possibles (Forsyth, Vetzal & Zvan (1998)).
67
Prix du sousjacent normalis par le maxima
Prix du sousjacent
122.29
59.79
50
41.81
41.81
1.43
2.04
2.04
2.04
2.04
29.23
2.92
2.92
2.92
4.18
4.18
24.44
1.43
41.81
29.23
1.43
34.96
1.43
59.79
50
34.96
1.43
59.79
50
85.51
71.5
71.5
85.51
102.26
5.98
20.44
Figure 41: Rcriture de larbre du sous-jacent, en normalisant par le maximum observ

entre 0 et t.
la mthode forward shooting grid de Barraquand & Pudet (1996)
On discrtise pour cela deux
variables: le cours du sous jacent S et la moyenne du sous
jacent A. On pose S = t et A = S, o est la volatilit du sous-jacent, et
un paramtre liant la discrtisation du sous-jacent celle de la moyenne (quantization
parameter). On va supposer que 1/ N. Avec ces notations, on va discrtiser les valeurs
du processus en temps, mais aussi en espace: Sn,j = S0 exp(jS) pour n = 0, ..., m et
j = n, n + 1, ..., n 1, n, et An,k = S0 exp(kA), o k prend des valeurs entre n/
et n/.
Conformment la construction de larbre binomial pour le prix du sous-jacent, Sj,n
passe soit Sj+1,n+1 soit Sj1,n+1 entre les dates tn et tn+1 , avec les probabilits respectives p et 1 p. De manire analogue, An,k passe soit An+1,k+ , soit An+1,k , en
fonction du fait que le sous-jacent est mont ou descendu, cest dire
An+1,k = An,k +
(Sn+1,j1 An,k )
,
n+2
en utilisant la formule de mise jour de la moyenne. Dans le cas qui nous interesse,
notons que
log An+1,k
k = Partie entire
.
S
On calcule alors le prix de loption, Cj,k,n = C(Sn,j , An,k , nt) atteind par loption la
date nt, lorsque le prix du sous-jacent est en Sn,j et la moyenne du prix du sous-jacent
entre 0 et nt vaut An,k . Si p est la probabilit risque neutre, i.e.
exp(rt) exp( t)
.
p=
exp( t) exp( t
68
VALORISATION EN TEMPS CONTINU
la mthode de Hull & White (1993)

Dans la mthode prcdante, la discrtisation en A se faisait avec un pas de temps
quadratique en fonction du temps. On
suppose ici quelle est linaire. Au lieu de considrer
An,k = S0 exp(kS) = S0 exp(k t), on considre ici An,k = S0 exp(kt). Cette
mthode convergera alors beaucoup plus rapidement.
7
7.1
Valorisation en temps continu

Le modle dHarrison & Pliska (1981)
Le rsultat fondamental de Harrison & Pliska (1981) est de montrer que sil existe
une mesure de probabilit sous laquelle tous les processus de prix actualiss des titres sont
des martingales, alors, partir de cette mesure, il est possible de constuire un ensemble
de prix contingents cohrents avec les prix de march. Et rciproquement, sil existe un
tel ensemble de prix, alors il en possible den dduire une mesure de probabilit sous
laquelle les processus de prix actualiss sont des martingales. Ce rsultat tablit une
correspondance entre ces deux notions, sans pour autant statuer sur lexistence dune
telle mesure.
En fait, la condition ncessaire et suffisante pour quil existe au moins un telle mesure
martingale est labsence dopportunit darbitrage.
7.2
Les volutions des cours
On considre deux actifs en temps continu, une action risque de prix St linstant t, et
un actif sans risque de prix St0 linstant t.
On suppose que lvolution de St0 est rgie par lquation diffrentielle
dSt0 = rSt0 dt, o r > 0.
r est le taux dintrt (instantan).
On suppose que lvolution de St est rgie par lquation diffrentielle stochastique
dSt = St dt + St dWt , o , > 0,
o (Wt )tR est un mouvement brownien standard. Cette quation se rcrit
Z t
Z t
St = S0 +
Ss ds +
Ss dWs .
0
7.3
Rsolution et formule dIto
La formule dIto permet de diffrencier des applications t 7 g(Wt ) o g est deux fois
continment drivable.
Exemple 27. Le calcul diffrentiel usuel ne marche pas ici. Rappelons que si g est
drivable et nulle en 0,
Z t
Z t
2
0
g(x) = 2
g(s)g (s)ds = 2
g(s)dg(s).
0
69
Rt
Rt
Si g(x) = x2 , on crirait alors Wt2 =2 0 Ws dWs . Or ( 0 Ws dWs )tR+ est une martingale,
donc si lgalit prcdante tait vraie, (Wt2 )tR+ serait galement une martingale. Or une
martingale positive nulle en 0 est forcment nulle. Donc Wt2 = 0.
En fait le calcul diffrentiel se fait de la faon suivante,
Dfinition 28. Soit (Wt )tR+ un (Ft )tR+ -mouvement brownien. Le processus (Xt )tR+
est un processus dIto sil peut scrire
Z t
Z t
X t = x0 +
As ds +
Bs dWs , pour t [0, T ],
0
o X0 = x0 presque srement, (At )t[0,T ] et (Bt )t[0,T ] sont des processus (Ft )tR+ -adapts
tels que
Z T
Z T
|As |ds < et
|Bs |2 ds < .
0
On notera parfois simplement dXt = At dt + Bt dWt .

Thorme 29. Soit (Xt )tR+ un (Ft )tR+ -processus dIto, et f : R R une fonction
deux fois continment derivable, alors pour t [0, T ],
Z
Z t
1 t 00
0
f (Xs )d < X, X >s , pour t [0, T ],
f (Xt ) = f (x0 ) +
f (Xs )dXs +
2 0
0
Z s
o < X, X >s =
Bt2 dt, et o
0
Z
f (Xs )dXs =
f (As )Ks ds +
0
f 0 (Xs )Bs dWs .
Thorme 30. Soit (Xt )tR+ un (Ft )tR+ -processus dIto, et f : [0, T ] R R une
fonction deux fois continment derivable en x et drivable en t, alors pour t [0, T ],
Z
f (t, Xt ) = f (0, x0 ) +
f (s, Xs )
ds +
t
f (s, Xs )
1
dXs +
x
2
Z
0
2 f (s, Xs )
d < X, X >s .
x2
La rsolution dans le cas du modle de Black & Scholes (1973) se fait en posant
Yt = log(St ). (St )tR tant un processus dIto, on applique (formellement) la formule dIto
f (x) = log(x), et donc
Z
Z t
dSs 1 t 1 2 2
+
Ss ds.
log(St ) = log(S0 ) +
2 0 Ss2
0 Ss
Cette dernire quation se rcrit
Z t
Yt = Y0 +
0
dt+ t0 dWt ,
70
soit
2
Yt = log(St ) = log(S0 ) +
2
t + Wt ,
cest dire, en prenant lexponentielle,
2
St = S0 exp
t + Wt .
2
Remarque 31. La fonction log ntait pas dfinie en 0, la formule dIto nest ici
utilise que formellement. Il convient alors de vrifier que ce processus est effectivement solution de lquation diffrentielle stochastique. Notons St = g(t, Wt ) o
g(t, x) = S0 exp (( 2 /2) t + x). La formule dIto donne
Z
g(t, Wt ) = g(0, W0 ) +
g(s, Ws )
ds +
s
g(s, Ws )
1
dWs +
x
2
Z
0
2 g(s, Ws )
d < W, W >s ,
x2
or < W, W >t = t donc finalement
Z t
Z t
Z
2
1 t
g(t, Wt ) = S0 +
Ss
ds +
Ss dWs +
Ss 2 ds.
2
2 0
0
0
Thorme 32. Soient , deux rels, T > 0 et (Wt )tR+ un mouvement brownien standard. Il existe un unique processus dIto (St )tR+ qui vrifie
Z t
Z
St = S0 +
Ss ds + Ss dW s,
(4)
0
et ce processus est donn par
St = S0 exp
t + Wt .
(5)
Notons que (St )tR+ vrifie une quation de type (6) si et seulement si (Yt )tR+ (o
Yt = log(St )) est un mouvement brownien.
7.4
Quelques rappels sur les changements de probabilit
Rappelons que quune probabilit Q est absolument continue par rapport P, not Q P
si
pour tout A A, si P(A) = 0 alors Q(A) = 0.
Le thorme de Radon Nikodyn dit que si Q est absolument continue par rapport
P, alors il existe une variable alatoire Z valeurs positives ou nulles telle que
Z
pour tout A A, Q(A) =
Z()dP(A),
A
on parle alors de densit de Q par rapport P, note dQ/dP.

On parlera de probabilits quivalentes, Q P si Q P et P Q, ou de faon
quivalente P(Z > 0) = 1.
71
Ce changement de mesure peut tre intressant sur les processus de diffusion. Considrons une diffusion de la forme dSt = adt + bdWt , o a et b sont des constantes, et (Wt )
un mouvement brownien, sous P. Est-il possible de faire un changement de probabilit,
t , o (W
t ) est un (autre) mouvede telle sorte que ce processus puisse scrire dSt = bdW
ment brownien ? Une autre lecture est: peut-on passer dune diffusion avec drift une
martingale par un changement de mesure ?
t ) satisfasse dW
t = dWt a/bdt. La question que lon se
La seule solution est que (W
posait est alors: est-il possible de faire un changement de probabilit pour que le processus
t ) soit un mouvement brownien ?
(W
t ) est un mouvement brownien sous la mesure Q, o
En fait, (W
dQ = ZT dP, i.e. ZT =
dQ
dP
la drive de Radon-Nikodym est telle que
a
1 a 2
Zt = exp Wt
t .
b
2 b
En particulier
EQ (X) = EP (X ZT ) pour tout X.
Le thorme de Girsanov permet de gnraliser ce qui vient dtre fait, cest dire, en
changeant de probabilit, dobtenir des martingales,
RT
Thorme 33. Soit (St )t[0,T ] un processus vrifiant 0 St2 dt < presque srement, et
tel que
Z t
Z
1 t 2
Lt = exp
Ss dW s
S s
(6)
2 0 s
0
soit une filtration. Sous la probabilit
Q, de densit LT par rapport P, le processus
Rt
(Yt )t[0,T ] dfini par Yt = Wt + 0 Ss ds est un mouvement brownien.
Proof. Karatzas & Shreve (1988).
Dans le modle de Black & Scholes (1973), il est possible dutiliser ce thorme
pour montrer quil existe une probabilit quivalente P sous laquelle le processus de prix
actualis (St )tR+ , dfini par St = ert St , est une martingale.
dSt = rert St dt + ert dSt = St [( r)dt + dWt ],
t = Wt + ( r)t, on peut crire
et en notant W
t.
dSt = St dW
Daprs le thorme de Girsanov, il existe un probabilit Q, quivalent P sous laquelle
(Wt )tR+ est un mouvement brownien standard. Aussi, on peut montrer que sous la
probabilit Q, (St )tR+ est une martingale, et
St = S0 exp Wt t .
2
72
7.5
Application au pricing doptions
Considrons un call: en notant g(x) = (x K)+ , le payoff scrit Z = g(ST ).

Lide central pour valoriser les options est celle de portefeuille de rplication. Considrons une stratgie (t0 , t )tR+ , la valeur du portefeuille associe est Vt () = t0 St0 + t St .
En temps discret, on dira quune stratgie (t0 , t )tN est autofinance si
0
0
Vt+1 () Vt () = t+1
(St+1
St0 ) + t+1 (St+1 St ),
dont la version en temps continue est alors

dVt () = t0 dSt0 + t dSt .
Cette dernire relation scrira plus gnralement
Z t
Z t
0 0
0 0
0 0
s Ss pour tout s [0, T ].
s Ss +
t St + t St = 0 S0 + 0 S0 +
0
On rajoutera galement lhypothse technique

0
Z
|t0 |dt
+
0
t2 dt < .
On notera que la stratgie est autofinance si la valeur actualise du portefeuille associ

scrit
Z t
Vt () = V0 () +
s dSs pour tout t [0, T ].
0
La stratgie sera admissible si en plus n

la valeur
actualise du portefeuille associ,
o
Vt () = t0 + t St est positive et que sup Vt est de carr intgrable. On dire enfin
t[0,T ]
que loption est rplicable sil existe une stratgie admissible dont la valeur lchance
est la mme que loption.
Thorme 34. Dans le modle de Black & Scholes (1973), considrons une option
dfinie par un payoff Z, positif, FT mesurable et de carr intgrable sous la probabilit Q.
La valeur est alors
Vt = EQ (er(T t) Z|Ft ).
Proof. On suppose quil existe une stratgie permettant de rpliquer loption. Pour tout
t [0, T ], Vt = t0 St0 + t St , soit, en valeur actualise,
Z t
Z t
0
s dSs = V0 +
u Ss dWs .
Vt = t + t St = V0 +
0
Aussi, Vt scrit comme une intgrale stochastique par rapport (Wt )tR , et donc, sous
Q, (Vt )tR est une martingale de carr intgrable. Donc pour tout t [0, T ],
Vt = EQ (VT |Ft ) = EQ (er(T t) Z|Ft ).
La construction dune telle stratgie se trouve dans Lamberton & Lapeyre
R t (1997).
rT
Lide tant dcrire la martingale Mt = EQ (e Z|Ft ) sous la forme Mt = M0 + 0 Ks dWs
pour tout t (thorme de reprsentation des martingales), puis de considrer t =
Kt /( St ), et t0 = Mt t St ).
73
Nous avions vu dans un paragraphe prcdant que
2
St = S0 exp
t + Wt ,
2
aussi, si le payoff de loption scrit sous la forme (ST K)+ (call europens),
Vt = EQ er(T t) (ST K)+ |Ft ,

qui peut scrire
2
r(T t)
Vt = EQ e
St exp(r(T t)) exp (WT Wt ) (T t) K
|Ft .
2
+
La variable St tant Ft -mesurable, sous Q, WT Wt est alors indpendante de Ft . Aussi,
on notera Vt = H(t, St ) o

2
r(T t)
H(t, x) = EQ e
x exp(r(T t)) exp (WT Wt ) (T t)
,
2
+
soit

H(t, x) = EP x exp T tZ 2 Z/2 Ker(T t) ,
o Z N (0, 1) car, sous Q, WT Wt suit une loi N (0, T t).

En posant
x
2
log K
+ r + 2 (T t)
d1 (x) =
et d2 (x) = d1 (x) T tn
T t
on peut alors crire
H(t, x) = EP

x exp T tZ 2 Z/2 Ker(T t) IZ+d2 (x)0 ,
soit
Z
d2 (x)
H(t, x) =
1
z
2
r(T t)
exp
x exp T tZ z/2 Ke
dz.
2
2
En dcomposant
comme diffrence de deux intgrale, puis en considrant le changement de
variable y = z + T t, on crit
H(t, x) = x(d1 (x)) Ker(T t) (d2 (x)),
o est la fonction de rpartition de la loi N (0, 1).
Remarque 35. De manire rciproque, si on connat le prix dune option sur le march, partir
du prix thorique obtenu laide du modle de Black & Scholes, il est possible den dduire
une volatilit dite volatilit implicite afin que les deux concident.
APPROCHE PAR LES QUATIONS AUX DRIVES PARTIELLES
74
Approche par les quations aux drives partielles
8.1
Petit rappel sur la formule dIto
Rappelons que le processus de diffusion suivit par le sous-jacent est dSt = St dt + St dWt , et
quil existe un actif sans risque, de rendement r, dont la dynamique du prix est donne par un
processus de la forme suivante, dSt0 = rSt0 dt.
Le lemme dIto nous dit que, plus gnrallement, si
dSt = a(St , t)dt + b(St , t)dWt ,
alors si Xt = g(St )
dXt
g
g(x, t)
g(x, t) 1 2 g(x, t) 2
b dt +
=
a+
+
bdWt
2
x
t
2 x
x
= (St , t)dt + (St , t)dWt ,
Aussie, (Xt )tR suit galement un processus dIto, dont le drift est et dont la variance est .
Dans le cas particulier du modle de Black & Scholes, pour tout transformation g drivable
g(x, t)
g(x, t) 1 2 g(x, t) 2 2
g
dXt =
St +
+
St dWt .
St dt +
2
x
t
2 x
x
8.2
Une premire approche, partir des arbres binomiaux
Nous avions not quil tait possible de construire un arbre binomial afin de valoriser loption,
et que pour le prix du sous-jacent tait multipli, entre chaque date, soit par u, soit par d. Un
dveloppement limit permet dobtenir
u 1 + t et d 1 t,
o t est le temps entre les deux dates.
Si on note C la valeur dun call europen, et C + et C le prix de loption la date t + t,
alors
2 C(St , t)
C(St , t) 1 2
C(St , t)
+
+ tSt2
,
Ct+t
+ t
= C(uSt , t + t) C(St , t) + tSt
St
2
t
St2
et par un raisonnement similaire,
C(St , t) 1 2
2 C(St , t)
C(St , t)
+ tSt2
+ t
.
Ct+t
= C(uSt , t + t) C(St , t) tSt
2
St
2
t
St
On notera alors que
C(St , t) =
=
+
+
uCt+t
dCt+t
Ct+t
Ct+t
+
ud
(1 + rt)(u d)
2 tSt C(St , t) (1 + t)C (1 t)C +
+
.
S
2 t
(1 + rt)2 t
En rarangeant, on obtient
C(St , t)
C(St , t)
2 tSt
(1 + rt)2 tC(St , t) = 2 tC(St , t)(1 + rt)
S
S
1
C(St , t)
2 C(St , t)
+ 2 t C(St , t) + tSt
+ t
,
2
S 2
t
qui peut, au final, se simplifier sous la forme
C(St , t) 1 2 2 2 C(St , t)
C(St , t)
+ S
+ rSt
rC(St , t) = 0.
t
2
S 2
S
8.3
75
Une seconde approche, avec mes mains
La version discrtise de ces quations est

St = St t + St Wt ,
et, si Xt = g(St , t)
Xt = g =
g(x, t) 1 2 g(x, t) 2 2
g
g(x, t)
St +
+
S
t +
St Wt .
t
x
t
2 x2
x
Considrons le portefeuille constitu de = g(Xt , t)/x actions, en position longue, et

dune option en position courte. La valeur du portefeuille est
= g +
g
S
S
et donc la variation de la valeur du portefeuille sur un court intervalle de temps t scrit

= g +
g
S.
S
En utilisant les expressions de g et de S, notons que
g 1 2 g 2 2
=
S t.
t
2 S 2
Comme il ny a plus de terme alatoire, cela signifie que pendant un instant trs court (t) le
portefeuille est sans risque. Aussi, par absence dopportunit darbitrage,
= rt
o r dsigne le taux sans risque. Par substitution
g 1 2 g 2 2
g
s t
S t = r g
t
2 S 2
S
cest dire
8.4
g
g
1
2g
+ rS
+ 2 S 2 2 = rg.
t
x 2
x
De lquation de Black & Scholes lquation de la chaleur
Proposition 36. Le prix dune option europen, de payoff h(ST ) maturit T vaut, la date
t = 0, g(0, S0 ) o g est la solution de lquation aux drives partielles
g
1
2g
g
+ rS
+ 2 x2 2 = rg,
t
x 2
x
(7)
avec les conditions de bords g(T, ST ) = h(ST ). Notons que le portefeuille de rplication est
obtenu partir de g(0, S0 )/x actif risqu. Rciproquement, si lquation au drives partielle
(7) admet une solution dont la drive en x est borne, le prix de loption en t = 0 est alors
g(0, S0 ).
76
Cette quation est dite parabolique ( coefficients variables). On peut noter que la solution
est invariante par la transformation S hS pour tout h: g est alors homogne en x, de degr
0. On peut alors essayer le changement de variable y = log x log K, soit dy = dx/x. Alors
g
g x
g
=
=x ,
y
x y
x
et
2g
=
y 2
y
g
g
x
=
+ x2 2 gx2 .
x
y
En posant s = T t, lquation de Black & Scholes (1973) devient
2 g
g
1 2 2g
=
+ r
rg.
s
2 y 2
2 y
En introduisant la fonction u = g/K, de faon quivalente, lquation aux drives partielles
scrit
u
2 u
1 2 2u
+ r
=
ru,
(8)
s
2 y 2
2 y
o les conditions de bords sont, dans le cas dun call,
u(y, 0) = max{ex 1, 0}, u(, s) = 0 et u(x, s) ex ers quand x ,
pour tout s [0, T ].
Lquation 8 est alors de la forme (en changeant les notations, i.e. y x et s 2t/2)
u
u
2u
+a
+ bu =
.
t
x
x2
u
u
+a
est appele partie dadvection (ou davection, advection part),
t
x
2u
est le terme de diffusion.
la partie bu est appele terme source, et enfin, la partie de droite
x2
Notons que le changement de temps a permis de faire disparatre le facteur du facteur de diffusion.
On note que le terme dadversion scrit
u
u
+a
=
+a
u
t
x
t
x
La premire partie
qui peut tre vu comme la drive suivant la direction

dx
= a,
dt
galement appele courbe caractristique. Ceci suggre alors le changement de variable z = t+ax,
de telle sorte que lquation aux drives partielles se rcrit
u
2u
+ bv =
.
z
x2
u
Le terme de gauche
+ bv laisse penser que u doit avoir un comportement proche de exp(bz),
z
le long de la courbe caractristique. Aussi, on peut penser faire le changement de variable
v = ebz u, qui vrifie alors lquation
v
2v
=
,
z
x2
77
qui correspond lquation de la chaleur. Rappelons que la forme gnrale peut scrire sous la
forme
Z
1
(z x)2
v(z, t) =
exp
v0 (x)dx,
4t
4t
o v0 est la condition de bord en temps, i.e.

(c + 1)x
(c 1)x
v0 (x) = max exp
exp
,0 .
2
2
8.5
Gnrateur de la diffusion et formule de Feynman-Kac
En reprenant les notations de la section prcdante, le calcul de Vt est quivalant au calcul de la

fonction H(t, x).
Formellement, on introduit la notion de gnrateur infinitsimal de la diffusion.
Proposition 37. Soit (St )tR+ solution de dSt = b(St )dt + (St )dWt . Soit f : R R deux fois
continment drivable, drives bornes, et A loprateur qui f associe
2 (x) d2 f (x)
df (x)
.
+ b(x)
2
2
dx
dx
Z t
dfini par Mt = f (Xt )
(Af )(Xs )ds est une Ft -martingale.
(Af )(x) =
Alors le processus (Mt )tR+
Proof. Utilisation de la formule dIto.

Dans le cas du modle de Black & Scholes (1973), dSt = St (rdt + dWt ), et le gnrateur
infinitsimal associ est
2 2 d2 f (x)
df (x)
(Af )(x) =
x
.
+ rx
2
2
dx
dx
On posera plus gnralement, pour toute fonction g : [0, T ] R+ R+ , (Ag)(t, x) = (Ag)(x).
Un calcul direct permet de montrer que le prix du call H(t, x) = x(d1 (x)) Ker(T t) (d2 (x))
est alors solution de lquation aux drives partielles
g(t, x)
+ (Ag)(t, x) rg(t, x) = 0 pour tout (t, x) [0, T ] R+ ,
t
(9)
avec la condition de bord g(T, x) = (x K)+ pour tout x R+ .

La valorisation dun call europen est alors quivalent la rsolution de lquation aux
drives partielles
g(t, x) 2 2 2 g(x)
g(x)
+ x
+ rx
rg(t, x) = 0,
(10)
2
t
2
x
x
pour tout (t, x) [0, T ] R+ , avec la condition de bord g(T, x) = (x K)+ pour tout x R+ .
Formellement, ce lien entre le prix dune option partir dune quation diffrentielle stochastique et une quation aux drives partielles se fait laide du Thorme de Fenyman-Kac.
Thorme 38. Considrons une quation aux drives partielles de la forme
u(t, x)
u(t, x) 1
2 u(t, x)
+ (t, x)
+ (t, x)2
= 0,
t
x
2
x2
dont on se donne la condition terminale de la forme u(T, x) = h(x) pour tout x. Alors, sous des
conditions de type Lipschitz pour et et de croissance polynomiale ( Karatzas & Shreve
78
(1991) pour des conditions ncessaires et suffisantes) u peut scrire sous la forme dune esprance
conditionnelle,
u(t, x) = E(h(XT )|Xt = x),
o (Xt )t[0,T ] est un processus dIto, dont la diffusion est donne par
dXt = (t, Xt )dt + (t, Xt )dWt ,
dont la condition inital la date t est Xt = x. Et rciproquement.
Pour montrer que si u(t, x) = E(h(XT )|Xt = x) o (Xt ) suit une diffusion de la forme est
dXt = (t, Xt )dt + (t, Xt )dWt alors u est solution dune quation auw drives partielles est de
monter que Zt = u(t, Xt ) est une martignale. En effet, pour s t, si on note Et () = E(|Ft ),
alors Zs = Es (h(XT )) et donc
Et (Zs ) = Et (Es (h(XT ))) = Et (Es (h(XT ))) = Zt ,
comme (Xt ) est un processus Markovien. En utilisant la formule dIto, on obtient que
2
u
u
u 1
2 u
dZt =
dt + (t, Xt ) dWt .
+ (t, Xt )
+ (t, Xt )
2
t
x 2
x
x
Or comme (Zt ) est une martingale, alors ncessairement le drift est nul.
8.6
Gnralisation en dimension d
La Proposition 36 se gnralise dans les cas dune option sur plusieurs sous-jacents. Supposons
que lon sintresse une option europenne, de maturit T , offrant un payoff h(S T ), o les prix
des sous-jacents sont donns par les diffusions suivantes,
dSti
= i dt + i dWti , pour i = 1, 2, ..., n,
Sti
o (W t )t0 = (Wt1 , Wt2 , ...., Wtn )t0 est un mouvement brownien (standard) en dimension n,
de matrice de corrlation = [i,j ] (on parlera aussi de corrlation instantanne entre dWti et
dWtj ).
Proposition 39. Le prix dune option europen, de payoff h(S T ) maturit T vaut, la date
t = 0, g(0, S0 ) o g est la solution de lquation aux drives partielles
n
n
X
g
1 X 2
g
2g
+r
+
= rg,
xi
xi xj
t
xi 2
xi xj
i=1
(11)
i,j=1
avec les conditions de bords g(T, S T ) = h(S T ). Notons que le portefeuille de rplication est
obtenu partir de g(0, S 0 )/xi investie dans le ime actif risqu. Rciproquement, si lquation
au drives partielle 11 admet une solution dont la drive en xi est borne pour tout i, le prix
de loption en t = 0 est alors g(0, S 0 ).
Proof. Lide de la preuve est la suivante: on suppose que dSt1 = 1 St1 dt + 1 St1 dWt1 pour le
premier actif, et dSt2 = 2 St2 + 2 St2 dWt2 pour le second. Si g est suffisamment rgulire, on
applique la formule de Taylor f (St1 + ds1 , St2 + ds2 ), savoir
f (St1 , St2 )
f (St1 , St2 )
+ ds2
x
y
2
2
2
1
2
1
2 f (St1 , St2 )
1 2 f (St , St ) 1 2 f (St , St )
ds1
+ ds2
+ ds1 ds2
+ ...
2
2
2
x
2
y
xy
f (St1 + ds1 , St2 + ds2 ) = f (St1 , St2 ) + ds1

+
79
En substituant dsi i Sti dt + i Sti dWti , on en dduit

df
f (St1 , St2 )
f (St1 , St2 )
dWt1 + 2 St2
dWt2
x
y
f (St1 , St2 )
f (St1 , St2 )
+ 1 St1
dt + 2 St2
dt
x
y
1 2 1 2 2 f (St1 , St2 )
1 2 2 2 2 f (St1 , St2 )
1 2
+
1 (St )
(dW
)
+
(S )
(dWt2 )2
t
2
x2
2 2 t
y 2
2 f (St1 , St2 )
+ 1 2 St1 St2
dWt1 dWt2 + O((dt)3/2 ).
xy
= 1 St1
Lorsque dt 0 on passe des diffrences finies aux drives partielles.
8.7
Equation et conditions de bord
Rappelons que daprs la formule de Feynman-Kac il est quivalent de considrer

une quation aux drives partielles de la forme
u(t, x) 1
2 u(t, x)
u(t, x)
+ (t, x)
+ (t, x)2
= 0,
t
x
2
x2
et une condition terminale de la forme u(T, x) = h(x) pour tout x,
voire u comme une esrance conditionelle,
u(t, x) = E(h(XT )|Xt = x),
o (Xt )t[0,T ] est un processus dIto, dont la diffusion est donne par
dXt = (t, Xt )dt + (t, Xt )dWt ,
dont la condition inital la date t est Xt = x.
Schmatiquement
quation aux drives partielles quation de diffusion,
condition de bord forme du payoff.
8.8
Options asiatiques, avec moyenne arithmtique
Considrons un call europen, dont le payoff la maturit T compare non pas ST K, mais la
moyenne arithmtique sur la priode [0, T ] K, i.e.
Z T
1
max
St dt K, 0 .
T 0
Z t
Notons alors It =
Su du. Lide est alors de poser Z t = (t, St , It )0 et de faire du calcul
0
dIto sur ce processus vectoriel. Notons que

dt
dZ t = dSt =
dIt
|
1
St dt +
St
|
{z }
0
St dWt .
0
{z }
(t)
(t)
80
Si g est une fonction deux fois continument drivable en espace, une fois en temps, [0, T ] R R,
de la forme g(z) = (t, x) = (t, x, y). La formule dIto donne
dg(z t ) =
3
X
g(z t )
xi
i=1
dXti +
3
1 X 2 g(z t )
d < X i , X j >t .
2
xi xj
i,j=1
Notons que sur la somme des 9 termes de la somme, seul le terme bas sur la drive seconde en
la seconde composante (en x) est non nul. Aussi,
dg(z t ) =
g(z t )
1 2 g(z t )
g(z t )
g(z t )
dSt +
St dt +
dt +
dt,
t
St
It
2 St2
qui peut galement scrire, en notant non plus en x, y mais en St , It
g(z t )
g(z t ) g(z t )
1 2 2 2 g(z t )
dg(z t ) =
+
St + St
dSt dt +
dSt .
2
t
It
2
Dt
St
Aussi, on en dduit lquation aux drives partielles suivie par g, savoir
g 1 2 2 2 g
g
+ S
= 0,
rg + rS
t
2
S 2
S
avec une condition de bord de la forme C = g(T, ST , IT ) = max{ST IT /T, 0}. Par rapport
lquation obtenue dans le cas dun call europen, seul un terme en g/I doit tre rajout.
En posant Rt = It /St , et g(t, St , It ) = h(t, Rt ), on notera que
h g
h
g
h
g
=S ,
=
et
=hR
,
t
t I
I
S
R
avec pour le terme de drive seconde
2g
R2 2 h
=
.
S 2
S R2
En substituant tous ces termes dans lquation aux drives partielles prcdente, on obtient
h(t, x) 1 2 2 2 h(t, x)
h(t, x)
+ x
+ (1 rx)
= 0,
2
t
2
x
x
avec comme condition de bord h(T, x) = max{1 x/T, 0}.
Z
1 T
Une autre approche est la suivante: considrons une option de payoff
St dt K .
T 0
+
Dfinissons le processus (Xt )t[0,T ] dfini par X0 = S0 K et dXt = qt dSt , o qt = 1 t/T .
Alors la date terminale T ,
Z T
Z T
Z
t
1 T
XT =
qt dSt + X0 =
1
dSt + S0 K =
St dt K.
T
T 0
0
0
Le cas dun
strike
tre drive de ce cas, o le stike tait fixe. Pour une option
Z flottant peut
1 T
de payoff
St dt KST
, o dfinie le processus (Xt )t[0,T ] par X0 = S0 (1 K) et
T 0
+
dXt = qt dSt , o qt = 1 K t/T . Alors la date terminale T ,
Z
XT =
qt dSt + X0 =
1
T
Z
0
St dt KST .
81
Sous cette forme ces options sont un cas particulier des options vue comme un traded account
(Shreve & Vecer (2000)). De manire gnrale, tant donne une statgie (qt )t[0,T ] , que lon
supposera borne qt [, ], on considre
dXtq = qt dSt + (Xtq qt St )dt, avec X0q = X0 .
X0 est vu comme une richesse initiale, et un taux sans risque ( = r pour une stratgie autofinanante). Si lon sintresse une option europenne de payoff (XTq )+ , on peut chercher la
stratgie optimale, au sens o lon souhaite maximiser le prix de toutes les options,
q
V (t, St , Xt ) = er[T t]EQ (XT |Ft ) , pour tout t [0, T ].

Sous cette forme, il sagit dun problme de contrle optimal stochastique. Lquation
dHamilton-Jacobi-Bellman permet alors de trouver lquation aux drives partielles satisfaite
par le prix. Si on pose Ztq = Xtq /St , alors V (t, St , Xt ) = St u(t, Zt ), o u vrifie
u
u 1
2u
+ (r )(qt z)
+ (qt z)2 2 2 = 0,
t
z
2
z
avec la condition de bord u(T, z) = z+ .
En appliquant ce rsultat (certes, bien au del du programme que lon stait fix), on peut
montrer que dans le cas du call asiatique, lquation au drive partielle est
u
u 1
2u
+ r(qt z)
+ (qt z)2 2 = 0
t
z
2
z
avec la condition de bord u(T, z) = z+ . La fonction qt dpend alors de ma forme du payoff (strike
flottant ou pas).
8.9
Options lookback, sur maximum
On suppose ici que le payoff maturit T scrit max{MT ST , 0} o Mt = max{Su , u [0, t]}.
Lquation aux drives partielles est la mme que pour un call europen usuel, C =
g(t, ST , MT ), savoir
g
g
1
2g
+ rx
+ 2 x2 2 rg = 0,
t
x 2
x
pour 0 x M , avec une condition de bord de la forme g(T, x, M ) = max{M x, 0}, mais
aussi des conditions en espace de la forme
g(t, 0, M ) = er(T t) M et
g
= 0 pour x = M.
M
Lide est de chercher une solution de la forme g(t, x, M ) = M h(t, x/M ). Notons z = x/M ,
les drives partielles qui interviennent dans lquation scrivent alors
2
g
h g
h
2g
2 h
= M ,
= M 1
et
=
M
.
t
t x
z
x2
z 2
En substituant dans lquation aux drives partielles en g on obtient lquation suivante en h,

M
h 1 2 2 2 2 h
h
+ S M
+ rSM 1
rM h = 0,
2
t
2
z
z
qui peut se simplifier sous la forme

h 1 2 2 2 h
h
+ z
+ rz
rh = 0,
2
t
2
z
z
82
avec comme condition de bord

h(T, z) = M
S
M max 1
,0
.
M
En particulier, si = 1, on obtient que h(t, z) = max{1 z, 0}. Quand la condition de bord

en espace S = 0, elle scrit
h(t, 0) = er(T t) .
Enfin, la condition de bord en S = M elle donne, dans le cas o = 1,
h
h
h
=hz
= 0, o
= h.
M
z
z
.... dans le cas dune option floatting lookkback, (de payoff (MT ST )), V (t, S, M ) =
M u(t, S/M ) o u vrifie lquation aux drives partielles
u 1 2 2 u
u
+ z
+ rz
ru = 0, 0 z 1,
t
2
z 2
z
avec comme conditions de bords u(T, z) = (z), en temps, et en espace u/z|z=1 = u(z, 1) pour
tout t > 0.
8.10
Options avec cot de transaction
Considrons le modle de Leland (1985). Le prix vrifie alors lquation aux drives partielles
2
2
u
u 1 2
u
2 u
z
+ rv = 0,
2 rz
2
t
2
z
z
z
pour z [0, zmax ], u(t, zmax ) = 0 pour tout t, et u(0, z) = (K z)+ pour tout s.
8.11
Option pour un modle volatilit stochastique
On suppose ici que la volatilit est stochastique. Plus prcisment, lquation du diffusion du
prix est de la forme
dSt = St (dt + t dWt1 )

dt = t (p(S, , t)dt + q(S, , t)) dWt2 ,
o (Wt1 )t0 et (Wt2 )t0 sont deux browniens qui peuvent ventuellement tre corrls (<
dWt1 |dWt2 >= dt).
Lquation aux drives partielle permettant de calculer le prix de tout actif contingent
V (S, s, t) se dduit de la formule dIto et de lhypothse dabsence dopportunit darbitrage.
On constitue un portefeuille sans risque en achetant lactif valuer et en se couvrant contre
les variations du sous-jacent et de la volatilit, laide dune quantit dactions et
dun autre actif contingent V (S, s, t). On a besoin de deux actifs pour se couvrir, car on est en
prsence de deux sources de risque.
On considre alors le portefeuille
= V (S, s, t) S V (S, s, t).
En appliquant la formule dIto, on a
d = dV (S, s, t) dS dV (S, s, t)
83
o
dV =
dV =
V
1 2V
2V
1 2V
V
V
dt +
<
dS|dS
>
+
<
dS|d
>
+
< d|d > +
ds +
d
2
2
t
2 S
S
2
S
1 2V
2V
1 2V
V
V
V
dt +
<
dS|dS
>
+
<
dS|d
>
+
<
d|d
>
+
ds
+
d,
t
2 S 2
S
2 2
S
o
< dS|dS >= 2 S 2 dt, < dS|d >= Sqdt et < d|d >= 2 q 2 dt.
Pour constituer un portefeuille sans risque (et ainsi en dduire le prix par absence
dopportunit darbitrage), il faut que les termes en dS et d sannulent, ce qui donne
=
V /
V
V
et
.
V /
S
S
Notons que la stratgie constitue ici consiste simplement se couvrir contre le risque de
volatilit (Vega) en vendant de lactif V une quantit gale au rapport des pertes encourues.
Le risque ensuite de variation du sous-jacent (Delta), couru en dtenant V V est alors
couvert en vendant actions.
Par absence dopportunit darbitrage, d = rdt, do finalement, aprs rarrangement,
V V
2S 2 2 V
q2S 2 2V
2V
V
+
+
rV
+ qS
+ rS
t
2 S 2
S
2 2
S
V V
2S 2 2V
q2S 2 2V
2V
V
=
+
+
rV
+ qS
+ rS
t
2 S 2
S
2 2
S
...
On en dduit alors lquation au drive partielle suivante
V
2S 2 2V
q2S 2 2V
V
2V
V
+
+
+ (p q)
rV = 0
+
qS
+ rS
2
2
t
2 S
S
2
S
o , qui est fonction de S, et t peut tre intrprt comme le prix de march de la volatilit.
Parmi les modles de diffusion les plus usuels pour la volatilit, on retiendra
le modle de Heston,
dt2 = ( t2 )dt + t dWt ,
le modle de Hull & White,
dt2 = t2 dt + t2 dWt ,
le modle de Ornstein-Uhlenbeck,
dt2 = ( t2 )dt + dWt ,
Notons que le modle de Heston combine un effet de retour la moyenne, avec un terme
interdisant toute valeur ngative. sintrprte comme une volatilit long terme.
84
PETITS RAPPELS DANALYSE NUMRIQUE
8.12
Le modle de Bates
8.13
Les formes dquations vues jusqu prsent
Pour les options europennes, le prix est obtenu est rsolvant lquation de la chaleur,
u(x, t)
2 u(x, t)
=
,
t
x2
avec une condition de bord en espace. La condition de bord en temps est lie la forme du
payoff.
Pour les options lookback, le prix est obtenu est rsolvant lquation
u(x, z, t)
u(x, z, t)
u(x, z, t)
=
, pour |x| < z et
= 0 si |x| > z
t
x
z
avec une condition de bord en temps est lie la forme du payoff.
Pour les options sur moyenne, le prix est obtenu est rsolvant lquation
2 u(x, z, t)
u(x, z, t)
u(x, z, t)
=
+x
2
t
x
z
avec une condition de bord en temps est lie la forme du payoff.
De manire trs gnrale, pour les produits drivs de type europen, le prix est solution
dune quation aux drives partielles de la forme suivante,
saut
}|
{
}|
{
z
}|
{
Z
u
u
u
u
2u
2u
2u
+a
+b
+c
+d 2 +e
+ f 2 = ru r (x)u(x)dx u
,
t
S
r
I
S
Sr
r
{z
}
|
convection
diffusion
convolution
o (St ) et (rt ) sont des processus dIto, I une composante ventuellement alatoire mais pas
un processus ,a, b, c, d, e et f sont (de manire gnrale) des fonctions de St ,rt , I et t, h est
lintensit du processus de sauts, et () la densit des sauts.
Petits rappels danalyse numrique
La plupart des mthodes que nous aborderons reposent sur les mmes grands algorithmes, cherchant des valeurs prcisent (dans R voire Rn ),
trouver un vecteur x tel que Ax = b o A et b sont donnes,
trouver des zro de fonction: trouver x tel que f (x) = 0, ce qui quivaut trouver un
inverse, i.e. x = f 1 (0),
trouver des optimas de fonction: trouver x tel que x argmin{f (x)},
P
interpoler les fonctions: trouver tel que f (x) = i0 i hi (x), dans une base (hi )i0 ,
trouver des solutions dquations diffrentielles de fonction: trouver une fonction f ()
(gnrallement en des points bien prcis, ce qui revient trouver f = (f (x1 ), ..., f (xn ))), solution dune quation diffrentielle, i.e. f 0 (x) = h(f (x), x) pour tout x, avec des conditions
de bord ventuelles.
85
9.1
Inversion de matrices et rsolution de systmes linaires
On sintresse ici rsoudre en x lquation linaire Ax = b o A est une matrice nn inversible,

et b un vecteur colonne de taille n.
La mthode simpliste consiste essayer dinverser A, de telle sorte que x = A1 b. La formule
universelle serait dutiliser la transpose de la commatrice, mais le nombre dopration ncessaire
est alors en n!. Pour rappel, si n = 100, n! est de lordre de 10158 .
Lide de la mthode dlimination de Gauss cherche rendre la matrice A triangulaire
(suprieure ou infrieure).
Exemple 40. Considrons le
4 8
3 8
2 9
cest dire
systme suivant
12
4 8 12
4
x1
13 x = 3 8 13 x2 = 5 ,
18
x3
2 9 18
11
4x1 + 8x2 + 12x3 = 4

3x1 + 8x2 + 13x3 = 5
2x1 + 9x2 + 18x3 = 11
La premire quation sert alors de pivot pour liminer x1
x1 + 2x2 + 3x3 =
2x2 + 4x3 =
5x2 + 12x3 =
La seconde quation de ce systme sert alors de pivot
x1 + 2x2 + 3x3
x2 + 2x3
2x3
dans les dernires, soit

1
2
9
pour liminer x2 dans la troisime

= 1
= 1
= 4
Ce qui donne le systme simpliste suivant
x1 + 2x2 + 3x3 = 1
x2 + 2x3 = 1
x3 = 2
On remonte alors pour trouver toutes les valeurs, i.e. x3 = 2, x2 = 3 et x1 = 1.
Sur cet exemple simple, on voit que lalgorithme est peu coteux en temps de calcul: le nombre
doprations est de lordre de n3 /3: en doublant la taille, on multiplie le nombre doprations
par 8.
Remarque 41. La rsolution de systmes linaires est trs instable numriquement. La solution
du systme suivant ( Rappaz & Picasso (1998))
4.218613x1 + 6.327917x2 = 10.546530

3.141592x1 + 4.712390x2 = 7.853982
est trivialement donne par x1 = x2 = 1. Mais si on change un peu le systme en
4.218611x1 + 6.327917x2 = 10.546530

3.141594x1 + 4.712390x2 = 7.853980
la solution est toujours unique, mais elle devient x1 = 5 et x2 = +5, ce qui est clairement
diffrent du cas prcdent.
86
Retenons toutefois ici quun cas simple est obtenu lorsque A est triangulaire.
Lide de la dcomposition LU est alors simple, et repose sur le rsultat suivant
Proposition 42. Si A est une matrice n n dont toutes les sous-matrices principales sont
inversibles, alors il existe une unique dcomposition A = LU o L est une matrice triangulaire
infrieure et U une matrice triangulaire suprieure avec des 1 sur la diagonale.
En fait U correspond la matrice de llimination de Gauss. Notons de plus que le nombre
dopration est ici en n3 .
Une autre mthode peut tre non pas de calculer la vraie valeur de x mais simplement de
sen approcher. Les mthodes itratives de Jacobi et de Gauss-Seidel sont intressantes. Il sagit
de construire une suite de vecteurs xk qui converge vers x.
Lide sous-jacente est dcrire A comme la diffrence de deux matrice A = K M , o K
est inversible (et dinverse facile caculer). Alors Ax = b scrit
Kx = M x + b soit x = K 1 M x + K 1 b.
Aussi, trs naturelle, on se donne x0 , et de manire rcursive on pose
xk+1 = K 1 M xk + K 1 b
La matrice K propose par Jacobi est simplement la matrice diagonale constitue des lments
diagonaux de A, et donc
1
1
K 1 = diag(a1
11 , a22 , ..., ann ),
ce qui donne lalgorithme itratif
xk+1
i
1 X
aij xkj + bi pour i = 1, ..., n.
=
aii
j6=i
La matrice K propose par Gauss-Sigel est la matrice triangulaire infrieure constitue des
lments de A. Lalgorithme devient alors
X
X
1
aij xk+1
xk+1
+
aij xkj + bi pour i = 1, ..., n.
=
i
j
aii
j<i
j>i
Ces algorithmes marchent relativement bien, en gnral.

Proposition 43. Cette mthode converge (pour tout b et tout x0 ) si et seulement si le rayon
spectral de K 1 M ( = max{|i |} o les (i ) sont les valeurs propres) est strictement infrieur
1.
En particulier, si A est symmtrique dfinie positive, alors la mthode de Gauss-Siegel est
convergente.
Pour linstant, lide tait dcrire A sous la forme D U L o D est la diagonale, U la
matrice triangulaire srictement suprieure et L la matrice triangulaire srictement infrieure.
La mthode de Jacobi tait de poser A = [D] [U + L], alors que Gauss-Siegel proposait
dcrire A = [D L] [U ].
Une mthode encore plus gnrale consiste continuer sur cette criture, et dcrire

1
1
DL
D + U = K M,
A=
de telle sorte que K 1 = 1 D L. On parlera alors de mthode de relaxation.

Parmi les rsultats intressants, on a le suivant
87
Proposition 44. Si A est un matrice tridiagonale dfinie positive, la mthode relaxation converge
pour ]0, 2[. De plus, il existe un paramtre optimal donn par
=
2
p
.
1 + 1 (D1 [U L])
Si > 1, on parlera de surrelaxation.

Enfin, parmi les mthodes classiques, on peut penser une descente de gradient.
Si lon cherche rsoudre Ax = b , on pose
1
h(z) = z 0 Az bz.
2
Proposition 45. Si A est un matrice symmtrique dfinie positive et si x vrifie Ax = b, alors
pour tout z 6= x , h(z) > h(x).
En effet, soit tel que z = x + , alors
1
h(z) = h(x + ) = h(x) + 0 A.
2
A tant symtrique dfinie postive, et comme 6= 0, le terme de droite est strictement positif.
On utilise alors une descente de gradient pour rsoudre ce problme: on se donne un vecteur
z k+1 non nul, puis on pose
xk+1 = xk + k+1 z k+1 ,
o k+1 minimise la quantit h(xk + z k+1 ). Un calcul explicite donne
(z k+1 )0 b Axk
k+1 =
.
(z k+1 )0 Az k+1
Le choix de la direction de la descente z k+1 peut se faire naturellement en prenant la direction
de plus grande pente. On pose alors z k+1 = gradh(xk ), cest dire
z k+1 = gradh(xk ) = Axk ) b
Lalgorithme est alors relativement simple, partir de x0 (fix arbitrairement) et de r 0 =
b Ax0 , pour k = 0, 1, ...
on pose k = Ar k1 et k+1 =
kr k k2
,
(r k )0 k+1
on pose xk+1 = xk k+1 r k , et r k+1 = r k k+1 k+1 .

On sarrte lorsque r k+1 est nul (ou suffisement petit).
Notons quon peut amliorer cet algorithme en corrigeant la direction r k (prise dans le
passage de xk xk+1 ) de telle sorte que lerreur commise soit la plus petite possible, pour la
norme k kA = 0 A: on pose alors
z k+1 = r k + k z k , o k =
(r k )0 Az k
.
(z k )0 Az k
On parlera alors de mthode du gradient conjugu. Lalgorithme est alors, l aussi, relativement simple, partir de x0 (fix arbitrairement) et de r 0 = b Ax0 . On pose alors
z 1 = r 0 , 1 = Az 1 , 1 =
et x1 = x0 + 1 z 1 . Pour k = 1, 2, ...
(r 0 )0 z 1
,
(z 1 )0 1
88
0.2
0.1
0.0
0.1
0.2
0.3
0.4
Mthode de la bissection
0.0
0.2
0.4
0.6
0.8
1.0
Figure 42: Mthode de la bissection

on pose r k = r k1 k z k et k =
(r k )0 Az k
,
(z k )0 Az k
on pose z k+1 = r k + k z k et k+1 = Az k+1 ,

on pose k+1 =
(r k )0 z k+1
et xk+1 = xk + k+1 z k+1 .
(z k+1 )0 k+1
On sarrte lorsque r k+1 est nul. Il est possible de montrer que r k+1 = 0 en au plus n itrations
(n tant la taille de A).
9.2
Recherche de zros
Nous cherchions auparavent rsoudre un sytme dquations linaires. De manire gnrale, on

peut sintresse un problme non-linaire de la forme suivante: rechercher x tel que f (x) = 0.
La mthode de la bissection est la plus simple, en dimension 1, condition de connatre a et b
tels que f (a) et f (b) soient de signe opposs. On pose alors x0 = a et x1 = (a + b)/2.
si f (x1 ) f (x0 ) < 0 alors x2 = (x1 + x0 )/2,
si f (x1 ) f (x0 ) > 0 alors x2 = (x1 + x0 )/2 + (x1 x0 ), et on itre... Notons que la distance
entre x (vrifiant f (x ) = 0) et xn est ainsi majore par (b a)/2n+1 . Cest dire que
1
|xn x |leq |xn1 x |.
2
On parlera alors de convergence linaire.
Dfinition 46. Une mthode est convergente lordre p sil existe > 0 telle que
|xn x |leq|xn1 x |p .
89
0.0
0.2
0.4
0.6
0.8
1.0
Mthode du point fixe
0.0
0.2
0.4
0.6
0.8
1.0
Figure 43: Mthode du point fixe.

On parlera de convergence linaire si p = 1 et quadratique si p = 2. Si |xn x |leqn |xn1 x |
avec n 0, on parlera de convergence surlinaire.
Parmi les mthodes usuelles, il y a la mthode du point fixe. Posons g(x) = x f (x):
rsoudre f (x) = 0 est quivalent trouver les points fixes de g, i.e. g(x) = x.
On construit alors une suite rcursive xk en posant xk+1 = g(xk ).
Dfinition 47. Une fonction g est strictement contractante sil existe < 1 telle que
kg(x) g(y)k kx yk, pour tout x, y.
On alors le thorme du point fixe,

Thorme 48. Si g est contractante sur I, et si g(I) I, alors il existe une unique point fixe
x I, et de plus pour tout x0 , la suite xk+1 = g(xk ) converge vers de point fixe. De plus, la
convergence est linaire.
En dimension 1, on considre
xk+1 = xk
f (xk )
.
f 0 (xk )
Ceci se gnralise en dimension plus grande. En effet, si Df (x) dsigne la matrice jabobienne
de f au point x, on pose
xk+1 = xk [Df (xk )]1 f (xk ).
Notons que cet algorithme est une mthode de recherche de point fixe pour la fonction
g(x) = x [Df (x)]1 f (x).
90
0.1
0.0
0.1
0.2
0.3
0.4
Mthode de NewtonRaphson
0.5
0.6
0.7
0.8
0.9
1.0
Figure 44: Mthode de Newton-Raphson.
9.3
Recherche doptimums
9.4
Interpolation de fonctions (par des polynmes)
Etant donne une fonction f : [a, b] R. On se donne une partition de [0, 1], i.e. a < x0 <
x1 < ... < xn < b. Il existe un unique polynme Pn de degr n tel que f (xi ) = Pn (xi ) pour
i = 0, 1, ..., n. Ce polynme est donn par
n
X
Y (x xj )
f (xi ).
Pn (x) =
(xi xj )
i=0
j6=i
Entre les points xi et xi+1 , f et Pn nont aucune raison dtre gaux, mais en utilsant le
thorme de Rolle, sous des conditions de rgularit suffisantes, on peut montrer que pour tout
x [xi , xi+1 ] existe [xi , xi+1 ] tel que
n
Y
1
(x xj ) f (n+1) ().
f (x) Pn (x) =
(n + 1)!
j=0
Aussi globablement, on en dduit que

kf Pn k
n
Y
1
( xj ).
kk kf (n+1) k , o () =
(n + 1)!
j=0
Si les points xi sont quidistribus, avec un pas h = (b a)/n, alors

kf Pn k
hn+1
kf (n+1) k .
(n + 1)!
91
Les fonctions tant dfinies sur [a, b] il est possible de se donner un produit scalaire
Z b
< f, g >=
f (x)g(x)(x)dx,
a
o () est une fonction de poids. Une ide est de trouver une base de polynmes qui soit
orthogonale pour le produit scalaire < , >.
pour a = 0, b = et (x) = ex , on peut considrer les polynmes de Laguerre,
pour a = 1, b = 1 et (x) = 1, on peut considrer les polynmes de Legendre,
pour a = 1, b = 1 et (x) = (1x2 )1/2 , on peut considrer les polynmes de Chebychev.
Application: le calcul dune intgrale (simple)
La base du calcul dintgrale repose sur la formule de Chasles, qui permet dcrire
Z b
n1
X Z xi+1
f (x)dx =
f (u)du.
a
k=0
xi
On utilise alors des formules approches sur chacun des intervalles. On parlera de mthode de
quadrature lmentaire, consistant crire
Z xi+1
ni
X
f (u)du [xi+1 xi ]
i,j f (i,j ),
xi
j=0
Pni
o i,j [xi , xi+1 ] pour tout j = 0, 1, ..., ni et j=0 i,j = 1. On prend alors une moyenne
pondre dlments de f () sur lintervalle lmentaire [xi , xi+1 ].
la mthode des rectangles, ni = 0.
Z xi+1
Dans ce cas,
f (u)du [xi+1 xi ]f (i ). Suivant le choix de i , on parlera de rectangles
xi
gauche (si i = xi ), de rectangles droite (si i = xi+1 ) ou de rectangles au centre (si

i = (xi + xi+1 )/2).
la mthode dinterpolation linaire, ni = 1, i,0 = xi et i+1,0 = xi+1 .
Z
On parle aussi de mthode des trapzes, laire lmentaire tant un trapze. Dans ce cas,
f (xi+1 ) + f (xi )
f (u)du [xi+1 xi ]
.
2
xi+1
xi
la mthode de Simpson, ni = 2.
Cette mthode, qui est un cas particulier de la mthode dite de Newton-Cotes, consiste
prendre une interpolation polynmiale sur chacun des intervalles lmentaires.
valuation de lerreur dapproximation.
Pour valuer, ou majorer, lerreur comise lors de lapproximation de lintgrale, rappelons
que daprs la formule de Taylor,
Z x
x x0 0
(x x0 )k (k)
(x t)n (k+1)
f (x) = f (x0 ) +
f (x0 ) + ... +
f (x0 ) +
f
(t)dt.
2
k!
n!
x0
Le Noyau de Peano permet alors dobtenir des majoration, en notant que si on approche
lintgrale sous la forme suivante
Z b
n
X
f (x)(x)dx
i f (xi ),
a
i=0
92
0.8
0.6
0.4
0.2
0.0
0.0
0.2
0.4
0.6
0.8
1.0
Calcul dintgrale: rectangles au centre
1.0
Calcul dintgrale: rectangles gauche
0.0
0.2
0.4
0.6
0.8
1.0
0.0
0.2
0.6
0.8
1.0
0.8
0.6
0.4
0.2
0.0
0.0
0.2
0.4
0.6
0.8
1.0
Calcul dintgrale: trapzes
1.0
Calcul dintgrale: rectangles droite
0.4
0.0
0.2
0.4
0.6
0.8
1.0
0.0
0.2
0.4
0.6
0.8
1.0
Figure 45: Calcul dintgrale, mthode des rectangles et des trapzes.

Proposition 49. Lerreur dfine par
Z b
n
X
f =
f (x)(x)dx
i f (xi )
a
i=0
est donne par
Z
1 b
f =
Kn (t)f (n+1) (t)dt
n! a
o Kn () est appel noyau de Peano associ la mthode, dfini par
Kn (t) = (gt ) o gt (x) = (x t)n+ .
Un des corrolaire est alors que
1
|(f )|
kf (n+1) k
n!
Z
a
|Kn (t)|dt.
Exemple 50. Pour la mthode du rectangle centr,

Z +1
(f ) =
f (x)dx 2f (0), et le noyau est alors
1
Z
K1 (t) = ((x t)+ ) =
suivant le signe de t, donc
+1
pour un intervalle [1, +1],
1
(x t)+ dx 2(t)+ = (1 t)2 ,
2
K1 (t)dt = 1/3, et alors

1
(f ) = f 00 () pour ] 1, +1[.
3
93
Exemple
51. Pour la mthode du trapze,
Z +1
(f ) =
f (x)dx [f (1) + f (1)], et le noyau est alors
pour
un
intervalle
[1, +1],
Z
K1 (t) =
donc
+1
1
(x t)+ dx [(1 t)+ + (1 t)+ ] = (1 t2 ) 0,
2
K1 (t)dt = 2/3, et alors

2
(f ) = f 00 () pour ] 1, +1[.
3
Exemple
52. Pour la mthode de Simpson,
pour un intervalle [1, +1],
Z +1
1
(f ) =
f (x)dx [f (1) + 4f (0) + f (1)], et le noyau est alors
6
1
Z 1
2
1
(1 + t)3 (1 3t)
3
3
3
3
K3 (t) = ((x t)+ ) =
(x t) dx 2
(t)+ + (1 t) =
,
3
6
12
t
R
donc K1 (t)dt = 1/15, et alors
(f ) =
1
f (4) () pour ] 1, +1[.
15 3!
Application: le calcul dune intgrale multiple

Le calcul dintgrale multiple se fait aisment dans un seul cas: celui o lon intgre sur un
hypercube de Rd , cest dire pour simplifier [0, 1]d , comme le note Stroud (1971) (notion de
product formula). De manire gnrale,
Z
...
0
h(u1 , . . . , ud )du1 . . . dud
n
X
i f (ui,1 , . . . , ui,d ),
i=1
o les ui = (ui,1 , . . . , ui,d ) sont des points du cube unit. Les calculs sont gnralement plus
complexes (mme si lide de la mthode Zest toujours la mme, approcher une intgrale par une
h(u)du, o V est un volume ou une surface de Rd ,
somme) pour des intgrales de la forme

V
ventuellement difficile paramtrer. Parmi les mthodes utilises, on peut essayer de dcouper
V en petits hypercube, mais aussi essayer de dcomposer h dans une base de polynmes. Un
tiers de Stroud (1971) est ainsi compos de tables et de formules permettant de dcomposer
des rgions V simples (ellipsodes, simplexes, hexagones, tores, polygones usuels), ainsi que des
formules dapproximation
9.5
Solutions dquations diffrentielles
Soit f : [0, [ R une fonction continment drivable telle que

f 0 (x) = g(f (x), x) pour x > 0 avec la condition f (0) = f0 .
On parle alors de problme de Cauchy.
Notons que si f est Lipschitzienne, alors ce problme admet une solution unique sur R.
La rsolution numrique ne se fait pas sur R, mais en un nombre fini de points. Pour cela,
on se donne
0 = x0 < x1 < x2 < .... < xn < xn+1 < ..
94
Lide naturelle est alors dapprocher f 0 (x) au point xn par

f 0 (xn )
f (xn+1 ) f (xn )
.
xn+1 xn
On parlera de schma deuler explicite si lon considre le schma numrique suivant

f (xn+1 ) f (xn )
un+1 un
= g(f (xn ), xn ), ou
= g(un , xn ) o un = f (xn ),
xn+1 xn
xn+1 xn
et de schma deuler implicite si
un+1 un
f (xn+1 ) f (xn )
= g(f (xn+1 ), xn+1 ), ou
= g(un+1 , xn+1 ) o un = f (xn ).
xn+1 xn
xn+1 xn
En effet, ces deux quation scrivent alors respectivement
un+1 = un + (xn+1 xn ) g(un , xn pour le schma explicite
et
un+1 (xn+1 xn ) g(un+1 , xn+1 ) pour le schma implicite.
Afin de bien comprendre lintrt de ces deux schmas, considrons lexemple suivant.
Exemple 53. Considrons lquation diffrentielle f 0 (x) = f (x) o > 0, avec comme condition initiale f (x) = f0 . La solution explicite est connue, ici: f (x) = ebetax f0 . Pour discrtiser,
posons xn = nh avec h > 0. Dans le schma explicite,
un+1 = (1 h)un = ... = (1 h)n u0 .
Si u0 6= 0, et si 1 h < 1, le schma sera dit instable. Il faut alors imposer 1 1 h,
soit h 2/. Aussi, le pas de discrtisation doit tre suffisement petit, sinon le schma explose.
Dans le schma implicite,
n
1
(1 + h)un+1 = un soit un =
u0 .
1 + h
Dans ce cas, pour tout h, le schma converge.
Dautres mthodes sont galement possibles. Rappelons juste la mthode de Runge-Kutta:
en intgrant lquation diffrentielle, il vient que
Z xn+1
f (xn+1 ) f (xn ) =
g(f (t), t)dt.
xn
En utilisant par exemple la mthode des trapzes pour calculer cette intgrale, il vient
un+1 un =
1 g(un , xn ) + g(un+1 , xn+1 )

.
2
xn+1 xn
Ce schma correspond en fait prendre la moyenne entre le schma dEuler explicite, et le schma
dEuler implicite. Il est possible de montrer quil converge lordre 2.
De manire gnrale, en posant u = (u1 , ..., un ) = (f (x1 ), ..., f (xn )), il est possible dcrire le
systme dquations (linaires) obtenues par la discrtisation sous la forme matricelle Au = b.
On peut alors utiliser les mthodes vues auparavant.
95
0.8
0.6
0.4
0.2
0.0
0.0
0.2
0.4
0.6
0.8
1.0
Rsolution dquation diffrentielle, Euler, h=0.1
1.0
0.0
0.5
1.0
1.5
2.0
2.5
0.0
0.5
1.0
1.5
2.0
2.5
0.8
0.6
0.4
0.2
0.0
0.0
0.2
0.4
0.6
0.8
1.0
1.0
0.0
0.5
1.0
1.5
2.0
2.5
0.0
0.5
1.0
1.5
2.0
2.5
Figure 46: Equation diffrentielle ordinaire, = 5, schma explicite.
0.8
0.6
0.4
0.2
0.0
0.0
0.2
0.4
0.6
0.8
1.0
1.0
0.0
0.5
1.0
1.5
2.0
2.5
0.0
0.5
1.0
1.5
2.0
2.5
0.8
0.6
0.4
0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.0
0.0
0.0
0.5
1.0
1.5
2.0
2.5
0.0
0.5
1.0
1.5
2.0
2.5
Figure 47: Equation diffrentielle ordinaire, = 5, schma implicite.
10
96
RSOLUTION DES EDP ET DIFFRENCES FINIES
10
10.1
Rsolution des edp et diffrences finies

Mthodes de discrtisation
Un schma de discrtisation se dit consistant si lerreur dapproximation tend vers 0 quand le

pas h 0. On parlera de prcision lordre p si la norme de lerreur est O(hp ).
De faon gnrale, les oprateurs diffrentiels sont approchs par des combinaisons linaires
de valeurs. En effet, le dveloppement de Taylor permet dcrire
u(x) u(x h)
h
= u0 (x) u00 (x) + ...
h
2
Donc si on dispose dun maillage (xi )i{0,...,n} , on peut approcher u0 (x) au point xi par
u0 (xi )
u(xi ) u(xi1 )
u(xi ) u(xi1 )
ui ui1
=
=
,
xi xi1
hi1
hi1
pour des commodits dcriture.

Plus formellement, on se place sur [0, 1] et on considre un maillage x = (x1 , ..., xn )t ,
0 = x0 < x1 < x2 < ... < xn1 < xn = 1.
On note hi = xi xi1 . Loprateur de diffrentiation scrit alors sous la forme matricielle
suivante
h1
0
1/2
h1
(0)
(h0 h1 )
(h1 h2 )1/2 h1
2
Dh =
..
..
.
.
..
.
(0)
h1
n2
1/2
1
(hn2 hn1 )
hn1
de telle sorte que le vecteur Dh u(x)t soit une approximation du vecteur u0 (x)t . Notons quici
lerreur est en O(max(hi )).
De mme pour la drive seconde, une approximation de u00 (x) au point x = xi est donne
par
1
u(xi+1 ) u(xi ) u(xi ) u(xi1 )
00
u (xi )
,
(hi + hi1 )/2
hi
hi1
soit encore
u00 (xi )
2
(hi + hi1 )
Si hi = h pour tout i (maillage uniforme),
2
1
Dh = 2
h
ui+1 i ui ui1
hi
hi1
la matrice associe est

1
2 1
1
(0)
2
..
.
.. ..
.
.
..
. 2 1
1 2
(0)
..
10
97
Le laplacien est, en dimension 2, loprateur 2 /x2 + 2 /y 2 . On utilise alors un schma

5 points,
(xi , yj )
u(xi+1 , yj ) 2u(xi , yj ) + u(xi1 , yj ) u(xi , yj+1 ) 2u(xi , yj ) + u(xi , yj1 )

+
,
h2x
h2y
L aussi, pour des commodits dcriture on notera

(xi , yj )
ui+1,j 2ui,j + ui1,j

ui,j+1 2ui,j + ui,j1
+
,
2
hx
h2y
Si hx = hy = h, notons que lerreur est O(h2 ). Il est possible damliorer la prcision en faisant
intervenir les points distance 2h, qui donne une erreur en O(h4 ). On notera enfin loprateur
bilharmonique, dont la racine carre donne le Laplacien.
1
1
1
16
2 8 2
1
1
1
1 16 60 16 1 ou
1 8 20 8 1
1 4 1
2
2
4
h
12h
h
1
16
2 8 2
1
1
10.2
Les diffrentes mthodes de discrtisation
Parmi les mthodes de diffrenciation,

f (x, t + h) f (x, t)
f (t, x)
diffrence progressive,
x
h
f (t, x)
f (x, t) f (x, t h)
diffrence rtrograde,
x
h
f (t, x)
f (x, t + h) f (x, t h)
diffrence centre.
x
2h
Exemple 54. Considrons lquation de transport dans R (0, )
u(x, t)
u(x, t)
+c
= 0, c > 0,
t
x
avec la condition initiale u(x, 0) = f (x) sur R. On considre un schma progressif en temps et
en espace,
ui+1,j ui,j
ui,j+1 ui,j
+c
= 0,
tj+1 tj
xi+1 xi
On considrant des pas de temps identiques, on note h = xi+1 xi pour tout i, et t = tj+1 tj
pour tout j. En posant = t/h, on obtient
ui,j+1 = (1 + c)ui,j cui+1,j = [1 + c cTh ]ui,j ,
o T dsigne loprateur de translation spatiale, [T ]u(x, t) = u(x , t), R. Par rcurrence
n
X
n
i
ui,j = [1 + c cTh ] u0,j =
(1 + c)nk (cTh )k f (xi )
k
k=0
n
X
n
=
(1 + c)nk (c)k f (xi + kh).
k
k=0
On utilise alors les points xi , xi+1 , .... La solution ainsi obtenue est alors trs loigne de la
solution thorique, puisquil est possible de montrer que u(x, t) = f (xct). Aussi, thoriquement,
seul le terme xi cnh aurait du intervenir. On parlera de schma instable.
98
6
2
localisation (x)
10
10
10
temps (t)
Figure 48: Maillage et rsolution numrique.
10.3
Notions de stabilit et de convergence
De faon gnrale, on note M un oprateur diffrentiel (linaire), dordre 1 en t, et on cherche

une solution u au problme M u(t, x) = f (t, x) sur (0, ) o est un ouvert de R, avec la
condition initiale u(x, 0) = (x) pour tout x .
En replaant les oprateurs diffrentiels par des diffrences finies, on obtient un oprateur
discret Mh,t .
Dfinition 55. Un schma est explicite si ui,j+1 peut scrire comme combinaison linaire des
u(xk , tj ), f (xk , tj1 ), ... pour tout k. Le schma est implicite si dautres valeurs sont ncessaires.
Dfinition 56. Le schma sera dit 1 pas de temps sil utilise les valeurs deux dates, uniquement (e.g. en ti et ti+1 ), et sinon il sera pas multiples.
Dfinition 57. Soit u(t, x) la solution de lquation aux drives partielles, et (ui,j ) un solution
associe au schma discrtis. On dira que le schma est convergent si ui,j u(x, t) quand
(xi , tj ) (x, t) lorsque h, t 0.
La convergence signifie que la solution numrique du schma tend vers la solution de
lquation aux drives partielles.
Dfinition 58. Un schma de discrtisation Mh,t dun oprateur L est consistant si pour toute
fonction infiniment drivable, en tout point (x, t) du maillage,
lim (M Mh,t ) = 0.
h,t0
En particulier, une solution rgulire sur la version discrtise converge vers la solution de
lquation aux drives partielles. Mais la rciproque nest pas forcment vraie. La consistance
est alors une condition ncessaire de convergence, mais pas suffisante.
Enfin, pour un schma Mh,t u = 0 associ lquation M u = 0, on dira quil est stable sil
existe .....
On a alors le rsultat dquivalence de Lax-Richtmyer,
10
99
8
6
localisation (x)
6
2
localisation (x)
10
Schma explicite
10
Schma implicite
10
temps (t)
10
temps (t)
Figure 49: Schmas implicite et explicite.

Proposition 59. Un schma linaire consistant est convergent si et seulement si il est stable.
10.4
Stabilit numrique de la discrtisation
Considrons le cas particulier de

traduit numriquement, par
2 1
1 2 1
1 2
1
..
2
h
.
(0)
la drive seconde. Rsoudre Du(x) = f (x) o Lu = u00 se
..
.. ..
.
.
..
. 2 1
1 2
(0)
u(x1 )
u(x2 )
u(x3 )
f (x1 )
f (x2 )
f (x3 )

=

u(xn1 ) f (xn1 )
u(xn )
f (xn )
ou encore Dh u = f . Les valeurs propres de Lh sont alors les k = 2(1 cos(k/(n + 1)))/h2 et
les vecteurs propres associs
V k = (sin(k/(n + 1)), sin(2k/(n + 1)), ..., sin(nk/(n + 1)))t .
En effet, en notant V 0 = V n+1 = 0, notons que
h2 [V k1 + 2V k V k+1 ] = k V k .
Cette relation de rcurence implique que les vecteurs propres scrivent
V k = Ar1k + Br2k , k = 0, ..., n,
o r1 et r2 sont deux solutions (distinctes) de r2 + (h2 2)r + 1 = 0, et o A et B sont
dtermines par les conditions en bords.
10
100
Notons que les valeurs propres sont toutes positives, avec

m in
2
4
1 , ..., k , ..., n m ax 2 .
2
2
n h
h
Si lon sintresse au cas du Laplacien, de faon similaire, on obtient que les valeurs propres
de Lh sont alors les
i,j =
2(1 cos(i/(n + 1))) 2(1 cos(j/(n + 1)))

+
,
h2x
h2y
et de la mme faon, on peut montrer que ces valeurs propres sont toutes positives, avec
min
10.5
1 2
1 2
4
4
+
1,1 , ..., i,j , ..., n,n max 2 + 2 .
2
2
2
2
n hx n hy
hx hy
Examples de discrtisation: lquation de la chaleur
On considre ici lquation aux drives partielles

2 u(t, x)
u(t, x)
= f (t, x), pour x R et t > 0,

t
x2
avec des conditions de bords u(x, 0) = u0 (x) pour tout x R (u0 donne, et connue). En
pratique, on supposera que x et t sont toutefois borns, soit x [a, +a] et t [0, T ]. Dans ce
cas, il convient de rajouter une condition de bord en espace, de la forme
u(a, t) = a(a, t) = 0 pour tout t ]0, T ].
schma explicite
Lide est ici dapprocher (u(t, x))t>0,xR par une suite ui,j , ou (ui,j )i[1,...,I],j[1,....,n] , dfinie
sur la grille (rgulire) (ti , xj ), o ti ti1 = t et xj xj1 = h par
ui+1,j ui,j
= fi,j ,
t
h2
o fi,j = f (ti , xj ), et en rajoutant les condition de bord
u0,j = u0 (xj ) pour tout j et ui, 0 = u(i, n + 1) = 0.
Notons que lon peut rcrire cette relation sous la forme rcurente
ui + 1, j = tfi,j + (ui,j+1 + ui,j1 ) + [1 2]ui,j ,
t
en posante = 2 . Le fait que la valeur la date ti+1 scrive en fonction des valeurs la date
h
ti explique le terme explicite du schma.
On note i+1,j la diffrence entre la solution approche et la vrai solution, en (ti , xj ), i.e.
i+1,j =
ui+1,j ui,j
fi,j .
t
h2
En supposant que u soit 2 fois continment drivable en t et 4 fois en x, en utilisant un

dveloppement de Taylor
u(ti+1 , xj ) = u(ti , xj ) + t
u
(ti , xj ) + O(t2 ),
t
10
101
u
h 2u
(ti , xj ) + O(t2 ) +
(ti , xj ) +
x
2 x2
h 2u
u
u(ti , xj1 ) = u(ti , xj ) h (ti , xj ) + O(t2 ) +
(ti , xj )
x
2 x2
Aussi,
i+1,j = O(t) + O(h2 ).
u(ti , xj+1 ) = u(ti , xj ) + h
h3 3 u
(ti , xj ) + O(h4 ),
6 x3
h3 3 u
(ti , xj ) + O(h4 ).
6 x3
On notant lerreur de troncature du schma, i.e. = max{i+1,j }, on a

C (t + h2 ).
Il est aussi possible dtudier lerreur de la discrtisation du schma,
ei,j = u(ti , xj ) ui,j pour tout i, j,
alors
ei+1,j = (1 2) ei,j + ei,j+1 + ei,j1 + tei+1,j

ei+1,0 = ei+1,n = 0
e0,j = 0
pour i = 1, ..., I 1, j = 0, ..., n 1

pour i = 0, ..., I
pour j = 0, ..., n
1
Si lon impose la condition , on a alors la majoration
2
|ei+1,j | (1 2) |ei,j | + (|ei,j+1 | + |ei,j1 |) + Ct (t + h2 ) |ei, | + Ct (t + h2 ),
o |ei, | = maxj {|ei,j |}, et donc, au final,
max{|ei+1,j |} CT (t + h2 ),
cest dire que lerreur de discrtisation est du mme ordre que lerreur de troncature.
Proposition 60. Soit u la solution de lquation de la chaleur, et (ui,j ) la solution du schma
explicite. On suppose que u est 2 fois continment drivable en t et 4 fois en x, et si de plus
t
h2
,
2
(12)
alors il existe une constante C, indpendante de t et de h telle que

|u(ti , xj ) ui,j | C (t + h2 ) pour tout i, j.
La condition (12) est appele condition de stabilit. Aussi, il faut que le pas de temps soit
suffisement petit pour que le schma converge. Dans le cas o = 1, la condition de stabilit
1
pour le schma explicite est . La Figure 50 montre la suite ui,j pour diffrentes valeurs de
2
.
Rsolution schma explicite - quation de la Chaleur
schma implicite
Un schma dit implicite (ou rtrograde) peut galement tre construit,
ui+1,j ui,j
ui+1,j+1 2ui+1,j + ui+1,j1
= fi+1,j .
t
h2
Labsence dcriture sous forme rcursive oblige rsoudre un systme linaire.
102
Equation de la chaleur, lambda=0.347
Esp
a
Te
mp
Te
mp
Equation de la chaleur, lambda=0.174
10
Esp
ce
Equation de la chaleur (explicite), lambda=0.535
Te
Te
mp
mp
Equation de la chaleur (explicite), lambda=0.520
ace
Esp
a
Esp
ce
ace
Figure 50: Schma explicite pour lquation de la chaleur, diminution du pas de temps
t, et augmentation de .
Esp
a
Te
m
Te
m
ps
Equation de la chaleur (implicite), lambda=0.347
ps
Esp
ce
Esp
a
ce
Te
m
ps
Te
m
ps
ace
Esp
ace
Figure 51: Schma implicite pour lquation de la chaleur, diminution du pas de temps
t, et augmentation de .
103
Equation de la chaleur (Crank Nicholson), lambda=0.347
Esp
a
Te
Te
mp
s
mp
s
10
Esp
ce
Te
Te
mp
mp
ace
Esp
a
Esp
ce
ace
Figure 52: Schma de Crank-Nicolson pour lquation de la chaleur, diminution du pas

de temps t, et augmentation de .
Rsolution schma implicite - quation de la Chaleur
schma de Crank-Nicolson
En combinant ces deux approches, on gnre un -schma. En particulier, si = 1/2, on
obtient le schma de Crank Nicolson,
ui+1,j ui,j
ui+1,j+1 2ui+1,j + ui+1,j1 ui,j+1 2ui,j + ui,j1
= fi+1,j .
t
2
h2
2
h2
Labsence dcriture sous forme rcursive oblige rsoudre un systme linaire.
Rsolution schma Crank-Nicolson - quation de la Chaleur
le schma saute-mouton (leap frog)

Dans ce schma, on considre la discrtisation suivante de lquation aux drives partielles,
ui+1,j ui1,j
= fi,j .
2t
h2
10.6
La notion de consistance
Rappelons que (t, h) = max{i,j } est appel erreur de troncature.

Dfinition 61. Un schma numrique est dite consistant si lerreur de troncature tend vers 0
quand t, h 0. Un schma numrique est dite prcis lordre p en espace, et q en temps sil
existe une constante C telle que
(t, h) C(hp + tq ).
En particulier, pour les schmas prsents dans la section prdante, on a
Proposition 62. Si la solution u est suffisement rgulire, alors
10
104
le -schma est prcis lordre 2 en espace, et 1 en temps, pour tout [0, 1],
le schma de Crank-Nicolson est prcis lordre 2 en espace, et 2 en temps ( = 1/2),
le schma saute-mouton est prcis lordre 2 en espace, et 2 en temps.
10.7
La notion de stabilit
On note k kh la norme sur Rn1 dfinie par

v
u n1
u X
kvkh = th
vi2 .
i=1
Dfinition 63. Un schma numrique un pas de temps est dite stable sil existe une constante
C telle que
v
u
i
u X
kui kh C ku0 kh + tt
kf k k2h ,
k=0
pour tout n, et quel que soit le second mme f k = (fk,1 , ..., fk,n1 ). Dans le cas dun schma
deux pas de temps, la condition de stabilit scrit
v
u
i
u X
kf k k2h ,
kui kh C ku0 kh + ku1 kh + tt
k=0
Afin de mieux comprendre cette notion, il peut tre plus simple de travailler sous forme
vectorielle. Dans le cas dun -schma, rappelons que
ui+1 = Aui + tbi+1 ,
o bi+1 = (I K)1 f i , et A = (I K)1 [I (1 )K], avec
2 1
1 2 1
(0)
.
.
.
1 2
K=
.. .. ..
.
.
.
..
.
(0)
2 1
1 2
Proposition 64. Un schma de la forme ui+1 = Aui + tbi+1 est stable si et seulement si il
existe une constante C telle que
kAi k2 C pour tout i = 1, ..., I,
o k k2 dsigne la norme matricielle induite par la norme euclidienne. Dans le cas o A vrifie
AA0 = A0 A, alors kAk2 correspond au rayon spectral, et une condition suffisante de stabilit est
que le rayon spectral soit major par 1.
Proposition 65. Dans le cas dun -schma, si [1/2, 1] alors le schma est stable.
10
105
Proof. Dans le cas dun -schma, rappelons que

A = (I K)1 [I (1 )K],
k
.
2n
Si on suppose que [1/2, 1], on obtient que k 1 (la condition k 1 tant elle toujours
vrifie).
et on peut vrifier aisment que A0 = A. Les valeurs propres de A sont les k = 1 4 sin2
Proposition 66. Dans le cas dun -schma, si [0, 1/2[ alors le schma est stable si
t
h2
.
2(1 2)
En revanche, le schma saute mouton est instable.
10.8
Approximation dune solution et consistance
Dfinition 67. On appelle erreur de troncature le vecteur = (1,h , ..., I1,h ), o

i,h =
ui+1 2ui + ui1

+ f (xi ) pour i = 1, ..., I 1.
h2
Le schma de discrtisation sera dit consistant si

max
i=1,...,I1
{|i,h |} 0 quand h 0.
Proposition 68. Si u est 4 fois continment drivable sur [0, 1], alors
4
d u(x)
h2
.
max {|i,h |}
sup
i=1,...,I1
12 x]0,1[ dx
Proof. Lide de la preuve sobtient en utilisant un dveloppement de Taylor lordre 4,
u(xi+1 ) = u(xi ) + hu0 (xi ) +
h2 00
h3
h4
u (xi ) + u000 (xi ) + u0000 (x+ ),
2
6
24
h2 00
h3
h4
u (xi ) u000 (xi ) + u0000 (x ),
2
6
24
o x et x+ sont deux valeurs appartenant respectivement ]xi1 , xi [ et ]xi , xi+1 [. On obtient
en particulier que
u(xi1 ) = u(xi ) hu0 (xi ) +
u(xi1 ) 2u(xi ) + u(xi+1 ) = h2 u00 (xi ) +

cest dire que
h4 0000
u (x ) + u0000 (x+ ) ,
24
h2 0000
u (x ) + u0000 (x+ ) ,
24
do, en utilisant un majorant correspondant au maximum de u0000 (), le rsultat propos.
i,h =
10
10.9
106
Approximation dune solution et convergence
Dfinition 69. Un schma est convergent si

max
i=1,...,I1
{|ei |} 0 quand h 0,
o ei = u(xi ) ui pour i = 1, ..., I 1.

Proposition 70. Si f est 2 fois continment drivable sur [0, 1], alors
2
d u(x)
2
.
max {|ei |} Ch sup
i=1,...,I1
dx
x]0,1[
Proof. Il est facile de noter que si f est deux fois continment drivable, alors u lest 4 fois. De
plus,
ei1 2ei + ei+1
= i,h .
h2
Aussi,
4
d u(x)
h2
,
max {|ei |} max {|i,h |}
sup
i=1,...,I1
i=1,...,I1
12 x]0,1[ dx
daprs la proposition prcdante.
10.10
Quelques aspects numriques et rsolution de systmes

linaires
Linversion de la matrice n n peut tre dlicate en pratique, mais en notant que la matrice est
tridiagonale, il est possible dutiliser des mthodes numriques plus efficace pour dterminer les
vecteurs ui+1 .
La mthode LU (Lower-Upper)
La mthode LU (Lower-Upper) est une mthode de dcomposition dune matrice M en le
produit LU une matrice triangulaire infrieure L (Lower) et une matrice triangulaire suprieure
U (Upper).
Schmatiquement, il sagit dune forme particulire dlimination de Gauss Jordan. On transforme une matrice en une matrice triangulaire suprieure en liminant les lments sous la diagonale. Les liminations se font colonne aprs colonne, en commenant par la gauche, en multipliant
la matrice M par la gauche avec une matrice triangulaire infrieure.
Exemple 71. Considrons le systme (trs simple)
3x1 + 5x2 = 9
6x1 + 7yx2 = 4
La mthode naturelle de rsolution consiste substituer la seconde quation la combinaison
linaire de 2 fois la premire quation, moins la seconde, qui donne le systme quivalent
3x1 + 5x2 =
9
3x2 = 14
10
107
On parle alors dlimination de Gauss. Linterprtation matricelle est la suivante,
3 5
1 0
3 5
=
6 7
2 1
0 3
| {z } | {z }| {z }
M
o lon a respectivement une matrice triangulaire infrieure gauche (L), et triangulaire

suprieure droite (U ). Rsoudre M x = b revient rsoudre LU x = b, qui se rsout en
deux temps:
on cherche la solution y Ly = b, qui se rsoud aisment puisque L est une matrice triangulaire infrieure: si y = (y1 , ..., yn )t , et b = (b1 , ..., bn )t
i1
X
1
yi =
bi
Li,j xj , i.e.
Li,i
j=1
on cherche la solution x U x = y, qui se rsoud aisment puisque U est une matrice

triangulaire suprieure: si x = (x1 , ..., xn )t , et y = (y1 , ..., yn )t
1
xi =
Ui,i
yi
n
X
!
Ui,j xj
, i.e.
j=i+1
Dans le cas particulier de la matrice triangulaire, on notera que les matrice L et U

sont assez spcifiques,
1 + 2
(0)

1 + 2
1 + 2 . .
..
..
..
.
.
.
...
1 + 2

(0)
1 + 2
y1 z1
1
L1 1
y2 z2
(0)
L2 1
y3 . .
...
..
..
.
.
1
yn1 zn1
(0)
Ln1 1
yn
Il convient de dterminer les coefficients Li , yi et zi . Des rapides calculs dalgbre linaire
y1 = (1 + 2)
yk = (1 + 2) 2 /yk1 , pour k = 2, ..., n
zk = et Lk = /yk , pour k = 1, ..., n 1

10
108
On peut alors rcrire M ui+1 = bi sous la forme L (U ui+1 ) = bi , qui se spare alors en
deux problmes,
Lv i+1 = bi et U ui+1 = v i ,
o v i est un vecteur intermdiaire.
1
/y1
1
/y2 1
.. ..
.
.
...
(0)
et
(0)
1
/yn1
v (ti , xn1 )
v (ti , xn )
1
y1
(0)
ui+1,1
ui+1,2
y
..
ui+1,3
.
y3
..
..
..
.
.
.
ui+1,n1
(0)
yn1
ui+1,n
yn
v (ti , x1 )
v (ti , x2 )
v (ti , x3 )
..
.
b1
b2
b3
..
.

=

bn1
bn
v1
v2
v3
..
.

=

vn1
vn
Les vecteurs v i sont obtenus aisment par substitution (forward),

vk1
pour k = 2, ..., n 1.
v1 = b1 et vk = bk +
yk1
On obtient alors, par substitution (backward),
ui+1,1 =
v1
vk + ui+1,k+1
et ui+1,k =
pour k = 1, ..., n 2.
y1
yk
Implmentation de la mthode LU
gam[j]<-c[j-1]/b0
tri.diag.inv< function(a,b,c,r)
b0<-b[j]-a[j]*gam[j]
n<-length(b)
u[j]<-(r[j]-a[j]*u[j-1])/b0 }
gam<-u<-tri.diag.inv<-1:n
for (j in (n-1):1) {
b0=b[1]
u[j]<-u[j]- gam[j+1]*u[j+1]}
u[1]<-r[1]/b0
for (j in 2:n) {
tri.diag.inv<-u }
La mthode SOR (Successive Over-Relaxation)

La mthode SOR (Successive Over-Relaxation) est une mthode itrative. Elle est
gnralement prsente comme un raffinement de la mthode de Gauss-Siegel. Lide est
ici de rcrire lalgorithme implicite sous la forme
ui,j+1 =
1
(b(xi , tj ) + [ui1,j+1 + ui+1,j+1 ]),
1 + 2
(13)
en gardant les notations de la partie prcdente.

La mthode de Jacobi consiste se donner une valeur u0i,j+1 , puis de construire une
suite de uki,j+1 , en posant
uk+1
i,j+1 =
1
(b(xi , tj ) + uki1,j+1 + uki+1,j+1 ),
1 + 2
(14)
10
109
et de regarder la limite quand k (cette mthode est en effet convergente ds lors

que > 0).
La mthode de Gauss-Siegel est une amlioration, qui propose de calculer uk+1
i,j+1
k+1
k
partir de ui1,j+1 , au lieu de ui1,j+1 . Aussi, (14) devient
uk+1
i,j+1 =
1
(b(xi , tj ) + ui1,j+1 )k+1 + uki+1,j+1 ).
1 + 2
(15)
Enfin, la mthode SOR est un raffinement supplmentaire, o on crit simplement

k+1
k
k
uk+1
(16)
i,j+1 = u(xi , tj+1 ) + ui,j+1 ui,j+1 ,
cest ) dire que la valeur ltape k + 1 correspond la valeur la date k, auquel est
ajout un terme correctif. On peut en particulier introduire un paramtre de relaxation
]0, 2[, et
k
y (xi , tj+1 )k+1 =
(b(xi , tj ) + uk+1
i1,j+1 + ui+1,j+1 )
1 + 2
u(x , t )k+1 = u(x , t )k + uk+1 uk
i
j+1
j+1
i,j+1
i,j+1
On parle de sur-relaxation si ]1, 2[, et de sous-relaxation si ]0, 1[.

Rsolution - mthode SOR
10.11
schma de Crank-Nicolson
Ce schma est une moyenne des deux prcdants, o on considre la discrtisation

suivant
ui,j+1 ui,j
t
1 ui1,j 2ui+1,j + ui,j ui1,j+1 2ui+1,j+1 + ui,j+1
+
2
h2
h2
= 0,
Ce schma implicte est consistant, dordre 2 en x et en t. Notons que
ui1,j+1 1(1 + )ui,j+1 + dui+1,j+1 = ui,j1 2(1 )ui,j dui,j+1 .
Le facteur damplification scrit
g(h) =
1 2 sin2 (h/2)
4 sin2 (h/2)
=
1
+
,
1 + 2 sin2 (h/2)
1 + 2 sin2 (h/2)
donc g(h) 1 quelles que soient les valeur retenue. Le schma est donc stable.
Le schma itratif scrit
1
1
ui,j+1 (ui1,j+1 2ui,j+1 + ui+1,j+1 ) = ui,j (ui1,j 2ui,j + ui+1,j ) ,
2
2
en notant encore une fois = t/h2 . La rsolution se fait laide de mthodes similaires
celles dfinie auparavant. En particulier, on peut calculer
v(xi , tj ) = (1 )ui,j +
ui1,j+ui+1,j ,
2
10
110
(lalgorithme tant rcursif) puis de rsoudre

(1 + )ui,j+1
(ui1,j+1 ) + ui+1,j+1 ) = v(xi , tj ).

2
Sous cette forme, on retrouve lquation obtenue dans le schma implicite.
10.12
schma de De Fort-Frankel
On considre ici le schma suivant

ui,j+1 ui,j
ui1,j (ui,j+1 + ui,j1 ) + ui+1,j
d
= 0,
t
h2
de telle sorte que
Lh,t u(x, t) Lu(x, t) =
t
h
2 u(x, t)
+ O(h2 ) + O((t)2 ).
t2
Ce schma est alors consistant si et seulement si t/h 0 quand h, t 0. Posons

= t/h2 , alors
(1 + 2d)ui,j+1 = 2(ui1,j + ui+1,j ) + (1 2)ui,j1 .
Ltude de la stabilit est un peu plus complexe, mais on peut montrer quil y a toujours
stabilit.
Les quatre schmas prsents dans cette partie peuvent tre reprsents par les dessins
de la Figure 53
10.13
Prix dun call europen par rsolution de.d.p.
Rsolution partir de lquation de la chaleur, et changement de variables

Le prix dune option europen, de payoff h(ST ) maturit T vaut, la date t = 0,
g(0, S0 ) o g est la solution de lquation aux drives partielles
g
g 1 2 2 2 g
+ rx
+ x
= rg, pour x 0, t [0, T ],
t
x 2
x2
avec la condition finale donne par g(T, x) = h(x) = max{0, x K}, dans le cas dun
call. Pour les calculs, on rajoute la condition limite g(, 0) = 0. De plus, comme il faut
discrtiser lespace des prix (x [0, a], quand x = a, g doit tre solution de lquation
g
g
+ rx
= rg pour x = a.
t
x
g
+ rx = rg car g(x) = x K en a. Aussi, aprs
t
intgration, on en dduit que g vrifie la condition de bord g(, a) = a K exp(r[ T ]).
On considre le changement de variable y = log(x/K) (ou x = Key ), de telle sorte
que lquation scrive
2 g 1 2 2 g
g
+ r
+
= rg, pour y log(a/K), t 0.
t
2 y 2 y 2
Aussi, en x = a, on en dduit que
10
111
4
2
temps (t)
Schma de DufortFrankel
Schma de CrankNicholson
4
3
2
1
localisation (x)
temps (t)
localisation (x)
localisation (x)
3
1
localisation (x)
Schma de Richardson
Schma FTCS Forwardtime, centred space
temps (t)
temps (t)
Figure 53: Les diffrents schmas de discrtisation de lquation de la chaleur
50.0 51.0 52.0
Condition de bord, x=a
0.0
0.2
0.4
0.6
0.8
1.0
Temps (t)
Rsolution de lquation aux drives partielles
20
10
40
20
Prix (x)
60
30
40
80
50
100
Condition de bord, t=T
0.0
0.2
0.4
0.6
0.8
1.0
20
40
60
Prix (x)
Temps (t)
1.0
0.0
1.0
Condition de bord, x=0
0.0
0.2
0.4
0.6
0.8
1.0
Temps (t)
Figure 54: Rsolution de lquation aux drives partielles.
80
100
10
112
On fait alors le changement de temps t = T 2 / 2 , soit

g
g 2 g
= (k 1)
+
kg, pour y log(a/K), [0, ( 2 2)/ 2 )],
y y 2
en posant k = 2r/ 2 . On se ramne lquation classique en posant f (y, ) = exp(y +
)g(y, ), o
1k
=
et = 2 + (k 1) k = (1 + k)2 /4,
2
f
2
soit f solution de
= 2 , avec comme conditions de bords une condition en temps
y
f (y, 0) = exp(y) max{exp(x) 1, 0} = max{e(k+1)y/2 e(k1)y/2 , 0},
(correspondant au temps t = T ), et les conditions en espace
f (y, ) = exp((k + 1)y/2), quand y +
(ou tout du moins la borne suprieure du support) et f (y, ) 0 quand y .
On met alors en place un algorithme numrique pour rsoudre cette quation.
Pour rappel, la solution de ce problme scrit
Z +
1
2
f (, y) =
f0 (x)e(xy) /4 dx,
2
o g0 est la condition de bord en temps,
f0 (x) = f (0, x) = max{e(k+1)x/2 e(k1)x/2 , 0}.
Comme on sait que S0 = 50 et K = 50, on sait autour de quelle valeur (en y) il
convient de faire les calculs. En particulier, on peut considrer une grille [1, 1] en y.
A partir de cette solution numrique, en y et , on fait alors les changements de
variable inverse, en notant que
g(y, ) = exp(y )f (y, ),
soit
(T t) 2 b
x (T t) 2
x
f (log ,
).
g(x, t) = exp log
K
2
K
2
La condition de bord suprieure est un peu dlicate traiter. Aussi, il peut tre plus
judicieux de valoriser un put, et dutiliser les formules de parit pour obtenir le prix du
call.
Remarque 72. En faisant le changement de temps, t = T 2 / 2 , on sest ramen de

[0, T ] [0, 2 T /2]: si est petit, lintervalle de temps sera tout petit (avec un cas limite
si 0).
Rsolution directe
On peut aussi tenter une rsolution directe partir de lquation obtenue par Black
& Scholes (1973),
g 1 2 2 2 g
g
+ rx
+ x
= rg, pour x [0, a], t [0, T ],
t
x 2
x2
10
113
Rsolution de lquation de la chaleur, valeur en t=T
10
15
20
25
Rsolution de lquation de la chaleur
Figure 55: Rsolution de lquation de la chaleur et prix du call.
Rsolution de lquation de la Black & Scholes
10
10
20
15
30
20
40
25
50
Rsolution de lquation de la chaleur
20
40
60
80
100
Figure 56: Rsolution de lquation de la chaleur et prix du call.
10
114
Convergence du prix dun put europen, Nt=500
8
7
5
Prix du put europen
14
12
8
10
Prix du call europen
16
18
Convergence du prix dun call europen, Nt=500
50
100
150
200
50
Nombre de subdivisions en espace
100
150
200
Figure 57: Convergence de la rsolution de lquation au drives partielles, valorisation

dun call et dun put.
10
20
30
40
50
Rsolution de lquation de la Black & Scholes, n=250
10
20
30
40
50
Rsolution de lquation de la Black & Scholes, n=20
20
40
60
80
100
20
40
60
80
100
Figure 58: Rsolution numrique de lquation aux drives partielles.
10
115
Rsolution de lquation de Black & Scholes
10
20
30
40
40
60
80
10
20
30
40
50
60
70
20
20
40
60
80
100
120
Figure 59: Rsolution directe de lquation au drives partielles.

avec la condition finale donne par g(T, x) = h(x) = max{0, x K}, dans le cas dun call.
Pour les calculs, on rajoute la condition limite g(, 0) = 0 et g(, a) = a K exp(r[ T ]).
Les graphiques ci-dessous montrent la convergence du prix en fonction du pas de temps
en espace, fix. Sont reprsentes les deux valeurs du prix obtenues pour des valeurs
de S les plus proches de S0 , et le trait au centre correspond une interpolation linaire
entre les deux valeurs les plus proches.
10.14
Diffrence entre les schmas forward, backward et centrs
Considrons le cas limite = 0, de telle sorte que lquation aux drives partielles
devient, o t dsigne le temps avant chance,
g(x, t)
g(x, t)
= rx
rg(x, t).
t
x
Un schma de discrtisation centr donne
gi,j+1 = [1 rt]gi,j
Si rt
Si rt
gi1,j +
gi+1,j .
2h
2h
Supposons de plus que le payoff (en t = 0) est de la forme suivant

g(S, t = 0) = 1(S [Sk h/2]) soit gi,0 = 1(i = k).
En substitutant dans lquation de rcurence, on en dduit que
gk,1 = (1 rt) et gk1,1 =
(k 1)rt
.
2
10
116
Rsolution de lquation de la chaleur, lambda=0.98/sigma^2
Figure 60: Rsolutions numriques pour diffrentes valeurs de .
100
0
50
100
150
200
50
100
150
Prix du sousjacent
Pas de temps trop lev (lambda=1.02/sigma^2)
200
100
50
0
50
100
150
Prix du sousjacent
150
50
100
50
0
150
Pas de temps trop lev (lambda=1/sigma^2)
150
50
100
150
200
Prix du sousjacent
50
100
150
200
Prix du sousjacent
Figure 61: Rsolutions numriques pour diffrentes valeurs de .
10
117
Si rt 1 alors gk,1 0 et gk1,1 0. En revanche, quelles que soient t et h, on

aura toujours
(k + 1)rt
gk+1,1 =
< 0,
2
ce qui est improbable, conomiquement.
Un schma de discrtisation forward donne
Si
rSi t
gi,j+1 = 1 1 +
rt gi,j +
gi+1,j ,
h
h
avec toujours la mme condition initiale, gi,0 = 1(i = k). L aussi, par substitution, on
en dduit que
Sk
Sk
gk,1 = 1 1 +
rt , gk1,1 =
1 rt et gk+1,1 = 0.
h
h
Si t est suffisement petit (i.e. (1 + n)rt 1), les trois valeurs sont positives.
On peut noter sur cet exemple simple quune mthode a priori moins efficace (forward
vs. Crank Nicholson) peut donner des rsultats sensiblement plus intressants.
10.15
Discrtisation dune edp sur un maillage non uniforme
Lide est ici de considrer un maillage qui se rafine au voisinage de S0 et de K.

La premire difficult est quen faisant un maillage trop fin en S, le schma explose.
Lautre difficult est de rcrire correctement lalgorithme itratif. En gardant un pas
de temps constant, le schma centr se rcrit sous la forme suivante
ui,j+1 = [1 (i + i + r)t]ui,j + i tui1,j + i tui+1,j ,
o
2 Si2
rSi
i =
,
(Si Si1 )(Si+1 Si1 ) Si+1 Si1
2 Si2
rSi
i =
+
.
(Si+1 Si )(Si+1 Si1 ) Si+1 Si1
Pour le schma forward, (??) reste valide, mais
i =
i =
2 Si2
,
(Si Si1 )(Si+1 Si1 )
2 Si2
rSi
+
.
(Si+1 Si )(Si+1 Si1 )
Si+1 Si
Pour le schma backward,

i =
2 Si2
rSi
,
(Si Si1 )(Si+1 Si1 ) Si Si1
i =
2 Si2
.
(Si+1 Si )(Si+1 Si1 )
10
118
Nous avons vu dans lexemple limite o 0 quil tait souhaitable quun schma
de disrtisation ait des coefficients ai,j , bi,j et ci,j positifs,
ui,j+1 = [1 (i + i + r)t]ui,j + i t ui1,j + i tui+1,j .
| {z }
| {z }
|
{z
}
ci,j
ai,j
bi,j
Cette condition de positivit est en fait ncessaire pour assurer la stabilit de

lalgorithme.
Une condition ncessaire pour assurer la positivit des coefficients est davoir
i 0 et i 0 pour i = 1, ..., n.
Pour corriger et assurer la positivit des coefficients, on peut utiliser une mthode de
dcentrage (upstream weighting). Lide du recentrage dans les mthodes de diffrences
finies et de poser
idcentr = iforward et idcentr = iforward si iforward , iforward 0,
et
idcentr = ibackward et idcentr = ibackward sinon.
Ce mcanisme assure la positivit des coefficients et . On peut alors acclrer la
convergence en considrant comme poids
i= icentr et i= icentr si icentr , icentr 0,
et
i = idcentr et i = idcentr sinon.
Lintrt de cette mthode est en particulier important si est faible. En effet, icentr
0 si 2 r[Si Si1 ]/Si pour tout i = 1, ..., n, soit 2 rh/Si .
Remarque 73. En fait, cette mthode de dcentrage devient essentielle pour des diffusions
plus complexes, en particulier si elles font intervenir un retour la moyenne.
Dans le schma centr de Crank-Nicolson, cette condition ncessaire nest toutefois
pas suffisante, et il est possible dobtenir une divergence (et oscillations).
10.16
Autres formes de payoff, et conditions de bord
Considrons, au lieu dun call europen classique le cas dun call digital. La convergence
est relativement lente. La raison tant la discontinuit de la fonction de payoff (fonction
indicatrice), une ide peut tre dapprocher le payoff par une fonction C aussi proche
quon le souhaite (Rannacher (1984)). Au lieu de considrer comme payoff x 7 1(x >
0), on considre
x
1
1 + tanh
,
gh (x) =
2
h
qui converge vers la fonction indicatrice lorsque h 0.
10
119
Prix dun call digital par quations aux drives partielles
0.6
0.4
0.0
0.2
Prix du call digital
0.8
1.0
Rsolution de lquation de la chaleur, cas option digitale
50
100
150
200
Prix du sousjacent
0.6
0.4
0.0
0.2
0.8
1.0
50
100
150
200
Prix du sousjacent
Figure 62: Valorisation dun call digital, m = 100, 250.
Convergence du prix dun call digital (non liss)
0.46
0.40
0.0
0.42
0.44
0.6
0.4
0.2
0.8
0.48
1.0
0.50
50
100
150
200
Prix du sousjacent
200
400
600
Figure 63: Valorisation dun call digital, m = 1000.
800
1000
10
120
0.48
0.46
0.40
0.42
0.44
0.46
0.44
0.40
0.42
0.48
0.50
Convergence du prix dun call digital (liss, h=1)
0.50
Convergence du prix dun call digital (liss, h=2)
200
400
600
800
1000
200
400
600
800
1000
Figure 64: Valorisation dun call digital, impact du lissage.
10.17
Les conditions de bord
Une des conditions de bords est obtenue lorsque St . Concrtement, il convient de

borner S [0, b] (voire [a, b] si on sintresse au logarithme).
Si dSt = rSt dt + St dWt (modle de Black & Scholes (1973)), alors
2
L
St = S0 exp
r
T + Z T t , o Z N (0, 1).
2
2
Avec un seuil M = S0 exp
r
T + 3 T , on oublie 1 cas sur 750, et si
2
2
M = S0 exp
r
T + 4 T , 1 sur 31 500.
2
0.4
Quantiles de la loi normale centre rduite
1/10
1.2815
0.3
1/20
1.6448
1/100
2.3263
0.2
1/1000
3.0902
0.0
0.1
1/10000
3.719
Comme le note Forsyth & Vetzal (2006), en pratique, si 0.4 et T 1 anne,

alors M = 10K est un ordre de grandeur trs conservateur.
La Figure suivante montre la convergence vers le prix thorique de la formule de
Black & Scholes si = 0.4 et T = 1 anne, lors que M = K, o = 2, 4, 6 et 8.
10
121
100
0
50
100
150
200
50
100
150
Prix du sousjacent
Impact des bornes de prix [0,6K]
200
100
50
0
50
100
150
Prix du sousjacent
150
50
100
50
0
150
150
50
100
150
200
Prix du sousjacent
50
100
150
200
Prix du sousjacent
Figure 65: Impact des bornes sur la valorisation.
10.18
Rsolution implicite de lquation
Pour le schma explicite, nous venons dimplmenter lalgorithme, soit sur lquation de
la chaleur, soit sur lquation de Black & Scholes directement. Le schma converge
condition que le pas de temps soit suffisement petit.
Les autres schmas (implicite, ou Crank Nicolson) font intervenir une rsolution implicite. Notons pour simplifier
Ag(x, t) =
2 x2 2 g(x, t)
g(x, t)
+ rx
rg(x, t),
2
2
x
x
de telle sorte que lquation de Black & Scholes devient

Ag(x, t) =
g(x, t)
.
t
En discrtisant cet oprateur, i.e. [Ag]i,j on peut crire, pour le schma implicite,
[Ag]i,j+1 =
gi,j+1 gi,j
,
t
et pour le schma de Crank Nicolson (centr),

gi,j+1 gi,j
1
([Ag]i,j+1 + [Ag]i,j ) =
.
2
t
Ces deux mthodes donnent alors respectivement
gi,j+1 = gi,j + t[1 (gi1,j+1)gi,j+1 )+i (gi+1,j+1)gi,j+1 )rgi,j+1 ],
(18)
10
122
pour le schma implicite, et pour le schma de Crank-Nicolson

gi,j+1 = gi,j
t
+
[1 (gi1,j+1)gi,j+1 )+i (gi+1,j+1)gi,j+1 )rgi,j+1 ]
2
t
+
[1 (gi1,j)gi,j )+i (gi+1,j)gi,j )rgi,j ].
2
En posant g j = (g0,j , g1,j , ..., gm,j ), et M la matrice tridiagonale, avec comme ligne
gnrique
Mi = t 0 ... 0 i (i + i + r) i 0 ... 0
Le systme dquations dans le schma implicite scrit
[I + M ]g j+1 = g j
Pour le schma de Crank-Nicoloson, le systme dquationscrit
[I + M/2]g j+1 = [I M/2]g j .
10.19
Calcul des grecques par quations aux drives partielles
Rappelons que les grecques sont des sensibilits des prix doptions par rapport une de
ses composantes.
Le est la sensibilit par rapport au taux sans risque r. Rappelons que le prix dun
call C vrifie lquation suivante
C 1 2 2 2 C
C
+ S
+ rs
rC = 0,
2
t
2
S
S
avec une condition de bord de la forme.....
Une autre approche est dutiliser une mthode de diffrence finie sur la valeur
numrique. Pour = C/S et = 2 C/S 2 , rappelons que pour le call europen,
la fonction de payoff nest pas drivable la monnaie (ST = K). On pourrait sattendre
avoir numriquement une discontinuit en tudiant la diffrence finie au voisinage de K,
ce qui nest pas le cas
10.20
Equations aux drives partielles pour les options pathdependent
Comme nous lavons vu, plusieurs options appartiennent la vaste catgorie des options
dites path-dependent,
Z
1 T
St dt, 0 ,
les calls dit average strike, de payoff max S0
T 0
Z T
1
les calls dit average rate, de payoff max
St dt K, 0 ,
T 0
les calls dit lookback strike, de payoff max {max{St , t [0, T ] S0 , 0}},
les calls dit lookback rate, de payoff max {K max{St , t [0, T ]}, 0}.
10
123
Calcul du Gamma par quation aux drives partielles
0.0
0.000
0.005
0.2
0.010
0.4
0.015
0.6
0.020
0.025
0.8
0.030
1.0
Calcul du Delta par quation aux drives partielles
20
40
60
80
100
Prix du sousjacent
20
40
60
80
100
Prix du sousjacent
Figure 66: Calcul du et du pour un call europen.

1
Notons que pour les premiers, la moyenne arithmtique
T
Z T
1
par la moyenne gomtrique, exp
log St dt .
T 0
10.21
St dt peut tre remplace

0
Cas particulier, les options sur moyenne
De manire gnrale pour les options sur moyenne, tant donne une fonction f : R
[0, T ] R suffisamment rgulire, on note
Z t
It =
f (Su , u)du,
0
de telle sorte que f (s, t) = s corresponde la moyenne arithmtique, et f (s, t) = log s

la moyenne gomtrique.
Si le prix de loption europenne peut scrire g(S, I, t), alors g(x, y, t) doit tre solution
de lquation aux drives partielles
g
g
g 1 2 2 2 g
+ x
+ f (x, t)
=r gx
.
t 2
x2
y
x
Dans le cas des options strike call sur moyenne arithmtique, le payoff est ST g(R, T )
o
Z
R
1 t
Su du,
g(R, T ) = max 1
o Rt =
T
St 0
o g vrifie lquation aux drives partielles
g
g 1 2 2 2 g
+ x
+ (1 rx)
= 0,
2
t 2
x
x
avec des conditions de bords de la forme g(, t) = 0.
10
124
10.22
Cas particulier, les options sur maximum
Dans le cas des options sur maximum (voire minimum), il est possible dutiliser la mthode
prsente pour les options sur moyenne, en notant que
Z
max {|Su |, u [0, t]} = lim
|Su | du
n1
.
En notant que le prix est suppos toujours positif, on peut alors noter In,t le processus
Z
In,t =
0
Sun du, et Jn,t = (In n, t)1/n .
Remarque 74. Pour les calculs formels sur les options sur minima ou maxima, quelques
formules de calcul stochastiques sont utiles. Soit (Zt )t0 un mouvement brownien arithmtique, i.e. Zt = t + Wt o (Wt )t0 un mouvement brownien standard. On note Mt et
mt respectivement le maximum et le minimum du processus (Zt )t0 sur la priode [0, t],
i.e.
Mt = sup {s + Ws } et mt = inf {s + Ws }.
s[0,t]
s[0,t]
Enfin, on note h le premier temps datteinte du niveau h pour (Zt )t0 . Alors la loi jointe
de (Zt , Mt ) admet pour densit
2(2y x)
2 t
(2y x)3
fZ,M,t (x, y) =
+ x
.
(19)
exp
2t
2
2t2
De manire simulaire la loi jointe de (Zt , mt ) admet pour densit
2(x 2y)
(2y x)3
2 t
fZ,m,t (x, y) =
exp
x
2t
2
2t2
On peut en dduire en particulier la loi du maximum Mt ,
r
2
(x t)2
x + t
fM,t (x) =
exp
2 exp(2x)
,
t
2t
t
(20)
(21)
o comme toujours dsigne la fonction de rpartition de la loi N (0, 1). Enfin, la loi du
temps darrt est donne par
|h|
h x
f,h (x) =
exp
,
(22)
2x
2x3
Pour tout complment, on pourra consulter Karatzas & Shreve (1991) ou Borodin
& Salminen (1996).
A FAIRE...
10
10.23
125
Pour aller plus loin sur lutilisation des e.d.p.
Nous avons vu que trouver le prix dun call ou dun put dans le modle de Black &
Scholes (1973) se ramenait rsoudre une quation parabolique de la chaleur, de la
forme
2 u(x, t)
u(x, t)
=
,
2
x
t
pour lesquelles des mthodes simple dlments finis permettent dobtenir facilement et
rapidement un prix.
Toutefois, dans certains cas, lquation dgne en un cas limite, celui des quations
hyperboliques,
u(x, t)
u(x, t)
=
.
x
t
En particulier,
dans les modles volatilit stochastique,
dans les modles de retour la moyenne.
De plus, un autre problme peut se poser pour certaines options (avec volatilit incertaine, ou les options passport): lquation aux drives partielles devient nonlinaire, et
la solution peut ne pas tre unique.
Labsence dunicit de la solution est toujours gnante dun point de vue financier, et
on introduit alors la notion de solution de viscosit.
10.24
Cas des processus sauts, et valorisation par e.d.p.
Supposons maintenant que le processus de diffusion sous-jacent nest plus simplement un

mouvement brownien gomtrique, mais quil y ait en plus un processus sauts,
dSt
= dt + dWt +( 1)dqt ,
St
o dqt est un processus de Poisson homogne, de paramtre , et o 1 correspond
lamplitude du saut (faisant passer de St St sil y a un saut en t). On note f ( la
densit de la taille des sauts.
Exemple 75. Si la taille des sauts augmente dun facteur suivant une loi lognormale
1
(log x )2
f (x) =
exp
.
2 2
2x
Il est alors possible de montrer que le prix dun produit contingent vrifie une quation
intgro-diffrentielle de la forme
Z
g(x, t)
+ Ag(x, t)+
g(xz)f (z)dz = 0,
(23)
t
0
o, pour ici, en notant = E( 1),
Ag(x, t) =
g(x, t)
2 x2 2 g(x, t)
+ (r)x
(r+)g(x, t),
2
2
x
x
10
126
Les sauts empchent toute couverture parfaite impossible.

Zhang (1997) puis Andersen & Andreasen (2000), et Cont & Voltchkova
(2003) ont propos une mthode de calcul bas sur des diffrences finies. Lquation 23
devient, dans un schma implicite
Z
gi,j+1 gi,j
+ [Ag]i,j+1 +
g(xz)f (z)dz
= 0.
t
0
i,j
Le terme [Ag] est certes diffrent du cas sans sauts, mais il reste facilement disctisable.
La principale difficult est dans lvaluation du troisime terme.
Faisons le changement de variable y = log x, et notons g = g(exp()) et f () =
f (exp()) exp(), de telle sorte que
Z
Z
g(xz)f (z)dz =
g (y + s)f (s)ds = I(y).
0
Cette dernire intgrale se calcule alors simplement par interpolation (e.g. par des
trapzes),
k/2
X
[g ]i+j [f ]j y.
I(yi )
j=k/2+1
En poursuivant un peu les calculs, on peut montrer que lon se ramne un systme
matriciel de la forme suivante
(I + tAtB)g j+1 = g j ,
(24)
o A est la discration de A, et B de lintgrale. Mais si A est une matrice relativement

creuse (elle est gnralement compose de la diagonale et des deux premires surdiagonale), alors que B est beaucoup plus dense.
Une solution a priori simpliste consiste supposer que
tB)g j+1 tB)g j ,
de telle sorte que (24) peut se rcrire
(I + tA)g j+1 = g j +[tB]g j .
La matrice de gauche est alors suffisement creuse pour que les calculs ne soient pas
trop complexes.
Aussi surprenant que cela paraisse dHalluin, Forsyth & Vetzal (2005) ont
montr que ce schma convergeait (sous des conditions pas trop fortes) vers la bonne
valeur.
Pour le schma de Crank Nicolson, le systme matriciel devient
t
t
t
t
A
B g j+1 = I
A+
B gj .
I+
2
2
2
2
Au lieu de faire des calculs et des inversions de matrices relativement denses, des
mthodes de type itratives peuvent tre intressantes ici.
11
MTHODES DE SIMULATIONS DANS LE MODLE DE BLACK & SCHOLES (1973)
127
Pour calculer g j+1 , on utilise g j , et ltape k + 1, on utilise g kj+1 , sous la forme

suivante (inspir de lapproximation faite dans le cas implicite)
t
t
t k
k
I+
A g j+1 = I
A gj +
Bg j + Bg j .
2
2
2
On a ici un algorithme de recherche de point fixe, qui converge trs rapidement. En
particulier, si k = g j+1 g kj+1 , alors
k+1
k k k
t/2
/2 .
1 + (r + )t
En particulier, si t 1, alors kk+1 k kk k t/2.
11
11.1
Mthodes de simulations dans le modle de Black

& Scholes (1973)
Introduction aux mthode de Monte Carlo
Les mthodes de Monte Carlo sont particulirement intressante pour calculer des aires,
des volumes, ou plus gnralement des intgrales.
Mthode dterministe de calcul daire, de volume ou dintgrale
On cherche valuer un volume V dans Rd , laide n points. Lide est dentourer
le volume par une boite. Si n = k d pour un entier k, cela signifie quon peut considrer
une grille de Rd ayant k points de chaque ct. Formellement, si V [a, b], pour tout
dimension i, on considre une partition homogne de lintervalle [ai , bi ], i.e. des points
xi,j = ai + (j 1)(bi ai )/(k 1), pour j = 1, ..., k.
Une approximation du volume sera alors
d
!
X
Y
1
1((x1,j1 , ..., xd,jk ) V) = Vn (V),
V (V)
(bi ai )
n
i=1
j1 ,...,jd {1,...,k}
cest dire que lon compte combien de points appartiennent au volume.

Notons que si L(V) est la longueur du contour du volume, en dimension 2, alors il est
possible de montrer que
|Vn (V) V (V)|
L(V)
L(V)
= 1/d .
k
n
Aussi n fix, la vitesse de convergence va dcrotre avec la dimension d, cest dire

que lerreur est en O(1/n1/d ).
Exemple 76. On cherche ici approcher le volume de la sphre unit en dimension 2 et
3. La Figure ci dessous montre lvolution de lapproximation en fonction de n.
11
128
0.5
0.0
0.5
1.0
1.0
0.5
0.0
0.5
1.0
Calcul daire approche dterministe (n=400)
1.0
Calcul daire approche dterministe (n=25)
1.0
0.5
0.0
0.5
1.0
1.0
0.5
0.0
0.5
1.0
Figure 67: Calcul daires, mthode dterministe, n = 25, 400.
Calcul du volume, mthode dterministe (d=2)
4.5
Volume de la sphre unit
4.0
3.6
3.4
3.5
3.0
3.2
Aire du disque unit
3.8
4.0
5.0
Calcul de laire, mthode dterministe (d=2)
50
100
150
200
(Nombre de points)^(1/2)
20
40
60
80
Figure 68: Calcul daires, mthode dterministe, dimension 2 et 3.
11
129
0.8
0.6
0.4
0.2
0.0
0.0
0.2
0.4
0.6
0.8
1.0
Mthode dterministe de calcul dintgrale (n=20)
1.0
Mthode dterministe de calcul dintgrale (n=5)
0.0
0.2
0.4
0.6
0.8
1.0
0.0
0.2
0.4
0.6
0.8
1.0
Figure 69: Calcul dintgrales, mthode dterministe.

Ce dernier exemple, bas sur la boule unit, peut se gnraliser en terme de calcul
dintgrales (simples ou multiples).
Z Pour les textcolor blue intgrales simples, supposons que lon cherche calculer
h(u)du o h est une fonction suffisamment rgulire. En reprenant la construction
[0,1]
de lintgrale de Rieman, une premire ide est dapprocher la fonction par des fonctions
en escalier. Aussi,

Z
n
X
1
j
h(u)du
h
n
n
[0,1]
j=1
o les termes de la somme sont les aires des petits rectangles lmentaires, de largeur 1/n
(on partitionne 0, 1 en n points), et de taille la valeur de la fonction droite, i.e. h(j/n)
pour le jme rectangle.
Z
En dimension suprieure, on cherche calculer un volume
h(u)du. L aussi,
[0,1]d
d
si n = k , on subdivisionne chacun des cts du carr unit, et on considre comme

approximation
Z
h(u)du
[0,1]d
X
j1 ,...,jd {1,...,k}
1
j1
jd
h
, ...,
.
k
k
k
Lerreur commise en approchant h par une fonction en escalier peut tre quantifier
laide de la formule de Taylor. Dans le cas qui nous intresse, sur un petit intervalle
[(i 1)/n, i/n], on note que lon peut majorer lerreur simplement,
11
130
0.8
0.7
0.6
0.5
i/n
h(u)du
f
(i/n)
(i1)/n
n
1 0 1
kf k
2n
n
o k k dsigne
la norme-sup sur [0, 1]
0.9
1.0
Erreur dapproxmation pour le calcul dintgrale
0.55
0.60
0.65
0.70
0.75
0.80
0.85
En sommant ces petites erreurs, on obtient alors que

Z

n
1
X
1
j
1 0
h(u)du
h
kf k .
0
n
n 2n
j=1
Notons quen utilisant la mthode des trapze (interpolation linaire), on aurait

amliorer la prcision, avec une majoration de la forme
Z 1
h(u)du In
kf 00 k ,
12n2
0
et par la mthode de Simpson (interpolation polynomiale - de degr 2)

Z 1
1 kf (4) k .
h(u)du
I
n
180n4
0
En dimension
suprieure, on sintresse dans un premier temps au calcul dintgrales de
Z
la forme
h(u)du. Dans ce cas, lide est toujours la mme: discrtiser uniformment

[0,1]d
[0, 1]d et sommer des petits volumes lmentaires.

Dans ce cas, on peut aussi simplement majorer lerreur. Sur un petit hypercube de
longueur h = 1/k = n1/d , on majore lerreur faite par la pyramide de base lhypercube,
et de hauteur hk d f k . Aussi, par sommation, on en dduit que
Z
d
X
1
j
j
1
1
d
h(u)du
h
, ...,
nhd hk d f k = d k d f k .
[0,1]d
k
k
k
n
j ,...,j
1
Cette mthode est bien entendu loin dtre optimale, mais notons quun calcul rapide
nous donne le mme ordre de grandeur qui pour le calcul du volume dans lintroduction,
O(n1/d ).
multiples nest pas le calcul de
Z En fait, la principale difficulte des intgrales
Z
h(u)du, mais davantage dintgrales
h(u)du o V est un volume plus gnral
[0,1]d
quun cube en dimension d (le simplexe, une sphre, la boule unit, un tore...). La principale difficult sera de paramtrer correctement le volume.
11
131
0.9
0.8
0.7
0.6
0.5
0.0
0.2
0.4
0.6
0.8
1.0
Calcul de laire, mthode dterministe
1.0
Mthode dterministe de calcul dintgrale erreur
0.0
0.2
0.4
0.6
0.8
1.0
200
400
600
800
1000
Nombre de subdivisions
Figure 70: Erreur dapproximation et convergence.
Approxmiation dun intgrale double approche dterministe
0.4
0.6
0.8
0.6
1.0
0.8
1.0
Approxmiation dun intgrale double approche dterministe
0.4
1.0
0.2
0.6
0.2
0.8
0.4
0.0
0.2
0.4
0.6
0.8
1.0
0.0
0.0
0.2
0.0
0.0
0.2
0.4
0.6
0.8
1.0
Figure 71: Calcul dune intgrale double, approche dterministe.
11
132
0.5
0.0
0.5
1.0
1.0
0.5
0.0
0.5
1.0
Calcul daire approche par simulations (n=400)
1.0
Calcul daire approche par simulations (n=25)
1.0
0.5
0.0
0.5
1.0
1.0
0.5
0.0
0.5
1.0
Figure 72: Calcul daires, mthode par simulations, n = 25, 400.

La mthode de Monte Carlo pour calculer des intgrales
Pour reprendre lexemple du calcul du volume, une fois fixe lhyperbue [a, b] qui
englobe le volume, au lieu de prendre les points sur une grille uniforme, on peut en tirer
n au hasard, uniformment et indpendamment, dans lhypercube.
Une approximation du volume sera alors
d
!
n
Y
1 X
V (V)
(bi ai )
1(X i V) = Vn (V),
n
i=1
i=1
cest dire que lon compte l aussi combien de points appartiennent au volume.
Notons que la le fait que X i appartienne au volume V suit une loi binomiale, de
probabilit p,
V (V)
p = P(X V) = d
.
Y
(bi ai )
i=1
On en dduit alors que E(Vn (V)) = V (V), et que, par indpendance entre les tirages,
V (V)
V (V)
1
1 d
V ar(Vn (V)) = d
n Y
Y
(bi ai )
(bi ai )
i=1
i=1
11
133
Calcul du volume, mthode par simulations (d=3)
4.5
4.0
3.6
3.4
3.5
3.0
3.2
Aire du disque unit
3.8
4.0
5.0
Calcul de laire, mthode par simulations (d=2)
50
100
150
200
20
(Nombre de points simuls)^(1/2)
40
60
80
Figure 73: Calcul daires, mthode par simulation, dimension 2 et 3.

La aussi, le calcul
dintgrales (simples ou multiples) peut se faire laide de simulaR
tions. En effet, [0,1] h(u)du peut se voir comme une esprance,
Z
h(u)du = E(h(U )) o U U ([0, 1]),
[0,1]
et plus gnralement, pour une intgrale multiple

Z
h(u)du = E(h(U )) o U est composante i.i.d, avec Ui U ([0, 1]).
[0,1]d
Une approximation naturelle dcoule immdiatement de la loi des grands nombres: si

on peut gnrer n d variables uniformes sur [0, 1] indpendantes, alors
n
1X
p.s.
h(U i ) E(h(U )).
n i=1
De plus, si on pose
n
!2
n
n
X
X
X
1
n 1
1
Sn =
h(U i ) et Vn2 =
h(U i )2
h(U i ) ,
n i=1
n 1 n i=1
n i=1
alors grce au thorme central limite,
Sn E(h(U )) L
N (0, 1).
n
Vn
11
134
0.8
0.6
0.4
0.2
0.0
0.0
0.2
0.4
0.6
0.8
1.0
Mthode par Monte Carlo de calcul dintgrale (n=20)
1.0
Mthode par Monte Carlo de calcul dintgrale (n=5)
0.0
0.2
0.4
0.6
0.8
1.0
0.0
0.2
0.4
0.6
0.8
1.0
Figure 74: Calcul dintgrales, mthode de Monte Carlo.

On en dduit alors un intevalle de confiance au niveu [0, 1] pour E(h(U ),
u1/2 Vn
Sn
, o u1/2 = 1 (1 /2).
n
Lerreur est alors proportionnelle lcart-type, i.e. O(1/ n). En particulier la

dimension nintervient pas ici - en thorie car en ralit elle intervient dans la constante !
Exemple 77. La Figure suivante montre lapproximation du volume de la sphre unit
en dimension 2 et 3.
Introduction la mthode de Monte Carlo par Chane de Markov
Lide nest plus ici de simuler forcment des Xi indpendants et identiquement distribu (suivant une loi uniforme), mais de simuler une chane de Markov (Xt )tN dont la
mesure invariante est la loi uniforme sur [0, 1].
...
Daprs le thorme ergodique, si ... alors
n
1X
P
Xt+i E(X) lorsque n .
n i=1
Pour aller plus loin, la notion de Quasi Monte Carlo
Au lieu de considrer un dcoupage dterministe de pas 1/n, ou alatoire (avec ou non
indpendance), une autre mthode peut tre de gnrer une suite, qui noblige pas, si lon
souhaite rajouter des simulations, tout recalculer (comme dans lapproche dterministe).
11
135
0.5
0.6
0.7
0.8
0.9
1.0
Calcul de laire, mthode de Monte Carlo
200
400
600
800
1000
Nombre de subdivisions
Figure 75: Convergence du calcul de lintgrale par Monte Carlo.
Approxmiation dun intgrale double approche par simulations
0.4
0.6
0.8
0.6
1.0
0.8
1.0
Approxmiation dun intgrale double approche par simulations
0.4
1.0
0.2
0.6
0.2
0.8
0.4
0.0
0.2
0.4
0.6
0.8
1.0
0.0
0.0
0.2
0.0
0.0
0.2
0.4
0.6
0.8
1.0
Figure 76: Calcul dune intgrale double, approche par Monte Carlo.
11
136
0.5
0.0
0.5
1.0
1.0
0.5
0.0
0.5
1.0
Calcul daire approche par MCMC (n=400)
1.0
Calcul daire approche par MCMC (n=25)
1.0
0.5
0.0
0.5
1.0
1.0
0.5
0.0
0.5
1.0
Figure 77: Calcul daire, mthode par MCMC, n = 25, 400.
Calcul du volume, mthode MCMC (d=3)
4.5
4.0
3.6
3.4
3.5
3.0
3.2
Aire du disque unit
3.8
4.0
5.0
Calcul de laire, mthode par MCMC (d=2)
50
100
150
200
20
40
60
80
Figure 78: Calcul daires, mthode par MCMC, dimension 2 et 3.
11
137
Lide est dutiliser la dcomposition en base p dun entier: soit k un entier et 0 , 1 ,...
r sa composition p-addique, i.e.
k = 0 + 1 p + ... + r pr o 0 i < p pour tout i = 0, 1, ..., r.
(25)
La suite de Van der Corput en base p est la suite dfinie par

0
r
un =
+ ... + r+1 .
p
p
Exemple 78. En base 2, on a
1
k = 1, qui scrit 1 en base 2, et u1 = ,
2
1
0
1
k = 2, qui scrit 10, et u2 = 2 + = ,
2
2
4
3
1
1
k = 3, qui scrit 11, et u3 = 2 + = ,
2
2
4
1
0
0
1
k = 4, qui scrit 100, et u4 = 3 + 2 + 2 = ,
2
2
2
8
1
0
0
0
1
25
k = 19, qui scrit 10011, et u1 9 = 5 + 4 + 3 + 2 + = ,
2
2
2
2
2
32
La suite de Halton est obtenue en dimension 2 en prenant pour la premire composante la suite de Van der Corput de base 2, et de base 3 pour la seconde. Plus gnrament, en dimension d, on prend comme bases respectives les d premiers nombres premiers
(2, 3, 5, 7, 11, ....)
Remarque 79. Ces suites ne sont pas alatoires, mais purement dterministes: on ne
peut invoquer de thorme central limite pour avoir un intervalle de confiance.
A propos des mthodes de quasi-monte carlo, Zaremba (1968) notait fort justement
the proper justification of normal practice of Monte Carlo integration must not be based
on the randomness of the procedure, which is spurious, but on the equidispersion properties
of the sets of points at which the integrand values are computed .
11.2
Mthodes de simulation en finance ?
Les mthodes de Monte Carlo sont relativement intressantes car elles permettent de
modliser, a priori, des produits relativement complexes. De manire gnrale, rappelons
que le prix dune option de maturit T , la date 0 scrit
g(ST )
V0 = B0 E
,
BT
o (Bt ) est le facteur dactualisation, ou le numraire. En particulier, il est possible
dtendre le modle de Black & Scholes (1973) (o r est un taux constant) un taux
stochastique (LIBOR par exemple).
La base des techniques de simulation est la loi forte des grands nombres, afin destimer
une esprance. Si X1 , ..., Xn sont des ralisations indpendantes,
n
1X
p.s.
Xi E(X),
n i=1
11
138
Construction de la suite de Halton, en dimension 2
0.0
0.2
0.2
0.4
0.4
0.6
0.6
0.8
0.8
Construction de la suite de Van der Corput
10
15
20
0.2
0.4
0.6
0.8
Indice
Figure 79: Construction de la suite ce Van der Corput et de Halton.
0.5
0.0
0.5
1.0
1.0
0.5
0.0
0.5
1.0
Calcul daire approche par Quasi Monte Carlo (n=400)
1.0
Calcul daire approche par Quasi Monte Carlo (n=5)
1.0
0.5
0.0
0.5
1.0
1.0
0.5
0.0
0.5
1.0
Figure 80: Calcul daire, mthode par quasi-monte carlo, n = 25, 400.
11
139
Calcul du volume, mthode quasi monte carlo (d=3)
4.5
4.0
3.6
3.4
3.5
3.0
3.2
Aire du disque unit
3.8
4.0
5.0
Calcul de laire, mthode par QMC (d=2)
50
100
150
200
20
40
60
80
Figure 81: Calcul daires, mthode par quasi-monte carlo, dimension 2 et 3.

et plus gnralement, pour toute fonction g..
n
1X
p.s.
In =
g(Xi ) E(g(X)).
n i=1
Le thorme central limite permet quant lui davoir une ide de la qualit de
lapproximation. Si g(X) est de variance finie, alors
n
!
X
1
L
n
g(Xi ) E(g(X)) N (0, V ar(g(X))).
n i=1
En particulier aprs n simulations, cette premire approximation permet dobtenir un
intervalle de confiance de la forme
#
"
r
r
V ar(g(X))
V ar(g(X))
u1/2 , In +
u1/2 ,
IC = In
n
n
o u1/2 dsigne le quantile de la loi normale centre rduite de niveau /2. Notons que
si V ar(g(X) est a priori inconnue, il est possible dobtenir un estimateur sous la forme
n
!2
n
X
X
1
1
s2n =
g(Xi )2
g(Xi ) ,
n i=1
n i=1
Notons dailleurs que cette approximation rajoute une nouvelle source derreur, et ce
dautant plus que les deux estimations ne sont pas forcment indpendantes.
Exemple 80. Comme le notait Fishman (1995), si g(X) B(p), alors corr(In , s2n ) 0
quand n si p = 1/2, mais si p [0, 1/2[, corr(In , s2n ) 1, et si p ]1/2, 1],
corr(In , s2n ) 1.
11
11.3
140
Mthodes de simulation
De manire gnrale, la simulation de variables alatoires (quelconques) repose sur la

simulation de variables uniformment distribues sur [0, 1]. Ce sera en particulier le cas
pour la mthode dite dinversion. De faon plus gnrale, on peut noter le rsultat suivant,
que lon peut trouver dans Bouleau (1986).
Lemme 81. Pour tout vecteur alatoire X de Rd , il existe : Rn Rd presque srement
continue telle que X =loi (U1 , ..., Un ) o U1 , ..., Un sont indpendantes et de mme loi
Uni(0, 1).
Il est possible que n soit ici infini. De plus, lhypothse centrale est que les Ui soient
indpendants, puiquils peuvent suivre une autre loi que la loi uniforme.
Exemple 82. Si p
(u) = (log u) /, alors (U ) suit une loi exponentielle de paramtre
. Si (u1 , u2 ) = (2 logPu1 ) cos (2u2 ), alors (U1 , U2 ) suit une loi normale centre
rduite. Si (u1 , ..., un ) = ni=1 I (Ui p), alors (U1 , ..., Un ) suit une loi binomiale de
paramtres n et p.
Proposition 83. Soit (X, Y ) un couple de variables alatoires, de loi uniforme sur le
disque unit S = {(x, y) , x2 + y 2 1}. Notons R et les
coordonnes polaires associes
(X, Y ), i.e. X = R cos et Y = R sin . Notons T = 4 log R, alors U = T cos et
V = T sin sont indpendantes, et de mme loi N or (0, 1) .
Proof. Considrons le changement de variables permettant de passer des coordonnes
cartsiennes aux donnes polaires,
S\ {]0, 1[ {0}} ]0, 1[ ]0, 2[

:
(x, y) 7 (r, )
et
]0, 1[ ]0, 2[ S\ {]0, 1[ {0}}

(r, ) 7 (x, y) = (r cos , r sin ) ,
avec pour jacobien J1 = r. La densit du couple (R, ) est alors donne par
g (r, ) =
1
r
IS (r cos , r sin ) r = IS (r cos , r sin ) ,
dont les lois marginales sont respectivement

g (r) = 2rI]0,1[ (r) et g () =
1
I]0,2[ () .
2
On en dduit alors que R et sont indpendantes, R tant de loi triangulaire sur ]0, 1[,
et de loi uniforme sur ]0, 2[. La loi de T est alors donne par P[T t] = 0 pour t 0,
et sinon,
hp
i
P[T t] = P
4 log R t
2
t
= P R > exp
4
2
r
= 1 G exp
,
4
11
141
o G est la fonction de rpartition de R. Do la densit de T ,

2
t
t 7 t exp
I]0,+[ (t) .
2
Dterminons pour conclure la densit du couples (U, V ), obtenu par le changement de
variable
]0, +[ ]0, 2[ R2 \ (]0, +[ {0})

:
(t, ) 7 (u, v) = (t cos , t sin )
En notant que restreint ]0, 1[ ]0, 2[ concide avec 1 , on en dduit que
J1 =
1
1
1
= =
,
2
J1 (t (u, v) , (u, v))
t
u + v2
do finalement la densit du couple (U, V ),

2
2
1
u
+
v
1 2
f (u, v) =
u + v 2 exp
2
u2 + v 2 2
2
2
1
1
u
v
exp
= exp
,
2
2
2
2
cest--dire que les variables U et V sont indpendantes, de loi normale centre rduite.
Lutilisation de cette proprit permet dobtenir lalgorithme polaire, permettant de
simuler un vecteur gaussien centr, rduit et indpendant, en notant que
r
2 log R2
T
U = T cos = Z X
Z=
=
et
2
V = T sin = Z Y
R
R
La premire tape permettant de simuler la loi uniforme sur le disque unit. Toutefois,
la mthode la plus utilise pour simuler une loi gaussienne nest pas celle-ci, et repose sur
une programmation lgrement diffrente du rsultat prcdant. En effet, il est possible de simuler non pas le couple (X, Y ), mais le couple (T, ), qui sont deux variables
indpendantes,
A partir de la simulation dun vecteur de variables alatoires indpendantes de loi
N or (0, 1), il est possible de se ramener des lois gaussiennes N or (, 2 ), en posant
Y = X + o R et > 0, et X N or (0, 1) . Comme on peut le noter sur les
graphiques de la Figure ?? , est un paramtre de localisation, et est un paramtre
dpaisseur des queues.
Dans le cas du modle de Black & Scholes (1973), il sagit de simuler la solution
de lquation dSt = rSt dt + St dWt , avec X0 = x. On sait qu la date t,
2
St = S0 exp rt t + Wt , o Wt N (0, t).
2
P
On simule alors la trajectoire du mouvement brownien par t ni=1 i , et on considre
n
X
2
Sn = S0 exp r
i , o Wt N (0, t).
nt + t
2
i=1
11
142
9.0
0.010
0.000
8.5
0.005
Density
0.015
9.5
0.020
Histogramme du prix du sousjacent
50
100
150
200
250
2000
ST
4000
6000
8000
10000
nombre de simulations
Figure 82: Calcul du prix dun call europen en utilisant la proprit de loi log-normale
du prix du sous-jacent, sous la probabilit risque neutre.
Call europen - simulations (simples)
X=rnorm(Nsim)
Ssim=s*exp(T*(r-0.5*sigma2 ) + sigma sqrt(T ) X)
11.4
C=exp(-r*T)*pmax(Ssim-K,0)
print.noquote(c(Prix call - simulations (simples):, mean(C),
+/-, 1.96*sqrt(var(C))/sqrt(Nsim)))
Simulation dun processus
Plusieurs mthodes peuvent tre utilises pour simuler un processus (St )t[0,T ] , diffrentes
dates t0 = 0 t1 t2 ... tn1 tn .
1. si on connat les lois conditionnelles (e.g. processus Markovien) on simule St0 , puis
St1 |St0 , puis St2 |St1 , St0 , ...etc,
2. si on connat les lois fini-dimensionnelles (e.g. processus Gaussien), on simule le
vecteur S = (St0 , St1 , ..., Stn ),
3. si lon souhaite simuler des dates intermdiaires, on utilise des proprits de pont
brownien, o lon simule St0 , puis Stn |St0 , la date terminale. On peut alors simuler
une date intermdiaire St |St0 , Stn , et plus gnralement, sachant Sti et Stk , il est
possible de connatre Stj |Sti , Stk , pour tout i j k.
11.5
Simulation dune diffusion continue
De faon gnrale, une solution numrique de lquation

dXt = a(Xt )dt + b(Xt )dWt pour tout t [0, T ],
(n)
(26)
est un processus (Xt )t[0,T ] qui approche suffisement (Xt )t[0,T ] solution de lquation (26).
11
143
Prix dun call europen, valeurs relatives
1.0
0.5
20
0.0
40
0.5
60
1.0
80
1.5
100
2.0
Prix dun call europen (BlackScholes), 500 simulations
50
100
150
200
50
PRix du sousjacent
100
150
200
PRix du sousjacent
Figure 83: Calcul du prix dun call europen, en fonction du prix du sous-jacent.
1
0
1
2
Simulation du mouvement brownien
Simulation du mouvement brownien
0.0
0.2
0.4
0.6
0.8
1.0
0.0
0.2
0.4
0.6
0.8
1.0
Figure 84: Simulation du mouvement brownien, pas de temps 1/10 ou 1/1000 .
11
144
Une telle solution est caractrise par une partition Tn de [0, T ],

Tn : {0 = t0 < t1 < t2 < ... < tn1 < tn = T },
dont la maille est
n = max [ti ti1 ].
i=1,..,n
(n)
On value alors (Xt )t[0,T ] au point de la partition ti , et une certaine libert est laisse sur
les intervalles [ti , ti+1 ). On peut alors considrer une valeur constante, ou une interpolation
linaire.
1.0
0.8
0.6
0.4
0.2
0.0
0.0
0.2
0.4
0.6
0.8
1.0
1.2
Approximation dEuler du mouvement Brownien n = 100
1.2
0.0
0.2
0.4
0.6
0.8
1.0
0.0
0.2
0.4
0.6
0.8
1.0
Figure 85: Schma dEuler, function en escaliers, n = 20, et n = 100.

On a alors le schma itratif suivant, en notant i = ti ti1 et i W = Wti Wti1 ,
(n)
X0
= X0 ,
(n)
(n)
(n)
(n)
(n)
(n)
(n)
(n)
(n)
(n)
(n)
(n)
(n)
(n)
Xt1 = X0 + a(X0 ) 1 + b(X0 ) 1 W ,

Xt2 = Xt1 + a(Xt1 ) 2 + b(Xt1 ) 2 W ,
...
(n)
Xti = Xti1 + a(Xti1 ) i + b(Xti1 ) i W ,

...
(n)
XT = Xtn1 + a(Xtn1 ) n + b(Xtn1 ) n W .

Le plus simple est de prendre une partition de maille constante, n = T /n.
Afin de quantifier la qualit de lajustement, on peut introduire
(n)
es (n ) = E|XT () XT ()|.
11
145
1.0
0.8
0.6
0.4
0.2
0.0
0.0
0.2
0.4
0.6
0.8
1.0
1.2
1.2
0.0
0.2
0.4
0.6
0.8
1.0
0.0
0.2
0.4
0.6
0.8
1.0
Figure 86: Schma dEuler, interpolation linaire, n = 20, et n = 100.

(n)
Dfinition 84. Le processus (Xt )t[0,T ] est une solution forte de lquation (26) si et
seulement si
es (n ) 0 quand n 0.
Une notion plus faible est base sur ltude des moments,
(n)
ew (n ) = |Ef (XT ()) Ef (XT ())|.

(n)
Dfinition 85. Le processus (Xt )t[0,T ] est une solution faible de lquation (26) si et
seulement si
ew (n ) 0 quand n 0.
Un indice permet de plus de quantifier la vitesse de convergence de lapproximation.
(n)
Dfinition 86. Le processus (Xt )t[0,T ] converge vers (Xt )t[0,T ] lordre > 0 de
lquation (26) si et seulement si il existe > 0 telle que
es (n ) n ou ew (n ) n .
Proposition 87. Lapproximation dEuler pas constant converge fortement lordre
= 1/2, et faiblement lordre = 1.
Notons quil existe dautres approximations, qui convergent plus vite. Rappelons que
lquation diffrentielle stochastique peut se rcrire
Z t
Z t
Xt = X0 +
a(Xs )ds +
b(Xs )dWs pour t [0, T ].
0
11
146
Aux points ti de la partition Tn , on peut rcrire

Z ti
Z ti
Xti = Xti1 +
a(Xs )ds +
b(Xs )dWs pour i = 1, ..., n.
ti1
ti1
Dans lapproximation dEuler, on discrtisait les intgrales sous la forme

Z ti
Z ti
a(Xs )ds a(Xti1 )i et
b(Xs )dWs b(Xti1 )i W,
ti1
ti1
(n)
puis on remplaait Xti par Xti , ce qui donnait lalgorithme itratif

(n)
(n)
(n)
(n)
Xti = Xti1 + a(Xti1 ) i + b(Xti1 ) i W.

Lide de lapproximation de Milstein est dutiliser les formules de Taylor et dIto,
appliques a(Xs ) et b(Xs ), et dcrire la diffrence Xti Xti1 sous la forme
Xti Xti1
Z ti
Z
=
a(Xti1 ) +
Z s
1 2
00
0
b(Xy )a (Xy )dWy ds
a(Xy )a (Xy ) + b (Xy )a (Xy ) dy +
2
ti1
ti1
ti1
Z s
Z ti
Z s
1 2
00
0
0
+
b(Xy )b (Xy )dWy dW s
b(Xti1 ) +
a(Xy )b (Xy ) + b (Xy )b (Xy ) dy +
2
ti1
ti1
ti1
= a(Xti1 )i + b(Xti1 )i W + Rti ,ti1 ,
s
Z
Rti ,ti1 =
ti
ti1
ti1
bb dBy dBs + Rti ,ti1 .
Notons que ce premier terme peut sapprocher par
Z ti Z s
0
dBy dBs .
b(Xti1 )b (Xti1 )
ti1
ti1
Le calcul de lintgrale double se fait alors de la faon suivante: rappelons tout dabord
que
Z ti
Z ti
2
(dWs ) =
ds = i ,
ti1
et que
ti
dWs
ti1
ti
ti1
ti1
ti1
dWy dWs = (i W )2 .
ti1
Cette dernire intgrale se rcrit alors
Z ti Z s
Z
dWy dWs +
ti1
ti
ti
ti
ti
ti1
dWy dWs + i
ti1
ti
dWy dWs +
cest dire, tout simplement

Z
ti1
ti1
(dWs )2
11
147
cest dire, en combinant les deux termes que

1
Rti ,ti1 b(Xti1 )b0 (Xti1 )[(i W )2 i ] + Rti ,ti1 .
2
Sous des conditions de rgularits des fonctions a() et b(), il est alors possible de
montrer que le reste Rti ,ti1 est nglieable par rapport lexpression de gauche.
On a alors le schma itratif suivant, en notant i = ti ti1 et i W = Wti Wti1 ,
(n)
X0
= X0 ,
...
(n)
(n)
(n)
(n)
Xti = Xti1 + a(Xti1 ) i + b(Xti1 ) i W + 12 b(Xti1 )b0 (Xti1 )[(i W )2 i ],

...
Proposition 88. Lapproximation de Milstein pas constant converge fortement lordre

= 1.
A partir de l, on en dduit lalgorithme suivant pour simuler le prix dune option,
1. Pour k = 1, ..., N , on simule ST , solution de dSt = rSt dt + St dWt , i.e.
2
St = S0 exp
t + Wt
2
2
soit S(k) exp S0 exp
, o N N (0, 1),
t + tN
2
2. Pour chaque scnario k on dtermine le payoff, V (ST , T )(k) V (S(k), T ),
3. On
dtermine
alors
lesprance
N
X
(ST , T )) 1
E(V
V (ST , T )(k)
N k=1
(risque
neutre)
associe
(ST , T )) est le prix en 0 de loption.

4. Enfin, la valeur actualise V erT E(V
11.6
Simulation du mouvement brownien...
Simulation processus brownien gomtrique - Euler
dW=sqrt(dt.euler)*rnorm(1)
N.euler=1000; dt.euler=T/N.euler
S.euler=S0; W=0
S.euler=c(S.euler,S.euler+dt.euler*S.euler*r + sigma*S.euler*dW)
}
for(j in 1:N.euler) {
Un autre code est possible en utilisant la discrtisation de Milstein.

Simulation processus brownien gomtrique - Milstein
N.milstein=1000; dt.milstein=T/N.milstein
S.milstein=S0; W=0
for(j in 1:N.milstein) {
dW=sqrt(dt.milstein)*rnorm(1)
S.milstein<-c(S.milstein,S.milstein+dt*S.milstein*r+sigma*S.milstein*dW+0.5*si
S.milstein (dW 2 dt))}
11
148
11.0
10.5
10.0
9.0
9.5
Valeur du call europen
11.5
12.0
Valeur dun call europen, Monte Carlo classique
2000
4000
6000
8000
10000
Nombre de simulations
Figure 87: Valeur dun call europen, mthode de Monte Carlo classique.
Erreur de discrtisation, E(|X(T)Y(T)|), Schma de Milstein
0.005
0.4
0.010
0.6
0.020
0.8
1.0
0.050
1.2
0.100
1.6
Erreur de discrtisation, E(|X(T)Y(T)|), Schma dEuler
0.005
0.010
0.020
pas de
discrtisation
0.050
0.100
0.005
0.010
0.020
pas de
discrtisation
0.050
0.100
Figure 88: Erreur de discrtisation, en fonction du nombre de subdivisions (2n+2 pour

n = 1, 2, ..., 6) pour le schma dEuler et de Millstein.
11
149
Erreur de discrtisation, |E(X(T)Y(T))|, Schma de Milstein
0.001
0.002
0.002
0.005
0.004
0.010
0.008
Erreur de discrtisation, |E(X(T)Y(T))|, Schma dEuler
0.005
0.010
0.020
pas de
discrtisation
0.050
0.100
0.005
0.010
0.020
pas de
discrtisation
0.050
0.100
Figure 89: Erreur de discrtisation, en fonction du nombre de subdivisions (2n+2 pour

n = 1, 2, ..., 6) pour le schma dEuler et de Millstein.
Mouvement brownien gomtrique
0.06
0.08
0.10
0.12
0.14
Densit dun mouvement brownien gomtrique
6
Temps
Figure 90: Mouvement brownien gomtrique.
10
11
150
Processus dOrnsteinUhlenbeck
0.00
0.05
0.10
Densit dun processus dOrnsteinUhlenbeck
10
Temps
Figure 91: Processus dOrnstein-Uhlenbeck.
11.7
Simulation dun processus saut, le processus de Poisson
Un processus de Poisson (Nt )t0 dintensit est un processus de comptage, tel que
N0 = 0,
(Nt )t0 est accroissements indpendants,
Nt+h Nt suit un loi de Poisson de paramtre h
Si on dfinie les dures entre les sauts, (Xn )nN , et la date darrive du nime saut
Tn = X1 + ... + Xn , on peut montrer simplement que les dures entre sauts (Xn ) sont
indpendantes, et suivent des loi exponentielle de paramtre 1/. Aussi, Tn suit un loi
Gamma de paramtres n et 1/.
En changeant la hauteur des sauts, et en la prenant alatoire, on peut ainsi simuler
un processus de Poisson compos. En en combinant ce processus saut une diffusion
brownienne, on peut alors simuler un processus de Lvy.
11.8
Simulation pour options path-dependent, premire approche
Considrons le cas dune option barrire up and out.

Goldman, M.B., Sosin, H.B. & Gatto, M.A. (1979). Path Dependent Options:
Buy at the Low, Sell at the High . The Journal of Finance, 34, 1111-1127.
Un second example o il est possible de visualiser limpact de la mthode retenue pour
discrtiser le processus est celui doptions lookback. En particulier (Goldman, Sosin &
Gatto (1979)) lalgorithme suivant permet de valoriser un call europen, dont le payoff
11
151
Simulation dun processus de Poisson compos
Simulation dun processus de processus de Lvy
10
20
30
40
50
Simulation dun processus de Poisson
10
15
10
15
10
15
Figure 92: Simulations de processus sauts.
Prix de loption sur maximum (10 000 trajectoires)
5.0
12
5.5
14
6.0
16
6.5
18
7.0
Prix de loption barrire (10 000 trajectoires)
10
Nombre de pas de temps (T/2^n)
10
Nombre de pas de temps (T/2^n)
Figure 93: Calcul du prix dune option up-and-out, et fixed strike lookback option)
11
152
est la diffrence entre le strike (K fix) et non plus ST mais la valeur maximale atteinte
entre 0 et T .
11.9
Options lookback
6.0
5.5
5.0
5.0
5.5
6.0
6.5
Option up and out pas de temps 1/200
6.5
Option up and out pas de temps 1/20
2000
4000
6000
8000
10000
2000
4000
6000
8000
10000
Figure 94: Pricing dun call up and out, barrire, laide de mthodes de Monte Carlo,
pour un pas de T /20 gauche, et un pas de T /200 droite.
La Figure souivante permet de visaliser limpact de la volatilit et en fonction de la
maturit T , pour un pas de temps en T /20 en haut, et T /100 en bas. Chaque point est
obtenu avec 25 000 simulations.
11.10
Simulation dun vecteur alatoire
Soit X = (X1 , ..., Xd ) un vecteur alatoire, de fonction de rpartition F , i.e. F (x) =

P(X x). Daprs le thorme de Sklar, si les lois marginales de X sont densit, il
existe une unique copule C telle que
F (x1 , .., xd ) = C(F1 (x1 ), ..., Fd (xd ),
o Fi est la ime loi marginale, i.e. Fi (xi ) = P(Xi xi ).
De ce rsultat, on peut noter que
L
(X1 , ..., Xd ) = (F11 (U1 ), ..., Fd1 (Ud )),

o U = (U1 , ..., Ud ) a pour fonction de rpartition C.
Afin de simuler un copule, rappelons que lalgorithme de base pour simuler un vecteur
alatoire est bas sur la simulation de loi conditionnelle. En dimension 2, soit (X, Y ) un
153
Erreur de discrtisation (Millstein), avec dt=T/20
Vo
lati
Ma
tu
Ma
tu
rit
Erreur de discrtisation (Euler), avec dt=T/20
rit
11
Vo
lati
lit
lit
Figure 95: Erreur de discrtisation, option fixed strike lookback option avec le schma
dEuler gauche, et de Millstein droite.
Vo
lati
lit
Ma
tu
Ma
tu
rit
Erreur de discrtisation (Millstein), avec dt=T/100
rit
Erreur de discrtisation (Euler), avec dt=T/100
Vo
lati
lit
Figure 96: Erreur de discrtisation, option fixed strike lookback option avec le schma
dEuler gauche, et de Millstein droite.
11
154
couple alatoire, de lois marginales FX et FY , de fonction de rpartition (jointe) FXY et

de copule C. Siy 7 P (X x|Y = y) est continue droite, alors
P (X x|Y = y)
= lim P (X x|y Y < y + h)
h0
FXY (x, y + h) FXY (x, y)

h0
FY (y + h) FY (y)
C (FX (x) , FY (y + h)) C (FX (x) , FY (y))
= lim
h0
FY (y + h) FY (y)
C (FX (x) , FY (y) + (y, h)) C (FX (x) , FY (y))
= lim
h0
(y, h)
= lim
o (y, h) = FY (y + h) FY (y) 0 pour tout y, lorsque h 0, tant donn que FY

est continue. Aussi,
P (X x|Y = y) =
C
(FX (x) , FY (y)) .
v
(27)
Si U = (U1 , .., Ud ) admet pour fonction de rpartition C, alors lalgorithme suivant

permet de gnrer un tel vecteur
simuler U1 uniformment sur [0, 1],
u1 Random1 ,
simuler U2 from the conditional distribution 2 C(|u1 ),
u2 [1 C(|u1 )]1 (Random2 ),
simuler Uk from the conditional distribution k C(|u1 , ..., uk1 ),
uk [1 ...k1 C(|u1 , ..., uk1 )]1 (Randomk ),
...etc, o les Randomi sont des appels indpendants de la fonction Random.
Exemple 89. Pour simuler la copule de Clayton C(u, v) = (u + v 1)1/ , on tire
U et W avec deux appels indpendants de la fonction Random, et on pose
1/
V = W /(+1) u u + 1
.
Exemple
90. Pour
simuler
la
copule
de
Frank,
C(u, v)
=
u
v
(e
1)(e
1)
1
log 1 +
, on tire U et W avec deux appels indpendants de
(e 1)
la fonction Random, et on pose

(e 1)3
1
eu
V = log
+1
eU 1 (eU 1) W
155
400
0
200
Frequency
300
0 100
Frequency
500
11
0.0
0.2
0.4
0.6
0.8
1.0
0.0
0.2
0.4
0.6
0.8
1.0
Distribution de V
0.0
4 2
0.4
0.8
Distribution de U
0.0
0.2
0.4
0.6
0.8
1.0
Uniform margins
Standard Gaussian margins
400
0
200
Frequency
400
200
0
Frequency
Figure 97: Simulation of the independent copula.
0.0
0.2
0.4
0.6
0.8
1.0
0.0
0.2
0.4
0.6
0.8
1.0
Distribution de V
0.0
0.4
0.8
Distribution de U
0.0
0.2
0.4
0.6
0.8
1.0
Uniform margins
Figure 98: Simulation of the comontone copula.
156
400
200
0
200
Frequency
400
Frequency
11
0.0
0.2
0.4
0.6
0.8
1.0
0.0
0.2
0.4
0.6
0.8
1.0
Distribution de V
0.0
0.4
0.8
Distribution de U
0.0
0.2
0.4
0.6
0.8
1.0
Uniform margins
0.0
0.2
0.4
0.6
0.8
300
0 100
Frequency
400
200
0
Frequency
500
Figure 99: Simulation of the contercomonotone copula.
1.0
0.0
0.2
0.4
0.6
0.8
1.0
Distribution de V
0.0
0.4
0.8
Distribution de U
0.0
0.2
0.4
0.6
0.8
1.0
Uniform margins
Figure 100: Simulation of the Gaussian copula.
157
400
200
0
200
Frequency
400
Frequency
11
0.0
0.2
0.4
0.6
0.8
1.0
0.0
0.2
0.4
0.6
0.8
1.0
Distribution de V
0.0
0.4
0.8
Distribution de U
0.0
0.2
0.4
0.6
0.8
1.0
Uniform margins
400
0
200
Frequency
400
200
0
Frequency
Figure 101: Simulation of Claytons copula.
0.0
0.2
0.4
0.6
0.8
1.0
0.0
0.2
0.4
0.6
0.8
1.0
Distribution de V
0.0
0.4
0.8
Distribution de U
0.0
0.2
0.4
0.6
0.8
1.0
Uniform margins
Figure 102: Simulation of Claytons survival copula.
11
158
Densit empirique de {X1,...,Xn}
0.0
0.0
0.2
0.1
0.4
0.2
0.6
0.3
0.8
0.4
1.0
Appels de fonctions random indpendants
0.0
0.2
0.4
0.6
0.8
1.0
Figure 103: Simulation de variables indpendantes, par copules.

Pour gnrer une copule Archimdienne, C(u, v) = 1 ((u) + (v)), o est dcroissante convexe, sannulant en 1, Genest & MacKay (1986), Genest (1987) et Lee
(1993) on propos diffrentes algorithme.
Notons que lors de simulations dun vecteur indpendant en dimension 2, plusieurs
techniques peuvent tre utilises.
faire des appels indpendants de fonctions randoms, U et V , puis poser X = FX1 (U )
et Y = FX1 (V ),
faire des appels indpendants de fonctions randoms, et prendre les rangs: X =
FX1 (rang(U )/(n + 1)) et Y = FX1 (rang(U )/(n + 1),
La figure suivante montre la ralisation de 100 simulations de paires, et limpact sur
la densit de X, lorsque FX = .
la mthode Latin hypercube,
Il sagit dune mthode intermdiaire entre les deux mthodes prcdantes. Lide est
de paver le carr unit [0, 1] [0, 1] en petits carrs, puis de tirer indpendement des
variables indpendantes dans chaque carr.
Dans le cas des 100 simulations, on dcoupe le carr unit en 52 = 25 petits carrs de
longueur 1/5, et dans chaque carr, on tire au hasard 4 points.
11.11
Simulation de processus corrls
Le processus de base tant le mouvement brownien, la premire tape est donc de savoir
simuler un mouvement brownien.
La corrlation est, thoriquement, la corrlation instantanne entre dWt1 et dWt2 , au
sens o corr(dWt1 , dWt2 ) = , ou plus proprement, d < W 1 , W 2 >t = dt. Linterprtation
11
159
0.0
0.0
0.2
0.1
0.4
0.2
0.6
0.3
0.8
1.0
Rangs dappels de fonctions random indpendants
0.0
0.2
0.4
0.6
0.8
1.0
Figure 104: Intrt des rangs lors de simulations.
0.0
0.0
0.2
0.1
0.4
0.2
0.6
0.8
0.3
1.0
Mthode du Latin hypercube
0.0
0.2
0.4
0.6
0.8
1.0
Figure 105: La mthode du latin hypercube.
11
160
en terme de simulations est alors claire: les incrments sont corrls, avec une corrlation
. En fait, on peut montrer qualors, plus gnrallement, pour tout s < t,
corr(Wt1 Ws1 , Wt2 Ws2 ) = (indpendament de t et s).
Linterprtation peut galement tre la suivante: si X1 , ..., Xn sont i.i.d. N (0, 1), si
Y1 , ..., Yn sont i.i.d. N (0, 1) et si pour tout i, (Xi , Yi ) est un vecteur gaussien de corrlation
, alors
corr(X1 + .... + Xn , Y1 + .... + Yn ) = pour tout n N.
En effet

0
1
.
.
.

X
0
N ,
Y
0
.
..
0
On pose alors
..
(0)
A=
..
1
(0)
.
1 (0)
(0) 1
.
(0)
1
(0)
..
..
On peut alors monter que

X1 + ... + Xn
0
n n
X
=
N
,
A
Y1 + ... + Yn
0
n n
Y
cest dire que corr (X1 + ... + Xn , Y1 + ... + Yn ) = .
Notons quau lieu davoir un les incrments des vecteurs gaussiens indpendants, de
corrlation r, il est possible davoir dautres types de dpendance (i.e. copules, Figure
110). A partir de ces processus, il est possible de tarifer des options multisupports, ou
des processus volatilit stochastique (dont les browniens sont corrls).
11.12
Impact de la corrlation sur les prix doptions
On considre une options sur spread, payant (ST1 ST2 )+ chance. La figure suivante
montre limpact de la corrlation sur le prix dune telle option.
11.13
Processus volatilit stochastique
Plaons nous dans le cas o le prix dun actif est donn par la diffusion suivante,
dSt
= dt + t dWt1 ,
St
o le processus de volatilit (t )t0 suit un processus dOrnstein-Uhlenbeck, i.e.
dt = bt + dWt2 ,
o (W t )t0 = (Wt1 , Wt2 )t0 est un mouvement brownien (standard) bivarie, de corrlation
(on parlera aussi de corrlation instantanne entre dWt1 et dWt2 ).
On peut utiliser un schma dEuler, et chaque date, utiliser la volatilit simule.
11
161
Simulation de deux brownien corrls (r=0.3)
0.51
0.50
0.49
0.47
0.48
Corrlation
0.52
0.53
Stabilit de la corrlation du brownien
50
100
150
200
0.0
0.5
1.0
1.5
2.0
Nombre dincrments
Figure 106: Corrlation dun brownien multivari et corrlation de la somme de n gaussiennes corrles.
Incrments du brownien en dimension 2
0.05
0.00
Incrments du second brownien
1
0
2
0.10
0.05
0.10
0.0
0.5
1.0
1.5
2.0
0.10
0.05
0.00
0.05
Incrments du premier brownien
Figure 107: Simulation de trajectoires de browniens, = 0.3
0.10
11
162
0.05
0.00
1
0
2
0.10
0.05
0.10
0.0
0.5
1.0
1.5
2.0
0.10
0.05
0.00
0.05
0.10
Figure 108: Simulation de trajectoires de browniens, = 0.8
0.05
0.00
0.05
0.10
0.10
0.0
0.5
1.0
1.5
2.0
0.10
0.05
0.00
0.05
0.10
2
0
4
Trajectoire du second brownien
2
0
2
4
Trajectoire du second brownien
Trajectoire dun brownien bivari dans le plan
Trajectoire dun brownien bivari dans le plan
Trajectoire du premier brownien
Trajectoire du premier brownien
Figure 109: Simulation de trajectoires de browniens, avec un brownien positivement corrl (en rouge) et ngativement corrl (en vert).
11
163
Incrments du brownien (copule duale de Clayon)
0.05
0.00
0.05
0.10
0.10
0.0
0.5
1.0
1.5
2.0
0.10
0.05
0.00
0.05
0.10
Figure 110: Simulation de trajectoires processus Gaussien.
10
5
0
15
Valeur de loption sur spread en fonction de la corrlation
1.0
0.5
0.0
0.5
1.0
Corrlation
Figure 111: Prix dune option sur spread, impact de la corrlation.
12
164
AMLIORER LA PRCISION DES ESTIMATIONS
3.0
2.5
Impact du paramtre delta
1.5
2.0
2.5
1.5
2.0
Impact du paramtre b
3.0
3.5
Call europen avec volatilit stochastique
3.5
Call europen avec volatilit stochastique
500
1000
1500
500
1000
1500
Figure 112: Valorisation dun call europen volatilit stochastique, avec plusieurs b
gauche, et plusieurs droite.
12
Amliorer la prcision des estimations
Plusieurs mthodes permettent damliorer la prcision, ou la vitesse de convergence,

utiliser des proprits de calculs stochastique ou de probabilits,
utiliser des mthodes de rduction de variance,
utiliser des mthodes de lissage.
12.1
Mthodes de rduction de variance
Les mthodes de rduction de variance peuvent tre trs utilise.

Considrons un call trs en dehors de la monnaie, i.e. S0 << K. Les mthodes
classiques de Monte Carlo donnent trs peu de trajectoires qui atteignent le strike K,
et il y aura alors beaucoup de rejets. En effet,

2
C0 = E
S0 exp WT + r
T K
,
2
+
et puisque S0 << K, on peut lgitimement penser que
2
P S0 exp WT + r
T > K 0.
2
Au lieu de simuler X 0, , pour calculer E((X)), o
2
(x) =
S0 exp T x + r
T
K
2
+
12
165
par des mthodes classques de Monte Carlo, lide est de simuler une autre variable
alatoire (Z) telle que P ((Z) > 0) ne soit plus proche de 0, mais ventuellement proche
de 1/2. On va ainsi simuler une loi Z N (, 1) o vrifie
2
S0 exp T x + r
T = K,
2
soit
2
1
K
r
m=
T .
log
S0
2
T
La valeur de loption sera alors
m2
E f (Z) exp mZ +
.
2
Cette technique est appele importance sampling.
10
0
Ecarttype du prix dun call europen
10
5
0
Ecarttype du prix dun call europen
15
Importance sampling pour le prix dun call europen
15
Importance sampling pour le prix dun call europen
0.2
0.0
0.2
0.4
0.6
0.8
0.2
Valeur du drift
0.0
0.2
0.4
0.6
0.8
Valeur du drift
Figure 113: Importance sampling, volatilit de lestimateur en fonction de la valeur du

drift, avec diffrentes volatilit, ou diffrents strikes.
12.2
Les mthodes de stratification
Le plus simple est de prsenter un exemple simple. Considrons un vecteur alatoire

gaussien X de dimension d, avec X N (0, I). Le vecteur X peut se rcrire
X = (s0 X)s + Y ,
o s est un vecteur unitaire de Rd et Y = X (s0 X)s est un vecteur gaussien centr, de
matrice de variance-covariance = I Ps o Ps est la matrice de projection orthogonale
sur s. s tant un vecteur unitaire, notons que s0 X est une variable N (0, 1).
12
166
On constuit alors k strates (Si )i=1,...,k , suivant la valeur de s0 X. La strate i est dfinie
de la faon suivante,
X Si si et seulement si
i1
i
(s0 X) < .
k
k
On tire alors le vecteur le alatoire X|X Si en utilisant la dcomposition

L
X|X Si = 1 (Ui ) s + Y ,
i1 i
o Ui suit une loi uniforme sur
, , indpendante de Y .
k k
Il sagit alors de dterminer la direction s optimale qui permettra de rduire la variance.
12.3
Les variables antithtiques
Supposons que lon cherche calculer = E [h (U )] o U U ni(0, 1). A partir de n

variables uniformes indpendantes U1 , ..., Un , la mthode standard de Monte Carlo consiste
approximer par
1
b
h (U1 ) + ... + h (Un ) = ,

n
mais compte tenu de la relation
Z 1
Z
1 1
h (x) dx =
[h (x) + h (1 x)] dx,
(28)
2 0
0
on peut galement approcher laide de la relation
h (U1 ) + h (1 U1 ) + ... + h (Un ) + h (1 Un ) = bA .

2n
En notant Xi = h (Ui ) et Yi = h (1 Ui ), alors
h i
1
V ar [X]
V ar b = V ar
(h (U1 ) + ... + h (Un )) =
n
n
alors que
h i
1
b
(h (U1 ) + h (1 U1 ) + ... + h (Un ) + h (1 Un ))
V ar A = V ar
2n
h i Cov [X, Y ]
= V ar b +
.
n
h i
h i
Cest dire que V ar bA < V ar b si, et seulement si, Cov [h (U ) , h (1 U )] < 0. Cette
condition est vrifie en particulier si h est une fonction monotone. Aussi, si h est une
fonction monotone, alors la qualit de lapproximation est amliore.
De faon gnrale, = E [h (X)] peut se rcrire

= E h FX1 (U ) = E [h (U )] ,
ce qui permet de se ramener au cas uniforme.
12
167
11.0
10.5
10.0
9.0
9.5
11.5
12.0
Valeur dun call europen, Monte Carlo et variables antithtiques
2000
4000
6000
8000
10000
Figure 114: Valeur dun call europen, mthode de Monte Carlo classique.
Cette mthode peut tre utilise pour la simulation de processus en temps continu.
En particulier, dans le cas du modle de Black & Scholes (1973) (Exemple ??), on
utilise la proprit de symtrie du mouvement brownien, i.e. (Wt ) =loi (Wt ), et on en
dduit que Xt =loi Yt o
1 2
Yt = x exp
r t Wt .
2
On peut alors obtenir une meilleure prcision en simulant deux fois moins daccroissements
du brownien. Si lon sintresse g (Xt ) (par exemple g (x) = (K x)+ pour des puts
europens) o g est suppose monotone et > 0, alors Cov [g (Xt ) , g (Yt )] 0 (avec une
ingalit stricte si g est strictement monotone sur un ensemble de mesure non nulle), et
donc
1
1
V ar
(g (Xt ) + g (Yt )) V ar [g (Xt )] .
2
2
Aussi, en simulant N/2 trajectoires de g (Xt ) + g (Yt ), lestimateur obtenu sera plus prcis
que simuler N trajectoires de g (Xt ).
Call europen - simulations (antithtiques)
X=rnorm(Nsim)
12.4
S.ant=s*exp(T*(r-0.5*sigma2 ) sigma sqrt(T ) X)

C.ant=0.5*exp(-r*T)*(pmax(Ssim-K,0)+pmax(S.ant-K,0))
print.noquote(c(Prix call - simulations (antithtiques):,
mean(C.ant), +/-, 1.96*sqrt(var(C.ant))/sqrt(Nsim)))
Echantillonage par importance, ou importance sampling
Pour calculer des intgrales, lide ici est de lcrire sous la forme dune esprance mathmatique, et de bien choisir la loi de la variable simuler (qui peut tre diffrente de la
loi du problme)/
12
168
Exemple 91. Un cas dcole est le calcul de P(X > 2) o X suit une loi de Cauchy. On
cherche calculer
Z
dx
.
= P[X > 2] =
(1 + x2 )
2
(la vraie valeur tant proche de 0.15 - ce qui nest pas un vnement rare). Pour une
approche de Monte Carlo standard, lestimateur est alors
n
1X
bM C =
I[Xi > 2]
n i=1
o les variables X1 , ...., Xn sont indpendantes de loi de Cauchy. La variance de cet
estimateur de bM C scrit alors (1 ) /n = 0.1275/n (puisque 0.15).
La distribution tant symtrique (et donc = Pr [|X| > 2] /2) on peut considrer
comme estimateur
n
i
1 X h
t
bM C =
I |Xi | > 2 ,
2n i=1
dont la variance est alors (1 2) /2n = 0.0525/n.
Ces mthodes classiques de Monte Carlo sont ici relativement inefficace puisquun
grand nombre de simulation sont sans intrt pour la simulation (les simulations ne
tombant pas dans le domaine [2, )). Une amlioration peut tre obtenue en notant
que peut se rcrire
Z 2
1
1
dx
=
P[0 X 2] =
2
2
2
0 (1 + x )
1
2
=
E[h (U )] o h (x) =
2
(1 + x2 )
avec U U ni[0,2] . Aussi, un estimateur naturel de scrit
n
1 1X
bIS =
h (Ui ) ,
2 n i=1
o les variables U1 , ..., Un sont indpendantes de loi Uni(0, 2). Aussi, la variance de

2
2
bIS scrit
E
h
(U
)
E
(h
(U
))
/n et une intgration par partie permet dcrire
h i
V ar bIS = 0.0092/n. Pour conclure, notons quune autre faon de rcrire est
Z
1/2
=
0
o
h0 (y) =
y 2
1 0
dy = E h (V ) ,
(1 + y 2 )
4
1
et V U ni([0, 1/2]).
2 (1 + y 2 )
Aussi, considrons comme estimateur

n
1 X
0
=
h (Vi )
bIS
4n i=1
12
169
11.0
10.5
10.0
9.0
9.5
11.5
12.0
Valeur dun call europen, Monte Carlo et variables antithtiques
2000
4000
6000
8000
10000
Figure 115: Mthode dimportance sampling: cas dcole avec le calcul de P(X > 2) o
X suit une loi de Cauchy.
o V1 , ..., Vn sont indpendantes, de loi Uni(0, 1/2). La mme intgration par partie donne
h i
h
i
0
V ar bIS
= 0.00095/n V ar bM C /1000.
Aussi, la mme prcision est obtenue en utilisant 1000 fois moins de simulations. La
Figure 115. montre ainsi lvolution de lestimation en fonction de n.
La mthode dimportance sampling peut tre particulirement intressante lorsquelle
permet de passer dune fonction
non-borne, une fonction borne. On cherche ici
R
estimer = displaystyle g(X)dF (x). Supposons que g ne soit pas borne. Lide de
lchantillonage par importance est de rcrire
Z
Z
Z
f (x)
= g(x)f (x)dx = g(x) f (x)dx = g (x)f (x)dx
f (x)
ou encore = EF (g(X)) = EF a st (g (X )), o X et X ont pour loi F et F respectivement.
Lestimation dans le cas o g est non-borne devrait tre meilleure si on peut trouver
une loi f telle que g est alors borne.
Z 1
Exemple 92. Supposons que lon cherche calculer =
z 1 ez dz, pour 1/2 <
0
1. La premire ide peut tre de voir
= E(g(U )) o g(z) = z 1 ez et U U ([0, 1]).

Notons qualors
V ar(g(U )) =
0
z 2(1) e2z dz 2 .
12
170
Une criture plus astucieuse consiste noter que

= E(g (X)) o g(z) = ez/ et X B(, 1),
cest dire une loi Bta, i.e. f (x) = alphaz 1 sur [0, 1]. Notons qualors
Z
1 1 1 2z
V ar(g (X)) =
z e dz 2 .
0
La Figure ci-aprs montre le gain (thorique) de cette transformation, avec aprs, quelques
rsultats de simulations, pour des valeurs diffrentes de .
Remarque 93. On ne cherche ici qu amliorer la vitesse de convergence, sans tenir
compte du temps CPU pour tirer des lois. Ici le second algorithme est plus rapide, mais
tirer une loi Beta au lieu dune loi uniforme est aussi plus coteux en tems CPU.
Loutil de base pour les mthodes dimportance sampling dans le cas des options est
le thorme de Girsanov.
Rappelons que dans le cas des processus du modle de Black & Scholes (1973),
dSt = rSt dt + St dWt ,
et seules les dates 0 et T intervenant, il suffit de simuler la valeur du sous-jacent en T .
Intuitivement, il paratrait plus efficace de changer le processus, de telle sorte que
loption soit la monnaie la date T (et donc que (ST K)+ soit nul le moins souvent
possible). La solution la plus simple serait alors de changer le strike K. On rcrit
lquation diffrentielle stochastique sous la forme
c
t,
dSt = (r + c)St dt + St dWt t = (r + c)St dt + St dW
s
o
t = dWt c t.
dW
s
t )t0 est un mouvement Brownien, sous une autre mesure, note Q. On

On notera que (W
notera que
1
E(Zt g(ST )),
(29)
EQ (g(ST )) =
Z0
o g est la fonction de payoff, et Zt la variable alatoire
c
1 c2
Zt = exp 2 t + Wt .
2
On peut alors rcrire 29 sous la forme
E(g(ST )) = Z0 EQ
En notant que
St = S0 exp
g(ST )
ZT
1 2
t ,
r + c t + W
2
12
171
et que Zt peut galement se rcrire
Zt = exp
1 c2
c
t + Wt ,
2 2
on en dduit le prix dun call europen la date 0, sous la forme
1 2
S0 exp r + c 2 T + WT K
V (0) = EQ exp(rT )
.
c
1 c2
exp 2 2 T + WT
Pour rappel, sans ajustement sur le drift, nous aurions
1 2
V (0) = EQ exp(rT ) S0 exp r T + WT
K
.
2
+
Le choix du changement de drift est relativement dlicat. Notons que le changement
de mesure laide du thorme de Girsanov, au lieu de se faire sur le processus (St )t[0,T ] ,
peut tre fait sur le processus discrtis par un algorithme de type Euler.
La mthode de rduction de variance peut se faire en limitant les processus possibles
aux fonctions en escaliers et dterministes, suivant lide de Glasserman, Heidelberger & Shahabuddin (1998).
Notons quil est possible dutiliser un principe de grandes dviations poour trouver la
drive optimale.
Le problme peut scrire sous la forme suivante: on cherche un vecteur s de Rnl , telle
que
1 0
0
g(Z + s) exp s Z s s 1Z+sD ,
2
ait la variance la plus faible possible, o Z est un vecteur gaussien centr rduit de
dimension nl, sous la probabilit Qs , et o D est lensemble {z Rnl , g(z) > 0}. Ce
problme peut scrire
min EQs g(Z + s)2 exp (2s0 Z + s0 s) 1Z+sD ,

s
ou encore, en repassant sous la probabilit initiale P

min EP exp ((2F (Z) + s0 Z + s0 s) 1Z+sD ) ,
s
o Z N (0, I) sous P, et o F () = log g().

En fait, il est possible dacclrer encore la convergence en utilisant la mthode de
stratification prsente dans la section ??.
Remarque 94. En fait, il est possible dutiliser des mthodes stochastiques afin de dterminer le changement de drift optimal ( Lions (2002)).
12
172
12.5
Utilisation de variables de contrle
Si lon considre un estimateur du paramtre que lon cherche estimer, lide est ici
de poser
c = + [Z E(Z)],
o Z est simulable, et dont on connat lesprance. On notera que
E(c ) = E(),
et que
+ 2 V ar(Z) + 2Cov(,
Z).
V ar(c ) = V ar()
On choisit alors la constante de faon minimiser la variance de cet estimateur contrl,

soit
Z)
cov(,
=
,
V ar(Z)
et donc, par substitution

V ar(c ) = V ar()
Z)2
cov(,
.
V ar(Z)
Encore une fois, pour que Z soit une vraie variable de contrle, il convient davoir une
variable non-indpendante de .
Exemple 95. Considrons un call asiatique, bas sur le maximum
Z
1 T
max 0,
St dt K .
T 0
Un algorithme classique de Monte Carlo est bas sur la simulation de n trajectoires
(St )t[0,T ] , discrtises, puis de poser
(
)
m
1 X
Ci = max 0,
SiT /m K , i = 1, ..., n,
m i=1
puis de prendre la moyenne. Parmi les variables de contrle, on pourra retenir
Z1 = ST , la valeur terminale de la trajectoire du sous-jacent,
Z2 = erT max{0, ST K}, le payoff dun call europen (actualis),
m
1 X
Z3 =
SiT /m , la valeur moyenne du sous-jacent sur la priode [0, T ].
m i=1
Call europen - simulations (antithtiques avec contrle)
X=rnorm(Nsim)
S.ant=s*exp(T*(r-0.5*sigma2 ) sigma sqrt(T ) X)
C.ant=0.5*exp(-r*T)*(pmax(Ssim-K,0)+pmax(S.ant-K,0))
Z<-0.5*exp(-r*T)*(Ssim+S.ant)
alpha.ant<-cov(Z,C.ant)/var(Z)
Y<-C.ant-alpha.ant*(Z-s)
print.noquote(c(Prix call - simulations (antithtiques +
contrle):, mean(Y), +/-, 1.96*sqrt(var(Y))/sqrt(Nsim)))
12
173
11.5
11.0
10.5
9.0
9.5
10.0
11.0
10.5
10.0
9.0
9.5
11.5
12.0
Prix dun call (et intervalle de confiance),

Monte Carlo et variables antithriques
12.0

Monte Carlo classique
5000
10000
15000
20000
25000
5000
10000
15000
20000
25000
Figure 116: Monte Carlo classique et variables antithtiques.
12.6
Comparaison des diffrents mthodes de rduction de variance
En faisant 25, 000 simulations Gaussiennes indpendantes, on obtient les rsultats prsents dans le tableau ci-dessous,
vrai prix (Black & Scholes)
Monte Carlo classique
Monte Carlo avec variables antithtiques
Monte Carlo avec variable de contrle (prix du sous-jacent)
corrlation
Monte Carlo avec variable de contrle et antithtiques
corrlation
Monte Carlo et importance sampling (drift 0.200)
Monte Carlo et importance sampling (drift +0.200)
Monte Carlo et importance sampling (drift +0.275)
10.45058
10.45471
10.49112
10.48373
0.92387
10.45088
0.96557
10.23757
10.42974
10.41608
0.18259
0.09145
0.06987
0.02378
0.92585
0.07566
0.05959
Les diffrentes vitesses de convergence peuvent tre visualiss sur les Figures 116
119.
12.7
Mthodes de quasi-Monte Carlo
La base des mthodes de Monte Carlo tait le Lemme 81 consistant reprsenter X

comme une fonction de variables indpendantes, uniformment distribues sur [0, 1]. On
simulait alors des variables Ui pour estimer E [h (X)] = E [h ( (U1 , ..., Un ))]. Dans le cas
des mthodes de quasi-Monte Carlo, on cherche alors des suites dterministes u1 , ..., un
telles que
n
1X
h (ui ) E [h (U )] quand n ,
(30)
n i=1
avec une vitesse de convergence plus rapide que 1/ n.
12
174
11.5
11.0
10.5
9.0
9.5
10.0
11.0
10.5
10.0
9.0
9.5
11.5
12.0

Monte Carlo et variables de contrle et antithtiques
12.0

Monte Carlo et variables de contrle (prix du sousjacent)
5000
10000
15000
20000
25000
5000
10000
15000
20000
25000
Figure 117: Monte Carlo avec variable de contrle (le prix du sous-jacent), et en combinant
avec les variables antithtiques.
11.5
11.0
10.5
9.0
9.5
10.0
11.0
10.5
10.0
9.0
9.5
11.5
12.0

Monte Carlo et importance sampling (+0.2)
12.0

Monte Carlo et importance sampling (0.2)
5000
10000
15000
20000
25000
5000
10000
15000
20000
25000
Figure 118: Monte Carlo avec importance sampling (Girsanov), changement du drift de
0.2.
12
175
0.5
0.4
0.3
0.2
0.1
Ecarttype du prix du call europen
0.6
Ecarttype du prix dun call,

importance sampling, 25 000 simulations
0.2
0.0
0.2
0.4
0.6
Valeur du drift
Figure 119: Ecart-type du prix du call en fonction du changement de la valeur de drift,

importance sampling
Dfinition 96. Considrons une suite {u1 , u2 , . . .} o pour tout i, ui [0, 1]d . On notera
n (B) la proportion des n premiers points de la suite appartenant B, pour tout B
[0, 1]d , i.e.
n
1X
n (B) =
I (ui B) .
n i=1
On appelle alors discrpance la suite
Dn (u) = sup {|n (B)| (B)} ,
B
o est la mesure de Lebesgue, et o le sup est pris sur lensemble des pavs de [0, 1]d .
Cette notion thorique permet en fait de comparer une fonction de rpartition empirique celle dfinie par rapport la mesure de Lebesgue.
Dfinition 97. La suite {u1 , u2 , . . .} o pour tout i, ui [0, 1]d est dite quirpartie sur
[0, 1]d si pour toute fonction h : [0, 1]d R Rieman-intgrable
Z
n
1X
h (ui )
h (u) du quand n .
n i=1
[0,1]d
Exemple 98. Si {U1 , U2 , . . .} est une suite de variables indpendantes de loi Uni(0, 1),
alors les suites (Un ()) sont presque srement quirparties. De plus, la loi du logarithme
itr permet de montrer que
s
#
"
2n
Dn (U ) = 1 = 1.
Pr lim sup
log(log(n))
12
176
Lingalit de Koksma-Hlawka permet alors dtudier des convergence de type (30),

Lemme 99. Pour toute fonction h, alors
Z
n
1 X
h (ui )
h (u) du V (h) Dn (u) ,
d
n
[0,1]
i=1
o V (h) est une constante ne dpendant que de la fonction h (correspondant la notion
de variation totale de h au sens de Hardy-Krause).
On a alors le corollaire suivant
Corollaire 100. La suite {u1 , u2 , . . .} est quirpartie sur [0, 1]d si, et seulement si,
limn Dn (u) = 0.
Pour des fonctions dont la discrpance est quivalente log n/n1, on a alors une
amlioration de la vitesse de convergence. On parle dans ce cas de suites discrpance
faible.
Exemple 101. Parmi les exemples de suites discrpance faible, on notera la suite
ui = i/n, pour laquelle

Z
n
1X
i
h
h (u) du.
n i=1
n
[0,1]
On retrouve ici la construction de lintgrale par Rieman.
Exemple 102. La suite de Van der Corput est dfinie en dimension 1 de la faon suivante
: soit n un entier positif, et 0 , 1 ,... r sa dcomposition p-addique, o p est un entier
strictement suprieur 1, au sens o
n = 0 + 1 p + ... + r pr o 0 i < p pour i = 0, 1, ..., r.
La suite de Van der Corput, en base p est alors dfinie par
un =
0
r
+ ... + r+1 .
p
p
Halton a alors gnralis cette construction en dimension d. Le graphique de la Figure 120

reprsente la simulation de 1500 couples (Ui , Vi ), indpendants et uniformment distribus
sur [0, 1][0, 1]. La Figure ?? montre lestimation de E[U V ] o U et V sont indpendantes
et uniformment distribues sur [0, 1].
Une autre mthode permet de simuler des chantillons en dimension d: lchantillonage
uniforme par variables antithtiques.
En dimension d, on peut simuler n = 2 k d points, k :
on partitionne [0, 1]d en des cubes de taille 1/k,
dans chaque cube, on tire un point uniformment, puis on prend sa version antithtique.
Malgr le fait que ces algorithmes couvrent mieux lespace, ils ne sont pas ncessairement tous optimaux pour rsoudre
pdes problmes simples convexes.
R
On cherche ici calculer [0,1]3 x21 + x22 + x23 dx par diffrentes mthodes,
12
177
Simulation par mthodes de pseudoMonte Carlo
0.0
0.0
0.2
0.2
0.4
0.4
0.6
0.6
0.8
0.8
1.0
1.0
Simulation par mthodes de Monte Carlo (standard)
0.0
0.2
0.4
0.6
0.8
1.0
0.0
0.2
0.4
0.6
0.8
1.0
Figure 120: Suite de Halton et suite alatoire sur [0, 1] [0, 1] - 5000 points.
11.5
11.0
10.5
9.0
9.5
10.0
11.0
10.5
10.0
9.0
9.5
11.5
12.0
Valeur dun call europen, Quasi Monte Carlo (Sobol)
12.0
Valeur dun call europen, Quasi Monte Carlo (Halton)
2000
4000
6000
8000
10000
2000
4000
6000
8000
10000
Figure 121: Valeur dun call europen, mthode de Quasi Monte Carlo (Halton-Sobol).
178
0.2
0.0
0.0
1.0
0.2
0.8
0.4
0.0
0.4
1.0
0.6
0.8
0.6
0.6
0.8
0.4
0.8
0.2
1.0
0.0
1.0
0.6
Tirage uniforme avec variables antithtiques
0.4
Tirage uniforme avec variables antithtiques
0.2
12
Figure 122: Mthode UWAN uniform sampling with antithetic noise.

une mthode classique de Monte Carlo
une suite de Halton en dimension 3
une suite de Sobol en dimension 3
une mthode chantillonage uniforme par variables antithtiques UWAN
Les suites de Halton sous-estiment toujours la vraie valeur, et on note que lalgorithme
UWAN bas sur une partition du cube unit converge plus rapidement que les autres
algorithmes.
12.8
Complment sur la simulation de trajectoires
Supposons que lon connaisse Ws et Wu deux dates s < u. On souhaite connatre la loi
de Wt une date t intermdiaire s < t < u.
On suppose que lon peut crire
Wt = Ws + Wu + ,
et o N (0, 1).
Compte tenu des proprits du mouvement
cov(Ws , Wt ) =
cov(Wt , Wu ) =
V ar(Wt ) =
de telle sorte que les coefficients vrifient
Brownien, rappelons que

min{s, t} = s
min{t, u} = t
t
+ = 1
s + u = t
2
s + 2s + 2 u + 2 = t
12
179
0.959
0.960
0.961
0.962
0.963
Calcul dintgrale par 4 mthodes
5000
10000
15000
Figure 123: Comparaison de mthodes de Monte Carlo en dimension 3.

qui se rsout sous la forme
=
p
ut
, = 1 et = (t s),
us
de telle sorte que

ut
ts
Wt =
Ws +
Wu +
us
us
(u t)(t s)
Z.
us
Par exemple, considrant un mouvement Brownien entre 0 et T , on cherche connatre

Wti o ti = iT /4, i = 0, 1, ..., 4. On a alors
Wt0 = 0
Wt4 = Wt0 + t4 Z4 = t4 Z4
1
1
t2 t0
Wt2 =
(Wt0 + Wt4 ) + (t2 t0 )Z2 = Wt4 +
Z2
2
2
2
r
1
t1 t0
W
+
Z1
W
=
t
t
2
1
2
2
1
t3 t2
Wt3 =
(Wt2 + WWt4 ) +
Z1
2
2
12.9
Options asiatiques
Le payoff scrit ici comme une fonction du prix du sous-jacent maturit STZ et de la
T
moyenne du prix du payoff jusqu maturit, cest dire proportionnel YT =
St dt.
0
12
180
0.4
0.2
0.0
0.2
Approximation de lintgrale
0.0
0.2
0.4
0.6
0.8
1.0
Evolution du temps
Figure 124: Options asiatiques, valeur moyenne du processus de prix sur [0, T ] .
On suppose que lactif suit une diffusion de Black & Scholes (1973),
dSt
= rdt + dW t,
St
o (Wt )tT est un mouvement brownien standard.
approximation de lintgrale par une somme de Rieman, cest ditre des rectangles
Z T
1
h X
Su du
Sti
T
T
0
approximation de lintgrale par une mthode de trapzes,
Z T
Wti+1 Wti
1
h X
rh
Su du
Sti (1 +
+
)
T
T
2
2
0
une discrtisation de lintgrale un ordre suprieur,
Z T
Z ti+1
1
h X
rh
Su du
Sti (1 +
+
(Wu Wti ) du)
T
T
2
0
ti
R ti+1Dans ce dernier cas, notons que cela ncessite de dterminer la loi conditionnelle de
(Wu Wti ) du sachant Wti et Wti+1 : Cest une loi normale de moyenne
ti
Wti+1 Wti h3
h
,
2
3
12
181
0.0
0.2
0.4
0.4
0.2
0.0
0.2
0.2
0.0
0.2
0.4
0.6
0.8
1.0
Evolution du temps
0.0
0.2
0.4
0.6
0.8
1.0
Evolution du temps
Figure 125: Options asiatiques, approximation de lintgrale par des sommes de Riemann
et des trapzes.
Comme nous lavions not, il est possible dutiliser des mthodes de rduction de
variance pour acclrer la convergence. En particulier si le taux court r et la volatilit 2
ne sont pas trop levs le prix varie eu sur la priode considre et donc
Z T
Z
1
1 T
Su du exp
log(Su )du .
T 0
T 0
On peut alors prendre comme variable de contrle
Z T
1
rT
e
exp
log(Su )du K
,
T 0
+
Z
1 T
log(Su )du est gaussienne (son esprance est calcuvariable qui est interessante car
T 0
lable analytiquement par la formule de Black & Scholes (1973)).
Une autre approche consiste changer la manire de discrtiser le processus. En
prenant un pas de temps t = T /m constant, et en notant tk = kt, on approche
lintgrale par des sommes de Riemann,
1
YT =
T
Su du
0
m1
t X
St .
T k=0 k
Aussi, en faisant n simulations, le prix dun call asiatique scrit

!
n
m1
X
X
exp(rT )
t
St K
.
n
T k=0 k
i=1
+
12
182
Lerreur commise est alors en O(1/ n).

En utilisant une mthode des trapzes,
1
YT =
T
T
0
m1
Wtk+1 Wtk
t X
rh
Su du
St 1 +
+
.
T k=0 k
2
2
Dans le chapitre prcdant, nous avions vu les options asiatiques sont un cas particulier
des options vue comme un traded account (Shreve & Vecer (2000)). Nous avions not
que V (t, St , Xt ) = St u(t, Zt ), o u vrifie
u 1
2u
u
+ (r )(qt z)
+ (qt z)2 2 2 = 0,
t
z 2
z
avec la condition de bord u(T, z) = z+ , (qt ) tant une stragtgie, i.e. qt = 1 t/T pour
les options asiatiques strike fixe.
En appliquant ce rsultat (certes, bien au del du programme que lon stait fix), on
peut montrer que dans le cas du call asiatique, lquation au drive partielle est
u
u 1
2u
+ r(qt z)
+ (qt z)2 2 = 0
t
z 2
z
avec la condition de bord u(T, z) = z+ . La fonction qt dpend alors de ma forme du payoff
(strike flottant ou pas).
Un schma de discrtisation classique peut alors tre utilis (par exemple un -schma).
En posant qj = q(tj ) = 1 [nj/T ]/n, et h le pas de discrtisation en espace (en z) on
obtient lquation suivante
2 (qj zi )2 hr(qj zi ) ui1,j 2( 2 (qj zi )2 + )ui,j
+ 2 (qj zi )2 + hr(qj zi ) ui+1,j
= (1 ) 2 (qj zi )2 hr(qj zi ) ui1,j+1 + 2((1 ) 2 (qj zi )2 + )ui,j+1
(1 ) 2 (qj zi )2 + hr(qj zi ) ui+1,j+1 ,

o [0, 1] ( = 0 pour un schma explicite, = 1/2 pour le schma de Crank Nicolson
et = 1 pour le schma implicite, par exemple), et o = h2 /t. Les conditions de
bord sont ici ui,n = (zi )+ (condition en temps), et u0,j = 0 et um,j = 2um1,j um2,j
(condition en espace, la dernire condition tant une simple interpolation linaire).
12.10
Options sur maximum
Le payoff scrit ici comme une fonction du prix du sous-jacent maturit ST

et du maximum du prix du payoff jusqu maturit, cest dire proportionnel
MT = max{St , t [0, T ]}.
une approche naturelle est de considrer le maximum sur une trajectoire discrtise,
T = max{St , k = 1, ...., n}.
M
k
T MT . En fait, lerreur
Mais ce maximum sous-estimera toujours la vraie valeur, M
commise se sera - sous des conditions de rgularit suffisantes, O(1/ n).
12
183
Maximum du prix du sousjacent
0.55
0.2
0.60
0.0
0.65
0.2
0.70
0.4
0.75
0.6
0.80
0.8
0.85
Maximum du prix du sousjacent
0.0
0.2
0.4
0.6
0.8
1.0
Evolution du temps
0.36
0.38
0.40
0.42
0.44
Evolution du temps
Figure 126: Maximum du prix du sous-jacent et version discrtise.

utilistion de ponts brownien pour amliorer la prcision. En particulier, on peut
noter que
2 (z xk )(z xk+1 )
,
P max{Xt , t [tk , tk+1 ] z|Xtk = xk , Xtk+1 = xk+1 } = 1exp
h
2 xk
qui est trs facilement simulable en inversant cette fonction de rpartition.
Lalgorithme associ scrit alors simple
Zk N (0, 1)
2
Sk+1 Sk exp
r
h + h Zk
2
p
1
2
2
Mk
Sk + Sk+1 + (Sk+1 Sk ) 2 Sk h log Random .
2
12.11
Les options barrire(s)
Les options barrires sont caractrises le fait un payoff du type g(ST )I(St B, t
[0, T ]), cest dire que le prix du sous-jacent de doit pas avoir quitt un ensemble B avant
la maturit (typiquement St B pour tout t [0, T ]).
Ces options sont caractrises par ltude du temps darrt de sortie de lensemble
= inf{t 0, St
/ B}.
une approche naturelle est de considrer le maximum sur une trajectoire discrtise,
/ B, k = 1, ..., n}.
= inf{tk 0, Stk
Mais ce temps darrt sur-estimera toujours la vraie valeur, . En
fait, lerreur
commise se sera - sous des conditions de rgularit suffisantes, O(1/ n).
12
184
2
0
2
4
Induction forward
Induction forward
2
0
2
4
Induction forward
Induction forward
Figure 127: Induction forward (algorithme dEuler).
2
0
2
4
Induction backward
Induction backward
2
0
2
4
Induction forward
Induction backward
Figure 128: Induction backward (simulation de ponts Browniens).
12
185
Construction du Pont Brownien
0.4
0.5
0.3
0.2
4
6
0.1
12
13
11
14
0.0
10
0.0
0.2
0.4
0.6
0.8
1.0
Figure 129: Construction du pont Brownien.

Pour amliorer la prcision, on peut utiliser des proprits de rflexion du mouvement
brownien.
12.12
Calcul de grecques par Monte Carlo
La premire approche peut tre daproche une drive par une diffrence finie.
On calcule ainsi le prix de loption partir de la valeur initiale S0 , puis on calcule
loption partir de S0 + h, et on approxime
0 + h) C(S
0)
C(S0 )
C(S
S0
h
Une seconde ide est dutiliser la mthode propose par Broadie & Glasserman
(1996). Soit (St )t0 le prix de lactif sous-jacent, et de manire gnrale, notons f la
fonction de payoff de loption. Rappelons que le Delta est la sensibilit au prix du sousjacent, ce qui revient calculer
= erT
E (f (ST )) .
S0
Si on suppose que f est Lipschitzienne et diffrentiable, on peut driver sous le signe

somme, i.e.
ST
rT
rT
0
rT
E (f (ST )) = e E
f (ST ) = e E f
.
(31)
=e
S0
S0
S0
De mme si f est deux fois diffrentiable, on peut calculer le Gamma, qui est la sensibilit
du Delta,

2
2 !!
2
ST
S
T
+ f0
.
(32)
= erT 2 E (f (ST )) = erT E f 00
S0
S0
S02
12
186
0.0
0.0
0.2
0.2
0.4
0.4
Delta2
0.6
0.6
0.8
0.8
1.0
1.0
Calcul du Delta par Monte Carlo (diffrences finies)
200
400
600
800
1000
10000
20000
30000
40000
50000
1:nsim
Figure 130: Calcul des grecques par monte carlo, par diffrences finies, avec droite deux
valorisations de loptions laide de scnarios diffrents.
Pour ces deux calculs, une ide naturelle est alors de discrtiser les processus St0 =
St /S0 et St00 = 2 St /S02 . Sous des conditions sur le drift et la volatilit (de continuit
et de drivabilit), alors en utilisant une discrtisation dEuler,
(Sn0 ) 0
(Sn0 ) 0
0
Sn+1 t +
Sn Wn .
Sn+1
= Sn0 +
S
S
Toutefois, cette mthode bien que naturelle a de vraies limites, en particulier si lon
sort des hypothses mentionnes.
12.13
Calcul des grecques dans le cas dun call digital
Considrons un Brownien gomtrique comme dans le modle de Black & Scholes

(1973), dSt = rSt dt + St dWt , pour le prix du sous-jacent, et supposons que lon cherche
valoriser une option digitale, de payoff f (ST ) = 1 si ST > K, 0 sinon. Il est clair que
et Gamma sont non nuls, pourtant, les esprances dans les quations 31 et 32 seront
nulles. Le problme vient ici de la discontinuit du payoff. Une ide peut alors tre de
rgulariser le payoff. Par exemple, on peut sintresser des payoff de la forme
1
xK
f (x) =
1 + tanh
2
Si on note la loi de ST la date terminale, on peut alors chercher lerreur qui est faite
dans le prix dune option identique pour un payoff liss,
Z
C C =
(s)[f (s) f (s)]ds.
0
12
187
En faisant un dveloppement de Taylor de f au voisinage su strike K, on peut alors

obtenir que
C C = a2 2 + a4 4 + ...
o il est possible dobtenir la forme des coefficients (ak ).
Afin destimer le , il suffit de diffrencier tanh(), et donc
Z
f (ST )
1
s
2 sK
rT
rT
= e E
=e
1 tanh (
)
(s)ds,
S0
2
S0
0
soit encore
rT
= e
1
ST
2 ST K
1 tanh (
)
.
2
S0
Aussi, il suffit de simuler la valeur terminale du processus, S1 , ..., Sn et de poser

n
X
1
Si
2 Si K
rT 1
1 tanh (
= e
)
.
n i=1 2
S0
De manire analogue, en drivant deux fois,

Z
sK
1 s
2 sK
rT
tanh(
= e
) 1 tanh (
) 2
(s)ds.
S0
0
La aussi, lintgrale correspondant une esprance (dun fonction de ST ), il suffit de
simuler la valeur maturit du sous-jacent, puis dapprocher lesprance par un moyenne.
On obtient ainsi lalgorithme de Monte Carlo prsent ci-aprs, et dobtenir ainsi la
Figure 132. Notons que la vraie valeur du est 0.01892 et que celle du est 0.00031.
0.06
Delta2
0.0
0.00
0.2
0.02
0.4
0.04
0.6
0.8
0.08
1.0
0.10
Rgularisation du payoff dune option digitale
50
100
150
200
Prix du sousjacent maturit
10000
20000
30000
40000
50000
1:nsim
Figure 131: Calcul des grecques pour une option digitale, avec la fonction de payoff lisse
gauche, et la convergence de la mthode de monte carlo.
12
188
0.22
0.20
0.18
0.16
0.14
0.14
0.16
0.18
0.20
0.22
0.24
Valeur du Delta, option digital (n=250 000)
0.24
Valeur du Delta, option digital (n=25 000)
0.0
0.2
0.4
0.6
0.8
1.0
0.0
Coefficient de lissage
0.2
0.4
0.6
0.8
1.0
Coefficient de lissage
Figure 132: Calcul des grecques pour une option digitale, laide de 25 000 simulations
gauche, et de 250 000 simulations droite.
12.14
Le problme de la dimension
On considre ici m actifs (a priori corrls.

La simulation dun vecteur Gaussien de Rm ncessite la recherche dune matrice triangulaire infrieure M telle que M M 0 = (algorithme de Cholesky).
Lanalyse en composantes principales propose de rduire le problme, de la dimension
m une dimension k beaucoup plus faible. Rappelons que M peut scrire M = Q D o

Q est la matrice des valeurs propres unitaires de , et D la matrice diagonale des valeurs
propres.
Lide est ici de ne garder que les k plus grandes valeurs propres, afin de rduire la
dimension.
1.65 0.29
0.00 0.56
0.81
0.29 0.75 0.04 0.56
0.36
0.00 0.04 0.16 0.00 = 0.01

0.56 0.56
0.00 0.64
0.45
2.09
0.00
0.00
0.00
0.55 0.069
0.15
0.71 0.15
0.57
0.04 0.95
0.31
0.42 0.26 0.7408629
0.00 0.00 0.00

0.81
0.85 0.00 0.00 0.36

0.00 0.17 0.00 0.01
0.45
0.00 0.00 0.08
0.55 0.069
0.15
0.71 0.15
0.57
0.04 0.95
0.31
0.42 0.26 0.7408629
On peut alors construire la matrice induite en supprimant les plus petites valeurs propres
12
189
(k = 2),
0.81
0.55
1.64 0.28
0.01
0.57
0.28 0.72 0.031 0.60
0.36 0.71
=
0.01 0.03
0.01 0.04
0.00
0.02
0.57 0.60
0.02
0.58
0.45 0.42
2.09 0.00
0.00 0.85
0.00 0.00
0.00 0.00
0.069
0.15
0.15
0.57
0.95
0.31
0.26 0.7408629
0.00 0.00
0.81
0.00 0.00 0.36

0.00 0.00 0.01
0.00 0.00
0.45
0.55 0.069
0.15
0.71 0.15
0.57
0.04 0.95
0.31
0.42 0.26 0.7408
Pour les problmes de trs grande dimension m = 250, Acworth, Broadie &
Glasserman (1998) montre que cette mthode permet daller beaucoup plus rapidement.
12.15
Dcomposition de trajectoires continues
Plus gnralement, pour simuler des processus continus, la reprsentation de KarhunenLove permet daccler la simulation de tels processus (Adler (1990)). Les processus
ainsi simuls seront mme infiniment drivable (alors que la plupart des processus que
lon cherche simuler ne sont drivables nulle part, presque srement).
Pour le mouvement brownien sur [0, 1] par exemple, il suffit de noter que
p
X
Wt =
n n (t)Zn ,
L
n=0
o Z0 , Z1 , ... sont des variables N (0, 1) indpendantes, et o
(2n + 1)t
2
2
n = (
) et n (t) = 2 sin
.
(2n + 1)
n
Les valeurs propres (n ) sont dcroissantes, et une bonne approximation est obtenue avec
seulement les m plus petites (m 30 suffisant gnralement).
Le pont bronwien peut aussi tre dcompos par lexpension de Lvy-Ciesielski
(Karlin & Taylor (1975)), en utilisant la base de Haar. Rappelons que H1 (t)1 sur
[0, 1], H2 (t) = 1 sur [0, 1/2[ et 1 sur [1/2, 1], et plus gnralement,
n/2
sur [0, 2(n+1) [
2
n/2
H2n +1 (t) =
2
sur [2(n+1) , 2n [
0
sinon,
et ensuite
H2n +j (t) = H2n +1
j1
t n
2
pour j = 1, 2, ..., 2n 1.
Rt
On construit alors les fontions de Schauder, Fn (t) = 0 Hn (x)dx, et on note que le
Pont Brownien sur [0, 1] peut tre reprsent sous la forme
L
t =
X
n=0
Fn (t)Zn ,
12
190
1.5
1.0
0.5
0.0
0.5
1.0
1.5
Dcomposition de KarhunenLove du brownien
0.0
0.2
0.4
0.6
0.8
1.0
Figure 133: Base n () de dcomposition du Brownien (Karhunen-Love).
1
0
1
2
Simulation de trajectoires du brownien
Simulation de trajectoires du brownien
0.0
0.2
0.4
0.6
0.8
1.0
Mthode de KarhunenLove, m=5
0.0
0.2
0.4
0.6
0.8
1.0
Mthode de KarhunenLove, m=20
Figure 134: Simulation de trajectoires du Brownien, dcomposition de Karhunen-Love

(n = 5 et n = 20).
191
OPTIONS AMRICAINES
0.8
1.0
0.2
0.4
0.6
0.8
1.0
0.6
0.8
1.0
2
1
1
2
0.4
0.6
0.8
1.0
0.2
0.4
0.6
0.2
0.8
1.0
0.4
0.6
0.8
1.0
0.8
1.0
2
0
1
2
0.0
0.0
Base de Haar,n=8
2
1
1
2
0.4
0.2
Base de Haar,n=6
1
0
1
2
0.2
0.0
Base de Haar,n=4
Base de Haar,n=2
0.0
0.0
0.6
0.4
0.2
1
2
1
0
1
2
0.0
Base de Haar,n=7
Base de Haar,n=5
Base de Haar,n=3
Base de Haar,n=1
14
0.0
0.2
0.4
0.6
0.8
1.0
0.0
0.2
0.4
0.6
Figure 135: Base Hn () de dcomposition du Pont Brownien (base de Haar).

o Z0 , Z1 , ... sont des variables N (0, 1) indpendantes.
Cet algorithme peut scrire de manire plus simple en posant
sur [0, 1/2[

t
1 t sur ]1/2, 1[
F1,1 (t) =
0
sinon,
puis Fk,j (t) = 2(k1)/2 F1,1 (2k1 t j + 1) pour k 1 et 1 j 2k1 .
On note que le Pont Brownien sur [0, 1] peut tre reprsent sous la forme
k
t =
2X
1
X
Fk,j (t)Zk,j ,
k=1 j=1
o Z1,1 , ..., Zi,j , ... sont des variables N (0, 1) indpendantes.
13
13.1
14
Quelques mots sur dautres mthodes

La Fast Fourier Transform
Options amricaines
Dans le cas dune option amricaine, le dtenteur de loption peut lexercer non plus
uniquement la date T , mais toute date entre 0 et T . Intervient alors une stratgie
dexercice, caractrise par un temps darrt optimal dexercice de loption.
14
192
OPTIONS AMRICAINES
0.5
0.0
0.5
1.0
Simulation de trajectoires du pont brownien
1.0
1.0
0.5
0.0
0.5
1.0
Simulation de trajectoires du pont brownien
0.0
0.2
0.4
0.6
0.8
1.0
0.0
Mthode de LvyCiesielski, k=3
0.2
0.4
0.6
0.8
1.0
Mthode de LvyCiesielski, k=7
Figure 136: Simulation de trajectoires du pont Brownien, dcomposition de LvyCiesielski (k = 3 et k = 7).

Un premier rsultat est quil nest jamais optimal dexercer un call amricain avant
lchance, ou plus prcisment
Proposition 103. Le prix dun call amricain coincide avec le prix dun call europen.
Proof. Merton (1973).
Dans toute la suite, loption de base sera donc le put amricain, de payoff la date t
(K St )+ .
14.1
Introduction pour des options bermudiennes
Dans un premier temps, on peut sintresser au cas des options bermudiennes qui peuvent
tre exercice des dates finies, 0 = t0 < t1 < t2 < ... < tn1 < tn = T . Ces options
convergent vers des options amricaies si n .
14.2
Lenveloppe de Snell du payoff
Lide de la valorisation est simple: chaque date tk , le dtenteur de loption a en effet

de choix,
exercer son option (et en retirer un payoff Zk )
conserver son option, de telle sorte que son option vaut en tk+1 Vk+1 .
Si on note Bk,k+1 le facteur dactualisation entre les dates tk et tk+1 , on en dduit que
la valeur en tk de loption peut scrire
Vk = max{Zk , Bk,k+1 EQ (Vk+1 |Fk )},
14
193
OPTIONS AMRICAINES
o
(Ft )t[0,T ] est la filtration naturelle,
Q est une probabilit risque neutre, sous laquelle la valeur actualise de lactif est
une martingale, i.e. EQ (St+h |Ft ) = St .
On notera que sous la probabilit risque neutre Q, la valeur actualise dun portefeuille
de couverture autofinanc est galement une martingale.
Aussi, on peut construite la suite (Vk ) de manire rcurrente, qui peut scrire, en
notant (Vk ) la suite des valeurs actualise dans le cas dun put bermudien,

Vn = Zn = (K
ST )+
, EQ (Vk |Fk1 )
= max Zk1
Vk1
La suite (Vk ) (correspondant aux valeurs actualises de loption aux dates 0 = t0 <
t1 < t2 < ... < tn1 < tn = T ) est alors lenveloppe de Snell sous Q de la suite (Zk ), cest
dire la plus petite surmartingale majorant (Zk ).
Remarque 104. Si (Sk )k=0,...,n (ou Sk = Stk ) est une chane de Markov, de matrice de
transition M , notons que EQ (Vk |Fk1 ) peut scrire
EQ (Vk |Fk1 ) = (M Vk )(Sk1 ).
14.3
La notion de temps darrt optimal
Loption est exerce un instant = tk , entre lorigine et la maturit. Notons que,

mathmatiquement parlant, est un temps darrt puisque la dcision dexercer ou non
loption en t = tk se fera en fonction de la seule connaissance du cours de lactif entre 0
et t (i.e. de la filtration Ft la date t).
Daprs les rsultats sur lenveloppe de Snell, rappelons que pour tout k = 0, ..., n 1,
Vk Zk et, maturit, Vn = Zn . On note le temps darrt correspondant au premier

instant o V = Z . On en dduit que pour tout tk < , Vk > Zk , et donc la proprit
de martingale
Vk1
= EQ (Vk |Fk1 )
est vrifie. Aussi, le prix de loption, en t = 0, est donn par
V0 = EQ (V |F0 ).
Soit Ti,j lensemble des temps darrt valeurs dans {ti , ..., tj }. Rappelons quun temps
darrt est optimal sil est tel que
U0 = U = sup {EQ (Z |F0 )}.
T0,n
Remarque 105. De manire gnrale, si on souhaite connatre le prix de loption un

instant tk , on considre alors
sup {EQ (Z |Fn )}.
Tk,n
14
194
OPTIONS AMRICAINES
14.4
Valorisation doptions bermudiennes et arbres binomiaux
On se place dans le cas de larbre binomial, o chaque date, Sn+1 )Sn u en cas de hausse,
et Sn+1 )Sn d en cas de baisse, avec les probabilits (historiques) p et 1 p.
En utilisant les rsultats dune remarque prcdante, notons que la suite des prix (Sk )
est une chane de Markov homogne, dont la matrice de transition est
si y = xu
p
1 p si y = xd
M = [Mx,y ] o
0
sinon
Dans le cas dun put, le payoff actualis Zk , la date tk , scrit alors ertk (K Sk )+ .
De manire gnrale, notons Zk = h(k, Sk ), et son enveloppe de Snell Vk est alors une
fonction u(k, Sk ) qui vrifie u(n, Sn ) = h(n, Sn ) maturit, et, de manire rcursive
u(k, s) = max{h(k, s), [p u(k + 1, su) + (1 p) u(k + 1, sd)]}.
Sous cette forme, on obtient un algorithme numrique qui nous permettra de valoriser
une option amricaine.
14.5
Valeur dun call amricain
Proposition 106. Soit T[t,T ] lensemble des temps darrt valeurs dans [t, T ]. Soit
g : [0, T ] R+ R dfinie par

i

h
2
r[ t] x exp r 2 ( t)+(W Wt ) K
+
g(t, x) = sup EQ e
.
(33)
T[t,T ]
Il existe une statgie telle que pour tout t [0, T ], Vt () = g(t, St ). De plus, pour toutes
les autres stratgies, Vt (0 ) g(t, St ).
Proof. La preuve est relativement dlicate (Karatzas & Shreve (1989)).
g(t, St ) est la valeur de loption amricaine puisque cest la valeur minimale dune
stratgie couvrant loption.
Remarque 107. La valeur dune option amricaine est toujours suprieure la valeur
dune option europenne de mme caractristiques.
Proposition 108. Sous des conditions de rgularit (le prix du sous-jacent doit tre
positif, avec E([max{Xt , t [0, T ]}]q ) < pour un q > 2), il existe un temps darrt
optimal.
Proof. L aussi, la preuve est relativement dlicate (Karatzas & Shreve (1989)).
Rappelons que de manire schmatique, le prix dune option amricaine la date t
scrit
sup EQ (g(, S )|Ft ) = h(t, St ).
T[t,T ]
On en dduit en particulier que h g. En utilisant un raisonnement analogue celui fait

sur les options bermudiennes, la stratgie optimale dexercice est donne par
a st = min{t [0, T ], h(t, St ) = g(t, St )}.
14
195
OPTIONS AMRICAINES
Aussi, on peut dfinir la rgion dexercice, not E comme

E = {(s, t)R [0, T ], h(t, St ) = g(t, St )},
ou son complmentaire
C = {(s, t)R [0, T ], h(t, St ) > g(t, St )}.
Notons que = min{t [0, T ], (St , t) E}. Il suffit alors de reprsenter cette
rgion, et dexercer loption ds que le sous-jacent appartient la rgion dexercice E. La
principale difficult est quil est souvent dlicat de dcrire E.
40
20
0
20
40
60
Prix put europen vs. amricain
60
Prix put europen vs. amricain
0.0
0.2
0.4
0.6
0.8
1.0
0.0
0.2
0.4
0.6
0.8
1.0
Diffrence entre les options amricaines et payoff
Diffrence entre les options amricaines et payoff
5
4
3
2
1
0
Temps avant maturit
Temps avant maturit
Figure 137: Comparaison des prix des puts europens et amricains, en fonction de
lvolution du prix du sous-jacent.
On note r le taux sans risque, et b le cot de portage
14.6
Mthode dapproximation de Bjerskund et Stensland
Le prix dun call scrit

C (K, S, T, r, b, ) = S (S, T, , I, I) + (S, T, 1, I, I)
(S, T, 1, K, I) K (S, T, 0, I, I) + K (S, T, 0, K, I)
o
1
b
2
2
1
b
2
+2
r
2
14
196
OPTIONS AMRICAINES
et
I = B0 + (B B0 ) (1 exp (h (T )))
o

h (T ) = bT + 2 T
avec
B0 = max K,
r
K
rb
B0
B B0
et B =
K
1
On pose galement = (I K) I , et enfin la fonction est donne par

2 log (I/S)
I

d
(S, T, , H, I) = e S (d)
S
T
o les constantes sont
1
2b
2
= r + b + ( 1) T , = 2 + (2 1)
2
et
log (S/H) + (b + ( 1/2) 2 ) T
.
T
Notons que si S I, il est optimal dexercer loption tout de suite (et la valeur de
loption est alors sa valeur intrinsque). Si b r, il nest jamais optimal dexercer le
call amricain avant chance (et la valeur de loption coincide avec le prix Black &
Scholes dans le cas dun call europen).
Le prix dun put est obtenu en notant que
d=
P (S, K, T, r, b, ) = C (K, S, T, r b, b, )
14.7
Mthode dapproximation de Barone-Adesi et Whaley (call)
Le prix dun call scrit
C (S, K, T ) =
CBS (S, K, T ) A (S/S )q si S < S

SK
si S S
o CBS (S, K, T ) est le prix du call europen (donne par la formule de Black & Scholes
(1973)), o
A=
S
log (s/K) + (b 2 /2) T
1 e(br)T (d (S )) o d (s) =
q
T
et o
q
2
q=
(2b/ 1) +
(2b/ 2 1)2 + 8r (1 erT )1 / 2
2
S est la "valeur critique du call ", et elle est obtenue en notant quelle vrifie lquation
S
1 e(br)T (d (S )) = S K.
CBS (S , K, T )
q
|
{z
}
g(S ,K,T )
14
197
OPTIONS AMRICAINES
La solution sobtient par exemple laide de lalgorithme de Newton-Raphson, en notant

que la pente du terme de gauche en Sn scrit, en notant la densit de la loi N (0, 1)

g (Sn , K, T )
1
e(br)T (d (Sn )) 1
0
(nr)T
g (Sn ) =
=e
(d (Sn )) 1
+ 1
Sn
q
q
T
On construit alors la suite des (Sn ) partir dune valeur S0 (qui peut tre S), sous la
forme
K + g (Sn , K, T ) Sn g 0 (Sn )
Sn+1 =
(1 g 0 (Sn ))
et de stopper lalgorithme ds lors que
|(Sn K) g (Sn )| ,
pour un suffisement petit.
14.8
Mthode dapproximation de Barone, Adesi & Whaley

(put)
Le prix dun put scrit
C (S, K, T ) =
PBS (S, K, T ) + A (S/S )q si S > S

K S
si S S
o CBS (S, K, T ) est le prix du call europen (donne par la formule de Black & Scholes
(1973)), o
A=
S
log (s/K) + (b 2 /2) T
1 e(br)T (d (S )) o d (s) =
q
T
et o
q
2
q=
(2b/ 1)
(2b/ 2 1)2 + 8r (1 erT )1 / 2
2
S est la "valeur critique du call ", et elle est obtenue en notant quelle vrifie lquation
S
PBS (S , K, T )
1 e(br)T (d (S )) = K S .
q
|
{z
}
g(S ,K,T )
La solution sobtient par exemple laide de lalgorithme de Newton-Raphson, en notant

que la pente du terme de gauche en Sn scrit, en notant la densit de la loi N (0, 1)

1
g (Sn , K, T )
e(br)T (d (Sn )) 1
(nr)T
0
= e
(d (Sn )) 1
g (Sn ) =
+ 1+
Sn
q
q
T
On construit alors la suite des (Sn ) partir dune valeur S0 (qui peut tre S), sous la
forme
K g (Sn , K, T ) + Sn g 0 (Sn )
Sn+1 =
(1 g 0 (Sn ))
et de stopper lalgorithme ds lors que
|(K Sn ) g (Sn )| ,
pour un suffisement petit.
14
198
OPTIONS AMRICAINES
14.9
Utilisation des arbres
Une mthode simple pour valoriser un peu amricain est dutiliser ce qui a t obtenu
dans la section ??.
Aussi u(k, ) est reprsent sous la forme dun vecteur U k . En particulier
Uk (i) = u(k, S0 ui dki ) pour i = 0, 1, ..., k,
et on calcule de manire itrative, avec comme valeur maturit
Un (i) = (S0 ui dni K)+
et
Uk (i) = max{(S0 ui dki K)+ , erT /n [p Uk+1 (i + 1) + (1 p) Uk+1 (i)]}}.
Prix dun put amricain vs. europen
6.0
8.7
8.8
6.2
8.9
6.4
9.0
9.1
6.6
9.2
6.8
9.3
7.0
9.4
Prix dun call amricain vs. europen
20
40
60
80
100
120
140
Nombre de pas de temps (arbre)
20
40
60
80
100
120
140
Nombre de pas de temps (arbre)
Figure 138: Call et put europens et amricains, mthode par arbre.

Pour valuer efficacement les options amricaines, le maillage doit tre fin lorsque lon
sapproche de lchance.
14.10
Reprsentation de la rgion dexercice
En utilisant les arbres, il est possible de reprsenter la rgion dexercice de loption.
14.11
Arbre de Leisen (1998)
Au lieu dutiliser comme nous lavons fait
u=exp((r 0.5 2 )h +
t)
2
d=exp((r-0.5* )h t)
14
199
OPTIONS AMRICAINES
40
0
20
Prix du sousjacent
60
80
Rgion dexercice du put amricain
50
100
150
200
Temps
Figure 139: Rgion dexercice dun put amricain, mthode par arbre.
Leisen (1998) suggre de poser, si n = T /t

u = exp(log(K/S0 )/n + t)
d = exp(log(K/S0 )/n t)
La probabilit (risque neutre) de monter tait q = (exp(rh) d)/(u d) devient
q = (exp(rh) d )/(u d ).
La figure 140 compare ainsi lvolution de ces deux arbres.
14.12
Approche par quations aux drives partielles
Dans le cas des options amricaines, le domaine des prix dactifs st se dcoupent en deux,
spares par une valeur St telle que
si St St , la dcision optimal pour lacheteur du put est dexercer son droit, et donc
pour tout t tel que St St , Pt = K St ,
si St > St , la dcision optimal pour lacheteur du put est de pas exercer son droit:
tant que le prix du sous-jacent reste dans cette zone, loption est quivalente une
option europenne. Il est alors possible de constituer un portefeuille de rplication,
et donc, dans cette zone de prix, le put amricain vrifie lquation
Pt
Pt 1 2 2 2 Pt
+ rSt
+ St
= rPt .
t
St 2
St2
Notons de plus que quelle que soit la rgion o se trouve le prix du sous-jacent, le prix
actualit de loption amricaine est une surmartingale, i.e.
pour tout t, h > 0, EQ (er(t+h) Pt+h |Ft ) ert Pt .
14
200
OPTIONS AMRICAINES
Convergence des arbres binomiaux (Leisen et classique)
2.305
Put amricain
2.300
2.300
2.285
2.290
2.290
2.295
2.295
Put amricain
2.305
2.310
2.310
2.315
2.315
Convergence des arbres binomiaux (Leisen et classique)
50
100
200
500
50
100
# steps
200
500
# steps
Figure 140: Convergence du prix dun put amricain, par arbre classique et par larbre
de Leisen.
Aussi, dans un pas de temps dt, on na plus lgalit, mais lingalit suivante
EQ (erT dPt |Ft ) rPt dt.
Aussi, on peut intuiter que lon aboutie non plus une quation aux drives partielles,
mais une inquation variationnelle
Pt
Pt 1 2 2 2 Pt
+ rSt
+ St
rPt ,
t
St 2
St2
avec une galit dans la zone o St > St .
14.13
Approche par quations aux drives partielles: frontire

libre
Dans le cas dun put europen,

si 0 < St St ,
on a les conditions de bord suivantes, Pt = P (St , t) = K St et P/t = 1, et
P
1
2P
P
+ rSt
+ 2 St2 2 rP < 0.
t
St 2
St
si St < St ,
on a les conditions de bord suivantes, Pt = P (St , t) > K St et P/t 1 lorsque
St St , et
P
P
1
2P
+ rSt
+ 2 St2 2 rP = 0.
t
St 2
St
On parle de frontire libre car la frontire St est inconnue.

14
201
OPTIONS AMRICAINES
14.14
Approche par quations aux drives partielles: ingalit

variationnelle
Les deux possibilits voques prcdement peuvent aussi tre exprimes sous dun systme dingalits, appele inquation variationnelle (Benssoussan & Lions (1982)), en
notant H la fonction de payoff,
1 2 2 2P
P
P
+
rP 0
+
rS
St
t
St 2
St2
P(St , t) H(St , t) 0
P
1
P
+ 2 St2 2 rP (P (St , t) H(St , t))

+ rSt
t
St 2
St
La dernire condition est l simplement pour rappeler que ncessairement une des deux
ingalits est forcment une galit.
Lors de la rsolution de lquation obtenue par Black & Scholes, nous avions vu
quil tait possible de se ramener lquation de la chaleur,
u(x, t ) 2 u(x, )
= 0.
2
En utilisant les mmeschangement de variable, en notant g la fonction de payoff, le
u(x, t ) 2 u(x, )
2
systme prcdant scrit
u(x, ) g(x, ) 0
u(x,
t
)
u(x,
(u(x, ) g(x, )) = 0
2
Cest partir ce systme de Brennan & Schwartz (1978) a propos une solution
par diffrence finie.
Pour mieux comprendre le programme, une introduction en dimension 1.
Pour commencer, essayons de comprendre comment rsoudre ce problme en dimension
1, cest dire un programme de la forme suivante,
u00 (x) f (x) pour x ] 1, 1[
u(x) g(x) pour x ] 1, 1[ ,

00
(u (x) f (x) (u(x) g(x)) = 0 pour x ] 1, 1[
avec la condition de bord suivante u(1) = u(1) = 0.
On considre alors une grille x0 = 1 < x1 < ... < xn = 1, que lon supposera
homogne, de pas h = 2/n, i.e. xi = 1 + ih pour i = 0, ..., n. En notant ui = u(xi ), on
rcrit le systme sous la forme
(ui1 2ui + ui+1 ) h2 fi
ui gi ,
((ui1 2ui + ui+1 ) h2 fi ) (ui gi ) = 0

avec comme conditions de bords u0 = un = 0. En notant A la matrice associ cette
14
202
OPTIONS AMRICAINES
discrtisation, on peut crire simplement le problme sous forme
2 1 ...
Au
1 2 ...
u g , o A =
... ... ...
0
0
(Au f ) (u g) = 0
0 ...
0
0 ...
matricielle,
... 0
... 0
... ...
2 1
1 2
Une fois pos le problme numrique discrtis, reste le rsoudre. On peut noter que
ce programme scrit de manire quivalente
min{Au f , g u} = 0
o le minimum est pris composante par composante. Notons que la matrice A peut scrire
A = L + U D, o L est la matrice contenant des 1 sur la permire surdiagonale, U sur
la premire sous diagonale, et D des 2 sur la diagonale. Un peut dcriture matricielles
permet de rcrire cette quation sous la forme
min{u D1 (Lu + U u + f ), g u} = 0,
ou encore u = max{D1 (Lu + U u + f ), g}.
Ce problme l peut alors se rsoudre par des algorithmes itratifs, en particulier
lalogrihtme de SOR projet:
Pour i = 1, ..., n, on pose
(
1
zik+1 =
Luk+1 U uk + f i
2
k+1
k
uk+1
=
max{u
uki ], gi }
i + [zi
i
La convergence de cet algorithme a t montre par Cryer (1971) dans un cadre
encore plus gnral.
Rsolution du problme (x, t): mthode SOR projete.
Cette mthode est expose en dtails dans Lapeyre, Sulem & Talay (2002).
Rsolution - mthode SOR projete
Rsolution du problme (x, t): lalgorithme de Cryer.

La mthode de pnalisation.
En fait, pour montrer lexistence et lunicit de la solution au systme (14.14), on
utilise une mthode de pnalisation pour transformer cette quation en une quation
non-linaire.
Lide est dutiliser une mthode discrtisation de pnalisation, puis de rsoudre les
quations nonlinaires obtenues par une itration de type Newton-Raphson.
On crit alors
P
1 2 2 2P
P
+
rS
+
St
rP 0
t
St 2
St2
P(St , t) H(St , t) 0
P
P
1
P
+ rSt
+ 2 St2 2 rP (P (St , t) H(St , t))
t
St 2
St
14
203
OPTIONS AMRICAINES
Frontire dexercice
50
Prix du sousjacent
30
40
Prix de loption
10
60
12
70
14
Prix des puts amricain et europen
40
45
50
55
60
S(0)
0.0
0.2
0.4
0.6
0.8
1.0
Temps
Figure 141: Valorisation dun put amricain.

sous la forme suivante, en notant P le prix du put la date t si on de dcide dexercer,
i.e. P (St , t) = (K St )+ ,
P
2P
P
1
+ rSt
+ 2 St2 2 rP + Q (P, P )
t
St 2
St
o Q(P, P ) = max{P P, 0}/ o est choisi suffisement petit pour que
P > P implique
2P
P
P
1
+ rSt
+ 2 St2 2 rP = 0,
t
St 2
St
P
P
1
2P
+ rSt
+ 2 St2 2 rP < 0.
t
St 2
St
Cette quation pnalise scrit alors, en discrtisant par un schma de Crank-Nicolson
(en reprenant lcriture de lquation 18)
P = P implique
1
gi,j+1 gi,j
([Ag]i,j+1 + [Ag]i,j ) + qi,j+1 =
2
t
(34)
ou le terme de pnalit qi,j+1 est simplement

(
M
[g gi,i+j ] si gi,j+1 < gi
qi,j+1 =
t i
0
sinon.
o M est une grande constante donne a priori et o gi = (K Si )+ pour un put
amricain.
Remarque 109. On rajoute ici un terme de pnalisation lquation de discrtisation
dans le cas dune option europenne.
14
204
OPTIONS AMRICAINES
Ici, lcriture matricielle des quations discrtises se fait sous la forme suivante
[I + M/2 + (g j+1 )]g j+1 = [I M/2]g j + [(g j+1 )]g ,
o (g j+1 ) est une matrice diagonale qui vaut
(g j+1 ) = diag(M 1(gi,j+1 ) < gi ).
On obtient ainsi une quation nonlinaire. Elle se rsoud de manire rcursive o on
utilise lestimation de (g j+1 ) ltape k pour en dduire une valeur de g j+1 ltape
k + 1.
A partir dun g 0j+1 , on rsoud, pour k 1
k+1
[I + M/2 + (g kj+1 )]g k+1
+ [(g kj+1 )]g .
j+1 = [I M/2]g j
Comme la montr Forsyth & Vertzal (2002) cet algorithme converge vers une solution du systme dquations suivantes
1
gi,j+1 gi,j
([Ag]i,j+1 + [Ag]i,j )
0,
2
t
et (g g )i,j+1
,
M
o est une constante indpendante de t et h.

Numriquement, la difficult est de choisir pertinament M : si M est trs grand, la
prcision sera dautant meilleure, mais lalgorithme sera lent converger. Forsyth &
Vertzal (2002) suggre de prendre pour M linverse de la prcision que lon souhaite
sur le calcul, car

gi gi,j+1
1 dans la rgion dexercice, i.e. gi 6= 0.
M
gi
14.15
Une solution analytique dans le cas du put amricain
En utilisant le principe de Duhamel sur les quations aux drives partielles (Zauderer
(1989)), on peut montrer que
Z
rt
(X ST )(ST , S)dST
Z Sts
Z t
rs
+
e
rK(Ss , S)dSs ds,
P (S, t) = e
o la probabilit de transition (ST , St ) (de passer de St la date t Ss ST la date t)

peut tre calcule explicitement. Notons toutefois que cette formule ncessite de connatre
le prix du sous-jacent sur la frontire dexercice, St .
14
205
OPTIONS AMRICAINES
14.16
Approximation de la forme de la frontire dexercice
Omberg (1987) et Chesney (1987) ont obtenue une formule exponentielle en supposant
que la fcontire dexercice avait une forme exponentielle.
Remarque 110. Cette spcification de la forme de la frontire defficience est parfois
appele option canadienne ( Carr (1996)).
On considre ici une option europenne dont la maturit nest plus T , mais une variable
alatoire , distribue suivant une loi exponentielle de moyenne T , i.e.
P( > t) = exp(t/T )
Une autre interprtation est de dire que loption est exerce une date correspondant
au premier saut dun processus de Poisson. Rappelons aussi que la loi exponentielle est
une loi sans mmoire, i.e. P( > t + x| > x) = exp(t/T ).
Un calcul rapide permet de montrer que le prix de cette option est
Z
1
t
(S0 , T ) =
exp
(S0 , t)dt,
T
T
0
o (S0 , t) est le prix de loption europenne de mme payoff, de maturit t. Aussi, dans
le cas dun put canadien, une formule ferme peut tre obtenue puisque
(S0 , t) = S0 (d1 ) Kert (d2 )
o, pour rappel,
avec d2 = d1 t.
1
d1 =
t
log
S
K

2
+ r+
t ,
2
Proposition 111. Le prix dun put canadien est donn par
1
(S0 ) + 1+rT
K si S0 < K
P (S0 , T ) =
,
(S0 ) si S0 K
o
x +
(x) =
1
K
,
+
1 + rT
K

1
+
x
K
,
(x) =
1
+
1 + rT
K
o sont les racines de lquation du second degr
1 2 2
2
1
+ r
= r,
2
2
T
soit
r
2
2
2
2
+ 2 2
1
+r
T
Dans le cas dun call canadien, alors

(
(S0 ) si S0 < K
1
,
C (S0 , T ) =
(S0 )
K(S0 ) si S0 K
1 + rT
14
206
OPTIONS AMRICAINES
6.5
6.0
5.5
5.0
4.5
4.0
6.5
7.0
7.5
8.0
8.5
9.0
7.0
Prix dun put canadien
9.5
Prix dun call canadien
2000
4000
6000
8000
10000
2000
4000
6000
8000
10000
Figure 142: Call et put canadiens.

Des mthodes de simulations peuvent tre utilise pour calculer ce prix.
Dans ce modle, la date laquelle le dtenteur de loption se demande sil peut exercer (ou non) est alatoire. Il attend donc une dure o E( ) = T . Afin damliorer le
modle, on peut supposer quil attend un temps 1 avant de se donner le droit dexercer,
et sil nexerce pas, il attend un temps 2 pour voir nouveau sil exerce ou non. On
peut supposer que 1 et 2 sont deux variables exponentielles, indpendantes et quidistribues. La contrainte prcdante impose alors que E(1 + 2 ) = T , on a donc deux lois
indpendantes, exponentielles, de moyenne T /2.
De manire gnrale, si on suppose que les n dates possibles dexercices sont donnes
par un processus de Poisson, alors E(i ) = T /n. Lide est alors de faire tendre n vers
linfini, ce qui fait tendre cette option vers loption amricaine de maturit T .
Cette somme de lois exponentielles tant une loi Gamma, on peut alors lgitimement
tre tent de valoriser une option canadienne dont la date dexercice suit une loi Gamma,
de moyenne T .
Une autre possibilit est de prendre non pas une loi exponentielle pour la dure avant
maturit, mais une loi gamma. On notera alors Pn le prix dun put obtenu en prenant la
somme de n lois exponentielles. En considrant lextrapolation de Richardson (Marchuk
& Shaidurov (1983)), on pose
P1,n =
n
X
(1)ni in
i=1
i!(n i)!
Pi .
Broadie & Detemple (1996) propose dutiliser cette mthode pour approcher le
prix dune option amricaine.
14
207
OPTIONS AMRICAINES
14.17
Utilisation des mthodes de simulations
La principale difficult est ici quil faut calculer EQ(|Fn ) une date intermdiaire tn pour
compte tenu du prix la date tn+1 . Or parmi toutes les trajectoire, une seule passe par
xn la date tn . Lide est ici dapprocher lesprance par la moyenne arithmrique sur
toutes les trajectoires simules passant prs de xn la date tn .
14.18
Algorithme de Tilley (1993)
Etape 0 Gnrer n trajectoires pour le prix du sous-jacent, k = 1, ..., n

Etape 1 A une date t [0, T ] rordonner les prix St (1),..., St (n) sur les n trajectoires,
dans le sens dcroissant pour un put et dans le sens croissant pour un call. On regroupe
les trajectoires en m sous-groupes de n/m trajectoires. On note B (t, k) le groupe auquel
appartient la kme trajectoire la date k (pour la trajectoire k qui atteignait la plus
grande valeur en t, B (t, k) = 1 pour un put et k = 1, et B (t, k) = m pour un call et
k = n).
Etape 2 Pour chaque trajectoire k, caller la valeur intrinsque du prix de loption
(St (k) K)+ pour un call

It (k) =
(K St (k))+ pour un put
Etape 3 Calculer la valeur de dtention de loption Ht (k) sur une priode, soit
X
1
Ht (k) = er
Vt+1 (j)
n/m
jB(t,k)
o Vt (j) sera dfinie ltape 6, et o VT (j) = IT (j) pour tout j.

Etape 4 On dfinie la variable indicatrice dexercice ou de conservation de loption
1 si It (k) > Ht (k) on exerce alors loption

Xt (k) =
0 si It (k) Ht (k) on garde alors loption (au moins une priode)
Etape 5 On note kt les trajectoires pour lesquelles on a intrt exercer loption
Etape 6 Pour chaque trajectoire, on dfinie la valeur actuelle comme
It (k) si k kt
Vt (k) =
Ht (k) si k < kt
Etape 7 On pose t = t , et on retourne ltape 1.
Etape 8 Pour obtenir finallement le prix de loption la date t = 0, on dfinit la
variable indicatrice dexercice
1 si k kt
Yt (k) =
0 si k < kt
1 si Yt (k) = 1 et Ys (k) = 0 pour s < t

Zt (k) =
0 sinon
Le prix de loption est alors
!
n
1X X
Zt (k) erZt (k)t It (k)
n k=1
t
14
208
OPTIONS AMRICAINES
20
40
60
80
100
Monte Carlo pour options amricaines
50
100
150
200
Temps
Figure 143: Ide de la mthode de Monte Carlo, Tilley (1993).
20
40
60
80
100
50
100
150
200
Temps
14
209
OPTIONS AMRICAINES
20
40
60
80
100
50
100
150
200
Temps
400
0
200
Frequency
600
800
Histogramme du prix du put amricain (Monte Carlo)
10
15
20
25
30
prix
Figure 146: Convergence de la mthode de Monte Carlo.
35
14
210
OPTIONS AMRICAINES
6.0
6.5
7.0
7.5
8.0
8.5
9.0
9.5
2000
4000
6000
8000
10000
Figure 147: Convergence de la mthode de Monte Carlo.
20
40
60
80
100
50
100
150
200
Temps
Figure 148: Intuition de la frontire dexercice par Monte Carlo.
14
211
OPTIONS AMRICAINES
14.19
Algorithme de Grant, Vora & Weeks (1996)
A la date T , la payoff de loption est PT (ST ) = (ST K)+ pour un call amricain, et
PT (ST ) = (K K)+ pour un put amricain. Le prix critique dexercice est alors ST = ST
puisquon a intrt acheter.
Plaons nous dans le cas dun call amricain. A la date t = T , on utilise un
algorithme backward, en notant que
St K
si St St
Pt (St ) =
er E (Pt (ST ) |St ) si St St
La valeur critique la date t, St est le prix pour lequel ces deux quantits sont gales,
soit
St K = er E (Pt+ (St+ ) |St = St )
Il sagit alors de trouver s tel que f (s) = 0 o
f (s) = s K er E (Pt (ST ) |St = s)
o E (Pt+ (St+ ) |St = s) est calcul par des mthodes de Monte Carlo, cest dire en
simulant ST sachant St = s. On calcule alors f (s) pour plusieurs valeurs de s, puis on
cherche une valeur qui annule f .
Lalgorithme de calcul de lesprance conditionelle est alors le suivant: supposons que lon cherche approcher Sn , partir des valeurs critiques dj obtenues,
Sn+1
, Sn+2
, ..., ST = K . Pour estimer E (Pn+1 (Sn+1 ) |Sn = s), on simule des valeurs
des valeurs Sn+1 , Sn+2 , ... jusqu arriver soit expiration, soit une valeur critique, i.e.
S m > Sm
pour un m entre n + 1 et t. Lesprance est alors approche par la moyenne des
valeurs suivantes
er(T (n+1)) (ST K+ ) I Sn+1 Sn+1

, ..., ST ST (par dexercice anticip)
+er(m(n+1)) (Sm K+ ) I Sn+1 Sn+1

, ..., Sm1 Sm1
, Sm > Sm
(exercice anticip en m)
14.20
Algorithme de Welch & Chen (1991)
Rappelons que le prix dun call amricain scrit simplement
C = sup EQ er (S K)+
T (0,T )
o est un temps darrt optimal. Une ide "naturelle" peut alors tre de chercher une
procedure permettant de trouver un algorithme permettant dobtenir le temps darrt
optimal.
Ce problme doptimisation stochastique peut se rsoudre de la manire suivante (voir
e.g. Fu (1994) pour un survey sur ce genre de mthodes).
14.21
Algorithme de Barraquand & Martineau (1995)
Cet algorithme est trs proche de celui de Tilley (1993), bas sur une partition des
trajectoires simules. Lide est partitioner lespace de la valeur du payoff en K valeurs,
14
212
OPTIONS AMRICAINES
Algorithme de Barraquand & Martineau (1995)
0.0
0.2
0.4
0.6
0.8
1.0
Figure 149: Algorithme de Barraquand & Martineau (1995).

puis destimer, partir de n simulations, les matrices de transition de k1 k2 , entre chaque
date.
Soient S it , i = 1, ..., n les n trajectoires simules, aux dates t1 , ..., tm . A chaques dates
(s, t) = (ti , tj ), et pour tout t1 , t2 {1, ..., K}, on note pi,j (k1 , k2 ) le nombre de trajectoires
qui sont passs du niveau k1 la date ti au niveau k2 la date kj . On note galement
ai (k) le nombre de trajectoires au niveau k la date ti .
Posons ci (k) la somme de tous les payoffs cumuls des trajectoires qui taient au niveau
k la date ti . La valeur moyenne est alors ci (k)/ai (k) = i (k). De manire rcursive, on
calcule m (k) ( chance, tm = T ), puis on pose
(
)
K
ci (k) X
i (k) = max
,
pk ,k i+1 (j) ,
ai (k) j=1 1 2
et on calcule rcursivement jusqu t = 0.
14.22
Complment: simulation de chanes de Markov
Dfinition 112. Une chane de Markov est une suite de variables alatoires (Xn )nN
dfinies sur un espace E (dit espace dtat) tel que, pour tout n 0 et pour tout x1 , ..., xn
E,
L
(Xn+1 |Xn = xn , ...X1 = x1 ) = (Xn+1 |Xn = xn ).
Si lespace dtat E est fini, ou dnombrable, on lidentifiera N (ou {1, 2, ..., n}. On
note
pi,j,n = P(Xn+1 = j|Xn = i) pour tout i, j E.
14
213
OPTIONS AMRICAINES
Si pi,j,n ne dpend pas de n, on parlera de chane de Markov homogne, et pi,j est

appele probabilit de transition. On note P la matrice des probabilits de transition
P = (pi,j ). Pour tout n N, si
(n)
pi,j = P(Xn = j|X0 = i) pour i, j E,

alors
(n)
P (n) = (pi,j ) = P n .
En particulier, la loi (marginale) de Xn , pn est donne par
pn = (P n )0 p0 .
Un tat k est dit absorbant si P(Xn+1 = k|Xn = k) = 1.
14.23
Simulations et moindres carrs pour les options amricaines
Une dernire solution pour calculer le prix dune option amricaine peut tre dutiliser la
mthode de Longstaff & Schwartz.
Le but nest pas davoir la fonction valeur, mais de trouver numriquement le temps
darrt optimal, pour une trajectoire donne, .
Considrons une option Bermudenne, permettant dexerce loption aux date t0 = 0 <
t1 < t2 < ... < tn = T . On a alors lalgorithme rcursif suivant, permettant de trouver le
temps darrt optimal i , lorsque lon lon se trouve la date ti ,
n = T
i = ti 1(g(Sti ) u(ti , Sti )) + i+1 1(g(Sti ) < u(ti , Sti )),
pour i = 0, 1, ..., n 1. De plus, notons que lon a galement
{g(Sti < u(ti , Sti ))} = g(Sti ) < E(er(i+1 ti ) g(Si+1 )|Sti ) .
A laide de cette dfinition des temps darrt i , on peut vrifier quils scrivent,
rcursivement,
i = min{tj ti , g(Stj = u(tj , Stj )}.
Il sagit bien des temps darrts optimaux au dates ti .
La difficult est alors de calculer numriquement lesprance conditionnelle
E(er(i+1 ti ) g(Si+1 )|Sti ): Longstaff & Schwartz ont propos dutiliser une mthode de moindres carrs pour calculer cette esprance conditionnelle.
Notons - pour simplifier - Zi+1 = er(i+1 ti ) g(Si+1 ). Si la fonction g est borne, Zi+1
sera alors borne. En voyant lesprance conditionnelle comme une projection dans L2 ,
on crit E(Zi+1 |Sti ) sous la forme i (Sti ), o est la fonction telle que

= argmin E (Sti+1 f (Sti ))2 ,

f L2i
parmi lensemble des fontions f telles que E(f (Sti )2 ) < (en toute rigueur, cet espace
dpend de la date ti ).
14
214
OPTIONS AMRICAINES
On se donne alors une base (hi,k )kN de fonctions qui forme une base de L2i . Alors
i (x) =
i,k hi,k (x).
k=1
Lide de lalgorithme est alors le suivant

1. On initialise en posant n = T ,
2. On cherche i = (i,k )kN , suite qui minimise
!2
X
i,k hi,k (Sti ) .
E er(i+1 ti ) g(Si+1 )
k=1
3. On pose alors
i = i = ti 1 g(Sti )
!
i,k hi,k (Sti )
+ i+1 1 g(Sti ) <
k=1
!
i,k hi,k (Sti ) .
k=1
La difficult est ici de rsoudre un problme doptimisation sur un espace infini, on

va alors considrer une approximation de i = (i,k )kN , i = (i,k )k=1,...,K , solution du
programma

!2
K
X
r(i+1 ti )
min E
e
g(Si+1 )
i,k hi,k (Sti )
.
k=1
A partir de l, on estime lesprance par une mthode de Monte Carlo, ce qui donne
lalgorithme suivant: on simule M trajectoires (Stmi )i=0,...,n , pour m = 1, ..., M , puis considre lalgorithme suivant
1. On initialise en posant nm = T ,
2. On cherche i = (i,k )k=1,...,K qui minimise
!2
M
K
X
1 X r(i+1 ti )
m )
i,k hi,k (Sti ) .
e
g(Si+1
M m=1
k=1
3. On pose alors
im = i = ti 1 g(Stmi )
K
X
!
i,k hi,k (Stmi )
m
1 g(Stmi ) <
+ i+1
k=1
K
X
!
i,k hi,k (Stmi ) .
k=1
A partir de cet algorithme, lestimateur du prix de loption amricaine la date 0 est

M
1 X r(0m )g(Smm ).
0
e
M m=1
Remarque 113. Par soucis de simplicit, on peut prendre une base de fonction (hk ) qui
ne dpende pas de la date ti .
14
215
OPTIONS AMRICAINES
1.0
0.5
0.0
0.5
1.0
Polynomes de Chebychev
0.0
0.2
0.4
0.6
0.8
1.0
Figure 150: Polynmes de Chebychev, Tn (x) = cos(n(x)).

On utilisera ici comme base les polynmes de Chebetchev.
polynmes de Chebychev sont dfinis par
Rappelons que les
Tn (x) = cos(n(x)), sur [1, 1], pour n N.

Remarque 114. Il nest pas a priori vident que ces fonction soient des polynmes, et
pourtant, ils vrfient les formules de rcurrence suivantes,
T0 (x) = 1 et T1 (x) = x
et pour n 1,
Tn+1 (x) = 2xTn (x) Tn1 (x).
Ces polynmes sont reprsents sur la Figure suivante,
Pour rsoudre numriquement notre problme, on notera T la matrice n n de
Chebychev-Vandermonde,
T0 (t1 ) T1 (t1 ) ... Tn1 (t1 )

T0 (t2 ) T1 (t2 ) ... Tn1 (t2 )
T (t1 , ..tn ) =
...
...)
...
...
T0 (tn ) T1 (tn ) ... Tn1 (tn )
Dcomposer une fonction f () dans la base des polynmes de Chebychev revient
chercher = (1 , 2 , ...) tels que
f (x) =
i Ti (x)
i=0
n1
X
i Ti (x).
i=0
Aussi, tant donne une grille 0 < x1 < x2 < ... < xn < 1, cela revient rsoudre
numriquement T (x1 , ..xn ) = f .
14
OPTIONS AMRICAINES
216
Exemple 115. Dans le cas qui nous intresse, f est une fonction de la forme ....
Dans le papier original, Longstaff & Shwartz (2001) suggrent dutiliser comme
base les polynmes de Laguerre. Ces derniers sont obtenue partir de la formule de
Rodrigues,
ex dn x n
e x ,
Ln (x) =
n! dxn
comme solution de rcenrence
(n + 1)Ln+1 (x) = (2n + 1)xLn (x) nLn1 (x) o n 1,
avec L0 (x) = 1 et L1 (x) = 1 x.
Algorithme de Longstaff-Schwarz
PL S<-f unction(K, S, N, M, r){
Vn=max(K-S[N+1],0)
for(i in 0:(N-1)
14.24
Les options perptuelles
Considrons tout dabord le cas des options russes, qui sont des options amricaines
perptuelles, qui paieront le maximum observ sur le sous-jacent jusqu la date dexercice.
15
217
ELEMENTS BIBLIOGRAPHIQUES
15
Elements bibliographiques
Hull, J. (2003). Options, futures et autres actifs drivs. Pearson.
Lamberton, D. & Lapeyre, B. (1997). Introduction au calcul stochastique appliqu la finance. Ellipses.
Henrici, P. (1964). Elements of numerical analysis. John Wiley & Sons.
Cialet, P.G. (1998).
loptimisation. Dunod.
Introduction lanalyse numrique matricielle et
Raviart, P.A. & Thomas, J.M. (1992). Introduction lanalyse numrique des
quations aux drives partielles. Masson.
Willmott, P., Howison, S. & Dewynne, J. (1997). The mathematics of financial derivatives. Cambridge University Press.
Rogers, L.C.G. & Talay, D. (1997). Numerical Methods in Finance. Publications of the Newton Institute. Cambridge University Press.
Talay, D. (1995). Simulation and numerical analysis of stochastic differential systems : a review. in P. Kre and W. Wedig, editors, Probabilistic Methods in Applied
Physics, volume 451 of Lecture Notes in Physics, chapter 3, pages 54-96. SpringerVerlag.
Kloeden, P.E. & Platen, E. (1995). Numerical Solution of Stochastic Differential
Equations. Springer-Verlag.
Tavella, D. & Randall, K. (2000). Pricing Financial Instruments: The Finite
Difference Method. John Wiley.
Tavella, D. (2002). Quantitative Methods in Derivative Pricing: An Introduction
to Computational Finance. John Wiley.
Teman, E. (2004). Mthodes de Monte Carlo pour la finance. Notes de cours, DEA
Paris 6.
Lapeyra, B., Sulem, A. & Talay, D. (2000). Understanding Numerical Analysis
for Option Pricing. Cambridge University Press.
Jackel, P. (2002). Monte Carlo Methods in Finance. John Wiley.
Cox, J. & Rubinstein, M. (1985). Options Markets. Englewood Cliffs, PrenticeHall.
Demange, G. & Rochet, J.C. (1992) Mthodes mathmatiques de la Finance.
Economica.
Simon, Y. edt. (1997). Encyclopdie des marchs financiers. Economica.
Karatzas, I. & Shreve, S. (1988). Brownian motion and stochastic calculs.
Springer.
Haug, E.G. (1997). The complete guide to option pricing formulas. Mc Graw Hill.
Kunsher, H. (1977). Probabilistic methods for approximations in stochastic control
and elliptic equation. Academic Press.
15
218
Demailly, J.P. (1996). Analyse numrique et quations diffrentielles. Presses de

lUniversit de Grenoble.
Dupire, B. (1998). Monte Carlo: methodogies and applications for pricing and risk
management. Risk Book.
Kwok, Y.W. (1997). Mathematical models of financial derivatives. Springer.
Glasserman, P. (2004). Monte Carlo methods in financial engineering. Springer.
Seydel, R. (2004). Tools for computational finance. Springer.
McLeish, D.L. (2005). Monte carlo simulation & Finance. Wiley Finance.
Lapeyre, B., Sulem, A. & Talay, D. (2002). Understanding numerical analysis
for financial models. version provisoire
Rappaz, J. & Picasso, M. (2000). Introduction lanalyse numrique. Presses
polytechniques et universitaires romandes.
Fortin, A. (1995). Analyse numrique pour ingnieurs. Editions de lcole polytechnique de Montral.
Ahn, H., Penaud, A. & Wilmott, P. (1998). Various Passport Options and
Their Valuation. Oxford University OCIAM Working Paper.
Andrianjakaherivola, E. & Russo, F. (2001). The Quantile of a Diffusion:
Pricing a Quantile Lookback Option. Working Paper.
Avellaneda, M. & Wu, L. (1999). Pricing Parisian-Style Options with a Lattice
Method. International Journal of Theoretical & Applied Finance, 2, 1-16.
Babbs, S. (1992). Binomial Valuation of Lookback Options. Journal of Economic
Dynamics & Control, 24, 1499-1525.
Ballotta, L. & Kyprianou, A. (2001). A Note on the Alpha-Quantile Option.
Applied Mathematical Finance, 8, 137-144.
Beaglehole, D.R., Dybvig, P.H. & Zhou, G. (1997). Going to Extremes:
Correcting Simulation Bias in Exotic Option Valuation. Assocation for Investment
Management & Research Paper n ?, ??-??.
Bermin, H. (1996). Exotic Lookback options: The case of Extreme Spread Options.
( Working Paper, Lund University.
Boyle, P. & Lau, S.H. (1994). Bumping Against the Barrier with the Binomial
Method. Journal of Derivatives, 1, 6-14.
Boyle, P. & Tian, Y. (1998). An Exlicit Finite Difference Approach to the Pricing
of Barrier Options. Applied Mathematical Finance, 5, 17-43.
Buetow, G. (1999). Ratchet Options. Journal of Financial & Strategic Decision,
12.
Conze, A. & Viswanathan, R. (1991). Path Dependent Options: The Case of
Lookback Options. Journal of Finance, ?. 1893-1907.
Dassios, A. (1995). The Distribution of the Quantile of a Brownian Motion with
Drift & the Pricing of Related Path-Dependent Options. Annals of Applied Probability, 5, 389-98.
15
219
Delbaen, F. & Yor, M. (1998). Passport Options. Working Paper.

Derman, E., Kani, I., Ergener, D. & Bardhan, I. (1995). Enhanced Numerical Methods for Options With Barriers. Goldman Sachs Working Paper.
Dravid, A., Richardson, M. & Sun, T.S. (1993). Pricing foreign index contingent claims: an application to Nikkei index warrants. Journal of Derivatives, 1,
33-51.
Duan, J.C. (2003). An Enhanced Path-Derivative Monte-Carlo Method for Computing Option Greeks. University of Toronto Working Paper.
Duan, J.C., Pliska, S. (2003). Option Valuation with Co-Integrated Asset Prices.
Journal of Economic Dynamics & Control, ?, ??-??.
Figlewski S. & Gao, B. (1999). The Adaptive Mesh Model: A New Approach to
Efficient Option Pricing. Journal of Financial Economics, 53, 313-351.
Fujita, T. & Miura, R. (2003). Edokko Options: A New Framework of Barrier
Options. Asia-Pacific Financial Markets, 9 141-153.
Fujita, T. (2000). A Note on the Joint Distribution of a,-Percentiles and Its
Application to the Option Pricing. Asia-Pacific Financial Markets, 7 339-344.
Geske, R. (1977). The Valuation of Corporate Liabilities as Compound Options.
Journal of Financial and Quantitative Analysis, 12, 541-552.
Geske, R. (1979). The Valuation of Compound Options. Journal of Financial
Economics, 7, 63-81.
Goldman, B., Sosin, H. & Gatto, M. A. (1979). Path Dependent Options: Buy
at the Low, Sell at the High. Journal of Finance, ?, 1111-1127.
Haber, R.J., Schnbucher, P.J. & Wilmott, P. (1999). Pricing Parisian
Options. Journal of Derivatives, 6, 71-79.
Hartley, P. (2002). Pricing Parisian Options by Laplace Inversion. Decisions in
Economics & Finance. ?, ??-??
Kat, H. M. (1995). Pricing Lookback Options Using Binomial Trees: An Evaluation. Journal of Financial Engineering, 4, 375-397.
Klassen, T. R. (2001). Simple, Fast & Flexible Pricing of Asian Options. Journal
of Computational Finance, 4, 89-124.
Kwok, Y.K. & Lau, K.W. (2001). Pricing Algorithms for Options with Exotic
Path-Dependence. Journal of Derivatives, ?, ??-??.
Kyprianou, A. & Baurdoux, C. (2004). Further Calculations for Israeli Options.
Stochastics & Stochastics Reports, 76, 549-569.
Kyprianou, A., Khn, C. (2003). Israeli Options as composite Exotic Options.
Worlking Paper.
Kyprianou, A. (2002). "Some Calculations for Israeli Options. Journal of Finance
& Stochastics, ?, ??-??.
Levitan, S. (2001). Lattice Methods for Barrier Options. University of Witwatersrand Honours Project.
Macaskill, J. (2001). Managing the Downturn, Thomson IF Review.
15
220
Margrabe, W. (1978). The Value of an Option to Exchange One Asset for Another. Journal of Finance, 33, 177-186.
Nagayama, I. (1999). Pricing of Passport Options. Journal of Mathemtatical
Science, 5,747-785.
Overhaus, M. (2002). Himalaya Options. Deutsche Bank Masterclass.
Pooley, D.M., Vetzal, K. & Forsyth, P.A. (2001). Digital Projection. University of Waterloo Working Paper .
Quessette, R. (2002). New Products, New Risks. Deutsche Bank Masterclass.
Reiner, E. (1992). Quanto mechanics. Risk, 5, 59-63.
Rubinstein, M. (1991). Options for the Undecided. Risk, 4.
Rubinstein, M. (1994). Return to Oz. Risk Magazine, 7.
Shreve, S. & Vecer, J. (2000). Options on a Traded Account: Vacation Calls,
Vacation Puts & Passport Options. Finance & Stochastics, 4, 255-274.
Schroder, M. (2000). On the Valuation of Paris Options: Foundational Results.
Universitat Mannheim Working Paper.
Topper, J. (2003). A Finite Element Implementation of Passport Options. University of Oxford Working Paper.
Vorst, A. & Cheuk, T. (1994). Lookback Options and the Observation frequency:
A Binomial Approach. Working Paper, University of Rotterdam.
Vorst, A. (1999). Parisian Option Valuation. Derivatives Week, 8 6-7 .
Wilmott, P. (2002). Cliquet Options & Volatility Models. Wilmott Magazine.
Wystup, U., Schmock, U. & Shreve, S. (2001). Dealing With Dangerous
Digitals. Risk.

Méthodes Numériques en Finance

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

Méthodes Numériques en Finance

Transféré par

Droits d'auteur :

Formats disponibles

1

Mthodes numriques en finance

ENSAE-ENSAI-CREST & Katholieke Universiteit Leuven

Arthur CHARPENTIER - Mthodes numriques en Finance

3 Un peu de modlisation et de mathmatiques financires

4 Quelques mots sur lestimation des paramtres

6 Options et arbres binomiaux

notions de taux dintrt

Arthur CHARPENTIER - Mthodes numriques en Finance

Petit complment sur la convergence . . . . . . . . . . . . . . . . . .

7 Valorisation en temps continu

8 Approche par les quations aux drives partielles

Arthur CHARPENTIER - Mthodes numriques en Finance

9 Petits rappels danalyse numrique

10 Rsolution des edp et diffrences finies

11 Mthodes de simulations dans le modle de Black & Scholes (1973)127

Arthur CHARPENTIER - Mthodes numriques en Finance

12 Amliorer la prcision des estimations

13 Quelques mots sur dautres mthodes

Arthur CHARPENTIER - Mthodes numriques en Finance

Arthur CHARPENTIER - Mthodes numriques en Finance

INTRODUCTION AUX OPTIONS

Prix dun call europen

Prix (BlackScholes) dun call

Impact du prix du sousjacent

Figure 1: Prix dune option dachat (europenne).

Introduction aux options

Arthur CHARPENTIER - Mthodes numriques en Finance

INTRODUCTION AUX OPTIONS

Les options comme produit driv financier

En 1973, ouverture du CBOE (Chicago Board Options Exchange) et la mme anne,

Les options en assurance

Les options dite relles

Les diffrentes options

INTRODUCTION AUX OPTIONS

Arthur CHARPENTIER - Mthodes numriques en Finance

INTRODUCTION AUX OPTIONS

parle aussi doptions lock-in, ou encore , Buetow (1999), Rubinstein (1991) ou

titres sont considrs, Overhaus (2002).

Arthur CHARPENTIER - Mthodes numriques en Finance

INTRODUCTION AUX OPTIONS

maximum de deux actifs, et le payoff est alors de la forme (max{S1 , S2 )} K)+ ou

INTRODUCTION AUX OPTIONS

1. Modles de mathmatiques financires, liens entre probabilits, processus et prix de

Lanalyse de lerreure commise se fait laide de dveloppements de Taylor,

UN PEU DE MODLISATION ET DE MATHMATIQUES FINANCIRES

Un peu de modlisation et de mathmatiques financires

UN PEU DE MODLISATION ET DE MATHMATIQUES FINANCIRES

Arthur CHARPENTIER - Mthodes numriques en Finance

UN PEU DE MODLISATION ET DE MATHMATIQUES FINANCIRES

Si le march est complet, et satisfait labsence dopportunit darbitrage, considrons

Un peu de terminologie sur les options

UN PEU DE MODLISATION ET DE MATHMATIQUES FINANCIRES

Prix (BlackScholes) dun put

Prix dun put europen

Prix dun call europen

Prix (BlackScholes) dun call

Impact du prix du sousjacent

Impact du prix du sousjacent

Arthur CHARPENTIER - Mthodes numriques en Finance

UN PEU DE MODLISATION ET DE MATHMATIQUES FINANCIRES

Prix (BlackScholes) dun put

Prix dun put europen

Prix dun call europen