Académique Documents
Professionnel Documents
Culture Documents
Méthodes Numériques en Finance
Méthodes Numériques en Finance
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))
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
13
15
19
20
20
21
23
23
23
24
24
24
25
26
27
27
28
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
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
41
41
42
43
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
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
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
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
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
84
85
88
90
90
93
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
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
. . . . .
. . . . .
. . . . .
. . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
CONTENTS
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
164
. 164
. 165
. 166
. 167
. 172
. 173
. 173
. 178
. 179
. 182
. 183
. 185
. 186
. 188
. 189
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
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.
60
40
0
20
80
100
50
100
150
200
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
2.2
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
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 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).
Arthur CHARPENTIER - Mthodes numriques en Finance
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
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
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
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
f (x + h) f (x)
o h est petit,
h
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)).
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
Arthur CHARPENTIER - Mthodes numriques en Finance
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
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 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,
Arthur CHARPENTIER - Mthodes numriques en Finance
16
80
60
40
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,
un call de prix dexercice K = 3150 valait 168.86 points, et le put 118.98,
un call de prix dexercice K = 3200 valait 140.41 points, et le put 140.41,
un call de prix dexercice K = 3250 valait 115.17 points, et le put 1465.06,
un call de prix dexercice K = 3300 valait 93.26 points, et le put 193.03,
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
0.0
0.5
1.0
1.5
2.0
18
16
12
14
22
21
20
18
19
23
24
0.00
0.05
0.10
0.15
0.00
0.05
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
Impact de la volatilit
19
10
10
20
20
30
30
40
40
50
50
60
20
40
60
80
100
Prix du sousjacent
20
40
60
80
100
Prix du sousjacent
3.2
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,
Arthur CHARPENTIER - Mthodes numriques en Finance
20
3.3
Lide centrale pour valoriser des options est de pouvoir constituer des portefeuilles permetttant de rpliquer le payoff de loption.
3.4
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
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.
Arthur CHARPENTIER - Mthodes numriques en Finance
22
0.26
0.24
0.22
0.20
0.18
0.16
0.28
0.6
0.8
1.0
1.2
1.4
1.6
1.8
2.0
0.25
0.30
1.5
2000
1.0
Maturit
0.35
0.40
0.45
0.50
0.55
0.60
Volatilit
0.5
0.0
3000
4000
5000
6000
7000
Strike
23
3.6
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
Z t
!
X
S0 = E
Di exp
rs ds + St exp
rs ds
.
i=1
3.8
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
24
3.9
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
et d2 =
= d1 T .
T
T
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,
d2
d1
=
S
S
Aussi, pour un call et un put respectivement,
(C) = (d1 ) > 0 et (P ) = (d1 ) 1 < 0.
25
0.6
0.4
0.2
0.2
0.4
0.6
0.8
0.8
60
80
100
120
140
60
80
Cours de laction
100
120
140
Cours de laction
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
(d1 )
> 0.
S T
26
0.008
0.006
0.004
0.004
0.006
0.008
0.010
0.010
60
80
100
120
140
60
80
Cours de laction
100
120
140
Cours de laction
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
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 =
30
25
20
15
10
5
10
15
20
25
30
35
35
60
80
100
120
140
Cours de laction
60
80
100
120
140
Cours de laction
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
S (d1 )
28
et
(P ) =
S (d1 )
4
6
8
10
10
60
80
100
120
140
Cours de laction
60
80
100
120
140
Cours de laction
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.
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.
Arthur CHARPENTIER - Mthodes numriques en Finance
29
10
20
30
40
50
50
40
30
20
10
60
80
100
120
140
60
Cours de laction
80
100
120
140
Cours de laction
4.1
Dans lapproche classique, les variables dintrt sont gnralement la moyenne et lcarttype.
4.2
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
Arthur CHARPENTIER - Mthodes numriques en Finance
30
0 100
300
Indice S&P500
1930
1940
1950
1960
1970
1980
1990
0.06
0.00 0.04
1990
1995
2000
2005
Date
4.3
4.4
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
1990
1995
2000
2005
Date
10 20 30 40
1990
1995
2000
2005
Date
2C
(T, x).
K 2
32
(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
4.5
rx
C(T, x) C(T, x)
x
T
1 2 C(T, x)
2
x2
1
[CB&S (K(1 ), (T, K(1 ))) CB&S (K(1 + ), (T, K(1 )))]
2K
CB&S (T, K)
(T, K)
VgaB&S (T, K)
+ o(1).
K
K
|{z}
prix du call digital
CB&S (T, K)
K
{z
}
(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)
Arthur CHARPENTIER - Mthodes numriques en Finance
(T, K)
.
K
33
(T, K1 )
VgaB&S (T, K1 )
(K1 ) =
K
K1
sans smile
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
(T, x)
VgaB&S (T, x)
x
x
0
sans smile
g(x)dx.
x
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
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
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) =
(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
nT
Rn
,
1+
n
et quand n , on obtient un taux exprim en composition continue, et
nT
Rn
lim 1 +
= exp (T ) .
n
n
Arthur CHARPENTIER - Mthodes numriques en Finance
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
(y t)(t, y t) (x t)(t, x t)
,
yx
37
5.1
Si les taux sont dterministes, par absence dopportunit darbitrage, on obtient que
dB(t, T
= rt dt,
B(t, T )
(2)
Z t
rs ds = B(0, T ) = exp
rs ds .
t+
rs ds.
t
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
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
Arthur CHARPENTIER - Mthodes numriques en Finance
38
0.08
0.06
0.04
0.02
0.00
0.00
0.02
0.04
0.06
0.08
0.10
0.10
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
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=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.
Arthur CHARPENTIER - Mthodes numriques en Finance
39
5.3
5.4
rs ds N
0
T 2 2T 3
r0 T + a ,
2
6
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.
Arthur CHARPENTIER - Mthodes numriques en Finance
40
5.5
Le modle de Vasicek
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
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 ) =
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
2
rt C(t, T ) + D(t, T ) + E(t, T ) .
2
41
6.1
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.
Arthur CHARPENTIER - Mthodes numriques en Finance
42
6.2
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
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
Arthur CHARPENTIER - Mthodes numriques en Finance
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
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).
Arthur CHARPENTIER - Mthodes numriques en Finance
44
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
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
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
45
soit
exp(t) d
.
ud
De plus, la variance de la rentabilit est 2 t, qui vrifie
p=
u = exp t et d = exp t ,
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 =
2
2
u = exp r
t + t et d exp r
t t .
2
2
6.6
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.
Arthur CHARPENTIER - Mthodes numriques en Finance
46
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
50
100
150
200
50
100
150
200
Figure 19: Convergence du prix par arbre binomial, et borne en 1/n, cas la monnaie, et
en dehors de la monnaie.
500
0
100
200
1000
300
1500
400
2000
500
2500
10
15
20
40
60
80
100
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
20
40
60
80
100
Figure 23: Convergence du calcul du prix dun call par arbre binomial.
0.6
d[10:900]
BS
0
0.0
10
0.2
20
0.4
30
40
0.8
50
1.0
20
40
60
80
100
20
40
60
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
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
6.7
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
EQ
1
EQ (S1 |S0 ) = S0 .
1+r
1
Sn |F0
(1 + r)n
= S0 ,
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
Arthur CHARPENTIER - Mthodes numriques en Finance
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
6.9
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
Arthur CHARPENTIER - Mthodes numriques en Finance
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
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
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
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
52
80
60
0
20
40
60
40
0
20
80
100
100
50
100
150
200
50
Impact de la volatilit
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
0.10
50
100
150
200
50
150
200
150
100
50
0
50
100
150
200
200
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
53
6.12
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
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
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
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
Arthur CHARPENTIER - Mthodes numriques en Finance
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)
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 )
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
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
57
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
50
100
150
50
100
5:150
150
5:150
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
2
S2
S02
2
21 2 2 0 .
= 1 + 2 2
S0 + K
S0 + K
Arthur CHARPENTIER - Mthodes numriques en Finance
58
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
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
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 ,
Arthur CHARPENTIER - Mthodes numriques en Finance
59
d(log St ) =
2
r S
2
dt + S dWtr +
1 2 S dWts ,
6.16
15.27 4.05
11.22
=
0.624
59.79 41.81
17.98
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
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
7.33 9.38
10.25(par anne),
1/5
60
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
0.017
0.018
0.019
0.020
Convergence du Gamma
20
40
60
80
100
5:100
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
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
6.20
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
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
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
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
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
64
2
0
2
4
Figure 37: Deux arbres adaptatifs, pour une option de type all-or-nothing gauche, ou
barrire droite.
6.23
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 .
Arthur CHARPENTIER - Mthodes numriques en Finance
65
4.80
1.230
4.82
1.235
1.240
4.84
1.245
4.86
1.250
4.88
100
200
300
400
100
200
300
400
10
0
10
20
10
10
20
20
20
10
15
20
10
15
20
66
0.003
0.002
0.000
0.001
PRIX.CALL[10:150]
0.004
20
40
60
80
100
120
140
10:150
6.24
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
6.25
67
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
(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
Arthur CHARPENTIER - Mthodes numriques en Finance
68
7
7.1
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
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
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
Arthur CHARPENTIER - Mthodes numriques en Finance
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
Z
f (Xs )dXs =
f (As )Ks ds +
0
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 ,
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
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
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
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
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
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
Z
|t0 |dt
+
0
t2 dt < .
Vt () = V0 () +
s dSs pour tout t [0, T ].
0
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 ).
Arthur CHARPENTIER - Mthodes numriques en Finance
73
2
St = S0 exp
t + Wt ,
2
aussi, si le payoff de loption scrit sous la forme (ST K)+ (call europens),
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) ,
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.
74
8.1
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
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)
+
.
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
Arthur CHARPENTIER - Mthodes numriques en Finance
8.3
75
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
g
S
S
g
S.
S
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
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
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
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
(9)
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
79
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
8.7
8.8
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
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
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
8.9
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
h 1 2 2 2 2 h
h
+ S M
+ rSM 1
rM h = 0,
2
t
2
z
z
82
S
M max 1
,0
.
M
8.10
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
On suppose ici que la volatilit est stochastique. Plus prcisment, lquation du diffusion du
prix est de la forme
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
8.12
Le modle de Bates
8.13
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.
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
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
x1 + 2x2 + 3x3 =
2x2 + 4x3 =
5x2 + 12x3 =
La seconde quation de ce systme sert alors de pivot
x1 + 2x2 + 3x3
x2 + 2x3
2x3
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))
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
1
1
DL
D + U = K M,
A=
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])
(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
(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, ...
Arthur CHARPENTIER - Mthodes numriques en Finance
(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
(r k )0 Az k
,
(z k )0 Az k
(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
89
0.0
0.2
0.4
0.6
0.8
1.0
0.0
0.2
0.4
0.6
0.8
1.0
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
9.3
Recherche doptimums
9.4
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
n
Y
1
( xj ).
kk kf (n+1) k , o () =
(n + 1)!
j=0
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
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
1.0
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
1.0
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
i=0
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.
Z
K1 (t) = ((x t)+ ) =
+1
1
(x t)+ dx 2(t)+ = (1 t)2 ,
2
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
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!
...
0
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 ,
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
94
f (xn+1 ) f (xn )
.
xn+1 xn
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 =
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
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
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
10
96
10
10.1
u(xi ) u(xi1 )
u(xi ) u(xi1 )
ui ui1
=
=
,
xi xi1
hi1
hi1
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 )
2
1
Dh = 2
h
ui+1 i ui ui1
hi
hi1
2
..
.
.. ..
.
.
..
. 2 1
1 2
(0)
..
10
97
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
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)
10.3
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,
Arthur CHARPENTIER - Mthodes numriques en Finance
10
99
8
6
localisation (x)
6
2
localisation (x)
10
Schma explicite
10
Schma implicite
10
temps (t)
10
temps (t)
10.4
2 1
1 2 1
1 2
1
..
2
h
.
(0)
..
.. ..
.
.
..
. 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.
Arthur CHARPENTIER - Mthodes numriques en Finance
10
100
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 =
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
= 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
ui,j+1 2ui,j + ui,j1
fi,j .
t
h2
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
e0,j = 0
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)
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.
Arthur CHARPENTIER - Mthodes numriques en Finance
102
Esp
a
Te
mp
Te
mp
10
Esp
ce
Te
Te
mp
mp
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
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
Esp
a
Te
Te
mp
s
mp
s
10
Esp
ce
Te
Te
mp
mp
ace
Esp
a
Esp
ce
ace
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
= fi,j .
2t
h2
10.6
La notion de consistance
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
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
Proposition 66. Dans le cas dun -schma, si [0, 1/2[ alors le schma est stable si
t
h2
.
2(1 2)
10.8
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 ) +
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
i=1,...,I1
{|ei |} 0 quand h 0,
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
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
3 5
1 0
3 5
=
6 7
2 1
0 3
| {z } | {z }| {z }
M
i1
X
1
yi =
bi
Li,j xj , i.e.
Li,i
j=1
yi
n
X
!
Ui,j xj
, i.e.
j=i+1
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
y1 = (1 + 2)
yk = (1 + 2) 2 /yk1 , pour k = 2, ..., n
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
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 }
1
(b(xi , tj ) + [ui1,j+1 + ui+1,j+1 ]),
1 + 2
(13)
1
(b(xi , tj ) + uki1,j+1 + uki+1,j+1 ),
1 + 2
(14)
10
109
1
(b(xi , tj ) + ui1,j+1 )k+1 + uki+1,j+1 ).
1 + 2
(15)
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
10.11
schma de Crank-Nicolson
+
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
Arthur CHARPENTIER - Mthodes numriques en Finance
10
110
10.12
schma de De Fort-Frankel
t
h
2 u(x, t)
+ O(h2 ) + O((t)2 ).
t2
10.13
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
temps (t)
temps (t)
0.0
0.2
0.4
0.6
0.8
1.0
Temps (t)
20
10
40
20
Prix (x)
60
30
40
80
50
100
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
0.0
0.2
0.4
0.6
0.8
1.0
Temps (t)
80
100
10
112
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.
10
113
10
15
20
25
10
10
20
15
30
20
40
25
50
20
40
60
80
100
10
114
8
7
5
14
12
8
10
16
18
50
100
150
200
50
100
150
200
10
20
30
40
50
10
20
30
40
50
20
40
60
80
100
20
40
60
80
100
10
115
10
20
30
40
40
60
80
10
20
30
40
50
60
70
20
20
40
60
80
100
120
10.14
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
(k 1)rt
.
2
10
116
100
0
50
100
150
200
50
100
150
Prix du sousjacent
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
10
117
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
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
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
10.16
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
0.6
0.4
0.0
0.2
0.8
1.0
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
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
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
0.50
200
400
600
800
1000
200
400
600
800
1000
10.17
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
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
10
121
100
0
50
100
150
200
50
100
150
Prix du sousjacent
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
10.18
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
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
(18)
10
122
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
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
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}.
Arthur CHARPENTIER - Mthodes numriques en Finance
10
123
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
20
40
60
80
100
Prix du sousjacent
20
40
60
80
100
Prix du sousjacent
1
par la moyenne gomtrique, exp
log St dt .
T 0
10.21
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
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.
Arthur CHARPENTIER - Mthodes numriques en Finance
10
124
10.22
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
|Su | du
n1
.
En notant que le prix est suppos toujours positif, on peut alors noter In,t le processus
Z
In,t =
0
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
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
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
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)
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.
Arthur CHARPENTIER - Mthodes numriques en Finance
11
127
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
11
11.1
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}
L(V)
L(V)
= 1/d .
k
n
11
128
0.5
0.0
0.5
1.0
1.0
0.5
0.0
0.5
1.0
1.0
1.0
0.5
0.0
0.5
1.0
1.0
0.5
0.0
0.5
1.0
4.5
4.0
3.6
3.4
3.5
3.0
3.2
3.8
4.0
5.0
50
100
150
200
(Nombre de points)^(1/2)
20
40
60
80
(Nombre de points)^(1/2)
11
129
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
0.2
0.4
0.6
0.8
1.0
0.0
0.2
0.4
0.6
0.8
1.0
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
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
0.55
0.60
0.65
0.70
0.75
0.80
0.85
h(u)du
h
kf k .
0
n
n 2n
j=1
h(u)du In
kf 00 k ,
12n2
0
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
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.
Arthur CHARPENTIER - Mthodes numriques en Finance
11
131
0.9
0.8
0.7
0.6
0.5
0.0
0.2
0.4
0.6
0.8
1.0
1.0
0.0
0.2
0.4
0.6
0.8
1.0
200
400
600
800
1000
Nombre de subdivisions
0.4
0.6
0.8
0.6
1.0
0.8
1.0
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
11
132
0.5
0.0
0.5
1.0
1.0
0.5
0.0
0.5
1.0
1.0
1.0
0.5
0.0
0.5
1.0
1.0
0.5
0.0
0.5
1.0
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
4.5
4.0
3.6
3.4
3.5
3.0
3.2
3.8
4.0
5.0
50
100
150
200
20
40
60
80
(Nombre de points)^(1/3)
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
1.0
0.0
0.2
0.4
0.6
0.8
1.0
0.0
0.2
0.4
0.6
0.8
1.0
u1/2 Vn
Sn
, o u1/2 = 1 (1 /2).
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).
Arthur CHARPENTIER - Mthodes numriques en Finance
11
135
0.5
0.6
0.7
0.8
0.9
1.0
200
400
600
800
1000
Nombre de subdivisions
0.4
0.6
0.8
0.6
1.0
0.8
1.0
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
1.0
1.0
0.5
0.0
0.5
1.0
1.0
0.5
0.0
0.5
1.0
4.5
4.0
3.6
3.4
3.5
3.0
3.2
3.8
4.0
5.0
50
100
150
200
20
40
60
80
(Nombre de points)^(1/3)
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)
11.2
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
Arthur CHARPENTIER - Mthodes numriques en Finance
11
138
0.0
0.2
0.2
0.4
0.4
0.6
0.6
0.8
0.8
10
15
20
0.2
0.4
0.6
0.8
Indice
0.5
0.0
0.5
1.0
1.0
0.5
0.0
0.5
1.0
1.0
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
4.5
4.0
3.6
3.4
3.5
3.0
3.2
3.8
4.0
5.0
50
100
150
200
20
40
60
80
(Nombre de points)^(1/3)
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.
Arthur CHARPENTIER - Mthodes numriques en Finance
11
11.3
140
Mthodes de simulation
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 ) ,
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
Arthur CHARPENTIER - Mthodes numriques en Finance
11
141
1
1
1
= =
,
2
J1 (t (u, v) , (u, v))
t
u + v2
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
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)))
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
(26)
est un processus (Xt )t[0,T ] qui approche suffisement (Xt )t[0,T ] solution de lquation (26).
Arthur CHARPENTIER - Mthodes numriques en Finance
11
143
1.0
0.5
20
0.0
40
0.5
60
1.0
80
1.5
100
2.0
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
0.0
0.2
0.4
0.6
0.8
1.0
0.0
0.2
0.4
0.6
0.8
1.0
11
144
(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
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
X0
= X0 ,
(n)
(n)
(n)
(n)
(n)
(n)
(n)
(n)
(n)
(n)
(n)
(n)
(n)
(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
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)
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
ti1
ti1
(n)
(n)
(n)
(n)
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
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
Z ti Z s
Z
dWy dWs +
ti1
ti
ti
ti
ti
ti1
dWy dWs + i
ti1
ti
dWy dWs +
ti1
ti1
(dWs )2
11
147
X0
= X0 ,
...
(n)
(n)
(n)
(n)
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
11.6
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) {
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
11.5
12.0
2000
4000
6000
8000
10000
Nombre de simulations
Figure 87: Valeur dun call europen, mthode de Monte Carlo classique.
0.005
0.4
0.010
0.6
0.020
0.8
1.0
0.050
1.2
0.100
1.6
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
11
149
0.001
0.002
0.002
0.005
0.004
0.010
0.008
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
0.06
0.08
0.10
0.12
0.14
6
Temps
10
11
150
Processus dOrnsteinUhlenbeck
0.00
0.05
0.10
10
Temps
11.7
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
11
151
10
20
30
40
50
10
15
10
15
10
15
5.0
12
5.5
14
6.0
16
6.5
18
7.0
10
10
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
6.5
2000
4000
6000
8000
10000
2000
Nombre de simulations
4000
6000
8000
10000
Nombre de simulations
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
153
Vo
lati
Ma
tu
Ma
tu
rit
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
rit
Vo
lati
lit
Figure 96: Erreur de discrtisation, option fixed strike lookback option avec le schma
dEuler gauche, et de Millstein droite.
11
154
C
(FX (x) , FY (y)) .
v
(27)
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
400
0
200
Frequency
400
200
0
Frequency
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
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
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
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
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
11
158
0.0
0.0
0.2
0.1
0.4
0.2
0.6
0.3
0.8
0.4
1.0
0.0
0.2
0.4
0.6
0.8
1.0
11.11
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
Arthur CHARPENTIER - Mthodes numriques en Finance
11
159
0.0
0.0
0.2
0.1
0.4
0.2
0.6
0.3
0.8
1.0
0.0
0.2
0.4
0.6
0.8
1.0
0.0
0.0
0.2
0.1
0.4
0.2
0.6
0.8
0.3
1.0
0.0
0.2
0.4
0.6
0.8
1.0
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)
..
..
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
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
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.
Arthur CHARPENTIER - Mthodes numriques en Finance
11
161
0.51
0.50
0.49
0.47
0.48
Corrlation
0.52
0.53
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.
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
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
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
2
0
2
4
Figure 109: Simulation de trajectoires de browniens, avec un brownien positivement corrl (en rouge) et ngativement corrl (en vert).
11
163
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
10
5
0
15
1.0
0.5
0.0
0.5
1.0
Corrlation
12
164
3.0
2.5
1.5
2.0
2.5
1.5
2.0
Impact du paramtre b
3.0
3.5
3.5
500
1000
1500
Nombre de simulations
500
1000
1500
Nombre de simulations
Figure 112: Valorisation dun call europen volatilit stochastique, avec plusieurs b
gauche, et plusieurs droite.
12
12.1
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
+
Arthur CHARPENTIER - Mthodes numriques en Finance
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
10
5
0
15
15
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
12.2
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
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
1
b
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.
Arthur CHARPENTIER - Mthodes numriques en Finance
12
167
11.0
10.5
10.0
9.0
9.5
11.5
12.0
2000
4000
6000
8000
10000
Nombre de simulations
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)
Ssim=s*exp(T*(r-0.5*sigma2 ) + sigma sqrt(T ) X)
12.4
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)/
Arthur CHARPENTIER - Mthodes numriques en Finance
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 )
1 X
0
=
h (Vi )
bIS
4n i=1
Arthur CHARPENTIER - Mthodes numriques en Finance
12
169
11.0
10.5
10.0
9.0
9.5
11.5
12.0
2000
4000
6000
8000
10000
Nombre de simulations
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
V ar(g(U )) =
0
Arthur CHARPENTIER - Mthodes numriques en Finance
z 2(1) e2z dz 2 .
12
170
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
c
1 c2
Zt = exp 2 t + Wt .
2
E(g(ST )) = Z0 EQ
En notant que
St = S0 exp
g(ST )
ZT
1 2
t ,
r + c t + W
2
12
171
Zt = exp
1 c2
c
t + Wt ,
2 2
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
12
172
12.5
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()
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)
Ssim=s*exp(T*(r-0.5*sigma2 ) + sigma sqrt(T ) X)
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
12.0
5000
10000
15000
20000
25000
nombre de simulations
5000
10000
15000
20000
25000
nombre de simulations
12.6
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
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
12.0
5000
10000
15000
20000
25000
5000
nombre de simulations
10000
15000
20000
25000
nombre de simulations
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
12.0
5000
10000
15000
20000
25000
nombre de simulations
5000
10000
15000
20000
25000
nombre de simulations
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
0.6
0.2
0.0
0.2
0.4
0.6
Valeur du drift
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))
Arthur CHARPENTIER - Mthodes numriques en Finance
12
176
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
12
177
0.0
0.0
0.2
0.2
0.4
0.4
0.6
0.6
0.8
0.8
1.0
1.0
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
12.0
2000
4000
6000
8000
10000
Nombre de simulations
2000
4000
6000
8000
10000
Nombre de simulations
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
0.4
0.2
12
12.8
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
+ = 1
s + u = t
2
s + 2s + 2 u + 2 = t
12
179
0.959
0.960
0.961
0.962
0.963
5000
10000
15000
Nombre de simulations
p
ut
, = 1 et = (t s),
us
(u t)(t s)
Z.
us
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
Approximation de lintgrale
0.2
Approximation de lintgrale
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
n
m1
X
X
exp(rT )
t
St K
.
n
T k=0 k
i=1
+
12
182
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
12.10
12
183
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
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
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 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).
Arthur CHARPENTIER - Mthodes numriques en Finance
12
184
2
0
2
4
Induction forward
Induction forward
2
0
2
4
Induction forward
Induction forward
2
0
2
4
Induction backward
Induction backward
2
0
2
4
Induction forward
Induction backward
12
185
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
12.12
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
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
Arthur CHARPENTIER - Mthodes numriques en Finance
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
200
400
600
800
1000
10000
20000
30000
40000
50000
1:nsim
Nombre de simulations
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
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
Arthur CHARPENTIER - Mthodes numriques en Finance
12
187
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
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
50
100
150
200
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
0.24
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
1.65 0.29
0.00 0.56
0.81
0.29 0.75 0.04 0.56
0.36
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
0.55 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
0.55 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
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
(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
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
0.0
0.2
0.4
0.6
0.8
1.0
1
0
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
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
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
13
13.1
14
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.
Arthur CHARPENTIER - Mthodes numriques en Finance
14
192
OPTIONS AMRICAINES
0.5
0.0
0.5
1.0
1.0
1.0
0.5
0.0
0.5
1.0
0.0
0.2
0.4
0.6
0.8
1.0
0.0
0.2
0.4
0.6
0.8
1.0
14.1
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
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
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
14
194
OPTIONS AMRICAINES
14.4
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
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 ]
14
195
OPTIONS AMRICAINES
40
20
0
20
40
60
60
0.0
0.2
0.4
0.6
0.8
1.0
0.0
0.2
0.4
0.6
0.8
1.0
5
4
3
2
1
0
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
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
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
.
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
C (S, K, T ) =
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) +
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
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
C (S, K, T ) =
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)
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 )
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.
Arthur CHARPENTIER - Mthodes numriques en Finance
14
198
OPTIONS AMRICAINES
14.9
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)]}}.
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
20
40
60
80
100
120
140
20
40
60
80
100
120
140
14.10
14.11
u=exp((r 0.5 2 )h +
t)
2
d=exp((r-0.5* )h t)
Arthur CHARPENTIER - Mthodes numriques en Finance
14
199
OPTIONS AMRICAINES
40
0
20
Prix du sousjacent
60
80
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
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 .
Arthur CHARPENTIER - Mthodes numriques en Finance
14
200
OPTIONS AMRICAINES
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
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
14
201
OPTIONS AMRICAINES
14.14
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
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,
ui gi ,
14
202
OPTIONS AMRICAINES
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
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
Arthur CHARPENTIER - Mthodes numriques en Finance
14
203
OPTIONS AMRICAINES
Frontire dexercice
50
Prix du sousjacent
30
40
Prix de loption
10
60
12
70
14
40
45
50
55
60
S(0)
0.0
0.2
0.4
0.6
0.8
1.0
Temps
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)
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
gi gi,j+1
M
gi
14.15
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
14
205
OPTIONS AMRICAINES
14.16
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
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
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
9.5
2000
4000
6000
8000
10000
2000
nombre de simulations
4000
6000
8000
10000
nombre de simulations
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
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
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
!
n
1X X
Zt (k) erZt (k)t It (k)
n k=1
t
14
208
OPTIONS AMRICAINES
20
40
60
80
100
50
100
150
200
Temps
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
10
15
20
25
30
prix
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
Nombre de simulations
20
40
60
80
100
50
100
150
200
Temps
14
211
OPTIONS AMRICAINES
14.19
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
14.20
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
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
0.0
0.2
0.4
0.6
0.8
1.0
14.22
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.
Arthur CHARPENTIER - Mthodes numriques en Finance
14
213
OPTIONS AMRICAINES
(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
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
parmi lensemble des fontions f telles que E(f (Sti )2 ) < (en toute rigueur, cet espace
dpend de la date ti ).
Arthur CHARPENTIER - Mthodes numriques en Finance
14
214
OPTIONS AMRICAINES
On se donne alors une base (hi,k )kN de fonctions qui forme une base de L2i . Alors
i (x) =
k=1
!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 )
k=1
!
i,k hi,k (Sti ) .
k=1
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
Remarque 113. Par soucis de simplicit, on peut prendre une base de fonction (hk ) qui
ne dpende pas de la date ti .
Arthur CHARPENTIER - Mthodes numriques en Finance
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
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 .
Arthur CHARPENTIER - Mthodes numriques en Finance
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
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.
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
ELEMENTS BIBLIOGRAPHIQUES
218
15
ELEMENTS BIBLIOGRAPHIQUES
219
15
ELEMENTS BIBLIOGRAPHIQUES
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.