Vous êtes sur la page 1sur 35

Mémoire de Master de Mathématiques,

option Probabilités et Modèles Aléatoires

Pierre-Alain SALLARD

14 avril 2011
Remerciements

Je remercie M. le Professeur Lorenzo ZAMBOTTI d'avoir accepté d'encadrer ce travail et de m'avoir


incité à explorer les applications en nance de la Théorie des Grandes Déviations.
Résumé
Dans le présent mémoire, quelques applications à la nance de la théorie des probabilités sont explorées.

La première partie est basée sur l'ouvrage Financial Modelling with Jump Processes de R.Cont et
P.Tankov ([CT04]). Je me concentre ici sur la question du pricing de produits dérivés quand l'actif
sous-jacent est modélisé à partir d'un processus de Lévy, et plus spéciquement sur la caractérisation
de la mesure risque-neutre d'entropie minimale (si elle existe).

La seconde partie est basée sur l'article Some applications and methods of large deviations in nance
and insurance de H. Pham ([Pha07]). Des nombreux exemples étudiés dans l'article, je n'en présente
ici qu'un seul, où les méthodes de la théorie des grandes déviations permettent d'améliorer le calcul
du prix d'une option barrière par simulation de Monte-Carlo.
Table des matières
I Détermination du prix d'une option quand l'actif sous-jacent est modélisé
par un processus de Lévy 2
1 Introduction 3
1.1 Les actifs nanciers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Portefeuille et stratégies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Produits dérivés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.4 Absence d'opportunité d'arbitrage et mesure risque-neutre . . . . . . . . . . . . . . . . 4
1.5 Pricing d'un produit dérivé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.6 Couverture des produits dérivés et marché complet . . . . . . . . . . . . . . . . . . . . 5

2 Les processus de Lévy : dénitions et résultats généraux 6


2.1 Dénitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2 Décomposition de Lévy-Ito . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.3 Formule de Lévy-Khintchine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.4 Conditions d'intégrabilité et moments . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.5 Processus de Lévy et martingales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.6 Exponentielle d'un processus de Lévy . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.7 Exemples de processus de Lévy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

3 Changements de mesures pour les processus de Lévy 12


3.1 L'espace canonique et les changements de mesures . . . . . . . . . . . . . . . . . . . . 12
3.2 Opportunités d'arbitrage et complétude du marché . . . . . . . . . . . . . . . . . . . . 14
3.2.1 Cas d'un processus de Lévy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.2.2 Cas d'un processus de Lévy-exponentiel . . . . . . . . . . . . . . . . . . . . . . 16

4 L'ensemble des prix admissibles d'une option 17


5 Processus de Lévy et mesure martingale d'entropie minimale 19
5.1 La MMEM d'un processus de Lévy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
5.2 La MMEM d'un processus de Lévy-exponentiel . . . . . . . . . . . . . . . . . . . . . . 21
5.3 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
5.4 Le prix d'une option européenne sous la MMEM dans un modèle de Lévy-exponentiel 23
5.5 Pourquoi le choix de la mesure martingale d'entropie relative minimale ? . . . . . . . . 23

II Une application en nance de la théorie des grandes déviations 25


6 Présentation d'une méthode de Monte-Carlo corrigée pour le calcul d'options bar-
rières 26
6.1 Description du modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
6.2 Amélioration de la simulation de Monte-Carlo . . . . . . . . . . . . . . . . . . . . . . . 27
6.3 Application numérique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

7 Développement asymptotique de la probabilité de sortie du pont brownien 30

1
Première partie

Détermination du prix d'une option


quand l'actif sous-jacent est modélisé par
un processus de Lévy

2
Chapitre 1

Le formalisme des modèles de marchés


nanciers
Ce chapitre ne fait que rappeler le formalisme des modèles de marchés nanciers et quelques dé-
nitions classiques, d'après les chapitres 2, 8 (section 8.1) et 9 (section 9.1) de [CT04].

1.1 Les actifs nanciers


Un modèle de marché nancier est déni à partir d'un espace de probabilité (Ω, F , P) muni d'une
ltration (Ft )t∈[0,T ] (où T est un horizon de temps ni) satisfaisant les conditions habituelles de
continuité à droite et de complétude. On suppose qu'il y a sur le marché d + 1 actifs nanciers dont
0 1 d
l'évolution des prix est donnée par un processus stochastique (St )t∈[0,T ] = (St , St , . . . , St )t∈[0,T ] à

valeurs dans R
d+1 i
: cela signie dont que St (ω) représente la valeur de l'actif i au temps t dans le
scénario de marché ω .
L'actif numéroté 0 représente un placement sans risque (donc non aléatoire). Le cas classique est
0
celui d'une obligation zéro-coupon délivrant un taux d'intérêt instantané r : St = exp(r t).
Cet actif sans risque permet notamment d'actualiser les prix des actifs (changement de numéraire) :
le prix actualisé du i-ème actif est par dénition :

Sti
Ŝti ,
St0
Par la suite, on prendra souvent r = 0, de sorte que le processus stochastique d-dimensionnel
S= (S 1 , . . . , S d ) représente les prix actualisés des d actifs nanciers que l'on veut modéliser.

1.2 Portefeuille et stratégies


On considère donc un marché avec d actifs dont les prix (actualisés) sont modélisés par le processus
stochastique S = (S 1 , . . . , S d ). Un portefeuille φt désigne les quantités φ1t , . . . , φdt que l'on détient de
chacun des actifs au temps t.
Une stratégie de gestion est dénie comme le processus (stochastique) φ = (φt )t∈[0,T ] qui décrit
l'évolution du portefeuille (les variations de φ correspondent aux achats et aux ventes des actifs).
On impose (cf. [CT04] section 8.1) à toute stratégie de gestion d'être prédictible.
Rt
L'intégrale stochastique
0 φs dSs représente le capital accumulé (potentiellement négatif !) entre les
temps 0 et t si l'on suit la stratégie de gestion φ. Si l'on a démarré au temps 0 avec un capital initial c0
dont on s'est servi pour se constituer un portefeuille de départ φ0 (de sorte que c0 = φ0 .S0 ), le capital
Rt
total constitué au temps t en suivant la stratégie φ vaut c0 +
0 φs dSs .
Comme la valeur du portefeuille au temps t vaut Vt (φ) , φt .St , l'écart entre ces deux quantités
représente le coût de la stratégie φ jusqu'au temps t. Une stratégie est dite auto-nancée si ce coût est

3
(presque sûrement) nul, i.e. si :
Z t
φt .St = c0 + φs dSs (1.2.1)
0
L'équation (1.2.1) signie simplement que la seule source de variation de la valeur du portefeuille vient
des variations des actifs : toutes les opérations de gestion sont nancées par des gains en capital, le
gain tiré de la vente d'une quantité ∆φi d'actif i est réinvesti en achetant une quantité ∆φj d'actif j
sans qu'il y ait d'entrée ou de sortie de cash (hormis au temps 0).

1.3 Produits dérivés


En toute généralité, un produit dérivé (ou option ) d'un sous-jacent S est décrit par une variable
aléatoire H : Ω → R , FT -mesurable dépendant de S qui représente la valeur terminale de ce produit
dérivé. On pourra donc écrire :

H = g(S)
avec g une fonction dénie sur l'ensemble des scénarios et à valeurs réelles.

Une option européenne a pour forme H = g(ST ) (avec g : Rd → R). Les exemples les plus simples
sont ceux d'un call (H = (STi − K)+ ) et d'un put (H = (K − ST ) ) sur l'actif S de strike K et de
i + i

maturité T.

1.4 Absence d'opportunité d'arbitrage et mesure risque-neutre


L'absence d'opportunité d'arbitrage est un prérequis usuel pour la description d'un marché nancier
(on dit alors que le marché est viable ). Le théorème suivant permet de relier cette notion nancière à
une propriété mathématique du modèle qui est censée représenter le marché nancier :

Théorème 1.1 (Fundamental theorem of asset pricing ). Le modèle de marché déni par l'espace
de probabilité ltré (Ω, F , (Ft ), P) et où les prix des actifs sont représentés par (St )t∈[0,T ] présente
une absence d'opportunité d'arbitrage (AOA) si et seulement si il existe une mesure de probabilité Q
équivalente à P telle que les prix (actualisés) (St )t∈[0,T ] sont des Q-martingales.

Démonstration. Voir [CT04] section 9.1.

Une telle mesure est appelée mesure martingale équivalente ou encore mesure risque-neutre pour
S. On notera
MRN (S) = {Q : S est une Q-martingale et Q ∼ P} (1.4.1)

l'ensemble de toutes les mesures risque-neutres pour S.

1.5 Pricing d'un produit dérivé


Tout produit dérivé H a une valeur sur le marché et devient donc lui-même un actif nancier (on
peut vendre ou acheter un call avant sa date de maturité). Notons Πt (H) son prix (actualisé) à l'instant
t; on a évidemment à la date de maturité : ΠT (H) = H .
Si l'on fait l'hypothèse d'AOA, la proposition 9.1 de [CT04] montre que nécessairement Πt (H) doit
s'écrire
Πt (H) = EQ [H|Ft ] (1.5.1)

pour une mesure Q ∈ MRN (S).


Évaluer le prix d'une option revient donc à identier une mesure risque-neutre et à
calculer l'espérance de l'option sous cette mesure risque-neutre.

4
1.6 Couverture des produits dérivés et marché complet
La notion de couverture parfaite est un autre concept fondamental dans les mathématiques nan-
cières. Étant donné des actifs (St ), un produit dérivé H de sous-jacent S et un capital initial c0 , la
stratégie (φt ) est appelée stratégie de couverture (ou couverture parfaite ) pour H si elle permet de
répliquer H , i.e. en termes mathématiques :

Z T
H = c0 + φs dSs , P-p.s. (1.6.1)
0

Le marché modélisé par (Ω, F , (Ft ), P) et (St )t∈[0,T ] est dit complet si tout produit dérivé H admet
une stratégie de couverture. S'il n'est pas possible de trouver une stratégie de couverture, le marché
est dit incomplet.

Le théorème suivant établit une équivalence entre la notion nancière de marché complet et une
propriété mathématique du modèle :

Théorème 1.2 fundamental theorem of asset pricing ). Un marché déni par des actifs
(Second
S = (St1 , . . . , Std )t∈[0,T ] ,
décrits comme un processus stochastique sur (Ω, F , (Ft ), P), est complet si
et seulement si il existe une unique mesure risque-neutre.

Démonstration. Voir [CT04] section 9.1.

Quand le marché est complet, l'ensemble MRN (S) déni par (1.4.1) est alors réduit à un singleton
∗ ∗
{Q }. En prenant l'espérance dans (1.6.1), il vient que c0 = EQ [H], ce qui fournit le capital initial
que devra recevoir l'emetteur de l'option pour mettre en ÷uvre une stratégie de couverture. Et par

ailleurs, par (1.5.1), le prix de l'option sera ensuite donné par : Πt (H) = EQ [H|Ft ] avec bien sûr
Π0 (H) = c0 = E Q∗ [H] et ΠT (H) = H .

Ce n'est que dans les modèles les plus simples (tel que le modèle de Black & Scholes) que le marché
est complet. Dans un marché incomplet (mais respectant l'AOA),
 il n'existe donc pas de stratégie de couverture parfaite d'une option H,
 et il n'y a pas une seule mais plusieurs mesures risque-neutres : pour évaluer le prix d'une
option selon (1.5.1), il va falloir faire un choix d'une mesure risque-neutre particulière au sein
de MRN (S).

5
Chapitre 2

Les processus de Lévy : dénitions et


résultats généraux
Dans les premiers modèles de marché nancier (typiquement le modèle Black-Scholes ou plus géné-
ralement les processus de diusion), les prix des actifs ont une propriété remarquable : les trajectoires
sont continues. Or, comme le fait remarquer [CT04] dans son chapitre introductif, le prix des actions
connait parfois des mouvements brusques, le plus souvent vers le bas (crash boursier) : des disconti-
nuités peuvent donc apparaître dans les trajectoires.

L'intérêt des processus de Lévy est de fournir une classe de processus discontinus, tout en étant
ƒfacilement‚ manipulables d'un point de vue mathématique.
Une seconde justication de l'intérêt des processus de Lévy apparaît a posteriori : quand ils sont
utilisés dans des modèles de pricing d'options, ils conduisent à des courbes de volatilité implicite
dont les propriétés (smile, skewness, etc.) correspondent bien à celles observées empiriquement sur les
marchés.

Les processus de Lévy ont fait leur apparition dans les mathématiques nancières en 1963 quand
Mandelbrot les utilisa pour modéliser les prix du coton (cf. l'introduction du chapitre 7 de [CT04]).

Nous ne rappelons ci-dessous que les dénitions et les principales propriétés des processus de Lévy
nécessaires pour la suite ; une présentation complète est donnée dans [CT04] ou dans [Sat99].

2.1 Dénitions
Dénition 2.1. Soit X = (Xt )06t6T un processus stochastique adapté déni sur un espace de proba-
bilité ltré (Ω, F , (Ft ), P) et à valeur dans Rd . On l'appelle processus de Lévy s'il vérie les conditions
suivantes :
1. incréments indépendants : pour toute suite croissante de temps t0 , t1 , . . . , tn , les variables aléa-
toires Xt0 , Xt1 − Xt0 , . . . , Xtn − Xtn−1 sont indépendants.
2. accroissements stationnaires (ou homogénéité temporelle) : la loi de la variable aléatoire Xt+s −Xs
ne dépend pas de s.
3. continuité stochastique : ∀ > 0, lim P (kXt+h − Xt k > ) = 0.
h→0
4. X0 = 0 presque-sûrement.
5. (Xt ) est un processus càdlàg (continu à droite avec limite à gauche), au sens où chacune de ses
trajectoires (t −→ Xt (ω)) est une fonction càdlàg.

La propriété de continuité stochastique (point 3), qui est parfaitement compatible avec la pro-
priété 5, vise uniquement à exclure de l'ensemble des processus de Lévy les processus qui auraient des
sauts (des discontinuités) à des temps xes (non aléatoires).

6
Les processus de Lévy peuvent être vus comme une généralisation pour des temps continus des
processus à temps discrets que sont les marches aléatoires, i.e. les sommes de variables aléatoires
indépendantes.

Dénition 2.2 (Mesure de Lévy). Soit (Xt )06t6T avec T > 1 un processus de Lévy à valeurs dans
Rd . La mesure ν sur Rd dénie par :

∀A ∈ B(Rd ), ν(A) = E[#{t ∈ [0, 1] tel que ∆Xt 6= 0 et ∆Xt ∈ A}]

est appelée mesure de Lévy de X ; ν(A) est le nombre moyen par unité de temps de sauts de X dont
l'amplitude est dans A.

La mesure ν d'un processus de Lévy vérie (cf. [Sat99], théorème 8.1) :


Z
ν({0}) = 0 et (|x|2 ∧ 1)ν(dx) < ∞ (2.1.1)
Rd

Dénition 2.3 (Mesure de sauts d'un processus de Lévy). À tout processus càdlàg (Xt )t∈[0,T ] à valeurs
dans Rd on peut associer une mesure aléatoire JX sur [0, T ]×Rd , appelée mesure de sauts de X , dénie
par : X
JX (ω, .) = δt,∆Xt (ω)
t∈[0,T ],∆Xt (ω)6=0

de sorte que, si A est un sous-ensemble mesurable de Rd , JX (ω, [0, t] × A) est égal au nombre de sauts
de la trajectoire X(ω) intervenus entre les temps 0 et t et dont l'amplitude est dans A.
Si X est un processus de Lévy de mesure de Lévy ν , alors sa mesure de sauts JX est une mesure
aléatoire de Poisson, de mesure d'intensité ν(dx)dt.

2.2 Décomposition de Lévy-Ito


Proposition 2.1 .
Soit X = (Xt )06t6T un processus de Lévy à valeurs
(Décomposition de Lévy-Ito)
dans Rd ,
de mesure de Lévy ν et de mesure de sauts JX . Alors il existe un vecteur γ ∈ Rd et un
mouvement brownien d-dimensionnel (Bt )t>0 de matrice de covariance Σ tels que
Xt = γt + Bt + Xtl + lim X̃t , où (2.2.1)
&0
Z
Xtl = xJX (ds × dx) et
|x|>1,s∈[0,t]
Z

X̃t = x{JX (ds × dx) − ν(dx)ds}
6|x|61,s∈[0,t]
Z
≡ xJ˜X (ds × dx)
6|x|61,s∈[0,t]

La décomposition de Lévy-Ito montre que pour chaque processus de Lévy, il existe un vecteur γ,
une matrice dénie positive Σ et une mesure positive ν qui déterminent sa distribution. On appelle
triplet caractéristique du processus de Lévy en question le triplet (Σ, ν, γ).

Quand on considère un processus de Lévy à valeurs réelles (cas où d = 1), la matrice de covariance
Σ se réduit au seul paramètre σ 2 de la variance du mouvement brownien. On note alors le triplet
caractéristique sous la forme (σ 2 , ν, γ).

La décomposition de Lévy-Ito montre également que tout processus de Lévy peut être vu comme
la superposition d'un mouvement brownien avec dérive (cf. le terme γt + Bt ) et d'une d'une somme
possiblement innie de processus de Poisson composés, indépendants entre eux.

7
Remarque : réciproquement, la donnée de :
 un vecteur γ ∈ Rd ,
 une matrice dénie positive Σ
 une mesure ν d
sur R (ou sur Rd \{0}) vériant (2.1.1)
sut à dénir un processus de Lévy.

2.3 Formule de Lévy-Khintchine


Théorème 2.1 (Formule de Lévy-Khintchine). Soit (Xt )06t6T un processus de Lévy à valeurs dans
Rd de triplet caractéristique (Σ, ν, γ). Alors sa fonction caractéristique (i.e. la transformée de Fourier
de sa loi de distribution) E[eiz.Xt ] s'écrit :

E[eiz.Xt ] = etψ(z) , ∀z ∈ Rd
Z
1
avec ψ(z) = iγz − z.Σz + eiz.x − 1 − iz.x.1|x|61 ν(dx)

(2.3.1)
2 Rd

Remarque : la fonction ψ est appelée exposant caractéristique du processus X. Il sera parfois


utile de faire intervenir l'exposant de Laplace κ déni au moins pour z ∈ C avec <(z) = 0 par
κ(z) = ψ(−iz) de sorte que :

Z
1
κ(z) = ψ(−iz) = γz + σ 2 z 2 + {ez.x − 1 − z.x.1|x|≤1 }ν(dx) (2.3.2)
2 R

2.4 Conditions d'intégrabilité et moments


Proposition 2.2. Soit (Xt )t>0 un processus de Lévy à valeurs réelles, de triplet caractéristique (σ2 , ν, γ).
R t est intégrable pour un t donné (ou de façon équivalente pour tout t > 0) si et seulement si
X
|x|>1 |x|ν(dx) < ∞. !
Z
Dans ce cas, E[Xt ] = t γ + xν(dx)
|x|>1

Démonstration. Comme rappelé dans [CT04], la condition d'intégrabilité est démontrée par le Théo-
rème 25.3 de [Sat99]. Si cette condition est vériée, l'expression de l'espérance de Xt est obtenue par
diérentiation de sa fonction caractéristique :

1 ∂
E[eiz.Xt ] z=0 = E[Xt ] (par diérentiation directe)

i ∂z
1
= t ψ 0 (0) etψ(0) (d'après la formule de Lévy-Khintchine)
i Z
= t (γ + xν(dx)) (d'après l'expression de ψ )
|x|>1

Un autre résultat utile par la suite concerne le moment exponentiel de X :

Proposition 2.3. Soit (Xt )t>0 un processus de Lévy à valeurs réelles de triplet caractéristique (σ 2 , ν, γ)
et d'exposant caractéristique ψ . Pour tout u ∈ R, le moment exponentiel E[eu.Xt ] est ni pour un t
donné (ou de façon équivalente pour tout t > 0) si et seulement si |x|>1 eu.x ν(dx) < ∞. Dans ce cas,
R

E[eu.Xt ] = et ψ(−i.u) .

Preuve : voir [CT04], section 3.6.

8
2.5 Processus de Lévy et martingales
Comme évoqué au chapitre 1, la notion de martingale (et ses corrolaires : sous- et sur-martingale,
semi-martingale) est cruciale pour la théorie des probabilités et ses applications en mathématiques
nancières.

Proposition 2.4 (cf. [CT04], section 8.1.1) . Soit X = (Xt )t>0 un processus de Lévy. Alors (Xt )t>0
est une semi-martingale.

Démonstration. Avec les notations de la proposition 2.1,



 (Bt )t>0 est une martingale (trivial) de même que (Xt )t>0 (ceci apparaît incidemment dans la
démonstration de la décomposition de Lévy-Ito).
(γt)t>0 et le processus (Xtl )t>0 sont des processus à variation nie.
 la dérive
On peut donc écrire Xt = Mt + At , ∀t > 0 où (Mt ) est une martingale (même de carré intégrable) et
(At ) est un processus à variation nie, ce qui montre bien que (Xt ) est une semi-martingale.

Remarque : Puisqu'un processus de Lévy X est une semi-martingale, la théorie de l'intégration


stochastique s'applique à lui : il est donc légitime de considérer des processus aléatoires du type
Z T
φs dXs où (φt )t>0 est un processus adapté.
0
En mathématiques nancières, si (Xt ) représente l'évolution du cours d'un actif et si (φt ) réprésente
la quantité de cet actif détenue par un investisseur au cours du temps, alors l'intégrale (stochastique)
Rt
( 0 φs dXs )t>0 représente l'évolution de la valeur du portefeuille de cet investisseur.

La proposition suivante indique à quelle condition un processus de Lévy est une martingale :

Proposition 2.5 (cf. [CT04], section 3.9). Soit (Xt ) un processus de Lévy sur R de triplet caractéris-
tique (σ 2 , ν, γ).
(Xt ) est une martingale si et seulement si
R
|x|≥1R |x|ν(dx) < ∞
et γ + |x|≥1 xν(dx) = 0

Démonstration. Nous donnons ici une preuve plus directe que dans [CT04]. Par dénition d'une mar-
tingale, (Xt ) est une martingale si et seulement si ∀t, Xt est intégrable et ∀t, ∀s, E[Xt+s − Xs |Fs ] = 0
Or, d'après la proposition 2.2 : ∀t, Xt est intégrable si et seulement si
R
|x|≥1 |x|ν(dx) < ∞.
Par ailleurs, par la dénition 2.1 d'un processus de Lévy, Xt+s − Xs est indépendant de Fs et
   
suit la même loi que Xt donc E[Xt+s − Xs |Fs ] = 0 ⇔ E[Xt ] = 0 et cette dernière expression est
R
elle-même équivalente à γ +
|x|≥1 xν(dx) = 0 d'après la proposition 2.2.

2.6 Exponentielle d'un processus de Lévy


Dénition 2.4. Soit X un processus de Lévy à valeurs réelles. On appelle :
 exponentielle ordinaire de Lévy le processus Y déni par : ∀t > 0, Yt = Y0 .eXt (avec Y0 ∈ R).
 exponentielle stochastique de Lévy le processus Z solution de l'EDS : dZt = Zt− .dXt , avec la
condition initiale Z0 = 1.

Remarque : L'intérêt pour les mathématiques nancières de considérer l'exponentielle d'un proces-
sus stochastique (ici processus de Lévy) est le suivant. Si on considère un actif nancier dont l'évolution
du prix est modélisée par un processus (St )t>0 , sa valeur absolue n'a pas d'intérêt particulier et c'est
sa variation qui est importante (exemple : savoir que l'action Eurotunnel vaut aujourd'hui 1 euro ou
100 euros n'apporte pas beaucoup d'information si on ne sait pas quelle était sa valeur hier). On est
dSt
donc bien plus intéressé par son rendement instantané dρt déni par : dρt = (?).
St−
Si l'on se place dans un cadre d'analyse classique, alors l'équation (?) permet d'écrire ρ sous la
forme : ρt = log(St ) et donc notre actif S s'écrit comme l'exponentielle ordinaire du processus ρ :

9
St = S0 .eρt . C'est à ce processus rendement ρ que l'on va pouvoir demander d'être un processus à
sauts (à calibrer de façon adéquate). Accessoirement, l'exponentielle garantit que la valeur de l'actif
reste positive (une condition de réalisme pour un actif nancier telle qu'une action ou un taux de
change, d'intérêt, etc.) même si les sauts de ρ sont extrêmement négatifs.
Si l'on se place dans un cadre d'analyse stochastique, alors l'équation (?) indique (voir [JS02],
chapitre 1, section 4f ) que S est l'exponentielle stochastique (ou encore exponentielle de Doléans-Dade)
de ρ, solution de l'EDS dSt = St− .dρt .

Reprenons les notations de la dénition 2.4 : X est en toute généralité une semi-martingale donc :
 Y également, en tant qu'image par une fonction C2 (ici l'exponentielle) de la semi-martingale X
(cf. la formule d'Ito rappelée par [JS02], chapitre 1, théorème 4.57) ;
Rt
 Z également, en tant qu'intégrale stochastique (Zt = 1+ 0 Zs− .dXs , que l'on note aussi E(Xt ))
de la semi-martingale X (cf. [JS02], chapitre 1, section 4f ).

La proposition suivante (cf. [CT04] section 8.4) indique sous quelles conditions l'exponentielle simple
d'un processus de Lévy est une martingale.

Proposition 2.6. Soit (Xt ) un processus de Lévy sur R de triplet caractéristique (σ 2 , ν, γ). Alors son
exponentielle simple Y = eX est une martingale si et seulement si
Z
ex ν(dx) < ∞ (2.6.1)
|x|≥1
σ2
Z
et +γ+ {ex − 1 − x.1|x|61 }ν(dx) = 0 (2.6.2)
2 R

Démonstration. Nous donnons ici une preuve plus directe que dans [CT04].
eXt si et seulement si x ν(dx)
R
D'une part, est intégrable
|x|≥1 e <∞ d'après la proposition 2.3.
D'autre part,

E[eXt+s |Fs ] = eXs ⇔ E[eXt+s −Xs |Fs ] = 1 car Xs est Fs -mesurable


⇔ E[eXt+s −Xs ] = 1 par indépendance des incréments
Xt
⇔ E[e ] = 1 par stationnarité des incréments

⇔ ψ(−i) = 0 d'après la proposition 2.3


σ2
Z
⇔ + γ + {ex − 1 − x.1|x|61 }ν(dx) = 0 d'après la formule de Lévy-Khintchine
2 R

Remarque : si κ est l'exposant de Laplace de X, alors la condition (2.6.1) (i.e. eXt est intégrable)
équivaut à κ(1) < ∞ tandis que (2.6.2) équivaut à : κ(1) = 0.

Pour l'exponentielle stochastique, on a la condition susante suivante :

Proposition 2.7. Soit X un processus de Lévy et Z = E(X) son exponentielle stochastique. Si X est
une martingale (voir la proposition 2.5) alors Z est également une martingale.

Démonstration. Voir la preuve de la proposition (8.23) de [CT04].

10
2.7 Exemples de processus de Lévy
Les processus de Lévy utilisés en mathématiques nancières appartiennent à l'une des deux caté-
gories suivantes :

1. les modèles de diusion avec sauts ;

2. les modèles à activité innie.

Dans la première catégorie, le prix de l'actif (ou son logarithme) évolue comme un processus de
diusion ponctué de sauts à intervalles aléatoires qui représentent des événements rares (avec donc un
Nt
X
nombre de sauts ni pendant tout intervalle de temps) : Xt = γt + σBt + Yi , avec (Nt ) un processus
i=1
de Poisson (d'intensité λ) et (Yi ) des variables aléatoires i.i.d. Selon la loi des ces v.a. représentant les
sauts, on obtient des modèles diérents dont les deux plus fréquemment rencontrés sont :
 le modèle de Merton, où les sauts (Yi ) suivent une loi gaussienne N (µ, δ 2 ). La mesure de Lévy
du processus vaut alors
λ (x − µ)2
ν(x) = √ exp(− )
δ 2π 2δ 2
 le modèle de Kou, où les sauts (Yi ) suivent une loi exponentielle asymétrique, de sorte que la
mesure de Lévy du processus est de la forme

+ x) − x)
ν(x) = λ pc+ e−(µ 1x>0 + (1 − p)c− e−(µ

1x<0

Dans la seconde catégorie, il n'y a plus besoin d'introduire une composante brownienne car il y a
susamment de petits sauts (une innité pendant tout intervalle de temps) pour générer des processus
non triviaux. Deux modèles sont là-aussi fréquemment rencontrés :
 le modèle Variance-Gamma, où la mesure de Lévy du processus est de la forme

CeAx−B|x|
ν(x) =
|x|

 le modèle Normal Inverse Gaussien, où la mesure de Lévy du processus est de la forme

C Ax
ν(x) = e K1 (B|x|) où K1 est la fonction de Bessel de second ordre d'indice 1
|x|

Le chapitre 4 de [CT04] détaille les caractéristiques et les atouts de ces diérents modèles.

Quand on se donne une série de prix d'un actif particulier (ex : la valeur du CAC 40 pendant 3 mois)
et qu'on veut la modéliser par un processus de Lévy prédéni (ex : modèle de Kou), on mettra en ÷uvre
des tests statistiques pour déterminer les paramètres de ce modèle (i.e. les constantes µ, λ, A, B, C , etc.
apparaissant ci-dessus) : cf. le chapitre 7 de [CT04].

11
Chapitre 3

Changements de mesures pour les


processus de Lévy
Nous présentons ici quelques résultats du chapitre 9 de [CT04] utiles pour la suite.

3.1 L'espace canonique et les changements de mesures


La dénition 2.1 d'un processus de Lévy X fait intervenir un espace de probabilités (Ω, F , P) sur
lequel X est déni. Jusqu'ici nous n'avions pas détaillé l'existence et la nature de cet espace mais il est
usuel de prendre l'espacecanonique (aussi dénommé espace de Skorokhod, voir section 2.4 de [CT04]) :
 Ω = D , D([0, ∞[, Rd ) l'espace des fonctions càdlàg dénies sur [0, ∞[ à valeurs dans Rd ; on
le munit de la topologie de Skorokhod qui en fait un espace métrique complet séparable (voir
[JS02] chapitre VI) ;
 F est la tribu borélienne dénie sur D à partir de cette topologie.

Dans cet espace canonique, les variables aléatoires ω sont les fonctions càdlàg elles-mêmes et un
processus stochastique X sur Ω peut être déni comme le processus coordonnées : Xt (ω) , ω(t).
(Ω, F ) étant un espace mesurable, on peut dénir des mesures de probabilités sur cet espace.
Si, sous une mesure de probabilités P donnée, le processus coordonnées X satisfait les conditions
d'accroissements indépendants et stationnaires décrites dans la dénition 2.1, alors X est par dénition
un processus de Lévy. S'il y a besoin d'insister sur la mesure sous laquelle on travaille, on écrira que
(X, P) est un processus de Lévy.

Revenons à la problématique d'un marché nancier : en vue de statuer sur l'existence d'opportunités
d'arbitrage (cf théorème 1.1 page 4) et sur la complétude du marché (cf théorème 1.2 page 5), il
est nécessaire de s'intéresser aux changements de mesures sur l'espace canonique (Ω, F ) muni d'une
probabilité historique P. Plus précisément, on va s'intéresser :
 à l'étude de l'existence de mesures équivalentes à P
 à l'étude de l'ensemble MRN (X) (déni par (1.4.1)) des mesures équivalentes à P sous lesquelles
X est une martingale.

On rappelle le résultat classique :

Proposition 3.1. Soient P et Q deux mesures de probabilité sur l'espace (ici canonique) Ω telles que
Q soit absolument continue par rapport à P. Alors il existe une P-martingale (unique à l'indistingabilité
près) Z strictement positive telle que :
dQ|Ft
∀t ∈ R+ , Zt =
dP|Ft
Z est appelé processus de densité de Q par rapport à P, ou encore dérivée de Radon-Nikodym de Q par
rapport à P.

12
Démonstration. Voir [JS02] chapitre III (p.166).

Réciproquement, si l'on se donne une martingale (Zt ) strictement positive dénie sur (Ω, F , P),
alors on dénit une nouvelle mesure de probabilité Q sur Ω absolument continue par rapport à P en
posant :
∀A ∈ Ft , Q(A) = EP [Zt .1A ] (3.1.1)

Un changement particulier de mesure, appelé transformée d'Esscher, mérite l'attention. Soit (Xt )
Run processus de Lévy, de triplet caractéristique (σ 2 , ν, γ). Pour tout θ ∈ R tel que E[eθXt ] < ∞ (i.e.
θx ν(dx)
< ∞ d'après la proposition 2.3), on
|x|>1 e peut dénir le changement de mesure, appelé

transformée d'Esscher, par (cf. [CT04] section 9.5) :

dQθ |Ft eθXt


, = exp(θXt − κ(θ)t) (3.1.2)
dP|Ft E[eθXt ]

où Z
1
κ(θ) = ψ(−iθ) = γθ + σ 2 θ2 + {eθx − 1 − θx.1|x|≤1 }ν(dx) (3.1.3)
2 R

Remarque : si la transformée de Laplace E[eθXt ] est bien dénie, la formule de Lévy-Khintchine


assure que E[eθXt ] = eκ(θ)t et il est alors aisé de montrer que (exp(θXt − κ(θ)t))t>0 est bien une
P-martingale (méthode similaire à celle employée dans la proposition 2.6) strictement positive.

Le théorème suivant montre l'intérêt de la transformée d'Esscher :

Théorème 3.1. Telle que dénie par (3.1.2), Qθ est une mesure équivalente à P. De plus, sous Qθ ,
(Xt ) reste un processus de Lévy de triplet caractéristique ((σ θ )2 , ν θ , γ θ ) avec
 σθ = σ
 ν θ = eθx ν(dx) (la transformée d'Esscher revient à une déformation exponentielle de la mesure
de Lévy) R1
 γ θ = γ + θσ 2 + −1 x(eθx − 1)ν(dx)

Démonstration. Voir [Shi99] section VII.3c.

Remarque A : l'exposant de Laplace κθ du processus de Lévy de triplet caractéristique ((σθ )2 , ν θ , γ θ )


s'écrit :
κθ (z) = κ(z + θ) − κ(θ) (3.1.4)

où κ(θ) est donné par (3.1.3)

Démonstration. En substituant (σ θ )2 , ν θ et γθ par leurs expressions données au théorème 3.1, on


obtient :
 Z  Z
θ 2 1
κ (z) = γ + θσ + x(e − 1)1|x|61 ν(dx) z + σ 2 z 2 + {ezx − 1 − zx1|x|61 }eθx ν(dx)
θx
R 2 R
z 2 Z
= γz + σ 2 (θ + ) + {(ezx − 1)eθx − zx1|x|61 }ν(dx)
2 R

On trouve par ailleurs sans diculté que κ(z + θ) − κ(θ), calculé par l'expression de κ donnée par
(3.1.3), est égal au terme de droite de la dernière équation.

Remarque B : si, pour un certain θ, (X, Qθ ) est une martingale, on qualiera Qθ de transformée
d'Esscher martingale.

13
3.2 Opportunités d'arbitrage et complétude du marché
3.2.1 Cas d'un processus de Lévy
La proposition (9.8) de [CT04], qui fait elle-même référence aux théorèmes 33.1 et 33.2 de [Sat99]
stipule que :

Proposition 3.2. Soient (X, P) et (X, P0 ) deux processus de Lévy sur R de triplets caractéristiques
(σ 2 , ν, γ) et (σ 02 , ν 0 , γ 0 ).
Alors P|Ft et P0 |Ft sont équivalentes pour tout t si et seulement si
1. σ = σ 0
2. les deux mesures de Lévy ν et ν 0 sont équivalentes sont équivalentes et que :
Z
(eφ(x)/2 − 1)2 ν(dx) < ∞ (3.2.1)
R
0
où φ(x) = ln( dν
dν )
3. et si σ = 0 (pas de composante Brownienne), alors il vaut que la relation suivante soit vériée :
Z
γ0 − γ = x(ν 0 − ν)(dx) (3.2.2)
|x|≤1

On en tire alors la proposition suivante :

Proposition 3.3 .
Considérons un marché nancier déni par
(AOA avec composante brownienne)
un processus stochastique S sur (Ω, F , (Ft ), P) tel que (S, P) soit un processus de Lévy de triplet
caractéristique (σ 2 , ν, γ) avec σ 6= 0. Alors il y a absence d'opportunité d'arbitrage sur le marché :
MRN (S) 6= ∅.

Démonstration. Supposons tout d'abord que |x|≥1 |x|ν(dx) < ∞. On considère alors le processus de
R

Lévy X de même composante brownienne et de même mesure de Lévy que S mais avec un drift
0
0 2 0
permettant de vérier la condition (2.5), i.e. X est le processus de triplet caractéristique (σ , ν, γ )
0
R 0
X est une mesure
avec γ +
|x|≥1 xν(dx) = 0 : c'est donc une martingale. D'après la proposition 3.2, P
0
équivalente à
RP PX ∈ MRN (S), ce qui montre l'AOA.
: on a donc
Si on a
|x|≥1 |x|ν(dx) = ∞, on va faire d'abord un changement de mesure de Lévy en posant
x2
ν 0 (dx) = e ν(dx) (ce qui correspond à φ(x) = −x2 dans la proposition 3.2 ci-dessus). Le processus
2 0
de Lévy de triplet caractéristique (σ , ν , γ) dénit alors une probabilité équivalente à P. Comme de
2 2
x < 1 il vient que |x|≥1 |x|ν 0 (dx) = |x|≥1 |x|.ex ν(dx) < |x|≥1 ν(dx) < ∞ : on est donc
R R R
plus ∀x, |x|.e

ramené au cas ci-dessus et il ne reste plus qu'à adapter le drift γ pour obtenir une mesure martingale
0

équivalente.

Le cas où la composante brownienne est nulle est plus délicat. On a alors le résultat suivant :

Proposition 3.4 (AOA sans composante brownienne). Considérons un marché nancier déni par
un processus stochastique S sur (Ω, F , (Ft ), P) tel que (S, P) soit un processus de Lévy de triplet
caractéristique (0, ν, γ). Alors il y a absence d'opportunité d'arbitrage sur le marché (MRN (S) 6= ∅) si
et seulement si S n'est pas p.s. croissant ni p.s. décroissant.

Démonstration. Nous n'avons pas trouvé de démonstration de ce résultat dans la littérature consultée,
dans laquelle c'est uniquement le cas du modèle de Lévy-exponentiel qui est traité (cf. section suivante).
Nous proposons ici une preuve calquée sur celle du modèle de Lévy-exponentiel donnée par [CT04]
section 9.5.
ˆCondition nécessaire : revenons à la notation canonique (S = X ) et supposons que X est croissant
presque-sûrement. Alors la mesure PX qu'il dénit sur l'espace canonique a son support contenu dans
l'ensemble C des fonctions croissantes. Toute mesure Q équivalente à PX aura nécessairement elle aussi

14
R R
son support contenu dans C ∀t > s, EQ [Xt ] = C ω(t)dQ(ω) > C ω(s)dQ(ω) = EQ [Xs ] ,
et on a alors :
ce qui montre qu'il est impossible que X soit une Q-martingale.
ˆCondition susante : S est donc processus de Lévy R de triplet caractéristique (0, ν, γ) et on peut
θx
supposer sans perte de généralités que pour tout θ ,
|x|≥1 |x|.e ν(dx) < ∞. Si ce n'est pas le cas,
on commencera comme dans la proposition précédente par faire un premier changement de mesure
2
équivalente avecν 0 (dx) = ex ν(dx). Pour un θ ∈ R quelconque à ce stade, on va appliquer la transformée
θ
d'Esscher de paramètre θ : d'après le théorème 3.1, Q est une mesure équivalente à P et (S, Q ) est
θ
θ θ θ
un processus de Lévy de triplet caractéristique (0, ν , γ ). Pour que (S, Q ) soit une martingale, il faut
que les conditions de la proposition (2.5) soit vériée, i.e. :

Z
θ
γ + xν θ (dx) = 0
|x|≥1

ce qui s'écrit, d'après l'expression de ν θ et γ θ du théorème 3.1 :


Z
γ + (x.eθx − x1|x|61 )ν(dx) = 0
R

Pour prouver la proposition, il faut donc montrer que l'équation f (θ) = 0 admet une solution, où f
est la fonction : Z
f (θ) = γ + (x.eθx − x1|x|61 )ν(dx)
R

f 0 (θ) = 2 .eθx )ν(dx)


R
Par convergence dominée, f est continue et dérivable. Sa dérivée est positive :
R (x >
0 donc f est croissante.
R +∞ R0
Pourθ > 0, on a f 0 (θ) > 0 x2 ν(dx) et pour θ 6 0, on a f 0 (θ) > −∞ x2 ν(dx).
+ − 0
Donc si ν(R ) > 0 et ν(R ) > 0 alors pour tout θ ∈ R on peut minorer f (θ) par un nombre
0 +∞ 0
x2 ν(dx) , −∞ x2 ν(dx)) > 0 ) : on en déduit donc
R R
strictement positif (en l'occurence f (θ) > min(
0
que lim f (θ) = +∞ et lim f (θ) = −∞ : il existe bien une solution (unique) à l'équation f (θ) = 0.
θ→+∞ θ→−∞

Il reste à traiter le cas où ν R+ ou sur R− et par


est concentré sur symétrie, on ne va considérer
− θx
R
que le premier cas (i.e. que des sauts positifs : ν(R ) = 0). L'expression de f : f (θ) = γ + R+ (x.e −
x1|x|61 )ν(dx) montre qu'on a toujours lim f (θ) = +∞.
θ→+∞
La limite en −∞ est plus délicate : on a

Z 1
lim f (θ) = lim {γ + (x.eθx − x)ν(dx)} (3.2.3)
θ→−∞ θ→−∞ 0

et deux cas se présentent :


R1
 si
0 xν(dx) = +∞ (S est alors à variation innie), alors lim f (θ) = −∞ et il existe encore
θ→−∞
une solution à l'équation
R1 f (θ) = 0 R1
 si
0 xν(dx) < +∞ (S est alors à variation nie), alors lim f (θ) = γ − 0 xν(dx). L'équation
θ→−∞
R1
f (θ) = 0 n'a une solution que si cette quantité γ− 0 xν(dx) est négative. Puisque S est alors à
R1
variation nie, la proposition 3.1 de [CT04] montre que cette quantité γ− 0 xν(dx) est le drift
de S (avec la fonction de troncature nulle). L'équation f (θ) = 0 n'a une solution que si S est à
sauts positifs mais à drift négatif, donc si S n'est ni croissant ni décroissant p.s.

Dans tous les cas de gures, si S n'est ni croissant ni décroissant p.s., on peut donc trouver une
solution à f (θ) = 0, c'est-à-dire trouver une transformée d'Esscher qui soit une mesure risque-neutre
pour S.

Remarque : puisqu'une composante brownienne non nulle (σ 6= 0) garantit au processus de Lévy


de n'être ni croissant ni décroissant, les deux propositions ci-dessus peuvent être réunies et on a alors :

15
un marché nancier modélisé par un processus de Lévy S est viable si et seulement si S n'est pas
croissant p.s. ni décroissant p.s.

Considérons la question de la complétude du marché. On a le résultat suivant :

Proposition 3.5. Soit un marché nancier modélisé par un processus de Lévy S qui a la propriété
d'AOA. Alors le marché est incomplet sauf si S est l'un des deux processus suivants :
 St = γt + σBt , où B est un mouvement brownien standard et σ 6= 0 ;
 St = γt + σNλt , où N est un processus de Poisson d'intensité λ et σγ < 0.

Démonstration. [CT04], comme plusieurs autres ouvrages, indique simplement que les processus de
Lévy conduisent en général à un marché incomplet mais sans fournir de démonstration. La proposition
3.2 laisse eectivement supposer un tel résultat : si S est un processus de Lévy de triplet caractéristique
(σ 2 , ν, γ) avec σ 6= 0, alors on peut modier très librement la mesure de Lévy puis adapter le drift pour
faire du nouveau processus de Lévy une martingale (comme dans la preuve de la proposition 3.3 ci-
dessus). On pressent alors qu'il est possible de construire beaucoup de mesures martingales équivalentes
mais cela ne permet pas de montrer exactement le résultat de la proposition.

La preuve formelle est fournie par [YdSL78]  auquel nous sommes remontés via [JYC09] puis
[CS02]  qui prouve le résultat suivant : supposons que (Xt )t>0 soit une martingale telle que, pour tout
s > 0, le processus (Xt )t>0 ait la même loi que(Xt+s − Xt )t>0 . Alors toute FtX -martingale locale nulle
à l'origine peut être représentée comme une intégrale stochastique par rapport à X si et seulement si
X est un mouvement brownien ou un processus de Poisson compensé. Or par dénition, la propriété
de représentation est synonyme de complétude du marché, ce qui montre bien le résultat.

3.2.2 Cas d'un processus de Lévy-exponentiel


Exponentielle stochastique
Proposition 3.6. Considérons un marché nancier déni par un processus stochastique S sur (Ω, F , (Ft ), P)
tel que S = E(X) soit l'exponentielle stochastique d'un processus de Lévy X . Alors il y a absence d'op-
portunité d'arbitrage sur le marché (MRN (S) 6= ∅) si et seulement si X n'est pas p.s. croissant ni p.s.
décroissant. Dans ce cas, le marché est incomplet sauf si X est soit un mouvement brownien soit un
processus de Poison compensé.

Démonstration. C'est une conséquence directe de ce qui est montré dans la section précédente, en
R
utilisant le fait que si (X, Q) est une martingale alors S = S0 + SdX est aussi une Q-martingale.

Exponentielle ordinaire
Proposition 3.7. Considérons un marché nancier déni par un processus stochastique S sur (Ω, F , (Ft ), P)
tel que S = eX soit l'exponentielle ordinaire d'un processus de Lévy X . Alors il y a absence d'oppor-
tunité d'arbitrage sur le marché (MRN (S) 6= ∅) si et seulement si X n'est pas p.s. croissant ni p.s.
décroissant. Dans ce cas, le marché est incomplet sauf si X est soit un mouvement brownien soit un
processus de Poison compensé.

Démonstration. Vu son importance pour les mathématiques nancières, ce cas est souvent traité dans la
littérature. La condition d'AOA est montrée par [CT04] proposition 9.9 : la démonstration de l'existence
d'une mesure risque-neutre dans le cas où X n'a pas de composante brownienne est similaire en tout
point à celle de la proposition 3.4 avec juste une fonction f (θ) diérente (pour être exact, c'est l'inverse :
dans la preuve de la proposition 3.4, nous avons répliqué la preuve de [CT04] avec une fonction f (θ)
diérente !).
L'incomplétude du marché sauf dans les deux cas triviaux (mouvement brownien et processus de
Poisson compensé) est, comme ci-dessus, une conséquence du résultat de [YdSL78].

16
Chapitre 4

L'ensemble des prix admissibles d'une


option
On se place donc ici dans le cadre d'un marché nancier :
 où l'évolution du prix des actifs est décrit par un processus stochastique S déni sur un espace
de probabilité ltré (Ω, F , (Ft ), P),
 et où ce marché respecte la condition d'AOA mais est incomplet (MRN (S) n'est pas réduit à un
singleton).

Soit H = g(S) une option de sous-jacent S. Comme le marché est incomplet, il n'y a pas un seul
prix admissible pour H et l'ensemble des prix admissibles

IeH , {EQ [H], Q ∈ MRN (S)} (4.0.1)

contient plus d'un élément.

On peut déjà remarquer que IeH est un intervalle : MRN (S) est un ensemble convexe (de mesures
sur (Ω, F )) et à H xé, l'application

MRN (S)−→ R
Z
Q 7−→EQ [H] = H.Q(dω)

est linéaire donc continue. IeH étant l'image de MRN (S) par cette application, c'est lui-même un
ensemble convexe de R donc un intervalle.

On a vu au chapitre 1 que si H est une option européenne, on peut écrire : H = g(ST ). Si l'on
impose à g les conditions suivantes :

g est convexe et ∀x > 0 , 0 6 g(x) 6 x

alors IeH est un intervalle inclus dans [g(S0 ), S0 ]


Démonstration. Borne basse : pour tout Q ∈ MRN (S)p, le processus g(St ) est une Q-sous-martingale
Q Q
du fait de la convexité de g ; il vient alors que E [H] = E [g(ST )] > g(S0 ) ;
Borne haute : par la majoration de g par la fonction identité, g(ST ) 6 ST et en prenant l'espérance
sous toute mesure martingale Q, H 6 S0 .

Le cas d'un call avec un prix d'exercice K, i.e. g(x) = (x − K)+ , est dans ce cas de gure.

Cet intervalle [g(S0 ), S0 ] est très grand et on peut se demander si on peut améliorer l'encadrement
de IeH . Si ce n'est pas le cas, alors S0 est un prix admissible pour l'option mais on voit bien que
ce n'est pas économiquement réaliste : le prix demandé pour un call serait le prix du sous-jacent et

17
un investisseur, plutôt que d'acheter un call, gagnerait ou perdrait autant s'il achetait directement le
sous-jacent.
Malheureusement, en toute généralité, on ne peut pas réduire plus l'intervalle des prix admissibles :
l'article [EJ97] cité dans la proposition 10.2 de [CT04] montre que IeH est exactement [g(S0 ), S0 ]
quand S est un processus de Lévy-exponentiel vériant certaines hypothèses (sauts négatifs de taille
arbitraire, etc.)

Pour évaluer le prix (pricer ) une option, i.e. sélectionner un prix parmi l'intervalle des prix admis-
sibles, plusieurs approches sont proposées (cf [CT04] section 10.2 et suivantes) :
 prix de super-réplication (superhedging cost ),
 prix d'indiérence pour une fonction d'utilité prédénie,
 sélection d'une mesure risque-neutre qui est optimale au regard d'un critère prédéni.
C'est cette dernière approche que nous développons dans le chapitre suivant, où le critère retenu
est la minimisation de l'entropie relative.

18
Chapitre 5

Processus de Lévy et mesure martingale


d'entropie minimale
Dans [CT04] section 10.5, l'existence et la caractérisation d'une mesure martingale d'entropie mi-
nimale pour un processus de Lévy-exponentiel sont fournies brutalement, et le lecteur est renvoyé
aux références citées pour la démonstration. Nous nous proposons d'expliciter ce résultat, en suivant
[ES05] et [HS06] qui mettent en avant de façon très claire les liens entre mesure martingale d'entropie
minimale et transformée d'Esscher martingale (telle que dénie dans la remarque B en page 13). Nous
traitons aussi le cas des processus de Lévy (non exponentiels) qui sont `négligés' dans les documents
précités. Ceci constitue la principale contribution de la première partie du présent mémoire.
On considère un actif dont le prix au cours du temps est donné par un processus stochastique
(St )t>0 déni sur (Ω, F , (Ft ), P) :
 on traitera d'abord le cas où (St ) est un processus de Lévy,
 on verra que la méthode convient aux processus de Lévy-exponentiels : soit l'exponentielle ordi-
naire d'un processus de Lévy ((St ) = exp(Xt ), et(Xt ) est un processus de Lévy), soit l'exponen-
tielle stochastique d'un processus de Lévy (dSt = St− dXt ).
et on souhaite identier une mesure risque-neutre particulière pour S an d'évaluer le prix de tous
produits dérivés de sous-jacent S (cf chapitre précédent).

On se propose ici de sélectionner la mesure martingale d'entropie minimale (MMEM), i.e. la mesure
Qent sur (Ω, F ) telle que

dQent
 
H H (Q|P)
ent
(Qent |P) , EQ ln( ) = inf
dP Q∈MRN (S)

dQ
Pourquoi minimiser l'entropie plutôt que toute autre fonctionnelle de ? Une justication propo-
dP
sée par [CT04] est la suivante : en théorie de l'information, l'entropie mesure la perturbation apportée
à un système ; ici, choisir la mesure martingale d'entropie minimale revient à arriver dans une situation
risque-neutre en ajoutant le moins d'information possible au modèle initial. On verra aussi à la n une
autre justication, où la recherche de la MMEM apparaît comme le problème dual d'une optimisa-
tion d'une fonction d'utilité exponentielle (...mais si l'on reste au stade de la demande de justication
des choix opérés, on est ramené à justier le choix de l'exponentielle plutôt que toute autre fonction
d'utilité...).

Rappelons tout d'abord la dénition et deux propriétés de l'entropie relative d'une mesure par
rapport à une autre :

Proposition 5.1. Soient P et Q deux mesures de probabilités. L'entropie relative de Q par rapport à
P est dénie par :   
EQ ln( dQ ) si Q  P
H(Q|P) , dP (5.0.1)
+∞ sinon

19
L'entropie relative vérie les deux propriétés suivantes :
 positivité : H(Q|P) > 0
 règle de composition pour trois mesures P, Q1 et Q2 :
dQ2
H(Q1 |P) = H(Q1 |Q2 ) + EQ1 [ln( )] (5.0.2)
dP
Démonstration. La positivité se montre grâce à l'inégalité : ln(x) > 1 − 1
x (qui vient elle-même de :
1
ln(x) 6 x − 1 et en remplaçant x par ). On a alors :
x

  " # " #
Q dQ Q 1 P dQ 1
E ln( ) > E 1 − dQ = E (1 − dQ )
dP dP
dP
 dP
dQ
= EP −1
dP
| {z }
=1 par la proposition 3.1

=0

La seconde propriété se montre immédiatement en écrivant :

dQ1 dQ1 dQ2


= .
dP dQ2 dP
puis en prenant successivement le logarithme puis l'espérance sous Q1 .

Enn, un argument de convexité montre que si la MMEM existe, elle est unique. L'ensemble
MRN (S) est en eet convexe, de même que la fonction Q 7−→ H (Q|P).

5.1 La MMEM d'un processus de Lévy


Soit (St ) est ici un processus de Lévy, de triplet caractéristique (σ 2 , ν, γ) sous P (et d'exposant
de Laplace κ). Eectuons un changement de mesure par transformation d'Esscher de paramètre θ
quelconque pour l'instant mais vériant E[e
θXt ] < ∞ :

dQθ |Ft
, exp(θSt − κ(θ)t) cf. (3.1.2)
dP|Ft

On a vu que, sous Qθ , S reste un processus de Lévy de triplet caractéristique ((σ θ )2 , ν θ , γ θ ) dont


l'expression est donnée dans le théorème 3.1. Pour que S θ
soit une Q -martingale, il faut et il sut (cf.
la proposition 2.5) que θ = θ̄ avec :
Z
|x|ν θ̄ (dx) < ∞ (5.1.1)
|x|≥1
Z
θ̄
et γ + xν θ̄ (dx) = 0 (5.1.2)
|x|≥1

L'équation (5.1.1) est équivalente (cf. la proposition 2.3) à :

EP [|St |eθ̄St ] < ∞ (5.1.3)

et en remplaçant γ θ̄ et ν θ̄ par leurs expressions données au théorème 3.1, il vient que (5.1.2) est
équivalente à :
κ0 (θ̄) = 0 (5.1.4)

Remarque : κ0 désigne classiquement la fonction dérivée de κ ; on a ainsi montré que si l'on choisit
la valeur θ̄ qui annule la dérivée de κ, alors Qθ̄ est une mesure martingale pour S.

20
On a même bien plus :

Théorème 5.1. Soit (St ) un processus de Lévy de triplet caractéristique (σ 2 , ν, γ). On note κ son
exposant de Laplace :

κ(θ) = γθ + 12 σ 2 θ2 + R {eθx − 1 − θx.1|x|≤1 }ν(dx)


R

S'il existe θ̄ qui vérie les conditions (5.1.3) et (5.1.4) alors il existe une mesure martingale équivalente
d'entropie minimale (MMEM) pour S qui est dénie comme la mesure Qθ̄ transformée d'Esscher de
paramètre θ̄ (Qθ̄ est la transformée d'Esscher martingale pour X).
L'entropie de cette mesure MMEM vaut H(Qθ̄t |Pt ) = −κ(θ̄)t

Démonstration. On suppose donc qu'il existe θ̄ qui vérie les conditions (5.1.3) et (5.1.4). D'après ce
qui a été vu plus haut, la mesure de probabilités Qθ̄ obtenue par transformée d'Esscher de paramètre
θ̄ est une mesure martingale pour S : Q
θ̄ ∈ MRN (S). Par ailleurs, grâce à l'expression de sa dérivée
de Radon-Nikodym :
dQθ̄ |Ft
, exp(θ̄St − κ(θ̄)t)
dP|Ft
son entropie relative par rapport à P s'écrit simplement :

H (Qθ̄ |P) = EQ [θSt − κ(θ̄)t]


θ̄

= −κ(θ̄)t

puisque S est une Qθ̄ -martingale nulle à l'origine.


On peut alors
θ̄
montrer que Q minimise l'entropie relative sur MRN (S) :

∀Q ∈ MRN (S), H (Q|P) = H (Q|Qθ̄ ) + EQ [θ̄St − κ(θ̄)t] par la règle de composition (5.0.2)

= H (Q|Q ) − κ(θ̄)t
θ̄
par hypothèse sur Q (i.e. S est une martingale sous Q )

> −κ(θ̄)t (car l'entropie est toujours positive) = H (Qθ̄ |P)

5.2 La MMEM d'un processus de Lévy-exponentiel


Considérons maintenant le cas où le prix de l'actif S est modélisé par l'exponentielle stochastique
d'un processus de Lévy. Le résultat suivant vient facilement :

Théorème 5.2 (cas de l'exponentielle stochastique). Soit (Xt ) un processus de Lévy et κ son exposant
de Laplace. Soit S = E(X) son exponentielle stochastique. S'il existe θ̄ qui vérie les conditions (5.1.3)
et (5.1.4) alors il existe une mesure martingale équivalente d'entropie minimale (MMEM) pour S qui
est dénie comme la mesure Qθ̄ transformée d'Esscher de paramètre θ̄ (i.e. la transformée d'Esscher
martingale pour X ).
L'entropie de cette mesure MMEM vaut H(Qθ̄t |Pt ) = −κ(θ̄)t

Démonstration. S'il existe θ̄ qui vérie les conditions (5.1.3) et (5.1.4) (i.e. si Qθ̄ est la transformée
θ̄
d'Esscher martingale pour X) alors, d'après le théorème 5.1, Q est une mesure martingale pour X
qui minimise l'entropie relative sur MRN (X). Or, si X est une Q -martingale, il en va de même pour
θ̄

S (en tant qu'intégrale stochastique par rapport à X; cf. la proposition 2.7 page 10). Avec le même
argument, MRN (X) = MRN (S) : Qθ̄ est donc la mesure risque-neutre pour S qui minimise l'entropie
relative sur l'ensemble des mesures risque-neutres.

Remarque : [HS06] montre même la réciproque de ce théorème, à savoir que si la MMEM pour S
existe, alors elle est égale à la transformée d'Esscher martingale.

21
Considérons maintenant le cas où le prix de l'actif S est modélisé par l'exponentielle simple d'un
processus de Lévy. On a alors le résultat suivant :

Théorème 5.3 (cas de l'exponentielle ordinaire) .


Soit (Xt ) un processus de Lévy et κ son exposant
de Laplace. Soit S = son exponentielle ordinaire.
eX
S'il existe θ̂ qui vérie les conditions suivantes :

EP [eθ̂Xt ] < ∞ et EP [e(1+θ̂)Xt ] < ∞ (5.2.1)

et
κ(θ̂) = κ(1 + θ̂) (5.2.2)

alors il existe une mesure martingale équivalente d'entropie minimale (MMEM) pour S qui est dénie
comme la mesure Qθ̂ transformée d'Esscher de paramètre θ̂.
L'entropie de cette mesure MMEM vaut H(Qθ̂t |Pt ) = θ̂κ0 (θ̂) − κ(θ̂) t.


Démonstration. La preuve fait appel au résultat suivant (cf. [CT04], Proposition 8.22) qui établit une
équivalence entre exponentielle ordinaire et exponentielle stochastique : si X est un processus de Lévy
de triplet caractéristique (σ
2 , ν, γ ) (et d'exposant de Laplace κ) et si S est son exponentielle simple,
alors ∃X̃ un processus de Lévy tel que S = E (X̃). Le théorème 5.2 et la remarque qui le suit montrent
que si la MMEM pour S = E (X̃) existe, alors il s'agit de la transformée d'Esscher qui fait de X̃ et
donc de S une martingale.
Or on peut identier directement parmi toutes les transformées d'Esscher celle sous laquelle S = eX
θ
est une martingale. Soit θ un réel quelconque à ce stade et Q la transformée d'Esscher de paramètre
θ : d'après le théorème 3.1 et la remarque A qui le suit, sous Qθ , X est un processus de Lévy dont
θ θ
l'exposant de Laplace κ est donné par : κ (z) = κ(z + θ) − κ(θ). La proposition 2.6 et la remarque
qui la suit indique que X est une Qθ -martingale si et seulement si :
κθ (1) < ∞ : comme κθ (1) = κ(θ + 1) − κ(θ), ceci équivaut clairement à (5.2.1) ;
θ
 κ (1) = 0, ce qui équivaut à (5.2.2).

Si on note θ̂ la valeur particulière de θ qui permet de satisfaire ces conditions, Qθ̂ est donc la MMEM
pour S .
Il ne reste plus qu'à calculer son entropie relative :

H (Qθ̂t |Pt ) = EQ [θ̂.Xt − κ(θ̂)t]


θ̂

θ̂
= θ̂. EQ [Xt ] − κ(θ̂)t

Or sous Qθ̂ , X est un processus de Lévy d'exposant de Laplace κθ̂ donc son espérance sous Qθ̂ s'écrit
θ̂
(cf. proposition 2.2) : EQ [Xt ] = t(κθ̂ )0 (0). Par l'expression de κθ̂ , le terme de droite est
0
égal à t.κ (θ̂),
d'où on conclut :
H (Qθ̂t |Pt ) = θ̂.κ0 (θ̂) − κ(θ̂) t


5.3 Applications
[CT04] prend deux exemples de processus de Lévy-exponentiel et évalue numériquement dans
chaque cas la valeur de θ̂ : voir exemples (10.1) et (10.2) de [CT04].

[CT04] observe que dans de nombreux modèles étudiés, on trouve une valeur de θ̂ négative. Sous
Qθ̂ , la partie gauche de la mesure de Lévy (qui représentent les sauts négatifs de X ) est ainsi ampliée
d'un facteur e
θ̂x tandis qu'à l'inverse, la partie droite (i.e. les sauts positifs) sont fortement atténués.

C'est une situation intéressante à constater sous un angle nancier : sous cette mesure
risque-neutre particulière qu'est la MMEM, les sauts positifs sont fortement atténués tandis que les
sauts négatifs (les crashs boursiers) sont ampliés.

22
5.4 Le prix d'une option européenne sous la MMEM dans un modèle
de Lévy-exponentiel
Dans un modèle où St = exp(Xt ), on a vu que, si elle existe, la MMEM Qθ̂ est déterminée explici-
tement et sous cette MMEM X reste un processus de Lévy. C'est encore une justication du choix de
la MMEM parmi l'ensemble des mesures risque-neutres : des calculs ƒsimples‚ peuvent être eectués.

Ainsi par exemple, pour une option européenne H = g(ST ), on peut calculer son prix Π(t, St ) ,
Qθ̂
E [g(ST )|Ft ]. C'est l'objet du chapitre 11 de [CT04] mais aussi de façon plus explicite de la proposition
2 de [Tan09]. Celle-ci, que nous reproduisons ci-dessous, montre que le prix d'une option européenne

peut être calculé directement à partir de la fonction caractéristique sous Qθ̂ de X, laquelle est donnée
par la formule de Lévy-Khintchine.

Proposition 5.2. Soit X un processus de Lévy (de MMEM Qθ̂ ) et soit Φt sa fonction caractéristique
(sous Qθ̂ ). Soit S = eX le prix de l'actif et soit H = g(ST ) une option européenne de sous-jacent S et
de date de maturité T . Notons G la fonction G(x) , g(ex ).
Supposons qu'il existe R 6= 0 tel que :

G(x)eRx est une fonction à variation nie et intégrable sur R


|ΦT −t (u − iR)|
Z
Qθ̂ RXT −t
E [e ] < ∞ et du < ∞
R 1 + |u|
Alors le prix à l'instant t de l'option H est donné par :
Z
1
Π(t, St ) = Ĝ(u + iR)ΦT −t (−u − iR)StR−iu du
2π R

où Ĝ est la transformée de Fourier de G.


Démonstration. Voir la proposition 2 de [Tan09], avec comme seule diérence le fait que nous considé-
rons un taux d'actualisation nul. En fait, [Tan09] ne travaille pas sous la MMEM mais fait l'hypothèse
que le processus de Lévy X est déjà une martingale. Le choix de la MMEM permet donc d'appliquer
le résultat de [Tan09] en toute généralité.

Cette formule est certes moins explicite que la formule de Black-Scholes mais elle peut faire l'objet
d'un calcul numérique (Fast Fourier Transforms, etc.).

5.5 Pourquoi le choix de la mesure martingale d'entropie relative mi-


nimale ?
Une première justication (d'ordre informationnelle ) a été mentionnée en introduction de ce cha-
pitre : par analogie avec la théorie de l'information, choisir la mesure martingale d'entropie minimale
revient à arriver dans une situation risque-neutre en ajoutant le moins d'information possible au modèle
initial.

Une deuxième justication, plus terre à terre, est indiquée à la section précédente : quand le marché
nancier est modélisé par un processus de Lévy ou un processus de Lévy-exponentiel, la MMEM s'avère
être une transformée d'Esscher. Les processus restent des processus de Lévy et les calculs (d'espérance,
etc.) deviennent plus faciles (en tout cas, plus faciles que dans le cas de martingales ƒquelconques‚).
La troisième justication est que la recherche de la mesure martingale d'entropie minimale apparaît
comme le problème dual de la recherche d'une stratégie de couverture maximisant une fonction d'utilité
exponentielle. Nous nous contentons ici de citer le résultat dû à [CSW01] dans un cas général et à
+
[DGR 02] dans le cas précis de l'entropie minimale qui nous intéresse.

23
Proposition 5.3. Soit (St )t∈[0,T ] une semimartingale sur (Ω, F , (Ft ), P) décrivant le prix (actua-
lisé) d'un actif nancier. Soit H = g(ST ) une option européeene de sous-jacent S et soit x le ca-
pital initial. On se donne une fonction d'utilité U que l'on suppose strictement concave, strictement
croissante, continuement diérentiable et d'élasticité asymptotique strictement inférieure à 1. Dans
un marché incomplet, une des méthodes de sélection d'une stratégie de couverture est de recher-
cher le portefeuille admissible (φt ) qui maximise l'utilité du vendeur de l'option, i.e. qui maximise
RT
EP U (x + 0 φt dSt − H . Pour travailler dans un espace adéquat, on note C le cône convexe des
 

variables aléatoires dominées par une intégrale stochastique admissible :


RT
C = {X : X 6 0 φt dSt pour un certain porteuille admissible φ}

et on dénit la fonction u par : u(x) = max EP [U (x + X − H)] .



X∈C
Notons maintenant M(S) l'ensemble des mesures absolument continues par rapport à P sous les-
quelles S est une martingale. Soit V la transformée de Legendre de −U (x). Le problème dual est déni
comme la recherche de la mesure V -optimale sur M(S) : plus précisément, posons

v(y) = min EP [V (y dQ dQ

dP ) − y.H. dP ]
Q∈M(S)

Le résultat notable est que les deux fonctions u et v sont liées par le fait qu'elles sont conjuguées
au sens où :

v(y) = sup u(x) − xy et u(x) = inf v(y) + xy


 
x y

La qualication de problème dual renvoit bien à la dualité classique de l'analyse fonctionelle.


Schématiquement,C ⊂ L∞ (Ω, P) tandis que M(S) est isomorphe à un sous-espace de L1 (Ω, P) (via
dQ 1 1 ∞ ∗
Radon-Nikodym : Q ∈ M(S) ⇐⇒
la dérivée de
dP ∈ L ...). Or on sait (cf [Bre83] ) que L ⊂ (L ) .

Appliquons ce résultat pour une fonction d'utilité exponentielle de coecient α : U (x) = 1 − eαx .
Il vient alors que :

{H (Q|P) + αx − EQ [αH]}
R
EP [1 − e−α(x+ φdS−H)
 
sup ] = 1 − exp − inf
φ admissible Q∈M(S)

... et on retrouve l'entropie minimale à un terme correctif près.


+
Ce résultat est montré directement par [DGR 02], indépendamment de [CSW01].

24
Deuxième partie

Une application en nance de la théorie


des grandes déviations

25
Chapitre 6

Présentation d'une méthode de


Monte-Carlo corrigée pour le calcul
d'options barrières
La théorie des Grandes Déviations, qui est au conuent de la théorie des Probabilités, de l'Analyse
fonctionnelle et du Calcul variationnel, se donne pour but de déterminer des résultats asymptotiques
sur la probabilité d'événements rares.

L'article [Pha07] expose plusieurs exemples d'applications des outils et méthodes de cette théorie
aux mondes de la nance et de l'assurance :
 probabilités de ruine d'une compagnie d'assurance (section 3) ;
 améliorations des méthodes de Monte-Carlo dans le calcul du prix d'options (section 4) ;
 quantication des pertes extrêmes d'un portefeuille de crédits (section 5).

Dans un souci de continuité par rapport à la première partie de ce mémoire, j'ai retenu l'exposé
d'une application à la nance  et plus spéciquement au calcul du prix d'options exotiques  qui
fait l'objet de la section 4.2 de [Pha07].

6.1 Description du modèle


Dans toute cette partie, on suppose que l'actif nancier (St )t∈[0,T ] est un processus de diusion
d
dans R :
dSt = b(St )dt + σ(St )dWt (6.1.1)

On se donne deux fonctions U et L dépendant du temps représentant les barrières haute (U ) et


basse (L) et on note Γ(t) le domaine ainsi déni : Γ(t) , [L(t), U (t)]. On impose bien sûr que L < U.
On note τ le temps de sortie de S du domaine Γ :

τ = inf t ∈ [0, T ] : St ∈
/ Γ(t) (6.1.2)

On s'intéresse au calcul du prix d'une option exotique de sous-jacent S , et plus précisément au prix
d'une option européenne de maturité T et à barrière désactivante, ce qui s'écrit en toute généralité :

Π0 = Π(0, S0 ) = E[g(ST ).1τ >T ] (6.1.3)

Ici, l'espérance est prise sous une mesure risque-neutre que l'on suppose préalablement dénie ; enn,
on a encore considéré un taux d'actualisation nul.

La mise en ÷uvre classique d'un calcul de Π0 par méthode de Monte-Carlo repose sur la procédure
suivante.
On subdivise l'intervalle de temps [0, T ] en n intervalles [0, t1 ], . . . , [tn−1 , tn ] de pas  :
T
= n = ti − ti−1 , ∀i = 1, . . . , n

26
Sous cette discrétisation du temps, le processus S déni par (6.1.1) est simulé par le processus à

temps discret (St )i=1,...,n vériant :
i

Sti+1 = Sti + b(Sti ). + σ(Sti )(Wti+1 − Wti ) (6.1.4)

Le temps de sortie du domaine Γ du processus discrétisé S est alors déni par :

τ  = inf ti : Sti ∈

/ Γ(ti ) (6.1.5)

tandis que le prix de l'option déni par (6.1.3) est alors redéni par :

Π0 = E[g(ST ).1τ  >T ] (6.1.6)

La simulation de Monte-Carlo consiste alors à générer un (grand) nombre N de n-uplets


(Wt1 , . . . , Wtn − Wtn−1 ) de variables aléatoires i.i.d. de loi N (0, ) et déduire des équations (6.1.4)
,k
et (6.1.5) les N valeurs (ST )k=1,...,N et (τ ,k )k=1,...,N . L'équation (6.1.6) indique que l'estimateur du
prix de l'option est donné par :
N
1 X
Π̄0 , g(ST,k )1τ ,k >T (6.1.7)
N
k=1

Par cette méthode de discrétisation, on considère que le processus de diusion est ƒtué‚(i.e. que
la barrière désactivante est enclenchée) s'il existe un temps discret ti tel que Sti ∈
/ Γ(ti ). Mais on ne
contrôle pas ce qui se passe entre deux temps successifs ti et ti+1 et il se pourrait que le processus
à temps continu S sorte du domaine puis y revienne pendant cet intervalle de temps. La probabilité
P({τ > T }) est donc surestimée, ce qui conduit à surestimer aussi le prix de l'option. Cette procédure
est sous-optimale.

6.2 Amélioration de la simulation de Monte-Carlo

[Pha07] propose d'améliorer la procédure de la façon suivante. On conserve la subdivision {0, t1 , . . . , tn }


de l'intervalle de temps [0, T ] et on ƒlinéarise‚ le processus de diusion S déni par (6.1.1) entre deux
temps successifs :

St = Sti + b(Sti )(t − ti ) + σ(Sti )(Wt − Wti ), ti 6 t 6 ti+1

Ce nouveau processus évolue donc comme un mouvement brownien avec une dérive entre ti et
ti+1 = ti + .

Étant donné une simulation de trajectoire discrète (Sti )i=1,...,n telle que dans (6.1.4) et les valeurs
Sti = xi et Sti+1 = xi+1 , on va noter

pi (xi , xi+1 ) = P ∃t ∈ [ti , ti+1 ] : St ∈


 
/ Γ(ti )|(Sti , Sti+1 ) = (xi , xi+1 ) (6.2.1)

la probabilité conditionnelle de sortie du processus ƒlinéarisé‚ sachant les valeurs de Sti et de Sti+1 .

La méthode de Monte-Carlo corrigée fonctionne alors de la manière suivante. On refait comme


précédemment N tirages de processus discrets (S ,k )k=1,...,N . Pour le k -ième tirage, avec une probabilité
pi = pi (Stki , Stki+1 ), on arrête la simulation en considérant que le processus a été tué et, pour ce tirage,
on pose τ
,k = t . Sinon, avec une probabilité 1 − p , on poursuit la simulation. L'estimateur du prix
i i
de l'option est alors encore donné par :

N
1 X
Π̄0 = g(ST,k )1τ ,k >T (6.2.2)
N
k=1

27
La mise en ÷uvre pratique de cette méthode de Monte-Carlo corrigée nécessite de pouvoir calculer
pi . On remarque que sur l'intervalle [ti , ti+1 ], et sous la condition donnée par Sti = xi et Sti+1 = xi+1 ,

le processus S est un pont brownien : il a donc la même distribution que le processus B
i, déni par :

t t
Bti, = xi + (xi+1 − xi ) + σ(xi )(Wt − W ), 06t6
 

Faisons alors le changement de temps s= t


 en posant Ysi, , Bti, : notre pont brownien a donc la
même distribution que


Ysi, = xi + s(xi+1 − xi ) + σ(xi )(Ws − sW1 ), 06s61 (6.2.3)


Démonstration. C'est presque immédiat : comme Wt ∼ N (0, t) et Ws ∼ N (0, s), les deux processus

(Wt )06t6 et ( Ws )06s61 ont bien la même distribution. Il en va évidemment de même pour les deux

v.a. W et W1 , d'où le résultat.

La probabilité pi dénie par (6.2.1) peut alors être exprimée sous la forme :

pi = P[τ i, 6 1], τ i, = inf s > 0 : Ysi, ∈



où / Γ(ti + s) (6.2.4)

En d'autres termes, on cherche à évaluer la probabilité pi qu'un pont brownien sorte du domaine
déni par Γ.

Dans le cas où les barrières sont (presque) quelconques, [Pha07] utilise l'approximation asympto-
tique de pi quand →0 démontrée par [BCI99] :

Proposition 6.1. Supposons que les fonctions U et L sont dérivables et de dérivées Lipschitziennes.
Alors, pour tout xi , xi+1 ∈ (L(ti ), U (ti )),
 Q (t , x , x ) 
U,L i i i+1
pi (xi , xi+1 ) = exp −

− RU,L (ti , xi , xi+1 ) 1 + O() (6.2.5)


si xi + xi+1 > U (ti ) + L(ti )
(
2
σ 2 (xi )
(U (ti ) − xi )(U (ti ) − xi+1 )
QU,L (ti , xi , xi+1 ) = 2
(x − L(ti ))(xi+1 − L(ti ))
σ 2 (xi ) i
si xi + xi+1 < U (ti ) + L(ti )
et
si xi + xi+1 > U (ti ) + L(ti )
(
2
σ 2 (xi )
(U (ti ) − xi )U 0 (ti )
RU,L (ti , xi , xi+1 ) = 2
− σ2 (x i)
(xi − L(ti ))L0 (ti ) si xi + xi+1 < U (ti ) + L(ti )

Ce résultat fait appel à des arguments de type "Grandes Déviations", ce qui est justement
l'objet de l'article [Pha07] étudié. Puisque la limite asymptotique est donnée directement pour la
probabilité pi et pas simplement pour son logarithme, on qualie ce résultat de "Sharp Large Deviations
estimate". Le processus décrit par (6.2.3) ne rentre pas exactement dans le cadre de la théorie de
Freidlin-Wentzell (voir [DZ98], sections 5.6 et 5.7) car le pont brownien n'est pas une diusion jusqu'au
temps nal. Ce résultat est donc montré par [BCI99] : la démonstration est à peine évoquée par [Pha07]
mais nous nous proposons d'en dresser les grandes lignes au chapitre suivant.

Mais auparavant, revenons à l'objectif initial qui était de mettre en ÷uvre une simulation de Monte-
Carlo corrigée pour le calcul de prix d'option barrière : une application numérique utilisant l'estimation
asymptotique de pi donnée par la proposition 6.1 illustre l'amélioration apportée.

28
6.3 Application numérique
[BCI99] eectue plusieurs applications numériques pour évaluer l'amélioration apportée par la mé-
thode de Monte-Carlo corrigée (M.C. corrigée) décrite en section 6.2 par rapport à la méthode de
Monte-Carlo standard (M.C. standard) décrite en section 6.1.

Les barrières utilisées vont être constantes ou de type exponentiel : pour réunir les deux cas, on
écrira donc U (t) = B exp(δ1 t) et L(t) = A exp(δ2 t) avec δ1 = δ2 = 0 dans le cas constant. L'intérêt
des barrières constantes ou exponentielles est que, dans un modèle de Black-Scholes, l'on dispose alors
d'expressions exactes du prix de l'option barrière sous la forme :
 d'une série entière dans le cas exponentiel : cf. Kunitomo et Ikeda (1992)
 d'une expression faisant intervenir des transformations de Laplace dans le cas constant : cf.
Geman et Yor (1996).

Le modèle utilisé est donc celui de Black-Scholes : le logarithme du prix de l'actif est un mouvement
brownien avec dérive, donc sous la mesure risque-neutre, il est caractérisé par son prix de départ S0 ,
par sa volatilité σ et le taux d'actualisation r. L'option considérée est un call de valeur d'exercice K
1
et le temps de maturité de l'option est pris égal à 1 an ; le pas de temps  est xé à
365 . La simulation
M.C. corrigée est eectuée en utilisant pour pi la fonction dénie par la proposition 6.1.

Les simulations M.C. standard et M.C. corrigée sont eectuées en réalisant 100 évaluations numé-
riques du prix de l'option (le nombre de tirage N vaut donc 100), lequel est donc donné respectivement
par les formules (6.1.7) et (6.2.2).
[BCI99] réalise plusieurs applications numériques en jouant sur les valeurs des diérents paramètres
(σ , K , A, B , etc.). Nous ne reprenons ci-dessous que le premier cas présenté (tableau 4.1 dans [BCI99])
obtenu en xant :

S0 = 2 ; σ = 0, 2 ; r = 0, 02 ; K = 2 ; A = 1, 5 ; B = 2, 5

Les valeurs du couple (δ1 ; δ2 ) sont xées soit à (0; 0) (cas constant) soit à (−0, 1; 0, 1) ou à (0, 1; −0, 1)
(cas exponentiel) :

(δ1 ; δ2 ) (-0,1 ;0,1) (0 ;0) (0,1 ;-0,1)


Geman-Yor - 0.04110 -
Kunitomo-Ikeda 0.00916 0.04109 0.08544
M.C. corrigée 0.00910 0.04104 0.08568
M.C. standard 0.01060 0.04413 0.08929

On vérie bien que la méthode standard surestime le prix de l'option (en ne détectant pas tous les
franchissements de barrière) et que la méthode corrigée améliore considérablement les résultats, ce qui
conrme son intérêt pour une utilisation dans un cas général (barrières pas forcément constantes ni
exponentielles).

29
Chapitre 7

Développement asymptotique de la
probabilité de sortie du pont brownien
Nous indiquons ici la trame de la proposition (6.1) donnée par [BCI99].

[BCI99] se focalise dans un premier temps sur la seule barrière haute U , ce qui revient à prendre
L = −∞ et donc Γ(t) =] − ∞, U (t)]. Par commodité, on se débarrasse des indices i en posant comme
dans [BCI99] : xi = ζ , xi+1 = y , σ(xi ) = σ et ti = T0 . Sans son indice i, le processus Y  donné par
(6.2.3) s'écrit maintenant :

Yt = ζ + t(y − ζ) + σ(Wt − tW1 ), 06t61
et vérie l'EDS :

Yt − y √
dYt = − dt + σdWt , 06t61 (7.0.1)
1−t
Y0 = ζ

Faisons une dernière transformation en considérant le processus Xt , Yt −U (T0 +t). La probabilité
que Y atteigne la barrière U est alors égale à la probabilité que X  atteigne 0. On tire de (7.0.1) que
X  est solution de l'EDS
Xt − y + U (T0 + t) √
 
0
dXt = − U (T0 + t) + dt + σdWt (7.0.2)
1−t
avec comme condition initiale X0 = ζ − U (T0 ).
  
Pour plus de généralités, notons Px,s la loi de X avec la condition initiale Xs = x. Soit τ0 le temps

d'atteinte de 0 pour X et posons
v  (x, s) = Px,s (τ0 < 1) (7.0.3)

Remarque 
: La probabilité pi qui nous intéressait initialement (équations (6.2.1) / (6.2.4)) s'écrit

donc maintenant v (ζ − U (T0 ), 0).

Le but de la démonstration est d'obtenir un développement asymptotique pour la fonction v quand


 → 0.

[BCI99] commence par établir un principe de grandes déviations (LDP) pour la famille de processus
{X  }>0 sur l'espace C([s, 1]) des fonctions continues sur l'intervalle [s, 1] :

Proposition 7.1 (cf. [BCI99] prop. 5.1). La famille {X  }>0 satisfait un principe de grandes déviations
sur l'espace C([s, 1]) pour une vitesse de convergence 1/ et pour fonction de taux
 hZ 1
0 2 (y − x − U (T0 ))2 i
 1
2 |hr | dr − si h ∈ ∆x,s
J(h) = 2σ s 1−s (7.0.4)
+∞ sinon

où ∆x,s est le sous-ensemble de C([s, 1]) constitué des fonctions absolument continues sur [s, 1] valant
x au temps s et atteignant y − U (T0 ) au temps 1.

30
Démonstration. Voir [BCI99]. Comme évoqué plus haut, on ne peut pas appliquer les résultats de
la théorie de Freidlin-Wentzell car le pont brownien X n'est pas un processus de diusion jusqu'au
temps 1. Il est néanmoins intéressant de noter que l'on obtient le même résultat. Nous mentionnons
juste l'existence d'une coquille dans la preuve, plus précisément dans l'expression de Φ(g)t donnée en
t−s t−s
ligne 5 de la preuve : le dernier terme du membre de droite est
1−s (g1 − gs ) et non
1−s (gt − gs ).

Notons Θx,s l'ensemble des fonctions h absolument continues sur [s, 1] telles que hs = x, h1 =
y − U (T0 ) et telles qu'il existe un temps t ∈ [s, 1] pour lequel ht > 0. Cette dernière condition implique
 
que P(Θx,s ) = Px,s (τ0 < 1) : avec la dénition de v donnée en (7.0.3), le principe des grandes déviations
permet d'écrire que
lim  ln(v  (x, s)) = inf J(h) , −u(x, s) (7.0.5)
→0 h∈Θx,s

[BCI99] exhibe ensuite, en appliquant des techniques de calcul variationnel, la fonction qui minimise
J sur Θx,s , d'où il tire l'expression exacte de u :

Proposition 7.2 (cf. [BCI99] prop. 5.2) . Pour tout x < 0, on a


2

 x(y − U (T0 )) si y < U (T0 )
u(x, s) = σ 2 (1− s)
0 sinon

On n'a à ce stade qu'une estimation du logarithme de Px,s (τ0 < 1). Pour aller plus loin, [BCI99]
utilise un théorème de [FJ92] pour identier une fonction w telle que

u(x, s)
Px,s (τ0 < 1) = exp −

− w(x, s) (1 + O())

où il apparaît que w s'écrit dans le cas présent

2
w(x, s) = − xU 0 (T0 )
σ 2 (1 − s)

Il ne reste alors plus qu'à recoller les morceaux :


 s'il n'y a qu'une barrière haute, alors on retrouve bien les expressions données dans (6.1) avec
u=Q et v = R;
 s'il n'y a qu'une barrière basse, il sut d'inverser les signes et d'utiliser les résultats montrés
dans le cas d'une barrière haute ;
 s'il y a à la fois une barrière haute et une barrière basse, alors on encadre la probabilité de sortie
du domaine par les probabilités de franchissement des barrières haute et basse et [BCI99] montre
qu'on obtient bien le résultat donné dans (6.1).

31
Bibliographie
[BCI99] P. Baldi, L. Caramellino, and M. Iovino. Pricing general barrier options : a numerical
approach using sharp large deviations. Mathematical Finance, 9 :293322, 1999.

[Bre83] Haim Brezis. Analyse fonctionnelle. Masson, 1983.

[CS02] A.S. Cherny and A.N. Shiryaev. Change of time and measures for lévy processes. Lec-
tures for the Summer School : From Lévy Processes to Semimartingales. Recent Theorical
Developments ans Applications to Finance, 2002.
[CSW01] J. Cvitanic, W. Schachermayer, and H. Wang. Utility maximisation in incomplete markets
with random endowment. Finance and Stochastics 5, pages 259272, 2001.

[CT04] Rama Cont and Peter Tankov. Financial Modeling with Jump Processes. Chapman & Hall,
2004.
+
[DGR 02] F. Delbaen, P. Grandits, T. Rheinlander, D. Samperi, Martin Schweizer, and C. Stricker.
Exponential hedging and entropics penalties. Mathematical Finance, 12 :99123, 2002.

[DZ98] Amir Dembo and Ofer Zeitouni. Large Deviations Techniques and Applications. Springer,
2d edition, 1998.

[EJ97] E. Eberlein and Jean Jacod. On the range of option prices. Finance Stochastics, 1997.

[ES05] Felix Esche and Martin Schweizer. Minimal entropy preserves the lévy property : how and
why. Stochastic Processes and their Applications, 115 :299327, 2005.

[FJ92] W. Fleming and M. James. Asymptotic series and exit time probability. Annals of Proba-
bility, 20 :13691384, 1992.

[HS06] Friedrich Hubalek and Carlo Sgarra. Esscher transforms and the minimal entropy martin-
gale measure for exponential lévy models. Quantitative Finance, 6 :125145, 2006.

[JS02] Jean Jacod and Albert Shiryaev. Limit Theorems for Stochastic Processes. Springer, 2nd
edition, 2002.

[JYC09] Monique Jeanblanc, Marc Yor, and Marc Chesney. Mathematical Methods for Financial
Markets. Springer, 2009.

[Pha07] Huyen Pham. Some applications and methods of large deviations in nance and insurance.
Lectures Notes in mathematical Finance, Springer Verlag, 2007.

[Sat99] Ken-Iti Sato. Lévy Processes and Innitely Divisible Distributions. Cambridge University
Press, 1999.

[Shi99] Albert Shiryaev. Essentials of Stochastic Finance. World Scientic Publishing Co., 1999.

[Tan09] Peter Tankov. Pricing and hedging in exponential-Lévy models : review of recent results.
Lectures Notes, 2009.

[YdSL78] Marc Yor and J. de Sam Lorenzo. Sous-espaces denses dans l1 ou h1 et représentation des
martingales. In Seminaire de probabilités (Strasbourg), volume 12, pages 265309. Springer,
1978.

32