Rapport de Groupe de Travail

Papa Gora Ndao

Mouhammed Marianne
Antoine de Milleville

30 mai 2007

LES OPTIONS ASIATIQUES

encadré par Georges Nemes (SGCIB)

 2

Table des matières

Introduction 1

1 Présentation du marché du change 2

1.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Principales caractéristiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2.1 Un marché dominé par quelques places financières . . . . . . . . . . . . . . . . . 2
1.2.2 Un marché dominé par quelques monnaies . . . . . . . . . . . . . . . . . . . . . . 2
1.2.3 Un marché dominé par les opérations à terme . . . . . . . . . . . . . . . . . . . . 2

2 Modèle de Garman et Kohlhagen 3

2.1 Quelques notations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2 Modélisation financière . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2.1 Hypothèses classiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2.2 Absence d’opportunité d’arbitrage et changement de probabilité . . . . . . . . . 4

3 Méthode de Monte Carlo 7

3.1 Principe de la résolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.2 Application au pricing d’une option asiatique . . . . . . . . . . . . . . . . . . . . . . . . 8
3.2.1 Simulation de la partie stochastique du taux de change . . . . . . . . . . . . . . 9
3.2.2 Simulation d’une loi uniforme U(0,1) . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.2.3 Simulation de la loi normale N (0, 1) : Méthode d’inversion . . . . . . . . . . . . 10
3.3 Monte Carlo et Techniques de Réduction de Variance . . . . . . . . . . . . . . . . . . . . 11
3.3.1 utilisation de variables antithétiques . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.3.2 Résultats Numériques : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.4 Reconstitution de la densité de la moyenne à partir de simulations de Monte Carlo . . . 14

4 Turnbull et Wakeman 14
4.1 le principe de l’algorithme de Turnbull et Wakeman . . . . . . . . . . . . . . . . . . . . 14
4.2 Approximation de la densité de S . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
4.2.1 Calcul des deux premiers moments de S . . . . . . . . . . . . . . . . . . . . . . . 15
4.2.2 Détermination de la loi de Y . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

5 Résolution par équations aux dérivées partielles 16

5.1 EDP en dimension 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
5.1.1 établissement de l’équation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
5.1.2 commentaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
5.2 EDP en dimension 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
5.3 Discrétisation en temps . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
 5.4 Discrétisation en espace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
5.5 Algorithme de calcul de la fonction valeur . . . . . . . . . . . . . . . . . . . . . . . . . . 21
5.6 Interpolation et interprétation des résultats numériques . . . . . . . . . . . . . . . . . . 22
5.6.1 Interpolation des resultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
5.6.2 Interprétation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

6 Introduction d’un modèle avec taux stochastiques 24

6.1 Modélisation financière . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
6.1.1 Dynamiques des processus de prix en absence d’arbitrage . . . . . . . . . . . . . 25
6.1.2 Lien entre primes de risque λd et λf . . . . . . . . . . . . . . . . . . . . . . . . . 25
6.1.3 Construction de la probabilité de Pricing : Probabilité Forward Neutre . . . . . . 26
6.1.4 Application au Pricing d’Options . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

7 Analyse des résultats 30

Conclusion 32

A ANNEXES 33
A.1 Graphes de Prix . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
A.2 Graphes de densité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
A.3 Turnbull et Wakeman . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
A.3.1 démonstration du cacul des deux premiers moments de S . . . . . . . . . . . . . 39
A.4 Evaluation par équations aux dérivées partielles . . . . . . . . . . . . . . . . . . . . . . 41
A.4.1 Algorithme de calculde la fonction valeur . . . . . . . . . . . . . . . . . . . . . . 41
 INTRODUCTION 1

Introduction

Avec la croissance des marchés financiers, des produits de plus en plus sophistiqués sont maintenant
offerts. La complexité de ces instruments ne cesse de croı̂tre pour répondre aux besoins pressants des
entreprises qui cherchent à se couvrir contre des risques de plus en plus nombreux. Ces innovations
financières, connues sous le nom d’options exotiques, se caractérisent par des paiements beaucoup plus
compliqués que les options standards. Échangées sur le marché hors bourse, ou de gré à gré, elles sont
faites sur mesure pour, d’une part, répondre aux besoins spécifiques des investisseurs, d’autre part,
fournir de nouveaux instruments de couverture.

En utilisant ou en créant de tels produits, les professionnels de la finance se voient confrontés au

problème de leur évaluation ou pricing. En effet la complexité des payoffs relatifs à ces produits rend
impossible l’utilisation de formules fermées simples comme la formule de Black-Scholes pour les options
vanille. Le but de ce projet est alors d’étudier et de comparer différentes méthodes de pricing pour un
produit particulier : les options asiatiques. La particularité de ces options est que le paiement terminal
dépend d’une moyenne (arithmétique le plus souvent, parfois pondérée ou encore géométrique) calculée
sur les cours du sous-jacent des options, observés à différentes dates établies à la signature du contrat.
Nous étudierons plus précisément ces produits financiers sur le marché du change, et nous restreindrons
aux options sur moyenne arithmétique.

Dans un premier temps, nous présenterons les principales caractéristiques du marché du change
avant de nous attarder sur le modèle de base utilisé dans notre étude, à savoir le modèle de Garman et
Kohlhagen, application du modèle de Black et Scholes pour les options de change. Puis, nous insisterons
sur les méthodes numériques développées dans notre programme, implémenté en JAVA, pour évaluer
ces options, à savoir la méthode de Monte Carlo, l’algorithme de Turnbull et Wakeman et la résolution
d’équations aux dérivées partielles. Enfin, nous proposerons une alternative au modèle de Garman et
Kohlhagen en introduisant un modèle de taux stochastiques.
 PRÉSENTATION DU MARCHÉ DU CHANGE 2

1 Présentation du marché du change

1.1 Définitions
Le change est l’acte par lequel on échange les monnaies des différents pays. La majeure partie
des actifs monétaires échangés sur le marché du change sont des dépôts à vue dans les banques. Le
taux de change est le prix de la monnaie d’un pays en terme de la monnaie d’un autre. Un taux de
change peut être exprimé de deux manières : la cotation au ”certain” consiste à donner le nombre
d’unités monétaires étrangères équivalent à une unité de monnaie locale ; la cotation à ”l’incertain”
indique le nombre d’unités monétaires locales correspondant à une unité de monnaie étrangère. Ainsi,
lorsque l’euro s’apprécie contre les autres devises, sa cotation au certain s’élève tandis que sa cotation
à l’incertain diminue.

1.2 Principales caractéristiques

1.2.1 Un marché dominé par quelques places financières

Le marché du change ne connaı̂t pas de frontière : il y a un seul marché du change dans le monde.
Les transactions sur devises se font aussi bien à Paris, Londres, Tokyo ou New York. Le marché du
change est donc une organisation économique sans véritable réglementation ; elle est auto-organisée
par les instances publiques et privées qui y interviennent. Il est géographiquement très concentré sur
les places financières de quelques pays. En 1998, le Royaume-Uni représentait 32% des opérations, les
Etats-Unis, 18%, le Japon, 8%, l’Allemagne, 5%, et la France 4%.

1.2.2 Un marché dominé par quelques monnaies

Les opérations sur le marché du change, représentant plus de 3 milliards de dollars d ’échange
quotidien, sont concentrées sur un petit nombre de monnaies, et très majoritairement sur le dollar. En
1998, le dollar américain intervenait en moyenne dans 87% des transactions identifiées, soit du côté de
l’offre, soit du côté de la demande. Aujourd’hui, les monnaies de la zone euro apparaissent dans 52%
des transactions. Le yen et la livre sont plus en retrait puisqu’ils interviennent respectivement dans
21% et 11% des transactions.

1.2.3 Un marché dominé par les opérations à terme

Le risque de change est le risque de perte en capital lié aux variations futures du taux de change.
Depuis les années soixante-dix, ce risque s’est fortement accru avec le flottement généralisé des mon-
naies et le développement des transactions commerciales et financières internationales. L’existence de
variations des taux de change entraı̂ne deux types d’attitude de la part des intervenants sur le marché :
certains groupes ne souhaitent pas ou n’ont pas le droit de parier sur ce que seront les taux de change
dans le futur. Ils sont exposés à un risque de change dans le cours de leurs activités ordinaires et
 MODÈLE DE GARMAN ET KOHLHAGEN 3

recherchent une couverture à leur position créditrice ou débitrice. D’autres groupes estiment pouvoir
prendre une position exposée à un risque de change pour réaliser un gain. Il y a alors spéculation sur
l’évolution future des taux au moyen d’opérations d’arbitrage.
Le contrat de change à terme est le principal moyen de se couvrir ou de spéculer sur le marché
du change. Ce qui explique pourquoi il domine le contrat de change au comptant . Il existe différents
contrats de change à terme : les contrats fondés sur les opérations traditionnelles, terme bancaire et
”swap”cambiste, sont les plus répandus (57% des opérations des marchés du change ) ; ceux fondés
sur les autres produits dérivés, ”futures” et options sur devises restent encore marginaux (6% des
opérations ).

2 Modèle de Garman et Kohlhagen

2.1 Quelques notations
Nous avons étudié le modèle de Garman et Kohlhagen en nous inspirant de l’article ”Foreign
Currency Option Values”.(cf Annexes)
Puisque nous travaillons sur le marché du change, nous allons considérer un univers composé de
deux devises : la devise étrangère, indicée par f et la devise domestique, indicée par d. Dans chacune
des deux économies (domestique (d) et étrangère (f)), la devise crrespondante constitue un actif sans
risque, dont la dynamique entre t et t + dt dépend du taux sans risque (rd pour l’économie domestique
et rf pour l’économie étrangère).
Par contre, vue de l’économie domestique(d), la devise (f) est un actif risqué dont la valeur à chaque
instant est donnée par le taux de change Sf →d . Pour alléger les équations, nous noterons Sf →d ≡ S. La
première devise indiquée en dénommant l’option sera toujours la devise étrangère, et la seconde devise
sera la devise domestique. Par exemple une option EuroDollar, représentera une option sur le taux de
change Euro (étranger) vers Dollar (domestique) et son prix sera exprimé en Dollar. De plus, on note
rd le taux sans risque de l’économie domestique, rf le taux sans risque de l’économie étrangère.

2.2 Modélisation financière

2.2.1 Hypothèses classiques

Avant de pricer les options asiatiques de change, il est impératif de supposer quelques hypothèses sur
les marchés financiers puis de modéliser l’évolution des taux de change dans cet univers. La modélisation
financière couramment retenue pour ces actifs est celle de Garman et Kohlhagen, qui est analogue au
modèle de Black et Scholes, utilisé pour caractériser l’évolution du cours des actions et ainsi pricer les
options vanille sur ces derniers sous-jacents.
Les hypothèses que nous avons retenues sont les suivantes :
– Il est possible de vendre et d’acheter le sous-jacent à tout moment sans coût de transaction.
– Les ventes à découvert sont autorisées.
 MODÈLE DE GARMAN ET KOHLHAGEN 4

– On supposera enfin que les taux de change sont des variables aléatoires suivant une loi lognormale
et leur évolution est donc modélisée par l’équation de diffusion suivante :

dS = µSdt + σSdW P

où W P est un mouvement brownien, sous la probabilité historique propre à l’agent, µ est un
paramètre de drift, ou rendement moyen et σ représente la volatilité de l’actif sous-jacent.
On notera (Ft )(t≥0) la filtration engendrée par le mouvement brownien et Ω l’ensemble des états
possibles du monde.
Pour modéliser les taux d’intérêt, on utilise une courbe de taux zéro-coupon, à partir de laquelle
on calcule les facteurs d’actualisation B(t, T ) selon l’équation suivante :
µ Z T ¶
1
B(t, T ) = exp − r(s)ds =
t (1 + R(t, T ))T −t
où R(t, T ) désigne le taux zéro-coupon entre t et T, récupéré à partir des données de marché.

2.2.2 Absence d’opportunité d’arbitrage et changement de probabilité

Le principe de non arbitrage est une hypothèse fondamentale sur le marché. Nous allons donner
ci-dessous sa traduction mathématique dans deux situations : d’abord dans le cas d’un actif ne versant
pas de dividendes, puis dans le cas d’un actif versant une rémunération avec un taux de dividende
continu noté c(t). Notons que si c(t) est le dividende continu, cela traduit qu’entre t et t+dt, l’actif
verse un montant c(t)S(t)dt.
Sous la probabilité historique P, le processus de prix de l’actif suit la dynamique suivante :
dS(t)
= µ(t)dt + σ(t)dW P (t)
S(t)
où W P (t) est un P-mouvement brownien. En l’absence d’opportunité d’arbitrage, il existe un vecteur
λ(t), dénommé prime de risque tel que µ(t) = r(t) + σ(t)λ(t). Dans le cas où l’actif verse un dividende
avec un taux continu c(t), il existe un vecteur de prime de risque λ(t) tel que µ(t)+c(t) = r(t)+σ(t)λ(t)
Remarque :
D’un point de vue financier, ce résultat exprime le fait que le rendement instantané de n’importe
quel portefeuille sans risque ( σ(t) = 0) est exactement égal au taux sans risque. Dans le cas ou l’actif
verse un dividende, le rendement instantané global est λ(t) + c(t).
Applications :
Nous nous plaçons maintenant dans l’économie domestique, dans laquelle la devise domestique (d)
constitue l’actif sans risque avec une dynamique :

dSd (t) = Sd (t)rd (t)dt

La devise étrangère est un actif risqué , qui, avec les notations adoptées a une dynamique qui s’écrit :

dS(t) = µ(t)S(t)dt + σ(t)S(t)dW P

 MODÈLE DE GARMAN ET KOHLHAGEN 5

D’autre part il est clair que la devise étrangère peut être vue comme un titre versant un dividende
continu rf (t), rf (t) étant le taux sans risque étranger. En effet, la possession d’une unité de devise
étrangère entre t et t+dt donne droit à une rémunération égale à rf (t)dt. On peut donc en se plaçant
dans l’économie (d) appliquer la deuxième assertion du théorème précédent et ainsi conclure en l’exis-
tence d’une prime de risque notée λd (t) telle que

µ(t) + rf (t) = rd (t) + σ(t)λd (t)

L’équation (1) de la diffusion du taux de change peut donc se réécrire sous la forme (2) suivante :

dS(t) = (rd − rf )S(t)dt + σ(t)S(t)(dW P + λd (t)dt)

D’après le théorème de Girsanov, il existe une probabilité Qd équivalente a P sous laquelle W P (t)+ λd (t)t
reste un mouvement brownien. Cette mesure Qd est la probabilité risque neutre de la devise domestique.
On peut à présent réécrire la dynamique du taux de change sous la probabilité Qd . En exprimant
dans l’équation (2) le fait que sous Qd , WdQ (t) = W P (t) + λd (t)t est un mouvement brownien, on en
déduit que sous Qd la diffusion du taux de change satisfait l’équation (3) suivante :

dS(t)
= (rd (t) − rf (t))dt + σ(t)(dWdQ (t))
S(t)

Nous savons de plus que sous la mesure Qd , la valeur actualisée de toute stratégie autofinancée est
martingale. Pour pricer notre option de change, il suffit alors de calculer l’espérance du payoff actualisé
de notre actif.
Application au Pricing d’options de Change :
Nous avons donc d’après ce qui précède une mesure Qd qui rend martingale toute stratégie auto-
financée actualisée, et par conséquent le processus de prix actualisé de n’importe quelle option sur le
taux de change. Considérons une option de change livrant un payoff quelconque Φ à la date T. On en
déduit une formule générale donnant son prix a la date t :
· µ Z T ¶¸
Pt = EtQd Φ exp − rd (s)ds
t
.
Quelques Exemples :
³ R ´
T
– Pour un Call de strike K : Pt = exp − t rd (s)ds EtQd [max(ST − K, 0)]
– Pour une option asiatique sur moyenne discrète avec constatations aux dates (t1 , t2 , ..., tN ), on
N
X
1
définit la moyenne discrète S = N Sti , alors
i=1
µ Z T ¶
£ ¤
Pt = exp − rd (s)ds E Qd max(S − K, 0)
t
 MODÈLE DE GARMAN ET KOHLHAGEN 6

Pour les calls, une formule fermée d’évaluation existe et le pricing ne pose aucune difficulté par-
ticulière. La formule d’évaluation repose sur le résultat suivant, connu sous le nom de formule de
Black-Scholes.

Si X est une variable aléatoire suivant une loi lognormale, telle que ln(X) a une variance σ 2 . Alors

E [max(X − K), 0] = E(X)N (d1 ) − KN (d2 )

avec N
³ la
´ fonction de répartition de la loi normale centrée réduite.
E(X) 1 2
ln K + 2σ
d1 = et d2 = d1 − σ.
σ
Cas d’un Call de Change :

L’équation de diffusion sous la probabilité risque neutre est

dSt
= [rd (t) − rf (t)]dt + σt dWdQ (t)
St
et donne par intégration
· Z T Z T Z T ¸
1 2
ST = St exp − rd (s) − rf (s)ds + σ (s)ds + σ(s)dWs
t 2 t t

La formule de Black-Scholes donne alors le prix par formule fermée d’un call de change :
µ Z T ¶ µ Z T ¶
Ct = exp − rd (s)ds St N (d1) − K exp − rf (s)ds N (d2)
t t

RT RT
ln SKt + t rd (s) − rf (s)ds + t σ 2 (s)ds
Avec d1 = qR
T 2
t σ (s)ds

et
s
Z T
d2 = d1 − σ 2 (s)ds
t

Conclusion :

Le modèle de Garman et Kohlhagen donne donc dans le cas d’un call et d’un put vanilles, une
formule fermée, tout comme celui de Black-Scholes. Par contre, on voit que pour une option asiatique,
on ne peut pas effectuer un calcul analogue à celui que l’on vient de faire. En effet, la moyenne du taux
de change apparaı̂t comme une somme de variables aléatoires lognormales corrélées, et sa distribution
n’est donc pas lognormale. Ainsi, les sections suivantes vont traiter de méthodes de résolution du modèle
 MÉTHODE DE MONTE CARLO 7

de Garman et Kohlhagen dans le cas d’une option asiatique (Méthode de Monte-Carlo, Algorithme de
Turnbull et Wakeman, approche par EDP).

3 Méthode de Monte Carlo

3.1 Principe de la résolution

Nous commençons par rappeler brièvement les arguments théoriques qui justifient la méthode de
Monte-Carlo ainsi que les moyens d’évaluer numériquement sa précision.

Théorème1 : Loi Forte des Grands Nombres

Soit X1 , .., Xn , une suite de variables aléatoires iid (indépendantes, identiquement distribuées de
moyenne m et de variance σ 2 ), telles que ∀i, E(|Xi |) < ∞, et définies sur un même espace de probabilité.
N
X
Alors la suite N1 Xi converge presque sûrement vers la valeur m = E(Xi ).
i=1
N
X
1
Ce théorème assure la convergence presque-sûre vers la valeur E(Xi ). L’estimateur X̂ = N Xi
i=1
est donc convergent. D’autre part, il est facile de voir qu’il est sans biais, par linéarité et indépendance
des Xi . Le contrôle de l’erreur est donné par le théorème suivant.

Théorème2 : Théorème Central Limite

Sous les mêmes hypothèses que le théorème précédent, on peut conclure que :
" n #
√ 1X
n Xi − m à N (0, σ 2 )
n
i=1

la convergence étant une convergence en loi.

Commentaires :

On peut déduire de cette convergence en loi que pour tout couple de réels a et b
" n
# Z b µ ¶
a X Xi b 1 1 2
lim P σ √ < − m < σ√ =√ exp − x dx
n→∞ n n n 2Π a 2
i=1
 MÉTHODE DE MONTE CARLO 8

h D’autre part, si X suiti une loi normale N (0, 1), on sait que P (| X |< 1.96) = 95%. On en déduit que
P | Xni − m |) < 1.96 √σn → 95%. Ainsi, on obtient à l’aide de ce théorème, un intervalle de confiance à
95%. Mais on voit qu’il reste à pouvoir estimer le paramètre inconnu, pour pouvoir achever l’évaluation
de l’erreur effectuée dans la méthode de MonteCarlo. Le dernier résultat rappelé ci-dessous donne un
estimateur du paramètre, à partir de la variance empirique de l’échantillon iid.
Théorème3 : Estimation du paramètre :

Sous les mêmes hypothèses que les deux théorèmes précédents, la variance empirique
" n µ Pn ¶2 #
X
2 1 i=1 Xi
σn = Xi −
n−1 n
i=1

est un estimateur sans biais et convergent de σ 2 (convergence presque sûre).

Commentaires : Ce dernier résultat permet donc de calculer l’erreur MonteCarlo. En pratique, on

σn
considèrera que l’erreur à 95% est 1.96 √ .
n

3.2 Application au pricing d’une option asiatique

Nous considérons une option asiatique sur taux de change qui livre à la date T le payoff :
" N
#+
1X
Φ= Sti − K
N
i=1

Le prix de non arbitrage de cette option à la date t s’écrit :

· µ Z T ¶ ¸
Pt (Φ) = E exp − rd (s)ds Φ
t

L’application de la méthode de MonteCarlo va consister d’abord à simuler N variables aléatoires

Φ1 , ..., ΦN de même loi que Φ. En vertu de la loi forte des grands nombres, on pourra utiliser comme
estimateur du prix :

µ Z T ¶ XN
1
Pt (φ) = exp − rd (s)ds Φh
t N
h=1

Ensuite, on estime l’erreur en utilisant les deux derniers résultats de la section précédente. On
commence par estimer la volatilité de l’estimateur du prix à l’aide de l’échantillon tiré.
On a : Ã
µ Z T ¶ N N µ ¶ !
2 1 X X Gh 2
σ (Pt (Φ)) = exp −2 rd (s)ds Gh −
t N −1 N
h=1 h=1
 MÉTHODE DE MONTE CARLO 9

Le résultat précédent permet de conclure que l’erreur MonteCarlo avec une probabilité de 95% est
la suivante :
µ Z T ¶
1.96
ErreurM C = √ exp − rd (s)ds σ (Pt (Φ))
n t
Chaque variable aléatoire Φh à simuler s’écrit :
à N
!
1 X h
Φh = Sti − K
N
i=1
.
On voit donc que la simulation d’une variable aléatoire Φi nécessite donc de savoir tirer une trajec-
toire de N points du taux de change. La diffusion du taux de change sous la probabilité risque neutre
a déjà été établie dans les sections précédentes et s’écrit de la manière suivante :

dSt
= (rd (t) − rf (t)) dt + σdWtQ
St

En notant S0 , la valeur initiale du taux de change, on montre en utilisant le lemme d’Itô que la
solution de cette équation stochastique est :
·Z t Z t Z t ¸
1 2
St = S0 exp rd (s) − rf (s)ds − σ (s)ds + σ(s)dW s
0 2 0 0
Tout d’abord, on peut·Zconstater que St s’écrit Z comme produit
¸ d’un facteur déterministe que nous
t
1 t 2
noterons Ft = S0 exp rd (s) − rf (s)ds − σ (s)ds et d’un facteur stochastique noté exp(Yt )
0 2 0
Rt
avec Yt = 0 σ(s)dW s. Le facteur Ft se calcule aisément avec les données de marché. Nous présentons
Rt
ci-dessous la méthode de simulation d’une trajectoire du processus Gt = exp(Yt ) avec Yt = 0 σ(s)dW s.

3.2.1 Simulation de la partie stochastique du taux de change

Rt
Le processus Yt = 0 σ(s)dW s est une intégrale de Wiener dans la mesure où on suppose que σ(s)
est déterministe. On a donc les ³ deuxR propriétés´suivantes qui serviront à effectuer la simulation de Yt .
t
– Yt suit une loi normale N (0, 0 σ 2 (s)ds)
– Le processus est à accroissements indépendants (si t > s, alors Yt − Ys est indépendant de Fs où
Fs désigne la filtration engendrée jusqu’à la date s par le processus Y).
En subdivisant l’intervalle [0, T] avec un pas de temps h, on peut donc écrire que :
– Y0 = 0 ³ R ´
(k+1)h 2
– Y(k+1)h − Ykh suit une loi N 0, kh σ (s)ds .
Ainsi la récurrence ci-dessous permet de simuler une trajectoire du processus Yt .
– Y0 = 0 qR
(k+1)h 2
– Y(k+1)h = Ykh + kh σ (s)dsZk
 MÉTHODE DE MONTE CARLO 10

où les Zk sont des tirages indépendants suivant une loi normale N (0, 1). La simulation de Gt = exp(Yt )
en découle en prenant à chaque date kh, Gkh = exp(Ykh ).
Remarque : La simulation de trajectoires nécessite donc d’effectuer des tirages indépendants selon
une loi normale N (0, 1). Ceci est un point crucial dans la simulation de Monte Carlo ; il est donc
nécessaire d’obtenir un générateur de nombres aléatoires performant (avec de bonnes propriétés statis-
tiques) et disposant d’une période suffisante pour les calculs que l’on souhaite mener. Nous présentons
ci-dessous la démarche que nous avons adoptée dans le cadre de notre projet qui consiste à commencer
par simuler une loi uniforme sur [0,1], puis utiliser la méthode d’inversion de la fonction de répartition.

3.2.2 Simulation d’une loi uniforme U(0,1)

Des générateurs de nombres quasi-aléatoires sont disponibles dans la plupart des systèmes. D’une
manière générale, ces générateurs sont des générateurs congruentiels, c’est-à-dire qu’ils forunissent
une suite d’entiers (xn )n≥0 donnés par la relation de récurrence suivante : xn+1 = axn + b (modulo
m). La valeur x0 est appelée la graine, a est le multiplicateur et la période maximale d’une telle
séquence est de m. Des exemples de générateurs intégrés aux systèmes sont par exemple les fonctions
RANDOM de Pascal et Java, ou encore le RAND (écrit par les auteurs du système Unix). La qualité
de ces générateurs est évaluée à l’aide de tests statistiques d’uniformité, d’indépendance, mais aussi de
l’évaluation de leur période. On peut par exemple citer le test de Kolmogorov-Smirnov qui compare
X n
la fonction de répartition empirique calculée à la suite de nombres Fn (t) = n1 χ[U i<t] , (où χ désigne
i=1
la fonction indicatrice), à la vraie fonction de répartition F (t) = P (U < t) = t quelque soit t dans
[0,1]. La plupart de ces générateurs prédéfinis n’ont pas de très bonnes propriétés statistiques. Nous
nous sommes donc fondés sur la littérature existant sur ce sujet et les conclusions des nombreux tests
déjà effectués dans ce domaine. L’un des meilleurs générateurs disponibles à l’heure actuelle est celui
de Mersenne Twister développé par Makoto Matsumoto et Takuji Nishimura en 1997 (entièrement
disponible sur le site Internet des auteurs : http ://www.math.sci.hiroshima-u.ac.jp/). Notre projet
utilise une implémentation de cet algorithme en JAVA.

3.2.3 Simulation de la loi normale N (0, 1) : Méthode d’inversion

Le résultat utilisé est le suivant. On suppose que U suit une loi uniforme U[0,1]. Alors, si on pose
Y = F −1 (U ), avec F −1 inverse de la fonction de répartition de la loi normale N (0, 1), la variable
aléatoire Y suit une loi normale N (0, 1).
Démonstration : La preuve vient du fait que P (Y < t) = P [F −1 (U ) < t] = P [U < F (t)] = F (t)
avec F fonction répartition de la loi normale N (0, 1). On en déduit que Y suit une loi normale N (0, 1).
D’un point de vue numérique, nous avons implémenté sous Java l’algorithme d’inversion de Moro
d’une très grande précision . (Ref Moro ” The Full Monte ” , Risk, Vol 8 No2, Février 95-P57-58).
Description de l’Algorithme d’inversion de Moro :
En supposant connue la valeur de N(x), l’algorithme ci-dessous permet de retrouver x.
 MÉTHODE DE MONTE CARLO 11

L’approximation est faite en fonction de la valeur de N(x). Soit y = N (x) − 0, 5

Si|y| ≤ 0, 42, alors l’approximation faite est :

3
X
ai y 2i
x = y i=0
4
X
bj y 2j
j=0

Si en revanche |y| > 0, 42, alors l’approximation est faite à l’aide des polynômes de Tchebychev :
" 8 #
X c0
x=ε ci Ti (t) − ε
2
i=0

où ε est le signe de y et :

· µ ¶ ¸
1
t = k1 2ln −ln( − |y|) − k2
2
En résumé, nous avons donc présenté les méthodes utilisées pour pouvoir générer une trajectoire
à N !+
X
1 h
du taux de change et évaluer le payoff associé à chaque trajectoire (h) : Φh = N Sti − K . Les
i=1
calculs de prix et d’erreurs s’en déduisent en utilisant les formules établies un peu plus haut, à savoir
³ R ´ X N
T 1
que l’estimateur du prix est Pt (Φ) = exp − t rd (s)ds N Φh . L’erreur à 95% s’écrit :
h=1
µ µ Z T ¶ ¶
1.96
ErreurM C = √ exp − rd (s)ds σ(Pt (Φ))
N t

3.3 Monte Carlo et Techniques de Réduction de Variance

3.3.1 utilisation de variables antithétiques

La précision de la méthode de MonteCarlo peut être améliorée par des techniques de réduction de
la variance de l’estimateur. Aussi, allons-nous utiliser ici la technique des variables antithétiques.
Rappelons cependant le théorème suivant, nécessaire à la mise en oeuvre de cette technique :
Théorème :
Soit X une variable aléatoire, T une transformation décroissante de < telle que T(X) a la même loi
que X et Φ une fonction monotone. Alors

COV (Φ(X), T (Φ(T (X)) ≤ 0

.
 MÉTHODE DE MONTE CARLO 12

à N
!+
X
Pour pricer l’option de payoff Φ = 1
N Sthi −K , la méthode de Monte Carlo classique a
i=1
(Φ1 +Φ2 +...+ΦN )
consisté à approximer E(Φ) par N . Onva utiliser une propriété
³R de symétrie´ en loi dans l’ex-
ti
pression de Φ. Comme indiqué dans la section précédente Sti = Fti exp 0 σ(s)ds où Fti est le facteur
³ R ´
t
déterministe vu à la section précédente (évalué à la date ti ). Posons St∗i = Fti ∗ exp − 0 i σ(s)dW s .
à N !+
X
Par symétrie, Sti * garde la même loi que Sti . Ainsi, si on pose Φ∗ = N1 Sti∗ − K , §∗ti est appelée
i=1
la variable antithétique associée à §ti . Dans la mesure où E(Φ) = E(Φ∗ ), on en déduit que pour calculer
E(Φ), on peut effectuer N tirages indépendants de Φ et Φ∗ et utiliser l’estimateur suivant :

1
E∗ = (Φ1 + Φ∗1 + ... + ΦN + Φ∗N )
2N
à la place de l’estimateur classique
1
E= (Φ1 + ... + Φ2N )
2N
. Ces deux estimateurs de l’espérance sont tous les deux convergents et sans biais, mais l’intérêt
d’utiliser le premier résulte du fait que sa variance est plus faible. En effet , en utilisant l’hypothèse
d’indépendance et de distribution identique des tirages, on montre que

V ar(Φ∗ ) = V ar(Φ) + cov(Φ, Φ∗ ).

Le gain de variance résulte du théorème précédent qui permet d’établir que cov(Φ, Φ∗ ) ≤ 0. En effet,
XN
en l’appliquant à la variable aléatoire X = N1 Sti , et pour la fonction Φ(x) = (x − K)+ .
i=1

3.3.2 Résultats Numériques :

Les graphes ci-dessous permettent de comparer la convergence des prix et les erreurs Monte carlo
obtenues avec et sans réduction de variance en faisant varier le nombre de trajectoires.
 MÉTHODE DE MONTE CARLO 13

Fig. 1 – Comparaison des erreurs Monte Carlo avec et sans réduction de va-
riance

Fig. 2 – Convergence des prix Monte Carlo avec et sans réduction de variance

Nous constatons que la variance obtenue avec la méthode antithétique est plus faible. On remarque
également que la courbe des prix de Monte Carlo antithétique a moins de fluctuations que dans le cas
d’un Monte Carlo sans réduction de variance, donc que le prix converge effectivement plus rapidement
dans le premier cas.
 TURNBULL ET WAKEMAN 14

3.4 Reconstitution de la densité de la moyenne à partir de simulations de Monte

Carlo
Notons qT (x) la densité de la moyenne arithmétique sur l’horizon T. Le prix d’un Call asiatique sur
moyenne (de strike K) calculé à l’aide de la simulation de Monte Carlo s’exprime aussi par l’intégrale
suivante :
µ Z T ¶Z ∞
C0 (K) = exp − rd (s)ds qT (x)(x − K)dx
0 K
On déduit de cette relation que
µ Z T ¶
∂ 2 C0 (K)
= exp − rd (s)ds qT (K)
∂K 2 0

Ainsi qT (K) est lié à la dérivée seconde du prix par rapport au strike.
µZ T ¶ 2
∂ C(K)
qT (K) = exp rd (s)ds
0 ∂K 2

Cette relation est connue sous le nom de formule de Breeden Litzenberger. L’approximation numérique
que nous avons effectuée consiste à évaluer le prix du call pour une série de valeurs discrètes de strike
K1 , K2 , ..., KN . (On suppose que Ki −Ki−1 = δ constant). La dérivée seconde de C est alors approximée
par µ 2 ¶
∂ C(K) C(Ki−1 )C(Ki+1 ) − 2C(Ki )
2
=
∂K K=Ki δ2
On pourra se reporter aux annexes pour les graphes de densité obtenue à l’aide de cette méthode.
qui sont par ailleurs commentés dans la section 7 ”Analyse des résultats”.
Conclusion : Finalement le pricing des options par les simulations de Monte Carlo donne des
résultats relativement précis. On peut de plus améliorer la performance de cette méthode par une
technique de réduction de variance. Néanmoins, cette technique de pricing est coûteuse en temps de
calcul puisque pour obtenir des résultats de densité satisfaisants, il est nécessaire de simuler au moins
un million de trajectoires de prix. Nous allons donc dans la partie suivante étudier un procédé beaucoup
plus rapide :l’algorithme de Turnbull et Wakeman.

4 Turnbull et Wakeman
4.1 le principe de l’algorithme de Turnbull et Wakeman
Pour développer cette partie, nous avons étudié l’article de Turnbull et Wakeman, ”A Quick Algo-
rithm for pricing european Asian Options”, dont les références sont notées en annexes.
Soit Ct le prix du call européen considéré, où K est le prix d’exercice de l’option et n le nombre
d’observations du prix de l’actif sous-jacent.
 TURNBULL ET WAKEMAN 15

· Z T ¸
Ct = Et exp(− rd dt)S − K/S ≥ K
0
N
X
1
où E t est l’espérance conditionnelle sachant le prix de l’actif en t et S = N Sti
i=1

Pour évaluer cette option, il faut donc connaı̂tre la fonction de densité de la moyenne S. Or S
étant une somme de lognormales corrélées, il est en général difficile d’évaluer sa densité ; néanmoins,
on peut plus facilement calculer ses moments. L’algorithme de Turnbull et Wakeman repose alors sur
une approximation de la distribution de S par une distribution lognormale dont les deux premiers
moments sont calés sur ceux de S. Cette approche nous permet par la suite d’évaluer notre option par
la formule fermée de Black-Scholes.

4.2 Approximation de la densité de S

³ ´
σ2
On suppose que S est égale en loi à une variable aléatoire lognormale qu’on notera Y = µ exp σX − 2 ,
oùX Ã N (0, 1). De cette condition d’égalité en loi, les deux premiers moments de S sont égaux à ceux
de Y. Nous sommes donc amenés à calculer les deux premiers moments de S pour déterminer les
paramètres µ et σ.
En utilisant la transformée de Laplace,on trouve les deux premiers moments de Y et on a :

E(Y ) = µ (1)
2 2 2 2 2
E(Y ) = µ exp(−σ )E[exp(2σX)] = µ exp(σ ) (2)

car E [exp(2σX)] = exp(2σ 2 )

4.2.1 Calcul des deux premiers moments de S

On se référera aux annexes pour la démonstration de ces résultats. On a, après calcul :

N −1 ·Z ti ¸
S0 X
E(S) = exp (rd (s) − rf (s))ds
N 0
i=0
n−1 n−1 µZ ti Z tj Z ti ∧tj ¸
2 S02 X X 2
E(S ) = exp (rd (s) − rf (s))ds + (rd (s) − rf (s))ds σ (s)ds
n 0 0 0
i=0 j=0

4.2.2 Détermination de la loi de Y

2
Nous avons choisi d’approcher la densité de S par une loi lognormale de la forme Y = µ exp(σX− σ2 )
où X Ã N (0, 1) (cf ci-dessus). Les paramètres µ et σ 2 , qui caractèrisent ainsi exactement la loi de
 RÉSOLUTION PAR ÉQUATIONS AUX DÉRIVÉES PARTIELLES 16

Y, sont alors déterminés de telle sorte que les deux premiers moments de Y coı̈ncident avec les deux
moments que nous venons de calculer. Nous devons donc avoir :

E(Y ) = µ = E(S) (3)

V (Y ) = E(Y 2 ) − E(Y )2 = µ2 exp(σ 2 ) − µ2 = V (S) (4)
2
ce qui nous donne µ2 exp(σ 2 ) = E(S ) soit

à 2
!
2 E(S )
σ = ln
µ2
µ = E(S)

La loi de Y est alors complètement caractérisée, ce qui va nous permettre de pricer notre call en
calculant l’espérance de son payoff actualisé ; on obtient ainsi :

µ Z T ¶
Ct = exp − rd (s)ds [µN (d1) − KN (d2)]
0

ln( µ )+ 1 σ 2
avec d1 = K
σ
2
et d2 = d1 − σ
Conclusion : L’avantage de cette méthode par rapport à la méthode probabiliste de Monte Carlo
est qu’elle est beaucoup plus rapide car ne suppose que deux calculs, à savoir les deux premiers
moments de S. En contrepartie, elle repose sur une approximation fausse considérant la densité de S
lognormale. En effet, même si on constate pour certains couples, par exemple dans le cas du couple
EUR/USD, que ne tenir compte que des deux premiers moments de la loi de S conduit à des résultats
très satisfaisants, nous obtenons parfois (comme dans le cas du couple EUR/JPY) des prix différents de
ceux donnés par la première méthode. (L’analyse de ces résultats est présentée dans la section 7.) Dans
la partie suivante, nous allons alors envisager une nouvelle approche qui assimile la moyenne discrète
à une moyenne continue. Cette technique consiste à évaluer les options par résolution d’équations aux
dérivées partielles.

5 Résolution par équations aux dérivées partielles

5.1 EDP en dimension 2
5.1.1 établissement de l’équation

En conservant les mêmes notations que précédemment, rappelons les dynamiques des actifs sans
risque Sd (actif domestique), Sf (actif étranger) et de l’actif risqué S.
 RÉSOLUTION PAR ÉQUATIONS AUX DÉRIVÉES PARTIELLES 17

dSd
= rd dt
Sd
dSf
= rf dt
Sf
dS
= (rd − rf )dt + σdWtQ
S
où (WtQ )(t≥0) est un mouvement brownien sous la probabilité risque neutre Q, probabilité sous
laquelle les actifs actualisés sont martingales.
Soient ρ0t et ρt , les quantités respectives de l’actif sans risque domestique et de l’actif risqué, détenus
par un investisseur sur le marché.
Notons par ailleurs Φ[(St )0≤t≤T ] le payoff d’un call asiatique sur l’actif St , évalué sur la moyenne
de la période [0, T ] :
ÃR T !+
0 S u du
Φ[(St )0≤t≤T ] = −K
T
En absence d’opportunité d’arbitrage, le prix de ce call s’écrit :
"Ã R T !+ #
Su du
Pt = exp(−rd (T − t))EtQ 0
−K
T
En supposant que notre marché est complet, on peut répliquer tout actif contingent par une stratégie
d’investissement autofinancée fondée sur les actifs risqué et sans risque :

∃(ρ0t , ρt ) ∈ <2 \Pt = ρ0t St0 + ρt St

Mais étant donné que le payoff n’est pas markovien(il dépend de la moyenne sur la période), on
Rt
introduit la variable It = 0 Su du qui va permettre de le rendre markovien.
Par application du lemme d’Itô, on trouve :
· ¸ · ¸
∂P ∂P 1 ∂ 2 P 2 2 ∂P ∂P
dPt = + S(rd − rf ) + S σ + s dt + Sσ dWtQ
∂t ∂S 2 ∂S 2 ∂I ∂S
Par ailleurs, en utilisant le caractère autofinancé de la stratégie de réplication, on trouve :

dPt = (ρ0t St0 rd dt + ρt St rf + ρt St rf )dt + ρt σSt dWtQ

et en identifiant les termes des équations précédentes, on tire l’équation déterministe de Pt qui
s’écrit sous la forme du problème suivant de Cauchy sur ([0, T ] ∗ <2 ) :

∂t Pt + =S,I P = rd Π, 0 ≤ t < T (5)

P (T, S, I) = Φ(I) (6)
 RÉSOLUTION PAR ÉQUATIONS AUX DÉRIVÉES PARTIELLES 18

avec
1
=S,I = σ 2 S 2 ∂S2 2 + (rd − rf )S∂S + S∂I
2

5.1.2 commentaires

– On constate que l’EDP de dimension 2 satisfaite par le prix du call asiatique fait apparaı̂tre un
terme supplémentaire qui traduit la dépendance du payoff en la valeur moyenne de l’actif.
– Notons que la présence de ce terme supplémentaire fait sortir l’approximation du prix de l’option
asiatique du cadre standard de résolution des EDP, ce qui nécessite un cadre de traitement
spécifique comme celui proposé par ”Zvan et Al” et qui permet de tenir compte de la nature
dégénérée de I dans l’opérateur =S,I .

5.2 EDP en dimension 1

En opérant le changement de variables suivant :

Z T
I0T = Su du − KT (7)
0
ItT
xt = − (8)
T St
et par application du lemme d’Itô, on trouve que
· ¸
σ2 1
dxt = −xt σdWtQ − (rd − rf − )xt + dt
2 T
On peut donc montrer que :

Pt = St u(t, xt ) exp(−rf t)

où u est solution de l’équation différentielle suivante :

µ ¶
∂u 1 ∂u 1 2 2 ∂ 2 u
+ (rd − rf )x + − σ x = 0, x > 0, t > 0 (9)
∂t T ∂x 2 ∂x2
u(0, x) = 0, x ≥ 0 (10)
1
u(t, 0) = (1 − exp(−(rd − rf )T )), t ≥ 0 (11)
(rd − rf )T

Comme le montre le travail de Lelièvre, le problème (9, 10, 11) donne des résultats instables lorsque
la diffusion (la volatilité) est petite. Une méthode pour contourner ce problème consiste à transformer
l’équation d’advection-diffusion en une pure diffusion, c’est à dire de faire disparaı̂tre le terme convectif
 RÉSOLUTION PAR ÉQUATIONS AUX DÉRIVÉES PARTIELLES 19

lié à la première dérivée grâce à un changement de variable approprié. Pour cela on doit simplement
intégrer l’équation suivante :

1 y
(rd − rf )x + = exp((rd − rf )t), y > 0 (12)
T T

On constate que :
– lorsque t = 0, la relation (12)s’écrit pour x > 0 et y > 1 :

1
(rd − rf )x =
(y − 1)
T
– lorsque x = 0, on a simplement pour t > 0 et y < 1 :

y = exp(−(rd − rf )T )
Ces considérations conduisent aux changements de variable suivants :

(t, x) 7→ (Θ ≡ t, y ≡ ((rd − rf )T x + 1) exp(−(rd − rf )t))

avec la condition supplémentaire

1 1
Θ> log( )
(rd − rf ) y
ainsi que le changement de la fonction inconnue u(.,.) :

u(t, x) ≡ v(τ, y)
Suite à ces transformations, les dérivées partielles dans l’équation (9) deviennent :

∂u ∂v ∂v
= − (rd − rf )y
∂t ∂τ ∂y
∂u ∂v
= (rd − rf )T exp(−(rd − rf )τ )
∂x ∂y
∂2u ∂2v
= ((rd − rf )T )2 exp(−2(rd − rf )τ )
∂x2 ∂y 2
compte tenu de la relation (9), on a
1 2 2 ∂2u 1 2 2
2∂ v 1 2 2
2∂ v
σ x = σ ((rd − rf )xT exp(−(rd − rf )τ )) = σ (y − exp(−(rd − rf )τ )) ,
2 ∂x2 2 ∂y 2 2 ∂y 2
et l’équation d’évolution de la nouvelle fonction inconnue s’écrit :

∂v 1 2 ∂2v 1 1
− σ (y − exp(−rτ ))2 2 = 0, τ > 0, y > 0, τ > log( ) (13)
∂τ 2 ∂y (rd − rf ) y
Dans cette nouvelle équation, les conditions au bord deviennent :
 RÉSOLUTION PAR ÉQUATIONS AUX DÉRIVÉES PARTIELLES 20

– pour τ = 0 et y > 1, la condition initiale prend maintenant 10 la forme

v(0, y) = 0
1
– pour y < 1 et τ = (rd −rf ) log( y1 ), la condition à la limite devient :
µ ¶
1 1 1
v log( ), y = g(y) = (1 − y), 0 < y ≤ 1
(rd − rf ) y (rd − rf )T
.
On constate alors que le problème aux limites (9, 10, 11) est posé sur un domaine non rectangulaire :
½ ¾
1 1
ΩT = (τ, y), 0 ≤ τ ≤ T, τ ≥ log( )
(rd − rf ) y
dont la frontière contient la courbe définie par :
½µ ¶ ¾
1 1
Γ= τ= log( ), y , 0 < y ≤ 1
(rd − rf ) y
La discrétisation de ce problème demande de réfléchir sur un maillage en espace-temps qui contient
explicitement la courbe de frontière. On suggère le schéma de précision d’ordre deux obtenu grâce à
un θ-schéma en temps à pas constant et à pas non uniforme pour la variable y.

5.3 Discrétisation en temps

Nous écrivons l’équation (13) sous la forme

∂v
= A(τ ) · (v(τ )) (14)
∂τ
avec τ qui varie au cours du temps et y ≥ exp(−rτ ). L’opérateur A(τ ) est donné par :

∂2 σ2 2 ∂
2
A(τ ) = µ(τ, y) ≡ (y − exp(−rτ )) (15)
∂y 2 2 ∂y 2
A présent, on introduit un pas de temps subdivisant notre intervalle [0 ;T] en N intervalles égaux
[τk ; τk+1 [ associés aux instants intermédiaires τk :

T
∆t =
, τk ≡ k∆t , 0 ≤ k ≤ N (16)
N
Pour trouver des solutions approchées, nous utilisons des θ-schémas :

1 1£ ¤
(vk+1 − vk ) = A(τk+1 ) · (vk ) (17)
∆t 2
qu’on peut écrire autrement sous la forme suivante :

(1 − (1 − θ)∆t Ak+1 ) · (vk+1 ) = (1 + θ∆t Ak )v k , O ≤ θ ≤ 1 (18)

 RÉSOLUTION PAR ÉQUATIONS AUX DÉRIVÉES PARTIELLES 21

et la condition initiale (10) peut s’écrire sous la forme suivante :

v0 = 0

5.4 Discrétisation en espace

Les temps intermédiaires θk définissent naturellement pour 0 ≤ k ≤ N , des points yN −k sur la
courbe limite et l’on pose :

yj ≡ exp(−rτN −j ), 0 ≤ j ≤ N.

On remarque également que y0 = exp(−rT ) et yN = 1. On établit par ailleurs la relation suivante :

yj+1 = exp (r∆t ) yj (19)

Les données géométriques introduites ci-dessus conduisent à une grille cartésienne (τk , yj ) à pas
constant en temps et à pas géométrique en espace, en suivant la relation 19. La condition pour un
point discret d’appartenir au domaine s’exprime, compte tenu de la relation précédente, sous la forme :

(τk , yj ) ∈ ΩT ⇔ j ≥ N − k (20)

Les conditions aux limites sur la grille discrète sont :

– d’une part à l’instant initial :
vj0 = 0, j ≥ 0

– d’autre part sur la courbe limite :

k 1
vN −k = (1 − yN −k ), 0 ≤ k ≤ N
(rd − rf )T

5.5 Algorithme de calcul de la fonction valeur

On doit dans un premier temps borner l’ensemble des valeurs ponctuelles en espace, de manière à
définir un ensemble fini de variables. On le fait en fixant un entier J qui indique le nombre de points de
discrétisation à l’instant initial. L’ensemble des points admissibles en espace au pas de temps numéro
k est paramétré par des entiers j qui vérifient la condition :

N −k ≤j ≤N +J

Par ailleurs, dans un souci de simplicité de la mise en oeuvre, on garde ici une progression
géométrique pour l’ensemble des points de la suite (yj ), qui vérifient donc la relation (19) pour tous
les indices j tels que 0 ≤ j ≤ N + J.
 RÉSOLUTION PAR ÉQUATIONS AUX DÉRIVÉES PARTIELLES 22

Par conséquent, l’ordre du système linéaire à résoudre est variable en fonction de l’indice du pas
de temps. Au fur et à mesure que le temps discret avance, l’ordre du système linéaire à résoudre passe
progressivement de J(à l’instant initial), à N + J (à l’instant final) ; à l’instant k, on a un système
linéaire d’ordre J + k à résoudre.
Compte tenu de la relation (14) valable dans le cas d’un espace continu, l’opérateur discret Ak agit
sur les fonctions valeur à l’aide d’un opérateur aux différences finies :

NX
−k+J
∂2ω k
( ) ' ωm ∆kj,m
∂y 2 j
m=N −k
qui doit être compatible avec les points existants sur la grille à l’instant k.
En pratique, pour un indice j, on choisit un opérateur aux différence finies centré à cinq points(voir
Annexes ”Evaluation par équations aux dérivées partielles” pour le calcul des coefficiants ∆j,m ).

5.6 Interpolation et interprétation des résultats numériques

5.6.1 Interpolation des resultats

Cherchons par exemple à calculer le prix d’un call asiatique à la monnaie (x = 1) à maturité T.
Une première difficulté consiste à situer la position x = 1 entre deux points yj de la grille. En vertu
de la relation (15), nous procédons de la manière suivante : nous plaçons d’abord le point x = 1 entre
deux points xj et xj+1 tels que :

1 1
xj = (yj exp(rT ) − 1) ≤ x = 1 ≤ xj+1 = (yj+1 exp(rT ) − 1)
rT rT
Puis nous évaluons la valeur de u(T, x = 1) à partir des valeurs calculées uj avec la méthode
des différences finies. Dans le cas d’interpolation affine, nous utilisons les valeurs uj et uj+1 ainsi que
le coefficient d’interpolation naturel associé à la relation précédente. Dans le cas d’une interpolation
parabolique, nous utilisons le triplet (j-1, j, j+1) ou le triplet (j, j+1, j+2). La dernière approximation
que nous avons employée prend la forme d’un polynôme de degré 3 ; trois quadruplets sont donc utilisés :
”à gauche”, (j − 2, j − 1, j, j + 1), au ”centre”, (j − 1, j, j + 1, j + 2), et ”à droite” (j, j + 1, j + 2, j + 3).
Pour évaluer UN (T, x = 1), nous disposons donc de six méthodes d’approximation sur la grille
qu’on peut combiner par les trois θ-schémas les plus utilisés dans la discrétisation des EDP (implicite,
Crank-Nicholson, explicite).

5.6.2 Interprétation

Dans le cas particulier d’une option asiatique sur le taux de change EUR/USD (reuro = 3.151%, rdollar =
5.531%, σ = 6.850%) en utilisant un maillage de points composé de N=250 pas de temps et J=250
points de discrétisation à la date initiale, les prix obtenus par les différentes approximations sont
exposés dans le tableau suivant.
 RÉSOLUTION PAR ÉQUATIONS AUX DÉRIVÉES PARTIELLES 23

Fig. 3 – Comparaison des prix pour différentes méthodes d’interpolation

Dans ce cas, on constate l’apparition d’une incertitude sur les résultats numériques qui s’accentue
particulièrement en utilisant l’approximation linéaire des prix. En effet, pour un θ-schéma donné, le
calcul prédit une valeur du prix avec 4 chiffres significatifs qui correspondent au nombre de chiffres
identiques pour les 6 méthodes d’approximation. Si on ne prend pas en compte l’interpolation affine,
(qui utilise peu d’informations pour approximer le prix), les valeurs prédites ont une significativité qui
s’élève au sixième chiffre après la virgule. Cette remarque étant faite, nous avons choisi l’approxima-
tion cubique centrée pour comparer les résultats donnés par les EDP avec ceux obtenus par d’autres
approches.
Pour choisir le θ-schéma à utiliser dans l’approximation des prix, nous avons tracé le graphe de
convergence des prix dans les trois situations.

--E.D.P--
Convergence vers le prix de l'option par raffinement du maillage de
points
0,0274

0,0269

0,0264
Explicite Crank-Nicholson Implicite
Prix

0,0259

0,0254

0,0249
25 50 75 100 150 200 250 300 350 400 450 500 600
Nombre de discrétisations

Fig. 4 – Convergence vers le prix de l’option

 INTRODUCTION D’UN MODÈLE AVEC TAUX STOCHASTIQUES 24

On observe que la méthode de résolution par un schéma implicite donne des résultats moins sa-
tisfaisants puisque la convergence vers le prix de l’option est plus lente que dans le cas du schéma de
Crank-Nicholson ou dans le cas du schéma explicite, qui donne les résultats les plus performants.
D’ailleurs, le graphe ci-dessous confirme ce constat :
--E.D.P--
Gain de précision par raffinement du maillage de points
5,00E-03
4,00E-03
3,00E-03
Précision

Explicite Crank-Nicholson Implicite

2,00E-03
1,00E-03
0,00E+00
75 --> 100 --> 150 --> 200 --> 250 --> 300 --> 350 --> 400 --> 450 --> 550 -->
100 150 200 250 300 350 400 450 500 600
Explicite 1,64E-03 7,90E-04 9,73E-05 4,07E-05 6,31E-05 6,65E-05 5,98E-05 5,31E-05 4,66E-05 8,43E-10
Crank-Nicholson 2,88E-03 2,01E-03 7,06E-04 3,24E-04 1,80E-04 1,07E-04 7,04E-05 4,82E-05 3,45E-05 1,04E-08
Implicite 4,12E-03 3,24E-03 1,32E-03 6,91E-04 4,75E-04 2,73E-04 1,96E-04 1,24E-04 3,45E-05 2,74E-07

Fig. 5 – Gain de précision par raffinement du maillage de points

Nous avons représenté le gain de précision apporté par une augmentation du nombre de points
de discrétisation. Par exemple, dans le cas du schéma explicite, lorsque l’on passe de 75 à 100 points
de discrétisation, nous améliorons la précision de notre prix de 1, 64.10−3 . Cela signifie que si pour
deux points consécutifs d’une des courbes, l’amélioration de la précision évolue peu, nous sommes déjà
proches du prix de convergence. Nous remarquons alors que c’est effectivement le schéma explicite qui
converge le plus rapidement.

6 Introduction d’un modèle avec taux stochastiques

L’objectif de cette section est de proposer une alternative au modèle de Garman et Kohlhagen qu’on
a étudié jusque-là. Il s’agit notamment d’introduire des taux stochastiques, et d’observer l’impact de
cette modélisation sur les prix . De façon empirique, on constate que sur le marché, on peut avoir des
mouvements de translation, pivotement de la courbe des taux. Le prix d’un zéro-coupon peut donc
varier suite à un mouvement de la courbe des taux et doit donc en réalité être modélisé par un processus
stochastique. Ce ” risque de taux ” ne peut à priori pas être négligé, surtout sur des maturités longues.
Nous allons présenter la modélisation utilisée pour prendre en compte ce phénomène et analyser les
résultats numériques en comparaison avec ceux des sections précédentes. Pour développer cette section,
nous nous sommes inspirés des articles ref 8 et ref 9 de la bibliographie)

6.1 Modélisation financière

Différentes approches ont été développées. Par exemple, le modèle de Vasicek consiste à considérer
la courbe des taux comme fonction d’une variable d’état qui est le taux court et à le modéliser par un
 INTRODUCTION D’UN MODÈLE AVEC TAUX STOCHASTIQUES 25

processus de retour à la moyenne. D’autres approches comme celle présentée dans l’aricle de Geman El-
karaoui, (Rochet 95) consistent à partir des processus de prix des zéro-coupon B(t,T) et à les modéliser
par des processus d’Itô avec un drif µ(t, T ) et un vecteur de risque ou de volatilité σ(t, T ). Nous allons
nous placer dans ce cadre et modéliser respectivement les deux processus de prix de zéro-coupon dans
les deux économies.
Les prix à la date t des zéro-coupon de maturité T dans les deux économies sont notés respec-
tivement Bd (t, T ) et Bf (t, T ). Les taux courts instantanés sont notés rd (t) et rf (t), et le taux de
change de (f) vers (d) est noté S(t) . On suppose que dans les deux économies, n sources de bruits
indépendantes(n ≥ 3) expliquent les perturbations aléatoires de tous les produits financiers. On notera
W P (t) ce brownien multidimensionnel sous la probabilité historique P propre à l’agent et (Ft )(t≥0) , la
filtration qu’il engendre.

6.1.1 Dynamiques des processus de prix en absence d’arbitrage

On note : λd (t) et λf (t), les primes de risque dans chaque économie,σd (t, T ) et σf (t, T ) les vecteurs
de volatilité des deux zéro-coupon.
En l’absence d’opportunité d’arbitrage, dans chacune des deux économies, on peut écrire les rela-
tions suivantes.

dBd (t, T )
= rd (t)dt+ < σd (t, T ), dW p (t) + λd dt >
Bd (t, T )
dBf (t, T )
= rf (t)dt+ < σf (t, T ), dW p (t) + λf dt >
Bf (t, T )
dS(t)
= (rd − rf )dt+ < σs (t, T ), dW p (t) + λd dt >
S(t)

Le lien entre les deux primes de risques λd et λf s’obtient en traduisant le non arbitrage entre les
deux économies (d) et (f).

6.1.2 Lien entre primes de risque λd et λf

Bf (t, T ) est le prix du zéro coupon étranger exprimé en monnaie étrangère. On exprime que la
dynamique du processus Zt = Bf (t, T )S(t) qui correspond au prix exprimé en devise (d) satisfait au
principe de non arbitrage énoncé dans l’économie (d). Sa dynamique est donc de la forme :

rd (t)dt+ < σZ , dW P (t) + λd dt >

. Par application du lemme d’Itô, on a

dZ dS dBf dS dBf
= + +< , >
Z S Bf S Bf
 INTRODUCTION D’UN MODÈLE AVEC TAUX STOCHASTIQUES 26

dB
avec < dS f
S , Bf >=< σs (t), σf (t, T ) > dt ce qui après calcul nous donne le lien entre les deux primes
de risque suivant : λf = λd − σs dt
D’autre part, comme on l’a déjà effectué précédemment, on peut définir une probabilité Qd ,
RT
équivalente à P sous laquelle W Qd = W P + 0 λd (s)ds est un mouvement brownien. Sous la pro-
babilité Qd (risque neutre domestique), les dynamiques des trois processus s’écrivent donc de la façon
suivante :

dBd (t)
= rd (t)dt+ < σd (t, T ), W Qd (t) >
Bd (t)
dBf (t, T )
= [rf (t)− < σf (t), σs (t) >]dt+ < σf (t, T ), W Qd (t) >
Bf (t, T )
dS(t)
= (rd − rf )dt+ < σs (t), W Qd (t) >
S(t)
Sous la probabilité Qd (domestique), on a déjà vu que le prix en t d’un actif contingent versant Φ
à la date T s’écrit : · µ Z T ¶¸
Qd
Pt = E Φ exp − rd (s)ds
t
Il est clair que dans le cas de taux stochastiques, le facteur d’actualisation ne peut être sorti de
l’espérance permettant de calculer le prix d’un actif contingent comme dans les section précédentes et il
n’est plus très commode de se placer sous la probabilité Qd . Nous allons donc effectuer un changement
de numéraire.

6.1.3 Construction de la probabilité de Pricing : Probabilité Forward Neutre

La technique du changement de numéraire que nous allons utiliser ici est développée dans l’article
d’El Karaoui, Geman et Rochet (95). On note Ft , le prix à la date t du forward de change d’échéance T :
B (t,T )
Ft = St Bfd (t,T ) . En utilisant les équations de diffusion du paragraphe précédent, ainsi que les formules
d’Itô, on montre que,
dFt
=< σs (t) + σf (t) − σd (t, T ), dW Qd (t) − σd (t, T )dt >
Ft
. Nous voyons donc que si on arrive à définir une probabilité QT telle que dW Qd (t) − σd (t, T )dt est un
QT mouvement brownien, le forward sera martingale sous QT .
Une telle probabilité QT existe d’après le théorème de Girsanov, et on a
µ Z T Z T ¶
dQT 2
( ) = ZT = exp − σd (s, T )ds + σd (s, T )dW s
dQd \FT 0 0

La probabilité ainsi définie est la probabilité forward neutre, qui rend martingale les processus de
prix forward de n’importe quel actif contingent. Ainsi, si on note Pt , le prix à la date t d’un actif
contingent versant Φ à la date T dans l’économie domestique (d), la formule de pricing devient

Pt = Bd (t, T )E QT (Φ)
 INTRODUCTION D’UN MODÈLE AVEC TAUX STOCHASTIQUES 27

6.1.4 Application au Pricing d’Options

Application au Pricing d’Options

Nous allons d’abord (pour des objectifs de calibration du modèle), calculer le prix d’un Call de
Change.
Prix d’un call de change
On a déjà établi
dFt
=< σs (t) + σf (t, T ) − σd (t, T ), dWQT >
Ft
et on note le vecteur des volatilités du forward d’échéance T :

σGK (t, T ) = σs (t) + σf (t, T ) − σd (t, T )

. En intégrant cette équation entre les dates t et T , on obtient :

· Z Z T ¸
Bf (t, T ) 1 T 2
ST = St exp − σGK (s, T )ds − σGK (s, T )dW s
Bd (t, T ) 2 t t
.
En supposant la volatilité du forward déterministe, on conclut que XT suit une loi lognormale et
on peut calculer le prix d’un Call de Change dans ce modèle, en utilisant la formule de Black Scholes.

Ct = St Bf (t, T )N (d1) − KBd (t, T )N (d2)

avec RT 2
St Bf (t,T )
ln KB d (t,T )
+ 21 t σGK (s, T )ds
d1 = qR
T 2
t σGK (s, T )ds

et s
Z T
d2 = d1 − 2 (s, T )ds
σGK
t

Remarques sur la calibration du modèle : On note de façon générale ρxy , le coefficient de

corrélation instantané entre les prix de deux processus de prix X et Y (ρxy = <σ X ,σY >
kσX kkσY ). Le prix de
marché à la date 0 d’un Call de change de maturité T permet donc de calibrer le modèle. La volatilité
moyenne implicite qui en est déduite est la quantité :
Z t Z t
2
σGK (u, t)du = σs2 (u, t) + σf2 (u, t) + σd2 (u, t)
0 0
+ 2ρsf kσs (u))kk(σf (u, t))k − 2ρsd k(σs (u))kk(σd (u, t))k
+ 2ρf d k(σf (u, t))kk(σd (u, t))kdu
 INTRODUCTION D’UN MODÈLE AVEC TAUX STOCHASTIQUES 28

Cette équation donne le lien entre la volatilité implicite(observée) et la volatilité du spot qui servira
notamment dans le calcul du prix de l’option asiatique par la méthode de MonteCarlo. Il est à noter
que la volatilité implicite inclut la volatilité des trois processus de prix ainsi que leur corrélation.
Prix de l’Option Asiatique
Il reste donc à préciser la dynamique de St sous la probabilité Forward neutre, pour pouvoir
appliquer la méthode de MonteCarlo. En partant de la relation
dFt
=< σGK (t, T )dW QT >=< σs (t) + σf (t, T ) − σd (t, T )dW QT ,
Ft
on déduit que
· Z Z T ¸
Bf (0, T ) Bd (t, T ) 1 T 2
St = S0 exp − σGK (s, T )ds − σGK (s, T )dW s
Bf (t, T ) Bd (0, T ) 2 t t
Bd (t,T ) B (t,T )
Il faut maintenant pouvoir exprimer les ratio B d (0,T )
et Bff (0,T ) , autrement dit les dynamiques des
zéro-coupon sous la probabilité QT . Pour établir ces équations, on utilise Bd (t, T ) et Bf (t, T ) comme
numéraires et on montre par application du lemme d’Itô qu’à t’ fixé, les zéro-coupon domestique et
étranger d’échéance t’ ont pour dynamique dans ces numéraires :

dBd (t, t0 ) Bd (t, t0 )

= < σd (t, t0 ) − σd (t, T ), dW QT >
Bd (t, T ) Bd (t, T )
dBf (t, t0 )
= < σf (t, T ) − σf (t, t0 ), σGK (t, T ) > dt+ < σf (t, T ) − σf (t, t0 ), dW QT >
Bf (t, T )
On intègre ensuite ces équations entre les dates 0 et t , puis on pose t’=t, ce qui permet d’exprimer
Bd (t, T ) et Bf (t, T ) en fonction de Bf (0, t) et Bd (0, t). L’avantage est que ces quantités sont connues
à partir de la courbe des taux initiale. La dynamique du spot sous la probabilité forward neutre s’écrit
finalement :

· Z ¸
Bf (0, t) 1 t
St = S0 exp − (σs (u) + σf (u, T ) − σd (u, T ))2 du
Bd (0, t) 2 0
· Z t ¸
1
exp − < (σs (u) + σf (u, T ) − σd (u, T )), σd (u, t) − σd (u, T ) > du
2 0
·Z t ¸
Qt
exp < (σs (u) + σf (u, T ) − σd (u, T )), dW (u) > du
0
Remarque : Cette équation de diffuson du spot permettra d’effectuer l epricing par simulations
Monte Carlo. Notons également que lorsque σd (u, t) = 0 et σf (u, t) = 0, on retrouve la dynamique
établie dans le cadre du modèle de Garman Kohlhagen avec taux déterministes.
Simulation de MonteCarlo : La simulation nécessite de pouvoir générer de nouvelles trajectoires de
spot avec taux stochastiques, l’équation de diffusion du spot étant celle obtenue ci-dessus. La structure
de volatilité prise pour les zéro-coupon est la suivante :

σd (t, T ) = [1 − exp(−αd (T − t))] Ud

 INTRODUCTION D’UN MODÈLE AVEC TAUX STOCHASTIQUES 29

où Ud est un vecteur de <3

σf (t, T ) = [1 − exp(−αf (T − t))] Uf

où Uf est un vecteur de <3 . Les normes de Ud et Uf , ainsi que les valeurs de αd et αf sont interprétées
comme des facteurs permettant de modéliser les déformations de la courbe de taux en niveau et en
pente. D’autre part, les produits scalaires entre vecteurs de volatilité intervenant dans la dynamique de
St , sont interprétés à l’aide de la corrélation. Les corrélations entre les différents processus ρf d , ρf s , ρsd
, ainsi que les normes des vecteurs Ud et Uf sont donc les paramètres variables de la simulation.
Enfin, σS (t) qui est la dernière grandeur non encore spécifiée, est calculée en utilisant l’équation
établie dans la section précédente donnant le lien entre volatilité implicite σGK (t, T ) observable sur le
marché (celle du forward de change) , les autres volatilités σd (t, T ), σf (t, T ), et les termes de corrélation.
Les simulations ont été effectuées pour certains jeux de paramètres et sont présentés dans la section
suivante.
 Analyse des résultats 30

7 Analyse des résultats

Nous nou ssomes d’abord placés dans le cadre du modèle de Garman et Kohlhagen et avons
implémenté trois méthodes de pricing (pricing par formule fermée dérivant de l’algorithme de Turnbull
et Wakeman, méthode de Monte Carlo et résolution par équations aux dérivées partielles). Ensuite
nous avons prolongé notre étude en ajoutant un un modèle de taux stochastiques.
Notre objectif était alors de comparer l’efficacité et le temps de calcul de ces différentes méthodes.
Ainsi, pour rendre compte de leur performance , nous avons tracé les graphes de densité et de prix
obtenus. On se réfèrera aux annexes pour l’observation de ces graphes. Leur étude nous permet de
comparer d’une part, les résultats d’une méthode selon les paramètres choisis (comme le nombre de
trajectoires pour les simulations Monte Carlo, le nombre de dates servant à calculer la moyenne des
cours de change ou encore le nombre de points de discrétisation pour la résolution par EDP), d’autre
part, l’efficience des unes par rapport aux autres, compte tenu de leurs contraintes (hypothèses de base
ou temps de calcul).
Intéressons-nous dans un premier temps aux graphes de prix (figures 6, 7, 8, 9 en annexes).
– Les graphes 6 et 7 comparent les prix obtenus par EDP et par simulations de Monte Carlo
pour des nombres de dates (pour le calcul de la moyenne) différents ( respectivement 12 dates
et 50 dates) : on constate que plus le nombre de dates augmente, plus les prix Monte Carlo
se rapprochent des prix EDP. Cette remarque va dans le sens de l’hypothèse de résolution par
EDP qui consiste à assimiler moyenne discrète te moyenne continue. D’ailleurs, nous pouvons
constater qu’avec seulement 50 dates l’écart de prix entre les deux méthodes est de l’ordre de
10−4 .
– En réalisant les graphes 8 et 9, nous avons tenté de comparer l’approche de Monte Carlo avec
50 dates, aux deux autres approches. On remarque alors qu’à l’instar de la méthode par EDP,
l’évaluation d’options par le modèle de Turnbull et Wakeman donne les mêmes prix (ou du moins
des écarts du même ordre de grandeur) que la méthode de Monte Carlo pour le couple de devises
EURO/USD.
Cette observation aurait pu nous amener à retenir la méthode d’évaluation par formule fermée de
Turnbull et Wakeman qui est beaucoup plus rapide que les deux autres (elle est presque instantanée
alors que les autres demandent plusieurs heures de temps de calcul, à savoir à peu près 6 heures pour
des simulations Monte Carlo à un million de trajectoires antithétiques et 3h30 pour la résolution par
EDP avec 600 points de discrétisation du temps et de l’espace). Cependant, on a par ailleurs constaté
que pour certains couples de devises (comme le couple EURO/JPY cf figure 10 en annexes), les prix
donnés par cette approximation n’étaient pas exacts.
D’autre part, dans la mesure où c’est la densité de notre moyenne qui est à la base de tout calcul
de prix d’options, nous avons étudié les différenes fonctions de densité obtenues par chaque approche.
La figure 11 des annexes donne trois courbes de densités Monte Carlo (12 dates, 24 dates et 50 dates)
et une courbe de densité EDP. Comme on avait pu le constater pour les prix, on observe qu’avec
 Analyse des résultats 31

l’accroissement du nombre de dates servant à calculer la moyenne du cours de change, la densité

Monte Carlo se rapproche de la densité EDP. Cette remarque tend donc à légitimer les résultats
obtenus puisque la résolution par EDP utilise une moyenne continue. Sur le graphe de la figure 14,
on constate aussi que les densités Monte Carlo 50 dates et EDP sont relativement proches. De même
(cf FIG 15), les densités obtenues par l’algorithme de Turnbull et Wakeman et Monte Carlo avec taux
stochastiques sont très proches.
Enfin, nous avons également étudié l’impact de la volatilite des taux d’intérêt sur les prix en
comparant les prix Monte Carlo ou Turnbull et Wakman avec taux déterministes et les prix Monte
Carlo avec taux stochastiques. Pour cette étude, nous avons considéré deux maturités : une maturité
courte de 6 mois et une maturité longue de 6 ans. On constate alors (cf figures 11 et12 ) que pour
des options de maturité courte, l’introduction d’aléas sur les taux d’intérêt influence peu les prix
d’options. A l’inverse, dans le cas des maturités longues, les prix sont beaucoup plus élevés. Ce résultat
nous semble cohérent dans la mesure où on introduit un aléa supplémentaire lié aux taux qui peut
aussi bien faire augmenter le cours de l’actif sous-jacent, que le faire fortement diminuer. Mais alors
que dans le premier cas, le gain peut être très élevé dans le cas d’un call), dans le second cas, la perte
se limite à la prime. Par ailleurs, cet aléa sur les taux a beaucoup plus de chances d’influer sur le cours
des actifs, donc sur le prix des options, si la maturité de l’option est élevée.
 CONCLUSION 32

Conclusion
En conclusion, nous avons implémenté trois méthodes de pricing des options asitiques de change en
nous fondant sur le modèle de Garman et Kohlhagen. La première approche, l’algorithme de Turnbull
et Wakeman, a l’avantage d’être extrêmement rapide, mais repose sur une hypothèse fausse puisque ce
modèle suppose lognormale la densité d’une moyenne de varibles lognormales corrélées. Même si elle
nous a fourni des résultats satisfaisants pour certains prix d’options, elle donne parfois des résultats peu
fiables. Nous avons alors implémenté une technique plus robuste mais beaucoup plus longue en temps
de calcul, à savoir la technique des simulations de Monte Carlo. Ce procédé apporte effectivement des
résultats cohérents mais pour cela, il suppose la simulation d’un million de trajectoires de cours du
spot, soit près de 6 heures de temps de calcul. Enfin, la dernière approche est une méthode de pricing de
résolution par équations aux dérivées partielles ; elle est fondée sur une hypothèse moins contraignante
que le modèle de Turnbull et Wakeman : elle consiste à assimiler la moyenne discrète pour le calcul du
payoff à une moyenne continue. Dans une dernière partie, nous avons finalement introduit un modèle
de taux stochastiques pour tenir compte du risque de taux et nous avons alors mis en évidence l’impact
de cet aléa sur les taux pour les options à maturité longue uniquement.
 ANNEXES 33

A ANNEXES
A.1 Graphes de Prix

Fig. 6 – Comparaison des prix Monte Carlo avec 12 dates et prix EDP

Fig. 7 – Comparaison des prix Monte Carlo avec 50 dates et prix EDP
ANNEXES 34

Fig. 8 – Comparaison des prix Monte Carlo et des prix par EDP

Fig. 9 – Comparaison des prix Monte Carlo et des prix Turnbull et Wakeman
ANNEXES 35

Fig. 10 – Comparaison des prix Monte Carlo et des prix Turnbull et Wakeman
pour le couple EURO/JPY
ANNEXES 36

Fig. 11 – Comparaison des prix Monte Carlo avec taux déterministes et taux
stochastiques à maturité courte

Fig. 12 – Comparaison des prix Monte Carlo avec taux déterministes et taux
stochastiques à maturité longue
 ANNEXES 37

A.2 Graphes de densité

Fig. 13 – Comparaison des densités EDP et Monte Carlo

ANNEXES 38

Fig. 14 – Comparaison des densités Monte Carlo 50 dates et EDP

 ANNEXES 39

Fig. 15 – Comparaison des densités Turnbull et Wakeman et Monte Carlo avec

taux stochastiques à maturité courte

A.3 Turnbull et Wakeman

A.3.1 démonstration du cacul des deux premiers moments de S

On rappelle l’équation de St établie précédemment :

·Z t Z Z t ¸
1 t 2
St = S0 exp (rd (s) − rf (s))ds − σ (s)ds + σ(s)dW s
0 2 0 0

Posons :
·Z t Z t ¸
1 2
Ft = exp (rd (s) − rf (s))ds − σ (s)ds
0 2 0
Alors on a :
·Z t ¸
St = S0 Ft exp σ(s)dW s
0
On sait de plus que : Z µ Z t ¶
t
2
σ(s)dW s à N 0, σ (s)ds
0 0
Or si X Ã N (0, v 2 ),
la transformée de Laplace nous permet de déterminer les moments d’ordre k
de Y = exp(X) ; en effet, on a :
· ¸
k k2 v2
E(Y ) = exp km +
2
 ANNEXES 40

Donc · µZ ¶¸ · Z t ¸
t
1 2
E exp σ(s)dW s = exp σ (s)ds
0 2 0
et finalement
·Z t ¸
E(St ) = S0 exp (rd (s) − rf (s))ds)
0
Nous pouvons désormais calculer l’espérance de la moyenne du prix de notre sous-jacent. En effet,
puisque
N −1
1 X
S= Sti
N
i=0
on a
N −1
1 X
E(S) = E(Sti )
N
i=0
soit

N −1 ·Z ti ¸
S0 X
E(S) = exp (rd (s) − rf (s))ds
N 0
i=0

2
Nous devons à présent calculer le moment d’ordre 2 de S, E[S ]

N
X −1
2 1
En développant S , sachant que S = N Sti , on obtient :
i=0
 
N
X −1 N
X −1 j≤N
X−1
2 1 
S = St2i + 2 Sti Stj 
N2
i=0 i=0 j>i

On a d’après les calculs précédents :

· Z ti ¸ · Z ti ¸ µ · Z ti ¸¶
E(St2i ) = S02 exp 2 rd (s) − rf (s)ds exp − 2
θ (s)ds E exp 2 θ(s)dW s
0 0 0

soit · Z ¸ · Z ¸ · Z ¸
ti ti ti
E(St2i ) = S02 exp 2 rd (s) − rf (s)ds exp − θ2 (s)ds exp 2 θ2 (s)ds
0 0 0
· Z ti ¸ ·Z ti ¸
2 2 2
E(Sti ) = S0 exp 2 rd (s) − rf (s)ds exp θ (s)ds
0 0

De plus,
· Z ti ¸ · Z tj ¸
E(Sti Stj ) = S02 exp 2 r2 (d) − rf (s)ds exp 2 rd (s) − rf (s)ds
0 0
 ANNEXES 41

Z · ¸ · Z ¸
1 ti 2 1 tj 2
exp − θ (s)ds exp − θ (s)ds
2 0 2 0
· · Z ti Z tj ¸¸
E exp 2 θ(s)dW s + θ(s)dW s
0 ti
Z tj Z ti
Or les variables aléatoires θ(s)dW s et θ(s)dW s sont indépendantes, donc la variable
Z tj Z ttii 0

aléatoire Y = θ(s)dW s + 2 θ(s)dW s est normale.

ti 0

Ses deux premiers moments sont :

– E(Y ) = 0
Z ti Z tj
2
– V (Y ) = 4 θ (s)ds + θ2 (s)ds
0 ti

Par la transformée de Laplace, on en déduit

· Z ti Z tj ¸
2 1 2
E(exp(Y )) = exp 2 θ (s)ds + θ (s)ds
0 2 ti

d’où l’on tire, après calcul :

·Z ti ¸ ·Z tj ¸ ·Z ti ¸
E(Sti Stj ) = S02 exp rd (s) − rf (s)ds exp rd (s) − rf (s)ds exp 2
θ (s)ds
0 0 0
Donc :

N −1 ·Z ti ¸
S0 X
E(S) = exp (rd (s) − rf (s))ds
N 0
i=0
n−1 n−1 µZ ti Z tj Z ti ∧tj ¸
2 S02 X X 2
E(S ) = exp (rd (s) − rf (s))ds + (rd (s) − rf (s))ds σ (s)ds
n 0 0 0
i=0 j=0

A.4 Evaluation par équations aux dérivées partielles

A.4.1 Algorithme de calculde la fonction valeur

On désigne par j le numéro du point courant et on suppose que les points yn utilisés pour l’ap-
proximation de la dérivée seconde sont bien définis, ainsi que les valeurs un du champ U. On pose

yk,l = yl − yk

L’approximation centrée à cinq points se présente sous la forme d’un schéma numérique du type :
 ANNEXES 42

j+2
X
∂2u
(yj ) ≈ ∆j,m um
∂y 2
m=j−2

Après un calcul élémentaire, on obtient :

yj,j+1 yj,j+2 + yj,j+2 yj,j−1 + yj,j−1 yj,j+1

∆j,j−2 = 2
yj−2,j−1 yj−2,j yj−2,j+1 yj−2,j+2

yj,j+1 yj,j+2 + yj,j+2 yj,j−2 + yj,j−2 yj,j+1

∆j,j−1 = −2
yj−2,j−1 yj−1,j yj−1,j+1 yj−1,j+2

yj,j−2 yj,j−1 + yj,j+1 yj,j+2 + (yj,j−2 + yj,j−1 )(yj,j+1 + yj,j+2 )

∆j,j = 2
yj−2,j yj−1,j yj,j+1 yj,j+2

yj,j−1 yj,j+2 + yj,j+2 yj,j−2 + yj,j−2 yj,j−1

∆j,j+1 = −2
(yj−2,j+1 yj−1,j+1 )yj,j+1 yj+1,j+2

yj,j−1 yj,j+1 + yj,j+1 yj,j−2 + (yj,j−2 yj,j−1 )

∆j,j+2 = 2
(yj−2,j+2 yj−1,j+2 )yj,j+2 yj+1,j+2
L’approximation décentrée à droite à cinq points que nous avons utilisée s’écrit :

j+3
X
∂2u
(yj ) ≈ ∆j,m um
∂y 2
m=j−1

Le calcul des coefficiants ∆ conduit aux valeurs suivantes :

yj,j+1 yj,j+2 + yj,j+2 yj,j+3 + yj,j+3 yj,j+1

∆j,j−1 = 2
yj−1,j yj−1,j+1 yj−1,j+2 yj−1,j+3

yj,j−1 yj,j+3 + yj,j+3 yj,j+1 + (yj,j−1 + yj,j+3 )(yj,j+3 + yj,j+2 )

∆j,j = −2
yj−1,j yj,j+1 yj,j+2 yj,j+3

yj,j−1 yj,j+2 + yj,j+2 yj,j+3 + yj,j+3 yj,j−1

∆j,j+1 = 2
(yj−1,j+2 yj,j+2 )yj+1,j+2 yj+2,j+3

yj,j−1 yj,j+1 + yj,j+1 yj,j+3 + (yj,j+3 yj,j−1 )

∆j,j+2 = −2
(yj−1,j+2 yj,j+2 )yj+1,j+2 yj+2,j+3

yj,j−1 yj,j+1 + yj,j+1 yj,j+2 + (yj,j+2 yj,j−1 )

∆j,j+3 = 2
(yj−1,j+3 yj,j+3 )yj+1,j+3 yj+2,j+3
L’approximation des points à droite du domaine d’étude utilisée se fonde sur une approximation à
quatre points et s’écrit sous la forme :

j
X
∂2u
(yj ) ≈ ∆j,m um
∂y 2
m=j−3
 ANNEXES 43

avec

yj−2,j yj−1,j
∆j,j−3 = 2
yj−3,j−2 yj−3,j−1 (yj−3,j )2

yj−3,j yj−1,j
∆j,j−2 = −2
yj−3,j−2 yj−2,j−1 (yj−3,j )2

yj−3,j yj−2,j
∆j,j−1 = 2
yj−3,j−1 yj−2,j−1 (yj−1,j )2

2
yj−3,j 2
yj−2,j 2
+ yj−2,j 2
yj−1,j 2
+ yj−1,j 2
yj−3,j + yj−3,j yj−2,j yj−1,j (yj−3,j + yj−2,j + yj−1,j )
∆j,j = −2 2 2 2
yj−2,j yj−3,j yj−1,j

La dernière dériver à approximer concerne les avant-derniers points du domaine d’étude. là aussi,
on utilise une approximation à quatre points :

j+1
X
∂2u
(yj ) ≈ ∆j,m um
∂y 2
m=j−2
avec

yj,j+1 (3yj+1,j − 2yj+1,j−1 )

∆j,j−2 = −2
yj−2,j−1 yj−2,j (yj−2,j+1 )2

yj,j+1 (3yj+1,j − 2yj+1,j−2 )

∆j,j−1 = −2
yj−2,j−1 yj−1,j (yj,j+1 )2
2
6yj+1,j − 3(yj+1,j−2 + yj+1,j−1 )yj+1,j + yj+1,j−2 yj+1,j−1
∆j,j = −2 2
yj−2,j yj−1,j yj,j+1

3
3(yj+1,j−2 + yj+1,j−1 )yj+1,j + (yj+1,j−2 yj+1,j−1 )2
∆j,j+1 = −2 2 2 2
yj−2,j+1 yj−1,j+1 yj,j+1
2
yj+1,j−2 yj+1,j−1 − 2(yj+1,j−2 2
+ yj+1,j 2
)(yj+1,j )
+ 2 2 2
yj−2,j+1 yj−1,j+1 yj,j+1
2yj+1,j−2 yj+1,j−1 yj+1,j (yj+1,j−2 + yj+1,j−1 )
− 2 2 2
yj−2,j+1 yj−1,j+1 yj,j+1
 RÉFÉRENCES 44

Références
[1] John HULL : Options, futures et autres actifs dérivés, Pearson, 2004
[2] Bruno BOUCHARD : Polycopié Cours ENSAE 3éme année : Evaluation d’actifs financiers par
absence d’opportunité d ’ arbitrage
[3] GARMAN et KOHLHAGEN : Foreign Currency Option Values. J. International Money and Fi-
nance 2, 231-237,1983
[4] Makoto MATSUMOTO et Takuji NISHIRUMA : http ://www.math.sci.hiroshima-u.ac.jp/, 1997
[5] TURNBULL et WAKEMAN : A Quick Algorithm for pricing european Asian Options. Journal of
Financial and Quantitative Analysis 26, 1992 (P377-389)
[6] Bruno BOUCHARD : Polycopié Cours ENSAE 2ème année : Methodes de MonteCarlo
[7] Lionel MARTELLINI, Philippe PRIAULET : Produits de taux d’intérêt, Economica, 2004
[8] EL KARAOUI, GEMAN et ROCHET :Changes of numeraire,changes of probability measures and
options pricing, 1995
[9] Klaus SANDMAN : Pricing of Asian Exchange Rate Options under stochastic Rates as a sum of
Options. Finance and Stochastic Manuscripts, 1997
[10] Julien GAUBERT et David RUSO : Pricing et Couverture des Options Asitiques, 2004
[11] Tony LELIEVRE et François DUBOIS :Calcul d”terministe du prix des options asiatiques, 2004
[12] ROGERS et Z.SHI : The value of an asian option
[13] S.CREPEY : Computational finance, 2007