Vous êtes sur la page 1sur 445

MODELES

MATHEMATIQUES
DE LA FINANCE
(Prof. Pierre Devolder)
Anne acadmique 2007- 2008
INSEA Devolder 2
Prdire est un art difficile
surtout sil concerne le futur
Niels BOHR
( 1885- 1962)
INSEA Devolder 3
PLAN DU COURS
PARTIE 1 : LES ACTIFS DERIVES
PARTIE 2 : MODELES STOCHASTIQUES
DISCRETS
PARTIE 3: CALCUL STOCHASTIQUE
PARTIE 4: MODELES STOCHASTIQUES
EN TEMPS CONTINU
INSEA Devolder 4
PARTIE 1: Les actifs drivs
1.1 Introduction
1.2 Les options classiques
1.3 Les options exotiques
1.4 Un premier exemple de pricing par
arbitrage
INSEA Devolder 5
PARTIE 2 : Modles
stochastiques discrts
2.1 Modle discret gnral
2.2 Modle binomial de COX-ROSS-
RUBINSTEIN
2.3 Thorme gnral de tarification
neutre risque
2.4 Modle de courbe de taux HO et LEE
INSEA Devolder 6
PARTIE 3 : Calcul
stochastique
3.1 Motivation
3.2 Processus stochastiques en temps continu
3.3 Le mouvement brownien
3.4 Intgration stochastique Lemme de ITO
3.5 Equations diffrentielles stochastiques
3.6 Drive de RADON-NIKODYM et thorme
de GIRSANOV
3.7. Reprsentation de FEYNMAN- KAC
3.8. Calcul stochastique multi dimensionnel
INSEA Devolder 7
PARTIE 4 : Modles en
temps continu
4.1 Modle brownien additif et gomtrique
4.2 Modle de BLACK SCHOLES
4.3 Modles de courbe de taux de VASICEK et
HULL & WHITE
4.4 Mesure forward neutre et tarification
doptions sur zro coupons
4.5. Options sous taux dintrt stochastiques
INSEA Devolder 8
REFERENCES
BINGHAM N.H. / KIESEL R. :
Risk neutral valuation
( Springer)
MUSIELA M./ RUTKOWSKI :
Martingale methods in
financial modelling ( Springer)
INSEA Devolder 9
REFERENCES (2)
HULL J.C. :
Options, Futures and other
derivatives ( Prentice-Hall)
SHREVE S.:
Stochastic calculus for
finance (vol. 1 and 2) ( Springer)
PARTIE 1
Les actifs drivs
INSEA Devolder 11
1.1 Introduction
FINANCE = Allocation de ressources rares au cours du temps
2 caractristiques :
1 le temps
2 lincertitude
PRODUIT FINANCIER = Ensemble de cash flows futurs
dfinis selon une rgle tablie priori
INSEA Devolder 12
Introduction
2 problmes fondamentaux de la finance de march :
- le pricing ( tarification) : quel est la valeur initiale
dun produit financier tenant compte la fois de la
rpartition temporelle et de lincertitude ?
-le hedging ( couverture) : comment lintermdiaire
financier qui met le produit peut-il se couvrir
face aux risques?
INSEA Devolder 13
Produits financiers
- Les obligations
- Les actions
- Les produits drivs:
- contrats terme
- options classiques
- options exotiques
incertitude et risques croissants !!!
INSEA Devolder 14
Les obligations
OBLIGATION : titre financier reprsentatif dun droit de
crance et donnant droit la rception de diffrents flux
financiers fixs des dates dchances futures fixes
- coupons: versements intermdiaires
- remboursement au terme
OBLIGATION ZERO COUPON :obligation coupons nuls
OBLIGATION A TAUX FIXE : coupons dterministes
OBLIGATION A TAUX VARIABLE : coupons lis un
indice de nature alatoire
INSEA Devolder 15
Les obligations
Quelques proprites des obligations :
1 titre mortel ;
2 toute obligation taux fixe peut se dcomposer
en une somme de zro coupons ;
3 risques dune obligation taux fixe
( flux dterministes):
- risque de rinvestissement des coupons
- risque de ralisation
INSEA Devolder 16
Les obligations
Structure des prix des zro coupons :
-espace des temps discret : T = {0,1,2,N}
- structure des prix des zero coupons:
P(s,t) = prix linstant s dun zro coupon
chant linstant t ( s<t ; s et t valeur dans T )
-gamme des taux au comptant ( taux zro coupons) :
s t
)) t , s ( R 1 (
1
) t , s ( P

+
=
INSEA Devolder 17
Les obligations
Gamme des taux terme ( forward rate) :
) s t , s ( r 1 )...( 2 , s ( r 1 ))( 1 , s ( r 1 (
1
) t , s ( P
+ + +
=
Incertitude :
P(s,t) est observable linstant s
P(s,t) nest pas observable linstant r < s
Incertitude quant lvolution future des taux dintrt
INSEA Devolder 18
Les actions
ACTION : titre financier reprsentatif dun droit de
proprit dune part dune entreprise donnant droit des
revenus rguliers lis aux rsultats de lentreprise appels
dividendes.
REVENU GLOBAL ESPERE : dividendes et plus value
( cart entre prix de vente et prix dachat)
COURS DE LACTION : actions gnralement changes
sur des marchs ( titres ngociables)
INSEA Devolder 19
Les actions
Caractristique temporelle:
ACTION = Titre sans maturit
Caractristique de risque :
ACTION = Titre alatoire par excellence; pas de
condition aux limites comme les obligations
Domaine par excellence des modlisations
stochastiques
INSEA Devolder 20
1.2. Les options classiques
Actif driv :actif conditionnel construit sur un autre
actif prexistant appel sous jacent et dont les cas flows sont
conditionnels ce sous jacent.
Les actifs drivs sont des sortes de paris sur dautres
actifs ; ils nont donc de sens quen univers alatoire.
Sous jacent : valeur quelconque dont lvolution
future est incertaine
INSEA Devolder 21
Les actifs drivs
Exemples de sous jacent:
- biens matriels
- matires premires
- obligations
- actions
-indice de taux dintrt
-indice boursier
-indice de sinistralit en assurance
INSEA Devolder 22
Les actifs drivs
2 grandes familles dactifs drivs :
Les contrats terme
( futures, forward,..)
Les options
( call , put)
Obligation
dexercice
Droit
dexercice
INSEA Devolder 23
Contrat terme
Contrat terme : contrat entre deux parties portant sur la
livraison dune valeur une date future fixe et pour un prix
fix lavance et pay au moment de la livraison
( obligation dachat aux conditions initialement convenues)
acheteur: position longue
vendeur : position courte
Forward contract : contrat terme entre 2 parties prives non
ngociable sur un march organis
Future contract : contrat terme standardis et ngoci sur
des marchs financiers
INSEA Devolder 24
Contrat terme
Valeur dun contrat terme :
Payoff : flux financier gnr par lactif driv:
T = maturit du contrat terme
F= prix fix lavance
S(T) = prix rel de march observ linstant T
V(T) = S(T) F ( position longue)
Pricing:
V(0) = ?????
INSEA Devolder 25
Les options
Option : idem quun contrat terme mais on remplace
lobligation dachat ou lobligation de vendre par le
droit dacheter ( call) ou le droit de vendre ( put)
Option europenne : titre financier donnant le droit dacheter
( call) ou de vendre ( put) une date future fixe une valeur
(=sous jacent) un prix dtermin davance ( = prix dexercice)
Option amricaine : titre financier donnant le droit dacheter
( call) ou de vendre ( put) tout au long dun intervalle
une valeur un prix dtermin davance
INSEA Devolder 26
Les options
2 parties contractantes :
acheteur de loption /dtenteur de loption :
celui qui peut exercer le droit
vendeur de loption/ metteur de loption :
celui qui sengage
Dans la suite de ce cours on se limitera ltude des options
europennes sauf mention contraire.
INSEA Devolder 27
Exemple de call
Utilisation dune option dachat ( CALL) :
Je suis intress par lachat dune action de la socit ACTUDREAM
qui vaut aujourdhui 30 .
Je ne dsire acheter cette action que dans 6 mois mais je crains
une hausse du cours ce moment l. Je suis prt dans 6 mois
payer jusqu 35 mais pas plus.
Jachte une option europenne dachat de sous jacent ACTUDREAM
de prix dexercice 35 et de maturit 6 mois.
Je paie initialement une prime pour cette garantie ( prix de loption).
INSEA Devolder 28
Exemple de call
Utilisation dune option dachat ( CALL) :
Au bout de 6 mois , 2 scnarios peuvent se produire :
- exercice de loption : le cours de ACTUDREAM a dpass
effectivement le cours de 35 ; par exemple 42 .
Dans ce cas je peux acheter au cours de 35 un produit valant
42 ; mon option ma donc rapport 42-35=7
- Non exercice de loption : le cours de ACTUDREAM est
en dessous de 35 ; par exemple 32 . Dans ce cas la protection
35 ne sert rien . Mon option ne vaut rien.
INSEA Devolder 29
Exemple de put
Utilisation dune option de vente( PUT) :
Jinvestis pour compte de mon client un montant de 3500 dans
des actions GENERADREAM de cours initial 35 .
Je lui garantis sur 1 an un intrt minimal de 4.75 %.
Dans un an , je veux tre sr en revendant mes actions den
obtenir au moins un montant gal : 3666.25
Jachte 100 options de vente ( put) sur le sous jacent
GENERADREAM de prix dexercice 36.66 et de maturit
1 an.
INSEA Devolder 30
Exemple de put
Utilisation dune option de vente( PUT) :
Au bout dun an , 2 scnarios peuvent se produire :
- exercice de loption : le cours de GENERADREAM est en
dessous du cours de 36.66 ; par exemple 32 .
Dans ce cas je peux vendre au cours de 36.66 un produit valant
32 ; chaque option ma donc rapport 36.66-32 =4.66
- Non exercice de loption : le cours de GENERADREAM
dpasse 36.66 ; par exemple 37 . Dans ce cas je vend au
cours march de 37 et la protection 36.66 ne sert rien .
Mon option ne vaut rien.
INSEA Devolder 31
Les options
Lacquisition de produits drivs tels que les options peut tre
dicte par deux types de proccupation diamtralement opposes :
- MOTIF de COUVERTURE ( Hedging) :
Couverture dun portefeuille dactifs financiers
contre certains risques par lachat de drivs
( position dassur )
- MOTIF de SPECULATION :
Prise de risque importante contre un espoir de
rentabilit moyenne suprieure
( position dassureur )
INSEA Devolder 32
Obligation
dacheter
lactif
Droit de
vendre
lactif
PUT
Obligation
de vendre
lactif
Droit
dacheter
lactif
CALL
Vendeur Acheteur
Les options
INSEA Devolder 33
Valorisation dune option
Valeur dun option dachat europenne ( call europen) :
Payoff : flux financier gnr par lactif driv:
T = maturit du contrat terme
K = prix dexercice
S(T) = prix rel de march observ linstant T
V(T) =max ( S(T) K ; 0 )
Pricing:
V(0) = ?????
INSEA Devolder 34
= max {0, S(T) - K}
Call : forme du payoff :
S(T)
C(T)
- dans la monnaie : K < S(T)
- la monnaie : K = S(T)
- or de la monnaie : K > S(T)
INSEA Devolder 35
Valorisation dune option
Hypothses sur les marchs financiers :
1 marchs supposs parfaits :
- aucun investisseur nest dominant
( financial agents are price takers and not price makers)
- les investisseurs sont rationnels
( financial agents prefer more to less )
- les titres sont infiniment divisibles
- pas de cot de transactions
- pas de taxes
( frictionless market)
- pas de restrictions sur crdit
INSEA Devolder 36
Valorisation dune option
Hypothses sur les marchs financiers :
2 existence dun titre sans risque de rendement certain r
3 absence dopportunits darbitrage
Opportunit darbitrage : machine fabriquer du profit
sans risque et sans investissement initial
Modlisation sur une priode :
valeur initiale investie : X(0) = 0 ( pas dinvestissement)
valeur finale obtenue :
) profit avec ( scenario un moins au pour ) , ( X
) risque sans ( scenarios les tous pour ) , ( X
0 0
0 1
0 1


>

INSEA Devolder 37
Valorisation dune option
Exemple dopportunits darbitrage
Supposons quil existe sur le march 2 portefeuilles donnant
exactement en t=1 les mmes cash flows dans tous les cas mais
de prix initiaux diffrents. Il y a alors opportunit darbitrage.
X(1,) = Y (1,) pour tout et X(0) > Y(0)
Soit M= X(0) Y(0)
INSEA Devolder 38
Valorisation dune option
Le portefeuille W suivant ralise une opportunit darbitrage :
- achat de M units du titre sans risque
- achat du portefeuille Y
- vente dcouvert du portefeuille X
Prix initial :
W(0) = M + Y(0)-X(0) = 0
Situation finale:
W(1) = M (1+r) +Y(1) X(1) = M(1+r) > 0
INSEA Devolder 39
Valorisation dune option
Proprits des options :
1 Principe de parit des options europennes:
lien entre call et put de mmes caractristiques
2 Bornes sur les prix des options europennes
3 Principe de non optimalit du call amricain
4 Valeur en univers dterministe des options europennes
INSEA Devolder 40
Valorisation dune option
Notations et hypothses :
S = valeur de lactif sous jacent sans dividende
{S(t, ) ; t [0, T], }
(processus stochastique suppos non ngatif)
K = prix dexercice = strike
T = dure totale du contrat doption
t = temps courant
u = 1+r = taux de capitalisation au taux sans risque
C(S,t,K) = valeur linstant t de loption call sur le
sous jacent S de prix dexercice K
P(S,t,K) = valeur linstant t de loption put sur le
sous jacent S de prix dexercice K
INSEA Devolder 41
Valorisation dune option
Proprit 1 : Principe de parit put/call europen :
S ) K , t , S ( P ) r 1 ( K ) K , t , S ( C
) t T (
+ = + +

Dmonstration :
- les deux membres de lgalit reprsentent le prix linstant t
de deux portefeuilles donnant la date finale T les mmes
cash flows quel que soit ltat du monde;
- par absence darbitrage les prix de ces deux portefeuilles
doivent coincider linstant courant t
INSEA Devolder 42
Valorisation dune option
a) Membre de gauche :
- achat de titres sans risque donnant lchance K
- achat dune option dachat permettant dacqurir
en T laction au prix K
valeur en T = max ( S(T); K)
b) Membre de droite :
- achat de laction
- achat dune option de vente permettant de vendre
en T laction au prix K
valeur en T = max ( S(T); K)
INSEA Devolder 43
Valorisation dune option
Proprit 2 : bornes sur les prix :
S ) K , t , S ( C ) ) r 1 ( K S , 0 ( max
) t T (
+

Dmonstration : en 3 parties
0 C 1
: evident : cest un droit sans obligation!
S C 2
: vident : laction vaut plus que le droit
de lacheter !
arbitrage par : 0 D quand ) r 1 ( K S D C 3
) t T (
> + =

INSEA Devolder 44
Valorisation dune option
Montrer que sinon le portefeuille suivant ralise une
opportunit darbitrage :
- achat du call
- achat de
) t T (
) r 1 ( K

+
titres sans risque
- vente dcouvert du sous jacent S
Proprit 2 bis : quivalent pour les put :
K ) K , t , S ( P ) 0 , S ) r 1 ( K ( max
) t T (
+

INSEA Devolder 45
Valorisation dune option
Corollaire : quelle que soit lvolution de lactif sous jacent,
la valeur du put est borne suprieurement par une constante ;
ce nest pas le cas du call .
S ) K , t , S ( C
K ) K , t , S ( P
Borne
dterministe
Borne
alatoire
INSEA Devolder 46
Option amricaine
Proprit 3 : Il nest jamais optimal dexercer un call amricain
avant terme et donc:
call amricain= call europen
Dmonstration : par labsurde
Supposons que loption amricaine soit exerce en t < T.
Cash flow obtenu :
K ) t ( S
Par la proprit 2 il vient :
) K , t , S ( C ) r 1 ( K ) t ( S K ) t ( S
) t T (
+ <

Il aurait donc mieux valu garder le call europen et ne pas
exercer le call amricain
INSEA Devolder 47
Option amricaine
Proprit 3 bis : pour un put amricain par contre il peut tre
optimal dexercer loption avant lchance et donc :
put amricain > put europen
Exemple :
- taux sans risque r = 10%
- prix dexercice = 20
- valeur du sous jacent en t=0 = 1
- T=1
2 stratgies : exercer loption en t=0 ou en t=1
INSEA Devolder 48
Option amricaine
- exercice immdiat de loption put en t=0 :
Valeur en t=0 : 19
Valeur capitalise en t=1 : 19 . 1,1= 20,9
- exercice diffr de loption put en t=1 :
Valeur en t=1 : toujours borne par le strike 20
Le put amricain vaudra donc plus que le put europen dans
ce cas.
INSEA Devolder 49
Valorisation dune option
Proprit 4 : valeur en univers dterministe du call europen
Le payoff de loption call devient alors certain puisquon
connat dans ce cas la valeur finale S(T)
payoff du call en T = max ( 0; S(T)-K)
valeur linstant t = valeur actuelle au taux sans risque
) K ) T ( S ; 0 ( max ) r 1 ( ) K , t , S ( C
) t T (
+ =

INSEA Devolder 50
1.3. Options exotiques
Options europennes et amricaines = options standard
Ou vanilla options .
- options ngociables
Autres options : options exotiques
ou exotic options
- options la carte , moins liquides
INSEA Devolder 51
Options lookback
Call lookback :
Titre financier donnant le droit dacheter une date future fixe
une quantit fixe dun actif financier son prix minimum atteint
tout au long de la priode
Put lookback :
Titre financier donnant le droit de vendre une date future fixe
une quantit fixe dun actif financier son prix maximum atteint
tout au long de la priode
Options sur minimum/ maximum
INSEA Devolder 52
Options lookback
Call lookback :
[ ]
[ ]
) ( S min ) T , 0 ( S K
T , 0 m
= =

Strike :
Payoff :
[ ] [ ]) T , 0 ( S ) T ( S ( )) T , 0 ( S ) T ( S ( ) T ( V
m m
= =
+
Droit dacheter au prix minimum
INSEA Devolder 53
Options lookback
Put lookback :
[ ]
[ ]
) ( S max ) T , 0 ( S K
T , 0 M
= =

Strike :
Payoff :
[ ] [ ] )) T ( S T , 0 ( S ( )) T ( S ) T , 0 ( S ( ) T ( V
M M
= =
+
Droit de vendre au prix maximum
INSEA Devolder 54
Options lookback
Contrairement aux options europennes, les options lookback
sont fortement dpendantes de la trajectoire ( et pas seulement
de la valeur finale du sous jacent)
( strongly path-dependent options)
Ceci en rend ltude plus complexe .
INSEA Devolder 55
Options asiatiques
Options sur moyennes
2 types doptions asiatiques :
1) Options asiatiques prix dexercice fixe
( sur prix moyen)
2) Options asiatiques prix dexercice flottant
( sur strike moyen)
Dautre part la moyenne peut tre calcule de diffrentes
manires : - discret / continu
- arithmtique / gomtrique
INSEA Devolder 56
Options asiatiques
Call asiatique prix dexercice fix avec moyenne arithmtique
discrte des cours :
- instants de capture des cours :
- moyenne arithmtique des cours :
T t ... t t 0
n 2 1

=
=
n
1 i
i
) t ( S
n
1
) T ( MS
n
n
1 i
i
) t ( S ) T ( MS

=
=
( gomtrique :
)
INSEA Devolder 57
Options asiatiques
Call asiatique prix dexercice fix avec moyenne
arithmtique discrte des cours :
Payoff de loption :
+
= )) K ) T ( MS ( ) T ( V
La mme option mais prix dexercice flottant scrirait :
+
= ))) T ( MS ) T ( S ( ) T ( V
INSEA Devolder 58
Options barrire
Options avec une barrire activante ou dsactivante
Mme type de payoff que les options europennes mais
le paiement du payoff est soumis une condition : durant
la vie de loption , il y a une barrire fixe par rapport
laquelle on compare le sous jacent.
Barrire activante (in) : loption se met en activit si le cours
du sous jacent traverse la barrire
Barrire dsactivante (out) : loption cesse dfinitivement ses
effets si le cours du sous jacent traverse la barrire
INSEA Devolder 59
Options barrire
Enfin, leffet de la barrire peut jouer si on la traverse par le haut
( down) ou par le bas ( up) .
Par exemple , put up & out : put barrire dsactivante si le cours
du sous jacent dpasse une certaine valeur B
( linvestisseur na plus besoin de la protection si le cours dpasse
un certain niveau ; par rapport une option europenne cela va
rduire le prix de loption )
Payoff : en supposant :
) t B ) t ( S ( )) T ( S K ( ) T ( V < =
+
B ) 0 ( S K < <
INSEA Devolder 60
Options barrire
Linvestisseur na plus besoin de la protection si le cours
dpasse un certain niveau ; par rapport une option
europenne cela va rduire le prix de loption.
Il veut se protger contre une baisse du cours mais il est
prt abandonner cette protection si le cours augmente
au dessus de la barrire.
INSEA Devolder 61
Options barrire
t
S(t)
B
S(0)
Barrire
traverse
Put
dsactiv
INSEA Devolder 62
Options parisiennes
Variante des options barrire visant viter laspect de perte
brutale de droit que peut gnrer une barrire ds quelle est
traverse.
Par exemple dans un put up & out , il suffit que le cours
accidentellement touche la barrire mme pour une dure trs
courte pour que loption meure.
Dans une option parisienne , pour que loption soit dsactive
on ajoute la condition dite de fentre : la condition de
franchissement doit rester valable pendant une dure minimale
de temps D.
INSEA Devolder 63
Options parisiennes
t
S(t)
B
S(0)
D
Put non
dsactiv
Put
dsactiv
INSEA Devolder 64
Options dchange
Titre financier donnant le droit une date future fixe
dchanger un actif risqu contre un autre actif risqu.
Loption donne le droit dchanger une date future T fixe
une unit dun actif risque S1 contre une unit dun autre
actif risqu S2.
Payoff :
) 0 ), T ( S ) T ( S max( ) T ( V
2 1
=
Acheter S1 au prix S2 / vendre S2 au prix S1
INSEA Devolder 65
1.4. Un premier exemple
de pricing par arbitrage
Option sur devise : droit dacheter une date future
une certaine quantit de monnaie trangre un cours
garanti initialement
( sous jacent : taux de change)
Exemple : option en francs suisses contre $
S(t,) = taux de change effectif des francs suisses en $
lpoque future t
K= taux de change garanti
INSEA Devolder 66
Exemple
Exemple numrique :
S(0) = 1.35
K= 1.45
S(1) = 1.75 ( proba 0.5) ( 1)
0.80 ( proba 0.5) ( 2)
achat de 1000 $
Valeur lchance de loption dachat Valeur lchance de loption dachat :
C(1)= 1000 max ( S(1)-K;0)
= 300 ( 1)
= 0 ( 2)
INSEA Devolder 67
Valeur classique de loption
Valeur lorigine de loption : ????
( hypothse simple : taux dintrt nul)
1 rponse ? : principe de lesprance mathmatique:
C( 0) = E C(1) = 150 ????
NON !
2 rponse ? : principe dutilit :
prix diffrents suivant aversion au risque du
vendeur ???
NON !
INSEA Devolder 68
Thorie des options
Rponse de la thorie des options :
1 le prix de loption est unique;
2 le prix de loption ne dpend pas de la distribution
relle de probabilit du sous jacent
(probabilit historique)
3 le prix peut sobtenir par application du principe
de lesprance mais aprs avoir chang la mesure
de probabilit du sous jacent
4 le sous jacent ( actualis) est une martingale
sous cette mesure modifie ( mesure neutre risque)
INSEA Devolder 69
Exemple
Application numrique :
1 recherche de la mesure martingale ( neutre risque):
1.35= 1.75 q + 0.8 (1-q)
q= 55/95
2 principe de lesprance sous Q :
C(0)= 300 q + 0 (1-q)
C(0)= 174
INSEA Devolder 70
Principe de duplication
Justification posteriori :
raisonnement par arbitrage : principe de duplication
Portefeuille initial en t=0:
- vente de loption au prix inconnu : x
- emprunt de z francs suisses : z
- achat de y dollars :-1.35y
Valeur initiale : V(0) = x + z 1.35y
INSEA Devolder 71
Principe de duplication
Portefeuille final en t=1 :
1 2
-exercice option -300 0
-remboursement FS -z -z
-vente $ 1.75y 0.8y
Position finale V(1,) 1.75y-z-300 0.8y-z
INSEA Devolder 72
Principe de duplication
Choix dun portefeuille particulier :
y et z tel que V(1,1)= V(1,2)= 0
1.75y-z = 300
0;8y-z = 0
y= 316 z= 253
Raisonnement par arbitrage :
V(0)=0 sinon arbitrage
x=1.35y z = 174
INSEA Devolder 73
Pricing et hedging
Pricing et hedging :
La mthode permet non seulement de tarifer
le produit ; elle indique galement comment se couvrir :
Loption peut tre totalement duplique par la stratgie
suivante constitue dactifs connus ( FS et $) :
- emprunt de 253 FS
- achat de 316 $
PRINCIPE DE DUPLICATION
PARTIE 2 :
Modlisations stochastiques
discrtes
INSEA Devolder 75
2.1 Modle discret gnral
Hypothses dun modle discret de march :
- temps discret : t=0,1,2,, T
- espace fini de probabilits :
} ,..., , {
N 2 1
=
- probabilit historique :
N ,..., 1 i 0 }) ({ P
i
= >
- un titre non risqu : 1 1+r
- K titres risqus
INSEA Devolder 76
Modle binomial
( COX, ROSS et RUBINSTEIN ( 1979))
Modle de march 2 actifs sur une priode:
- titre sans risque : 1 1+r
- titre risqu : 1 u ( proba q)
d ( proba 1-q)
Absence dopportunits darbitrage :
On doit ncessairement avoir:
d < (1+r) < u
INSEA Devolder 77
Modle binomial
Modle binomial sur plusieurs priodes :
Les trajectoires du titre risqu suivent un arbre
binomial.
up mouvements de nombre ) j ( N o
d u ) 0 ( S ) j ( S
) j ( N j ) j ( N
=
=

Proprit :les variables N(j) sont des variables binomiales
de paramtre q et dexposant j :
) j ,..., 1 , 0 k ( ) q 1 ( q C ) k ) j ( N ( P
k j k k
j
= = =

INSEA Devolder 78
Modle binomial
1
u
d
u
2
ud
d
2
INSEA Devolder 79
2.2. Modle binomial de
COX-ROSS-RUBINSTEIN
Hypothses de march :
1 march parfait
2 modle binomial
Problme:
tarification de loption europenne dachat sur lactif risqu
-K= prix dexercice
- C(0) =prix initial recherch du call
INSEA Devolder 80
Modle sur une priode
Modle de tarification sur une priode :
S=S(0)
uS
dS
?=C(0)
C(u)= max(uS-K;0)
C(d)=max(dS-K;0)
(Sous jacent)
(option)
INSEA Devolder 81
Modle sur une priode
Construction dun portefeuille de duplication:
- x titres sous jacents
- y titres sans risque
Dupliquant en t =1 les effets de loption :
x uS + y (1+r) = C(u)
x dS + y (1+r) = C(d)
Le prix initial de loption sera alors:
C(0)= x S + y
INSEA Devolder 82
Modle sur une priode
Solution du portefeuille de duplication :
) d u ( ) r 1 (
) d ( C d ) u ( C u
y
S ) d u (
) d ( C ) u ( C
x
+

=
Prix de loption
) d u ( ) r 1 (
) u ( dC ) d ( uC
S
S ) d u (
) d ( C ) u ( C
) 0 ( C
+

=
INSEA Devolder 83
Modle sur une priode
Forme risque neutre du prix :
d u
d r 1
p
avec
)) d ( C ) p 1 ( ) u ( C p (
r 1
1
) 0 ( C
ou
)
d u
) r 1 ( u
) d ( C
d u
d r 1
) u ( C (
r 1
1
) 0 ( C

+
=
+
+
=

+
+

+
+
=
INSEA Devolder 84
Modle sur une priode
Le nombre p est appel probabilit risque neutre
a) Probabilit : 0 < p < 1 ??
rsulte de la relation de non arbitrage:
d < (1+r) < u
b) Risque neutre :sous cette mesure le rendement moyen
du titre risqu correspond au taux sans risque
p u + (1-p) d = 1+r p=(1+r-d) / (u-d)
INSEA Devolder 85
Modle sur deux priodes
Modle de tarification sur 2 priodes :
C(0)=?
C(u)
C(d)
C(uu)= max(uuS-K;0)
C(ud)=max(udS-K)
C(dd)=max(ddS-K;0)
INSEA Devolder 86
Modles sur deux priodes
Dcomposition en 3 problmes sur une priode
C(0)=?
C(u)
C(d)
C(uu)= max(uuS-K;0)
C(ud)=max(udS-K)
C(dd)=max(ddS-K;0)
INSEA Devolder 87
Modle sur deux priodes
)) d ( C ) p 1 ( ) u ( C p (
r 1
1
) 0 ( C
)) dd ( C ) p 1 ( ) ud ( pC (
r 1
1
) d ( C
)) ud ( C ) p 1 ( ) uu ( C p (
r 1
1
) u ( C
+
+
=
+
+
=
+
+
=
Le prix sur 2 priodes est donc :
)) dd ( C ) p 1 ( ) ud ( C ) p 1 ( p 2 ) uu ( C p (
) r 1 (
1
) 0 ( C
2 2
2
+ +
+
=
INSEA Devolder 88
Modle sur n priodes
Modle de tarification sur n priodes :

=


+
=
n
0 j
j n j j n j j
n
n
)) 0 ; K S d u max( ) p 1 ( p C (
) r 1 (
1
) 0 ( C
Forme alternative du prix :
Fonction de rpartition dune variable binomiale:
j n j
n
x j
j
n
) p 1 ( p C ) x ) p ; n ( Bin ( P ) p , n ; x (

=
= =

INSEA Devolder 89
Modle sur n priodes
} K S d u : N k min{ a
k n k
> =

Soit:
=nombre minimum de sauts la hausse pour
que loption puisse tre exerce.
II I
) K S d u ( ) p ( p C
) r (
) ( C
n
a j
j n j j n j j
n
n
=

+
=

=

1
1
1
0
INSEA Devolder 90
Modle sur n priodes
j n
1
j
1
j
n
n
a j
j n
j n
j
j
j
n
n
a j
n
a j
j n j j n j j
n
n
q p C S I
) r 1 (
) d ) p 1 ((
) r 1 (
) pu (
C S I
S d u ) p 1 ( p C
) r 1 (
1
I

=
=

=
+

+
=

+
=
) r 1 (
d ) p 1 (
q et
) r 1 (
pu
p : avec
1 1
+

=
+
=
INSEA Devolder 91
Modle sur n priodes
Montrons que :
1 p 0 ) b
1 q p ) a
1
1 1
< <
= +
1
) r 1 (
d ) d u (
d u
d r 1
) r 1 (
d ) d u ( p
) r 1 (
d ) p 1 (
) r 1 (
pu
q p ) a
1 1
=
+
+

+
=
+
+
=
+

+
+
= +
u r 1 d : de rsulte ) b < + <
INSEA Devolder 92
Modle sur n priodes
) p , n ; a ( S I
1
=
De mme :
) p , n ; a (
) r 1 (
1
K II
n

+
=
Finalement le prix de loption peut scrire :
) p , n ; a (
) r 1 (
1
K ) p , n ; a ( S ) 0 ( C
n
1

+
=
INSEA Devolder 93
Risque neutre
Remarque sur principe de pricing risque neutre:
preuve simple de la ncessit de changer de mesure:
Par labsurde: application du principe de lesprance
au titre risqu avec mesure historique dans le modle
binomial sur une priode:
) )) 1 ( X ( E
r 1
1
) 0 ( X (
+
=
) 0 ( S ) 0 ( S
) r 1 (
d ) q 1 ( u q
)) 1 ( S ( E
r 1
1
) 0 ( S ??
+
+
=
+
=
INSEA Devolder 94
Exemple binomial
On considre un march financier constitu de deux titres :
- un titre sans risque de rendement 4%
-un titre risqu pouvant rapporter de manire quiprobable
du 11 % et du 1%.
La valeur initiale du titre est de 30.
Calculer le prix du call sur une priode pour un strike de 31.
Calculer le prix dun put sur deux priodes si on veut au moins
raliser sur le sous jacent un return gal au taux sans risque.
INSEA Devolder 95
Exemple binomial
Prix du call sur une priode :
66 , 0 3 , 2 3 , 0
04 , 1
1
} ) 31 01 , 1 30 ( )
01 , 1 11 , 1
01 , 1 04 , 1
1 (
) 31 11 , 1 30 (
01 , 1 11 , 1
01 , 1 04 , 1
{
04 , 1
1
)) d ( C ) p 1 ( ) u ( C p (
r 1
1
) 0 ( C
= =

=
+
+
=
+
+
INSEA Devolder 96
Exemple binomial
Prix du put sur deux priodes :
84 , 0 } ) 01 , 1 30 45 , 32 ( ) 7 , 0 (
) 01 , 1 11 , 1 30 45 , 32 ( 7 , 0 3 , 0 2
) 11 , 1 30 45 , 32 ( ) 3 , 0 {(
) 04 , 1 (
1
) 0 ( P
45 , 32 ) 04 , 1 ( 30 strike
)) dd ( P ) p 1 ( ) ud ( P ) p 1 ( p 2 ) uu ( P p (
) r 1 (
1
) 0 ( P
2 2
2 2
2
2
2 2
2
= +
+
=
= =
+ +
+
=
+
+
+
INSEA Devolder 97
2.3. Thorme gnral de
tarification risque neutre
Modle gnral darbitrage sur une priode :
- espace des temps : {0,1}
-espace de probabilits :
} ,..., , {
N 2 1
=
-mesure de probabilit historique :
) N ,..., 1 i ( 0 }) ({ P
i
= >
-K+1 titres :
i tat ' l j actif ' l de 1 en valeur ) i , 1 ( S
j
=
INSEA Devolder 98
Thorme gnral de tarification
risque neutre
-1 titre non risqu : titre 0
ion actualisat
r 1
1
) 1 ( S
1
) 1 (
r 1 ) i , 1 ( S
1 ) 0 ( S
0
0
0
=
+
= =
+ =
=
-K titres risqus :titres 1,,K
j actif initial prix ) 0 ( S
j
=
INSEA Devolder 99
Thorme gnral de tarification
risque neutre
-stratgie : vecteur :
j actif dans ment investisse
) ,..., , , (
j
K 2 1 0
=
=
-valeur initiale de la stratgie (prix en t=0) :

=
=
K
0 j
j
j 0
) 0 ( S ) ( V
-valeur finale de la stratgie ( payoff en t=1):

=
= =
K
0 j
j
j 1
alatoire iable var ) i , 1 ( S ) i , ( V
INSEA Devolder 100
Thorme gnral de tarification
risque neutre
-Opportunits darbitrage :
( Offering something for nothing)
(Free lunch )
Stratgie * telle que:
0 *) i *, ( V : * i ) iii (
) N ,..., 1 i ( 0 ) i *, ( V ) ii (
0 *) ( V ) i (
1
1
0
>
=

-hypothse centrale : absence dopportunit darbitrage
INSEA Devolder 101
Thorme gnral de tarification
risque neutre
-State price : variable alatoire ) ,..., , (
N 2 1
=
telle que :

=
= =
N
1 i
j
i
j
) K ,..., 1 , 0 j ( ) i , 1 ( S ) 0 ( S
avec
0 : i
i
>
-Dflateurs : variable alatoire D dfinie par :
}) ({ P
D
j
j
j

=
existence ? unicit?
Les state prices sont les mmes pour tous les actifs ; ils ne
dpendent que des scnarios.
INSEA Devolder 102
Thorme gnral de tarification
risque neutre
-Proprits des state prices :
1 application pour actif non risqu:

=
+
=
N
1 i
i
r 1
1
2 application pour une stratgie :


=
= = =
=
= =
N
1 i
1 i 0
K
0 j
K
0 j
N
1 i
j
i j
j
j 0
) i , ( V ) ( V
) i , 1 ( S ) 0 ( S ) ( V
INSEA Devolder 103
Thorme gnral de tarification
risque neutre
-Interprtation financire des state price :
i

= prix en t=0 dun actif donnant en t=1:


- 1 si tat i
- 0 sinon
-Probabilits risque neutre :
1
r 1
1
soit
N
1 i
i s

+
= =

=
) ,..., , ( ) p ,..., p , p ( p
s
N
s
2
s
1
N 2 1

= =
INSEA Devolder 104
Thorme gnral de tarification
risque neutre
On a :
martingale mesure
neutre risque mesure p vecteur ) iii (
1 p 0 ) ii (
1 p ) i (
i
N
1 i
i
=
=
< <
=

=
)) ( V ( * E
r 1
1
) ( V
) i , ( V p
r 1
1
) i , ( V ) ( V
1 0
N
1 i
N
1 i
1 i 1 i 0

+
=

+
= =

= =
INSEA Devolder 105
Thorme gnral de tarification
risque neutre
Thorme fondamental :
Il ny a pas dopportunits darbitrage
ssi
Il existe un state price
ssi
Il existe une mesure risque neutre
INSEA Devolder 106
Thorme gnral de tarification
risque neutre
Proprit gnrale de tarification :
Soit X une variable alatoire non ngative payable en t=1
(droit conditionnel)
(i) Sil existe une stratgie dupliquant exactement X:
N ,..., 1 i ) ( X ) i , ( V
i 1
= =
(ii) Si le march est sans opportunit darbitrage
alors:
Le prix lorigine de X est unique et est donn par:
) X ( * E
r 1
1
) X ( V
0
+
=
INSEA Devolder 107
Thorme gnral de tarification
risque neutre
Dans ce cas :- lactif admet un prix unique
- il existe une stratgie de hedging permettant
de se couvrir parfaitement.
On dit alors que le droit conditionnel est ralisable
DEFINITION : un march complet est un march o
tout droit conditionnel est ralisable
COROLLAIRE:dans un march complet et sans opportunit
darbitrage tout droit conditionnel admet un prix unique et
peut tre couvert parfaitement par duplication
INSEA Devolder 108
Thorme gnral de tarification
risque neutre
CONDITION DE COMPLETUDE DU MARCHE :
li dans le modle une priode au nombre
dactifs par rapport au nombre dalas.
N alas
K+1 titres
March non redondant : viter les actifs dpendants: aucun
actif ne peut scrire comme combinaison liniare des autres .
N 1 K +
pas trop dactifs
INSEA Devolder 109
Thorme gnral de tarification
risque neutre
Condition de compltude : tant donn tout droit X
le systme dquations suivant doit admettre une solution:
) N , 1 ( S ... ) N , 1 ( S ) 1 ( S ) ( X
....
) 2 , 1 ( S ... ) 2 , 1 ( S ) 1 ( S ) ( X
) 1 , 1 ( S ... ) 1 , 1 ( S ) 1 ( S ) ( X
K
K
1
1
0
0 N
K
K
1
1
0
0 2
K
K
1
1
0
0 1
+ + + =
+ + + =
+ + + =
Systme de N quations K+1 inconnues
Compltude ssi N=K+1
Assez dactifs
INSEA Devolder 110
Thorme gnral de tarification
risque neutre
Caractrisation des marchs complets :
Un march non redondant et sans opportunits darbitrage
est complet ssi il existe une unique mesure risque neutre
Equation du state price :
) K ,..., 1 , 0 j ( ) i , 1 ( S ) 0 ( S
N
1 i
j
i
j
= =

=
Systme de K+1 quations N inconnues
(unicit si K=N+1).
INSEA Devolder 111
Thorme gnral de tarification
risque neutre
Ces diffrentes proprits se gnralisent dans un march
plusieurs priodes :
Thorme de non arbitrage: quivalence entre labsence
dopportunits darbitrage et lexistence de mesure risque neutre
Thorme de compltude : quivalence entre la compltude et
lunicit de la mesure neutre risque
Thorme de tarification risque neutre:dans un march complet et
sans opportunit darbitrage le prix de tout droit conditionnel est
la valeur actuelle de sa valeur espre sous la mesure risque neutre
INSEA Devolder 112
Thorme gnral de tarification
risque neutre
Tarification dans un march incomplet ( sans opportunits):
- pas dunicit de la mesure risque neutre
- unicit du prix des droits conditionnels ralisables
- il existe des droits conditionnels non ralisables; dans ce cas
il ny a plus unicit du pricing risque neutre
Exemple de march complet :
modle binomial:
N=2
K+1=2
INSEA Devolder 113
Thorme gnral de tarification
risque neutre
Exemple de march incomplet : Modle trinomial
Modle de march 2 actifs sur une priode:
- titre sans risque : 1 1+r
- titre risqu : 1 1+a (p=1/3)
1-a (p=1/3)
1 (p=1/3)
) (
1

) (
2

) (
3

INSEA Devolder 114


Thorme gnral de tarification
risque neutre
1 Absence dopportunit darbitrage? : existence de mesure
neutre risque ?
Mesure :
: que telle ) 1 , , ( * p =
r 1 )) 1 ( ) a 1 ( ) a 1 ( ( + = + + +
) 1 1 0 ; 1 0 ; 1 0 avec ( < < < < < <
Solution :
+ =
a
r
Existence si r < a ; dans ce cas pas dopportunits
INSEA Devolder 115
Thorme gnral de tarification
risque neutre
2 march incomplet : infinit de mesures risque neutre !!
}
a 2
r
2
1
0 ); 2
a
r
1 ; ;
a
r
{( < < + =
3 droit conditionnel non ralisable : exemple dune option
dachat sur le titre risqu de prix dexercice c avec:
1-a<1<c<1+a
0 ) ( X ) ( X
c a 1 ) ( X
3 2
1
= =
+ =
INSEA Devolder 116
Thorme gnral de tarification
risque neutre
Recherche dune stratgie duplicante :
: que tel ) ; (
1 0

0 ) a 1 ( ) r 1 (
0 ) r 1 (
c a 1 ) a 1 ( ) r 1 (
1 0
1 0
1 0
= + +
= + +
+ = + + +
.pas de solution
INSEA Devolder 117
Thorme gnral de tarification
risque neutre
4 inadquation de la formule de tarification neutre risque:

+
= q avec ) X ( E
r 1
1
) X ( V ?
q 0
- en prenant deux mesures diffrentes on obtient
deux prix diffrents ( exercice)
INSEA Devolder 118
2.4 Modle de courbe de
taux
-Modlisation de lincertitude sur les taux dintrt futurs
- Point de dpart : modle de courbe de taux zro coupons
dterministe
- Modle de HO et LEE : modle discret de dformation
progressive de la courbe des taux ; logique probabiliste
binomiale.
INSEA Devolder 119
Modle dterministe
- Structure temporelle de la courbe des taux dans un monde
dterministe :
-structure initiale de la courbe :
} T ,..., 2 , 1 s ), s , 0 ( P { =
)) s , 0 ( r 1 )...( 2 , 0 ( r 1 ))( 1 , 0 ( r 1 (
1
)) s , 0 ( R 1 (
1
) s , 0 ( P
s
+ + +
=
+
=
Comment ces courbes voluent-elles dans le temps?
= ) s , n ( P
Prix en n dun zro coupon de dure s
INSEA Devolder 120
Modle dterministe
-invariance de lactualisation en dterministe:
) 1 s , 1 n ( r ) s , n ( r + =
-taux au comptant :
) 1 , 1 n ( R 1 /( )) 1 s , 1 n ( R 1 (
)) 1 s , 1 n ( r 1 )...( 3 , 1 n ( r 1 )( 2 , 1 n ( r 1 (
)) s , n ( r 1 )...( 2 , n ( r 1 ))( 1 , n ( r 1 ( )) s , n ( R 1 (
1 s
s
+ + + =
+ + + + =
+ + + = +
+
Zro coupons
) 1 , 1 n ( P / ) 1 s , 1 n ( P ) s , n ( P + =
INSEA Devolder 121
Modle stochastique
-Modle stochastique :
= ) n , s ( P
) i (
Prix dun zro coupon linstant s
de dure n si tat i
-initialisation: en s=0 un seul tat ( structure observe):
) s , 0 ( P
) 0 (
-premire dformation en s=1 : 2 tats possibles de la courbe:
) s , 1 ( P et ) s , 1 ( P
) 1 ( ) 0 (
( soit une hausse des taux soit une baisse des taux)
INSEA Devolder 122
Modle stochastique
En dterministe :
) 1 , 0 ( P
) 1 s , 0 ( P
) s , 1 ( P
+
=
En alatoire:
-tat 0 : hausse des taux ( baisse des prix):
) 1 ) 0 ( * h 1 ) s ( * h ( ) s ( * h
) 1 , 0 ( P
) 1 s , 0 ( P
) s , 1 ( P
) 0 (
) 0 (
) 0 (
= <
+
=
-tat 1 : baisse des taux ( hausse des prix)
) 1 ) 0 ( h 1 ) s ( h ( ) s ( h
) 1 , 0 ( P
) 1 s , 0 ( P
) s , 1 ( P
) 0 (
) 0 (
) 1 (
= >
+
=
INSEA Devolder 123
Modle stochastique
Dune manire gnrale linstant n+1 et venant de ltat i
linstant n, 2 possibilits :
) 1 ) 0 ( * h 1 ) s ( * h ( ) s ( * h
) 1 , n ( P
) 1 s , n ( P
) s , 1 n ( P
) i (
) i (
) i (
= <
+
= +
) 1 ) 0 ( h 1 ) s ( h ( ) s ( h
) 1 , n ( P
) 1 s , n ( P
) s , 1 n ( P
) i (
) i (
) 1 i (
= >
+
= +
+
INSEA Devolder 124
Modle stochastique
Forme explicite des fonctions de dformations h et h*:
2 conditions complmentaires:
- condition darbitrage
- condition de neutralit :
baisse+hausse = hausse + baisse
Lien entre
h et h*
Forme de h
INSEA Devolder 125
Modle stochastique
1 Condition darbitrage :
Il existe une constante p ( 0 <p< 1) appele
probabilit binomiale implicite telle que :
) s ( 1 ) s ( * h ) p 1 ( ) s ( h p = +
Dmonstration:
Constitution linstant n ltat i dun portefeuille :
- un zro coupon de maturit s
- H zro coupons de maturit s.
) ' s , n ( P H ) s , n ( P ) n ( W
) i ( ) i ( ) i (
+ =
INSEA Devolder 126
Modle stochastique
-On choisit H tel que :
) 1 n ( W ) 1 n ( W
) 1 i ( ) i (
+ = +
+
-ce portefeuille est donc sans risque et son rendement doit
correspondre celui dun zro coupon entre les instants
n et n+1
-on en dduit :
p
)) 1 ' s ( * h ) 1 ' s ( h (
) 1 ' s ( * h 1
)) 1 s ( * h ) 1 s ( h (
) 1 s ( * h 1
=


=


INSEA Devolder 127
Modle stochastique
Corollaire de la condition darbitrage :en sustituant dans la
relation darbitrage h et h*par leur dfinition on obtient :
)) s , 1 n ( P ) p 1 ( ) s , 1 n ( P p ).( 1 , n ( P ) 1 s , n ( P
) i ( ) 1 i ( ) i ( ) i (
+ + + = +
+
( esprance actualise des prix futurs sous la distribution
implicite- principe de tarification risque neutre)
INSEA Devolder 128
Modle stochastique
2) Condition de neutralit : indpendance par rapport au
chemin suivi dans larbre
) 2 s , n ( P
) i (
+
) 1 s , 1 n ( P
) 1 i (
+ +
+
) 1 s , 1 n ( P
) i (
+ +
) s , 2 n ( P
) 1 i (
+
+
(1)
(1)
(2)
(2)
INSEA Devolder 129
Modle stochastique
En exprimant cette condition et en utilisant la condition
darbitrage, il vient :
) 1 (
) s ( h
1
) 1 s ( h
1
+ =
+
Avec :
) 1 0 (
) 1 ( h p ) 1 ( h
) 1 ( h p 1
< <

=
Solution:
s
) p 1 ( p
1
) s ( h
+
=
) s ( h ) s ( * h
s
=
INSEA Devolder 130
Modle stochastique
-Paramtre : indicateur de dispersion proche de 1
si la variance des taux est faible :
) 1 ( h
) 1 ( * h
=
-Paramtre p=indicateur de moyenne des chocs la hausse
et la baisse proche de 0.5 si les amplitudes la hausse
et la baisse sont de mme ordre:
CONCLUSION: modle simple 2 paramtres:
) 1 ( * h ) 1 ( h
) 1 ( * h 1
p

=
INSEA Devolder 131
Modle stochastique
Limites du modle :
- aspect binomial
- dformations h et h* stationnaires
- parfaite corrlation entre les taux des diffrentes
chances
Avantages du modle:
-simplicit de lapproche
- paramtrisation aise
-respect de la courbe initiale des taux
INSEA Devolder 132
Exemple
Paramtrisation du modle:
- structure initiale observe en t=0:
) s , 0 ( P
) 0 (
-2 constantes: p et
0.91 0.1 0.99 1.09
0.91 0.5 0.95 1.05
0.98 0.5 0.99 1.01
p h*(1) h(1)
INSEA Devolder 133
PARTIE 3
Le calcul stochastique
INSEA Devolder 134
Table des matires
3.1. Motivation
3.2. Processus stochastiques en temps continu
3.3. Le mouvement brownien
3.4. Intgration stochastique
3.5. Equations diffrentielles stochastiques
3.6. Drive de Radon- Nikodym et thorme de
Girsanov
3.7. Reprsentation de Feynman- Kac
3.8. Calcul stochastique multi dimensionnel
INSEA Devolder 135
3.1. Motivation
Modle dvolution dun actif financier:
????
Stochastique
Dterministe
Continu Discret
n
) i 1 ( ) n ( S + =
t
e ) t ( S

=

=
+ =
n
1 k
k
) i 1 ( ) n ( S
INSEA Devolder 136
Actif risqu en discret
modle binomial discret multi priodique
- en dterministe:

=

=
= + =
n
1 k
n
1 k
k
k
e ) 0 ( S ) i 1 ( ) 0 ( S ) n ( S
- en alatoire:

=
n
1 k
k
e ) 0 ( S ) n ( S
Avec:
n 2 1
,..., , :suite de variables alatoires iid
INSEA Devolder 137
Actif risqu en discret
) 2 / 1 P ( 1
) 2 / 1 P ( 1
o
: dire est ' c
)
2
1
proba (
)
2
1
proba (
= =
= =
+ =
= =
= + =
A chaque priode
deux possibilits
quiprobables de
rendement

+
=
=
e d
e u
INSEA Devolder 138
Actif risqu en discret
On a alors au niveau du log-rendement cumul:

=
+ =
n
1 i
i
n . )) 0 ( S / ) n ( S ln(
Trend
Bruit
Le processus stochastique

=
=
n
1 i
i
) n ( W
est appel promenade alatoire ( discrte)
Le paramtre

est appel volatilit


INSEA Devolder 139
Actif risqu en discret
Moments dune promenade alatoire:

=
=
n
1 i
i
) n ( W
n ) var( )) n ( W var( ) ii (
0 ) ( E )) n ( W ( E ) i (
n
1 i
i
n
1 i
i
= =
= =

=
=
( variance proportionnelle au temps)
(bruit)
INSEA Devolder 140
Actif risqu en discret
On obtient donc pour les moments du rendement cumul:
n . )) 0 ( S / ) n ( S var(ln( ) ii (
n . )) 0 ( S / ) n ( S (ln( E ) i (
2
=
=
Conclusion : on peut gnraliser sans peine en temps discret
le modle dterministe en introduisant une promenade
alatoire qui vient bruiter le rendement.
Le rendement moyen correspond au rendement dterministe.
La variance crot linairement avec le temps
( modlisation de lincertitude croissante avec le temps).
INSEA Devolder 141
Actif risqu en continu
Premier essai de bruitage en temps continu:
Perturbation alatoire nave :
dt ) t ( S ) , t ( v dt ) t ( S ) t ( ) t ( dS + =
Thse : sous des conditions raisonnables le processus
de perturbation v est identiquement nul
dt ) t ( S ) t ( ) t ( dS =
INSEA Devolder 142
Actif risqu en continu
-Hypothses sur le processus v :
(i) Bruit:
0 ) t ( v E =
(ii) Indpendance des perturbations:
la variable alatoire v(t) est indpendante de la
variable alatoire v(s) pour 2 instants t et s
(iii) Borne:
t K ) t ( v E
2

( non explosion de la perturbation)
) t s (
INSEA Devolder 143
Actif risqu en continu
Thse : sous ces hypothses la variance de la solution
de lquation est nulle.
Dmonstration:
Solution de lquation pour chaque trajectoire :


=
=
t
0
t
0
t
0
)) , t ( u exp( . ds ) s ( exp ) 0 ( S ) , t ( S
ds ) , s ( v exp . ds ) s ( exp ) 0 ( S ) , t ( S
INSEA Devolder 144
Actif risqu en continu
Proprits du processus u :

= =
= =
t
0
2 2
t
0
) ds ) s ( v ( E )) t ( u ( E ) t ( u Var ) b
0 ds )) s ( v ( E ) t ( u E ) a
En utilisant la dfinition de lintgrale de Rieman et les
proprits du processus v , il vient :
INSEA Devolder 145
Actif risqu en continu



=
=
=
+
+
+ +

=
+
i
2
i 1 i
i
2
i 1 i
*
i
2
i j
j 1 j i 1 i
*
j
*
i
1 n
0 i
2
i 1 i
*
i
) t t ( lim K
) t t )( t ( v ( E lim
) t t )( t t ))( t ( v ) t ( v ( E lim
)) t t )( t ( v ( E lim ) t ( u var
0 ???
INSEA Devolder 146
Actif risqu en continu
n i 1 i n
2
i 1 i
lim t ) t t ( lim ) t t ( lim =

+ +
O:
n subdivisio la de norme ) t t ( sup
i 1 i i n
= =
+
0
Or:
Le modle ne permet donc pas de simuler une vritable
incertitude en continu.
INSEA Devolder 147
Actif risqu en continu
Deuxime essai de bruitage en temps continu:
Limite du modle de promenade alatoire
qui fonctionnait bien en temps discret
Passage la limite vers un modle continu en 2 tapes:
1Modification dchelle de la promenade alatoire:
Les sauts de +1 ou 1 sur chaque priode unitaire
sont remplacs par des sauts de +x ou -x sur chaque
priode de temps t.
INSEA Devolder 148
Actif risqu en continu
Le processus W devient :
t / n m avec
. x ) n ( W
m
1 i
i
=
=

=
Au niveau des moments:
x
t
x
n ) x (
t
n
) x .( m )) n ( W var( ) ii (
0 )) n ( W ( E ) i (
2 2

= =
=
INSEA Devolder 149
Actif risqu en continu
2 passage la limite sur x et t:
j j
j
j
j
2
j
j j
t x : donc
) ! ! ! 1
t
x
pas non et ( 1
t
) x (
0 x 0 t
=
=


On montre que la suite des processus Wainsi gnrs
converge dans un sens prciser vers un processus
trajectoires continues appel mouvement brownien.
INSEA Devolder 150
Actif risqu en continu
- suite de processus discrets :

=
=
j
t / t
1 i
i j
j
x ) t ( W
Pour chacun de ces processus discrets on peut dfinir un processus
temps continu dfini en reliant les points par des fonctions
affines.
On dfinit :
,...) 2 , 1 , 0 i ( t i t
j
j
i
= =
( i me point de la partition j )
INSEA Devolder 151
Actif risqu en continu
On peut montrer que cette suite de processus converge
en loi vers un processus en temps continu not w(t)
= mouvement brownien standard
= processus de Wiener
= promenade alatoire infinitsimale
: pose on : t t t Pour
j
i
j
1 i
< <

)) t ( W ) t ( W (
t
) t t (
) t ( W ) t ( w
j
1 i
j j
i
j
j
j
1 i
j
1 i
j j

+ =
INSEA Devolder 152
3.2. Processus
stochastiques
3.2.1. Notions de base du calcul des probabilits :
- espace mesurable :
) , (
Avec :

= un ensemble

= une sigma algbre sur



Famille de sous ensembles de telle que :
U
i
i i
c
A alors A si ) iii (
A alors A si ) ii (
) i (



INSEA Devolder 153
3.2. Processus stochastiques
- mesure de probabilit :
Fonction P : ] [ 1 , 0
telle que:

=
=
=
= =
1 i
i
1 i
i
i
) A ( P ) A ( P
: s int disjo sont ,...) 1 i ( A si ) ii (
1 ) ( P et 0 ) ( P ) i (
U
-espace de probabilit : triplet
) P , , (
INSEA Devolder 154
3.2. Processus stochastiques
- variable alatoire ( valeurs relles) :
Une variable alatoire X valeurs relles est une fonction

mesurable:
R : X

) B ( X
1
(B= borrlien de R)
- distribution dune variable alatoire :
)) B ( X ( P ) B (
1
X

=
INSEA Devolder 155
3.2. Processus stochastiques
- fonction de rpartition dune variable alatoire :
Borrlien : ] x , ( B =
) x X ( P ) x ( F )) B ( X ( P ) B (
X
1
X
= = =

- densit de probabilit dune variable alatoire :
La densit f(x) dune variable alatoire est la drive
de la fonction de rpartition ( si elle existe) :
dx
dF
f
X
X
=
INSEA Devolder 156
3.2. Processus stochastiques
- exemple 1 :variable alatoire normale ( ou gaussienne) :
Une variable alatoire X est distribue normalement
) , m ( N
2

si sa fonction de densit existe est donne par :


2
2
2
) m x (
X
e
2
1
) x ( f


=
INSEA Devolder 157
3.2. Processus stochastiques
- exemple 2 :variable alatoire log normale :
Une variable alatoire Y est distribue log normalement
) , m ( N log
2

si il existe une variable alatoire X


distribue normalement
) , m ( N
2

telle que :
X
e Y =
INSEA Devolder 158
3.2. Processus stochastiques
- densit dune log normale :
dy ) y (ln f
y
1
) y (ln dF ) y ln X ( dP
) y e ( dP ) y Y ( P d ) y ( dF dy ) y ( f
x X
X
Y Y
= = =
= = =
) 0 y ( e
2 y
1
) y ( f
2
2
2
) m y (ln
Y
>

=

INSEA Devolder 159


3.2. Processus stochastiques
- esprance dune variable alatoire:

= =
R
X
) x ( d x ) ( dP ) ( X ) X ( E
- variance dune variable alatoire ;
2 2
2 2
) EX ( ) X ( E
) ( dP ) EX ) ( X ( ) X (
=
=

INSEA Devolder 160


3.2. Processus stochastiques
- exemples desprance :
1 distribution normale :
m ) X ( E : alors ) , m ( N X si
2
= =
2 distribution log normale :
2 / b a 2
2
e ) Y ( E : alors ) b , a ( N log Y si
+
= =
INSEA Devolder 161
3.2. Processus stochastiques
Esprance dune log-normale :

= =
0 0
2
2
Y
dy )
b 2
) a y (ln
( exp
2 by
1
y dy ) y ( f y EY
Par changement de variable : ln y = x
2
b
a
2
4 2
4 2 2 2
2
x
2
2
2
e )
b 2
b ab 2
exp(
dx )) b ab 2 )) b a ( x ((
b 2
1
exp(
2 b
1
dx e
b 2
) a x (
exp
2 b
1
EY
+
+

+

=
+
=
+

INSEA Devolder 162


3.2. Processus stochastiques
- Variance dune variable log normale :
2 X X 2
2 2
) Ee ( ) e ( E
) EY ( Y E VarY
=
=
Aussi
log normal !
) b 4 , a 2 ( N log
2
) 1 e ( e Y Var
2 2
b b a 2
=
+
INSEA Devolder 163
3.2. Processus stochastiques
- fonction caractristique :
Si X est une variabl alatoire de fonction de rpartition
F , alors sa fonction caractristique est la fonction sur R:

+

= = ) x ( dF e ) e ( E ) u (
iux iuX
X
Exemple : pour une distribution
2 / u
X
2 2
e ) u (

=
) , 0 ( N X
2
p
INSEA Devolder 164
3.2. Processus stochastiques
-norme
p
L
[ )
: par dfinie est X note X de L norme la
, 1 p si et alatoire iable var une est X Si
p
p

p / 1
p
p
) ( dP ) ( X X
|
|

\
|
=

INSEA Devolder 165


3.2. Processus stochastiques
- espaces
p
L
-norme

L
} ); ( X { sup X =

Espace des variables alatoires de norme finie :


} X : R : X { ) ( L
p
p
< =
INSEA Devolder 166
3.2. Processus stochastiques
-indpendance dvnements et de variables alatoires :
2 vnements A et B sont indpendants ssi :
) B ( P ) A ( P ) B A ( P : B , A =
2 variables alatoires X et Y valeurs relles sont
indpendantes ssi :
) R y , x (
) y Y ( P ) x X ( P )} y Y ( ) x X {( P

=
INSEA Devolder 167
3.2. Processus stochastiques
- esprance conditionnelle :
) P , , (
+ une sous sigma algbre de ) * (
X une variable alatoire desprance finie
*) X ( E Y =
Y= esprance conditionnelle de X connaissant
= variable alatoire mesurable par rapport telle que:
*
*

=
A A
) ( dP ) ( Y ) ( dP ) ( X
*
) * A (
INSEA Devolder 168
3.2. Processus stochastiques
Proprits de lesprance conditionnelle :
(i) Esprance dune esprance conditionnelle :
X E ) * X ( E ( E =
(ii)si Z est une variable alatoire mesurable par rapport
*
Z *) Z ( E =
et:
*) X ( E Z *) X Z ( E =
(iii) si:
2 1
) X ( E ) ) X ( E ( E
1 1 2
=
INSEA Devolder 169
3.2. Processus stochastiques
-convergence de variables alatoires :
4 grands types de convergence :
- convergence presque sre
- convergence quadratique
- convergence en probabilit
- convergence en loi
- suite de variables alatoires : ,...} 1 , 0 n ; X {
n
=
?? X lim ??
n n
=

INSEA Devolder 170
3.2. Processus stochastiques
- convergence presque sre :
1 )) ( X ) ( X : ( P ssi X X
n
. s . p
n
=
Exemple : loi des grands nombres :
Si
n
X
est une suite de variables alatoires indpendantes
et quidistribues (i.i.d.) desprance finie alors :
) X ( E X
n
1
n
1 i
. s . p
i

INSEA Devolder 171


3.2. Processus stochastiques
- convergence quadratique :
X X
n

en moyenne quadratique ( dans
2
L
)
ssi
0 X X
2
n

=

) ( dP )) ( X ) ( X (
2
n
Exemple : loi des grands nombres
INSEA Devolder 172
3.2. Processus stochastiques
- convergence en probabilit :
0 ) ) ( X ) ( X : ( P : 0
: ssi X X
n
P
n
>

Proprits:
- convergence p.s. convergence en proba
- convergence quadratique convergence proba
INSEA Devolder 173
3.2. Processus stochastiques
- convergence en loi :
)) X ( ( E )) X ( ( E
: borne et continue fonction ssi X X
n
n


l
Proprit :
- convergence en proba convergence en loi
Thorme central limite : si X = suite de variables
alatoires i.i.d. de variance finie :
) 1 , 0 ( N
n
EX n X
n
1 i
i
l

=
INSEA Devolder 174
3.2 .Processus stochastiques
3.2.2. Processus stochastique :
) P , , (
Espace de probabilit + le temps
Un processus stochastique X valeurs relles est une application:
) , t ( X ) , t ( : x T : X
T= espace des temps
Pour fix, on a une trajectoire
Pour t fix, on a une variable alatoire
continu temps en processus T
discrets processus ,...} 3 , 2 , 1 , 0 { T

=
+
INSEA Devolder 175
3.2 .Processus stochastiques
Filtration : modlise larrive progressive de linformation .
En t , on peut dire pour chaque lment de
En t=0 : on na aucune information :
} , { =

( = vnement) sil sest ou non produit .


t s pour } , {
t s 0
< =
Filtration: famille croissante de sous algbres de lespace de
probabilit
INSEA Devolder 176
3.2. Processus stochastiques
Filtration et processus: notions lies par les 2 dfinitions:
Dfinition 1 : Tout processus stochastique gnre une filtration
appele filtration naturelle du processus et dfinie par:
t ) t s ); s ( X (
t
=
( histoire du processus)
Dfinition 2: Un processus X est dit adapt une filtration si:
t
rapport par mesurable ) t ( X : t =
INSEA Devolder 177
3.2. Processus stochastiques
Filtration et esprance conditionnelle :
Chaque lment dune filtration tant une sous sigma
algbre , on peut lui associer une esprance conditionnelle.
Soit X une variable alatoire desprance mathmatique
finie. On peut alors dfinir le processus adapt :
) X ( E ) t ( M
t
=
Reprsente lestimation moyenne de X compte tenu
de linformation dj rcolte en t
INSEA Devolder 178
3.2. Processus stochastiques
Exemple de filtration et de processus (en temps discret)
Jeu successif de pile ou face ( 3 fois)
Processus de gain cumul : +1 si pile -1 si face
) 3 ( X ) 2 ( X ) 1 ( X 0 ) 0 ( X =
} 1 , 1 , 1 , 3 , 1 , 1 , 1 , 3 { ) 3 ( X
} 0 , 0 , 2 , 2 , 0 , 0 , 2 , 2 { ) 2 ( X
} 1 , 1 , 1 , 1 , 1 , 1 , 1 , 1 { ) 1 ( X
)} FPP ( ), FPF ( ), FFP ( ), FFF ( ), PFF ( ), PFP ( ), PPF ( ), PPP {(
=
=
=
=
INSEA Devolder 179
3.2 .Processus stochastiques
En t=1 : la 1 position est connue
)} FPP ( ), FPF ( ), FFP ( ), FFF {(
)} PFF ( ), PFP ( ), PPF ( ), PPP {(
} , , , {
F
P
F P 1
=
=
=
En t=2 : les 2 premires positions sont connues :
} , , , , , , , {
FP FF PF PP F P 2
=
INSEA Devolder 180
3.2 .Processus stochastiques
)} FPP ( ), FPF {(
)} FFP ( ), FFF {(
)} PFF ( ), PFP {(
)} PPF ( ), PPP {(
FP
FF
PF
PP
=
=
=
=
En t=3 : toutes les positions sont connues :
=
3
INSEA Devolder 181
3.2 .Processus stochastiques
esprance conditionnelle du gain final:
} 1 , 1 , 1 , 3 , 1 , 1 , 1 , 3 { ) 3 ( X
)} FPP ( ), FPF ( ), FFP ( ), FFF ( ), PFF ( ), PFP ( ), PPF ( ), PPP {(
=
=
(i) Esprance conditionnelle en t=0
0 )) 3 ( X ( E ) ) 3 ( X ( E = =

(ii) Esprance conditionnelle en t=3 :


) 3 ( X ) ) 3 ( X ( E
3
=
INSEA Devolder 182
3.2 .Processus stochastiques
} 1 , 1 , 1 , 3 , 1 , 1 , 1 , 3 { EX
} 0 , 0 , 2 , 2 , 0 , 0 , 2 , 2 { EX
} 1 , 1 , 1 , 1 , 1 , 1 , 1 , 1 { EX
} 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 { EX
} 1 , 1 , 1 , 3 , 1 , 1 , 1 , 3 { ) 3 ( X
)} FPP ( ), FPF ( ), FFP ( ), FFF ( ), PFF ( ), PFP ( ), PPF ( ), PPP {(
3
2
1
0
=
=
=
=
=
=
(iii) Esprance conditionnelle aux diffrents instants
INSEA Devolder 183
3.2. Processus stochastiques
Temps darrt : gnralisation de la notion de temps dterministe:
= variable alatoire T valeurs dans telle que:
t
} t T { : t
Exemple : premier instant o le cours dune action dpasse
le double du cours actuel.
Contrexemple:dernier instant avant une certaine date future
o un taux de change atteint un niveau fix
( pas dinformation ncessaire sur le futur pour savoir
chaque instant si T sest dj produit).
} { R +
+
INSEA Devolder 184
3.2. Processus stochastiques
Exemple de lien entre temps darrt et processus:
notion de processus arrt:
- X = processus stochastique
-
} {
t
= filtration naturelle associe X
On dfinit le temps darrt:
} M ) t ( X : 0 t inf{ T =
( M=barrire)
-On peut par exemple dfinir le nouveau processus arrt M :
T t si M ) t ( Y
T t si ) t ( X ) t ( Y
> =
=
INSEA Devolder 185
3.2. Processus stochastiques
Exemple : jeu discret / pile ou face :
On arrte le jeu ds que le gain est strictement positif.
} 0 ) , t ( X : t inf{ ) ( T > =
} 1 , 1 , 1 , 3 , 1 , 1 , 1 , 3 { ) 3 ( X
} 0 , 0 , 2 , 2 , 0 , 0 , 2 , 2 { ) 2 ( X
} 1 , 1 , 1 , 1 , 1 , 1 , 1 , 1 { ) 1 ( X
)} FPP ( ), FPF ( ), FFP ( ), FFF ( ), PFF ( ), PFP ( ), PPF ( ), PPP {(
=
=
=
=
INSEA Devolder 186
3.2. Processus stochastiques
} 3 , , , , 1 , 1 , 1 , 1 { T
)} FPP ( ), FPF ( ), FFP ( ), FFF ( ), PFF ( ), PFP ( ), PPF ( ), PPP {(
=
=
Valeurs du temps darrt :
T=1 mesurable
par rapport
1

Vrai sur Faux sur


P

INSEA Devolder 187


3.2. Processus stochastiques
Contrexemple de temps darrt :
On arrte le jeu au dernier instant o le gain est strictement
positif .
} 3 , , , , 1 , 3 , 3 , 3 { T
)} FPP ( ), FPF ( ), FFP ( ), FFF ( ), PFF ( ), PFP ( ), PPF ( ), PPP {(
=
=
T=1 pas mesurable
par rapport
1

INSEA Devolder 188


3.2. Processus stochastiques
3.2.3. Classes de processus:
1 MARTINGALES :
Un processus stochastique est une martingale par rapport
une filtration donne ssi :
t s si ) s ( X } l ) t ( X ( E ) ii (
}; { rapport par adapt est X ) i (
s
t
=

- notion de fair game : lesprance de gain futur est le gain


prsent tout instant du jeu.
- En particulier pour s=0 : ) 0 ( X )) t ( X ( E =
INSEA Devolder 189
3.2. Processus stochastiques
2 PROCESSUS GAUSSIENS :
X est un processus gaussien ssi toute combinaison linaire
des valeurs de X diffrents instants est distribu
normalement:
N ) t ( X
n
1 k
k k
=

=
Un tel processus X est caractris par sa fonction
moyenne (t) et sa fonction de covariance
(s,t)=cov ( X(s),X(t))
INSEA Devolder 190
3.2. Processus stochastiques
3 PROCESSUS A ACCROISSEMENTS INDEPENDANTS
ET STATIONNAIRES :
-Un processus X est dit accroissements indpendants ssi:
tes indpendan sont
) t ( X ) t ( X ),..., t ( X ) t ( X ), t ( X : t ,..., t , t , n
1 n n 1 2 1 n 2 1

( indpendance entre les accroissements successifs)
-Un processus est dit accroissements stationnaires ssi:
bus quidistri sont ) h ( X et ) t ( X ) h t ( X : t , h +
INSEA Devolder 191
3.2. Processus stochastiques
4 PROCESSUS A VARIATION FINIE :
-Un processus adapt X est dit croissant si ses trajectoires
sont des fonctions croissantes, finies et continues droite.
-Un processus adapt X est dit variation finie si ses
trajectoires sont des fonctions variations bornes sur tout
compact, finies et continues droite.
Tout processus variation finie peut scrire comme diffrence
de deux processus croissants.
INSEA Devolder 192
3.3. Le mouvement brownien
Historique :
-1829: Brown : mouvement de particules de
pollen en suspension dans leau
-1900 : Bachelier: mouvements de cours de bourse
-1905: Einstein : modles de particules en suspension
-1923 : Wiener: construction rigoureuse du mouvement
brownien
-1944: Ito: intgrale par rapport un mouvement brownien
devenu un processus central en finance pour
simuler lincertitude sur les marchs.
INSEA Devolder 193
3.3. Le mouvement brownien
-Dfinition: un processus stochastique w est un mouvement
brownien standard sur lespace ) P , , (
ssi
t ) t ( w var ; 0 ) t ( w E : 0 t ) iv (
gaussien processus w ) iii (
res stationnai et ts indpendan ents accroissem processus w ) ii (
0 ) 0 ( w ) i (
= = >
=
=
=
Il est possible de construire un tel processus tel que ses trajectoires
soient des fonctions continues.
INSEA Devolder 194
3.3. Le mouvement brownien
- Mouvement brownien issu du point a :
) t ( w a ) t ( Z + =
-Mouvement brownien issu du point a et de drift :
) t ( w t a ) t ( Z + + =
t ) t ( Z
t a ) t ( EZ
2 2
=
+ =
Ces 2 processus sont gaussiens.
INSEA Devolder 195
3.3. Le mouvement brownien
Fonction caractristique dun mouvement brownien
standard :
2 / t
t 2
) t i x (
t 2 / x
x i ) t ( w i
2
2
2 / t
2
2
e
dx e e
t 2
1
dx
t 2
e
e ) e ( E ) t , (

+

= =


INSEA Devolder 196
3.3. Le mouvement brownien
Moments dun mouvement brownien :
0
k
k
k
k
) t , (
d
d
i
1
)) t ( w ( E
=

=
Calcul des drives successives de la fonction caractristique:
2
t
2
2
t
2
t
2
2
2
t
2
t
2 2 2
2 2
e ) t ( e t e
d
d
e t e
d
d

+ =

INSEA Devolder 197


3.3. Le mouvement brownien
2
t
3
2
t
2
2
t
2
2
t
2
2
t
4
4
2
t
3
2
t
2
2
t
3
3
2 2
2 2 2
2 2 2
e . t . ) t ( e t ) t ( 3
e t t 3 e t 3 e
d
d
e ) t ( e t 3 e
d
d

+
=

INSEA Devolder 198


3.3. Le mouvement brownien
Application au calcul des moments :
2 4
3
2
t 3 )) t ( w ( E
0 )) t ( w ( E
t )) t ( w ( E
0 )) t ( w ( E
=
=
=
=
INSEA Devolder 199
3.3. Le mouvement brownien
Mouvement brownien et martingale :
Soient w un mouvement brownien standard et
} {
t
sa
filtration naturelle; les 2 processus suivants sont alors des
martingales:
t ) t ( w ) ii (
) t ( w ) i (
2

INSEA Devolder 200


3.3. Le mouvement brownien
Dmonstration:
t ) l ) s ( w ) t ( w ( ) s ( w ( E ) l ) t ) t ( w (( E ) ii (
) s ( w ) l )) s ( w ) t ( w ( ) s ( w ( E ) l ) t ( w ( E ) i (
s
2 2 2
s
2
s s
+ =
= + =
) l )) s ( w ) t ( w )( s ( w 2 )) s ( w ) t ( w (( E ) l )) s ( w ) t ( w (( E
s
2 2
s
2
+ =
Or:
s t
0
Donc:
s ) s ( w ) l t ) t ( w ( E
2
s
2
=
INSEA Devolder 201
3.3. Le mouvement brownien
Remarque : la rciproque de ce thorme de martingale
est galement vraie: si X est un processus continu tels que
t ) t ( X et ) t ( X
2
sont des martingales et X(0)=0:
alors X est un mouvement brownien standard.
Le mouvement brownien est lexemple fondamental
de martingale continue.
INSEA Devolder 202
3.3. Le mouvement brownien
Martingale exponentielle :
Le processus
est une martingale appele martingale exponentielle
) rel ( e ) t ( X
2 / t ) t ( w
2
= =

Dmonstration :
Calculons lesprance conditionnelle suivante:
) t s 0 : avec ( ) e ( E
s
) t ( w
< <

INSEA Devolder 203


3.3. Le mouvement brownien
2 / ) s t ( ) s ( w
) s t ( w ) s ( w
s
)) s ( w ) t ( w ( ) s ( w
s
) s ( w )) s ( w ) t ( w (
s
) t ( w
2
e e
) e ( E e ) e ( E e
) e e ( E ) e ( E



=
= =
=
Il en rsulte lgalit de martingale :
2 / s ) s ( w
s
2 / t ) t ( w
2 2
e ) e ( E

=
En particulier :
1 ) e ( E
2 / t ) t ( w
2
=

INSEA Devolder 204
3.3. Le mouvement brownien
Corollaire : bruitage additif et bruitage multiplicatif
1 le mouvement brownien est un bruitage additif naturel :
) t ( f )) t ( X ( E
bruit phnomne ) t ( w . ) t ( f ) t ( X
iste min dter phnomne ) t ( f
=
= + =
=
2 la martingale exponentielle est un bruitage multiplicatif:
) t ( f )) t ( Y ( E
bruit phnomne e ). t ( f ) t ( Y
iste min dter phnomne ) t ( f
2 / t ) t ( w
2
=
= =
=

INSEA Devolder 205
3.3. Le mouvement brownien
Contrexemple de martingale :
Le processus
bien que desprance constante nest pas une martingale.
) t ( w ) t ( X
3
=
Il suffit de montrer que :
) t s 0 ( ) s ( w ) ) t ( w ( E
3
s
3
< <
On part de la relation :
0 )) s t ( w ( E ) )) s ( w ) t ( w (( E
3
s
3
= =
INSEA Devolder 206
3.3. Le mouvement brownien
En dveloppant il vient :
0 ) s t )( s ( w 3 ) s ( w ) ) t ( w ( E
) s ( w ) s ( w 3 ) s t ) s ( w )( s ( w 3 ) ) t ( w ( E
) s ( w ) ) t ( w ( E ) s ( w 3 ) ) t ( w ( E ) s ( w 3 ) ) t ( w ( E
) ) s ( w ) s ( w ) t ( w 3 ) s ( w ) t ( w 3 ) t ( w ( E ) )) s ( w ) t ( w (( E
3
s
3
3 3 2
s
3
3
s
2
s
2
s
3
s
3 2 2 3
s
3
= =
+ + =
+ =
+ =
Il en rsulte :
martingale une pas donc est ' n w
) s t ( ) s ( w 3 ) s ( w ) ) t ( w ( E
3
3
s
3
+ =
INSEA Devolder 207
3.3. Le mouvement brownien
Mouvement brownien et variation borne :
t t ... t t 0 soit
n 1 0
= < < < =
-On a :

= =
= =
n
1 i
i
n
1 i
2
i
t t ) )) t ( w ( ( E
Dautre part si f est une fonction dterministe variation
borne alors on a par dfinition de lintgrale de Stieltjes:
INSEA Devolder 208
3.3. Le mouvement brownien


=

=

=
= =
n
1 i
2
i
n
n
1 i
t
0
i
n
0 )) t ( f ( lim
) 0 ( f ) t ( f df )) t ( f ( lim
Le mouvement brownien ne peut donc tre variation finie: ses
trajectoires sont sur tout intervalle fini non variation borne.
En particulier les trajectoires dun brownien ne sont pas des
fonctions drivables et la diffrentielle dw(t) au sens classique
du calcul diffrentiel trajectoire par trajectoire nexiste pas.
INSEA Devolder 209
3.3. Le mouvement brownien
Variation quadratique dun mouvement brownien :
: alors , ) t , 0 ( de n subdivisio une ) 2 ,..., 0 j ( t
2
j
t Soit
n
n
j
= =
t )) t ( w ) t ( w (
n
2
1 j
2
1 j j


en convergence quadratique.
PROPRIETE :
INSEA Devolder 210
3.3. Le mouvement brownien
Preuve :

=
n
2
1 j
2
1 j j n
)) t ( w ) t ( w ( ) t ( Z
Soit:
0 )) t ( Z ( Var ) ii (
t )) t ( Z ( E ) i (
n
n

=
= =
n
n
2
1 j
2
1 j j n
2
1 j
1 j j n
) )) t ( w ) t ( w ( var( ) t ( Z Var ) ii (
t ) t t ( ) t ( Z E ) i (
INSEA Devolder 211
3.3. Le mouvement brownien
Lemme :
4 2
2
2 X var
: alors ) , 0 ( N X si
=
=
Preuve :
4 4 2 2 4 2
EX ) EX ( X E X Var = =
Par fonction gnratrice :
0 u x
n
n
n
2 / u
X
ux
X
) u ( M
u
EX
e ) iu ( ) x ( dF e ) u ( M
2 2
=
+

=
= = =

4 4
3 EX =
INSEA Devolder 212
3.3. Le mouvement brownien
Donc finalement :

=
+
= =
n
2
1 j
n 2
2
1 n 2
n
n
2
t
2 )
2
t
( 2 ) t ( Z Var
0
INSEA Devolder 213
3.3. Le mouvement brownien
Auto-similarit du mouvement brownien :
( scaling effect ou self similarity)
Le mouvement brownien fait partie de la famille des fractales
qui ont des proprits d chelle : mme forme des trajectoires
quelle que soit lchelle laquelle on les regarde.
Dune manire gnrale un processus stochastique X est
H- auto similaire si :
) t ( X ) t ( X
: 0 t , 0
H
d
=
> >
INSEA Devolder 214
3.3. Le mouvement brownien
H est appel lindice de Hurst du processus.
Pour un mouvement brownien standard on a par dfinition:
) t ( X ) t , 0 ( N ) t ( w
2 / 1
d d
= =
Le mouvement brownien standard est un processus
auto similaire dindice .
Rem.: il sagit dune proprit de distributions et non pas
de trajectoires
INSEA Devolder 215
3.3. Le mouvement brownien
Mouvement brownien et temps datteinte :
Pour a > 0 fix on dfinit le temps datteinte :
int atte jamais a si T
} a ) t ( w : 0 t inf{ T
a
a
+ =
= =
Proprit :
a
T
est un temps darrt.
INSEA Devolder 216
3.3. Le mouvement brownien
Principe de rflexion :
) a ) t ( w ( P 2 ) t T ( P
a
> = <
Preuve :
brownien un aussi est ) T ( w ) T s ( w ) 2
t T alors a ) t ( w si ) 1
a a
a
+
< >
INSEA Devolder 217
3.3. Le mouvement brownien
Par symtrie on a donc :
2 / 1 ) t T 0 ) T ( w ) t ( w ( P
a a
= < >
Il vient alors successivement :
) t T ( P
2
1
) t T 0 ) T ( w ) t ( w ( P ) t T ( P
) 0 ) T ( w ) t ( w , t T ( P ) a ) t ( w ( P
a
a a a
a a
< =
< > < =
> < = >
INSEA Devolder 218
3.3. Le mouvement brownien
Maximum dun mouvement brownien :
[ ]
) s ( w max ) t ( M
t , 0 s
=
On dfinit le processus maximum dun brownien par :
On peut obtenir la loi conjointe dun mouvement brownien
et de son maximum.
INSEA Devolder 219
3.3. Le mouvement brownien
PROPRIETE :
)
t
x a 2
( 1 ) x ) t ( w , a ) t ( M ( P

=
Pour a > 0, a > x :
INSEA Devolder 220
3.3. Le mouvement brownien
Applications en finance :
-temps datteinte : premire fois o la valeur
dune action atteint une valeur
donne ( par exemple premire fois o la valeur
du titre augmente de 50% ).
- maximum : valeur maximale atteinte par une action
sur une certaine priode.
INSEA Devolder 221
3.3. Le mouvement brownien
Simulation dun mouvement brownien :
-En thorie mouvement brownien non reprsentable
compte tenu de ses proprits de non drivabilit.
- Discrtisation possible permettant de se faire une ide de la
forme des trajectoires
- Principe de base : on choisit un pas t
- Pour simuler la valeur de w(t) on dcompose :
)) t t ( w ) t ( w ( ... )) t ( w ) t 2 ( w ( ) t ( w ) t ( w + + + =
INSEA Devolder 222
3.3. Le mouvement brownien
Par dfinition du mouvement brownien, tous les lments
de cette somme :
- sont des variables iid
- distribues normalement desprance nulle et de variance
t
Algorithme : simulation du brownien sur (0,T) :
t
T
n
0 t
t choose
0

=
=
INSEA Devolder 223
3.3. Le mouvement brownien
j next
t . Z ) t ( w ) t ( w
) 1 , 0 ( N Z choose
t t t
n to 1 j For
j 1 j j
j
1 j j

+ =

+ =
=

On a ainsi gnr les valeurs du mouvement brownien


aux points intermdiaires
Pour dfinir des trajectoires continues il suffit de relier ces points
par des fonctions linaires:
j
t
INSEA Devolder 224
3.3. Le mouvement brownien
Exercice : simuler quatre trajectoires discrtises du
mouvement brownien sur une dure de 2 ans en utilisant un
pas de discrtisation dabord journalier puis 3 fois par jour.
: t t t Pour
j 1 j
< <

)) t ( w ) t ( w (
t
) t t (
) t ( w ) t ( w
1 j j
1 j
1 j

+ =
INSEA Devolder 225
3.4. Intgration stochastique
MOTIVATION :
Les trajectoires dun mouvement brownien ntant pas
variations bornes, on ne peut utiliser les outils du calcul
diffrentiel et intgral.
Lobjectif du calcul stochastique est de dfinir une autre
forme dintgrale ( lintgrale stochastique) qui permet de
dvelopper des quations dvolution stochastiques en
temps continu.
La mthodologie consiste passer dune convergence
trajectoire par trajectoire une convergence quadratique.
INSEA Devolder 226
3.4. Intgration stochastique
1)Promenade alatoire discrte :
) n ( W . n . n . )) 0 ( S / ) n ( S ln(
n
1 i
i
+ = + =

=
2)Subdivision de la promenade :
) n ( W . n . x . n . )) 0 ( S / ) n ( S ln(
j
t / t
1 i
i j
j
j
+ = + =

=
3)Diffrences finies du processus: notation:
) t n ( X ) n ( X ) n ( X
j
j
=
INSEA Devolder 227
3.4. Intgration stochastique
) n ( W . t . x . t )) 0 ( S / ) n ( S ln(
j
j j j
j j
+ = + =
4) Passage la limite : ???
) t ( dw . dt . )) 0 ( S / ) t ( S (ln( d + =
Mais le processus w a des trajectoires non variations
bornes; cette diffrentielle nexiste pas au sens classique.
CALCUL STOCHASTIQUE : donner quand mme un sens
cette diffrentielle.
INSEA Devolder 228
3.4. Intgration stochastique
Construction de lintgrale classique :
Soit f une fonction de (0,T) valeurs relles
Intgrale de Riemann :

T
0
ds ) s ( f
Construction par limite de sommes de Riemann :

=
+

1 n
0 j
j 1 j j
) t t ( ) s ( f
Avec :
[ ]
1 j j j n 1 0
t , t s et T t ... t t 0
+
= < < < =
INSEA Devolder 229
3.4. Intgration stochastique
Intgrale de Riemann Stieltjes :
Soit g une fonction variations bornes de (0,T) valeurs relles

T
0
) s ( dg ) s ( f
Construction par limite de sommes de Riemann :

=
+

1 n
0 j
j 1 j j
)) t ( g ) t ( g ( ) s ( f
Avec :
[ ]
1 j j j n 1 0
t , t s et T t ... t t 0
+
= < < < =
INSEA Devolder 230
3.4. Intgration stochastique
Essai de gnralisation en stochastique :
On essaie de dfinir un objet du type :

T
0
) s ( dw ) s ( X
Avec :
Le rsultat devrait tre une variable alatoire !
dard tan s brownien mouvement : w
ue stochastiq processus : X

INSEA Devolder 231


3.4. Intgration stochastique
On peut toujours dfinir des sommes de Riemann qui deviennent
des variables alatoires :

=
+
=
1 n
0 j
j 1 j j n
)) t ( w ) t ( w ( ) s ( X Z
[ ] ) t , t s et T t ... t t 0 (
1 j j j n 1 0 +
= < < < =
Comment passer la limite des ces sommes qui sont
prsent des variables alatoires?
choix dun mode de convergence de v.a.
INSEA Devolder 232
3.4. Intgration stochastique
Premire possibilit : vision trajectoire par trajectoire:
on dfinit lintgrale stochastique comme une intgrale de
Riemann Stieltjes classique , trajectoire par trajectoire:

=
T
0
) , s ( dw ) , s ( X ) ( Y :
Premire anomalie : les trajectoires du mouvement brownien
sont partout non variation borne .
Ces intgrales nexistent donc gnralement pas .
INSEA Devolder 233
3.4. Intgration stochastique
Lutilisation dune intgrale trajectoire par trajectoire revient
travailler, en terme de mode de convergence de variables
alatoires, en convergence presque sre.
En vue de dfinir une intgrale on va passer un mode de
convergence plus faible , la convergence quadratique ( ).
Cette exigence moins forte de convergence va permettre de
passer la limite dans les sommes de Riemann mais :
Deuxime anomalie : la limite va dpendre des points
2
L
j
s
INSEA Devolder 234
3.4. Intgration stochastique
Illustration : essai de dfinition de lintgrale :

T
0
) s ( dw ) s ( w
Equivalent en calcul intgral classique :
VB f et 0 ) 0 ( f : avec
) s ( df ) s ( f
T
0
=


=
T
0
2
2
) T ( f
) s ( df ) s ( f
INSEA Devolder 235
3.4. Intgration stochastique
Calcul en stochastique : premier choix : dbut de lintervalle
( choix canonique en calcul stochastique )
Soit la suite de partitions de lintervalle (0,T) gnres
par les points :
[ ]
j j 1 j j j
t s : t , t s =
+
) n ,..., 1 , 0 i (
n
iT
t
) n (
i
= =
Avec passage la limite : n
INSEA Devolder 236
3.4. Intgration stochastique
Thse : on a dans :
2
L
T
2
1
) T ( w
2
1
)) t ( w ) t ( w )( t ( w lim
2 n
j
n
1 j
1 n
0 j
n
j n
=
+

=


Lemme :
2 2 2
2 2 2
) b a (
2
1
) a b (
2
1
) a b ( b
) b a (
2
1
) a b (
2
1
) a b ( a
+ =
=
INSEA Devolder 237
3.4. Intgration stochastique
Dmonstration :

=
+

=
+

=
+ +

=
=

=
1 n
0 j
2 n
j
n
1 j
2
1 n
0 j
2 n
j
n
1 j
1 n
0 j
n
j
2 n
1 j
2 n
j
n
1 j
1 n
0 j
n
j
)) t ( w ) t ( w (
2
1
) T ( w
2
1
)) t ( w ) t ( w (
2
1
)) t ( w ) t ( w (
2
1
)) t ( w ) t ( w )( t ( w
2
L
n
j
n
1 j
t t
+
INSEA Devolder 238
3.4. Intgration stochastique
Donc dans on a :
T
2
1
) T ( w
2
1
lim
2
n
=


Conclusion : on va crire en adoptant cette dfinition de limite
en convergence quadratique de lintgrale stochastique :
2
L
2
T
2
) T ( w
) s ( dw ) s ( w
T
0
2
=

INSEA Devolder 239


3.4. Intgration stochastique
deuxime choix : fin de lintervalle
[ ]
1 j j 1 j j j
t s : t , t s
+ +
=
On peut montrer alors de manire identique ( deuxime partie
du lemme) que cette fois on a :
T
2
1
) T ( w
2
1
)) t ( w ) t ( w )( t ( w lim
2 n
j
n
1 j
n
0 j
n
1 j n
+ =
+
=
+

INSEA Devolder 240
3.4. Intgration stochastique
troisime choix : milieu de lintervalle
( intgrale de STRATONOVICH)
[ ] 2 / ) t t ( s : t , t s
1 j j j 1 j j j + +
+ =
On peut montrer quon a alors :
) T ( w
2
1
)) t ( w ) t ( w )( t ( w lim
2 n
j
n
1 j
n
0 j
n
1 j n
=
+
=
+

INSEA Devolder 241
3.4. Intgration stochastique
Types dintgrales stochastiques :
-premier choix : dbut dintervalle :
choix canonique en calcul stochastique : Intgrale de ITO:
on peut dfinir lintgrale indfinie qui devient un processus
stochastique :
2
t
2
) t ( w
) s ( dw ) s ( w ) t ( I
t
0
2
= =

Corollaire : cette intgrale de ITO est une martingale
de moyenne nulle ( bruit ).
INSEA Devolder 242
3.4. Intgration stochastique
troisime choix : milieu dintervalle :
choix alternatif en calcul stochastique :
Intgrale de STRATONOVICH
2
) t ( w
ds ) s ( w ) t ( I

2
0
t
= =

Cette intgrale respecte la rgle traditionnelle du calcul
intgral mais ne gnre plus une martingale:
2 / t )) t ( I

( E =
INSEA Devolder 243
3.4. Intgration stochastique
Justification du choix canonique de dbut dintervalle :
( supprmatie de lintgrale de ITO ) :
Avantages :
1 mesurabilit : en terme de filtration , la valeur en dbut
dintervalle est la seule mesurable tout au long de lintervalle
dintgration.
2 martingale : lintgrale de ITO est une martingale
desprance nulle .
Dans la suite, Intgrale de ITO
INSEA Devolder 244
3.4. Intgration stochastique
CONSTRUCTION DE LINTEGRALE STOCHASTIQUE :
But : donner un sens lobjet alatoire suivant:
ds )
ds
) , s ( dw
( ) , s ( X ) , s ( dw ) , s ( X
t
0
t
0



ue stochastiq processus X
dard tan s brownien mouvement w
=
=
O:
= Intgrale stochastique dfinie
INSEA Devolder 245
3.4. Intgration stochastique
Proprits de base de lintgration classique :
Si f est une fonction variations bornes , alors on a :
] ]

+ = +
< < < =
T
0
T
0
T
0
2 2 1 1 2 2 1 1
T
0
b , a
) s ( dg ) s ( f a ) s ( dg ) s ( f a ) s ( dg )) s ( f a ) s ( f a ( ) 2
) T b a 0 ( ) a ( g ) b ( g ) s ( dg ) s ( 1 ) 1
( oprateur linaire)
proprits minimales conserver pour toute opration
dintgration digne de ce nom.
INSEA Devolder 246
3.4. Intgration stochastique
- Dmarche : limite de somme de Riemann mais autre
passage la limite tout en conservant ces proprits de base.
-1 Etape : Intgration de fonctions indicatrices :
[ [
) s ( 1 ) , s ( X
b , a
=
b t si ) a ( w ) b ( w
b t a si ) a ( w ) t ( w
a t si 0 ) , s ( dw ) s ( X
t
0
> =
< =
=

Alors:
INSEA Devolder 247
3.4. Intgration stochastique
-2 Etape : Intgration de fonctions en escaliers :
additivit de lintgrale:
[ [
tes tan cons c
iste min dter n subdivisio : t t .... t t 0 o
) s ( 1 c ) s ( 1 c ) s ( X
i
n 1 0
} t { n
1 n
0 j
t , t j
n 1 j j
=
= < < =
+ =

=
+
[ [




=
+

=
= =
+
1 n
0 j
j 1 j j
t
0
1 n
0 j
t
0
t , t j
)) t ( w ) t ( w ( c ) s ( dw ) s ( 1 c ) s ( dw ) s ( X
1 j j
INSEA Devolder 248
3.4. Intgration stochastique
-3 Etape : Intgration de processus stochastiques simples :
X est dit un processus stochastique simple sur (0,T) si :
[ [
) t ( 1 ) ( ) t ( 1 ) ( ) , t ( X
: que tel
) ( E : k
mesurable . a . v : k
T t ... t t 0
1 n
0 i
t , t i } t { 1 n
2
k
t k
n 1 0
1 i i n
k

+
+ =
<
=
= < < < =
INSEA Devolder 249
3.4. Intgration stochastique
Alors :
1 k k
t t t si
+
<
On dfinit lintgrale dfinie par:
)) t ( w ) t ( w ( )) t ( w ) t ( w ( dw X ) X ( I
k k i
t
0
1 k
0 i
1 i i t
+ = =

=
+
Cet oprateur est additif :
) Y ( I b ) X ( I a ) bY aX ( I
t t t
+ = +
) 0 ) 0 ( I (
0
=
INSEA Devolder 250
3.4. Intgration stochastique
Proprit de martingale :
Le processus intgrale indfinie est une martingale
) t s 0 ( ) X ( I ) I ) X ( I ( E
s s t
< < =
En particulier:
0 )) X ( I ( E
t
=
Dmonstration:
2 cas selon que s et t appartiennent ou non au mme
sous intervalle de la subdivision:
INSEA Devolder 251
3.4. Intgration stochastique
Par exemple si s et t appartiennent au mme sous intervalle :
[ [ : t , t t , s soit
1 k k +

) X ( I ) l ) s ( w ) t ( w ( E ) X ( I ) l ) X ( I ( E
: Donc
)) s ( w ) t ( w ( de te indpendan
)) s ( w ) t ( w ( ) X ( I ) X ( I
s s k s s t
k
k s t
= + =

+ =
INSEA Devolder 252
3.4. Intgration stochastique
Proprit du moment dordre 2 ( proprit disomtrie):
) ds ) s ( X ( E ) )) X ( I (( E
t
0
2 2
t

=
Dmonstration:
) )) t ( w ) t ( w ( )) t ( w ) t ( w ( ( E
) )) t ( w ) t ( w ( )) t ( w ) t ( w ( (( E
2
k
2
k
2
i 1 i
1 k
0 i
2
i
1 k
0 i
2
k k i 1 i i
+ =
+
+

=
+

INSEA Devolder 253


3.4. Intgration stochastique

= =
+ =

=
+
t
0
t
0
2 2
1 k
0 i
k
2
k i 1 i
) 2
i
) ds ) s ( X ( E ds )) s ( X ( E (
) t t )( ( E ) t t ( ( E
Remarque : la dfinition de ces processus simples
montre bien que lon prend une valeur mesurable
en dbut dintervalle ( intgrale de ITO ).
INSEA Devolder 254
3.4. Intgration stochastique
-4 Etape : Intgration de processus de carr intgrable :
X est dit un processus de carr intgrable sur (0,T) si:
- X est un processus adapt la filtration

<
T
0
2
) ds ) s ( X ( E
Espace
2
T
M
=ensemble des processus de carr intgrable
sur (0,T).
Espace
) , 0 ( sur grable int carr de processus M M
2 2
= =

INSEA Devolder 255
3.4. Intgration stochastique
Proprit : si X est un processus de carr intgrable alors:

=


T
0
2 ) n (
n
2 ) n (
0 ) ds )) s ( X ) s ( X ( ( E lim
: avec
simples processus : ) ( L } X {
Pour chaque processus simple de la suite on peut dfinir:

=
t
0
) n ( ) n (
t
) s ( dw ) s ( X ) X ( I
INSEA Devolder 256
3.4. Intgration stochastique
Cette suite de processus converge dans la norme
2
L
vers un processus appel intgrale stochastique

=

t
0
t
n ) n (
t
notation par ) s ( dw ) s ( X ) X ( I ) X ( I
Cest dire :
0 ) ) X ( I ) X ( I ( E lim
2
n t t n
=

INSEA Devolder 257
3.4. Intgration stochastique
continues es trajectoir processus un est ) X ( I ) iV (
martingale une est ) X ( I ) iii (
) ds ) s ( X ( E )) X ( I ( E ) ii (
0 )) X ( I ( E ) i (
t
t
t
0
2
2
t
t

=
=
Proprits de lintgrale stochastique :
(Isomtrie de ITO)
INSEA Devolder 258
3.4. Intgration stochastique
Caractrisation des espaces
2
T
M
-analogie de la proprit classique dexistence de lintgrale
pour des fonctions continues : lintgrale classique de
RIEMAN existe pour toute fonction continue.
PROPOSITION :
Si f est un processus stochastique trajectoires continues p.s.
adapt la filtration du brownien.
alors lintgrale de ITO de f sur (0,T) existe si :
INSEA Devolder 259
3.4. Intgration stochastique

<
T
0
2
) ds ) s ( f ( E
Preuve : il suffit de montrer quil existe une suite de
processus simple convergeant en moyenne quadratique vers f.
Une suite candidate est la suivante :
on sin 0
) 1 n ,..., 2 , 1 k (
n
1 k
t
n
k
pour ds ) s ( f n ) t ( f
2
n
k
n
1 k
n
=
=
+
< =

INSEA Devolder 260


3.4. Intgration stochastique
Diffrentielle stochastique:
) t ( dw ) t ( dt ) t ( b ) t ( dX
: Alors
) s ( dw ) s ( ds ) s ( b X ) t ( X
grable int carr de et adapt processus : ) , s (
grable int et adapt processus : ) , s ( b
t
0
t
0
0
+ =
+ + =



= diffrentielle stochastique
INSEA Devolder 261
3.4. Intgration stochastique
Proprits de la diffrentielle stochastique :
autres rgles que le calcul diffrentiel classique
-EXEMPLE /
Calcul diffrentiel classique:

=
t
0
2
) s ( df ) s ( f 2 )) t ( f (
Calcul stochastique :

=
t
0
2
) s ( dw ) s ( w 2 ??? )) t ( w (
INSEA Devolder 262
3.4. Intgration stochastique

=
=
t
0
2
) martingale ( 0 )) s ( dw ) s ( w ( E ) ii (
t )) t ( w ( E ) i (
Or:
Diffrentielle dun produit ( intgration par parties) :
) t ( dw ) t ( dt ) t ( b ) t ( d
) t ( dw ) t ( dt ) t ( b ) t ( d
2 2 2
1 1 1
+ =
+ = Si:
Alors:
dt ) t ( ) t ( ) t ( d ) t ( ) t ( d ) t ( )) t ( ) t ( ( d
2 1 1 2 2 1 2 1
+ + =
INSEA Devolder 263
3.4. Intgration stochastique
Diffrentielle dune fonction de fonction:
Calcul diffrentiel classique:
dx
x
g
x
f
dt )
t
g
x
f
t
f
( )) x , t ( g , t ( df
) ables diffrenti g , f ( ? )) x , t ( g , t ( f d

=
=
Calcul stochastique : Formule de ITO
INSEA Devolder 264
3.4. Intgration stochastique
Lemme de ITO : version de base
) t ( dw
x
f
dt )
x
f
2
1
t
f
( )) t ( w , t ( df
: a on et able diffrenti est )) t ( w , t ( f Alors
) C f ( iables var 2 de fonction ) x , t ( f
2
2
2 , 1

=
=
INSEA Devolder 265
3.4. Intgration stochastique
Lemme de ITO : version gnrale
) t ( dw ) t (
x
f
dt )) t (
x
f
2
1
) t ( b
x
f
t
f
( )) t ( , t ( df
: able diffrenti est )) t ( , t ( f Alors
) C f ( iables var 2 de fonction ) x , t ( f ) ii (
) ITO de processus ( ) t ( dw ) t ( dt ) t ( b ) t ( d ) i (
2
2
2
2 , 1

=
+ =
INSEA Devolder 266
3.4. Intgration stochastique
Rgles de calcul formel:
0 dt . dw
dt dw . dw
0 dt . dt
=
=
=
dt
x
f
2
1
dw
x
f
dt
t
f
) dw (
x
f
2
1
) dt . dw (
t x
f
) dt (
t
f
2
1
dw
x
f
dt
t
f
) w , t ( df
2
2
2
2 2
2
2
2
2

=
INSEA Devolder 267
3.4. Intgration stochastique
Application : intgration par parties :

=
t
0
?? ) s ( dw s
On prend:
) t ( w ) t (
x t ) x , t ( f
=
=
Par ITO on a :

=
t
0
t
0
ds ) s ( w ) t ( w t ) s ( dw s
INSEA Devolder 268
3.4. Intgration stochastique
Gnralisation : formule gnrale de lintgration par parties
: . s . p s borne iation var et continu ) , s ( f Si

=
t
0
t
0
) s ( df ) s ( w ) t ( w ) t ( f ) s ( dw ) s ( f
Cette proprit nest plus vrifie gnralement quand
le processus f nest pas variation borne
( par exemple : prendre f = w )
INSEA Devolder 269
3.4. Intgration stochastique
EXEMPLE/ ITO 1 :

+ =
+ =
=
=
t
0
2
2
2
) s ( dw ) s ( w 2 t ) t ( w
ou
dt ) t ( dw ) t ( w 2 ) t ( dw
) t ( w ) t (
x ) x , t ( f

=
t
0
2
) s ( dw ) s ( w 2 ??? )) t ( w (
On prend:
INSEA Devolder 270
3.4. Intgration stochastique
EXEMPLE/ ITO 2 :
) t ( w ) t (
x ) x , t ( f
6
=
=
? ) t ( w E
6
=

+ =
+ =
t
0
t
0
4 5
4 5
ds ) s ( w 15 ) s ( dw ) s ( w 6 ) t ( Z
: grant int en
dt ) t ( w 15 ) t ( dw ) t ( w 6 ) t ( dZ
On prend:
INSEA Devolder 271
3.4. Intgration stochastique
Or:

= =
=
t
0
t
0
t
0
2 4 4
t
0
5
ds s 3 15 ds ) s ( w E 15 ) ds ) s ( w 15 ( E ) 2
) ue stochastiq grale int ( 0 )) s ( dw ) s ( w 6 ( E ) 1
(cf. slide 72)
Finalement:
3 6
t 15 ) ) t ( w ( E =
INSEA Devolder 272
3.4. Intgration stochastique
Exercices
1Pour quelle valeur du paramtre r le processus suivant est il une
martingale et quelle est dans ce cas sa volatilit ?
)) t ( w . sin( . e ) t ( X
rt
=
2 Calculer la diffrentielle de la puissance n ime dun
mouvement brownien.
INSEA Devolder 273
3.5. Equations
diffrentielles stochastiques
INTRODUCTION : quation du brownien gomtrique:
) t ( w ) t (
e ) x , t ( f
) x t (
=
=
+
On a par ITO :
f
x
f
) iii (
f
x
f
) ii (
f
t
f
) i (
2
2
2
=

INSEA Devolder 274


3.5. Equations diffrentielles
stochastiques
Par ITO :
dt f
2
1
dw f dt f df
2
+ + =
CONCLUSION : en notant
2
2

+ =
Le processus stochastique ( brownien gomtrique)
)) t ( w t )
2
exp(( ) 0 ( S ) t ( S
2
+

=
est solution de lquation diffrentielle stochastique:
) t ( dw ) t ( S dt ) t ( S ) t ( dS + =
INSEA Devolder 275
3.5. Equations diffrentielles
stochastiques
PROPRIETES du mouvement brownien gomtrique :
) 1 e ( e ) 0 ( S )) t ( S var( ) ii (
e ) 0 ( S )) t ( S ( E ) i (
t t 2 2
t
2
=
=

Preuve :
) t ; t )
2
( ( norm log ) 0 ( S / ) t ( S
2

=
Et :
) 2 / b a exp( )) b , a ( norm log ( E
2 2
+ =
INSEA Devolder 276
3.5. Equations diffrentielles
stochastiques
Equations diffrentielles classiques:
dt )) t ( x , t ( f ) t ( dx
ou
)) t ( x , t ( f
dt
) t ( dx
=
=
Solutions si f admet une condition de LIPSCHITZ:
y x K ) y , t ( f ) x , t ( f
INSEA Devolder 277
3.5. Equations diffrentielles
stochastiques
Solutions numriques : itration de Picard:


+ =
=
t
0
) 1 n (
0
) n (
0
) 0 (
ds )) s ( x , s ( f x ) t ( x
x ) t ( x
Equations diffrentielles stochastiques :
) t ( dw )) t ( X , t ( dt )) t ( X , t ( b ) t ( dX + =
Avec:
0
x ) 0 ( X =
INSEA Devolder 278
3.5. Equations diffrentielles
stochastiques
Conditions de LIPSCHITZ et de croissance :
) x 1 ( K ) x , t ( ) x , t ( b ) ii (
y x K ) y , t ( ) x , t ( y , t ( b ) x , t ( b ) i (
2 2 2 2
+ +
+
Lquation diffrentielle stochastique admet alors une
solution unique qui peut tre approch par les itrations:


+ + =
t
0
t
0
) 1 n ( ) 1 n (
0
) n (
) s ( dw )) s ( X , s ( ds )) s ( X , s ( b x ) t ( X
INSEA Devolder 279
3.5. Equations diffrentielles
stochastiques
Equations diffrentielles stochastiques linaires:
On essaie dobtenir une solution gnrale lquation linaire:
0
2 1 2 1
X ) 0 ( X
) t ( dw )). t ( ) t ( X ) t ( ( dt )) t ( c ) t ( X ) t ( c ( ) t ( dX
=
+ + + =
O :
continues istes min dter fonctions et c
i i
=
INSEA Devolder 280
3.5. Equations diffrentielles
stochastiques
Premire tape : quation homogne sans bruit :
0
1
Y ) 0 ( Y
dt )) t ( Y ) t ( c ( ) t ( dY
=
=
Solution:

= =
=
t
0
1 0
t
0
1 0
) ds ) s ( c exp( ) t ( y : 1 Y pour
) ds ) s ( c exp( . Y ) t ( Y
INSEA Devolder 281
3.5. Equations diffrentielles
stochastiques
Deuxime tape : quation sans bruit :
0
2 1
X ) 0 ( X
dt )) t ( c ) t ( X ) t ( c ( ) t ( dX
=
+ =
Solution:

+ =
+ =
t
0
t
0
t
s
1 2 1 0
t
0
2 0
ds ) du ) u ( c exp ( ). s ( c ) du ) u ( c exp( X
} ds ) s ( y / ) s ( c X ){ t ( y ) t ( X
INSEA Devolder 282
3.5. Equations diffrentielles
stochastiques
Troisime tape : quation avec bruit additif :
0
2 2 1
X ) 0 ( X
) t ( dw ) t ( dt )) t ( c ) t ( X ) t ( c ( ) t ( dX
=
+ + =
Solution:
} ) s ( dw ) s ( y / ) s ( ds ) s ( y / ) s ( c X ){ t ( y ) t ( X
t
0
t
0
2 2 0

+ + =
INSEA Devolder 283
3.5. Equations diffrentielles
stochastiques
Quatrime tape : quation homogne avec bruit multiplicatif:
0
1 1
Z ) 0 ( Z
) t ( dw ) t ( Z ) t ( dt ) t ( Z ) t ( c ) t ( dZ
=
+ =
Solution:


+ = =
+ =
t
0
t
0
1
2
1 1 0
t
0
t
0
1
2
1 1 0
) )) s ( dw ) s ( ds )) s ( ) s ( c ( exp( ) t ( z : 1 Z pour
) ) s ( dw ) s ( ds ) 2 / ) s ( ) s ( c ( exp( . Z ) t ( Z
INSEA Devolder 284
3.5. Equations diffrentielles
stochastiques
Cinquime tape : quation gnrale :
0
2 1 2 1
X ) 0 ( X
) t ( dw )). t ( ) t ( X ) t ( ( dt )) t ( c ) t ( X ) t ( c ( ) t ( dX
=
+ + + =
Solution:
} ) s ( dw ) s ( z / ) s ( ds ) s ( z / )) s ( ) s ( ) s ( c ( X ){ t ( z ) t ( X
t
0
t
0
2 2 1 2 0

+ + =
INSEA Devolder 285
3.5. Equations diffrentielles
stochastiques
EXEMPLES de processus fondamentaux :
-1 Brownien gomtrique
-2 Processus dOrnstein Uhlenbeck:
) t ( dw dt )) t ( X b ( a ) t ( dX + =
Equation dterministe correspondante:
) Y ) 0 ( Y ( dt )) t ( Y b ( a ) t ( dY
0
= =
Solution:
) e 1 .( b e . Y ) t ( Y
at at
0

+ =
INSEA Devolder 286
3.5. Equations diffrentielles
stochastiques
Soit:
at
e ) t ( Z ) t ( Y ) t ( X

+ =
On a :

=
=
=
+ =
+ =

t
0
at
at
at at
) t ( dw e ) t ( Z
) t ( dw e ) t ( dZ
: donc
dt )) t ( Y b ( a ) t ( dY ) iii (
) t ( dw dt )) t ( X b ( a ) t ( dX ) ii (
dt ) t ( Z ae ) t ( dZ e ) t ( dY ) t ( dX ) i (
INSEA Devolder 287
3.5. Equations diffrentielles
stochastiques
Finalement le processus dOrnstein-Uhlenbeck devient:


+ + =
t
0
as at at at
0
) s ( dw e e ) e 1 ( b e x ) t ( X
Trend
dterministe
Bruit
alatoire
INSEA Devolder 288
3.5. Equations diffrentielles
stochastiques
PROPRIETE du processus ORNSTEIN :
) e 1 ( b e x ) t ( X E
at at
0

+ =
Moyenne pondre de la position initiale et de la
position asymptotique b.
Les poids sont des exponentielles ngatives gouvernes
par le facteur de rappel a.
INSEA Devolder 289
3.6. Thorme de GIRSANOV
Introduction aux changements de mesure de probabilit
en univers discret
Espace de scnarios :
} ,..., , {
N 2 1
=
2 mesures de probabilit quivalentes:
0 q }) ({ * P
0 p }) ({ P
i i
i i
> =
> =
( accord sur les scnarios possibles mais pas sur leur proba).
INSEA Devolder 290
3.6. Thorme de GIRSANOV
Densit de RADON NIKODYM :
cest une variable alatoire appele densit de la mesure
P* par rapport la mesure P et donne par :
i
i
i
i
p
q
}) ({ P
}) ({ * P
) ( Z =

=
Par dfinition cette variable alatoire est desprance
unitaire sous la mesure initiale P :

= =
= = =
N
1 i
N
1 i
i
i
i
i
1 q
p
q
p EZ
INSEA Devolder 291
3.6. Thorme de GIRSANOV
Calcul desprance :
Si Y est une autre variable alatoire dfinie sur cet espace,
alors on a :
) YZ ( E ) Y ( * E =
Preuve :
i
N
1 i
N
1 i
i
i
i i i
p )
p
q
) ( Y ( q ) ( Y ) Y ( * E

= =
= =
INSEA Devolder 292
3.6. Thorme de GIRSANOV
Exemple : modle binomial sur une priode :
March boursier la hausse ou la baisse :
} d , u { =
- mesure de probabilit initiale = mesure relle
Par exemple :
2
1
p p
d u
= =
Taux sans risque : 3%
INSEA Devolder 293
3.6. Thorme de GIRSANOV
Variable alatoire : cours dune action dans une priode
S(0)=1
S(1)=Y
Avec :
01 , 1 ) d ( Y
09 , 1 ) u ( Y
=
=
Autre mesure de probabilit : mesure risque neutre :
u d u
q 1 q et
d u
d r 1
q =

+
=
INSEA Devolder 294
3.6. Thorme de GIRSANOV
Donc :
4
3
q et
4
1
01 , 1 09 , 1
01 , 1 03 , 1
q
d u
= =

=
La densit est donne par :
2
3
2 / 1
4 / 3
p
q
) d ( Z
2
1
2 / 1
4 / 1
p
q
) u ( Z
d
d
u
u
= = =
= = =
INSEA Devolder 295
3.6. Thorme de GIRSANOV
Calcul des esprances :
05 , 1 2 / ) 01 , 1 09 , 1 ( EY = + =
Monde rel :
Monde risque neutre :
Calcul direct : 03 , 1 4 / 3 * 01 , 1 4 / 1 * 09 , 1 Y * E = + =
Calcul par densit :
03 , 1 2 / 1 * ) 2 / 3 * 01 , 1 ( 2 / 1 * ) 2 / 1 * 09 , 1 ( Y * E = + =
INSEA Devolder 296
3.6. Thorme de GIRSANOV
Motivation : brownien gomtrique : nouvel univers tel
que tous les actifs financiers aient aussi un return moyen
gal au taux sans risque r ; ceci implique un
changement de drift du processus.
) t ( dw ) t ( S dt ) t ( S ) t ( dS + =
Soit:
t
) r (
) t ( w ) t ( w avec
) t ( dw ) t ( S dt ) t ( S r ) t ( dS
dt ) t ( S ) r ( ) t ( dw ) t ( S dt ) t ( S r ) t ( dS
*
*


+ =
+ =
+ + =
INSEA Devolder 297
3.6. Thorme de GIRSANOV
Le processus w* nest plus un mouvement brownien sous
la mesure relle de probabilit.
GIRSANOV: comment changer de mesure pour obtenir
quand mme un brownien ?
On introduit pour ce la notion de changement de mesure et
de densit de RADON-NIKODYM .
INSEA Devolder 298
3.6. Thorme de GIRSANOV
) , ( soit
un espace de probabilit muni de deux mesures
2 1
P et P
DEFINITION: la mesure P2 est dite absolument continue
par rapport la mesure P1 si:
0 ) B ( P que tel B 0 ) B ( P
1 2
= =
THEOREME de RADON-NIKODYM :
la mesure P2 est absolument continue par rapport
la mesure P1 ssi il existe une variable alatoire
non ngative et mesurable telle que:
INSEA Devolder 299
3.6. Thorme de GIRSANOV

= =
B
B P 1 2
) 1 ( E ) ( dP ) ( ) B ( P
1
La variable est appele densit de Radon Nikodym.
Cette densit est une variable alatoire desprance unitaire:
Il suffit de prendre: B= :

= = = ) ( E ) ( dP ) ( 1 ) ( P
1
P 1 2
INSEA Devolder 300
3.6. Thorme de GIRSANOV
Martingale exponentielle :
) P , , (
-espace de probabilit
-mouvement brownien standard sous P : w
- filtration associe :
Dfinition: le processus Y dfini ci dessous est appel
martingale exponentielle
) t k
2
1
) t ( w k exp( ) t ( Y
2
=
t

INSEA Devolder 301


3.6. Thorme de GIRSANOV
Proprits :
- les variables alatoires Y(t) sont distribues log
normalement de paramtres :
t k
t k
2
1
m
2 2
2
=
=
- E Y(t) = 1
- Y est un processus non ngatif
Candidat naturel densit de Radon Nikodym
302
3.6. Thorme de GIRSANOV
Changement de mesure et mouvement brownien:
Soit {w(t, ); t(0,T);} un mouvement brownien
dfini sur un espace de probabilit
) P , , (
On introduit le processus Z dfini par :
) R k ( t k ) t ( w ) t ( Z =
Alors le processus w* est un mouvement brownien
par rapport la mesure Q dont la densit est dfinie par:
) T
2
k
) T ( w k exp( ) T ( Y
2
T
= =
INSEA Devolder 303
3.6. Thorme de GIRSANOV
Preuve: par fonctions caractristiques:
?? e ) e ( E ?
) s t (
2
u
s
)) s ( Z ) t ( Z ( iu
Q
2

=
Ou encore :
t
2
u
) t ( Z iu
2
e ) t ( V ?
+
=
est une martingale sous Q ?


= = ) ( dP ) , T ( Y ) , t ( V ) ( dQ ) , t ( V )) t ( V ( E
Q
INSEA Devolder 304
3.6. Thorme de GIRSANOV

=
) ( dP
) , t ( Y
) , T ( Y
) ( dP ) , t ( Y ) , t ( V
) ( dP )
) , t ( Y
) , T ( Y
( ) , t ( Y ) , t ( V
( car mouvement brownien accroissements indpendants)

= ) ( dP ) , t ( Y ) , t ( V
(car Y = martingale exponentielle)
INSEA Devolder 305
3. 6. Thorme de GIRSANOV
Il faut donc montrer que le processus R est une martingale
sous P :
) t ( Y ) t ( V ) t ( R =
) ) iu k (
2
1
exp( ) t ( w ) iu k exp(
)) iuk u k ( t
2
1
exp( ) t ( w ) iu k exp(
) t k
2
1
) t ( w k exp( ) t
2
u
) kt ) t ( w ( iu exp(
) t k
2
1
) t ( w k exp( ) t
2
u
) t ( iuZ exp( ) t ( R
2
2 2
2
2
2
2
+ + =
+ + =
+ =
+ =
Martingale exponentielle
INSEA Devolder 306
3.6. Thorme de GIRSANOV
-Gnralisation :
Gnraliser la drive du brownien :
) R k ( t k ) t ( w ) t ( Z =

=
t
0
ds ) , s ( b ) t ( w ) t ( Z
O b est prsent un processus stochastique .
INSEA Devolder 307
3.6. Thorme de GIRSANOV
Hypothses sur le processus b :
(i) Le processus b est adapte la filtration ;
( ii) condition de NOVIKOV :

<
T
0
2
) ds ) , s ( b
2
1
( E
(iii) On dfinit la variable alatoire :
} ds ) , s ( b
2
1
) s ( dw ) , s ( b exp{ ) (
T
0
T
0
2
T

=
INSEA Devolder 308
3.6. Thorme de GIRSANOV
Alors le processus :

=
t
0
ds ) , s ( b ) t ( w ) t ( Z
est un mouvement brownien par rapport la mesure Q dont
la densit de Radon Nykodim par rapport P est donne par:
T
dP
dQ
=
INSEA Devolder 309
3.7. Reprsentation de
Feynman- Kac
Lien entre:
quations diffrentielles stochastiques ( EDS)
et
quations aux drives partielles ( PDE)
Objectif : calcul de lesprance mathmatique de fonctions
de la solution dune quation diffrentielle
stochastique.
INSEA Devolder 310
3.7. Feynman- Kac
) dard tan s brownien un est w o (
) T t 0 ( ) t ( dw )) t ( X , t ( dt )) t ( X , t ( ) t ( dX
: EDS ' l de solution X Soit
+ =
On dfinit la fonction de 2 variables relles :
) x ) t ( X )) T ( X ( ( E ) x , t ( F = =
(o est une fonction dune variable relle).
INSEA Devolder 311
3.7. Feynman- Kac
Hyp.(H1) :
<

dt ))) t ( X , t (
x
F
) t ( X , t ( ( E
T
0
2
Alors la fonction F est solution de lquation aux drives
partielles suivantes :
0 ) x , t (
x
F
) x , t (
2
1
) x , t (
x
F
) x , t ( ) x , t (
t
F
2
2
2
=

Condition au bord :
) x ( ) x , T ( F =
INSEA Devolder 312
3.7. Feynman- Kac
Preuve: Application de la formule de ITO au processus Y :
)) t ( X , t ( F ) t ( Y =

+
=
T
t
T
t
2
2
2
T
t
) s ( dw )) s ( X , s (
x
F
)) s ( X , s (
ds )) s ( X , s (
x
F
)) s ( X , s (
2
1
ds )) s ( X , s (
x
F
)) s ( X , s ( )) s ( X , s (
s
F
)) t ( X , t ( F )) T ( X , T ( F
INSEA Devolder 313
3.7. Feynman- Kac
On prend lesprance conditionnelle des 2 membres par rapport
a :
[ ) x ) t ( X ( E =
[ ) ) x ) t ( X ) T ( X ( ( E x ) t ( X )) T ( X , T ( F ( E ) i ( = = =

= =

T
t
0 )) x ) t ( X ) s ( dw )) s ( X , s (
x
F
)) s ( X , s ( ( E ) a )( ii (
(car intgrale stochastique et condition H1)
INSEA Devolder 314
3.7. Feynman- Kac
: alors EDP ' l de solution est F si ) b ( ) ii (
0 ds )) s ( X , s (
x
F
)) s ( X , s (
2
1
ds )) s ( X , s (
x
F
)) s ( X , s ( )) s ( X , s (
s
F
T
t
2
2
2
T
t
=

)) t ( X , t ( F ) x ) t ( X ) t ( X , t ( F ( E ) iii ( = =
INSEA Devolder 315
3.7. Feynman- Kac
Exemple :
Rsoudre lquation:
) x ( ) x , T ( F : avec 0
x
F
2
1
t
F
2
2
= =

EDS correspondante :
) t ( dw ) t ( dX =
INSEA Devolder 316
3.7. Feynman- Kac
Reprsentation Feynman-Kac :
) x ) t ( w )) T ( w ( ( E ) x , t ( F = =
Distribution normale N(x,T-t)

+

= dy ) y ( ) y , x , t T ( p ) x , t ( F
o:
)
) t T ( 2
) x y (
exp(
2 ) t T (
1
) y , x , t T ( p
2


=
INSEA Devolder 317
3.7. Feynman- Kac
Variante de la formule de Feynman Kac :
Introduction dune actualisation dans la fonctionnelle
) x ) t ( X )) T ( X ( e ( E ) x , t ( F
) t T ( r
= =

0 ) x , t ( F r
) x , t (
x
F
) x , t (
2
1
) x , t (
x
F
) x , t ( ) x , t (
t
F
2
2
2
=

est solution de :
INSEA Devolder 318
3.7. Feynman- Kac
Gnralisation- actualisation taux variable :
La fonctionnelle du type :
) x ) t ( X )) T ( X ( ) ds )) s ( X , s ( k exp( ( E ) x , t ( F
T
t
= =

0 ) x , t ( F ) x , t ( k
) x , t (
x
F
) x , t (
2
1
) x , t (
x
F
) x , t ( ) x , t (
t
F
2
2
2
=

est solution de :
INSEA Devolder 319
3.8. Calcul multi-
dimensionnel
Introduction de plusieurs sources de bruit
( corrles ou non)
Mouvement brownien multi dimensionnel
)) t ( w ),..., t ( w ), t ( w ( ) t ( w
n 2 1
=
Chacune des composantes est un mouvement brownien.
Ces mouvements browniens peuvent tre corrls.
INSEA Devolder 320
3.8. Calcul multi-dimensionnel
Exemple : mouvement brownien bi-dimensionnel :
)) t ( w ), t ( w ( ) t ( w
2 1
=
est un mouvement brownien bi-dimensionnel si :
1
2
dard tan s brownien mouvement )) t ( w et ) t ( w
2 1
=
) 1 1 o (
t )) t ( w . ) t ( w ( E )) t ( w ), t ( w ( Cov
2 1 2 1

= =
En particulier : )) 1 ( w ), 1 ( w ( cov
2 1
=
INSEA Devolder 321
3.8. Calcul multi-dimensionnel
Si =0 , les deux sources de bruit sont indpendantes
( mouvement brownien bi-dimensionnel non corrl).
Dcomposition de CHOLESKI :
On peut toujours exprimer un mouvement brownien
bi dimensionnel en fonction dun mouvement brownien
bi-dimensionnel non corrl.
INSEA Devolder 322
3.8. Calcul multi-dimensionnel
Considrons un mouvement brownien non corrl .
)) t ( * w ), t ( * w ( ) t ( * w
2 1
=
On peut alors construire un mouvement brownien corrl par
la transformation :
) t ( * w . 1 ) t ( * w . ) t ( w
) t ( * w ) t ( w
2
2
1 2
1 1
+ =
=
INSEA Devolder 323
3.8. Calcul multi-dimensionnel
En termes de matrice variance covariance :
=
=
*
Matrice du vecteur w(1)
Matrice du vecteur w*(1)
|
|

\
|

=
1
1
|
|

\
|
=
1 0
0 1
*
INSEA Devolder 324
3.8. Calcul multi-dimensionnel
Gnralisation n dimensions :
Vecteur gaussien n- dim corrl :
)) 1 ( w ),..., 1 ( w ), 1 ( w ( ) 1 ( w w
n 2 1
= =
Matrice variance covariance de ce vecteur :
) w , w cov(
T
w
=
Matrice de diagonale unitaire, symtrique et dfinie
positive mais non ncessairement diagonale.
( corrlations entre les variables gaussiennes).
INSEA Devolder 325
3.8. Calcul multi-dimensionnel
On cherche une transformation linaire des variables w en des
variables z telle que la matrice variance- covariance des z est
la matrice identit I .
On recherche une matrice triangulaire infrieure L telle que :
z . L w=
Avec:
I ) z , z cov(
T
z
= =
INSEA Devolder 326
3.8. Calcul multi-dimensionnel
On a alors :
T T T T
w
LL ) L z z L ( E ) w , w cov( = = =
Il suffit donc de rsoudre :
T
w
LL =
EXEMPLE 2 dimensions :
|
|

\
|

=
2
1
0 1
L
INSEA Devolder 327
3.8. Calcul multi-dimensionnel
Proprits du calcul stochastique 2 dimensions :
Equations diffrentielles stochastiques :
) t ( dw ) X , X , t ( ) t ( dw ) X , X , t ( dt ) X , X , t ( ) t ( dX
2 2 1 12 1 2 1 11 2 1 1 1
+ + =
) t ( dw ) X , X , t ( ) t ( dw ) X , X , t ( dt ) X , X , t ( ) t ( dX
2 2 1 22 1 2 1 21 2 1 2 2
+ + =
Avec )) t ( w ), t ( w ( ) t ( w
2 1
=
mouvement brownien bi dimensionnel non corrl
Condition dexistence et dunicit : condition de Lipschitz
et de croissance linaire sur les coefficients ( comme en dim1).
INSEA Devolder 328
3.8. Calcul multi-dimensionnel
Formule de ITO :
y et x en diff fois 2 et t en able diffrenti fonction : ) y , x , t ( g
EDS solutions : X et X
2 1
Alors le processus
est diffrentiable
et on a :
)) t ( X ), t ( X , t ( g
2 1
INSEA Devolder 329
3.8. Calcul multi-dimensionnel
dt }
x x
g
) ( 2
x
g
) (
x
g
) {(
2
1
dX
x
g
dX
x
g
dt
t
g
) X , X , t ( dg
2 1
2
22 12 21 11
2
2
2
2
22
2
21
2
1
2
2
12
2
11
2
2
1
1
2 1

+ +

+ +

+ +

=
INSEA Devolder 330
3.8. Calcul multi-dimensionnel
Application : diffrentielle stochastique dun produit
2 1 2 1
x x ) x , x , t ( g =
dt ) ( dX X dX X X X d
22 12 21 11 2 1 1 2 2 1
+ + + =
En prenant:
Terme complmentaire
PARTIE 4
Modles stochastiques
en temps continu
INSEA Devolder 332
4.1 Modle brownien
additif et gomtrique
Modle brownien additif : ( Bachelier, 1900)
Le cours dune action est cens suivre une promenade
alatoire continue ( autnat de chances durant une priode
dtermine que le cours augmente ou diminue);
modlisation par un mouvement brownien .
volatilit
dard tan s brownien mouvement w
titre du initiale valeur ) 0 ( S
) , t ( w . ) 0 ( S ) , t ( S
=
=
=
+ =
INSEA Devolder 333
4.1 Modle brownien additif et
gomtrique
Proprits du modle additif:
(i) Le cours du titre linstant t est distribu normalement
de moyenne constante S(0) et de variance donne par:
t ) t ( S var
2
=
(ii) Le processus du cours est une martingale:
t s ) s ( S ) l ) t ( S ( E
s
< =
(iii) Proprit dindpendance des accroissements absolus:
) t s ( ) s ( S de t indpendan ) s ( S ) t ( S <
INSEA Devolder 334
4.1 Modle brownien additif et
gomtrique
Inconvnients du modle additif :
(i) Rendement moyen nul
(ii) Valeurs ngatives possibles
Solution :
Indpendance des accroissements relatifs :
) s ( S de t indpendan ) s ( S / )) s ( S ) t ( S (
INSEA Devolder 335
4.1 Modle brownien additif et
gomtrique
Expressions sous forme dquations diffrentielles stochastiques
(i) Modle additif :
) t ( dw ) t ( dS
) t ( w ) t ( S
=
=
(ii) Modle dterministe:
dt ) t ( S ) t ( dS
t ) t ( S ) t ( S
=
=
INSEA Devolder 336
4.1 Modle brownien additif et
gomtrique
Nouveau modle :
) t ( dw ) t ( S dt ) t ( S ) t ( dS
) t ( w ) t ( S t ) t ( S ) t ( S
+ =
+ =
Modle brownien gomtrique
Solution de lquation:
)) t ( w t )
2
exp(( ) 0 ( S ) t ( S
2
+

=
INSEA Devolder 337
4.1 Modle brownien additif et
gomtrique
Proprit de distribution :
) normale exp( ) 0 ( S / ) t ( S =
Distribution log-normale:
Si X est une variable alatoire distribue normalement
de moyenne a et dcart type b alors la variable Y=exp(X)
est appele une variable log-normale de paramtres a et b
t N type cart
t ) 2 / ( N moyenne
2
=
=
INSEA Devolder 338
4.1 Modle brownien additif et
gomtrique
Densit de probabilit dune log normale:
) 0 y ( ))
b 2
) a y (ln
( exp(
2 by
1
) y ( f
2
2
Y
>

=
Moments dune log-normale :
) 1 e ( e ) Y var( ) ii (
e ) Y ( E ) i (
2 2
2
b b a 2
2 / b a
=
=
+
+
INSEA Devolder 339
4.1 Modle brownien additif et
gomtrique
Moments du modle brownien gomtrique:
) 1 e ( e ) 0 ( S )) t ( S var( ) ii (
e ) 0 ( S )) t ( S ( E ) i (
t t 2 2
t
2
=
=

Proprit dindpendance
1 e e ) s ( S / )) s ( S ) t ( S (
)) s ( w ) t ( w ( ) s t )( 2 / (
2
=

Indpendant de S(s)
INSEA Devolder 340
4.2 Modle de Black et
Scholes
Hypothses du modle:
(i) Actif risqu suivant un modle brownien gomtrique;
(ii) Actif sans risque de rendement constant continu r
(iii) March parfait
(iv) Pas de distribution de dividende de lactif risqu durant
la priode considre
Objectif:
Tarification dune option europenne ( call ou put)
sur lactif risqu
INSEA Devolder 341
4.2 Modle de Black et Scholes
Trois visions du modle:
(i) Rsolution directe par arbitrage;
(ii) Mesure martingale;
(iii) Limite du modle binomial discret
Notations
) t ( dw ) t ( S dt ) t ( S ) t ( dS + =
K exercice ' d prix de S sur call un ' d t en prix ) K , t , S ( C =
(T= maturit de loption)
INSEA Devolder 342
4.2 Modle de Black et Scholes
Premire approche : rsolution directe par arbitrage :
Application de la formule de ITO au processus C :
) t ( dw
S
C
S dt )
S
C
S
2
1
S
C
S
t
C
( ) t , S ( dC
2
2
2 2

=
C / )
S
C
S (
C / )
S
C
S
2
1
S
C
S
t
C
(
)) t ( dw dt )( t , S ( C ) t , S ( dC
C
2
2
2 2
C
c C

=
+ = ou
avec
INSEA Devolder 343
4.2 Modle de Black et Scholes
Raisonnement darbitrage:
Constitution dun portefeuille contenant des titres sous jacents
et des options dachat sur ce titre
) t , S ( C ) t ( x ) t ( S ) t ( x ) t ( Q
C S
+ =
Portefeuille suppos auto financ:
0 C dx S dx
C s
= +
INSEA Devolder 344
4.2 Modle de Black et Scholes
Equation diffrentielle stochastique du portefeuille:
Q / ) C x S x (
Q / ) C x S x (
)) t ( dw dt ( ) t ( Q ) t ( dQ
) t ( dC x ) t ( dS x ) t ( dQ
C C S Q
C C S Q
Q Q
C S
+ =
+ =
+ =
+ =
ou
avec
INSEA Devolder 345
4.2 Modle de Black et Scholes
Construction dun portefeuille sans risque :
r : arbitrage par
t 0 : x et x
Q
Q C S
=
=
0 ) r ( C x ) r ( S x ou
) C x S x ( r Q r C x S x ) ii (
0 C x S x ) i (
C C S
C S C C S
C C S
= +
+ = = +
= +
INSEA Devolder 346
4.2 Modle de Black et Scholes
Condition sur le systme:
C
C
r r


( galit des primes de risque par unit de risque)
Equation de structure des prix :
0 C r
t
C
S
C
rS
S
C
S
2
1
2
2
2 2
=

Conditions aux bords:


+
= = ) K S ( ) T , S ( C et 0 ) t , 0 ( C
INSEA Devolder 347
4.2 Modle de Black et Scholes
Rsolution de lquation de structure :
3 tapes:
(i) transformation en lquation de la chaleur
(ii) rsolution de lquation de la chaleur
(iii) retour aux variables initiales
ETAPE 1: de lquation de structure lquation de la chaleur:
Changement de variable.
Lquation de structure dpend de la volatilit et du taux sans
risque mais ne dpend pas du rendement moyen du sous jacent
INSEA Devolder 348
4.2 Modle de Black et Scholes
)) t T ( M ) K / S (log(
M 2
x
norm rsiduel temps
2 / r M avec ) t T (
M 2
) , x ( u e ) t , S ( C
2
2
2
) t T ( r
+

=
=
=

=
=

? Equation en les variables u,x et
INSEA Devolder 349
4.2 Modle de Black et Scholes
Equation:

u
x
u
2
2
Condition aux bords :
+
= ) K S ( ) T , S ( C
devient:
) 0 x ( K )
M 2
x exp( K ) x ( ) 0 , x ( u
2

= =
INSEA Devolder 350
4.2 Modle de Black et Scholes
ETAPE 2: rsolution de lquation de la chaleur
Intgrale de Poisson:

= ds e
) s (
2
1
) , x ( u
4
) s x (
2
Solution:
)
2
x
( K e )
2
* x
( K ) , x ( u
4
x * x
2 2

INSEA Devolder 351


4.2 Modle de Black et Scholes
Avec:

+ =
u
2 / v
2
dv e
2
1
) u ( ) ii (
M
x * x ) i (
2
ETAPE 3: retour aux variables initiales
) t , S ( C ) , x ( u
INSEA Devolder 352
4.2 Modle de Black et Scholes
Formule de Black et Scholes ( 1973):
t T
) t T )( 2 / r ( ) K / ) t ( S ln(
d
t T
) t T )( 2 / r ( ) K / ) t ( S ln(
d
: avec
) d ( e K ) d ( ) t ( S ) t , S ( C
2
2
2
1
2
) t T ( r
1

+
=

+ +
=
=

INSEA Devolder 353
4.2 Modle de Black et Scholes
Formule du put: parit put-call
K e ) t , S ( C ) t ( S ) t , S ( P
) t T ( r
+ = +
) d ( ) t ( S ) d ( e K ) t , S ( P
1 2
) t T ( r
=

Le prix du call ou du put dpend de la volatilit et du
taux sans risque mais ne dpend pas du rendement moyen
du sous jacent.
INSEA Devolder 354
4.2 Modle de Black et Scholes
Sensibilit du prix de loption ses paramtres:
les grecques
r
C
rho
t
C
teta
C
vega
S
C
gamma
S
C
delta
2
2

= =

= =

= =

= =

= =
INSEA Devolder 355
4.2 Modle de Black et Scholes
Formules des grecques:
1 DELTA :
1 0
) d (
S
C
1
< <
=

=
2 GAMMA:
0
t T S
1
e
2
1
S
C
2 / d
2
2
2
1
>

=

=

INSEA Devolder 356
4.2 Modle de Black et Scholes
3) VEGA:
0 t T S e
2
1 C
2 / d
2
1
>

=

4) TETA:
0 ) d ( rKe
t T 2
S
e
2
1
t
C
2
) t T ( r 2 / d
2
1
<

=

5) RHO:
0 ) d ( e ) t T ( K
r
C
2
) t T ( r
> =

=

INSEA Devolder 357
4.2 Modle de Black et Scholes
Deuxime approche : mesure martingale
Application de la formule gnrale de pricing en march
complet sans opportunits darbitrage:
?? ) l ) K ) T ( S (( E e ) t , S ( C
t Q
) t T ( r
=
+
Sous la mesure neutre risque ( thorme de GIRSANOV)
le sous jacent peut scrire:
INSEA Devolder 358
4.2 Modle de Black et Scholes
Q sous brownien mouvement w o
) t ( w d ) t ( S dt ) t ( S r ) t ( dS
=
+ =
En particulier on peut crire en t :
)) t ( w ) T ( w ( exp( )). t T )( 2 / r exp(( ). t ( S ) T ( S
2
=
) ) t T ), t T )( 2 / r (( normale log ) t ( S / ) T ( S
2
=
Et donc:
INSEA Devolder 359
4.2 Modle de Black et Scholes
Lesprance devient:
)
t T
) t T )( 2 / r ( ) S / x ln(
(
) S ) t ( S l x ) T ( S ( Q ) x ( * F
: o
) x ( * dF ) K x ( e ) t , S ( C
2
K
) t T ( r


=
= =
=


INSEA Devolder 360
4.2 Modle de Black et Scholes
) d ( e K ) d ( S
) d ( Ke ) x ( * dF x e
) x ( * dF K e ) x ( * dF x e ) t , S ( C
2
) t T ( r
1
K
2
) t T ( r ) t T ( r
K K
) t T ( r ) t T ( r
=
=
=


Formule de Black et Scholes
INSEA Devolder 361
4.2 Modle de Black et Scholes
Troisime approche :limite du modle binomial discret
- convergence de la promenade alatoire discrte
vers le mouvement brownien ;
- forme du prix de loption en binomial:
) p , n ; a (
) r 1 (
1
K ) p , n ; a ( S ) 0 ( C
n
1

+
=
-forme du prix de loption Blak et Scholes:
) d ( e K ) d ( S ) 0 , S ( C
2
rT
1
=

INSEA Devolder 362
4.2 Modle de Black et Scholes
Convergence du modle binomial vers le modle BS:
Paramtrisation du binomial:
- intervalles de longueur
n

-taux sans risque:


n
r
n
e r 1

= +
-actif risqu:
n
n
e u d
e u
1
n n
n


= =
=
INSEA Devolder 363
4.2 Modle de Black et Scholes
Application Black et Scholes : assurance de portefeuille:
- Achat dune valeur risque S en t=0
- Investissement sur un horizon T
- Achat dune protection en vue de garantir un minimum
lchance en T
OPTION SYNTHETIQUE :
position la fois sur le sous jacent
et sur une option sur ce sous jacent
INSEA Devolder 364
4.2 Modle de Black et Scholes
1 possibilit : achat direct dun PUT sur le sous jacent
( stratgie statique)
Par exemple protection minimale :
T
0
) 0475 . 1 ( S K =
Valeur initiale de la stratgie :
) 0 , S ( P S
0
+
Une unit dactif Une unit de put
INSEA Devolder 365
4.2 Modle de Black et Scholes
Le cot initial de cette protection ( prime dassurance de
portefeuille ) est donc simplement le prix du put :
) d ( S ) d ( e ) 0475 . 1 ( S ) 0 , S ( P
1 2
rT T
0
=

Avec :
=

+
=

+
=
/ T ) 2 / ) 0475 . 1 ln( r (
T
T ) 2 / r ( ) 0475 . 1 ln( T
T
T ) 2 / r ( ) ) 0475 , 1 .( S /( S ln(
d
2
2
2 T
0 0
2 , 1
INSEA Devolder 366
4.2 Modle de Black et Scholes
2 possibilit : position sur le sous jacent et lactif sans risque
( stratgie dynamique )
Plutt que dacheter un put , linstitution financire va
dupliquer les effets de loption en prenant des positions
dynamiques sur le sous jacent et sur lactif sans risque.
Valeur du Put linstant t :
)) t ( d ( ) t ( S )) t ( d ( e ) 0475 . 1 ( S ) t , S ( P
1 2
) t T ( r T
0
=

INSEA Devolder 367
4.2 Modle de Black et Scholes
T
) t T ( ) 2 / r ( ) ) 0475 , 1 .( S /( ) t ( S ln(
) t ( d
2 T
2 , 1

+
=
Avec:
A linstant t la valeur de loption synthtique est donc donne par :
)) t ( d ( ) 0475 . 1 ( S e )) t ( d ( 1 ( ) t ( S ) t , S ( P ) t ( S ) t (
2
T ) t T ( r
1
+ = + =

Sous jacent Titre sans risque
INSEA Devolder 368
4.2 Modle de Black et Scholes
Le portefeuille global peut donc scrire :
) t T ( r
2 1
e ) t ( n ) t ( S ) t ( n ) t (

+ =
Avec :
)) t ( d ( ) 0475 . 1 ( S
t en risque sans titres de nombre ) t ( n
)) t ( d ( )) t ( d ( 1
t en actions ' d nombre ) t ( n
2
T
0
2
1 1
1
=
=
= =
=
INSEA Devolder 369
4.2 Modle de Black et Scholes
Ce portefeuille doit tre ajust en permanence pour tenir
compte de 2 effets :
- volution des performances de lactif sous-jacent
- coulement du temps
Cots de transaction importants!!!.
INSEA Devolder 370
Exemple Black et Scholes
On considre un march constitu dun titre sans risque de
rendement instantan gal 4% et dun titre risqu de
rendement instantan moyen gal 8% et de coefficient de
volatilit gal 17%.
La valeur initiale du titre est de 40 .
Calculer le prix dune option dachat sur le titre risqu de strike
gal 43 de maturit 9 mois.
INSEA Devolder 371
Exemple Black et Scholes
T
T ) 2 / r ( ) K / ) 0 ( S ln(
d
T
T ) 2 / r ( ) K / ) 0 ( S ln(
d
: avec
) d ( e K ) d ( ) 0 ( S ) 0 , S ( C
2
2
2
1
2
rT
1

+
=

+ +
=
=

Formule utiliser :
INSEA Devolder 372
Exemple Black et Scholes
63 , 1 35902 , 0 e 43 41533 , 0 40 ) 0 ( C
35902 , 0 ) 36107 , 0 ( NORMSDIST ) d (
41533 , 0 ) 21384 , 0 ( NORMSDIST ) d (
36107 , 0
75 , 0 17 , 0
75 , 0 ) 2 / 17 , 0 04 , 0 ( ) 43 / 40 ln(
d
21384 , 0
75 , 0 17 , 0
75 , 0 ) 2 / 17 , 0 04 , 0 ( ) 43 / 40 ln(
d
75 , 0 04 , 0
2
1
2
2
2
1
= =
= =
= =
=
+
=
=
+ +
=

INSEA Devolder 373
4.3 Modles de courbe de
taux
4.3.1 Modle gnral darbitrage
4.3.2 Modle de VASICEK
4.3.3 Modle de COX INGERSOLL ROSS
4.3.4 Retour aux mesures risque neutre
4.3.5 Modle de HULL and WHITE
INSEA Devolder 374
4.3 Modles de courbe de taux
4.3.1 Modle gnral darbitrage:
Modlisation en alatoire des prix des zro-coupons
} ; s t : ) , s , t ( P {
=prix en t dun zro coupon
de maturit s ( s fix)

= =

s
t
) , s , t ( R ) t s (
) du ) , u , t ( f exp( e ) , s , t ( P
) , t , t ( R lim ) , t ( r
0
+ =

=taux SPOT
=taux trs court terme =variable explicative
(f=taux forward)
INSEA Devolder 375
4.3 Modles de courbe de taux
Modles une variable dtat:
Hypothses:
1 le processus stochastique du taux spot est
solution dune quation diffrentielle stochastique:
dard tan s brownien mouvement w : o
) t ( dw )) t ( r , t ( dt )) t ( r , t ( f ) t ( dr
=
+ =
2 la gamme des zro-coupons est engendre
par le processus spot:
) r , s , t ( P )) , t ( r , s , t ( P ) , s , t ( P = =
INSEA Devolder 376
4.3 Modles de courbe de taux
Le processus P est solution dune quation diffrentielle
stochastique:
r
P
) r , t (
P
1
) r , s , t (
P )
r
) r , t (
2
1
r
) r , t ( f
t
(
P
1
) r , s , t (
: avec
) t ( dw ) r , s , t ( ) r , s , t ( P dt ) r , s , t ( ) r , s , t ( P ) r , s , t ( dP
2
2
2

=
=
INSEA Devolder 377
4.3 Modles de courbe de taux
Raisonnement darbitrage:
- achat de x obligations dchance s
- mission de x* obligations dchance s*
) s , t ( xP *) s , t ( P * x ) t ( W + =
Recherche dun portefeuille auto financ et sans risque:
) t ( dw )) r *, s , t ( ) r *, s , t ( P * x ) r , s , t ( ) r , s , t ( xP (
dt )) r *, s , t ( ) r *, s , t ( P * x ) r , s , t ( ) r , s , t ( xP (
) r , s , t ( xdP ) r *, s , t ( dP * x ) t ( dW

=
+ =
INSEA Devolder 378
4.3 Modles de courbe de taux
Sans risque:
0 ) r *, s , t ( ) r *, s , t ( P * x ) r , s , t ( ) r , s , t ( xP =
Rendement =taux spot
) t ( W r ) r *, s , t ( ) r *, s , t ( P * x ) r , s , t ( ) r , s , t ( xP =
Systme homogne:
0 ) r ) r *, s , t ( )( r *, s , t ( P * x ) r ) r , s , t ( )( r , s , t ( xP
0 ) r *, s , t ( ) r *, s , t ( P * x ) r , s , t ( ) r , s , t ( xP
=
=
INSEA Devolder 379
4.3 Modles de courbe de taux
Dterminant nul:
march risque du prix ) r , t (
) r , t (
) r *, s , t (
r ) r *, s , t (
) r , s , t (
r ) r , s , t (
=
=


En remplaant et : EQUATION DE STRUCTURE:
0 P r
r
P
2
1
r
P
) f (
t
P
2
2
2
=

+ +

Condition: P(s,s,r)=1
INSEA Devolder 380
4.3 Modles de courbe de taux
Choix dun modle de taux = choix des 3 fonctions de 2 variables
march de risque du prix ) r , t (
risque sans taux du volatilit ) r , t (
risque sans taux du trend ) r , t ( f
=
=
=
Normalement:
liquidit la pour prfrence : 0 >
INSEA Devolder 381
4.3 Modles de courbe de taux
Solution de lquation de structure:

+ =
s
t
s
t
s
t
t
2
) l )) u ( dw ) r , u ( du ) r , u (
2
1
du ) u ( r (exp( E ) r , s , t ( P
Cas particulier :
1 pas de prfrence pour la liquidit : =0
) l ) du ) u ( r ( (exp E ) r , s , t ( P
s
t
t

=
INSEA Devolder 382
4.3 Modles de courbe de taux
2 si en sus modle dterministe: =0

=
s
t
du ) u ( r exp ) r , s , t ( P
Formule classique dactualisation taux variable
INSEA Devolder 383
Modle de VASICEK
4.3.2 Modle de VASICEK (1977):
(i) Le prix du risque march est une constante
strictement positive: (t,r)=>0
(ii) Le taux court obit un processus
dOrnstein-Uhlenbeck:
) t ( dw dt )) t ( r b ( a ) t ( dr + =


+ + =
t
0
as at at at
0
) s ( dw e e ) e 1 ( b e r ) t ( r
Solution:
INSEA Devolder 384
Modle de VASICEK
Proprits:
a 2
) t var( lim
) e 1 (
a 2
ds e e
)) s ( dw e e var( ) t ( r Var ) ii (
) reversion mean ( b ) t ( Er lim
) e 1 ( b e r ) t ( r E ) i (
2
at 2
2
t
0
as 2 at 2 2
t
0
as at
at at
0

= =
=
=
+ =

La variance croit avec le temps mais reste borne .


385
Modle de VASICEK
(iii) Le taux court terme admet une distribution normale :
)) t ( r var ), t ( Er ( N ) t ( r p
En particulier , il y a une probabilit non nulle davoir
des taux ngatifs !!!
)
) e 1 (
a 2
)) e 1 ( b e r (
(
)
) t ( r var
) t ( r E
(
)
) t ( r var
) t ( Er
) t ( r var
) t ( r E ) t ( r
( P ) 0 ) t ( r ( P
at 2
2
at at
0

+
=
=

<

= <
INSEA Devolder 386
Modle de VASICEK
Structure des zro coupons dans VASICEK:
0 P r
r
P
2
1
r
P
) ) r b ( a (
t
P
2
2
2
=

+ +

o a,b,, sont des constantes positives


Solution:
) ) e 1 (
a 4
K ) t s ( ) r K )( e 1 (
a
1
exp( ) r , s , t ( P
2 ) t s ( a
3
2
) t s ( a

=
2
2
a 2 a
b K

+ = avec:
INSEA Devolder 387
Modle de VASICEK
Rendement instantan moyen du zro coupon:
)
r
P
rP (
P
1
P )
r 2
1
r
f
t
(
P
1
) r , s , t (
2
2
2

=
P ) e 1 (
a
1
r
P
: Or
) t s ( a
=

) e 1 (
a
) t ( r ) r , s , t ( : Donc
) t s ( a

+ =
( prime de risque indpendante du taux spot)
INSEA Devolder 388
Modle de VASICEK
Volatilit du zro coupon:
) s , t ( ) e 1 (
a r
P
P
1
) r , s , t (
) t s ( a
=

=

Critiques du modle:
(i) Le taux spot peut devenir ngatif dans certains
scnarios.
(ii) calibrage par rapport aux conditions initiales
observes ( P(0,s))
INSEA Devolder 389
Modle CIR
4.3.3 Modle de COX- INGERSOLL -ROSS (1985):
(i) Le taux spot est solution de lquation:
) t ( dw ) t ( r dt )) t ( r b ( a ) t ( dr + =
(ii) Le prix du risque de march est donn par:
r ) r , t (

=
INSEA Devolder 390
Modle CIR
Lquation de structure devient :
0 rP
r
P
r
2
1
r
P
) r ) r b ( a (
t
P
2
2
2
=

+ +

o a,b,, sont des constantes positives.


La solution de cette quation peut se mettre sous la forme :
INSEA Devolder 391
Modle CIR
) s , t ( B r
e ) s , t ( A ) s , t ( P

=
O A et B sont indpendantes de r.
Le rendement instantan moyen du zro coupon devient:
) s , t ( B ) t ( r ) t ( r ) r , s , t ( + =
( prime de risque = fonction linaire du taux spot)
INSEA Devolder 392
Vision risque neutre
4.3.4 Retour la mesure risque neutre :
Relation risque return:
) r , s , t ( ) r , t ( ) t ( r ) r , s , t (
ou
) r , t (
) r , s , t (
) t ( r ) r , s , t (
+ =
=


En substituant dans lquation du zro coupon:
INSEA Devolder 393
Vision risque neutre

=
=
=
t
0
du ) r , u ( ) t ( w ) t ( * w
avec
) t ( * dw ) r , s , t ( dt ) r , s , t ( P ) t ( r ) r , s , t ( dP
ou
) dt ) r , t ( ) t ( dw )( r , s , t ( dt ) r , s , t ( P ) t ( r ) r , s , t ( dP
Introduction de la mesure neutre risque par Girsanov
INSEA Devolder 394
Mesure Q dont la densit par rapport la mesure
historique est dfinie par :

=
=
T
0
T
0
2
B
) du ) u (
2
1
) u ( dw ) r , u ( exp(
: avec
) ( dP ) ( ) B ( Q
Vision risque neutre
INSEA Devolder 395
Vision risque neutre
Changement de numraire :
compte dpargne ( saving account):

=
t
0
du ) , u ( r exp ) , t ( B
Processus actualis : assimilable un changement de monnaie
) t ( B / ) s , t ( P ) s , t ( * P =
Sous la mesure Q le processus P* est une martingale .
INSEA Devolder 396
Vision risque neutre
) s u t ( ) s , t ( * P ) l ) s , u ( * P ( E
t Q
=
En particulier pour u=s:

=
=
s
t
t Q
t Q
) l du ) u ( r (exp E ) s , t ( P
ou
) l ) s , s ( * P ( E ) s , t ( * P
INSEA Devolder 397
Vision risque neutre
Modle de VACISEK en risque neutre :


+ + =
t
0
as at at at
0
) s ( dw e e ) e 1 ( b e r ) t ( r
0 ) r , t ( > =
Changement de mesure :
dt ) t ( dw ) t ( * dw =
) t ( dw dt )) t ( r b ( a ) t ( dr + =
INSEA Devolder 398
Vision risque neutre
) t ( * dw dt )) t ( r
a
b ( a ) t ( dr
) dt ) t ( * dw ( dt )) t ( r b ( a ) t ( dr
) t ( dw dt )) t ( r b ( a ) t ( dr
+

+ =
+ + =
+ =
Dans lunivers risque neutre le processus du taux spot
reste un processus dOrnstein-Uhlenbeck de taux limite:
a
b

+ =
INSEA Devolder 399
Vision risque neutre
La solution peut scrire donc:


+ + =
t
0
as at at at
0
) s ( * dw e e ) e 1 ( e r ) t ( r
Le prix des zro coupons est alors directement donn par:

=
s
t
t Q
) l du ) u ( r (exp E ) s , t ( P
INSEA Devolder 400
Modle de HULL et WHITE
4.3.5. Modle de HULL et WHITE
-Critique du modle de VASICEK :
- calibrage par rapport aux conditions initiales
) ) e 1 (
a 4
K s ) r K )( e 1 (
a
1
exp( ) s , 0 ( P
2 as
3
2
as

=
Valeur prdite par le modle :
Quid vis vis des valeurs observes ???
INSEA Devolder 401
Modle de HULL et WHITE
Ecriture en risque neutre :
VASICEK:
) t ( * dw dt )) t ( r ( a ) t ( dr + =
) t ( * dw dt )) t ( r ) t ( ( a ) t ( dr + =
HW:
Cible
mouvante
INSEA Devolder 402
Modle de HULL et WHITE
Solution VASICEK :


+ + =
t
0
as at at at
0
) s ( * dw e e ) e 1 ( e r ) t ( r
Solution HULL / WHITE :


+ + =
t
0
as at
t
0
as at at
0
) s ( * dw e e ds e ) s ( e e r ) t ( r
Somme de normales
Distribution normale
INSEA Devolder 403
Modle de HULL et WHITE
Avantage : permet dincorporer comme contrainte initiale
toute la courbe de dpart des zro coupons
initiaux forward taux ) t , 0 ( f
du ) u , 0 ( f exp ) s , 0 ( P
t
0
=
=

( taux terme observs en t=0)
t
) t , 0 ( P ln
) t , 0 ( f

=
Donns par :
INSEA Devolder 404
Modle de HULL et WHITE
Paramtrisation et solution du modle :
) e 1 (
a 2
) t , 0 ( f ) t , 0 ( f
t a
1
) t (
at 2
2
2

+ +

=
Pour respecter la structure initiale des taux il faut prendre
comme cible du modle HW:
On peut aussi obtenir une formule explicite de
lvolution des prix des zro coupons.
INSEA Devolder 405
Modle de HULL et WHITE
) e 1 ( ) e 1 (
a 4
) t , 0 ( f ) s , t ( B
) t , 0 ( P
) s , 0 ( P
log ) s , t ( A
a
e 1
) s , t ( B
: avec
)) t ( r ) s , t ( B ) s , t ( A exp( ) s , t ( P
at 2 2 ) t s ( a
3
2
) t s ( a


+ =

=
=
INSEA Devolder 406
Modle de HULL et WHITE
Volatilit du zro coupon:
) s , t ( ) e 1 (
a r
P
P
1
) r , s , t (
) t s ( a
=

=

( mme valeur que dans le modle de VASICEK).
Le taux court terme suit aussi dans cette modlisation
une distribution normale.
INSEA Devolder 407
Modle de HULL et WHITE
Exemple: structure plate initiale des taux :
=
=

) s , 0 ( f
e ) s , 0 ( P
s
Vasicek : ???
) ) e 1 (
a 4
K s ) r K )( e 1 (
a
1
exp( ) s , 0 ( P
2 as
3
2
as

=
Non
INSEA Devolder 408
Modle de HULL et WHITE
Hull / White :
) e 1 (
a 2
) t (
at 2
2
2

+ =
a
e 1
) s , t ( B
) e 1 ( ) e 1 (
a 4
) ) s , t ( B s t ( ) s , t ( A
) t s ( a
at 2 2 ) t s ( a
3
2

+ =
INSEA Devolder 409
Exemple - VASICEK
On considre un modle de VASICEK dont les paramtres sont
les suivants :
25 , 0 risque prime
15 , 0 rappel force a
% 75 , 0 volatilit
% 50 , 3 ite lim taux b
% 2 initial taux ) 0 ( r
= =
= =
= =
= =
= =
INSEA Devolder 410
Exemple - VASICEK
a) Dterminer les taux spot initiaux des zro coupons 5 et 20 ans
b) Dterminer les taux spot 5 et 20 ans dans 8 ans sous les
deux scnarios suivants dvolution du taux court terme dans 8 ans:
2,5% et 4%
c) Dterminer la probabilit que le modle gnre un taux court
terme ngatif dans 8 ans.
INSEA Devolder 411
Exemple VASICEK
a) Taux spot initiaux :
% 81 , 3 ) 20 , 0 ( R
% 80 , 2 ) 5 , 0 ( R
04625 , 0 K
s / ) s , 0 ( P ln ) s , 0 ( R : taux
) ) e 1 (
a 4
K s )) 0 ( r K )( e 1 (
a
1
exp( ) r , s , 0 ( P
2 as
3
2
as
=
=
=
=

=

INSEA Devolder 412
Exemple VASICEK
b) Taux spot dans 8 ans :
% 45 , 4 ) 28 , 8 ( R % 97 , 3 ) 28 , 8 ( R
% 21 , 4 ) 13 , 8 ( R % 15 , 3 ) 13 , 8 ( R
% 4 ) 8 ( r si : % 50 , 2 ) 8 ( r si
) 8 s , 8 ( P ln ) 8 s , 8 ( R : taux
) ) e 1 (
a 4
K s )) 8 ( r K )( e 1 (
a
1
exp( ) r , 8 s , 8 ( P
2 as
3
2
as
= =
= =
= =
+ = +

= +

INSEA Devolder 413
Exemple VASICEK
c) Distribution du taux court terme dans 8 ans :
00978 , 0 ) 3345 , 2 ( ) 0 ) 8 ( r ( P
00017 , 0 ) e 1 (
a 2
) 8 ( r Var
0305 , 0 ) e 1 ( b e ) 0 ( r ) 8 ( r E
a 16
2
a 8 a 8
= = <
=

=
= + =


INSEA Devolder 414
4.4 Options sur zro coupon
Soit P(0,T) un zro coupon de maturit T ( P(T,T)=1))
On sintresse une option europenne sur ce zro coupon
d chance f ( f < T); le modle de BLACK et SCHOLES ne
peut plus fonctionner car le sous jacent est dune autre nature.
A linstant f le pay off du call sera donn par :
+
= ) K ) T , f ( P ( ) f ( C
) T f t 0 ( ? t en call du prix ) t ( C < =
INSEA Devolder 415
4.4 Options sur zro coupon
Application de la mthodologie risque neutre:
Prix= esprance sous la mesure risque neutre du pay off
actualis

=
=
+
f
t
t Q
f
t
t Q
) l du ) u ( r exp ) K ) T , f ( P (( E ) t ( C
) l du ) u ( r exp ) f ( C ( E ) t ( C
Formule exacte mais difficilement manipulable :
corrlation entre le zro coupon P et les taux r !!
INSEA Devolder 416
4.4 Options sur zro coupon
Cas particuliers dapplication de la formule gnrale de
tarification :
Cas 1 : structure dterministe de taux ; pay off dterministe :

=
f
t
ds ) s ( r exp ) f ( C ) t ( C
Formule classique de la valeur actuelle
de la finance dterminsite
INSEA Devolder 417
4.4 Options sur zro coupon
Cas 2 : structure dterministe de taux ; pay off stochastique :
) ) f ( C ( E . ds ) s ( r exp ) t ( C
t Q
f
t
=

Formule la Black et Scholes ( pricing doptions
sur actions sous des taux dintrt dterministes)
Cas 3 : structure stochastique de taux ; pay off dterministe :
) f , t ( P ) f ( C ) l du ) u ( r exp ( E ) f ( C ) t ( C
f
t
t Q
= =

INSEA Devolder 418
4.4 Options sur zro coupon
Cas 4 : structure stochastique de taux ; pay off stochastique
indpendant des taux :
) ) f ( C ( E ) f , t ( P
) ) ) f ( C ( E ). du ) u ( r (exp E
) l du ) u ( r exp ) f ( C ( E ) t ( C
t Q
f
t
t Q t Q
f
t
t Q
=
=
=

INSEA Devolder 419


4.4 Options sur zro coupon
Cas 5 : structure stochastique de taux ; pay off stochastique
et corrl avec les taux :

+
=
=
f
t
Q
f
t
t Q t Q
f
t
t Q
)) f ( C , du ) u ( r (exp cov
) ) ) f ( C ( E ). du ) u ( r (exp E
) l du ) u ( r exp ) f ( C ( E ) t ( C
Exemple corrl : option sur ZC:
+
= ) K ) T , f ( P ( ) f ( C
INSEA Devolder 420
4.4 Options sur zro coupon
Nouveau changement de mesure et nouveau numraire :
Sous la mesure risque neutre :
) actual . ) off pay (( E ) t ( C
Q
=
Sous la mesure forward neutre :
) ) off pay (( E . actual ) t ( C
f
Q
=
Processus dactualisation naturel : P(t,f) !!
Processus dactualisation: taux spot
INSEA Devolder 421
4.4 Options sur zro coupon
Mesure risque neutre :
) t ( B
) T , t ( P
) T , t ( * P
du ) u ( r exp ) T , t ( P ) T , t ( * P
t
0
=
=

Sous la mesure risque neutre ce processus est une martingale


) l ) T , u ( * P ( E ) T , t ( * P
t Q
=
INSEA Devolder 422
4.4 Options sur zro coupon
Approche forward neutre : autre changement de numraire:
) T f t (
) f , t ( P
) T , t ( P
) f ; T , t ( P < =
=prix en t dun zro coupon dchance T, exprim
en nombre de parts dun zro coupon dchance
intermdiaire f entre t et T .
( mesure forward propre linstant f )
INSEA Devolder 423
4.4 Options sur zro coupon
Changement de mesure : on cherche une nouvelle mesure telle
que sous cette mesure le processus forward est une martingale
) T f u t 0 ( ) l ) f ; T , u ( P ( E ) f ; T , t ( P
t Q
f
< =
Equations diffrentielles stochastiques:
Rel:
) t ( dw ) T , t ( dt ) T , t ( P / dP =
Risque neutre:
) t ( * dw ) T , t ( dt ) t ( r P / dP =
INSEA Devolder 424
4.4 Options sur zro coupon


=
=
t
0
t
0
2
t
0
t
0
t
0
2
) du ) T , u (
2
1
) u ( * dw ) T , u ( exp( ) T , 0 ( * P ) T , t ( * P
ou
) du ) T , u (
2
1
) u ( * dw ) T , u ( du ) u ( r exp( ). T , 0 ( P ) T , t ( P
On cherche une relation similaire :

=
t
0
2
t
0
f
? ) du ) T , u (
2
1
) u ( w d ) T , u ( exp( ). f ; T , 0 ( P ) f ; T , t ( P
INSEA Devolder 425
4.4 Options sur zro coupon
On crit le processus forward dans le monde risque neutre:




=
=
t
0
t
0
t
0
2
t
0
t
0
t
0
2
) du ) f , u (
2
1
) u ( * dw ) f , u ( du ) u ( r exp(
) du ) T , u (
2
1
) u ( * dw ) T , u ( du ) u ( r exp(
) f , 0 ( P
) T , 0 ( P
) f , t ( P
) T , t ( P
) f ; T , t ( P
INSEA Devolder 426
4.4 Options sur zro coupon
) Y du )) f , u ( ) T , u ( (
2
1
) u ( * dw )) f , u ( ) T , u ( ( exp(
) du )) f , u ( ) T , u ( (
2
1
) u ( * dw )) f , u ( T , u ( ( exp( X
X ). f ; T , 0 ( P ) f ; T , t ( P
2
t
0
t
0
t
0
t
0
2 2
=
=
=

=
t
0
du )) f , u ( ) T , u ( )( f , u ( Y
INSEA Devolder 427
4.4 Options sur zro coupon
Ceci conduit dfinir le nouveau processus :
) f u ( du )) f , u ( ) u ( ( ) u ( dw
du ) f , u ( du ) u ( ) u ( dw ) u ( w d
ou
du ) f , u ( ) u ( * dw ) u ( w d
f
f
=
+ =
+ =
Mesure forward neutre:
mesure telle que le processus f
w
est un
mouvement brownien standard
INSEA Devolder 428
4.4 Options sur zro coupon
Cette mesure est dfinie par sa densit de Radon-Nikodym:

=
=
T
0
T
0
2
f
B
f f
) du )) f , u ( ) u (
2
1
) u ( dw )) f , u ( ) u ( ( exp(
: avec
) ( dP ) ( ) B ( Q
INSEA Devolder 429
4.4 Options sur zro coupon
Sous cette mesure on a alors :


=
t
0
t
0
2
f
) du )) f , u ( ) T , u ( (
2
1
) u ( w d )) f , u ( ) T , u ( ( exp(
) f ; T , 0 ( P ) f ; T , t ( P
f
Q sous martingale ) f ; T , t ( P =
INSEA Devolder 430
4.4 Options sur zro coupon
) T f u t 0 ( ) l ) f ; T , u ( P ( E ) f ; T , t ( P
t Q
f
< =
Donc:
En particulier pour u=f :
)) T , f ( P ( E ) f , t ( P ) T , t ( P
)) T , f ( P ( E )
) f , f ( P
) T , f ( P
( E
) f , t ( P
) T , t ( P
ou
) l ) f ; T , f ( P ( E ) f ; T , t ( P
f
f
f
Q
f
Q Q
t Q
=
= =
=
INSEA Devolder 431
4.4 Options sur zro coupon
Dune manire gnrale si S est un actif sur ce march le prix
peut alternativement scrire:
-en risque neutre :
)) f ( S ). du ) u ( r ((exp E ) t ( S
f
t
Q

=
-en forward neutre:
)) f ( S ( E ) f , t ( P ) t ( S
f
Q
=
INSEA Devolder 432
4.4 Options sur zro coupon
Application la tarification des options sur zro coupons:
) l ) K ) T , f ( P (( E ) f , t ( P ) t ( C
ou
) l ) K ) f , t ( P )( du ) u ( r ((exp E ) t ( C
t Q
t
f
t
Q
f
=
=
+
+

Cas particulier :
) iste min dter volatilit ( ) s , t ( ) r , s , t ( =
INSEA Devolder 433
4.4 Options sur zro coupon
Formule explicite du prix du call sur zro coupon:

= =

=
=

+
f
t
2 2
2
du )) f , u ( ) T , u ( ( )) f , t ( P var(ln )) f , t ( v (
) f , t ( v
) f , t ( v
2
1
)) K ) f , t ( P /( ) T , t ( P ln(
h
: o
) h ( ) f , t ( P K ) h ( ). T , t ( P ) t ( C
INSEA Devolder 434
4.4 Options sur zro coupon
Mthodologie: on se ramne Black et Scholes !!
) l *) K ) f , t ( (( E ) T , t ( P
) l *) K ) f , t ( (( E ) f ; T , t ( P ) f , t ( P
) f , t ( P ). l )) f ; T , t ( P )
) f ; T , t ( P
K
) f ; T , t ( P
) f ; T , f ( P
(( E
) f , t ( P ). l ) K ) f ; T , f ( P (( E
) l ) K ) T , f ( P (( E ) f , t ( P ) t ( C
t Q
t Q
t Q
t Q
t Q
f
f
f
f
f
=
=
=
=
=
+
+
+
+
+
INSEA Devolder 435
4.4 Options sur zro coupon

=
f
t
2
f
t
f
) du )) f , u ( ) T , u ( (
2
1
) u ( w d )) f , u ( ) T , u ( ( exp( ) f , t (
Distribution log normale sous
la mesure forward neutre
) b , a ( normale log * F
) x ( * dF ) K x ( ) T , t ( P ) t ( C
1
K
1
=
=

+
INSEA Devolder 436
4.4 Options sur zro coupon
2
f
t
f
t
2
f
f
t
2
)) f , t ( v (
du )) f , u ( ) T , u ( ( ) u ( w d )) f , u ( ) T , u ( ( var( b
du )) f , u ( ) T , u ( (
2
1
a
=
= =
=

Avec:
Mme forme de prix que Black et Scholes dans sa forme
neutre risque
INSEA Devolder 437
4.4 Options sur zro coupon
Application: Modle de HULL- WHITE:
) e 1 (
a
) T , u (
) u T ( a

=
) ) e 1 (
a 2
) e 1 (
(
a
du ) e e (
a
du )) e 1 (
a
) e 1 (
a
( )) f , t ( v (
2 ) f T ( a
) t f ( a 2
2
2
f
t
2 ) u T ( a ) u f ( a
2
2
2 ) u f ( a ) u T ( a
f
t
2



INSEA Devolder 438


4.5. Options sous taux
dintrt stochastiques
Ecriture alternative de la formule de Black / Scholes sous
taux dintrt constant :
t T
) t T )( 2 / r ( ) K / ) t ( S ln(
d
t T
) t T )( 2 / r ( ) K / ) t ( S ln(
d
: avec
) d ( e K ) d ( ) t ( S ) t , S ( C
2
2
2
1
2
) t T ( r
1

+
=

+ +
=
=

INSEA Devolder 439
Option sous taux stochastiques
Posons :
) ! iste min dter ZC ( e ) T , t ( P
) t T ( r
=
t T
) t T ( 2 / )
) T , t ( P . K
) t ( S
ln(
d
t T
) t T ( 2 / )
) T , t ( P . K
) t ( S
ln(
d
) d ( ). T , t ( P . K ) d ( ) t ( S ) t , S ( C
2
2
2
1
2 1


=

+
=
=
On a :
INSEA Devolder 440
Option sous taux stochastiques
Modle daction sous taux stochastique :
) t ( w d ) t ( S dt ) t ( S r ) t ( dS + =
1 On suppose que laction suit un mouvement brownien
gomtrique donn en risque neutre par :
2 On suppose que les taux dintrt suivent un modle
de Hull et White :
) t ( * dw dt )) t ( r ) t ( ( a ) t ( dr + =
441
Option sous taux stochastiques
Les deux processus w sont des mouvements browniens standards
corrls sous la mesure risque neutre ( mouvement brownien
bi-dimensionnel ):
dt ) t ( * dw ). t ( w d =
On peut montrer que la relation de Black/Scholes peut se
gnraliser en introduisant une volatilit globale donne par:

+ + =
T
t
T
t
2 2 2
du ) T , u ( 2 du ) T , u ( ) t T ( ) T , t (
Volatilit
action
Volatilit
Taux
Corrlation
Action- Taux
INSEA Devolder 442
Option sous taux stochastiques
Or dans le modle de Hull /White , on a :
) e 1 (
a
) s , t (
) t s ( a

=
Il vient alors explicitement en intgrant :
)) e 1 (
a
1
t T (
a
2
)
a 2
3
e
a 2
1
e
a
2
t T (
a
) t T ( ) T , t (
) t T ( a
) t T ( a 2 ) t T ( a
2
2
2 2


+
+

+ =
INSEA Devolder 443
Option sous taux stochastiques
Le prix du call sur laction sous taux stochastique devient alors :
) T , t (
2 / ) T , t ( )
) T , t ( P . K
) t ( S
ln(
d
) T , t (
2 / ) T , t ( )
) T , t ( P . K
) t ( S
ln(
d
) d ( ). T , t ( P . K ) d ( ) t ( S ) t , S ( C
2
2
2
1
2 1

+
=
=
INSEA Devolder 444
Option sous taux stochastiques
Cette relation a la mme structure que la formule de Black/Scholes
ou que la formule doption sur zro coupon obtenue la section 4.4:
CONCLUSION :
Prix du call = (sous jacent) x Proba 1
- (valeur actuelle du strike) x Proba 2
)
volatilit
volatilit 2 / 1 )
strike actuelle valeur
jacent sous
ln(
( oba Pr
2
2 , 1

=
Avec :
INSEA Devolder 445
FIN
devolder@actu.ucl.ac.be
http://www.actu.ucl.ac.be/staff/devolder/pdevolder.html