Polymc

Mthodes de Monte Carlo en Finance Notes de cours
Bruno Bouchard
Universit Paris VI, LPMA, et CREST bouchard@ccr.jussieu.fr
Cette version : Septembre 20071
1 Premire
version: 2002
Table des matires

1 Gnralits et nombres alatoires
IFI IFP IFQ
IFR
xotions gnrles F F F F F F F F F F F F F F F F F F F F F F F F voi uniforme F F F F F F F F F F F F F F F F F F F F F F F F F F F eutres lois F F F F F F F F F F F F F F F F F F F F F F F F F F F F IFQFI wthode d9inversion F F F F F F F F F F F F F F F F F F IFQFP wthode du rejet F F F F F F F F F F F F F F F F F F F F IFQFQ wthode pr trnsformtion F F F F F F F F F F F F F F IFQFR riles orrles et tehniques pr onditionnement xotion de disrpne F F F F F F F F F F F F F F F F F F F F F IFRFI qnrlits F F F F F F F F F F F F F F F F F F F F F F F IFRFP gs des suites uniformment distriues F F F F F F F IFRFQ uites disrpne file F F F F F F F F F F F F F F F wodle de flkEholes F F F F F F F F F F hm de disrtistion F F F F F F F F F F PFPFI hisrtistion d9iuler F F F F F F F F PFPFP hm de wilshtein F F F F F F F F yptions esitiques F F F F F F F F F F F F F PFQFI hms simples F F F F F F F F F F PFQFP hm ve dveloppement dns le yptions rrire F F F F F F F F F F F F F F PFRFI epprohe nive F F F F F F F F F F F PFRFP epprohe pr les ponts de di'usion yptions vookk F F F F F F F F F F F F F F yptions emriines F F F F F F F F F F F F gontrle ntithtique F F F F F gulristion du pyo' F F F rile de ontrle F F F F F F QFQFI wotivtion et exemples F F F F F F F F F F F F Q F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F modle de F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F
F F F F F F F F F F F
F F F F F F F F F F F F F F F F F F F F F F F F F F F
U W IH IH II IR IU IV IV PH PI
2 Mthodes de discrtisation
PFI PFP
PFQ
PFR
PFS PFT QFI QFP QFQ
F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F flkEholes F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F
23
PQ PR PR QH QI QI QR QS QS QT RH RI RQ RS RT RT
3 Rduction de la variance
43
TABLE DES MATIRES

QFQFP epprohe systmtique F F F F F F F F F F F F F F F F F F F F F F F F QFQFQ wthode dpttive F F F F F F F F F F F F F F F F F F F F F F F F F pontion d9importne F F F F F F F F F F F F F F F F F F F F F F F F F F F F QFRFI n exemple F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F QFRFP epprohe systmtique F F F F F F F F F F F F F F F F F F F F F F F F QFRFQ pontion d9importne optimle et lgorithme de oins wonro epprohe pr di'renes (nies F F F F F F F F qreques dns le modle de flk et holes roessus tngent F F F F F F F F F F F F F F F RFQFI xotions de proessus tngent F F F F RFQFP roessus tngent et delt F F F F F F RFQFQ roessus tngent et vg @exerieA F glul de wllivin F F F F F F F F F F F F F F RFRFI sntrodution u lul de wllivin F RFRFP glul de wllivin et sensiilits F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F RW SH SH SH SP SP
QFR
4 Calcul des sensibilits

RFI RFP RFQ
57
SU SV TH TH TI TP TQ TQ TU
RFR
5 Esprances conditionnelles et options amricaines

SFI
SFP TFI TFP TFQ TFR TFS TFT TFU TFV TFW
epprohe pr lul de wllivin F F F F F F F F F F F F SFIFI isprnes onditionnelles et densits F F F F F F SFIFP epplition l9vlution d9options mriines wthodes de qunti(tion F F F F F F F F F F F F F F F F
71
UI UI UU UW
6 Complments (exercices)
imultion d9un gs X shm ext F F F F F F F F F F F F F F F F F F F F F imultion d9un gs X shm d9iuler impliite F F F F F F F F F F F F F F hisrtistion d9ih F F F F F F F F F F F F F F F F F F F F F F F F F F F F epproximtion du temps de sortie d9une di'usion F F F F F F F F F F F F F elgorithme de oins wonro F F F F F F F F F F F F F F F F F F F F F F F F wthode de rejet ve reylge F F F F F F F F F F F F F F F F F F F F F F F istimtion d9esprnes onditionnelles F F F F F F F F F F F F F F F F F F F riles ntithtiques F F F F F F F F F F F F F F F F F F F F F F F F F F F F n exemple de rdution de vrine pr intgrtion pr prties et ondiE tionnement F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F TFIH uites uniformes rndomises F F F F F F F F F F F F F F F F F F F F F F F F
81
VI VQ VR VU WH WI WP WR
WT WU
Introduction
hns les modles sns frition ni ontrinteD le prix d9une option europenneD sur un sousEjent X = (Xt )t0 D de pyo' tulis g (X )D s9rit omme l9esprne sous une proilit risque neutreD unique si le mrh est ompletD de s vleur liquidtive X p(0, x) = E [g (X ) | X0 = x]F sl existe de multiples mnires d9vluer ette esprne X pprohe pr rresD pr qutions ux drives prtielles @ihAD . . . siD nous nous onentrons sur l9pprohe wonteEgrloF ille onsiste simuler un grnd nomre de rlistions de g (X ) puis en prendre l moyenne p (0, x)D l loi des grnds nomres ssurnt l onvergene de p (0, x) vers p(0, x)F ve ghpitre I est onsr des gnrlits sur les mthodes de wonteEgrlo et ux prinipux modes de gnrtion de nomres 4ltoires4F i g dpend de toute l trjetoire de X D ou si X est solution d9une qution difE frentielle stohstique @ihA dont on ne onnt ps expliitement l solutionD il est gnrlement impossile de simuler prfitement g (X )F sl fut lors reourir une pE proximtion qui orrespond une disrtistion en tempsF ges tehniques seront tudies dns le ghpitre PF wme lorsqu9on sit simuler g (X )D il rrive que l vrine de l9estimteur soit trop grnde pour que eluiEi soit (leF ve ghpitre Q est onsr ux tehniques de rduE tion de vrineF gonntre le prix uquel on peut vendre une option est importntD mis il fut ensuite pouvoir se ouvrirF v ouverture tnt d(nie prtir du deltD l drive de p(0, x) pr rpport xD il fut pouvoir l9estimerF ve ghpitre R est onsr e sujetF sl ser l9osion d9introduire les notions de proessus tngent et de drive de wllivinF in(nD lorsque l9option est de type mriineD les mthodes de wonteEgrlo stndrd onduisent estimer un trs grnd nomre d9esprnes onditionnellesF xous verrons dns le dernier ghpitre omment l formule d9intgrtion pr prties du lul de wlE livin permet de les rErire sous une forme exploitle numriquementF xous renvoyons RID RU et SR pour une prsenttion thorique des tehniques d9vlution et de gestion de portefeuille en (nneF
Notations
yn ommene pr introduire quelques nottionsF yn indenti(er un lment x de Rd u veteur olonne ssoi de oordonnes xj D j = 1, . . . , dF yn noter Md D l9ensemle des mtries rres de dimension dD de oordonnes aij F yn noter Id l mtrie identit de Md et ed le veteur unit de Rd F v norme eulidienne sur Rd ou Md ser note F our un lment a de Md D on noter ai le veteur ligne orrespondnt s iE me ligne et aj le veteur olonne orrespondnt s j Eme olonneF v trnspose i d de a Md ser note a F our un ensemle de point (xi )d i=1 D on noter Vect[(x )i=1 ] le veteur olonne de omponsntes xi F our x Rd D on noter diag [x] l mtrie digonle de Md dont les lments digonux sont les xi F our une fontion f : Rd Rn D on noter f s mtrie toienneD iFeF (f )ij = f i /xj F i f : (Rd )k Rn D on noter f D l mtrie toienne otenue en drivnt pr rpport s Eme omposnte vetorielleD iFeF ( f (x1 , . . . , xk ))ij = f i (x1 , . . . , xk )/xj F yn rir prfois k k simplement x f F yn noter Cp @respF Cb A l9ensemle des fontions C k roissne polynomile @respF ornesA dont les drives sont glement roissne polynomile k @respF ornesAF vorsque l fontion est seulement d(nie sur AD on noter C k (A)D Cp (A) k et Cb (A)F N (m, ) dsigner l loi normle de moyenne m et de mtrie de vrineE ovrine F yn noter souvent pr C > 0 une onstnte gnrique qui peut hnger de vleur d9une ligne l9utreF
Chapitre 1 Gnralits et nombres alatoires
1.1 Notions gnrales

ves mthodes de wonteEgrlo sont ses sur l loi des grnds nomres X on simule un grnd nomre de vriles ltoires @vFFA indpendntes et de mme loiD (Yn )n de mme loi que Y D on prend ensuite l moyenne des vleurs prisesD N 1 N n=1 Yn D et on otient une pproximtion de E [Y ]F v onvergene est ssure pr le thorme lssique suivntF
grables i.i.d. Alors,

1
Thorme 1.1.1 (Loi des grands nombres) Soit

1 N
N
(Yn )n1 une suite de v.a. relles int-
Yn E [Y1 ]
n=1
p.s. et dans L1 .
i en plus les (Yn ) sont de rr intgrleD on peut montrer que l onvergene lieu dns L2 et on otient un ontrle de l9erreur pFsF et de l9erreur L2 F
Thorme 1.1.2 Soit (Yn )n1 une suite de v.a. relles i.i.d. de carr intgrable. On pose
m N := 1 N
N
Yn .
n=1
Alors ,
E |m N E [Y1 ]|2 =
et
1 = lim sup
N
Var (Y1 ) , N
N (m N E [Y1 ]) Var (Y1 ) 2 ln ln N N (m N E [Y1 ]) Var (Y1 ) 2 ln ln N
= lim inf
N
1 Identiquement
p.s.
Indpendemment distribues, i.e. de mme loi et indpendantes
CHAPITRE 1. GNRALITS ET NOMBRES ALATOIRES
Preuve. v premire glit s9otient en dveloppnt le terme de guhe et en utilisnt
le fit que les Yn E [Y1 ] sont indpendnts et entrsF v seonde est onnue sous le nom de voi du vogrithme itrF
Remarque 1.1.3
sl est file de vri(er queD si Y1 L2 D

2 N :=
1 N 1
(Yn m N )2
n=1
2 est un estimteur sns iis de Var (Y1 )F h9prs le horme prdentD N /N est don un estimteur sns iis de Var (m N )F
in(nD le thorme de l limite entrle permet de ontruire des intervlles de on(ne symptotiquesF
i.i.d. de carr intgrable. On suppose que Var (Y1 ) > 0 et on pose

1 m N := N
N
Thorme 1.1.4 (Thorme de la limite centrale) Soit (Yn )n1 une suite de v.a. relles
1 N 1
N
Yn
n=1
et N :=
(Yn m N )2 .
n=1
Alors,
N m N E [Y 1 ] N 1 N >0 N (0, 1)
en loi .
En particulier, pour tout rel c > 0,

P N m N E [Y 1 ] <c N 1 c
o c = P [|X | > c] pour X N (0, 1).

yn en dduit queD pour N su0smment grndD l proilit d9voir E [Y1 ] [m N c N / N ] est prohe de 1 c F
Remarque 1.1.5
ne estimtion seule ne veut rien direF v9estimteur est une vrile ltoire qui s propre vrineF heux estimtions di'rentes peuvent onduire deux vleurs trs di'rentesF sl est don importnt de onntre l vrine de l9estimteur ouD et 9est enore mieuxD de fournir un intervlle de on(neF in prtiulierD lorsque l9on voudr donner un prix d9option lul pr simultionD il fudr toujours le mettre en perspetive ve l vrine de l9estimteur ou ve un intervlle de on(neD de mnire pouvoir juger de l prision du rsultt otenuF
1.2. LOI UNIFORME
1.2 Loi uniforme

in prtique un ordinteur ne sit engendrer que des suites de nomres dterministes X il est inple de gnrer une suite 4rellement4 ltoireF r ontreD il est possile de onstuire des suites de nomres qui se omportent @sttistiquementA omme des suites ltoiresF ves suites les plus ourntes produites pr les ordinteurs sont lules prtir d9un nomre (ni d9entiers {0, . . . , M 1}F in divisnt pr M D on otient insi une suite sur [0, 1[F illes sont onstruites sur l se de rurrenes de l forme
un+1 = g (un ) n N
o g est une fontion de {0, . . . , M 1} dns luiEmme et u0 D ppel grineD est initiliser dns {0, . . . , M 1}F yn pose lors
xn =
un [0, 1[ M
nN.
v9exemple le plus simple est elui de l ongruene mixte X
g (u) = (Au + C ) mod M

o A et C sont des rels positifs hoisir @dns le s C = 0D on prle de ongruene multiplitiveAF
Remarque 1.2.1
IF sl est lir que de telles suites ne permettent ps de gnrer tout les rels entre 0 et 1F PF r onstrutionD les suites insi ontruites sont priodiques de priode u plus gle M F sl fut don s9ssurer que l priode est su0smment longue pr rpport l9utilistion que l9on ompte en fireF yn peut hoisir AD C et M de mnire voir une priode mximleD voir PSF QF sl est nessire d9initiliser l grine u0 F our otenir des 4tirges4 di'rentsD il fut ien videmment prtir d9une grine di'renteF yn peut pr exemple initiliser l grine en utilisnt l9horloge de l9ordinteurF gei doit se fire en tout dut de progrmmeF RF v pluprt des gnrteurs prEprogrmms dns les lnguges de type g sont de e typeF sl fut toujours vri(er que l priode est su0semment grnde pr rpport l9utilistion que l9on veut en fire @exh we en gAF xous ne rentrerons ps plus ii dns l desription de es gnrteurs @voir pr exemple PS pour plus de dtilsAF ous pouvez trouver de ons gnrteurs sur internetD en onsultnt pr exemple l version en ligne du livre Numerical Recipes 2 F
Remarque 1.2.2
2 http
IF i U U[0,1] lors (b a)U + a U[a,b] F yn psse insi d9un gnrteur de U[0,1] un gnrteur de U[a,b] F PF i U1 D. . .D Ud sont indpendntes de mme loi U[0,1] lors (U1 , . . . , Ud ) U[0,1]d F
: //www.library.cornell.edu/nr/nr index.cgi
IH
oii un exemple de progrmme utilisnt le gnrteur rand() du gCCF 5inlude`iostremFhb / pour out / 5inlude `stdliFhb / pour rnd@ADFFFF/ 5inlude `timeFhb / pour time@A / void min@ A { int i Y srnd@@unsignedAtime@ xvv AA Y /initilistion de l grine pr l9horloge /
/ e0he IHH simultions d9une uniforme sur HDI / for@ i = 0 Y i < IHH Yi ++ A out << @)otA rnd@A/@exh we A << 4\n4 Y / rnd@A renvoie un nomre entier entre 0 et exh we / }
1.3 Autres lois

gette setion est onsre l9tude de di'rentes mthodes permettnt de rmener l simultion d9une vrile ltoire quelonque elle d9une vrile ltoire uniforE mment distriue sur [0, 1]F yn suppose ii que l9on sit prfitement simuler une suite de vFF uniformment distriues sur [0, 1]d @ou sur ]0, 1[d D voir etion IFQFPAF
1.3.1 Mthode d'inversion

v mthode d9inversion @de l fontion de rprtitionA est se sur le rsultt lmenE tire suivnt X
rpartition FY . On pose
Proposition 1.3.1 Soit Y une variable alatoire relle valeurs dans R de fonction de
1 FY (u) := inf {y R : FY (y ) u} u [0, 1] .
1 Si U Udom(FY 1 alors FY (U ) et Y ont la mme loi. )
Preuve. sl su0t de remrquer que

1 P FY (U ) y
= P [U FY (y )] = FY (y )
pour tout y RF
1.3. AUTRES LOIS
II
Remarque 1.3.2
i Y pour loi P[Y = yk ] = pk D k ND lorsD si U U[0,1]
y0 1U p0 +
i1
yi 1{Pi1 pj <U Pn
j =0
j =0
pj }
mme loi que Y F our simuler Y D on simule don U U[0,1] et on utilise l oule
p = p0 Y j = 0 Y nt que@ p < U A fire { j = j + 1 Y p = p + pj Y } Y = yj Y

ividemment el peut tre trs oteux si l loi de Y est trs disperseF
Remarque 1.3.3
gertins gnrteurs de nomres pseudoEltoire peuvent renvoyer l vleur 0F g9est pr exemple le s de l fontion ran() en C F i on n9y prend ps grdeD 1 on est lors men luler FY (0) e qui peut poser un prolme l9ordinteur et gnrer une erreur si ette quntit n9est ps d(nie @omme dns l9exemple iEdessousAF yn verr dns l sousEsetion suivnte omment grer e prolmeF
Exemple 1.3.4 (Variable support continu) Si

0, on a :
Y suit une loi exponentielle E (), >
FY (y ) = 1 ey .
Si U U]0,1[ , 1 ln(1 U ) et Y on donc la mme loi. Comme 1 U suit galement une loi U]0,1[ , 1 ln(U ) suit galement une E (). Pour simuler une loi E (), il sut donc de simuler une variable U U]0,1[ et de poser Y = 1 ln(U ). Pour simuler une suite (Yn )nN de variables indpendantes de loi E (), on simule une suite (Un )n1 de variables indpendantes de loi U]0,1[ et on pose Yn = 1 ln(Un ), n 1.
Exemple 1.3.5 (Variable support discret) Si Y suit une loi de Bernouilli de paramtre p, on tire U U[0,1] et on pose Y = 1U p . Si Y suit une loi Binomiale de paramtre (n, p), c'est la somme de n variables de Bernouilli indpendantes de paramtre p. On pose donc
n
=
k=0
1Uk p
o les Uk sont i.i.d. de loi U[0,1] .
1.3.2 Mthode du rejet

a- Lois conditionnelles et lois uniformes sur un domaine Proposition 1.3.6 Soit (Zn )n1 une suite de v.a. i.i.d. valeurs dans Rd et soit D Rd
tel que P [Z1 D] > 0. On pose
1 := inf {k 1 : Zk D} n+1 := inf {k > n : Zk D} Yn := Zn n1.
IP
Alors, (Yn )n1 est une suite de v.a. i.i.d. de loi donne par
(A) = P [Z1 A | Z1 D] , A Rd .
yn vri(e filement @voir preuve iEdessousA que E [1 ] = E [n+1 n ] = 1/ o := P [Z1 D]F honD plus est petit et plus il y de rejetD iFeF plus l simultion est oteuseF
Preuve. ves (Zn ) tnt indpendnts et de mme loi que Z1 D on

P [1 = k ] = P [Z1 / D, . . . , Zk1 / D, Zk D] = (1 )k1
o := P [Z1 D]F yn lule lors
P [ Z 1 A] =
k 1
P [1 = k , Zk A D] (1 )k1 P [Zk A D]
k 1
= P [Z1 A D] /P [Z1 D] .
yn suppose mintennt que
n1
P [Zi Ai , i = 1, . . . , n 1] =
i=1
P [Z1 Ai D] /P [Z1 D] .
itnt donn le rsultt prdentD il su0t de montrer que ette proprit implique que
n
P [Zi Ai , i = 1, . . . , n] =
i=1
P [Z1 Ai D] /P [Z1 D] .
yrD
P [Zi Ai , i = 1, . . . , n] =
j 1,kn1
P Z1 A1 , . . . , Zn1 An1 , n1 = k, n = k + j, Zk+j An P Z1 A1 , . . . , Zn1 An1 , n1 = k

kn1 j 1
(1 )j 1 P [Z1 An D]
= P Z1 A1 , . . . , Zn1 An1 P [Z1 An D] /P [Z1 D] .
Corollaire 1.3.7 Soit
(Zn )n1 une suite de variables alatoires indpendantes suivant d une loi uniforme sur = d i=1 [ai , bi ] R et D tel que P [Z1 D ] > 0. On pose 1 := inf {k 1 : Zk D} n+1 := inf {k > n : Zk D} Yn := Zn n1.
1.3. AUTRES LOIS
IQ
Alors, (Yn )n1 est une suite de variables alatoires indpendantes de mme loi uniforme sur D.
Preuve. h9prs l proposition prdenteD (Yn )n1 est une suite de vriles ltoires
indpendntes de mme loi donne pr
(A) = P [Z1 A D] /P [Z1 D] =

sl en doule que Y1 pour densit 1D /(
Rd
1 1 (z )dz Rd D
1A (z )1D (z )dz .
Rd
1D (z )dz ) sur Rd F
formments distribues sur D = {y Rd : 0 < y < 1}, il sut de simuler une suite de v.a indpendantes (Un )n1 U[1,1]d et de poser
1 := inf {k 1 : 0 < Uk < 1} n+1 := inf {k > n : 0 < Uk < 1} Yn := Un n1.
Exemple 1.3.8 Lorsque l'on veut simuler une suite (Yn )n1 de v.a. indpendantes uni-
b- Lois densit
v mthode de rejet est glement utilise lorsque l9on ne onnt ps l9inverse de l fontion de rprtition de Y mis seulement s densit fY F v proposition suivnte est l9origine d9une premire mthodeF ne seondeD plus simple mettre en oeuvreD ser prsente dns l setion suivnteD voir roposition IFQFIVF
Proposition 1.3.9 Soit f une densit sur Rd , (Zn )n1 une suite de variables alatoires
indpendantes de densit g sur Rd , et soit (Un )n1 une suite de variables alatoires indpendantes suivant une loi uniforme sur [0, 1], indpendantes de la suite (Zn )n1 . On pose
1 := inf {k 1 : f (Zk ) > aUk g (Zk )} n+1 := inf {k > n : f (Zk ) > aUk g (Zk )} Yn := Zn n1,
o a est un rel x vriant f (z ) ag(z ) pour tout z Rd . Alors, la suite (Yn )n1 est une suite de variables alatoires indpendantes de mme densit f .
Preuve. tiliser l roposition IFQFTF Remarque 1.3.10

h9prs l9exerie prdentD on P [1 = k ] = (1 )k1 d9o E [1 ] = 1 = aF itnt lir que n+1 n l mme loi que 1 pour n 1D on en dduit que E [n+1 n ] = aF gei montre que plus a est grnd et plus le temps de simultion est grnd @en moyenneAF sl fut don hoisir a le plus petit possileF
IR
Exemple 1.3.11 Soit la densit dnie par

f (y ) = 2 1 y 2 1[1,1] (y ) .
On peut alors prendre g dnie par

g (z ) = 1 1[1,1] (z ) 2
(loi uniforme sur [1, 1]) et a = 4/ .
1.3.3 Mthode par transformation

gette mthode onsiste rire une vFF Y omme une fontion g d9une utre vFF X filement simulleF ille repose sur l formule de hngement de vriles suivnte X
Lemme 1.3.12 (Formule de changement de variables) Soit un diomorphisme d'un
ouvert D Rd sur un ouvert Rd , et soit g une fonction borlienne borne de dans R, alors
g (v )dv =
D
g ((u)) |det(()(u))| du .
Preuve. oir pr exemple SQF

gomme gorollire immdit on otient
D p.s. o D est un ouvert de Rd . Soit un diomorphisme de D sur un ouvert . Alors Y := (X ) a pour densit f ( 1 ()) det(( 1 )()) 1 () .
Corollaire 1.3.13 Soit X un vecteur alatoire de densit f sur Rd . On suppose que X
Preuve. oit h une fontion orlienne orne de Rd dns RF yn lule

E [h(Y )] = E [h( (X ))] =
D
h( (x))f (x)dx .
in pplint le vemme IFQFIP := 1 et g := h D on otient X
E [h(Y )] =
h( ( 1 (y )))f ( 1 (y )) det(( 1 )(y )) dy h(y )f ( 1 (y )) det(( 1 )(y )) dy .
v fontion h tnt quelonqueD ei onlut l preuveF
1.3. AUTRES LOIS
IS
a. Cas Gaussien
in utilisnt ette formule et le fit que ( 1 )() = {( )( 1 ())}1 D on otient diretement le rsultt suivnt sur lequel repose les deux priniples mthodes de simuE ltion de l loi normle X l mthodes de foxEwller et l9lgorithme polireF
Proposition 1.3.14 (Box-Mller) Soit (U, V ) U]0,1[ et

2
X :=
2 ln(U ) cos(2V ) , Y :=
2 ln(U ) sin(2V ) .
Alors (X, Y ) N (0, I2 ).

gette formule permet don de simuler deux vFF gussiennes entres rduites indpenE dntes prtir de deux vFF indpendntes uniformment distriues sur ]0, 1[F inore une foisD il fut fire ttention ux vleurs retournes pr le gnrteur de U]0,1[ utilisF in gnrlD les gnrteurs prEprogrmms en C renvoient des vleurs dns [0, 1[ et non ]0, 1[F sl fut don ontrler qu9il ne renvoit ps 0 @sinon ln(0) provoque un ugAF gei revient utiliser l mthode du rejetD ixemple IFQFVF v9lgorithme polire est onstruit sur le mme prinipe mis vite de fire ppel ux fontions trigonomtriques qui peuvent tre oteuses en temps de lulF sl nessite pr ontre de mettre en oeuvre l mthode du rejet pour simuler une vFF uniformment distriue sur D = {(u, v ) R2 : 0 < u2 + v 2 < 1}D voir ixemple IFQFVF
Remarque 1.3.15
Proposition 1.3.16 (Algorithme polaire) Soit (U, V ) uniformment distribue sur {(u, v)
R2 : 0 < u2 + v 2 < 1}, soit R2 := U 2 + V 2 et X := U 2 ln(R2 )/R2 , Y := V 2 ln(R2 )/R2 .
Alors (X, Y ) N (0, I2 ).

yn vri(e tout d9ord filement que (R2 , /2 ) U]0,1[2 si (R, ) sont les oordonnes polires de U + iV @utiliser le gorollire IFQFIQAF h9prs l roposition IFQFIRD le ouple
Preuve.
2 ln(R2 ) cos(),
2 ln(R2 ) sin()
suit une gussienne N (0, I2 )F yrD (cos(), sin()) = (U/R, V /R) pr onstrutionF sl est file prtir de es deux mthodes de simuler une suite de veteurs gussiens indpendnts de mme loi N (0, Id ) puisque Y = (Y 1 , . . . , Y d ) N (0, Id ) si et seulement si (Y i )d i=1 est une suite de vriles ltoires indpendntes de mme loi N (0, 1)F itnt donn une mtrie d(nie positive Md et un veteur de Rd D on simule glement filement un veteur de loi N (, ) en utilisnt l produre de ftoristion de gholeskyF
IT

un vecteur de Rd et une matrice carre d d dnie
Proposition 1.3.17 Soit
positive. (1) Il existe A Md telle que AA = . (2) Si Y N (0, Id ), alors X = + AY N (, ).
our simuler un veteur gussien de loi N (, ) on prode don insiF yn ommene pr luler l mtrie A en utilisnt l9lgorithme de domposition de gholesky @voir pr exemple IVAF yn simule ensuite un veteur Y N (0, Id ) en utilisnt l formule de foxEwller ou l9lgorithme polireD puisD on lule + AY F
b. Loi de Poisson
i (Tk )k1 est une suite iFiFdF de loi exponentielle E ()D > 0D lors
:=
n=1
n1{Pn
k=1
Tk 1
Pn+1
k=1
Tk }
suit une loi de oisson P ()D iFeF
P [Y = k ] =
k e , k0. k!
yn dduit de l9ixemple IFQFR queD si (Uk )k1 est une suite iFiFd de loi U[0,1] D lors
Y
dmet omme loi P ()F
:=
n=1
n1{Qn+1 Uk e1/ Qn
k=1
k=1
Uk }
c. Autres lois densit : mthode du ratio de lois uniformes

yn peut glement utiliser ette pprohe pour rire un lgorithme prohe de elui onsidr dns l etion IFQFP pour les lois densit mis plus simple mettre en oeuvre dns l mesure o il ne nessite ps de trouver une densit g et un rel a telle que f ag D voir roposition IFQFWF
suppose que l'ensemble
Proposition 1.3.18 Soit

Df :=
f une densit sur R et deux rels a1 R et a2 > 0. On v u
(u, v ) R2 : 0 < u2 f a1 + a2
est born. Alors, si (U, V ) est uniformment distribue sur Df , Z := a1 + a2 V /U a pour densit f .
1.3. AUTRES LOIS
IU
f
Preuve. (U, V ) ynt pour densit 1D
/|Df |D on dduit du gorollire IFQFIQ que (U 2 , Z ) pour densit fU 2 ,Z (w, z ) = 10<wf (z) /(2a2 |Df |)F v densit de Z est don f /(2a2 |Df |)F gomme f est dj une densitD on forment 2a2 |Df | = 1F
yn peux utiliser l mthode du rejet pour simuler le ouple (U, V ) uniformment distriu sur DD en prtnt d9une suite iFiFdF de ouples uniformment distrius sur [0, u ] [v , v ] D o u = sup f (x)1/2 D v = inf [(x a1 )f (x)1/2 /a2 ]D v = sup[(x
a1 )f (x) /a2 ]F yn peut remrquer que si x f (x) et f (x) sont orns lors u D v et v sont ien (nis et don Df est ornF
1 /2 2
x R
x R
x R
1.3.4 Variables corrles et techniques par conditionnement

Variables corrles
i (X, Y ) sont orrlesD on peut rrire leur densit f sous l forme
f (x, y ) = fX (x)f (y | X = x)
o fX est l loi de X et f ( | X = x) est l loi de Y shnt X = xF our simuler (X, Y )D on ommene don pr simuler X selon fX puis on simule Y @indpendemmentA selon l loi f ( | X = x ) o x est l vleur prise pr l simultion de X F vorsque X et Y sont indpendntesD on simplement f ( | X = x ) = fY et el revient simuler X et Y indpendemmentD hun selon s loi mrginleF
Techniques par conditionnement 1er cas.

yn suppose que l loi de Y s9rit
fY (y ) =
i0
pi fi (y ) ,
o les fi sont des densits et les pi sont positifs @et don ont une somme gle 1 r fY est ussi une densitAF yn peut voir fY (y ) omme l densit mrginle du ouple (X, Y ) o X pour loi P[X = i] = pi et Y pour loi fi onditionnellement {X = i}F yn peut don proder omme iEdessusF gel n9 videmment d9intrt que si l9on sit simuler les fi F r exempleD si Y pour densit
fY (y ) = f (y ) + (1 )f (y )
o ]0, 1[ et f @respF f A est l densit de l loi N (0, 2 ) @respF N (0, 2 )AD on omE mene pr tirer une loi uniforme U sur [0, 1]F i U D on tire ensuite Y selon l loi N (0, 2 )F i U > D on tire Y selon l loi N (0, 2 )F gei revient poser p1 = D p0
IV
= (1 )D f1 = f et f0 = f F X suit lors une loi de fernouilli de prmtre D iFeF P[X = 1] = F yn prle de mlnge de gussiennesF
2me cas.
yn peut rire l loi de Y sous l forme
fY (y ) =
g (y, x)dx ,
o g est une fontion positiveF v enoreD g est l densit d9un ouple (X, Y ) o Y pour loi mrginle fY F yn peut don ommener pr simuler X selon s loi mrginle fX (x) = g (y, x)dy puis on simule Y selon g (y, x )/fX ( x) o x est l vleur prise pr l simultion de X F
1.4 Notion de discrpance

1.4.1 Gnralits
i (Un )n1 est une suite de vriles ltoires indpendntes de loi uniforme sur [0, 1]D U[0,1] D on lors d9prs l loi des grnds nomres
1 lim N N
pour tout retngles
N 1
1D ((Ukn , Ukn+1 , . . . , Ukn+k1 )) =

n=0 j =1
(bj aj )
D := ]a1 , b1 ]]a2 , b2 ] ]ak , bk ] , 0 aj < bj 1 j = 1, . . . , k

de [0, 1]k F sl est don nturel de herher gnrer des suites de nomres qui ont le mme omE portementF gei onduit d(nir l notion de suite @relleA uniformeF
Dnition 1.4.1 Une suite (un )n1 dans [0, 1]d est dite uniforme sur [0, 1]d si pour tout
x [0, 1]d on a 1 lim N N
N d
i 1ui = n x
xi .
i=1
n=1 i=1
sl est importnt de ne ps onfondre suite de v.a. uniformment distribues sur [0, 1]d et suite uniforme sur [0, 1]d F ne suite uniforme sur [0, 1]d n9est ps forment une suite de vFF uniformment distriues sur [0, 1]d F r ontreD il est lirD d9prs l loi des grnds nomresD qu9une suite de vFF uniformment distriues sur [0, 1]d est presque surement uniformeF itnt donne une suite u = (un )n1 uniforme sur [0, 1]d D on d(nit les disrpnes
Dp (u, N ) := u F (x) FN (x) Lp (Rd ,dx)
p N {+} ,
1.4. NOTION DE DISCRPANCE

o pour x Rd on pos
d
IW
F (x) :=
i=1
et
u FN (x)
1 = N
1yi xi .
n=1 i=1
u e x Rd (xD le terme F (x) FN (x) orrespond l di'rene entre le volume d i thorique du retngle i=1 [0, x ] et le volume 4empiriquement4 estim pr l suite uF i u est uniforme sur [0, 1]d D lors ette di'rene doit tendre vers 0F v disrpne Dp (u, N ) mesure en quelque sorte l onne rprtition des points de l suite u dns l9espe [0, 1]d F
(i) u est uniforme sur [0, 1]d (ii) lim Dp (u, N ) = 0 pour tout p N {+} N N 1 4 (iii) La mesure3 u N := N n=1 un converge troitement vers la mesure de Lebesgue sur [0, 1]d .
Thorme 1.4.2 Il y a equivalence entre
Preuve. oir pr exemple IR

v9intrt de l notion de disrpne rside dns l9inglit de uoksmErlwkF evnt d9noner e rsulttD on esoin d9introduire l notion de fontion vrition (nieF yn note 1d le veteur de Rd dont toutes les omposntes vlent 1F
Dnition 1.4.3 On dit que f
: [0, 1]d R est variation nie si il existe une mesure (signe) sur [0, 1]d (muni de la tribu borlienne associe) telle que ({1d }) = 0 et
d d
f (x) = f (1)
i=1
[x , 1]
= f (0)
[0, 1]
i=1
[xi , 1]
On note alors V (f ) = | | [0, 1]d la variation totale de f .

our I {1, . . . , d} et x Rd D on note xI le veteur de iEme omE posnte xi si i I D 1 sinonF i f : [0, 1]d R vri(e5
Remarque 1.4.4
[0,1]|I |
f dxI < xi1 . . . xi|I |
pour tout I = {i1 , . . . , i|I | } {1, . . . , d}D lors f est vrition (nieF
denote la mesure de Dirac en x N 1 signie que [0,1]d f du N = N n=1 f (un ) tend vers borne. 5 les drives tant prises au sens des distributions.
4 Ceci
x
[0,1]d
f dd pour toute fonction f continue
PH

f : [0, 1]d R variation nie.
Thorme 1.4.5 (Ingalit de Koksma-Hlawka) Soit

Pour toute suite u = (un )n1 dans [0, 1]d on a
1 f (x)dx N [0,1]d
N
f (un )
n=1
V (f )D (u, N ) .
our luler E [f (U )]D U U[0,1]d D on peut don utiliser une suite (un )n1 uniforme N 1 sur [0, 1]d et luler N n=1 f (un )F lus l disrpne de l suite ser file et meilleur ser l9pproximtion de E [f (U )]F g9est une lterntive ux mthodes de wonteEgrlo prsentes iEdessusF vorsque l suite (un )n1 est purement dterministeD omme 9est le s pour les suites disrpne file prsentes iEdessousD on prle de usiEnomres ltoiresF
1.4.2 Cas des suites uniformment distribues

i (Un )n1 est une suite de vFF iFiFdF uniformment distriues sur [0, 1]d D elle est pFsF uniforme sur [0, 1]d F yn peut don luler s disrpne Dp (U, N ) qui est lors une quntit ltoireF h9prs l loi du logrithme itrD voir heorem IFIFPD on peut dj luler que
lim sup
N
N D (U, N ) 2 ln ln N = =
sup lim sup

x[0,1]d N
N F U (x) F (x) 2 ln ln N N
sup
x[0,1]d
F (x)(1 F (x))
1 . 2
yn en fit
[0, 1] , alors
d
Thorme 1.4.6 Si
(Un )n1 est une suite de v.a. i.i.d. uniformment distribues sur 1 N (U, N ) = D . 2 ln ln N 2
lim sup
N
Par ailleurs,
cd E [D (U, N )] = , N
o cd lorsque d .
ge rsultt montre en prtiulier que
D (U, N ) O
ln ln N N
pFsF
1.4. NOTION DE DISCRPANCE
PI
1.4.3 Suites discrpance faible

yn peut ontruire des suites dns [0, 1]d dont l disrpne est plus file que elle otenue pour les suites de vFF uniformment distriues sur [0, 1]d F sl existe une vste litrture sur e sujet et nous n9llons prsent ii que les plus simples mettre en oeuvreF sl fut ien grder en mmoire que si es suites ont une disrpnes plus file symE totiquement lorsque N tend vers l9in(niD elleEi dpend gnrlement de l dimension de mnire nonEtrivile et peut devenir trs grndeD N (xD lorsque l dimension ugmenteF in grnde dimensionD il est gnrlement prfrle d9utiliser des suites iFiFdF uniformment distriues sur [0, 1]d pour lesquelles le omportement symptotique @pFsFA ne dpend ps de l dimension @voir horme IFRFTAF yn pourr onsulter TI pour une tude omprtive de di'rentes suites et pour plus de rfreneF oir glement IRF
a- Suite de Halton
itnt donn un nomre premier p 2 et un entier nD il existe une unique domposition @domposition pEdiqueA de n sous l forme X
n,p n,p kn,p n = an,p 0 + a1 p + . . . + akn,p p n,p n,p o kn,p est un entier et les an,p k sont des entiers vri(nt 0 ak p 1 ve akn,p = 0F gette domposition s9otient filement en utilisnt l rurrene n,p r0 = n n,p n,p n,p n,p an,p = rk mod p , rk = (rk k 1 ak1 )/p 1 k kn,p n,p ve kn,p = min{k 1 : rk +1 = 0} .
yn note ensuite
an,p an,p kn,p 0 + . . . + kn,p . p (n) := p p +1

yn onstruit l suite de rlton u = (un )n1 de l mnire suivnteF oit p1 , . . . , pd les d premiers nomres premiersF our hque n 1 et 1 i dD on pose X
ui n = pi (n) .
our ette suiteD on X
D (u, N )
ln(N )d N
voir pr exemple TIF g9est videmment mieux que e que l9on otient ve une suite de vFF uniformment distriues sur [0, 1]d mis l mjortion dpend de l dimensionD e qui n9est ps le s pour les suites de vFF uniformment distriues sur [0, 1]d @suf en moyenneAF in prtiqueD 9est euoup moins e0e en grnde dimensionF our d = 1D on prle de suite de n der gorputF
PP
b- Suite SQRT
our tout rel xD on pose Ent[x] s prtie entireF oit p1 , . . . , pd les d premiers nomres entiersF our tout n 1 et 1 i dD on pose ui n = n pi Ent[n pi ]F yn lors
(u, N ) = O D
1 N 1
pour tout > 0 .
c- Suite de Faure
oit p,d le plus petit nomre premier impir plus grnd que dF yn d(nit l9pplition Q qui un rtionel x de l forme
x =
i0
xi +1 pi ,d
ssoie
Q(x) =
i0
j j i (i )xj mod +1 pi ,d
p,d
et on note Qk l9pplition otenue en omposnt k fois Q ve l onvention que Q0 est l9identitF yn d(nit lors l suite pr
ui n = Qi1 (n 1)
yn
D (u, N )
1 n et 1 i dF
1 N
1 d!
p,d 1 2
ln(2N ) +d+1 ln(p,d )
@voir TWAF
Chapitre 2 Mthodes de discrtisation

v se des mthodes de wonteEgrlo en (nne est l pit simuler l9volution des proessus de prixF yn ommene don pr s9intresser ux mthodes de simultion d9une di'usion de l forme X
dXt = b(Xt )dt + a(Xt )dWt , X0 = x Rd .
@PFHFIA
siD X modlise l9volution de d sousEjents sur le mrh @tions pr exemplesA et W est un mouvement rownien stndrd dEdimensionnel sur un espe de proilit (ltr omplet (, F, P)F yn suppose que F = {Ft , t [0, T ]} est l (ltrtion nturelle omplte de W F in gnrlD on supposer que a et b sont lipshitziennesD iFeF qu9il existe K > 0 tel que
a(x) a(y ) + b(x) b(y )
K xy
pour tout x, y Rd . @PFHFPA
gette hypothse grntit l9existene d9une solution forte @PFHFIAF
2.1 Modle de Black-Scholes

hns le modle de flkEholesD l dynmique du prix sous l proilit risque neutre s9rit
dXt = rXt dt + diag [Xt ] dWt , X0 Rd ,
@PFIFIA
o r R+ est le tux sns risque et Md est l mtrie de voltilit @suppose inversile pour ssurer l ompltude du mrhAF ge systme se rErit sous l forme X
i R , i = 1, . . . , d , dXti = rXti + Xti i. dWt , X0
@PFIFPA
dont l solution est

i Xti = X0 exp
1 i. 2
t + i. Wt
, i = 1, . . . , d .
@PFIFQA
our simuler Xt D il su0t don de simuler l vleur de W en tF ves Wti D i = 1, . . . , dD tnt indpendnts et de mme loi N (0, t)D il su0t don de simuler d vriles ltoires indpendntes de loi N (0, t)F PQ
PR
CHAPITRE 2. MTHODES DE DISCRTISATION
2.2 Schma de discrtisation

2.2.1 Discrtisation d'Euler
2.2.1.1 Construction
v simultion du proessus X dns le modle de flkEholes est 4exte4 dns l mesure oD t donnD on peut simuler extement dns l loi de Xt F gel est possile gre l forme prtiulirement simple de @PFIFPAF in gnrlD l solution de @PFHFIA n9 ps une forme ussi simple et l9on est olig de reourir une pproximtion de X qui orrespond une disrtistion en temps de l9qution @PFHFIAF yn se donne une grille de [0, T ]
n := (t0 , . . . , ti , . . . , tn )
ve
ti = iT /n .
yn noter n t = T /n et n Wi+1 = Wti+1 Wti F v9ide de l disrtistion d9iuler est trs simpleF our tout i = 1, . . . , nD on X
ti ti
Xti = Xti1 +
ti1
b(Xs )ds +
ti1
a(Xs )dWs
Xti1 + b(Xti1 )n t + a(Xti1 )n Wi

e qui onduit l onstrution du shm
n = X0 X 0 n = X n + b(X n )n t + a(X n )n Wi , i = 1, . . . , n . X ti ti1 ti1 ti1
@PFPFIA @PFPFPA
g9est l9quivlent stohstique du shm d9iuler utilis pour les qutions di'rentielles ordiniresF n se rmne l simultion des roissements de W D o n Wi v simultion de X N (0, n tId ) pour tout i = 1, . . . , nF yn introduit mintennt un shm d9iuler 4ontinu4F our el on d(nit l fontion
n t := max {ti , i = 0, . . . , n, tel que ti t} sur [0, T ] ,

etD t [0, T ]D on ssoie
nn )(t n ) + a(X nn ) Wt Wn , n = X nn + b(X X t t t t t t

e que l9on peut rrire sous forme intgrle
t t
@PFPFQA
n = X0 + X t
0
nn )ds + b(X s
nn )dWs . a(X s
@PFPFRA
2.2. SCHMA DE DISCRTISATION
PS
2.2.1.2 Convergence
Lp
n Lp pour e n (xD une simple rurrene montre queD sous l9hypothse @PFHFPAD X ti tout i {1, . . . , n} et p 1F yn vri(e mintennt que ei est vri uniformment en nF
Lemme 2.2.1 Sous l'hypothse @PFHFPA, pour tout p 1

1/p
sup E
n1
sup
t[0,T ]
tn X
< .
Preuve.
yn peut toujours supposer que p est pir et plus grnd que 4 en utilisnt l9inglit des normes Lp L2p F yn ommene pr utiliser l9inglit de tensen pplique l9pplition onvexe x x p pour rire queD pour tout t [0, T ]D
n s sup X s t p
1 = 3 sup st 3
p
s n b(X n )dr + r s 0 p n a(X n )dWr ) r s
X0 +
0 p
3p1
X0
+ sup
st 0
nn )dr b(X r
+ sup
s t 0
nn )dWr a(X r
in utilisnt de nouveu l9inglit de tensen pplique l9pplition onvexe x x p D on otient

s 0 n b(X n )dr r p s
= s
p 0
1 n b(Xn )dr r s
p1 0
nn ) b(X r
dr .
in utilisnt ensuite @PFHFPAD on dduit que

s 0 n b(X n )dr r p s
p1 0
n b(X0 ) + K X + K X0 n r s n X n r p
dr
C 1+
0
dr
nn )dWr )tT n Lp pour tout iD on vri(e en utilisnt @PFHFPA que ( t a(X gommeD n (xD X ti r 0 est une mrtingle ontinue de rr intgrleF in utilisnt l9inglit de furkholderE hvisEqundy @vemme PFPFP iEprsAD l9inglit de tensen et @PFHFPAD on otient lors que
s p n a(X n )dWr r t p/2 n a(X n) s t 2
E sup
s t 0
E
0
ds
2 p/2
E tp/21
0 t
n a(X n) s
ds
C 1+
0
nn X s
ds
yn dduit des inglits prdentes que

n s E sup X s t p t
C 1+
0
n X n s
ds
C 1+
0
n r E sup X r s
ds
PT
sl su0t mintennt d9ppliquer le vemme de qronwll @vemme PFPFQ iEprsA s n p pour onlureF E suprs X r yn donne mintennt les deux vemmes tehniques que nous vons utiliss @voir pr exemple RHAF
(Mt )t[u,v] une martingale continue sur [u, v ] de carr intgrable. Alors, pour tout m > 0, il existe km et Km > 0, ne dpendant que de m, tels que km E [( M v )m ] E sup Mt
utv 2m
Lemme 2.2.2 (Ingalits de Burkholder-Davis-Gundy) Soit
Km E [( M v )m ] .
Lemme 2.2.3 (Lemme de Gronwall) Soit g une fonction continue positive vriant
t
g (t) (t) +
0
g (s)ds t [0, T ],
avec 0 et : [0, T ] R intgrable. Alors,

t
g (t) (t) +
0
(s)e (ts) ds t [0, T ].
n entre deux dtes de yn tudie mintennt le omportement des inrments de X disrtistionF
Lemme 2.2.4 Sous @PFHFPA, pour tout p 1

1/p 0in1
max E
sup
t[ti ,ti+1 )
n tn X X n t
C/ n .
Preuve.
yn pose p 4 et pir sns perte de gnrlitF in rgumentnt omme dns le lemme prdentD on montre queD pour tout i {0, . . . , n 1}D
sup
t[ti ,ti+1 )
n tn X X n t
C E np/2+1
ti+1 ti
n b(X n) s
n + a(X n) s
ds
gei impliqueD d9prs @PFHFPA et le vemme PFPFI que
sup
t[ti ,ti+1 )
n tn X X n t
C np/2+1 Cnp/2 ,
ti+1
C 1+E
ti
n X n s
ds
e qui onlut l preuveF
PU
Remarque 2.2.5
ves mmes rguments que eux de l preuve prdente montrent queD sous @PFHFPAD pour tout p 1
1/p 0in1
max E
sup
t[ti ,ti+1 )
Xt Xn t
C/ n .
yn peut mintennt tudier l vitesse de onvergene Lp du shm d9iulerF
Thorme 2.2.6 Sous l'hypothse @PFHFPA, pour tout p 1

1/p
sup
t[0,T ]
n X t
Xt
C/ n .
Preuve.
yn pose p 4 et pir sns perte de gnrlitF in rgumentnt omme dns le lemme prdentD on montre que
s[0,t]
n s sup X Xs
CE
0
n X n Xs s
ds .
yn utilise mintennt le vemme PFPFR
s[0,t]
n Xs sup X s
CE
0
n Xs X s
t
nn X n + X s s
p
ds
C np/2 +
0
n Xr E sup X r
r s
ds
et on onlut en utilisnt le vemme de qronwllF
Remarque 2.2.7
yn onsidre un pyo' qui dpend de l trjetoire de X en un nomre (ni de dtes (s1 , . . . , sk )D k 1F i g est lipshitzienneD on otient omme orollire du horme PFPFT p 1/p n n g (Xs1 , . . . , Xs ) E g X C/ n . n , . . . , Xn k s s
1 k
proximer correctement une moyenne discrte

A( s i ) k i=1 1 := k
k
Exemple 2.2.8 La remarque prcdente montre que le schma d'Euler permet d'apXsi
i=1
par
n k A (si )
i=1
1 := k
nn . X s
i
i=1
pour valuer les options sur moyenne du type [A(si )k K ]+ (call sur moyenne de strike i=1 K ), [XT A(si )k ]+ (call avec strike ottant), et les puts correspondants. Le Thorme i=1 2.2.6 nous assure une convergence Lp en 1/ n. De la mme manire, on peut approximer correctement le maximum discret
M ( si )k := max {Xsi , i {1, . . . , k }} i=1
n n k := max X par M . n , i {1, . . . , k } (si )i=1 si
PV
2.2.1.3 Convergence faible

in prtiqueD e qui intresse surtout les prtiiens 9est l onvergene du prix 4disrE n ) Eg (XT ) vers 0F g9est l onvergene tis4 vers le vri prixD iFeF l onvergene de Eg (X T fileF
4 Thorme 2.2.9 Si b, a Cb4 et g Cp , alors
n ) g (XT ) E g (X T
C/n .
ge rsultt est du TTF yn v le dmontrer dns un dre simpli(F our elD on v prtiellement utiliser le horme de peynmnEu que l9on ommene pr rppelerD voir RH et RTF
1,2 lution u Cp l'quation parabolique
Thorme 2.2.10 (i) Supposons que b et a sont lipschitziennes et qu'il existe une sou 0 = + t
2 1 u ij u b + , (aa ) xj 2 i,j =1 xi xj j =1 j d d
sur [0, T ] Rd
@PFPFSA
g = u(T, )
sur Rd ,
alors
u(t, x) = E [g (XT ) | Xt = x] et g (XT ) = E [g (XT )] +
0 4 4 (ii) Si a Cb4 , b Cb2 et g Cp , alors la rciproque est vraie et u Cp . T
x u(t, Xt )a(Xt )dWt .@PFPFTA
our simpli(erD on suppose que b et a sont ornesD que d = 1 et que l solution u de @PFPFSA est Cb F yn lors pr st sur le shm d9iuler ontinu
n T E g (X ) g (XT ) n T = E u(T, X ) u(0, X0 ) T
Elments de preuve du Thorme 2.2.9.
= E
0
n ) + b(X nn )ux (s, X n ) + 1 a2 (X nn )uxx (s, X n )ds . ut (s, X s s s s s 2
uisque u est solution de @PFPFSAD on glement

T
= E
0
nn ) ux (s, X n ) ux (s, X nn ) ds n ) ut (s, X nn ) + b(X ut (s, X s s s s s

T
+E
0
1 2 n nn ) ds . n ) uxx (s, X a (Xn ) uxx (s, X s s s 2
PW
D a et b sont ornes et yn onsidre mintennt le premier termeF gomme u Cb n E Xt est uniformment orn en t [0, T ] et n @vemme PFPFIAD on otientD en utilisnt le vemme d9stD que pour tout s [0, T ]
n ) ut (s, X nn ) E ut (s, X s s
nn )utx (s, X n ) + 1 a2 (X nn )utxx (s, X n )dr b(X r r r r 2 n s
C/n .
yn otient le mme type de mjortion pour les utres termesD e qui implique que
et onlut l preuveF
C/n ,
yn otient don une vitesse de onvergene file en 1/nF ividemmentD l9hypothse 4 n9est ps trs stisfisnte r gnrlement non vri(e en (nneF ve rsultt g Cp prdent peut tre mlior de l mnire suivnteF
Thorme 2.2.11 Si b, a Cb et si l'une des deux conditions suivantes est vrie :

@iA g Cp , @iiA g est croissance
polynomiale et il existe > 0 tel que,

, x Rd , (aa )(x) ,
@PFPFUA
alors
n T Eg (X ) Eg (XT ) =
Ck C1 + . . . + k + O(nk1 ) , k N . n n
ge rsultt est trs importnt en prtique r il permet de rmener l vitesse de onvergene en 1/n2 F in e'etD d9prs le thorme prdentD on
Remarque 2.2.12
2n ) g (X n ) Eg (XT ) = 2C1 C1 + 2C2 C2 + O(1/n3 ) = O(1/n2 ) . E 2g (X T T 2n n 4n2 n2

in utilisnt 3n psD on otient une erreur en O(1/n2 )F gette tehnique est onnue sous le nom d9extrpoltion de omergF yn peut remrquer que l9hypothse @iiA du thorme est souvent stisfite en (nneF hns le modle de flkEholesD on pourr pr exemple onsidrer le ln de l di'usion pour se rmener u s o a(x) est onstnte et stisfit l9hypothse d9uniforme elliptiit @PFPFUAF sl fut ependnt fire ttention l9roissement possile de l vrine de l9estimteur ssoi une mthode de omergF v9rtile TH trite se prolme et propose des lgorithmes e0es vitnt une explosion de l vrineF
QH
2.2.2 Schma de Milshtein

hns l prsenttion du shm d9iulerD on utilis l9pproximtion
ti
a(Xs )dWs a(Xti1 ) Wti Wti1

ti1
mis on urit p utiliser une pproximtion d9ordre suprieurF our (xer les idesD on se ple en dimension 1 et on suppose que b = 0F elorsD pour s (ti1 , ti ]
s
a (Xs ) = a Xti1 +
ti1
a(Xt )dWt
a Xti1 + a(Xti1 ) Ws Wti1 a Xti1 + a Xti1 a(Xti1 ) Ws Wti1 .

yn utilise mintennt l9glit
ti
Ws Wti1 dWs =
ti1
1 2
Wti Wti1
n t
e qui onduit l9pproximtion
1 a(Xs )dWs a(Xti1 ) Wti Wti1 + a Xti1 a(Xti1 ) 2 ti1
ti
Wti Wti1
n t
ve terme de drive b ynt une ontriution infrieure dns l9erreur d9pproximtion pr rpport u terme de di'usionD il n9est ps nessire de le orrigerF our d = 1D on otient don le shm d9pproximtion suivnt X
n 0 X = X0 n = X n + b(X n )n t + a(X n ) Wt Wt X ti ti1 ti1 ti1 i i1 1 2 n Wti Wti1 n t + a X ti1 a(Xti1 ) 2
@PFPFVA
, i = 1, . . . , n .
Exemple 2.2.13 Dans le modle de Black-Scholes en dimension 1, la solution de @PFIFIA

est approche par
n 0 = X0 X
n = X n X ti ti1
1 1 + r 2 /2 n t + Wti Wti1 + 2 Wti Wti1 2
in dimension d quelonqueD le mme risonnement onduit onsider l9pproximtion suivnte X
n = X0 X 0 n + b(X n )n t + a(X n ) Wt Wt n = X X ti1 ti ti1 ti1 i i1

d
@PFPFWA
+
j,l=1
n ) (a.j a.l )(X ti1
ti ti1
(Wsj Wtji1 )dWsl , i = 1, . . . , n .
2.3. OPTIONS ASIATIQUES
QI
ve thorme suivnt justi(e l9introdution de e shm dns le sens o il permet d9otenir une vitesse de onvergene Lp en 1/n u lieu de 1/ n pour le shm d9iulerF
Thorme 2.2.14 Si b, a Cb2 , alors pour tout p 1

0in
max E
n Xt X ti i
p 1/p
C/n .
v mise en oeuvre numrique du shm @PFPFWA suppose de svoir simuler orretement t l9intgrle d9st tii1 (Wsj Wtji1 )dWsl e qui est trs di0ile en prtique pour d = 1F in gnrlD on n9utilise e shm pour d 2 que lorsque l9hyposse de ommuttivit
a.j a.l = a.l a.j j, l {1, . . . , d}
@PFPFIHA
est vri(eF hns e sD l formule d9intgrtion pr prties du lul d9st permet de rErire @PFPFWA sous l forme X
n = X0 X 0 1 tn = X tn + b(X n )n t + a(X n ) Wt Wt X t t i i 1 i i1 i1 i1 2
d d
tn )n t (a.j a.j )(X i1

j =1
1 n )(Wtj Wtj )(W l W l ) , i = 1, . . . , n . (a.j a.l )(X ti1 ti ti1 i i1 2 j,l=1
sl su0t lors de simuler les roissements de W F yn peut d(nir des shms d9ordre suprieurD voir pr exemple RQ et RRF wis en gnrlD ils sont trs di0iles mettre en oeuvre numriquement surtout en dimension d > 1F yn peut se rfrer IW pour une disussion sur le sujetF oir glement PR pour un expos omplet sur le shm d9iuler et le shm de wilshteinF
Remarque 2.2.15
2.3 Options Asiatiques

yn s9intresse ii ux options sur moyenne g (AT , XT ) ve AT :=
T 0
Xs ds .
2.3.1 Schmas simples

ne premire solution pour pproher AT onsiste introduire le shm d9iuler de
t
At :=
0
Xs ds
dont l dynmique est donne pr
A0 = 0 , dAt = Xt dt .
QP
n d(ni pr l9qution de rurrene stohstique yn pprohe don AT pr A T n A 0 = X0 n n t = A n n A ti1 + Xti1 t , i {1, . . . , n}. i
gel revient utiliser l9pproximtion
T 0
1 Xs ds n
n1
tn . X i
i=0
yn dduit du horme PFPFT l vitesse de onvergene Lp de e shmF
Corollaire 2.3.1 Sous @PFHFPA, si g est lipschitzienne, alors, pour tout

n , X n) g (AT , XT ) g (A T T
Lp
p 1,
C/ n .
hns le modle de flkEholes D on peut simuler prfitement X en un nomre (ni de dtesF yn otient lors un rsultt plus prisF
Proposition 2.3.2 Si b(x) = rx, a(x) = diag [x] , et si g est lipschitzienne, alors, pour
tout p 1,
n , XT ) g (AT , XT ) g (A T
Lp
C/n
o
n = 1 A T n
n1
Xti .
i=0
Preuve. sl su0t de dmontrer le rsultt pour p pirF our t [ti , ti+1 ]D on X

t
n n = Ati A At A t ti +
(Xs Xti ) ds
ti
n o (A t )tT est le shm d9iuler ontinu de AF r illeursD en utilisnt l version stohstique du thorme de puini @voir pr exemple TPA
t t s s
(Xs Xti ) ds =
ti ti t ti
rXu du +
ti t
diag [Xu ] dWu ds

t t
=
ti t
rXu (
u
ds)du +
ti t ti
(
u
ds)diag [Xu ] dWu
=
ti
(t u)rXu du +
(t u)diag [Xu ] dWu .
yn utilise mintennt le rsultt suivnt dont l preuve ser donne l (n de l setionF
2.3. OPTIONS ASIATIQUES
QQ
Lemme 2.3.3 Soit z
Rd et
t t
Zt = z +
0
bs ds +
0
as dWs
o a, b sont adapts et satisfont

T
E
0
bs
+E
as
ds <
pour tout k 1. Alors, pour tout q 1, il existe C > 0 tel que

t
Zt
2q
2q
+C
0
Zs
2q
+ bs
2q
+ as
2q
ds .
Lp
in ppliqunt e vemme ux glits prdentes et en utilisnt le fit que Xs uniformment orne sur [0, T ]D on otient que pour tout t [ti , ti+1 ]
est
n At A t
n Ati A ti
+C
ti
n As A s
+ (t s)p ds
e qui implique en utilisnt le vemme de qronwll que
n At A t
n Ati A ti
(1 +
C 1 ) + C p+1 n n C 1 ) + C p+1 n n
eC/n ,
d9oD pour tout i {0, . . . , n 1}D
n Ati+1 A ti+1
n Ati A ti
(1 +
eC/n .
n = 0D ette rurrene montre le rsulttF gomme A0 A 0
v9pprohe prdente onsiste utiliser une mthode de retngles pour disrtiser l9intgrleF wme si d9un point de vue thoriqueD on otient l mme onvergene Lp que pour le shm d9iulerD il est en gnrl nettement prfrle d9utiliser une mthode de trpzes en onsidrnt
n = 1 A T n
n1
n + X n X ti ti+1 /2 .
i=0
mtres r = 0.1, = 0.2, T = 1, X0 = K = 100 avec n = 50. Le tableau ci-dessous donne les intervalles de conance simuls pour les deux mthodes, le prix rel tant d'environ 7.04. Nombre de simulations Euler Trapzes
10 000 20 000 50 000 100 000 [6.93 , [6.88 , [6.85 , [6.86 , 7.26] 7.11] 6.99] 6.96] [6.96 , [6.97 , [6.97 , [6.98 , 7.30] 7.21] 7.12] 7.09]
Exemple 2.3.4 On value un call asiatique dans le modle de Black-Scholes de para-
La sous-estimation du schma d'Euler est agrante.
QR

our simpli(erD on suppose que d = 1F r le vemme d9stD
t
on otient sur [0, T ] X
Preuve du Lemme 2.3.3.

t
(Zt )2q = z 2q +
0
2q (Zs )2q1 bs + q (2q 1)(Zs )2q2 a2 s ds +

0
2q (Zs )2q1 as dWs .
in utilisnt les hypothses sur a et bD on vri(e filement que

T
E
0
as (Zs )2q1
ds < ,
de sorte que
t
E (Zt )2q
= z 2q +
0
2q E (Zs )2q1 bs + q (2q 1)E (Zs )2q2 a2 s ds , t [0, T ] .
sl su0t mintennt d9utiliser les inglits
(Zs )2q1 bs (Zs )2q2 a2 s

pour onlureF
Zs
2q
Zs bs 2q Zs + as 2 q
+ bs
2q
Zs < bs
Zs
2q
+ bs
2q
2.3.2 Schma avec dveloppement dans le modle de Black-Scholes

hns le modle de flkEholesD on peut mliorer l vitesse de onvergene en utiliE snt un dveloppement de ylor l9ordre 1 du typeD pour d = 1D
2 /2)(tt )+ (W W ) t ti i
e(r
pour otenir
1 + (r(t ti ) + (Wt Wti ))
n1
ti+1
AT =
i=0
Xti
ti n1
e(r
2 /2)(tt )+ (W W ) t ti i
dt (Wt Wti )dt .
An T :=
i=0
Xti
T rT 2 + 2 + n 2n
ti+1 ti
yn prode lors de l mnire suivnte X on ommene pr simuler (Wti )n i=1 puis on n n simule AT onditionnellement (Wti )i=1 F our elD on utilise le rsultt suivnt qui ser dmontr dns un dre plus gnrl pr l suite @vemme PFRFQA X
Corollaire 2.3.5 Soit

(Wt )utv
u < v . Conditionnellement (Wu = x, Wv = y ), le processus est un processus gaussien vriant pour u s t v vt tu x+ y, vu vu (v t)(s u) gov (Wt , Ws | Wu = x, Wv = y ) = . vu E [Wt | Wu = x, Wv = y ] =
@PFQFIA @PFQFPA
2.4. OPTIONS BARRIRE

yn en dduit queD onditionnellement (Wti , Wti+1 ) = (x, y )D normle ve pour moments
ti+1 ti+1 ti+1 ti
QS
Wt dt suit une loi
E
ti
Wt dt | Wti = x, Wti+1 = y
=
ti
E Wt | Wti = x, Wti+1 = y dt
et
ti+1 2
E
ti ti+1
Wt dt
t
| Wti = x, Wti+1 = y
=2
ti ti
E Wt Wu | Wti = x, Wti+1 = y dudt ,
l seonde glit tnt otenue en utilisnt le vemme d9stF yn en dduit une formule expliite en utilisnt @PFQFIA et @PFQFPAF in utilisnt e shmD on mliore l vitesse de onvergeneF
Proposition 2.3.6 Si g est lipschitzienne, alors, pour tout

g (AT , XT ) g (An T , XT )
Lp
p 1,
C/n3/2 .
xous renvoyons RW et TV pour les preuves de es rsultts insi que l9tude d9utres pproximtionsF
2.4 Options barrire

hns ette setionD on s9intresse l9vlution d9esprne de l forme X
E [1 >T g (XT )]
:= inf {t [0, T ] : Xt / D}
@PFRFIA
est le temps de sortie de X d9un orlien D de Rd D ve pour onvention inf = +F
2.4.1 Approche nave

yn ommene pr l9pprohe l plus simple qui onsiste pproximer @PFRFIA pr son quivlent disret
n E 1 n >T g (XT )
tn n := inf {ti , i {0, . . . , n} : X / D} i
@PFRFPA
est l9quivlent disret de F gette quntit est filement simulle et on le rsultt de onvergene suivnt dmontr dns QRF
QT
tement uniformment elliptique 2 sur D, alors, pour toute fonction mesurable g borne qui s'annule sur un voisinage de D, on a
n E 1 n >T g (XT ) E [1 >T g (XT )] = O 1 n .
Thorme 2.4.1 Si D est born de frontire D de classe1 C 3 , b et a C 3 avec a stric-
sl s9git d9un rsultt ssez ngtif dns l mesure o l9on perd l vitesse de onvergene file otenue pour les options vnillF xous renvoyons l etion TFR pour une tude de l vitesse de onvergene de n vers D voir glement IP pour le s o l di'usion n9est ps uniformment elliptiqueF
2.4.2 Approche par les ponts de diusion

hns ette prtieD nous prsentons une utre pprohe qui permet d9mliorer l vitesse de onvergene file du horme PFRFIF gette foisEi on pprohe @PFRFIA pr
n) E 1 n >T g (X T
n n := inf {t [0, T ] : X t / D}
@PFRFQA
9estEEdire que l9on rit le prolme sur le shm d9iuler ontinuF yn lors le rsultt de onvergene suivnt dmontr dns QSF
D est un demi-espace, b et a C 5 avec a strictement uniformment elliptique sur D, alors, pour toute fonction mesurable g borne qui s'annule sur un voisinage de D, on a n ) E [1 >T g (XT )] = C1 + o E 1 n >T g (X T n 1 n .
Thorme 2.4.2 Si
yn retrouve insi une vitesse de onvergene file en 1/nF r illeursD le premier terme dns le dveloppement suggre de mettre en ple une mthode de type omerg (n d9otenir une vitesse en o (1/n) u lieu de 1/n
2.4.2.1 Sur les ponts de diusions

e(n d9implmenter ette pproximtionD on ur esoin du rsultt suivnt sur l loi du shm d9iuler ontinu onditionF
tels que d (i) (V (y ) D) Rd : x1 0 + := x R d (ii) (V (y ) D) R+ (iii) C 3 (V (y )) et 1 C 3 (B ). 2 i.e. satisfait (2.2.7) pour tout x D .
1 i.e.
pour tout y D, il existe un voisinage V (y ) de y et un diomorphisme de V (y ) B Rd
QU
Lemme 2.4.3 On suppose que

de
(x) = (a(x)a (x))1/2 est inversible pour tout x Rd . n = xi , X n = xi+1 ), le processus (X n )t tt a la loi Alors, conditionnellement (X ti ti+1 t i i+1 tt xi + (xi )W i t t = (xi )1 (xi+1 xi ) conditionnellement W i+1 i
ti tti+1
est un mouvement brownien. C'est un processus gaussien d'esprance xi ti+1 t + o W ti+1 ti (sti )(ti+1 t) tti 2 et de matrice de variance-convariance ( x ) pour tout t xi+1 ti+1 i i s ti ti+1 ti t ti+1 .
Elments de preuve.
ph (x, z ) = 1
tn = xi D (X tn )t tt est un proessus gonditionnellement X i i+1 i de di'usion homogne qui dmet pour densit de trnsition (2h)d det[ 2 (xi )] exp 1 (z x b(xi )h) ( 2 (xi )) (z x b(xi )h) 2h .
our ti s t ti+1
n dx , X n dy , X n dxi+1 | X n = xi P X s t ti+1 ti = psti (xi , x)pts (x, y )pti+1 t (y, xi+1 )dxdydxi+1
n s tn dxi+1 | X tn = xi P X dx, X i+1 i
= psti (xi , x)pti+1 s (x, xi+1 )dxdxi+1 .

in divisnt le premier terme pr le seondD on otient X
n dy | X n = x, X n = xi , X n = xi+1 P X t s ti ti+1
gei montre que
i+1 pti ,xi
pts (x, y )pti+1 t (y, xi+1 ) dy . pti+1 s (x, xi+1 )
,xi+1
(s, x, t, y ) :=
pts (x, y )pti+1 t (y, xi+1 ) pti+1 s (x, xi+1 )
tn )t tt tn = est l densit de trnsition du proessus (X onditionnellement (X i i+1 i n = xi+1 )F ve reste en doule pr des luls diretsF xi , X ti+1
Remarque 2.4.4
n D on vri(e filement que in utilisnt l proprit de wrkov de X n )t tt pour i llnt de 0 n 1 sont indpendnts onditionnellement les proessus (X t i i+1 n, . . . , X n }F {X t0 tn
2.4.2.2 Implmentation
yn peut mintennt drire l mthodeF yn ommene pr simuler le shm d9iuler tn )n (X et on rit i i=1
n T E 1 n >T g (X )
tn )n n) = E E 1 n >T | (X g (X T i i=1
QV
n n e qui signi(e qu9il fut luler E 1 n >T | (Xti )i=1 D une fois l trjetoire disrte n )n simuleF ividemment si un des X n n9est ps dns DD il n9y rien fire et le (X ti i=1 ti tn simuls pyo' de l9option donne 0F yn ne lule don ette proilit que si les X i sont tous dns DF our elD on v utiliser les rsultts de l setion prdenteF out d9ordD l eE mrque PFRFR implique que
n1
tn )n E 1 n >T | (X i i=1
=
i=0
tn , X tn tn D | X P t [ti , ti+1 ], X i i+1
xous llons mintennt montrer queD dns le s o D est un demiEespeD le lul est expliiteF yn rit D sous l forme
D = {y Rd : (y ) > 0} est l9hyperpln pssnt pr Rd othogonl Rd F iFeF D
@PFRFRA
Exemple 2.4.5 Pour une barrire haute U en dimension 1, on a D = (, U ), ce qui

donne = U et = 1.
yn (xe i {0, . . . , n 1}F h9prs le vemme PFRFQD on
n n n P t [ti , ti+1 ], X t / D | Xti = xi , Xti+1 = xi+1 tt ( xi ) | W t t = (xi )1 (xi+1 xi ) = P t [ti , ti+1 ], (xi )W i i+1 i
yn hoisit mintennt une mtrie P orthogonle3 telle que P 1 = t = (P W tt )t[t ,t ] l mme loi que W F r illeurs proessus W i i i i+1
1 ( xi )
(xi )F ve
tt = (xi )P W tt = (xi )W i i
t1 (xi ) W ti
r le veteur ligne (xi )P seulement s premire omposnte non nulleD gle (xi ) F in rEinjetnt e rsultt dns les glits prdentesD on otient
tn tn = xi , X tn = xi+1 P t [ti , ti+1 ], X /D|X i i+1

t1 t = (xi+1 xi ) 1 ( xi ) | W = P t [ti , ti+1 ], W tti i+1 i (xi ) (xi ) ( xi ) 1 (xi+1 xi ) t1 =P min W | Wti+1 ti = . ti t[ti ,ti+1 ] (xi ) (xi )
gette proilit se lule filement en utilisnt le prinipe de r)exion du rownien @voir vemme PFRFVA
t[ti ,ti+1 ]
t1 1 min W ti a | Wti+1 ti = b

= e2 T a(ab) a 0 et b a
@PFRFSA
xi+1 xi ) xi ) que l9on pplique b = ( et a = (( F uisque l9on ne fit e lul que si xi ( xi ) xi ) DD on vri(e ien que a 0 et b aF pinlementD on montr que
3 i.e.
P P = P P = Id .
QW
Proposition 2.4.6 Si
(x)2 est inversible pour tout x Rd et si D est donn par @PFRFRA, alors pour tout xi , xi+1 D, on a n D | X n = xi , X n = xi+1 P t [ti , ti+1 ], X t ti ti+1 n ( ( xi )) ( ( xi+1 )) = 1 exp 2 T (xi ) 2 .
@PFRFTA
vorsque D n9est ps un demiEespeD on n9 en gnrl plus de forme expliite pour @PFRFTAF yn peut toutefois essyer d9pproher D pr son hyperpln tngent en D (xi )D le projet de xi sur l frontire de DF i D est de lsse C 5 D on retrouve l vitesse en 1/n du horme PFRFPD voir QSF
Exemple 2.4.7 On value un call up-and-out

E 1
t[0,T ]
max Xt <U [XT
K ]+
dans le modle de Black-Scholes de paramtres r = 0, = 0.15, T = 1, X0 = 100, K = 90, U = 130. Le tableau ci-dessous donne les intervalles de conance simuls pour les deux mthodes (nave et par pont), le prix rel tant d'environ 9.21. On eectue chaque fois 30.000 simulations. Nombre de pas de temps
10 50 100
Mthode Nave
[9.84 , 9.97] [9.46 , 9.60] [9.40 , 9.54]
Mthode par pont

[9.18 , 9.31] [9.14 , 9.27] [9.16 , 9.30]
La sur-estimation de la mthode nave est agrante : il est absolument ncessaire d'utiliser la mthode tenant compte de la probabilit de sortie de D entre deux dates de discrtisation.
yn onlut ette setion pr le vemme que l9on utilis pour otenir @PFRFSAF
W un mouvement brownien unidimensionelle et {FtW , t 0} sa ltration naturelle. Alors pour tout a 0, b a et h > 0 P min Wt a | Wh = b = e h a(ab) .
2
Lemme 2.4.8 Soit
t[0,h]
Preuve. oit a := inf {t 0

P
t[0,h]
: Wt = a} , le temps d9tteinte de a pr W F yn lorsD = P (a h , Wh b) = P (a h , Wh Wa b a) .
min Wt a , Wh b
RH
W W pr l proprit mesurle et que Wh Wa est indpendnt de F gomme a est F a a de wrkov forte du mouvement rownienD on otient
t[0,h]
min Wt a , Wh b
= P (a h , Wh Wa a b) = P (a h , Wh 2a b)
r Wh Wa et Wa Wh ont l mme loi @proprit de symtrieAF gomme 2a b aD on don
P
pinlementD omme
t[0,h]
min Wt a , Wh b
= P (Wh 2a b) .
t[0,h]
min Wt a | Wh = b
P b
mint[0,h] Wt a , Wh b , P (Wh b) b
un lul diret donne le rsulttF
2.5 Options Lookback

yn s9intresse mintennt ux pyo's de l forme g XT , max Xt en dimension IF our de telles optionsD on onsidre l9pproximtion
t[0,T ]
dns un modle
E g XT , max Xt
t[0,T ]
n , max X n E g X T t
t[0,T ]
n D le mximum du shm d9iuler ontinuF yn our elD il fut pouvoir simuler max X t
t[0,T ]
tn )n puis on simule ommene pr simuler les (X i i=1

t[0,T ]
tn = max X
0in1 t[ti ,ti+1 ]
max
tn max X
@PFSFIA
tn )n shnt (X F h9prs l emrque PFRFRD i i=1

voi
t[ti ,ti+1 ]
n | (X n )n max X t ti i=1
= voi
t[ti ,ti+1 ]
n | X n, X n max X t ti ti+1
dont l fontion de rprtition est donne pr l roposition PFRFT ve D = (, M ) @iFe = 1 et = M A
t[ti ,ti+1 ]
n M | X n = xi , X n = xi+1 max X t ti ti+1 n (M xi ) (M xi+1 ) T a2 (xi ) =: Fn (M ; xi , xi+1 )

pour M max{xi , xi+1 } .
= 1 exp 2
2.6. OPTIONS AMRICAINES

on inverse est
1 Fn (U ; xi , xi+1 ) =
RI
1 2
xi + xi+1 +
(xi+1 xi )2 2
a2 (xi )T ln(1 U ) n
yn en dduit que
n1 t[ti ,ti+1 ]
tn max X
i=0
n = xi , 0 i n) = shnt (X ti
loi
1 Fn (Ui ; xi , xi+1 )
n1 i=0
1 o (Ui )n i=0 est une suite de vriles ltoires indpendntes uniformes sur [0, 1]F h9prs tn , 0 i tn onditionnellement (X @PFSFIA el permet de simuler prfitement max X i t[0,T ]
n)F yn peut proder de l mme mnire pour d 1D en onsidrnt les mxim des di'rentes omposntes de X F
2.6 Options Amricaines

hns un mrh omplet sns fritionD le prix d9une option mriine de pyo' g dmet l reprsenttion
p(0, x) =
T[0,T ]
sup E er g (X ) | X0 = x
o X est l solution de @PFHFIA ve b = rX D r > 0 est le tux sns risque et T[0,T ] est l9ensemle des temps d9rrts vleurs dns [0, T ] @voir pr exemple RUAF yn disrtise n vleurs ette qution nturellement en onsidrnt l9ensemle des temps d9rrts T [0,T ] n F yn otient dns {0 = t0 , t1 , . . . , tn = T } et en remplnt X pr son shm d9iuler X lors l9pproximtion
p n (0, x) =
n T [0,T ]
n) | X n = x . sup E er g (X 0
yn peut lors vri(er que p n stisfit l9qution de l progrmmtion dynmique
n ) = g (X n ) p n (tn , X tn tn tn ) = max g (X tn ) , e rT tn ) | X tn n E p p n (ti , X n (ti+1 , X i i i+1 i

v preuve du rsultt suivnt peut tre trouve dns SF
, i {0, . . . , n 1} .
Thorme 2.6.1 Si g et a sont lipschitziennes, pour tout

sup
i{0,...,n}
n ) p(ti , Xt ) p n (ti , X ti i
Lp
p 1, C/ n .
yn pourr se rfrer RD SD WD IID IQ et UH pour une pprohe similire pplique l disrtistion d9qutions forwrdEkwrd plus gnrlesF
RP
Chapitre 3 Rduction de la variance

n ) o yn s9intresse ii l9vlution d9option dont le pyo' est de l forme F = g (X n est le shm d9iuler de l solution X de @PFHFIAF v9impt de l disrtistion est X donn pr les thormes du ghpitre PF yn rppelle que dns ertins modles omme elui de flkEholesD @PFIFIAD on peut simuler de mnire exte X D il n9y don ps n ou X pour dsigner d9erreur de disrtistionF hns e s on rir indi'remment X le proessus X F ne utre soure d9erreur est l9erreur de wonteEgrlo X mme s9il est onvergentD un estimteur reste une vrile ltoire ve s propre vrineF yn dj vu dns le ghpitre I omment l mesurerF in prtiqueD elleEi peut tre trs grndeD rendnt le rsultt otenu peu prisF hns les setions suivntesD nous llons tudier di'rentes mthodes permettnt de l rduireF
3.1 Contrle antithtique

v9ide du ontrle ntithtique est trs simpleF xous l prsentons dns le dre du modle de flkEholes en dimension ID iFeF X est solution de @PFIFIAF ille est se sur l proprit de symtrie du mouvement rownien X W = W F yn en dduit que XT = XT o
loi loi
XT = X0 exp (r 2 /2)T WT
gei implique que
E
i
g (XT ) + g (XT ) 2
= E [g (XT )] .
Var
e qui revient dire que
g (XT ) + g (XT ) 2
<
Var (g (XT )) 2 < 0,
gov g (XT ) , g (XT )
RQ
RR
CHAPITRE 3. RDUCTION DE LA VARIANCE
on peut otenir une meilleure prision en simulnt deux fois moins d9roissement du rownienF in e'etD si N est le nomre de simultions pr l mthode sns ontrle ntithtiqueD lors sous l ondition prdente
Var
g (XT )+g (XT ) 2
N/2
<
Var (g (XT )) , N
g (X )+g (X )
T T ve N/2 trjetoires est e qui signi(e que l9estimteur otenu en simulnt 2 plus pris que elui qui onsiste simuler g (XT ) ve N trjetoiresF yn peut montrer qu9il y un gin de vrine ds que WT g (XT ) est monotoneF
Lemme 3.1.1 Si g est monotone et > 0, alors

gov g (XT ) , g (XT )
avec ingalit stricte si g est strictement monotone sur un domaine de mesure non nulle.
Preuve. oit f l densit de l loi normle entre de vrine T F yn note m = E [g(XT )]

et g (WT ) = g (XT )F ns perte de gnrlitD on peut supposer que g est roissnteF oit c := inf {y R : g (y ) m}F yn lors
( g (w) m) ( g (w) m) f (w)dw =
( g (w) m) ( g (w) g (c)) f (w)dw + ( g (c) m) ( g (w) m) f (w)dw .
r d(nition de mD on ( g (w) m) f (w)dw = 0 . yn utilise ensuite l monotonie de g pour montrer que pour tout w
( g (w) m) ( g (w) g (c)) 0 ,

ve inglit strite sur un domine de mesure non nulle g est stritement monotone sur un domine de mesure non nulleF
modle de Black-Scholes. On prend r = 0, = 0.3, T = 1, X0 = 100, et un strike K = 105. Le tableau suivant rsume les cart-types et les intervalles de conance estims avec et sans contrle antithtique. Le nombre de trajectoires correspond au N ci-dessus. Le prix exact est de 14.88. Nombre de trajectoires
20 000 200 000 1 000 000
Exemple 3.1.2 On applique cette mthode l'valuation d'un put europen dans le
Avec
Sans
0.0256 , [14.83 , 14.93] 0.1163 , [14.62 , 15.08] 0.0181 , [14.85 , 14.92] 0.03684 , [14.77 , 14.91] 0.0080 , [14.87 , 14.90] 0.0165 , [14.85 , 14.91]
3.2. RGULARISATION DU PAYOFF
RS
Le gain est vident, surtout pour un petit nombre de trajectoires. On refait maintenant la mme tude pour le payo (non monotone) [K XT ]+ +[XT K ]+ : Nombre de trajectoires
20 000 200 000 1 000 000
Avec
Sans
0.1723 , [24.40 , 25.08] 0.1349 , [24.57 , 25.10] 0.0554 , [24.72 , 24.93] 0.0421 , [24.66 , 24.83] 0.0247 , [24.71 , 24.80] 0.0188 , [24.72 , 24.79]
3.2 Rgularisation du payo

tn )F i l fontion tn , . . . , X yn se ple en dimension d = 1 et on onsidre F = g (X n 1 g est trop irrgulireD on risque d9voir une muvise pproximtion de l9esprneF v proposition suivnte montre omment on peut l rgulriserF
tions croissance polynomiale telles que g = n G/x1 xn au sens des distributions, alors :
n
Proposition 3.2.1 On suppose que a sur R pour un > 0. Soient g et G deux fonc-
tn , . . . , X tn E [F ] = E G X n 1
i=1
n Wti Wti1 tn ) T a(X i1
Preuve.
n ) pour simpli(er les rgumentsF ve s yn se restreint u s o F = g (X T gnrl est otenu de l mme mnireF r onstrution du shm d9iulerD on n) E g (X T = E n + b(X n )n t + a(X n ) T g X tn1 tn1 tn1 n 1 /2 R
1/ 2
f ( )d
o f est l densit de l loi N (0, 1)F in intgrnt pr prtiesD on otient lors
E [F ] = E
n + b(X n )n t + a(X n ) T G X tn1 tn1 tn1 n 1/ 2 R
1/2
n1/2 f ( )d tn ) T 1/2 a(X n1
e qui donne le rsulttF gei permet de rgulriser le pyo' g en pssnt une primitiveF ve prix pyer est n(Wti Wti1 ) l9pprition du poids ltoire n n ) D dont l vrine est trs leve si les ti i=1 T a (X sont prohesF
ti1
Exemple 3.2.2 Soit g(x) = 1[a,b] (x) avec d = 1. On introduit la fonction G(x) = (x
a)1[a,b] (x) + (b a)1x>b . Alors, G = g et on obtient : n) E g (X T n) = E G(X T n WT Wtn1 tn ) T a(X n1 .
RT
= ln(X ) est le log du prix, on obtient Dans le modle de Black-Scholes , si X T ) E g (X T ) WT = E G(X T .

@QFPFIA
On teste cette mthode pour E 1{XT [a,b]} dans le modle de Black-Scholes de paramtres r = 0, = 0.25, T = 1, X0 = 100. On prend a = 95 et b = 105. On passe au ln pour utiliser la formule @QFPFIA. Le tableau ci-dessous donne les cart-types et les intervalles de conance simuls avec et sans rgularisation, le prix rel tant d'environ 15.7. Nombre de simulations
10 000 20 000 50 000
Sans
Avec
0.43 , [15.6 , 17.3] 0.18 , [15.3 , 16.0] 0.30 , [15.5 , 16.7] 0.12 , [15.4 , 15.9] 0.24 , [15.6 , 16.5] 0.10 , [15.5 , 15.9]
Exercice 3.2.3 Soit

n) E 1[a,b] (X T
sens des distributions) sont croissance polynomiale, alors :
telle que = 1 sur [a, b]. Montrer que si et sa drive (au
n 1/2 n ) (X n ) n WT Wtn1 (X n) = E G(X T T T tn ) tn ) T a(X T 1/2 a(X n1 n1
o G(x) = (x a)1[a,b] (x) + (b a)1x>b .
3.3 Variable de contrle

3.3.1 Motivation et exemples
v9ide du Control Variate est d9introduire une vrile Y d9esprne nulle telle que Var (F + Y ) << Var (F )F uisque Y est d9esprne nulleD on peut estimer E [F ] = E [F + Y ] pr
p N Y
1 := N
F (j ) + Y (j ) .
j =1
ividemment et estimteur les mmes proprits de onvergene que p N D mis est plus pris N (xF
Exemple 3.3.1 (Option Vanilla) On considre le payo F
est solution de @PFPFIA avec b = 0, i.e. on considre par exemple les prix dans R et X n ] = X0 . La actualiss des actifs sous-jacents au taux sans risque. Dans ce cas, E[X T n est donc un candidat naturel pour servir de variable de contrle. variable (vectorielle) X T On peut alors chercher minimiser sur Rd
n T n Var g (X ) + X T
n ) o g est valeurs = g (X T
n ), X n + Var X n , n ) + 2 Cov g (X = Var g (X T T T T
3.3. VARIABLE DE CONTRLE

n ), X n = Cov g (X n ), X n o Cov g(X T T T T timum est atteint pour
j
RU
n = Cov X ni , X nj et Var X T T T n ), X n . Cov g (X T T
i,j
. L'op-
n := Var X T
En gnral, on ne connat pas explicitement mais on peut essayer de l'approcher numriquement par Monte-Carlo. Dans l'exemple suivant on se place dans le modle de Black-Scholes en dimension 1. On prend r = 0, = 0.3, X0 = 100, T = 1, et on veut valuer un call europen de strike K = 80. Comme le strike est faible par rapport au prix du sous-jacent, on peut s'attendre un forte corrlation entre le payo de l'option et XT . On estime le = 0.825. Le tableau ci-dessous rsume les cart-types et les intervalles de conance estims avec et sans variable de contrle, le prix exact tant de 23.53. Nombre de simulations
5 000 10 000 100 000 500 000 0.0938 , 0.0664 , 0.0208 , 0.0093 ,
Avec
[23.29 , [23.39 , [23.51 , [23.52 , 23.66] 23.65] 23.60] 23.55] 0.3887 , 0.2739 , 0.0851 , 0.0379 ,
Sans
[23.42 , [23.50 , [23.47 , [23.48 , 24.95] 24.57] 23.80] 23.63]
On observe que l'utilisation de la variable de contrle amliore largement la prcision de l'estimateur. Bien entendu, il s'agit d'un cas favorable puisque la corrlation est trs forte. On refait maintenant la mme tude avec un strike K = 150. Dans ce cas, la corrlation n'est plus que de 0.148, le gain de variance est beaucoup plus faible. On obtient les rsultats suivants, le prix exact tant de 1.49, Nombre de simulations
5 000 10 000 100 000 500 000
Avec
Sans
0.06842 , [1.496 , 1.764] 0.0828 , [1.445 , 1.770]] 0.0296 , [1.466 , 1.582] 0.0360 , [1.4592 , 1.600] 0.0210 , [1.470 , 1.552] 0.02567 , [1.468 , 1.568] 0.0092 , [1.477 , 1.513] 0.0113 , [1.475 , 1.519]
Black-Scholes @PFIFIA en dimension 1. Si est faible, on peut suivre l'approche de [42] qui consiste utiliser l'approximation
1 T
T
Exemple 3.3.2 (Option asiatique) On suppose que
X est solution de l'quation de
Xt dt exp
0
1 T
ln(Xt )dt
0
=: ZT ,
o
1 T
T
ln(Xt )dt = (r 2 /2)

0
T + 2 T
Wt dt .
0
@QFQFIA
RV
Comme Loi
1 T
T
ln(Xt )dt
0
= N T (r/2 2 /4) , 2 T /3 ,
il est souvent possible de calculer facilement E [g(ZT )]. Par exemple, si g(x) = [x K ]+ , il sut d'utiliser la formule de Black-Scholes avec les paramtres r = r/2 2 /12 et = / 3, en faisant attention corriger le rsultat du facteur d'actualisation. On peut alors se servir de g(ZT ) comme variable de contrle. On teste cette mthode pour valuer un call asiatique de paramtres r = 0.1, = 0.2, T T = 1, X0 = K = 100. On utilise la discrtisation par trapzes pour approcher 0 Xt dt avec n = 50. La formule de Black-Scholes permet de calculer erT E [g(ZT )] = 6.77 et on prend pour variable de contrle
Y = erT E [g (ZT )] e(r
2 /2) T 2 +2 n
Pn1
i=0
(Wti +Wti+1 ) K
Le tableau ci-dessous donne les intervalles de conance simuls avec et sans cette variable de contrle, le prix rel tant d'environ 7.04. Nombre de simulations
10 000 20 000 50 000 100 000
Avec
[7.034 , [7.034 , [7.039 , [7.037 , 7.049] 7.046] 7.045] 7.042]
Sans
[6.957 , [6.970 , [6.974 , [6.980 , 7.296] 7.207] 7.124] 7.086]
Exemple 3.3.3 (Option amricaine) Dans la Section 2.6, on a propos un schma
de discrtisation de l'quation backward rchie associe au problme d'valuation de l'option amricaine. On donnera dans la Section 5.1.2 une mthode pour estimer par Monte-Carlo les esprances conditionnelles qui apparaissent dans ce schma. Comme le prix de l'option amricaine est fortement corrl celui de l'option europenne, on peut l'utiliser comme variable de contrle dans les modles de type Black-Scholes pour lesquelles on connat le prix exacte de l'europenne. Pour un put amricain de strike K , le schma devient
tn ) = p n (tn , X n tn K X n
+ +
n ) K X n n ) = max g (X n ) , e rT n E p p n (ti , X n (ti+1 , X ti+1 ti+1 ti ti tn , ti+1 ) +BS (X i , i {0, . . . , n 1} .
n |X ti
tn , ti+1 ) est le prix de Black-Scholes du put de maturit ti+1 si le sous-jacent vaut o BS (X i n la date ti . On peut galement utiliser le prix de l'option europenne comme variable X ti tn ]+ par BS (X tn , T ) de contrle la place du payo. Ceci revient remplacer [K X i+1 i+1 n , ti+1 ) par BS (X n , T ). et BS (X ti ti
3.3. VARIABLE DE CONTRLE
RW
3.3.2 Approche systmatique

hns les exemples prdentsD on hoisit une lsse de vriles de ontrle que l9on suppose tre 4onne4 a prioriF ve thorme de reprsenttion des mrtingles @voir pr exemple RHA permet d9otenir une vrile de ontrle permettnt d9liminer en thorie @de rduire en prtiqueA l vrine de l9estimteurF
Thorme 3.3.4 (Reprsentation des martingales) Soit F

T
toire FT mesurable, alors il existe F L2 ([0, T ] , dt dP ) adapt tel que

F = E[F ] +
0
L2 une variable ala-
F s dWs .
n )D il est don optiml d9utiliser Y := T F dWs omme vrile de our F = g (X s T 0 ontrleF ividemmentD ei est ompltement thorique puisqu9en gnrl on ne onnt ps F F i F = g (XT )D on peut estimer F en utilisnt le horme PFPFIH X IG yn lule numriquement une pproximtion u de l solution de @PFPFSA pr une mthode de di'renes (niesF yn otient insi une pproximtion x u du grdient de u pr rpport xF PG yn utilise l9pproximtion
T n
x u(s, Xs )a(Xs )dWs

0 i=1
n )a(X n )(Wt Wt ) . x u (ti1 , X ti1 ti1 i1 i
QG yn pose
Y =
i=1
n )a(X n )(Wt Wt ) . x u (ti1 , X ti1 ti1 i i1
gomme E[Y ] = 0D on peut s9en servir omme vrile de ontrleF ividemmentD si l9on pouvit luler une pproximtion su0smE ment (ne de l solution de @PFPFSAD on n9urit ps esoin d9utiliser de mthode de wonteEgrloD f @PFPFTAF outefoisD on peut se restreindre une rsolution grossire de @PFPFSA qui soit su0snte pour tre utilise dns l mthode de rdution de vrineF yn peut glement pproher le grdient pr elui orrespondnt un pyo'Gmodle prohe pour lequel on une formule expliiteF r exempleD dns un modle voltilit stohstiqueD on peut pproher le delt en ti pr le delt de flkEholes orrespondnt l vleur de l voltilit en ti F gette pprohe pr ih s9tend ux options sitiquesD lookk ou rrireF ve s des options sitiques est trit simplement en ugmentnt l tille du proessus X D le rsultt est similire elui du horme PFPFIH pour le proessus ugmentD voir glement RV roposition SFPFIIF yn pourr onsulter TS pour les options lookk et QS pour les options rrireF
Remarque 3.3.5
Remarque 3.3.6
SH
3.3.3 Mthode adaptative

yn se ple dns le dre du modle de flkEholesD iFeF b(x) = rx et a(x) = diag [x] D ve d = 1 et un pyo' de l forme
G = Wt1 , Wt2 Wt1 , . . . , Wt Wt1 .

yn herhe un proessus h dterministe et onstntD gl hi D sur les intervlles [ti1 , ti ]F yn note Z = (Wt1 , Wt2 Wt1 , . . . , Wt Wt1 ) etD pr us de nottionD h = (h1 , . . . , h )F ve prolme est don de minimiser sur R l fontionnelle
H (h) := E ( (Z ) h Z )2 .
in rivnt les onditions du premier ordre sur e prolme de minimistion stritement d(ni pr onvexe et oerifD on dduit que l solution est donne pr h
i = E[Z i (Z )]/(ti ti1 ) . h

yn onsidre lors l suite (n )n d(nie pr
i n = n i (Zn (Zn ))/(ti ti1 ) k=1
1 n
pFsF i est u o (Zn )n est une suite iFiFdF de mme loi que Z F sl est lir que n h plus roissne exponentielleD on dduit lors des rsultts gnrux otenus pr P que m c N N
2 N
1 := N (m c N
( (Zn+1 ) h n Zn+1 ) E[Z ] p.s.

n=1
E[Z ]) N (0, v 2 )
N 2 2 2 ( (Zn+1 ) h c n Zn+1 ) (m N ) v p.s. n=1
1 := N
Z )F o v 2 := r( (Z ) h
3.4 Fonction d'importance

3.4.1 Un exemple
upposons que l9on veuille vluer E[XT K ]+ F i K est prohe deD ou infrieur D (j ) X0 D on ur euoup de simultions XT suprieures K F wis si K est euoup plus grnd que X0 D il y en ur peu et l9estimteur de wonteEgrlo risque d9voir une vrine trs forteF ne fon de remdier e prolme est de forer XT 4 ller u dessus de K 4 en lui joutnt un drift positifF gei peut tre fit sns hnger l vleur de l9esprne gre u thorme de qirsnovD voir pr exemple horme SFI dns RHF
3.4. FONCTION D'IMPORTANCE
SI
Thorme 3.4.1 (Girsanov) Soit h un processus adpat valeurs dans

T
Rd tel que
hs
0
ds < P p.s.
Soit
h HT := exp
1 2
hs
0
ds +
0
h s dWs
h h Si E[HT ] = 1 alors Ph = HT P est quivalente P et
Wh
:= W
0
hs ds
est un Ph -mouvement brownien.

i h vri(e les hypothses du thorme prdentD et si on note Eh l9esprne sous Ph D on X
h 1 E [g (XT )] = Eh (HT ) g (XT ) .
hns le s prsent en introdutionD on peut hoisir h positif de telle sorte que Ph [XT K ] soit grndeF yn simule XT sous Ph en utilisnt l9qution
t t
Xt = X0 +
0
(b(Xs ) + a(Xs )hs ) ds +

0
a(Xs )dWsh , 0 t T ,
o W h est un Ph Emouvement rownienF sl fut glement simuler

h HT
:= exp
1 2
hs
0
ds +
0
h h s dWs
sous Ph F
r = 0, = 0.25, X0 = 100, T = 1, et on veut valuer un call europen de strike K = 150. Le prix exact est d'environ 0.672. On utilise la mthode avec h = 2.
Exemple 3.4.2 On se place dans le modle de Black-Scholes en dimension 1. On prend
Nombre de simulations
10 000 100 000
Sans Importance Sampling

0.0484 , [0.584 , 0.774] 0.0149 , [0.658 , 0.716]
Avec h=2
0.0046 , [0.668 , 0.686] 0.0015 , [0.669 , 0.675]
SP
3.4.2 Approche systmatique

gomme dns l etion QFQD on peut trouver un h optimlF yn suppose que F > 0F i le pyo' est orne infrieurementD e qui est en gnrl le s dns les pplitions en (nneD on peut toujours supposer qu9il est uniformment stritement positif en lui joutnt une onstnte @e qui ne fit qu9jouter une onstnte l9esprne que l9on veut lulerAF yn suppose glement que F L2 F hns e sD on peut d(nir
ht =
1 F , t [0, T ] , E[F | Ft ] t
ve F d(ni omme dns le horme QFQFRF yn vri(e que h L2 ([0, T ] , dt dP ) h et que E[HT ] = 1F yn est don sous les onditions du horme QFRFIF oit
t = E[F | Ft ]/E[F ] , t [0, T ] .

yn d9prs l d(nition de h et F
t = 1 +
d9o
1 E[F ]
t (F s ) dWs = 1 0 0
s h s dWs
1 = exp 2
hs
0
ds
0
h s dWs
h = HT .
h 1 h 1 yn en dduit que (HT ) F = E[F ] de sorte que l vrine de (HT ) F est nulleF gomme dns l etion QFQFPD on peut herher utiliser les tehniques d9ih pour 1 pproher h et don HT F r exempleD pour les options vnillD si l solution u(t, x) de l9ih ssoie @voir horme PFPFIHA est su0smment rgulireD on ur X
ht =
1 x u(t, Xt )a(Xt ) . u(t, Xt )
yn peut glement l9pproher pr elui d9un pyo'Gmodle prohe de elui onsidrD pour lequel l formule est expliiteD voir emrque QFQFSF g9est pr exemple l9pprohe suivie pr PWF
3.4.3 Fonction d'importance optimale et algorithme de Robbins Monro

R-criture du problme
yn se ple dns le dre du modle de flkEholesD iFeF b(x) = rx et a(x) = diag [x] D ve d = 1 et un pyo' de l forme
G = Wt1 , Wt2 Wt1 , . . . , Wt Wt1 .
SQ
yn herhe un hngement de mesure optiml ve h dterministe et onstntD gl hi D sur les intervlles [ti1 , ti ]F yn note Z = (Wt1 , Wt2 Wt1 , . . . , Wt Wt1 ) etD pr us de nottionD h = (h1 , . . . , h )F ve prolme est don de minimiser sur R l fontionnelle
H (h) := E
e 2
2 h Z
(Z + h)
in utilisnt le thorme de qirsnovD on oserve que
H (h) = E e = E e2
1
h h
2 2h Z
(Z + h)2
= E e 2
2 +h Z
2 2h Z
(Z )2
2 h Z
(Z )2 .
i E[ (Z )2+ ] < pour un > 0D on vri(e filement en utilisnt l9inglit de rolder que H est deux fois ontinument drivleF in prtiulier
H (h) = E (h Z )e 2
2 h Z
(Z )2 .
gomme il s9git d9un prolme stritement onvexe @luler l ressienneA et oerif ds que 0 et = 0 @minorer le log en utilisnt l9inglit de tensenAD il existe un qui en outre est l solution de optimum h
) = E (h Z )e 1 2 H (h
2 h Z
(Z )2 = 0 .
@QFRFIA
Algorithme de Robbins-Monro
h9prs l9qution @QFRFIAD on doit rsoudre un prolme du type
f (h) := E [F (h, Z )] = 0
o F est une fontion de R Rd dns R et Z une vrile ltoire sur Rd F v9lgorithme de oinsEwonro onsiste simuler une suite (Zn )n1 de opies indpendntes de Z et d(nir l suite (n )n1 de vriles ltoires pr
n+1 = n n+1 F (n , Zn+1 ) ,

l ondition initle 0 tnt donneF ous des hypothses lssiques on otient le rsultt de onvergene suivntF
Thorme 3.4.3 Soit
Fn := (k , Yk ; k n) o Yn+1 := F (n , Zn+1 ). On suppose ) = 0 tel que (h h ) f (h) > 0 pour tout h R \ {h }. On qu'il existe h vriant f (h suppose galement que la suite (n )n vrie n =
n1
et
n1
2 n <.
@QFRFPA
S'il existe C > 0 tel que E[ Yn+1 p.s. n h
| Fn ] C (1 + n 2 ) p.s. pour tout n 1, alors
SR
sont vri(es dns notre prolme QFRFIF r sl est lir que les deux onditions sur h illeursD on peut toujours hoisir (n )n vri(nt @QFRFPAF r ontre l dernire ondiE tion E[ Yn+1 2 | Fn ] C (1 + n 2 ) pFsF n9 uune rison d9tre vri(e use de l9exponentielle intervennt dns l formuleF our plier e prolmeD Q propos une version tronque de et lgorithme qui vite l9explosion de l suite n qund l ondition d9intgrilit n9est ps vri(eF v9lgorithme onsiste se donner x1 = x2 et M > 0 tels que max{f (x1 ), f (x2 )} < min{M, inf f (x)} ,
x M
puis une suite de rels (un )n stritment roissnte et tendnt vers l9in(niD ve u0 > M F yn d(nit ensuite l suite (n )n pr
n+1 =
n n+1 Yn+1 xn
si sinon
n n+1 Yn+1 u(n) ,
n1 ve xn = x1 si (n) est pir et x2 sinonD et (n) = k =0 1 k k+1 Yk+1 >u(k) ve (0) = 0F ve rsultt de onvergene suivnt est dmontr dns QF sl disute glement le hoix de l suite (un )n F
Thorme 3.4.4 On suppose qu'il existe > 0 tel que E[
] < et on dnit l'algorithme prcdent avec F associe au problme @QFRFIA. Alors, on peut choisir (un )n et (n )n telles que @QFRFPA soit vrie et (Z )
4+ 2 n E[ Yn+1 n1 2
| Fn ] < p.s.
p.s. Par ailleurs, si Dans ce cas, n h m r N 1 := N

N
e 2
n=1
n1
2 (
n1 )
Z n
(Zn + n1 )
et m := E[(Z )] ,
alors
m r N m p.s.
et
2 N (m r N m) N (0, v )
o v 2 =Var
e 2
2 h Z
) . (Z + h
oir l setion TFS pour une preuve de l onvergene pFsF sous des onditions supplmentiresF
Preuve.
ge rsultt est en fit un s une pplition du s gnrl trit dns PF in prtiuE lierD le thorme de l limite entrle non reste vri si on remple v 2 pr l9estimtion
2 N :=
1 N
e 2
n=1
n1
2 (X n1 ) Zn
2 (Zn + n1 )2 (m r N)

dns le sens o
2 2 1 N ( N ) (m r N v 2 pFsF N m) N (0, 1)F yn en fit
SS
yn onlut ette setion pr l preuve du horme QFRFQF
Preuve du Thorme 3.4.3.

|2 | Fn E |n+1 h
our simpli(erD on suppose que = 1 et que f (x) = E[F (x, Z )] est orne uniformment pr C F yn ommene pr luler
|2 2n+1 E (n h )Yn+1 | Fn = |n h
2 2 + E n +1 Yn+1 | Fn .
)Yn+1 | Fn = (n h )f (n ) 0D on en dduit que gomme E (n h |2 | Fn E |n+1 h |2 + E 2 Y 2 | Fn . |n h n+1 n+1

@QFRFQA
v9qution prdente implique glement
0 2E
n0
)Yn+1 h 2 + n+1 (n h
n0
2 2 E n +1 Yn+1 <
@QFRFRA
puisque |f | C pr hypothseF in prtiulier l suite (Sn )n d(nie pr

n
Sn :=
k=0
2 2 E n +1 Yn+1 | Fn
est orne pFsF pr C et don onverge presque surement en tnt que suite roissnteF gomme (Zn )n d(nie pr
|2 + C Sn Zn := |n h
est une surEmrtingle pr @QFRFQA et qu9une surmrtingle orne infrieurement dmet |2 )n dmet pFsF une limiteF yn dduit lors de une limite pFsFD on en dduit que (|n h )Yn+1 = E )f (n ) D de l ondition @QFRFRAD de l9identit E (n h (n h
n0 n0
| ] = 0 pour tout de monotonie sur f et des hypothses sur (n )n que P[limn |n h pFsF > 0F sl s9en suit que n h
ST
Chapitre 4 Calcul des sensibilits

gonntre l sensiilit d9un portefeuille pr rpport ux vritions des sousEjents est tout ussi importnt que de onntre s vleurF in e'etD e sont es sensiilits qui vont permettre de se ouvrirF r illeursD on vu que l onnissne du delt permet de mettre en oeuvre des tehniques de rdution de vrineF
4.1 Approche par dirences nies

yn note X x l solution de @PFHFIAF ne premire pprohe pour luler le delt et le gmm de
u(0, x) = E [g (X x )] ,
onsiste utiliser une mthode de di'renes (niesD iFeF
u 1 i i (0, x) (0 , x ) u(0, x + ei =: d ) u(0, x ed ) i x 2 2 u 1 i j i ij (0, x) ij (0, x) := (0, x) (0, x + ej =: d ) (0, x ed ) i j x x 2 i (0, x) :=

o ed = Vect[1]F v9lgorithme onsiste estimer pr wonteEgrlo l fontion u en prtnt des di'rentes et F onditions initiles puis utiliser les pproximtions sl y essentiellement deux possiilits que nous exposons pour le lul du delt d9une option vnill en dimension d = 1 @on suppose videmment que l9on peut simuler g (X x )A X IG yn utilise N simultions pour estimer une pproximtion u (0, x + ) de u(0, x + ) et N @utres et indpendntes des premiresA simultions pour estimer une pproximtion SU
SV
CHAPITRE 4. CALCUL DES SENSIBILITS
u (0, x ) de u(0, x )F hns e sD on X Var u (0, x + ) u (0, x ) 2 1 (Var ( u(0, x + )) + Var ( u(0, x ))) 42 x x Var (g (XT 1 )) Var (g (XT )) + 2 4 N N 1 x = Var (g (XT )) . 2N 2 =
PG yn simule N trjetoires du rownien et on onstruit X x+ et X x ve les mmes trjetoiresF hns e s

x+ x 1 g (XT ) g (XT ) Var N 2 1 x Var (g (XT )) . N i est petit et g rgulireD l seonde mthode ser en gnrl prfrle l premireF
Var
u (0, x + ) u (0, x ) 2
gette mthode est trs simple mettre en oeuvre mis le hoix du n9est ps videntF i est trop petitD l vrine de l9estimteur peut tre trs grndeD 9est le s si le pyo' est trs irrgulierF i est trop grndD l9pproximtion des drives est muviseD voir l9ixemple RFPFR iEdessousF ves vitesses de onvergene de es mthodes ont t tudies pr QID QP et SHF ypiquementD en utilisnt l9pprohe PGD on otient une vitesse de onvergene en loi 1 en N si N 4 0 lorsque u est C 3 F i on utilise un shm de type forwrdD iFeF 1 ( u(0, x + ) u (0, x))/D on otient une vitesse en loi en N si N 2 0 lorsque u est C 2F yn peut glement onsulter PQ pour des rsultts sur les vitesses lorsque l9on remple X pr son shm d9iulerF v9ojet des setions suivntes est de donner une interprttion proiliste de es sensiilits qui ne fsse pr intervenir d9pproximtionF
4.2 Grecques dans le modle de Black et Scholes

yn note X x l solution de @PFIFIA ve d = 1 et l ondition initile X0 = xF yn x onsidre le pyo' g (XT ) et on herhe donner une reprsenttion proiliste des drives de
x u(0, x) = E [g (XT )] .
Proposition 4.2.1 Supposons que g est croissance polynomiale. Alors,

1 u x ) WT ] . (0, x) = E [g (XT x xT
4.2. GRECQUES DANS LE MODLE DE BLACK ET SCHOLES
SW
Preuve.
1 D le rsultt gnrl tnt otenu pr densitF out yn suppose que g est Cb d9ordD on remrque que x XT 1 x 2 = e(b /2)T +WT = XT P pFsF x x
yn en dduit que
1 g x x x (XT ) = g (XT ) XT P pFsF x x

r illeursD
1 x+ x g XT g (XT )
x+ x XT XT
2 e(b /2)T +WT
L2 .
r onvergene domineD on don X
1 u x x (0, x) = E [g (XT ) XT ] . x x
oit f l densite de l loi normle entre rduiteF v9qution prdente se rErit X
u (0, x) = x =
g
R
xe(b
2 /2
)T +
Tw
2 e(b /2)T +
Tw
f (w)dw
=
R
1 g 2 xe(b /2)T + T w f (w)dw x T w 1 2 g xe(b /2)T + T w wf (w)dw x T
en intgrnt pr prtiesD e qui donne le rsulttF
Exercice 4.2.2 Montrer que si g est croissance polynomiale :

2u 1 x (0, x) = 2 E g (XT ) 2 x x T
2 WT 1 WT T u (0, x)
@RFPFIA
Donner une reprsentation similaire pour le vga : tiques.
Exercice 4.2.3 Touver une formulation du delta et du gamma pour les options asiaExemple 4.2.4 On utilise le rsultat de @RFPFIA pour estimer
2 x [a,b]} E 1{XT . x2
TH
On prend comme paramtres x = 1, = 0.25, r = 0, a = 0.95 et b = 1.05. On donne les intervalles de conance obtenus par l'approche par dirences nies avec direntes valeurs de et par @RFPFIA. On fait chaque fois 50.000 simulations. La valeur exacte est d'environ 2.53. Mthode Intervalle estim Par @RFPFIA [2.61 , 2.51] Di. nies = 0.5 [0.32 , 0.31] Di. nies = 0.1 [2.47 , 2.06] Di. nies = 0.05 [3.34 , 1.68] Di. nies = 0.005 [20.31 , 23.91] On observe que le rsultat est extrmement biais pour = 0.5 et = 0.1. Pour = 0.005, il est trop volatil. Mme pour = 0.05, le rsultat est bien moins prcis que celui obtenu par @RFPFIA.
di'rentition X x x pr rpport s ondition initile xF ve proessus Y = X @iA yn driv XT s9ppelle x x le proessus tngent X F 2 @iiA yn utilis l drive de g xe(b /2)T + T w pr rpport wF e une normlistion
x ) pr rpport WT F yn ensuite utiliser une intgrtion prsD el revient driver g (XT pr prties pr rpport wD 9estEEdire 4pr rpport 4 W F
Remarque 4.2.5
hns l preuve de l roposition RFPFID on utilis deux notions de
eu vu de l remrque prdenteD on esoin de deux notions X elle de proessus tngentD et elle de drivtion pr rpport u mouvement frownienF v9ojet des setions suivntes est de d(nir es deux notionsF yn les utiliser ensuite pour gnrliser les rsultts otenus dns le modle de flk et holesF
4.3 Processus tangent

4.3.1 Notions de processus tangent
x yn note X x l solution de @PFHFIA ve pour ondition initile X0 = xF
Thorme 4.3.1 Si a,
1 b Cb , alors, pour tout t [0, T ], l'application x Xtx est x,i ) } est solution de l'EDS : p.s. C 1 . Le processus (matriciel) gradient x X x = {( X xj i,j t d x x b(Xs )x Xs ds + 0 j =1 0 t x x a.j (Xs )x Xs dWsj .
x Xtx = Id +
@voir horme QW dns TPFA
@RFQFIA
ve proessus x X x est ppel proessus tngent ou de drive premireF
4.3. PROCESSUS TANGENT
TI
Exemple 4.3.2 Pour d = 1, l'quation @RFQFIA s'crit

t t x b (Xs )x Xtx ds + 0 0 x a (Xs )x Xtx dWs
x Xtx = 1 +
dont la solution est

t x x 2 x Xtx = e 0 (b (Xs )|a (Xs )| /2)ds+
Rt
0
x )dW . a (Xs s
Exemple 4.3.3 Si
Scholes, on obtient
b(x) = rx et a(x) = diag [x] comme dans le modle de Black2
x Xtx = diag
e(r
j.
/2)t+ j. Wt
d j =1
= diag [x]1 Xtx = Xted .
Remarque 4.3.4 Remarque 4.3.5

x,n d9iuler X
x,n 0 x X = Id
in imposnt plus de rgulrit sur a et bD on peut d(nir des proessus drive d9ordre suprieurF yn onsidre lors le proessus tngent du proessus tngentD etFFF
x,n D du shm yn peut glement d(nir le proessus driveD x X de X x F sl est otenu pr rurrene
tx,n = x X tx,n + b(X tx,n )x X tx,n n t + x X i i1 i1 i1

j =1
tx,n )x X tx,n n W j @RFQFPA . a.j (X i i1 i1
v9qution @RFQFIA peut tre vue omme limite de @RFQFPA qund le ps de temps tend x,n oininde ve le shm d9iuler de x X x F vers 0D x X
4.3.2 Processus tangent et delta

yn peut mintennt reprendre les rguments de l etion RFP pour luler uF yn 1 suppose tout d9ord que g est Cb de sorte que pr onvergene domine X
x x u(0, x) = E [g (XT )x XT ] .
r pssge pr densitD on otient le rsultt pour toute fontion g dont les drives premires sont roissne polynomileF yn peut glement l9otenir pour des pyo's dpendnt de l trjetoire de X x ux dtes ti F
1 Proposition 4.3.6 Soit g une fonction Cp de Rdn dans R. Alors, n
, . . . , Xtx ) g (Xtx n 1
=
i=1
E i g (Xtx , . . . , Xtx )x Xtx , n 1 i
@RFQFQA
o i g denote le gradient de g par rapport son i-me argument (vectoriel).
TP

yn otient le mme rsultt si on remple X x pr son shm d9iuE
n
ler
Remarque 4.3.7
tx,n , . . . , X tx,n ) E g (X n 1
=
i=1
tx,n , . . . , X tx,n )x X tx,n . E i g (X n 1 i
eu vu de l emrque RFQFSD el revient en fit disrtiser l9iqution @RFQFQAF
Scholes en dimension 1. La maturit est 1 et la moyenne est calcule intervalles rguliers de longueur 1/24, i.e. tous les 15 jours. On prend comme paramtre K = 100, X0 = 100, = 0.35 et r = 0.1. On considre n = 24 pas de temps, et on estime le delta par la formule
24
Exemple 4.3.8 On considre un call sur moyenne discrte dans le modle de Black-
E 1A1 K
i=1
i 1 24 (r 2 /2)+Wi 24 e 24
1 E [A1 1A1 K ] 100
avec
A1 1 := 24
24
i
X0 e 24
i=1
(r 2 /2)+Wi
24
Les rsultats suivants ont t obtenus en utilisant le contrle antithtique. Nombre de simulations
5 000 10 000 50 000
Intervalle de conance du delta

[0.598, 0.605] [0.601, 0.606] [0.601, 0.604]
Exercice 4.3.9 Donner une reprsentation du gamma sur le modle de la Proposition

4.3.6.
4.3.3 Processus tangent et vga (exercice)

yn peut filement tendre l9pprohe prdente pour estimer le D iFeF l sensiilit du prix de l9option pr rpport une pertution sur l mtrie de voltilit aF yn se donne une fontion a de Rd dns Md D > 0 et on note X a l solution de @PFHFIA ve l mtrie de voltilit a + a l ple de aF yn herhe estimer
( a) :=
1 yn suppose que aD b et a Cp
a E g (XT )
.
=0
4.4. CALCUL DE MALLIAVIN
TQ
IG in onsidrnt omme un proessus dterministeD dduire du horme RFQFI que Za := X a est ien d(ni et est solution de =0
t Zta = 0 a b(Xs )Zs ds + 0 t d t a a.j (Xs )Zs dWsj , t [0, T ] . j =1 0
a (Xs )dWs +
PG in dduire une formultion de l drive diretionnelle ( a) sur le modle de l roposition RFQFTF
4.4 Calcul de Malliavin

ves deux derniers rsultts donnent une reprsenttion prieuse du grdientD puisE qu9elle fournissent des estimteurs de wonteEgrlo trs nturelsF ividemmentD elles sont utiles des (ns de ouverture mis peuvent glement tre employes dns le dre des tehniques de rdution de vrine prsentes dns le ghpitre QF outefoisD es forE multions imposent l drivilit du pyo' @u moins dns un sens fileA et surtout l onnissne de ette driveF gei n9est ps si videntF i l9on veut luler le delt d9un ook d9optionsD on ne onnt ps forment dns le dtil l forme exte de tout les pyo's @ils sont gnrlement fournis pr un ordinteur qui git omme une ote noireAF hns l roposition RFPFID on vu queD dns le dre prtiulier du modle de flkEholesD on pouvit otenir une formultion ne fisnt ps intervenir le grdient de g F our elD on vit utilis une ide d9intgrtion pr prties pr rpport l denE sit gussienneF hns ette setionD on v introduire une notion de lul di'rentiel pr rpport l trjetoire du mouvement rownienD et une formule d9intgrtion pr prties ssoieF xous renvoyons SU et SV pour une prsenttion omplte du lul de wllivinF
4.4.1 Introduction au calcul de Malliavin

Dnition 4.4.1 On dira qu'une variable alatoire
F entier kF , une suite 0 sF 1 . . . < s kF continue, C 1 par morceaux, tels que :
F de L2 est simple s'il existe un T et une fonction F de (Rd )kF dans R,
F =
W sF , . . . , W sF 1 k
avec
kF
2 j F (W ) 1[t,T ] (sF pour tout t [0, T ] . j ) L
j =1
On note S l'espace de telles fonctions.

fien qu9il soit d(ni sur un espe euoup plus gros que S D voir SU et SWD on n9introduir ii le lul de wllivin que pour des fontions simplesF sl y deux risons el X IG in gnrlD si on sit simuler prfitement F D 9est que F S F
TR
PG g9est euoup plus simpleD et nous pourrons mener les preuves jusqu9u outF QG hisrtiser des formules otenues en trvillnt sur X ou trviller diretement sur n revient gnrlement u mmeD voir emrque RFRFIVF le prolme disrtis ssoi X yn ne perd don rien en se plnt tout de suite dns un dre plus simple grerF
Dnition 4.4.2 Soit F
S , pour tout t [0, T ], on dnit

kF
F W + 1[t,T ] F (W ) Dt F := lim = 0
j F (W ) 1[t,T ] (sF j ) P-p.s.
j =1
gette d(nition peut tre omprise omme ei X on hoque lgrement l trjetoire du rownien W en l remplnt pr une trjetoire W 1[t,T ] = W + 1[t,T ] D iFeF on 4shifte4 le rownien de prs tF yn regrde ensuite l9impt de e ho sur F F yn ppelle DF le proessus drive de wllivinF
Exemple 4.4.3 On xe s, t [0, T ].
1/ s est indpendant de W et donc Dt s = 0. 2/ Si F = Ws on a

Dt F = lim Ws + 1[t,T ] (s) Ws = 1[t,T ] (s) . 0
3/ Dans le modle de Black-Scholes , on a simplement

Dt xe(r
2 /2)s+W s
= xe(r
2 /2)s+W
1[t,T ] (s) .
Remarque 4.4.4
Dt F n9est en gnrl ps dptD voir l9exemple QG iEdessusF
ves proprits suivntes doulent immditement de l d(nitionF

1 Proprit 4.4.5 Soient F et G S et Cp . Alors,
(i) F G et (F ) S , (ii) D(F ) = (F )DF , (iii) D(F G) = (DF )G + F (DG).
Remarque 4.4.6
tx,n j i)D et X i
1 tx,n est une fontion dterministe de (Wt , 0 i b et a Cb D lors X j i S F drive de wllivin en t peut tre lule rursivement X
tx,n = 0 si ti < t Dt X i x,n tx,n ) si ti1 < t ti Dt Xti = a(X i1

d
@RFRFIA
tx,n = Dt X tx,n + b(X tx,n )Dt X tx,n n t + Dt X i i1 i1 i1

j =1
tx,n )Dt X tx,n n W j si t < ti1 . a.j (X i i1 i1
TS
yn peut oserver que le grdient et l drive de wllivin en t de n X suivent l mme qutionD voir emrque RFQFSD l ondition en n t prs
Remarque 4.4.7
x,n x,n . = 0 = x X Dt X n n t t
i a(x) est inversile pour tout x Rd D un lul diret montre que
x,n tx,n = Dt X tx,n a(X x,n pour tout t ti T . )1 x X x X n i i n,+ t

t
n,+
(t) = inf {ti , i {0, . . . , n} : t ti }F
v9intrt de ette notion rside dns le fit que l strtgie de ouverture d9une option peut s9rire en fontion de l drive de wllivin du pyo'F
Thorme 4.4.8 (Formule de Clark-Ocone) Soit F

T
S , alors
F = E [F ] +
0
E [Dt F | Ft ] dWt .
our simpli(erD on se ple dns le s o d = 1F yn suppose glement que F ve s gnrl est otenu pr densitF e sF i1 < t si (xD E [F | Ft ] est une )j i1 )F yn note s drive pr rpport u deuxime rgumentF fontion (t, Wt , (WsF j F yn lors pour si1 < t sF i
F 2 Cb F
Preuve.
(t, w, z ) = lim 1 E F z, i + w + , . . . , n + w + F z, i + w, . . . , n + w
0
o est une vrile ltoire vleurs dns Rni+1 distriue selon une loi normle N (0, ) ve
F lk = min{sF l t , sk t} .
yn don pr onvergene domine

kF
(t, w, z ) = E
j =i F d9o pour t (sF i1 , si ] kF
j F z, i + w, . . . , n + w
t, Wt , (WsF )j i1 j
= E
j =i
j F (W ) | Ft
= E Dt F (W ) | Ft .
1 ,2 2 gomme F Cb D on peut vri(er pr des rguments similires que est Cb pr rpport es deux premiers rgumentsF in ppliqunt le vemme d9st l mrtingle F (t, Wt , (WsF )j i1 ) sur (sF i1 , si ]D on otient lors j sF i
E F | FsF i
+ = E F | FsF i1 + = E F | FsF i1
sF i1 sF i sF i1
t, Wt , (WsF )j i1 dWt j
E Dt F (W ) | Ft dWt .
TT
gette reltion tnt vri(e pour tout i {1, . . . , k }D en sommnt le systme d9qutions otenuD on en dduit que
sF k
F = E F | FsF k
= E [F | F0 ] +
0 T
= E [F ] +
0
yn peut mintennt noner le thorme d9intgrtion pr prties du lul de wlE livinF
Thorme 4.4.9 (Formule d'intgration par parties) Soit F

cessus adapt h L ([0, T ] , dt dP ), alors
2 T T
S et soit un pro-
E F
0
h t dWt
= E
0
Dt F ht dt .
Preuve. yn pose Xt = E [F
T
| Ft ] et Ht = 0 h s dWs F yn remrque que H0 = 0F h9prs le horme RFRFVD on don pr le vemme d9st X

T T
F
0
h t dWt
= XT HT =
0
(Xt h t
+ Ht E [Dt F | Ft ]) dWt +
0
E [Dt F | Ft ] ht dt .
yn otient don
T T T
E F
0
h t dWt
= E
0
E [Dt F | Ft ] ht dt
= E
0
Dt F ht dt
o l9on utilis le vemme de puini et le fit que h est dptF
Remarque 4.4.10
ve horme RFRFW reste vriD dns une ertine mesureD mme si T h n9est ps dptF hns e sD l9intgrle 0 h t dWt est d(nie en tnt qu9intgrle de korohodD voir SUF vorsque h = F u o F est une vrile ltoire FT Emesurle et u est un proessus dptD on otientD sous ertines hypothses de rgulrit et d9intgrilitD un lien entre l9intgrle d9st et de korohod X
T T T
F u t dWt = F
0 0
u t dWt
0
Dt F ut dt .
TU
4.4.2 Calcul de Malliavin et sensibilits

4.4.2.1 Delta pour les variables simples
yn ommene pr utiliser les rsultts de l setion prdente pour donner une reE prsenttion proiliste du deltF oit F S F elorsD d9prs le horme RFRFV
T
F = E [F ] +
0
E [Dt F | Ft ] dWt .
F yn (xe mintennt t et i tels que sF i1 < t si D on lors kF kF
Dt F =
j =1
(W ) 1[t,T ] (sF j )
=
j =i
j F (W )
F qui est indpendnt de t (sF i1 , si ]F yn don sF i
Dt F =
t
Ds F ds sF i t
d9oD en utilisnt le horme RFRFW

sF i
E [Dt F | Ft ] = E
t
Ds F ds | Ft sF i t
= E F
Wt W sF i sF i t
| Ft
yn otient (nlement le rsultt suivnt
Proposition 4.4.11 Soit F
S , alors
kF sF i sF i1
F = E [F ] +
i=1
E F
Wt W sF i sF i t
| Ft dWt .
F e sF i1 < t si (xD l strtgie de ouverture est don donne pr l quntit
E F
W sF W t
i
sF i t
| Ft D prs renormlistionD qui peut tre pprohe pr wonteEgrloF
march complet, en fonction du delta. Retrouver le rsultat de la Proposition 4.2.1 en utilisant la Proposition 4.4.11.
Exercice 4.4.12 Ecrire la stratgie de couverture d'une option europenne dans un
4.4.2.2 Delta et Gamma pour les fonctions du schma d'Euler

1 x,n )F yn suppose glement que g Cp yn suppose mintennt que F = g (X D que a T d est inversile sur R et on pose
x,n ) . u(0, x) := E g (X T
TV h9prs l roposition RFQFTD on
x,n )x X x,n , u(0, x) = E g (X T T

e qui peut se rrireD en utilisnt l emrque RFRFU et l roprit RFRFS
T 0 T 0
1 u(0, x) = E T 1 = E T
x,n x,n )Dt X x,n a(X x,n dt )1 x X g (X T T n n,+ t

t
x,n )a(X x,n x,n Dt g (X )1 x X dt . T n n,+ t

t
in utilisnt le horme RFRFWD on otient
1 x,n E g (XT ) u(0, x) = T

in pssnt pr densitD on otient
T 0
x,n x,n a(X )1 x X n n,+ t

t
dWt
polynomiale, a et b sont Cb1 , alors

x,n ) E g (X T
Proposition 4.4.13 Si a(x) est inversible pour tout x Rd , a1 et g sont croissance

1 x,n E g (XT ) = T
T 0

t
dWt
yn retrouve en prtiulier le rsultt de l roposition RFPFI en utilisnt l9ixemple RFQFQF
Exercice 4.4.14 Montrer que sous les conditions de la Proposition 4.4.13

T
E g
Xtx,n , . . . , Xtx,n n 1
= E g
Xtx,n , . . . , Xtx,n n 1
0
ht

t
dWt
o h L2 ([0, T ], dt) vrie

ti
ht dt = 1
0
pour tout
i {1, . . . , n} .
x,n ) F i on suppose g D aD a1 et b yn s9intresse mintennt u gmm de E g (X T su0smment rguliresD on otient en rgumentnt omme dns l roposition RFQFT et en utilisnt l roposition RFRFIQ que X
T 2u 1 x,n x,n 1 x,n i dWt (0 , x ) = E g ( X ) a ( X ) X n n, + x T t t xi xj T xj 0 T 1 x,n x,n x,n x,n = E g (XT )xj X a(X )1 xi X + T n n, t t T 0
dWt
1 x,n + E g (XT ) T + 1 x,n E g (XT ) T
T 0 T 0
k=1
x,n a(X )1 n t
.k
x,n xj X n t
x,n xi X + n, t ,
dWt
x,n x,n a(X )1 xj xi X n n,+ t

t
dWt

.
TW
x,n x,n o x est l drive pr rpport x D iFeF x X x X F yn s9intresse + + = n, n, t t uniquement u premier terme qui fit intervenir g F our une proessus dpt h de rr intgrleD on note mintennt
T
(ht ) :=
0
h t dWt .
in utilisnt l emrque RFRFU et l roprit RFRFSD on otient

x,n x,n a(X x,n x,n A := E g (XT )xj X )1 xi X T n n,+ t
t
1 E T 1 = E T 1 E T =
T 0 T 0
x,n x,n x,n x,n )Dt X x,n a(X x,n )1 xj X dt a(X )1 xi X g (X T T n n n,+ n,+ t t
t t
x,n ) a(X x,n x,n Dt g (X )1 xi X T n n,+ t

t
x,n x,n a(X )1 xj X dt n n,+ t

t
T 0
x,n )Dt a(X x,n x,n x,n x,n g (X )1 xi X a(X )1 xj X dt . T n n n,+ n,+ t t
t t
h9prs le horme RFRFWD ei implique que
A =
1 x,n ) a(X x,n x,n x,n x,n E g (X )1 xi X a(X )1 xj X n,+ + T n n n, t t t t T T 1 x,n )Dt a(X x,n x,n x,n x,n g (X )1 xi X a(X )1 xj X E . + + dt T n n n, n, t t t t T 0
1 a est inversible sur Rd , a1 Cp , g est croissance polyno-
in regroupnt les termes et en pssnt pr densitD on otient
miale, a et b sont Cb2 , alors o

ij :=
Proposition 4.4.15 Si
xi xj
x,n ) E g (X T
x,n = E g (XT )ij ,
1 x,n x,n x,n x,n a(X )1 xj X a(X )1 xi X + + n n n, n, t t t t T2 T 1 x,n x,n x,n x,n Dt a(X )1 xi X a(X )1 xj X 2 n,+ + dt n n n, t t t t T 0 1 + T
d
x,n )1 a(X n t
k=1
.k
x,n x,n xj X xi X n,+ n,+

t t
x,n x,n + a(X )1 xj xi X n n,+ t

t
Exercice 4.4.16 Vrier que dans le modle de Black-Scholes

trouver ainsi la formule @RFPFIA.
xi xj X x = 0 et re-
Exercice 4.4.17 Etendre la formule de la Proposition 4.4.15 des payos de la forme

tx,n , . . . , X tx,n g X n 1
sur le modle de l'Exercice 4.4.14.
UH
4.4.2.3 Vga pour les fonctions du schma d'Euler (exercice)

yn reprend l9exerie de l etion RFQFQF yn se donne une fontion a de Rd dns Md D ,n a > 0 et on note X l solution de PFPFQ ve l mtrie de voltilit a + a l ple de aF yn veut estimer
( a) :=
,n a E g (X ) T
.
=0
1 F yn suppose que aD b et a Cp ,n a IG honner l9qution stisfite pr Z := PG ri(er que pour tout t (tn1 , T ] d ,n a Dt Z = T j =1
a X ,n =0 F
,n n )Z ta n ) . a.j (X +a (X tn1 tn1 n1
QG in supposnt que a1 et g sont roissne polynomileD dduire de PGD de l foE multion otenue dns l etion RFQFQ pour ( a)D du horme RFRFW et de l roprit RFRFS que
n )a(X n )1 ( a) = E g (X T tn1
n a Z ,n n Wn T T
d ,n n )Z ta n ) a.j (X a (X tn1 tn1 n1 j =1
tn , . . . , X tn F RG itendre ette formultion ux pyo's de l forme g X n 1 SG yn suppose mintennt que X est solution de @PFIFIA pour d = 1 et + l ple X =0 F pire le lien ve Dt XT et montrerD en utilisnt le horme de F gluler RFRFW et l roprit RFRFSD que (1) = E g (XT )
2 WT 1 WT T
itendre ette formule u s d > 1F @yn peut glement otenir ette formule en onsiE drnt le 4shm d9iuler4 de ln(X )F hns e sD il fut fire ttention r intervient 1,n 4 pr rpport elle dns le oe0ient de drift de ln(X ) e qui modi(e l forme de 4 Z otenue dns IGAF gette pprohe t initie pr PUF ves formules que nous dmonE trons ii orrespondent l disrtistion des formules otenues en onsidrnt un pyo' n F v9tude de es mthodes t poursuivie dns PTD voir dpendnt de X u lieu de X glement PIF hes extensions u s des options rrire et lookk on t otenues pr QTF yn pourr glement onsulter U qui trite notmment le s des options sitiques et QV qui dveloppe des pprohes lterntivesF
Remarque 4.4.18
Chapitre 5 Esprances conditionnelles et options amricaines

hns l etion PFTD on montr que le prix d9une option mriine peut tre pproE he pr un shm disret de l forme
n ) = g (X n ) p n (tn , X tn tn tn ) = max g (X tn ) , erT /n E p tn ) | X tn p n (ti , X n (ti+1 , X i i i+1 i , i {0, . . . , n 1} .
ve prolme de e shm est qu9 hque dte de disrtistionD il nessite le lul d9une esprne onditionnelleF sl fut don trouver un moyen de les estimer de mnire e0eF
5.1 Approche par calcul de Malliavin

yn montre dns ette setion omment le lul de wllivin permet d9otenir des estimteurs d9esprnes onditionnelles qui sont rpidement lulles en prtiqueF
5.1.1 Esprances conditionnelles et densits

r soui de simpli(tionD on v se limiter u s d = 1D le s gnrl est otenu de l mme mnire @voir IHAF
n le schma d'Euler de @PFHFIA. Soit croissance polynomiale Thorme 5.1.1 Soit X
1 1 et , Cp (R+ ) telles que (0) = (0) = 1. On suppose que a, b Cb avec a > 0. On a :
n ) | X n = x E (X ti+1 ti
tn )i (X tn x) E 1xX n (X i+1 i t
i
tn x) E 1xX (X n i i t
i
UI
UPCHAPITRE 5. ESPRANCES CONDITIONNELLES ET OPTIONS AMRICAINES

1 (R+ ) o pour une fonction f Cp
n x) i f (X ti
n x) + = f (X ti tn )1 a(X i
n n x) a(X n )1 n Wi f (X ti ti1 T T T tn ))n Wi+1 + a (X tn )(n Wi2 (1 + b (X ) +1 i i n n
Remarque 5.1.2
l forme
i
tn sous yn otient en prtiulier une formultion de l densit de X i = E 1xX n t n n x)a(X n )1 n Wi n x) (X (X ti ti1 ti T ,
n x) E 1xX (X n i ti t
ette glit tnt otenue en oservnt que
E (1 +
i on note
T T tn ))n Wi+1 + a (X tn )(n Wi2 b (X ) | Fti +1 i i n n
= 0.
i ( n x)) := n n x)a(X n )1 n Wi n x) (X (X (X ti ti ti1 ti T

on otient don
n ) (X ti+1
n X ti
=x
tn )i (X tn x) E 1xX n (X i+1 i t
i
i tn x) E 1xX (X n i t
i
gette formultion de l densit t lrgement utilise pr SU pour tudier l rgulrit des densits de vriles ltoiresF ne tude sur les mthodes de rdution de vrine de l9estimteur insi otenu t mene pr RS en dimension 1F ves fontions et gissent omme des fontions de lolistion X on sletionne les trjetoires qui ne sont ps trop loignes de xF ypiquementD elles tteignent leur mximum en 0 et droissent ensuite rpidementF yn peut hoisir les fontions et de mnire minimiser l vrine intgre des estimteurs du numE rteur et dnominteurF sl est montr dns IH que les fontions et optimles sont y y de type exponentielle (y ) = e D (y ) = e D o
tn )2 i (1)2 /E (X tn )2 2 = E (X i+1 i+1 i (1)2 . 2 = E

yn peut vri(er que et ont une volution ve n de l9ordre de
nF
i X est le log des prix dns le modle de flkEholesD iFeF b(x) = r /2 et a(x) = D on otient
2
Remarque 5.1.5
i (f (Xti x)) = f (Xti x) +
n f (Xti x) {n Wi n Wi+1 } . T
5.1. APPROCHE PAR CALCUL DE MALLIAVIN

que
UQ
Preuve du Thorme 5.1.1 yn ommene pr (xer [a, b] tel que x [a, b] et on rit
tn ) (X i+1 tn X i tn ) (X tn ) E 1[a,b] (X i i+1 tn ) E 1[a,b] (X i
@SFIFIA
[a, b]
yn se onentre sur le numrteurD le dnominteur tnt otenu de l mme mnire 1 en remplnt pr 1F yn suppose que Cb D le rsultt gnrl tnt otenu pr pssge l limiteF yn pose
n X t
n )(X n )d . 1[a,b] ( ) (X ti+1 ti
r l roprit RFRFSD l emrque RFQFS et le fit que (0) = 1D on D pour tout t [0, T ]D
tn ) (X tn )Dt X tn Dt = 1[a,b] (X i i+1 i

n X t
tn )Dt X tn (X tn ) + (X tn ) (X tn )Dt X tn d . 1[a,b] ( ) (X i+1 i+1 i i+1 i i
yn pose
hi,t :=
n T
n ) + a (X n )n Wi+1 )1[t ,t )(t) n )1 1[t ,t ) (t) a(X n )1 (1 + T b (X a(X ti ti ti1 ti i i+1 i1 i n
yn remrque queD pr onstrution de hi et @RFRFIAD

ti+1 ti1
tn hi,t dt = 0 Dt X i+1
et
ti+1 ti1
n hi,t dt = 1 Dt X ti
@SFIFPA
de sorte que
ti+1 ti1
n ) (X n) + Dt hi,t dt = 1[a,b] (X ti1 ti n ) (X n) + = 1[a,b] (X ti1 ti
n X t
n ) (X n ) d 1[a,b] ( ) (X ti ti1
[a,b]
n ) (X n )d . 1X @SFIFQA n (X ti ti1 t
i1
yn lule mintennt
ti+1
Dt hi,t dt =
ti1
n T n T
ti
ti1 ti+1 ti
tn )1 dt Dt a(X i1 tn )1 1 + T b (X tn ) + a (X tn )n Wi+1 dt . Dt a(X i i i n
h9prs le horme RFRFW onditionnellement Fti1 D
n T
ti ti1
n )1 dt Dt a(X ti1
= E
n n )1 n Wi a(X ti1 T
URCHAPITRE 5. ESPRANCES CONDITIONNELLES ET OPTIONS AMRICAINES et
n E T =E
ti+1 ti
n T ti+1 n tn )1 a (X tn )n Wi+1 dt +E Dt a(X i i T ti n tn )1 1 + T b (X tn ) n Wi+1 + E n a(X =E i i T n T ti+1 n tn )1 a (X tn )dt Dt (n Wi+1 )a(X E i i T ti
tn ) + a (X tn )1 1 + T b (X tn )n Wi+1 dt Dt a(X i i i n ti+1 tn ) dt tn )1 1 + T b (X Dt a(X i i n ti
ti+1 ti
tn )1 a (X tn )dt Dt (n Wi+1 )a(X i i
omme Dt n Wi+1 = 1 sur (ti , ti+1 ]D on don pr le horme RFRFW onditionnellement Fti
n ) + a (X n )n Wi+1 dt tn )1 1 + T b (X Dt a(X ti ti i n ti n tn )1 1 + T b (X tn ) n Wi+1 + E n a(X tn )1 a (X tn )(n Wi+1 )2 =E a(X i i i i T n T n )1 a (X n) . E a(X ti ti n T
ti+1
yn montr que
ti+1
E
ti1
Dt hi,t dt
n n )1 n Wi a(X n )1 1 + T b (X n ) n Wi+1 E a(X ti1 ti ti T n n )1 n a (X n )(n Wi+1 )2 a (X n) E a(X . ti ti ti T
in ominnt ette qution ve @SFIFQAD on otient
n n )1 n Wi E a(X ti1 T T n )1 n ) n Wi+1 + a (X n )(n Wi+1 )2 a (X n) T a(X 1 + b (X ti ti ti ti n n =

[a,b]
n ) (X n) + E 1[a,b] (X ti1 ti
[a,b]
n ) (X n ) d , 1X n (X ti ti1 t
i1
e qui impliqueD pr d(nition de D
tn ) (X tn ) E 1[a,b] (X i i+1
in utilisnt @SFIFIAD on otient
=
[a,b]
tn )i (X tn ) E 1X n (X i+1 i1 t
i
d .
n ) | X n [a, b] E (X ti+1 ti
[a,b]
tn )i (X tn ) E 1X n (X i+1 i t
i
d ,
tn ) E 1X n i (X i [a,b] t
i

tn n9 ps d9tomeD on en dduit le rsulttF et omme l loi de X i
US
v formultion du horme SFIFI fournit un estimteur nturel pour l9esprne ondiE n(j) )N de X n et d(nir tionnelleF yn peut insi onsidrer N opies indpendntes (X j =1 un estimteur de l9esprne onditionnelle pr
n (X tn ) | X E ti i+1
N j =1
n 1X n X n(j ) (Xti+1 )i
(j ) ti ti ti ti
(j )
tn (X i
(j )
tn ) X i
(j ) (X tn(j) X tn ) 1X n X n(j ) i i i
(j ) (j ) sont les oprteurs orrespondnt l j Eme trjetoire simuleF in prE o i et i tique es estimteurs risquent d9tre instles use de l division @ils n9ont d9illeurs uune rison d9tre dns L1 3AF sl fut don les orriger lgrementF i est roissne polynomileD il est ssez file de onstruire des polynmes et tels que
n ) E (X n ) | X n (X ti ti+1 ti
n) . (X ti
yn d(nit lors l9estimteur de l9esprne onditionnelle pr
(X tn ) | X tn E i+1 i
tn ) E (X tn ) | X tn tn ) . (X := (X i i+1 i i
tn est dns tous les Lp D p 1D on otient insi un gommeD d9prs le vemme PFPFID X i estimteur ve de onnes proprits d9intgrilitF yn le rsultt de onvergene suivntF
Thorme 5.1.6 Sous les hypothses du Thorme 5.1.1, si on prend et de la forme

en |x| avec n n quand n , alors, pour tout p 1, tn (X tn ) | X tn E (X tn ) | X E i i i+1 i+1 C n 4p N 2p
1 1
Lp
o C ne dpend pas de n et N .
v preuve de e rsultt n9est ps trs di0ile mis un peu longueF xous renvoyons IQ pour les dtils et pour l9tude du s gnrlF
Remarque 5.1.7
de
h9prs l emrque SFIFPD si on onnt expliitement l densit fX n t
tn D X i
on peut glement utiliser omme estimteur

1 N N j =1
(X n ) | X n = x E ti+1 ti
n(j) (j ) (X n(j) X n) 1X ti ti n X n(j ) (Xti+1 )i

ti ti
fX n (x) t
i
UTCHAPITRE 5. ESPRANCES CONDITIONNELLES ET OPTIONS AMRICAINES vorsque d 2D un rsultt similire elui des hormes SFIFI et SFIFT peut tre otenu mis l9riture de l9estimteur est plus ompliqueF hns IHD vous trouverez une riture en terme d9intgrles de korohod itresF ve s du modle de flkEholes t tudi pr SID l formultion est lors plus simpleF yn peut n = X = W F e un nnmoins otenir une forme lgnte de e rsultt dns le s o X hngement de vrile prsD il est souvent possile de se rmener e sF yn lors sous des onditions nlogues elles du horme SFIFI
Remarque 5.1.8
E (Wti+1 ) | Wti = x

E (Wti+1 )
Qd
=
Wt i (Wt x) i e n {T (n Wi n Wi+1 )+ }

n n Wi + } {T
Qd
=1 1x
=1
1x
Wt i
(Wt x) i
v onvergene de l9estimteur Lp est lors en n 4p /N 2p F hns e s prtiulierD on peut simpli(er l formultion de l9estimteur puisque l9on onnt expliitement l densit des Wti D voir emrque SFIFUF
Exemple 5.1.9 On considre le processus suivant

1 2 3 dXt = diag [Xt ] dWt , X0 = X0 = X0 =1.
avec
0.2 0 0 = 0.08 0.4 0 . 0.03 0.15 0.32
On estime la densit du processus et l'esprance conditionnelle

r(x) = 100 E
1 2 X2 + X2 3 X2 2 +
| X1 = x
en dirents points. On donne le rsultat moyen obtenu ainsi que l'cart-type de l'estimateur avec ou sans fonction de localisation.
x \x 0.7
3 2
Densit Valeur exacte Avec localisation Sans localisation Valeur exacte Avec localisation Sans localisation Valeur exacte Avec localisation Sans localisation
1.0
1.3
x1 = 1.3 0.7 1.0 0.29 0.56 0.30[0.03] 0.56[0.02] 0.30[0.41] 0.57[0.43] 0.59 0.70 0.59[0.02] 0.70[0.01] 0.60[0.47] 0.72[0.48] 0.44 0.38 0.44[0.01] 0.38[0.00] 0.45[0.48] 0.40[0.49]
1.3 0.48 0.48[0.01] 0.51[0.44] 0.43 0.45[0.27] 0.47[0.49] 0.18 0.18[0.00] 0.22[0.51]
UU
x3 \x2 0.9
Esprance conditionnelle Valeur exacte Avec localisation Sans localisation Valeur exacte Avec localisation Sans localisation Valeur exacte Avec localisation Sans localisation
1.0
1.1
x1 = 0.9 0.9 1.0 17.26 20.56 17.28[1.12] 20.49[1.19] 16.88[5.01] 20.62[7.14] 13.70 16.59 13.72[0.82] 16.59[0.92] 12.97[6.20] 16.08[10.41] 10.88 13.39 10.94[0.85] 13.48[0.90] 10.58[17.54] 13.81[28.01]
1.1 24.05 24.06[1.17] 25.04[11.52] 19.61 19.73[1.00] 21.35[25.48] 16.11 16.32[1.05] 13.19[166.22]
On observe une trs forte volatilit de l'estimateur en l'absence de fonction de localisation. Il est donc absolument ncessaire de l'utiliser. Mme avec celle-ci, la variance reste forte. Cette approche doit donc tre combine avec d'autres techniques de rduction de variance ds que cela est possible.
5.1.2 Application l'valuation d'options amricaines

yn revient mintennt u prolme d9vlution d9options mriines prsent dns l etion PFTF yn onsidre le prolme disrtis
tn ) = g (X tn ) p n (tn , X n n n ) = max g (X n ) , erT /n E p n ) | X n p n (ti , X n (ti+1 , X ti ti ti+1 ti , i {0, . . . , n 1} .
i g est lipshitzienneD il est file de onstruire une suite de polynmes i (x) = i + 2 i x tels que les (i , i ) sont uniformment orns en i et n et tels que
n ) | X n E g (X tn tn1
et i
n ) n1 (X tn1 tn ) . i1 (X i1
tn ) erT /n tn ) | X tn E g (X i (X i i i1
yn peut don utiliser l9estimteur du horme SFIFT pour luler les esprnes ondiE tionnellesF v9rgorithme utilis est le suivnt X
n(1) , . . . , X n(nN ) ) de X n =: X n(0) D et on pose Ni := {(i yn onsidre nN opies (X 1)N + 1, . . . , iN }F
Initialisation :
n(j) F n(j) ) = g X our j {0} Nn D on pose X p n (tn , X tn tn

our i = n, . . . , 1D on poseD pour j {0} Ni1 X
Rcurrence rtrograde :
tn(j) ) = max g (Xtn(j) ) , erT /n E p tn(j) ) | X tn(j) p n (ti1 , X n (ti , X i1 i1 i i1
UVCHAPITRE 5. ESPRANCES CONDITIONNELLES ET OPTIONS AMRICAINES o
p tn(j) ) | X tn(j) E n (ti , X i i1 p tn(j) ) | X tn(j) E n (ti , X i i1

pour i 1 et pour i = 1
tn(j) ) tn(j) ) E p tn(j) ) | X tn(j) i1 (X = i1 (X n (ti , X i1 i i1 i1 :=

Ni
tn( ) X tn(j) ) tn( ) ) ( ) (X n (ti , X 1X i1 n( ) p n(j ) X i1 i1 i

ti1 ti1
Ni
( ) (X tn( ) X tn(j) ) 1X n(j ) X n( ) i1 i1 i1

ti1 ti1
p n(j) ) E n (t1 , X t1
:=
1 N
n( ) ) . p n (t1 , X t1
N1
gomme on fit n pproximtions de l9esprne onditionnelleD l9erreur est de l9ordre de n fois elle donne pr le horme SFIFTD iFeF
0in
n) p n) n (ti , X n (ti , X max p ti ti
Lp
Cn n1/4p /N 1/2p .
yn pourr ien videmmentD et 9est mme fortement reommndD oupler et lgorithme ve une mthode de rdution de vrine de type ontrol vrite omme elle propose dns l9ixemple QFQFQF out ei se gnrlise une lrge lsse d9qutions forwrdEkwrdF v prsenttion gnrle de l mthode et les vitesses de onvergene sont dues n est de dimension dD l vitesse de onvergene devient IQF vorsque le proessus X n nd/4p /N 1/2p F gette pprohe t initie pr IU et SP mis en utilisnt des ouE tils di'rents pour le lul des esprnes onditionnellesD voir ussi PHD QU et les rfrenes de l setion PFTF
1 2 dans le modle de Black-Scholes en dimension 2. On prend X0 = X0 = K = 100, r = 11 12 21 22 0.05, T = 1, = 0.15, = 0, = 0.05 et = 0.10. On s'intresse deux types de moyenne, gomtrique et arithmtique, i.e. aux deux payos : +
Exemple 5.1.12 On utilise cette approche pour valuer un put amricain sur moyenne
geo
1 2 XT XT
et G
arith
2 X 1 + XT K T 2
On crit le prix en fonction du brownien, p(ti , Wti ). Le prix de l'option europenne gomtrique est donn par la formule de Black-Scholes avec dividende valant 6.25%, une volatilit de 7, 07% et un sousjacent correspondant la moyenne gomtrique de X 1 et 1 2 X 2 ( vrier en exercice en considrant la loi de XT XT ). On appelle BS geo (Wti , T ) le prix de l'option europenne sur moyenne gomtrique de maturit T la date ti pour une valeur Wti du Brownien. On considre l'estimateur suivant :
E p(ti+1 , Wti+1 ) | Wti = x = E p(ti+1 , Wti+1 ) 1 BS geo (Wti+1 , T ) 2 Wti+1 Qti (x, Wti ) fWti (x)
+1 er(ti+1 ti ) BS geo (Wti , T ) + 2 Wti
5.2. MTHODES DE QUANTIFICATION
UW
o
Qti (x, Wti ) :=
1 2 1 2 Hx (Wti )i (Wt1 x1 ) i (Wt2 x2 ) ci (1) i (1) i i
1 et 2 correspondent aux du premier et du second Brownien, fWti est la densit de Wti , voir Remarque 5.1.7, et Hx (y ) = 1 si x1 y 1 et x2 y 2 , 0 sinon. La fonction de localisation est de type exponentielle avec un paramtre estim selon la formule de la Remarque 5.1.4. Le paramtre est le paramtre de corrlation estim, voir l'Exemple 3.3.1. En ce qui concerne le c, on utilise la proprit ( vrier en exercice en utilisant
la formule d'intgration par parties)

E
2 1 (1) (1) i p(ti+1 , Wti+1 ) 1 BS geo (Wti+1 , T ) 2 Wti+1 i
= 0
et on choisit le c de manire minimiser la variance de l'estimateur. Le prix de l'option amricaine sur moyenne gomtrique vaut environ 1.54. On donne les prix moyens estims et leur cart-type entre [ ]. n n N Gomtrique
5 2 048 1.48 [0.007] 10 2 048 1.52 [0.013] 20 4 096 1.54 [0.014]
Arithmtique
5 2 048 1.38 [0.017] 10 2 048 1.44 [0.029] 20 2 048 1.50 [0.143] 5 8 192 1.37 [0.007] 10 8 192 1.43 [0.009] 20 8 192 1.46 [0.033]
5.2 Mthodes de quantication

ves mthodes de qunti(tion ppliques l9vlution des options mriines ont t introduites dns RF v9ide de l qunti(tion est l suivnte X itnt donne une vrile ltoire Y dns L2 (Rd )D qunti(er Y revient se donner une grille = {x1 , . . . , xN } (Rd )N et d(nie omme Y = Proj (Y ) o Proj dsigne pproher Y pr l vrile ltoire Y = minx Y x . l projetion sur u sens du plus prohe voisinD iFeF Y he mnire plus priseD (n d9viter toute migut sur l nture du projetD on d(nit une prtition en ellules de oronoD iFeF une prtition C1 D . . . , CN de Rd telle que
Ci
et on pose
y Rd :
y xi = min y xj
j N
:= Y
i=1
xi 1Ci (Y ) .
VHCHAPITRE 5. ESPRANCES CONDITIONNELLES ET OPTIONS AMRICAINES v9erreur de qunti(tion L2 est lors d(nie omme
Y Y
= E min Y xi
iN
yn dit qu9une grille de qunti(tion N points est optimle si elle minimise l9erreur de qunti(tion sur l9ensemle de toutes les grilles N pointsF
pr un proessus v9ide est mintennt d9ppliquer ette pprohe (n d9pproher X vleurs sur un espe (ni pour lequel les esprnes onditionnelles de l9lgorithme disret de l etion PFT peuvent tre lules filementF
our hque k nD on se donne une grille k = (xk,1 , . . . , xk,Nk ) de qunti(tion de t le qunti(teur de X t F i on onnt les proilits de Xtk Nk pointsF yn note X k k trnsition k t = xk+1,j | X t = xk,j ij := P X k+1 k on peut lors luler l suite p n = ( pn tk )kn d(nie pr
tn ) = g (X tn ) p n (tn , X t ) = max g (X t ) , E p t ) | X t p n (tk , X n (tk+1 , X k k k+1 k
k<n.
g9est l ontreEprtie du shm de disrtistion thorique de l etion PFTF v9erreur d9pproximtion de p n est lors ontrle pr l9erreur de qunti(tionF
Thorme 5.2.1 ([4]) Si g est Lipschitz, alors il existe C > 0 tel que, pour tout k n,
n
t ) p t )|2 E |p (tk , X n (tk , X k k

n
C
i=k
t X t X i i
yn peut montrer que si l grille est optimle pour hque k D lors l9erreur de qunE 2 t X t 2 est de l9ordre de O(N d )F ve prolme est videmment de ti(tion E X k k k onstruire les grilles de qunti(tion optimles et d9estimer les proilits de trnsiE k tion (ij )F gei peutEtre fit pr des mthodes de grdient stohstiqueD voir l setion PFS dns RF v pge http X //wwwFproFjussieuFfr /pgeperso/pges/ propose un lien vers des grilles de qunti(tionF
Chapitre 6 Complments (exercices)
6.1 Simulation d'un CIR : schma exact

yn onsidre le proessus de gox sngersoll oss @gsA X x d(ni sur [0, T ] pr
t t x (a bXs )ds + 0 0 x dW Xs s
Xtx = x +
o xD aD bD > 0 et W est un mouvement rownien sur l9espe (, F , P) muni de l (ltrtion nturelle F = (Ft )tT engendre pr W omplteF yn suppose que a 2 /2 e qui implique que X x > 0 P pFsF r l suite on se donne := {0 = t0 < t1 < . . . < ti < . . . < tn = T } une prtition de [0, T ]F
1. eutEon pproher X x pr un shm d9iuler lssique c tusti(ezF 2. oit 0F yn suppose qu9il existe une fontion F Cb1,2 ([0, T ] R+ ; R+ ) vri(nt
F (t, x) t = (a bx) x F (t, x) + 1 2 x x sur [0, T ] R+ 2 F (t, x) 2 x F (0, x) = e sur R+ ,
2
@TFIFIA
x PFIF wontrer que supk>0 suptT E Xtx k < o k := inf {t 0 : Xt k } T F x PFPF oit t (0, T ]D montrer que le proessus M d(ni pr Ms := F (t s, Xs ) est une mrtingle sur [0, t]F
PFQF in dduire que F (t, x) = E eXt F
3. yn suppose mintennt que l solution de @TFIFIA est de l forme F (t, x) = ea(t)x(t) F

uelles qutions doivent vri(er et c
e 2L(t)+1 ve L(t) = ( 2 /4b)(1 ebt ) et (t, x) = 4xbebt /( 2 (1 ebt ))F uelle est l trnsforme de vple Ytx de Ytx := Xtx /L(t) c
2
4. yn dmet que F (t, x) = (2L(t) + 1)2a/
L(t) (t,x)
5. yn suppose que 4a/2 =: k NF

VI
VP
CHAPITRE 6. COMPLMENTS (EXERCICES)
SFIF oit N une gussienne de vrine 1 et de moyenne mF gluler l densit fN 2 de N 2 et s trnsforme de vple N 2 F SFPF in dduire une mthode de simultion des roissements (Xtx Xtx ) lorsque i+1 i i<n 2 4a/ est un entierF
6. yn onsidre mintennt le s o 4a/2 est un rel stritement positif quelonqueF

TFIF oient > 0D > 0 et
f, (x) =
1 x x e 1x>0 , ()
l densit de l loi qmm G(, )D o est l fontion qmmF gomment simuler une vrile ltoire (U, V ) de loi uniforme sur D := {(u, v ) (0, )2 : 0 u f, (v/u)} qund > 1 c yn ommener pr montrer que D est ontenu dns un retngle F TFPF yn suppose > 1F oit (U, V ) une vrile ltoire uniformment distriue sur DF uelle est l loi de V /U c TFQF hduire des questions prdentes une mthode de simultion de opies iFiFdF de loi G(, ) qund > 1F honner le ot moyen d9un tirge en fontion du volume |D| de DF TFRF ue fire qund = 1 c TFSF yn rppelle queD pour tout > 0 et > 0D l trnsforme de vple de l loi G(, ) est donne pr
, (y ) = (1 + y/ ) y 0 .
oit > 0D M une vriles ltoire de loi de oisson de prmtre p > 0 et ( +i )i0 une suite de vriles ltoires indpendntes @et indpendntes de M A telle que +i G(( + i)/2, 1/2) pour hque i 0F gluler l trnsforme de vple +2M de +2M := i0 +2i 1i=M F TFTF gomment simuler des opies iFiFdF de +2M c TFUF hduire des questions prdentes un mode de simultion des roissements (Xtx i+1 x Xti )i<n F in prtique ette mthode est ssez oteuse numriquementF vorsque le ps de temps est petitD on prfrer disrtiser l9ih ssoie X x en dptnt l9pprohe pr shm d9iuler @voir e sujet les trvux rents de IAF
Remarque :
6.2. SIMULATION D'UN CIR : SCHMA D'EULER IMPLICITE
VQ
6.2 Simulation d'un CIR : schma d'Euler implicite

yn s9intresse l9qution di'rentielle stohstique
dXt = a(b Xt )dt + Xt dWt X0 = x0
@TFPFIA
o a, b, , x > 0 et (Wt )t0 est un mouvement rownien relF oit T > 0 et N N F yn pose t = T /N et pour 0 k N D on note tk = kT /N = k tF IF uel rsultt ssure l9existene d9une unique solution l9qution
Y dt + dYt = a 2 t Y0i = x0
dBt
o (Bt )t0 est un mouvement rownien stndrdF ue peutEon dire du proessus Wt = t 1{Ys 0} 1{Ys <0} dBs c ri(er que Xt = (Yt )2 est solution de l9qution @TFPFIA pour 0 2 F b= 4a PF yn se donne mintennt (Wt1 , . . . , Wtd )t0 un mouvement rownien vleurs Rd et pour 1 i d on note Yti l solution de
dYti = a Y i dt + 2 t Y0i = 1{i=1} x0 .

QF yn pose Xt =
d i 2 i=1 (Yt ) F t
dWti
ue peutEon dire du proessus

d t
Wt =
0
1 1{Xs >0} Xs
Ysi dWsi
i=1
+
0
1{Xs =0} dWs1 ?

d 2 F 4a
in dduire que Xt est solution de l9qution @TFPFIA pour b =
A partir de maintenant, on admet que l'quation solution (Xt )t0 telle que P(t 0, Xt 0) = 1.
df RF yn pose =
2ab 2
@TFPFIA
possde une unique
> 1 et
x
x > 0, s(x) =
1
y ey/b dy.
our k, n N tels que 1/n x0 k D on pose

k n = inf {t 0, Xt / ]1/n, k [} , k = inf {t 0, Xt k } . k < +) = 1F P(n (b x) SF ri(er que x > 0, s (x) = s (x). bx
On admet que
VR
= s(x0 )F TF eppliquer st s(X )F in dduire que E s Xn k UF yn suppose que > 1F honner limn+ s(1/n)F in dduire limn+ P Xn puis que P(t k , Xt > 0) = 1 en utilisnt le k = 1/n lemme de forel gntelli @on utiliser une minortion dqute de s(1/n)AF gonlure que P(t 0, Xt > 0) = 1F
On se place dsormais dans le cas
> 1. Xtk+1 Wtk+1 Wtk est gl Xtk Wtk+1 Wtk ,
VF gluler < X, W >t F WF in remrqunt que pour 0 k N 1D Xtk+1 Xtk
Wtk+1 Wtk +
N 1 k=0
donner l limite en proilit de IHF gonlure que

N 1
Xtk+1 Wtk+1 Wtk lorsque N +F
x0 +
k=0
a(b Xtk+1 )
2 2
t +
Xtk+1 Wtk+1 Wtk
onverge vers XT lorsque N +F
ge rsultt suggre l9utilistion du shm impliite suivnt X 0 = x0 et pour 0 k N 1,
t = X t + a(b X t ) X k+1 k k+1
2 2
t +
t X Wtk+1 Wtk k+1
@TFPFPA
pour l9qution @TFPFIAF in rison du rtre impliiteD il fut vri(er que l9qution de rurrene qui prde ien une solutionF IIF ri(er que pour x > 0 et w RD l9qution
(1 + at)y 2 wy (ab( 1) + x) = 0
portnt sur l vrile y dmet une unique rine stritement positive f (x, w)F t )0kN vE IPF in dduire l9existene d9une suite de vriles stritement positives (X k ri(nt @TFPFPAF
6.3 Discrtisation d'EDSR

yn onsidre un mrh (nnier form d9un tif risqu S de dynmique
t
St = S0 +
0
(Su )dWu , t T ,
6.3. DISCRTISATION D'EDSR
VS
o est orneD uniformment lipshitzienne et vri(e pour un > 0F yn suppose que le tux sns risque est nulF
1. yn note H2 l9ensemle des proessus prvisiles vri(nt

T
1 2
H2
:= E
0
|t | dt
< .
yn note le proessus de H2 orrespondnt u nomre d9units de S dtenues dns le portefeuilleF IFIF irire l dynmique de l rihesse X x, ssoie une dottion initile x et une strtgie de portefeuille sous l ontrinte d9uto(nnementF IFPF yn suppose prtir de mintennt que l gestion du portefeuille entrine un ot ontinu f D fontion uniformment lipshitzienne de onstnte de vipshitz LD qui dpend de l vleur du portefeuille et de elle du sousEjent S F v dynmique de l rihesse s9rit lors
t t x, f (Xu , Su )du + 0 0
Xtx, = x
u dSu .
wontrer que pour tout (x, ) R H2 D X x, pprtient l9ensemle S 2 des proessus prvisiles vri(nt
S2
:= E sup |t |
tT
1 2
< .
2. yn veut ouvrir l9option g(ST )D iFeF trouver (x, ) R H2 tels que

x, XT = g (ST ) .
@TFQFIA
PFIF wontrer que el revient trouver (Y0 , Z ) o (Y, Z ) S 2 H2 est solution de
Yt = Y0 0 f (Yu , Su )du + YT = g (ST ) .
t 0
Zu dWu t T
@TFQFPA
yn supposer pr l suite qu9un tel ouple (Y, Z ) existeF PFPF wontrer que pour tout 0 s t T
t
Ys = E Y t +
s
f (Yu , Su )du | Fs
@TFQFQA
hns l suite de l9exerieD on tudie une mthode de disrtistion de l9qution @TFQFPAF yn (xe un entier n > 0 et on onsidre l grille := {ti = ih, i = 0, . . . , n} de [0, T ]D o h = T /nF e prtir de mintenntD on suppose que g est uniformment lipshitzienneD de onstnte de vipshitz LF
3.
VT
de S F QFIF ppeler l d(nition du shm d9iuler S t )0in de mnire rtrogrde pr QFPF yn d(nit l suite (Y i tn = g (S tn ) Y t = E Y t + hf (Y t , S t ) | Ft Y i i+1 i+1 i+1 i , i = n 1, . . . , 0 .
@TFQFRA
t L2 pour tout i nF in utilisnt une rurreneD montrer que Y i

QFQF wontrer que pour tout aD b R et > 0 X (a + b)2 (1 + )a2 + (1 + 4/)b2 F QFRF hduire de @TFQFQA et @TFQFRA queD pour tout i {0, . . . , n 1} et > 0D
t Yt |2 (1 + + 3L2 (1 + 4/)h2 )E |Y t Yt |2 | Ft |Y i i i+1 i+1 i

ti+1 2
+ 3L2 (1 + 4/)E
ti
t Ss | + |Yt Ys |ds |S i+1 i+1
| Fti
QFSF yn suppose prtir de mintennt que Z S 2 F wontrer queD pour tout i {0, . . . , n 1}D
sup
s[ti ,ti+1 ]
|Yti+1 Ys |2
C0 (ti+1 ti ) ,
o C0 est une onstnte qui ne dpend ni de i ni de @em X on peut en fit vri(er ette proprit mme si Z / S 2 AF QFTF in utilisnt l9inglit de tensenD dduire des questions prdentes queD pour tout i {0, . . . , n 1}D
t Yt |2 | Ft + C (1 + 1/) h3 , t Yt |2 (1 + + 3L2 (1 + 4/)h2 )E |Y |Y i i+1 i+1 i i

o C > 0 est une onstnte indpendnte de i et F QFUF in hoisissnt > 0 orretementD en dduire que
0in
t Yt |2 max E |Y i i
tn Ytn |2 + h C2 h , C1 E |Y
o C1 et C2 sont deux onstntes indpendntes de hF

1 2
QFVF ue peutEon dire de irr n := max E

0in
sup
s[ti ,ti+1 ]
t Ys |2 |Y i+1
c tusti(erF
H2 tel que 4.IF wontrer qu9il existe un proessus Z t hE f (Y t , S t ) | Ft Y i i+1 i+1 i t = Y i+1
ti+1 ti
s dWs . Z
2 2 Ch o C ne dpend ps de h @em X on RFPF wontrer que si f 0D lors Z Z H peut le montrer glement qund f 0AF
6.4. APPROXIMATION DU TEMPS DE SORTIE D'UNE DIFFUSION
VU
t (Wt Wt ) | Ft F ue proposezE RFQF hns le s gnrleD iFeF f 0D lulez E Y i+1 i+1 i i vous pour estimer Z et c d(ni sur hque intervlle [ti , ti+1 ) pr Z t = (ti+1 ti )1 E ti+1 Zs ds | Ft F RFRF oit Z i ti 2 2 in dmettnt qu9il existe C3 indpendnt de h tel que Z Z H2 + Z Z H2 C3 hD t t |2 C4 h , o C4 est indpendnt de hF montrer que n1 i+1 E |Zt Z
i=0 ti
i
Remarque :
t )i0 D on simule S et on utilise des esE our simuler les trjetoires (Y i timtions de type wonteEgrlo pour pproher les esprnes onditionnelles @voir le ghpitre SAF
6.4 Approximation du temps de sortie d'une diusion

oit W un mouvement rownien unidimensionnel et F = (Ft )t0 s (ltrtion nturelle omplteF oient b une fontion lipshitzienne de R dns RD X0 RD > 0D T > 0 et X l solution de
t
Xt = X0 +
0
b(Xs )ds + Wt , t [0, T ] .
yn se donne un millge := {ti := ih , i n} o n N \ {0} et h := T /nF yn note le shm d9iuler @ontinuA (t) := sup{s : s t} pour t T F in(nD on note X de X ssoi F
1. a. ppeler l d(nition du shm d9iuler @version ontinueAF b. honner l d(nition du shm de wilshtein de X F c. ve fit que soit onstnte permetEil d9voir une mjortion du type X
(t) Xt |2 sup E |X
tT
1 2
Ch ,
pour une onstnte C > 0 indpendnte de h c @justi(ez rivementAF oit U un rel vri(nt U > X0 F yn note
t U } , := inf {t [0, T ] : Xt U } et := inf {t [0, T ] : X

ve l onvention usuelle inf = +F
2. oit i {0, . . . , n 1} et xi , xi+1 deux rels pprtennt (, U )F a. honner l forme expliite de

p(xi , xi+1 ) = P t U | X t = xi , X t = xi+1 sup X i i+1
t[ti ,ti+1 ]
b. roposer un mode de simultion de ( )F
VV
e prtir de mintenntD on s9intresse l9rt entre T et ( ) T F yn note d l distne signe U X
d(x) = (x U ) .
itnt donn > 0D on note
F (x) = d(x)2 / .
hns tout le reste de l9exerieD C > 0 dsigne une onstnte gnrique qui peut hnger de ligne en ligne mis qui ne dpend ps de hF yn note C si elle dpend d9un utre prmtre F
3. guler les limites de F
et F @l drive premire et seonde de F A qund x U F in dduire que l9on peut hoisir r > 0 et su0smment petit @l9un dpendnt de l9utreA de sorte que X
1 b(x)F (x) + 2 F (x) 1 , x (U r, U ) . 2

e prtir de mintenntD on supposer toujours que r et sont tels que l9inglit prE dente est vri(eF
4. a. eppliquer le lemme d9st F (X ) sur [ , T ] sur l9vnement A B ve

A := { < T } , B := {Xs (U r, U ) , s [ , T ]}
et en dduire que
E [( T )1AB ] E [|F (X T ) F (X )|1AB ]

T
E 1AB c

F (Xs )dWs
b. wontrer que pour tout p 1D il existe une onstnte Cp > 0 telle que
E
p sup |Xt |p | F 1 T Cp (1 + |X | )1 T . t[ ,T ]
F D montrer queD pour tout (0, 1)D il existe une vrile ltoire dmettnt des moments de tous ordres tel que
T
c. in utilisnt l9inglit de rlder onditionnellement
E 1AB c

F (Xs )dWs | F
1 (T ) 2 P [A B c | F 1 ] T .
d. in utilisnt le fit que F (X T ) = 0 si
et F (X ) = 0 si T D montrer que
1 E [|F (X T ) F (X E |d2 (X )|1AB 1 T ] )|1AB 1 T 1 2 E |d(X ) d(X )| 1AB 1 T
6.4. APPROXIMATION DU TEMPS DE SORTIE D'UNE DIFFUSION

wontrer ensuite que
2 E |d(X ) d(X )| 1AB 1 T
VW
Ch.
in ppliqunt le vemme d9st et des rguments dj utiliss en FD montrer queD pour tout (0, 1)D il existe une vrile ltoire dmettnt des moments de tous ordres tel que
1 E [|F (X T ) F (X ) 2 P [ > T | F 1A . )|1AB 1 >T ] (T ]
1
e.
f. oit (0, 1/4) et

E := {X }. U h2
1
wontrer en utilisnt l d(nition de et l9inglit de heyhev queD pour tout p 1D il existe Cp > 0 tel que
p t |p Cp hp . P [E c A] Cp hp 2 E sup |Xt X
tT
in dduire que pour tout (0, 1)D il existe C, > 0 indpendnt de n tel que
P [E c A] C, h1 . b = 0D montrer queD pour tout (0, 1)D il existe une vrile ltoire dmettnt des moments de tous ordres telle que
( )(1) P [ > T | F (T ) 2 1A ] 1E 1A h 2
1 1
g. in supposnt @seulement pour ette questionA que
@utiliser l loi du mx d9un mouvement rownienAF honner une indition sur omment triter le s b = 0F r l suite on dmettr que ei est vri mme si b = 0F
(0, 1)D il existe une vrile ltoire dmettnt des moments de tous ordres telle que
( )(1) P [B c | F ] 1E 1A h 2
1
h. yn dmet mintennt queD pour tout
hduire de ette estimtion et des questions prdentes queD pour tout (0, 1)D il existe C > 0 tel que
E [( T )1A ] C h 2 .
5. yn dmet queD pour tout (0, 1)D il existe C > 0 tel que
E [( T )1 < . T ] C h 2
1
WH
honner une mjortion de E [|( ) T T |]F mtion de T et donner une orne sur l9erreur e'etue tennt ompte de l9erreur d9pproximtion de T insi que de l9erreur sttistique due l9pprohe pr wonteE grloF
6. in reprennt l9lgorithme propos dns l question PFFD proposer un mode d9estiE
Remarque 6.4.1
xous renvoyons IP pour l9tude de l vitesse de onvergene du temps de sortie dns un dre plus gnrlF oir glement QQF
6.5 Algorithme de Robbins Monro

oit une fontion ontinueD orneD stritement roissnte f X R RF yn suppose qu9il existe x R tel que f (x ) = 0F itnt donne une suite (Un )n1 de vriles ltoires indpendntes de mme loi uniforme sur [1, 1]D on onsidre l suite (Xn , Yn )n0 d(nie pr X0 = 0 et
Yn+1 = f (Xn ) + Un+1 1 Xn+1 = Xn Yn+1 , n 0 . n+1

yn note Fn = (Xi , 0 i n)F IF irire E [Yn+1 | Fn ] en fontion de Xn F gluler |Xn+1 x |2 |Xn x |2 et en dduireD en utilisnt les hypothses fites sur f D queD pour tout n 0D
E |Xn+1 x |2 | Fn
|Xn x |2 +
1 E |Yn+1 |2 | Fn . (n + 1)2
PF wontrer qu9il existe une onstnte C > 0 telle queD pour tout n 1D
n1
Sn :=
k=0
1 E |Yk+1 |2 | Fk (k + 1)2
C P p.s.
in dduire que (Sn )n0 onverge presque srementF QF hduire de IF que le proessus (Zn )n1 d(ni pr
Zn := |Xn x |2 + C Sn
est une (Fn )n0 EsurEmrtingleF RF in utilisnt le fit que pour une surEmrtingle positive (Wn )n1 D il existe une vrile ltoire W telle que limn Wn = W PEpFsFD dduire des questions prdentes que l suite (|Xn x |)n0 dmet une limite presque sreF SF wontrer que pour tout n 1
n
0
k=0
2 E [f (Xk )(Xk x )] |x |2 + C . k+1
6.6. MTHODE DE REJET AVEC RECYCLAGE

TF hduire de SF que
WI
E
k=0
2 f (Xk )(Xk x ) k+1
|x |2 + C .
UF in utilisnt les hypothses fites sur f D montrer queD pour tout > 0D
|xx |>
inf (x x )f (x) > 0 .
VF hduire de TF et UF queD pour Q ]0, [D P[A ] = 0 o
A :=
lim |Xn x |
ue peutEon dire de limn Xn c tusti(ezF WF yn reprend le modle prdent mis mintennt on d(nit (Xn )n0 pr X0 = 0 et
Xn+1 = Xn n Yn+1 , n 0 ,
o (n )n0 est une suite relle positiveF uelles onditions doitEon imposer sur l suite (n )n0 pour que Xn onverge vers x presque surement c tusti(ez rivementF IHF roposer une mthode se sur des simultions permettnt de rsoudre
g (x) = ,
o g est une fontion ontinueD orneD stritement roissnte et g (R)F
6.6 Mthode de rejet avec recyclage

yn veut estimer pr wonteEgrlo E [g (X )] o X est une vrile ltoire de densit fX stritement positive sur R et g une fontion relle orneF yn onsidre un ouple (U, Z ) de densit f(U,Z ) (u, z ) = 1{u[0,1]} fZ (z ) o fZ est une densit stritement positive sur RF yn suppose qu9il existe a > 0 tel que fX (z ) < afZ (z ) pour tout z RF yn onsidre mintennt une suite (Uk , Zk )k1 de vriles ltoires indpendntes de mme loi que (U, Z )F yn pose 0 = 0 = 0 et on d(nit de mnire rursive
i+1 := inf {k > i : fX (Zk ) > aUk fZ (Zk )} i+1 := inf {k > i : fX (Zk ) aUk fZ (Zk )} .
IE honner @sns justi(tionA l loi de (Z1 , . . . , Zn ) c PE hrire une mthode de rejet permettnt d9estimer E [g (X )] .
WP QE gluler := P [(U1 , Z1 ) D] o
D := {(u, z ) [0, 1] R : fX (z ) > aufZ (z )} .

RE in dduire E [1 ] en fontion de a @on ommener pr luler l loi de 1 AF SE in dmettnt que E [i+1 i ] = E [1 ] i 1 luler E [n ]F uelle interprttion donner e nomre c TE gluler l loi de n D iFeF P[n = k ] pour k 1F UE wontrer que pour toute suite (Ai )i1 de forliens de R
n
P [Zi Ai , i = 1, . . . , n | n = n + p] =
i=1 Ai
fX (z )dz
et que
p
P [Zi Ai , i = 1, . . . , p | n = n + p] = (a 1)
VE in dduire
p i=1 Ai
(afZ (z ) fX (z ))dz .
E
et
(a 1)fX (Zi ) g (Zi ) | n = n + p (afZ fX )(Zi )
, 1ip,
1 E n
g (Zi ) | n = n + p
i=1
WE in utilisnt les rsultts de l question VFD proposer une mthode d9estimtion de n E [g (X )] tennt ompte de tous les lments de l suite (Zi ) i=1 F tusti(erF
6.7 Estimation d'esprances conditionnelles

oit U une vrile ltoire uniforme sur [0, 1] et X une vrile ltoire de fontion de rprtition ontinue et stritement roissnte sur RF IF oit I un intervlle de [0, 1] et (Un )n1 une suite iFiFdF1 de mme loi que U F yn d(nit l suite (Tn )n1 pr
Tn+1 := inf {k > Tn : Uk I } , n 1 ,

ve omme onvention T0 = 0F oient m < M tels que P [X [m, M ]] > 0F hterminer I tel que (1 (UTn ))n1 soit une suite iFiFdF de loi gle elle de X shnt X := [m, M ] @on dmettr que l suite (UTn )n1 est iFiFdFAF
1 i.e.
dont les lments sont indpendants et de mme loi.
6.7. ESTIMATION D'ESPRANCES CONDITIONNELLES
WQ
PF yn pose n = Tn Tn1 pour n 1F wontrer que les n sont iFiFdF de loi gomtrique de prmtre > 0 priserF QF oit I d(ni omme en IF wontrer queD pour toute fontion orne f D
m N :=
N n=1
f (1 (Un ))1I (Un )

N n=1
1I (Un )
11 N E[f (X ) | X ] P p.s.
@ve l onvention 0/0 = 0AF RF yn veut estimer l vitesse de onvergene L2 de l9estimteur m N F yn suppose que |f | fm o fm est une onstnte relleF yn note
AN :=
1 N
f (1 (Un ))1I (Un ) , BN :=

n=1
1 N
1I (Un )
n=1
A := E[f (X )1X ] , B := P[X ] et r =

RFIF wontrer que
A . B
E[|m N r|2 ] 2 E
RFPF wontrer que
A AN BN B
1 2
11 N
+ rE[11 >N ] 2 .
|m N r|11 N =
et en dduire que
AN A B BN 11 N , +r BN BN
|m N r|2 11 N
4 2 |AN A + r(B BN )|2 + 4fm 1 c , 2 B
:= {|BN B | 21 B }F o RFQF hduire de l question prdente que

1 C E[|m N r|2 11 N ] 2 , N
o C > 0 est une onstnte indpendnte de N F RFRF hduire que
E[|m N r|2 ] 2 C N 2 + (1 )N/2
o C > 0 est une onstnte indpendnte de N F gonlure sur l vitesse de onvergene L2 de l9estimteur m NF SF yn se propose mintennt d9utiliser une utre mthodeF SFIF gluler l loi de l suite (Yn )n1 d(nie pr
Yn := 1 ((m) + Un ((M ) (m))) , n 1 .
WR
SFPF gonstruire prtir de (Yn )n1 un estimteur de E[f (X ) | X ]F uel est son iis c uelle est s vitesse de onvergene L2 c gomprer ve l mthode prdenteF TF yn suppose mintennt que f est ontinueF oit (n )n1 une suite @dterministeA quiErprtie sur [0, 1]D iFeF telle que
1 N
g (n )
n=1 [0,1]
g (x)dx g ontinue orne de [0, 1] dns R .
in utilisnt l9pprohe des points QF et SF proposer deux modes d9estimtion de E[f (X ) | X ] prtir de (n )n1 F tusti(er l onvergene des deux mthodesF
6.8 Variables antithtiques

yn se donne (Gi )i1 une suite de vriles ltoires indpendntes et identiquement distriues suivnt l loi gussienne entre rduiteF yn dit qu9une fontion f : Rn R est monotone @respF roissnteA en hune de ses vE riles si pour tout k {1, . . . , n}D l9pplition qui (x1 , . . . , xk1 , xk+1 , . . . , xn , x, y ) Rn+1 ssoie
(y x) (f (x1 , . . . , xk1 , y, xk+1 , . . . , xn ) f (x1 , . . . , xk1 , x, xk+1 , . . . , xn ))

est de signe onstnt @respF positiveA sur Rn+1 F IF uelle est l loi de Gi c PF oit f, g : R R roissntes et ornesF @A uel est le signe de (f (G1 ) f (G2 ))(g (G1 ) g (G2 )) c in dduire que Cov ((, f ) (G1 ), g (G1 )) 0F
I @A our l9estimtion de E [(] f (G1 ))D quelle vrile futEil prfrer entre 21I 2 i=1 f (Gi ) et 21I I i=1 (f (Gi ) + f (Gi )) c @omprer l fois l prision et l9e'ort de lE ulAF
QF xous llons voir que l tehnique de rdution de vrine prdente s9tend l dimension n 2 et mme l dimension in(nieF yn dmet que pour et : Rn1 R roissntes en hune de leurs vriles et ornesD on
Cov ((, ) (G1 , . . . , Gn1 ), (G1 , . . . , Gn1 )) 0 .

yn se donne f et g : Rn R roissntes en hune de leurs vriles et ornesF @A our x RD quel est le signe de
E [(] f (G1 , . . . , Gn1 , x)g (G1 , . . . , Gn1 , x)) (x)(x)
@TFVFIA
o (x) = E [(] f (G1 , . . . , Gn1 , x)) et (x) = E [(] g (G1 , . . . , Gn1 , x)) c
6.8. VARIABLES ANTITHTIQUES

@A ue peutEon dire des fontions (x) et (x) c in dduire le signe de
WS
E [(] (Gn )(Gn ))E [(] f (G1 , . . . , Gn1 , Gn ))E [(] g (G1 , . . . , Gn1 , Gn )).
@A in intgrnt l9inglit @TFVFIA ontre une densit ien hoisieD vri(er que
Cov ((, f ) (G1 , . . . , Gn ), g (G1 , . . . , Gn )) 0.

@dA gonlure que pour tout n N D pour toute fontion f : Rn R monotone en hune de ses vriles et orneD
Cov ((, f ) (G1 , . . . , Gn ), f (G1 , . . . , Gn )) 0.

@emrquer que si = (1 , . . . , n ) {1, 1}n D le veteur (1 G1 , . . . , n Gn ) mme loi que (G1 , . . . , Gn )FA u9indique e rsultt pour l9estimtion de E [(] f (G1 , . . . , Gn )) pr l mE thode de wonteEgrlo c RF yn se ple mintennt dns le modle de flkEholes
St (W ) = S0 eWt +(r
2 /2)t
o S0 R + et W = (Wt )t0 est un mouvement rownien stndrdF yn (xe une mturit T > 0 et f : R R une fontion de pyo' monotoneD ontinue et orneF our N N D on pose t = T /N et tk = kT /N = k t, k {0, . . . , N }F @A uel est le signe de Cov ((, f ) (ST (W )), f (ST (W ))) c
N @A yn note MT (W ) = 1 N N 1 k=0
Stk (W )F
N iF honnerD en l justi(ntD l limite presque sre de MT (W ) lorsque N tend vers +F
iiF wontrer que

N MT (W ) =
S0 N 1 N
Wt 1 WtN 2 W 2 Wt1 W t1 , t , . . . , N t t t
o pour n N D
n
n : (z1 , . . . , zn ) R
k=0
Pk
j =1 zj +k (r
2 /2)t
N N iiiF in dduire le signe de gov f (MT (W )), f (MT (W )) F
ivF gonlure que gov f
1 T
T 0
St (W )dt , f
1 T
T 0
St (W )dt
0F
@A wontrer de mme que gov f maxt[0,T ] St (W ) , f maxt[0,T ] St (W ) 0F
WT
6.9 Un exemple de rduction de variance par intgration par parties et conditionnement

oient X une vrile ltoire de loi normle N (0, 1) et a < b deux relsF oit Z une vrile ltoire gle en loi X | X [a, b]F de rprtition de l loi N (0, 1)F vequel vous semle le plus e0e c
1. roposer deux modes de simultion di'rents de Z ss sur l9inverse de l fontion

oit une vrile ltoire indpendnte de Z de loi exponentielle de prmtre > 0F yn note Y := Z 1 1 F
2.
gomment simuler Y c
itnt donne une suite (Y i )i1 de opies iFiFdF de Y D on pose
m N :=
1 N
g (x + Y i ) , N 1 ,
i=1
o g est une fontion mesurle orne sur R et x RF yn note m := E [g (x + Y )] et m := E [g (x + Z )]F
3. a. wontrer qu9il existe p (0, 1) tel que

N r [m N ] = (1 p) r [g (x + Z )] + (m m)2 + p (g (x) m)2
b. gonstruire un estimteur m N de m dont l vrine vut N 1 (1 p)2 r [g (x + Z )]F c. uel estimteur de m estEil prfrle d9utiliser c honner deux risons di'rentesF
e prtir de mintenntD on insiste sur l dpendene de m en x en notnt m(x)D et on suppose g ontinuement drivle drive orneF
4. a. wontrer que l drive de m pr rpport x est donne pr

m (x) = E [g (x + Y )] .
b. wontrer que Y n9 ps de densitF c. oit f l densit de Z F eutEon voir

m (x) = E [g (x + Z 1 1 )(f /f )(Z )] ?
d. rouver des onstntes et p telles que

m (x) = (1 p)E [g (x + Z )(f /f )(Z )] .
tits des questions F et dFF
e. hisuter les vntges reltifs des estimteurs nturels de
m (x) ssois ux idenE
6.10. SUITES UNIFORMES RANDOMISES
WU
6.10 Suites uniformes randomises

our une fontion relle f sur [0, 1]D on note f f = supx[0,1] |f (x)|F
p
=(
1 0
|f (x)|p dx)1/p pour p > 0 et
yn onsidre une suite (n )n1 vleurs dns [0, 1] et on lui ssoie l fontion
FN (x) :=
1 N
1n x , x [0, 1] .
n=1
1. yn d(nit l disrpne Lp l9origine de l suite pr

DN
(p)
:=
FN F
, p N {}
o F (x) := x sur [0, 1]F (1) F wontrer que si x ]0, 1[ vri(e |FN (x) x| bD b R+ D lors DN b2 /2F (1) () F hduire de F que DN 0 implique DN 0F (p) (q ) F in dduire que s9il existe p N {} tel que DN 0D lors DN 0 pour tout q N {}F dF ppeler l d(nition d9une suite uniforme sur [0, 1] et montrer qu9une suite est (p) uniforme si et seulement si DN 0 pour tout p N {}F eF in dduire que si (n )n1 est une suite de vFF indpendntes uniformment distriues N 1 sur [0, 1] lors N n=1 1n x tend vers x uniformment sur [0, 1] pFsF 2. oit f une fontion relle drive orne sur [0, 1] et U une loi uniforme sur [0, 1]F wontrer que pour p N
1 E[f (U )] N
f (n )
n=1
DN
(p)
1 o q vri(e p +1 = 1 @on penser utiliser l9glit f (x) = f (0) + 0 f (z )dz AF q 3. in utilisnt l loi du log itr 2 D montrer que si (n )n est une suite de vFF indpendntes uniformment distriues sur [0, 1] lors
lim sup
N
N (p) DN 2 ln ln N
, p N
o (x) := x(1 x) sur [0, 1]F 4. F wontrer que
(DN )2 =
2 Soit
(2)
1 N2
(1 max(i , j ))
i,j N
1 N
(1 i2 ) +
i=1
1 . 3
(Xn )n est une suite de v.a. indpendantes de mme loi, d'esprance nulle et de variance gale N 1. On pose SN = ( n=1 Xn )/ N . Alors lim supN SN / 2 ln ln N = 1 p.s.
WV

(2)
F yn suppose que (n )n1 est une suite de vFF indpendntes uniformment distriE ues sur [0, 1]F wontrer que E (DN )2 = 1/(6N )F ue peutEon dire sur E[|E[f (U )]
2 N 1 N n=1 f (n )| ] si f et U sont omme dns l question PF c 5. yn revient u s o l suite (n )n1 est dterministeF itnt donne une vF V n )n pr n := {n + V } o {y } uniformment distriue sur [0, 1]D on d(nit l suite ( dsigne l prtie frtionnire de y F yn note
() := D N
N F F
N (x) := 1 F N
1 n x .
n=1
n est de loi uniforme sur [0, 1]F F wontrer que pour tout nD F yn (xe N 1F in domposnt {1, . . . , N } en J1 := {j N : 0 j + V 1 x} et J2 := {j N : 0 j + V x}D montrer que N (x) x| |F
et en dduire que
sup
0 y1 y 2 1
1 N
1y1 n y2 (y2 y1 ) , x [0, 1]

n=1
() 2D() . D N N N (x) 4(D() )2 pour tout x [0, 1]D et queD si f et U F wontrer que N (x) := r F N sont omme dns l question PFD lors E |E[f (U )] m N |2 4( f
() 2 1 DN )
N 1 o m N := N n=1 f (n )F dF gluler E[m N ] et proposer une mthode pour estimer r [m N ]F
te tiens remerier sinrement pin estiD vure ilie et xizr ouzi pour leurs onseils et leur ide lors de l9riture de l premire version de es notesF
Remerciements :
Bibliographie
I elfonsi eFD yn the disretiztion shemes for the gs @nd fessel squredA proE essesD rapport CERMICS [2005-279] D PHHSF P eroun fFD edpttive wonte grlo methodD vrine redution tehniqueD prpublicationF Q eroun fFD oinsEwonro lgorithms nd vrine redution in (nneD The Journal of Computational Finance D U @PAD PHHQF R flly F et qF gsD e quntiztion lgorithm for solving multiEdimensionl optiml stopping prolemsD BernoulliD W@TAD IHHQEIHRWD PHHQF S flly F et qF gsD irror nlysis of the quntiztion lgorithm for ostle prolemsD Stochastic Processes and Their Applications D IHT@IAD IERHD PHHQF T flly F et hF lyD he lw of the iuler sheme for stohsti di'erentil equtions @sA X onvergene rte of the distriution funtionD Probability Theory and Related FieldsD IHRD RQETHD IWWTF U fenrmou iFD Application of Malliavin calculus and Wiener chaos to option pricing theoryD hd thesisD he vondon hool of ionomis nd olitil ieneD PHHHF V fenrmou iFD en epplition of wllivin glulus to gontinuous ime esin yptions qreeksD preprintD PHHHF W fouhrd fF et tFEpF ghssgneuxD hisrete time pproximtion for ontinuously nd disretely re)eted fhi9sD prpulition weD PHHTF IH fouhrd fFD sF ikelnd et xF ouziD yn the wllivin pproh to wonte grlo pproximtion of onditionl expettionsD Finance and Stochastics D V @IAD RSEUID PHHRF II fouhrd fF et F ilieD hisrete time pproximtion of deoupled porwrdE fkwrd hi with jumpsD Stochastic Processes and Their Applications D pE rtreD PHHSF IP fouhrd fF et F wnozziD trong epproximtions of fhis in dominD prE pulition geremdeD PHHUF IQ fouhrd fF et xF ouziD hisrete ime epproximtion nd wonteEgrlo imuE ltion of fkwrd tohsti hi'erentil iqutionsD Stochastic Processes and their ApplicationsD III @PAD IUSEPHTD PHHRF WW
IHH
BIBLIOGRAPHIE
IR fouleu xF et hF vpingleD Numerical methods for stochastic processes D iley series in proility nd mthemtil sttistisD xewEorkD IWWRF IS foyle FD wF frodie et F qlssermnD wonteEgrlo wethods for seurity priingD Journal of Economic Dynamics and Control D PID IPTUEIQPID IWWUF IT frodie wF et tF hetempleD eent dvnes in numeril methods for priing derivtive seuritiesD in Numerical Methods in Finance D edt vFqFqF ogers et hF lyD gmridge niversity ressD gmridgeD FuD RQETTD IWWVF IU grriere iFD lution of the irlyEixerise rie for yptions using imultions nd xonprmetri egressionD Insurance : mathematics and Economics D IWD IWE QHD IWWTF IV girlet FqFD Introduction l'analyse numrique matricielle et l'optimisation D golletion wthmtiques eppliques pour l wtriseD wssonF IW glrk tFwFgF et FtF gmeronD he mximum rte of onvergene of disrete pproximtion for stohsti di'erentil equtionsD in Lecture Notes in Control and Information Sciences D Stochastic Dierential Systems D PSD idt fF qrigelionisD pringer erlgD ferlinD IWVHF PH glment iFD hF vmertonD et F rotterD en nlysis of lest squres regression method for emerin option priingD Finance and Stochastics D TD RRWERUPD PHHPF PI gvitni tFD tF w et tF hngD i0ient gomputtion of redging ortfolios for yptions with hisontinuous yo'sD to pper in Mathematical Finance D PHHIF PP hetemple tFD F qri et wF indisherD epresenttion formuls for wllivin derivtives of di'usion proessesD preprintD PHHPF PQ hetemple tFD F qri et wF indisherD esymptoti roperties of wonte grlo istimtors of herivtivesD preprintD PHHSF PR pure yFD Simulation du mouvement brownien et des diusions D thse de l9iole xtionle des onts et ghussesD IWWPF PS pishmn qF FD Monte Carlo. Concepts, Algorithms, and Applications D pringer eries in ypertion eserhD pringerD IWWSF PT pourni iF D tFEwF vsryD tF veuhoux et FEvF vionsD epplitions of wllivin lulus to wonte grlo methods in (nne ssD Finance and Stochastics D SD PHIE PQTD PHHIF PU pourni iF D tFEwF vsryD tF veuhouxD FEvF vions et xF ouziD epplitions of wllivin lulus to wonte grlo methods in (nneD Finance and Stochastics D QD QWIERIPD IWWWF PV pourni iF D tFEwF vsry et FEvF vionsD ome nonliner methods for studying frE fromEtheEmoney ontingent limsD in Numerical Methods in Finance D edt vFqFqF ogers et hF lyD gmridge niversity ressD gmridgeD FuD IISEIRSD IWWVF
BIBLIOGRAPHIE
IHI
PW pourni iF D tF veuhoux et xF ouziD mll xoise ixpnsion nd smportne mplingD esymptoti enlysisD IRD QTIEQUTD IWWUF QH qlssermn FD Monte Carlo methods in nancial engineering D pringerD PHHRF QI qlssermn F et hFhF oD ome guidelines nd gurntees for ommon rndom numersD Manag. Sci.D QVD VVREWHVD IWWPF QP qlynn FFD yptimiztion of stohsti systems vi simultionD in Proceedings of the 1989 Winter simulation Conference D n hiegoD oiety for gomputer iE multionD WHEIHSD IWVWF QQ qoet iFD Schma d'Euler pour diusions tues. Application aux options barrire D thse de l9niversity ris ssD IWWVF QR qoet iFD ek pproximtion of killed di'usion using iuler shemesD Stochastic Processes and their Applications D VUD ITUEIWUD PHHHF QS qoet iFD iuler shemes nd hlfEspe pproximtion for the simultion of difE fusion in dominD ESAIM Probability and Statistics D SD PTIEPWUD PHHIF QT qoet iF et eF uohtsuErigD gomputtion of qreeks for rrier nd lookk options using wllivin lulusD Electronic Communications in Probability D VD SIETPD PHHQF QU qoet iFD tFF vemor et F rinD te of onvergene of empiril regression meE thod for solving generlized fhiF preprint Ecole Polytechnique D FsFSURD PHHSF QV qoet iF et F wunosD ensitivity nlysis using stEwllivin lulus nd mrE tinglesF epplition to stohsti optimlD SIAM Journal on Control and OptimizationD RQ@SAD ITUTEIUIQD PHHSF QW tkel FD Monte-Carlo methods in nance D iley pinne eriesD ileyD PHHPF RH urtzs sF et FiF hreveD Brownian Motion and Stochastic Calculus F qrdute exts in wthemtisD IIQD pringerEerlgD xew orkD IWWVF RI urtzs sF et FiF hreveD Methods of mathematical nance D epplitions of wthemtisD tohsti wodelling nd epplied roilityD QWD pringerEerlgD xew orkD IWWWF RP uemn eFqFF et eFgFp orstD e priing method for options sed on verge sset vluesD J. Banking Finan.D IR @IAD IWWHF RQ uloeden FiF et iF ltenD Numerical solution of stochastic dierential equations D epplitions of wthemtisD PQD pringerEerlgD xew orkD IWWPF RR uloeden FiFD iF lten et rF hurzD Numerical solution of SDE through computer experimentsD niversititextD pringerEerlgD xew orkD IWWPF RS uohtsuErig eF et F etterssonD rine redution methods for simultion of densities on iener speD SIAM Journal on Numerical Analysis D to pperD PHHIF
IHP
BIBLIOGRAPHIE
RT uunit rFD tohsti di'erentil equtions nd stohsti )ows of di'eomorE phismsD Cours de l'cole d't de Saint-Flour D Lec. Notes in Math. D IHWUD pringerE erlgD IWVPF RU vmerton hF et fF vpeyreD Une introduction au calcul stochastique appliqu la nanceD golletion wthmtiques et epplitionsD illipseD IWWIF RV vpeyre fFD iF rdoux et F entisD Mthodes de Monte-Carlo pour les quations de transport et de diusion D wthmtiques et epplitionsD PWD pringerD IWWVF RW vpeyre fFD iF emmD gompetitive wonte grlo methods for the priing of esin yptionsD Journal of Computational Finance D S @IAD PHHIF SH v9iuyer F et qF erronD yn the onvergene rtes of se nd phg derivtives estimtorsD Operation Research D RPD TRQETSTD IWWRF SI vions FEvF et rF egnierD glul du prix et des sensiilits d9une option mriE ine pr une mthode de wonte grloD preprintD PHHIF SP vongst' pFeF et FF hwrtzD luing emerin yptions fy imultion X e simple vestEqure epprohD Review of Financial Studies D IRD IIQEIRUD PHHIF SQ wllivin F et rF eirultD Intgration, analyse de Fourier, Probabilits, analyse gaussienneD golletion wtrise de wthmtiques puresD wssonF SR wusiel wF et wF utkowskiD Martingale methods in nancial modelling D epE plitions of wthemtisD tohsti wodelling nd epplied roilityD QTD pringerEerlgD xew orkD IWWUF SS xewton xF tFD rine redution for simulted di'usionsD SIAM Journal on Applied MathematicsD SR @TAD IUVHEIVHSD IWWRF ST xewton xF tFD gontinuousEtime wonteEgrlo methods nd vrine redutionD in Numerical Methods in Finance D edt vFqFqF ogers et hF lyD gmridge niversity ressD gmridgeD FuD PPERPD IWWVF SU xulrt hFD The Malliavin Calculus and Related Topics pringer erlgD ferlinD IWWSF SV xulrt hFD enlysis on iener spe nd ntiipting stohsti lulusD vetF xotes wthF ITWHD pringerD ferlinD IWWVF SW ksendl fFD An Introduction to Malliavin Calculus with Applications to EconomicsD veture xotes from ourse given IWWT t the xorwegin hool of ionoE mis nd fusiness edministrtion @xrrAD xrr reprint eriesD IWWTF TH gs qFD wultiEstep ihrdsonEomerg ixtrpoltion X emrks on rine gontrol nd gomplexityD prpublication PMA D PHHTF TI gs qF et F tF ioD equenes with low disrepny nd pseudoErndom numE ers X theoretil remrks nd numeril testsD Journal of Statistical Computation and SimulationD STD ppFITQEIVQD IWWUF
BIBLIOGRAPHIE
IHQ
TP rotter FD Stochastic Integration and Dierential Equations D epplitions of wE themtisD tohsti wodelling nd epplied roilityD PID pringerEerlgD xew orkD IWWHF TQ evuz hF et wF orD Continuous martingales and Brownian motion D Pnd idF qrundlehren der wthemtishen issenshftenD PWQD pringerD IWWRF TR ogers vFgFqFD wonte grlo vlution of emerin optionsD Mathematical FinanceD IPD PUIEPVTD PHHPF TS eumenEonou FD Mthodes numriques probabilistes pour la rsolution d'quations du transport et pour l'valuation d'options exotiques F hse de dotortD niversit roveneEeixEwrseille sD IWWUF TT ly hFD hisrtistion d9une qution di'rentielle stohstique et lul pE proh d9esprnes de fontionnelles de l solutionD Mathematical Modelling and Numerical AnalysisD PHD IRIEIUWD IWVTF TU ly hF et vF uroD ixpnsion of the glol error for numeril shemes solving stohsti di'erentil equtionsD Stochastic Analysis and Applications D V @RAD RVQE SHWD IWWHF TV emm iFD Couverture approche d'options exotiques - Pricing des options asiatiquesD thse de dotort de ris sD PHHIF TW io F tFD Contributions aux mthodes arithmtiques pour la simulation acclreD hse de l9iole xtionle des onts et ghussesD risD IWWHF UH hng tFD Some ne properties of backward stochastic dierential equations D hh thesisD urdue niversityD PHHIF

Polymc

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Polymc

Transféré par

Droits d'auteur :

Formats disponibles

Mthodes de Monte Carlo en Finance Notes de cours

Cette version : Septembre 20071

Table des matires

PFS PFT QFI QFP QFQ

TABLE DES MATIRES

4 Calcul des sensibilits

5 Esprances conditionnelles et options amricaines

Chapitre 1 Gnralits et nombres alatoires

1.1 Notions gnrales

grables i.i.d. Alors,

Thorme 1.1.1 (Loi des grands nombres) Soit

(Yn )n1 une suite de v.a. relles int-

N (m N E [Y1 ]) Var (Y1 ) 2 ln ln N N (m N E [Y1 ]) Var (Y1 ) 2 ln ln N

Indpendemment distribues, i.e. de mme loi et indpendantes

CHAPITRE 1. GNRALITS ET NOMBRES ALATOIRES

Preuve. v premire glit s9otient en dveloppnt le terme de guhe et en utilisnt

sl est file de vri(er queD si Y1 L2 D

i.i.d. de carr intgrable. On suppose que Var (Y1 ) > 0 et on pose

En particulier, pour tout rel c > 0,

o c = P [|X | > c] pour X N (0, 1).

1.2. LOI UNIFORME

1.2 Loi uniforme

v9exemple le plus simple est elui de l ongruene mixte X

g (u) = (Au + C ) mod M

CHAPITRE 1. GNRALITS ET NOMBRES ALATOIRES

1.3 Autres lois

1.3.1 Mthode d'inversion

1 Si U Udom(FY 1 alors FY (U ) et Y ont la mme loi. )

Preuve. sl su0t de remrquer que

1.3. AUTRES LOIS

i Y pour loi P[Y = yk ] = pk D k ND lorsD si U U[0,1]

p = p0 Y j = 0 Y nt que@ p < U A fire { j = j + 1 Y p = p + pj Y } Y = yj Y

Exemple 1.3.4 (Variable support continu) Si

Y suit une loi exponentielle E (), >

o les Uk sont i.i.d. de loi U[0,1] .

1.3.2 Mthode du rejet

CHAPITRE 1. GNRALITS ET NOMBRES ALATOIRES

Preuve. ves (Zn ) tnt indpendnts et de mme loi que Z1 D on

P Z1 A1 , . . . , Zn1 An1 , n1 = k, n = k + j, Zk+j An P Z1 A1 , . . . , Zn1 An1 , n1 = k

= P Z1 A1 , . . . , Zn1 An1 P [Z1 An D] /P [Z1 D] .

Corollaire 1.3.7 Soit

1.3. AUTRES LOIS

(A) = P [Z1 A D] /P [Z1 D] =

Preuve. tiliser l roposition IFQFTF Remarque 1.3.10

CHAPITRE 1. GNRALITS ET NOMBRES ALATOIRES

Exemple 1.3.11 Soit la densit dnie par

On peut alors prendre g dnie par

(loi uniforme sur [1, 1]) et a = 4/ .

1.3.3 Mthode par transformation

Lemme 1.3.12 (Formule de changement de variables) Soit un diomorphisme d'un

Preuve. oir pr exemple SQF

Corollaire 1.3.13 Soit X un vecteur alatoire de densit f sur Rd . On suppose que X

Preuve. oit h une fontion orlienne orne de Rd dns RF yn lule

in pplint le vemme IFQFIP := 1 et g := h D on otient X

h( ( 1 (y )))f ( 1 (y )) det(( 1 )(y )) dy h(y )f ( 1 (y )) det(( 1 )(y )) dy .

v fontion h tnt quelonqueD ei onlut l preuveF

1.3. AUTRES LOIS

Proposition 1.3.14 (Box-Mller) Soit (U, V ) U]0,1[ et

Alors (X, Y ) N (0, I2 ).

Alors (X, Y ) N (0, I2 ).

CHAPITRE 1. GNRALITS ET NOMBRES ALATOIRES

Proposition 1.3.17 Soit

positive. (1) Il existe A Md telle que AA = . (2) Si Y N (0, Id ), alors X = + AY N (, ).

Exemple 1.3.11 Soit la densit dnie par

On peut alors prendre g dnie par

Lemme 1.3.12 (Formule de changement de variables) Soit un diomorphisme d'un

Dnition 1.4.3 On dit que f