Académique Documents
Professionnel Documents
Culture Documents
de Laplace en Finance
Ali Benslimane
TELECOM ParisTech
Introduction
Outils mathmatiques
2.1
2.2
Approximation de Pad
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.3
Transforme de Laplace
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Pricing d'options
3.1
. . . . . . . . . . . . . . . . . . . . . .
3.2
10
3.3
18
3.4
21
Annexe
24
Introduction
Dans la littrature nancire, on trouve un grand nombre d'articles qui utilisent l'analyse de
Fourier pour dterminer des prix d'options. Dans cet article, on exposera des mthodes permettant
d'utiliser la transforme de Fourier rapide (la FFT), la transforme de Laplace et l'approximation de
Pad pour valuer le prix d'options. Premirement, on prsentera les outils mathmatiques utiliss et
leurs algorithmes. Nous prsenterons l'algorithme de Cooley-Tukey qui se base sur l'inversion de bits
pour eectuer la transformation de Fourier, l'algorithme qui permet de calculer les coecients de
l'approximation de Pad et l'algorithme de Stehfest qui permet de calculer la transform de Laplace
inverse. Ensuite, nous calculerons le prix d'options en se basant sur ces mthodes mathmatiques
et nous comparerons les rsultats de ces direntes mthodes de pricing avec les rsultats donns
par des mthodes plus classiques.
Mots cls : Transforme de Laplace, Transforme de Fourier, Approximation de Pad, Pricing
d'options europennes.
Outils mathmatiques
2.1
La transforme de Fourier rapide ou FFT (de l'anglais Fast Fourier Transform) est une mthode
rapide de calculer la Transforme de Fourier Discrte (TFD).
Si on possde n lments complexes
x0 , .....,xn1 ,
n1
X
X(k) =
x(r)exp(2i
r=0
On pose
r = 2p
si
est pair et
X(k) =
N
1
X
r = 2p + 1
x(2p)exp(2i
p=0
si
est impair.
k = 0, . . . , n 1
kr
)
n
X(k)
N = n/2
N
1
X
2pk
(2p + 1)k
x(2p + 1)exp(2i
)+
)
n
n
p=0
N
X2N (k) = x(k) : k = 0, ...., 2N 1
L'expression de
X(k)
X2N (k) =
s'crit maintenant :
N
1
X
p=0
Le facteur
k
exp(2i 2N
)
X2N (k) =
x0N (p)exp(2i
N
1
X
pk
pk
k
xiN (p)exp(2i )exp(2i
)+
)
N
N
2N
p=0
ne dpend pas de
"N 1
X
p=0
pk
x0N (p)exp(2i )
N
"N 1
#
X
k
pk
i
+ exp(i )
xN (p)exp(2i )
N
N
p=0
Si
quences
0
X2N (k) = XN
(k) + exp(i
k
)X i (k)
N N
k
) = exp(i Nl ), l'quation
N k 2N 1, on peut crire k = l + N , et comme exp(i N
de X2N s'crit :
Si
X2N (l+N ) =
"N 1
X
p(l
x0N (p)exp(2i
p=0
#
"N 1
#
+ N)
(l + N ) X i
p(l + N )
) +exp(i
)
xN (p)exp(2i
)
N
N
N
p=0
l = 0, ...., N 1
0
X2N (l + N ) = XN
(l) exp(i
l
)X i (l)
N N
k
0
i
(k) + exp(i N
X2N (k) = XN
(k)
)XN
(k = 0, . . . , N 1)
k
0
i
X2N (k + N ) = XN (k) exp(i N )XN
(k)
Une fois rcrites de la sorte, ces expressions permettent de calculer la somme de la transforme de
Fourier discrte en
O(n log n)
O(n2 )
oprations.
Pour ce qui est du codage, on a utilis l'algorithme de Cooley-Tukey qui s'appuie sur la mthode
d'inversion des bits pour rordonner les donnes. Pour plus de prcisions ce sujet, le lecteur pourra
se rferer Sundarajan, Ahmad, et Swamy.
2.2
Approximation de Pad
L'approximation de Pad est une technique qui permet d'approcher une fonction par une fraction
rationnelle avec un ordre de prcision qui crot quand on augmente le degr du numrateur et du
dnominateur. On utilisera cette technique pour approcher des sries entires qui apparaissent dans
des expressions d'valuation de prix d'options. On s'appuiera sur l'algorithme Quotient-Dierence
(plus connu sous le nom d'algorithme QD) qui convertit une srie entire en une fraction continue
qui converge plus rapidement que la srie de dpart. Une fraction continue est une fraction de la
forme :
b0 +
a1
b1 +
a2
a3
b2 + b +.....
3
b0 +
ak
bk
in
k=1
est innie.
et
b0 +
ak
bk
i
k=1
si elle
Notre but est de partir d'une srie entire dont les coecient sont donns par la suite
(si ),
par
exemple :
S(z) =
sk z k
k=0
et de trouver une suite
(ck )
h c z in
k
Cn (z) = c0 / 1 +
1 k=1
est l'approximation de Pad l'ordre [bn/2c / b(n + 1)/2c] de S(z). En
est une fraction rationnelle dont le numrateur est de degr bn/2c et le
b(n + 1)/2c. De plus Cn (z) vrie :
d'autres termes,
Cn (z)
dnominateur de degr
(i)
qk
(ck ),
(i)
ek
Ensuite, les
(ck )
(i)
(i)
e0 = 0, q1 = si+1 /si
(i)
(i+1)
(i+1)
(i)
ek = ek1 + qk
qk
(i)
(i+1) (i+1) (i)
qk+1 = qk
ek
/ek
(i = 0, 1, 2, . . . ; k = 1, 2, . . .)
c0 = s0
(0)
c2k = ek
(k = 0, 1, 2, . . .)
(0)
c
=
q
2k1
k
Aprs on cherche des polynmes
que :
Cn (z) =
An (z)
Bn (z)
Ces polynmes sont aussi dnis rcursivement avec la relation suivante qui utilise la suite des
coecients
(ck ) :
Arctan(x) =
X
(1)k x2k+1
k=0
2k + 1
=x
X
(1)k (x2 )k
k=0
2k + 1
Pad.
Sur le tableau qui suit, on voit qu'avec un trs petit nombre de termes
converger rapidement vers
si (20
termes), on arrive
5
10
15
20
500
0.19809
0.099753
0.0512242
5.11965e8
0.19809
0.099753
0.066593
0.0499688
0.002
Figure 1
2.3
Si
Transforme de Laplace
est une fonction relle, sa transforme de Laplace
f est
dnie par :
f() =
ex f (x)dx
0
est une variable complexe. Cette relation peut tre inverse et on obtient la transforme de
Laplace inverse :
+i
1
f (x) =
2i
ex f()d
i
Si
f() =
ex f (x)dx = E [exp(X)]
0
La transforme de Laplace inverse est trs pratique parce que dans certains cas, il est plus faile
de calculer la fonction gnratrice de moments d'une variable alatoire plutt que de calculer sa
fonction de densit. Il se trouve qu'en pratique le calcul de cette transforme inverse n'est pas
vident vu qu'on intgre sur un chemin complexe. Harald Stehfest a prsent un algorithme qui
permet d'eectuer ce calcul pour des fonctions qui n'ont pas de discontinuits et qui n'oscille pas
rapidement. Mais en gnral, les fonctions qu'on utilise satisfont ces conditions. L'algorithme de
Stehfest nous donne :
L
Avec les coecients
Vi
ln2 X
Vi f
(f (s)) = F (t) =
t i=1
ln2
i
t
dnis par :
min(i,N/2)
N
Vi = (1) 2 +i
k=[ i+1
2 ]
( N2
k 2 +1 (2k)!
k)!k!(k 1)!(2k i)!(i k)!
Pour ce qui est du calcul de la transforme de Laplace directe, on utilise un changement de variable
(u = ex )
pour avoir une intgrale avec des bornes nies au lieu d'avoir une intgrale avec des
bornes innies.
f() =
1
e
3
3.1
us1 f (ln(u))du
f (x)dx =
0
Pricing d'options
Transforme de Fourier du prix d'une option
ST
K = exp(k)
et de maturit T en utilisant
sT = log(ST ) le log
qT (s) la densit risque-neutre de sT . La fonction caractristique de sT est dnie par :
T (u) = E(e
iusT
eius qT (s)ds
)=
CT (k)
>0
S0
quand
).
tend vers
eivk cT (k)dk
T (v) =
eivk
T (v) =
s
e
rT
erT qT (s)
qT (s)
e(1++iv)s
e(1++iv)s
ds
+ iv
+ 1 + iv
T (v) =
erT T (v ( + 1)i)
+ v 2 + i(2 + 1)v
Maintenant, il ne reste plus qu' calculer le prix du call en utilisant la transforme de Fourier
inverse :
exp(k)
CT (k) =
2
ivk
exp(k)
T (v)dv =
eivk T (v)dv
0
CT (k)
T (v)
est
E(ST+1 ) <
De cette manire on obtient donc une condition sur le paramtre
3.2
Dans cette partie, on montre comment on utilise la transforme de Fourier rapide pour valuer
les prix des options valus dans la partie prcdente. On commence tout d'abord par approximer
sj = (j 1)
pour
j = N . . . N
N est le nombre de
s'exprime alors :
= (j 1))
eiusj qT (sj )
j=N
mation (vj
N
X
eius qT (s)ds w
T (u) =
T (v)
et ensuite calculer
CT (k)
avec l'approxi-
exp(k)
CT (k) =
eivk T (v)dv w
0
exp(k) X ikvj
e
T (vj )
j=1
Il ne nous reste plus qu' calculer cette somme pour direntes valeurs de
avec l'algorithme de la
S0 = 100,
avec un taux de
4%,
une volatilit de
20%
10
et une maturit de
ans. On prend
= 1.1
Strike
95.3844
95.3844
10
90.7688
90.7688
15
86.1533
86.1533
20
81.5377
81.5377
25
76.9221
76.9221
30
72.3065
72.3065
35
67.691
67.691
40
63.0763
63.0762
45
58.4645
58.4648
50
53.8623
53.8633
55
49.2835
49.2862
60
44.7523
44.7565
65
40.3033
40.3007
70
35.9799
35.964
75
31.8305
31.8405
80
27.9024
27.9203
85
24.2374
24.1974
90
20.8678
20.9139
95
17.8141
17.7711
100
15.0847
15.1245
105
12.6768
12.6351
110
10.5781
10.6276
115
8.76938
8.70955
120
7.22642
7.29195
125
5.92239
5.86495
130
4.82954
4.85996
135
3.92063
3.92964
11
Figure 2
Maintenant on observe la dirence entre les valeurs obtenues en faisant varier la maturit du call
europen et en prenant comme taux
sous-jacent la date
de
100
4%,
une volatilit de
12
20%,
un strike de
105
et un prix du
Maturit
7.56699
7.50432
12.6768
12.6351
16.9917
16.9594
20.8485
20.8218
24.3828
24.36
27.6661
27.6462
30.7423
30.7247
33.6409
33.6252
36.3832
36.3691
10
38.9854
38.9726
11
41.4602
41.4485
12
43.818
43.8073
13
46.0674
46.0576
14
48.216
48.2069
15
50.27
50.2617
16
52.2352
52.2275
17
54.1167
54.1095
18
55.9189
55.9123
19
57.6461
57.6399
20
59.302
59.2963
Figure 3
Nous allons appliquer cette mthode utilisant la transforme de Fourier sur un autre modle de
pricing d'options qui est le modle Variance-Gamma (VG). Madan, Carr et Chang expliquent que
13
ce modle enlve le smile observ quand on trace les volatilits implicites en fonction des prix
d'exercice. Un processus VG est obtenu en valuant le mouvement brownien arithmtique avec un
drift
et une volatilit
et un taux de variance de
Le processus rsultant
et
Xt (, , )
est un
St = S0 exp(rt + Xt (, , ) + t)
o en posant
= (1/)ln(1 2 /2),
r.
Calculons maintenant la fonction caractristique du logarithme du prix dans ce cas :
XT
XT .
XT (u) = (1 iu + 2 u2 /2)T /
D'o l'expression de la fonction caractristique du logarithme du prix :
=
s= q
1+
2
= s
c1 =
( + s)2
2
c2 =
2
2
14
et
1
S0
T
1 c1
d=
ln
+ rT + ln
s
K
1 c2
et le prix du call est :
r
c(S0 , K, T ) = S0 d
o la fonction
1 c1
, ( + s)
T
,
1 c1
r
Kexp(rT ) d
1 c2
, s
T
,
1 c2
(a, b, ) =
N
a
+b u
u
u1 exp(u)
du
()
0
o
tel que
Re(z) > 0
(z) =
par :
tz1 et dt
0
Si on veut calculer le prix de l'option avec la formule analytique, soit on calcule l'intgrale apparaissant dans l'expression de
qui utilise
(a, b, ) =
1
1+u
c+ 2 exp(sign(a)c)(1 + u)
K+ 21 (c) , 1 , 1 + ;
, sign(a)c(1 + u)
2
2()
1
c+ 2 exp(sign(a)c)(1 + u)1+
1+u
, sign(a)c(1 + u)
sign(a)
K 21 (c) 1 + , 1 , 2 + ;
2
2()(1 + )
+sign(a)
o
et
1
c+ 2 exp(sign(a)c)(1 + u)
1+u
, sign(a)c(1 + u)
K 12 (c) , 1 , 1 + ;
2
2()
p
b
c = |a| 2 + b2 , u =
2 + b2
la fonction hypergomtrique
()
(, , ; x, y) =
()( )
1
u1 (1 u)1 (1 ux) exp(uy)du
0
On obtient les rsultats suivants avec le calcul du prix avec la formule analytique et avec la FFT.
On observe d'abord les variations du prix d'un call europen en faisant varier le prix d'exercice.
15
Figure 4
On remarque que les prix commencent devenir dirents ds que le strike dpasse 40. En faisant
un test avec une mthode de Monte-Carlo, il se rvle que les prix justes sont ceux donns par
la mthode utilisant la FFT. L'cart non ngligeable entre les deux mthodes vient du fait que la
formule analytique du prix de l'option europenne dans le modle Variance Gamma (VG) utilise
des fonctions hypergomtriques qui prsentent des singularits diciles contrler quand on fait
des approximations numriques. Les approximations de l'intgrale apparaissant dans la formule de
avec les mthodes des rctangles, des trapzes et de la quadrature de Gauss-Laguerre donnent
K = 100, taux r = 5%, maturit T = 1an, volatilit = 12%, = 0.1, = 0.16, = 1.1.
16
S0
Prix B&S
Prix VG
Dirence de prix
70
0.0164686
0.0160231
-0.000445445
72
0.034149
0.0315927
-0.00255634
74
0.0663812
0.0597461
-0.00663517
76
0.121622
0.108427
-0.0131952
78
0.211075
0.188912
-0.0221635
80
0.348576
0.316124
-0.0324519
82
0.550069
0.508343
-0.0417259
84
0.832675
0.786071
-0.0466041
86
1.21346
1.17008
-0.043387
88
1.70808
1.67894
-0.0291405
90
2.32946
2.32675
-0.00271212
92
3.08678
3.12155
0.0347638
94
3.98487
4.06492
0.0800497
96
5.02396
5.15258
0.128623
98
6.19996
6.37563
0.175664
100
7.50514
7.72203
0.216889
102
8.92886
9.17808
0.249226
104
10.4586
10.7296
0.270979
106
12.0809
12.3627
0.28179
108
13.7823
14.0647
0.282403
110
15.5496
15.8239
0.274313
112
17.371
17.6304
0.259417
114
19.2357
19.4754
0.239717
116
21.1347
21.3518
0.217098
118
23.0602
23.2533
0.193188
120
25.0059
25.1752
0.169289
122
26.9668
27.1132
0.146366
124
28.939
29.0641
0.125071
126
30.9194
31.0252
0.105788
128
32.9058
32.9945
0.0886918
130
34.8964
34.9702
0.0737954
132
36.8899
36.9509
0.0610044
134
38.8856
38.9357
0.0501556
136
40.8827
40.9237
0.041049
138
42.8807
42.9142
0.0334709
140
44.8794
44.9066
0.0272105
17
Figure 5
On remarque que les prix des options donnes par le modle VG sont trs proches de celles donnes
par le modle Black Scholes. Il est intressant de noter que les prix des options avec le modle VG
sont plus ou moins levs que ceux avec le modle B&S suivant qu'elles soient dans la monnaie,
la monnaie ou en dehors de la monnaie.
3.3
X(t) = log(S(t)/S(0))
On suppose que sous une probabilit risque-neutre P*, le processus X(t) est donn par :
1
X(t) = (r 2 )t + W (t), X(0) = 0
2
la volatilit et W (t) un mouvement brownien.
La fonction gnratrice
h
i
E eX(t) = exp(G()t)
o la fonction G est dnie par :
1
1
G(x) = x(r 2 ) + x2 2
2
2
T et de strike K = ek est donn par :
h
i
+
+
CT (k) = erT E (S(T ) K) = erT E S(0)eX(T ) ek
18
fC () =
de
CT (k)
ek CT (k)dk = erT
S(0)+1
exp(G( + 1)T ), > 0
( + 1)
Il est aussi possible de calculer les sensibilits de l'option en prenant l'inverse des drives des
et sont :
S(0)
(CT (k)) =
CT (k) = L 1 (erT
exp(G( + 1)T )|k=logK
S(0)
(CT (k)) =
2
2 S(0)
On inverse la transforme de Laplace en utilisant l'algorithme d'Euler dcrit dans Abate et Whitt.
S0 = 100,
de maturit
varie.
Strike
B&S CF
TLI
Erreur
B&S CF
avec TLI
Erreur
25
4.95414e-009
9.78895e-009
9.78894e-009
1.83128e-014
30
0.999999
0.999999
3.50765e-009
2.46256e-007
2.46243e-007
1.27308e-011
35
0.999982
0.999982
5.46887e-009
2.72166e-006
2.72174e-006
7.84194e-011
40
0.999876
0.999876
2.46536e-008
1.71569e-005
1.71569e-005
4.27837e-011
45
0.999418
0.999418
6.48271e-008
7.23426e-005
7.23412e-005
1.42828e-009
50
0.997979
0.997979
7.27318e-008
0.000226267
0.000226271
3.89894e-009
55
0.994425
0.994425
4.62792e-008
0.000563239
0.000563245
6.10477e-009
60
0.987136
0.987136
1.18925e-007
0.00117278
0.00117277
1.70007e-008
65
0.974251
0.974251
1.08388e-007
0.00211806
0.00211802
3.52694e-008
70
0.954035
0.954035
4.08403e-007
0.00340891
0.00340892
1.11817e-008
75
0.92526
0.925261
1.83588e-007
0.00499148
0.00499158
1.08206e-007
80
0.887472
0.887472
7.52821e-007
0.00675707
0.00675721
1.44941e-007
85
0.841068
0.841066
1.71772e-006
0.00856475
0.00856477
1.84009e-008
90
0.787208
0.787206
1.58671e-006
0.0102686
0.0102683
2.49432e-007
95
0.727614
0.727615
2.7169e-007
0.0117415
0.011741
4.97419e-007
100
0.664313
0.664317
3.32936e-006
0.0128908
0.0128902
5.212e-007
105
0.599388
0.599394
6.00505e-006
0.0136647
0.0136645
2.01887e-007
110
0.53478
0.534787
6.58059e-006
0.0140511
0.0140515
4.15553e-007
115
0.472149
0.472153
4.31919e-006
0.0140704
0.0140715
1.13012e-006
120
0.412803
0.412802
1.16885e-006
0.0137665
0.0137681
1.6627e-006
125
0.35768
0.357671
8.454e-006
0.0131974
0.0131992
1.76033e-006
130
0.307365
0.307349
1.55876e-005
0.0124266
0.0124279
1.28318e-006
135
0.262139
0.262118
2.04963e-005
0.0115164
0.0115167
2.47872e-007
140
0.222033
0.222012
2.14142e-005
0.0105237
0.0105226
1.17813e-006
145
0.186891
0.186874
1.73283e-005
0.00949708
0.00949436
2.72064e-006
150
0.156422
0.156414
8.22024e-006
0.00847564
0.00847158
4.06299e-006
155
0.130252
0.130257
4.93911e-006
0.00748928
0.00748436
4.91193e-006
160
0.10796
0.107981
2.03949e-005
0.00655921
0.00655416
5.05092e-006
19
Figure 6
Figure 7
20
3.4
L'approximation de Pad peut tre utilise chaque fois qu'on veut calculer la valeur d'une srie
entire en un point mais galement quand on veut calculer une intgrale. En eet, une intgrale peut
tre approche par une somme innie qui son tour peut tre approche par une fraction continue
dont les coecients sont calculs par l'algorithme de l'approximation de Pad dont on trouvera le
code source en C++ en annexe.
Pour commencer on va tester les rsultats donns par l'approximation de Pad applique la formule
de pricing suivante :
CT (k) =
exp(k)
eivk T (v)dv w
0
sj qu'on
N
exp(k) X
CT (k) w
sj z j
j=1
exp(k) X ikvj
T (vj )
e
j=1
de coecients
choisit :
o on a pos :
z = eik , sj = T (j)
L'algorithme de l'approximation de Pad nous permet de calculer les coecients de deux polynmes
An (z)
et
Bn (z)
tels que :
CT (k) w
exp(k) An (z)
Bn (z)
prix. A titre d'exemple nous allons calculer le prix d'un call europen sur un sous-jacent de prix
S0 = 100,
de maturit
T = 2ans,
de volatilit
21
Nombre de coecients
sj
200
50.6279
400
47.7311
600
46.7164
800
45.5178
1000
45.9586
1200
46.0121
1400
45.5982
1600
45.4925
1800
45.4102
2000
45.3444
2200
45.2906
2400
45.2458
2600
45.2078
2800
45.1753
3000
45.147
3200
45.1224
3400
45.1006
3600
45.0813
3800
45.064
4000
45.0483
Figure 8
En revanche, l'approximation de Pad ne prsente pas d'intrt particulier ici vu le nombre de
coecients qu'il faut calculer donc son utilisation dans ce cas n'est pas intressante.
22
Maintenant on va voir un exemple o l'approximation de Pad est trs utile. On va s'en servir pour
calculer la fonction de rpartition d'une variable alatoire. Dans la premire partie, on a vu que :
f() =
ex f (x)dx = E [exp(X)] = MX ()
0
o on a not
de
MX ()
prise au point
et
la fonction de densit
X.
1
fX (l) =
2i
+i
el MX ()d
i
1
FX (l) =
2i
+i
el
MX ()d
i
Maintenant on va diviser le chemin d'intgration en petits intervalles avec un pas de discrtisation
h X
MX ( + ikh)
exp [( + ikh)l]
2
+ ikh
k=
"
!
#
X
ML () X
MX ( + ikh)
h
h
+
Re
exp(ikhl)
= exp(l)Re
sk zlk
FX (l) = exp(l)
2
+ ikh
FX (l) =
k=1
o on a dni
s0 =
k=0
MX ()
MX ( + ikh)
, sk =
(k = 1, 2, . . .),
2
+ ikh
zl = exp(ihl)
Nt
Nt
X
h
FX (l) ' exp(l)Re
sk zlk
k=0
23
Annexe
#include
#include
#include
#include
#include
#include
#include
#include
<iostream>
<complex>
<vector>
"matrix.h"
<cmath>
<math.h>
"Polynom.h"
"Fonctions.hh"
// Maintenant on calcule les coefficients de la squence c qu'on va utiliser pour trouver les c
// de la dcomposition de Pad
vector<dcmplx> c(m) ;
c[0]=s[0] ;
for (long i=1 ; i<n ; i++){
dcmplx a = -e.get(0,i) ;
dcmplx b= -q.get(0,i) ;
c[2*i]=a ;
c[2*i-1]=b ;
}
return c ;
}
dcmplx coeff_frac(const vector<dcmplx>& c, const dcmplx m){
vector<cpoly> A, B ;
cpoly c0 ;
cpoly poly1 ;
cpoly poly0 ;
cpoly J ;
c0.set(0,c[0]) ;
poly1.set(0,dcmplx(1,0)) ;
poly0.set(0,dcmplx(0,0)) ;
J.set(1,dcmplx(1,0)) ;
A.push_back(poly0) ;
A.push_back(c0) ;
B.push_back(poly1) ;
B.push_back(poly1) ;
for (long i=2 ; i<c.size() ; i++) {
A.push_back(A[i-1]+c[i-1]*J*A[i-2]) ;
B.push_back(B[i-1]+c[i-1]*J*B[i-2]) ;
}
return (A[A.size()-1].ev(m))/(B[B.size()-1].ev(m)) ;
}
25
Rfrences
[1] Peter P. Carr et Dilip B. Madan (1999), Option Valuation Using the Fast Fourier Transform,
[2] Steven Kou, Giovanni Petrella et Hui Wang (2005), Pricing Path-dependant Options with Jump
Risk via Laplace Transforms,
74(1) : 1-23
[3] Yasushi Takano et Jiro Hashiba (2008), A Novel Methodology for Credit Portfolio Analysis :
Numerical Approximation Approach, Mizuho-DL Financial Technology
[4] Stehfest, H., "Algorithm 368 - Numerical Inversion of Laplace Transforms,"
Communications of
[5] Dilip B. Madan, Peter P. Carr, Eric C. Chang (1998), The Variance Gamma Process and Option
Pricing,
[6] D. Sundarajan, M.O. Ahmad and M.N.S. Swamy (1997), Fast computation of the discrete
Fourier transform of real data.
[7] Joseph Abate et Ward Whitt (1993), Numerical Inversion of Laplace Transforms of Probability
distributions.
26