Vous êtes sur la page 1sur 172

Introduction au calcul stochastique

appliqué à la finance
Damien Lamberton

Bernard Lapeyre

Avant-Propos
Pour cette seconde édition, nous avons apporté quelques modifications au texte primitif.
Les premières concernent la correction d’erreurs plus ou moins importantes. L’erreur la plus
sérieuse était une affirmation fausse concernant les intégrales stochastiques (voir le résumé des
propriétés de l’intégrale stochastique à la fin de la section 4.1 du chapitre 3 et l’exercice 15, qui
nous a été inspiré par Marc YOR).
Nous avons ajouté quelques sujets de problèmes à la fin du chapitre 4. Ces problèmes permettent d’introduire et de traiter divers exemples d’options exotiques.
Nous avons complété la bibliographie de quelques titres récents, en particulier sur le thème
des marchés incomplets, le chapitre 7 ne faisant qu’effleurer le sujet.
Enfin, nous avons récrit les programmes de simulation et d’analyse numérique dans le langage C qui se répand de plus en plus dans les banques.
Nous remercions les collègues qui nous ont signalé des erreurs ou des coquilles. Il en reste
hélas sûrement et nous espérons que les lecteurs de cette nouvelle édition voudront bien nous
les signaler.
Damien Lamberton et Bernard Lapeyre.

.

. . . . .1 Exercice et couverture des options américaines 5. 6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 Application aux options américaines . . . . . . . . . . . . . . . . . . . . . . 3 Marchés complets et évaluation des options . . . . . . . . . . . . . . . . . . . . . . . 3 Martingales à temps continu . . . . . . . . . . . . . . . . . . . 4. . . . . . .3 Première approche des options américaines . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 27 28 30 32 32 33 34 35 . . . . . . . . . . . . . . . . . . . . . 5. . . . . . . . . . . . 2. . . . 1. . . . . . . . . . 4. . . . . . . . . . . . . . . . . . . . . . . . . 21 22 23 . . . . . . . . . . . . . . 9 9 10 11 11 12 1 Modèles discrets 1 Le formalisme des modèles discrets . . . . . . . 5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 Remerciements . . . . . . . . . . . . . . . . . . . . . . . .3 Stratégies admissibles et arbitrage . . . . . . . . . . .1 Martingales et transformées de martingales . . . . . . . . . . . . . . . . . . . 3 Mouvement brownien et équations différentielles stochastiques 1 Généralités sur les processus à temps continu . . . . . . . . . . . . . . . . . . . . .2 Options américaines et options européennes . . . . . . . 13 13 13 13 15 16 16 17 19 19 2 Problème d’arrêt optimal et options américaines 1 Notion de temps d’arrêt . . . . . . . . . . . . . . . 4 Intégrale stochastique et calcul d’Itô . . . . . . 1. . . . . . . . . . . Ross et Rubinstein . . . 3 Décomposition des surmartingales . . . . . . . . . . . . .2 Marchés financiers viables .1 Marchés complets . . .1 Construction de l’intégrale stochastique . . . . . . . . . . . . . . . . . . . . . . . 2 Martingales et arbitrages . . . . . .Table des matières Introduction 1 Le problème des options . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2. 4 Plan du livre . . . . . . . . . . . . 3. . . . . . . . . . . . . . . . . . . . . . .2 Calcul d’Itô . . . . . . . . . . . . . . . . . . . . . . . .2 Evaluation et couverture des actifs conditionnels dans les marchés complets . . . . . . 2 Le mouvement brownien . . . . . . . . . . . . . 4 Problème corrigé : le modèle de Cox. . . . . . . . . . 2 La notion d’arbitrage et la relation de parité call-put 3 Le modèle de Black-Scholes et ses extensions . . . . . . . . . . . . . . . . . . . 1. . . . . . . 2 Enveloppe de Snell . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1 Les actifs financiers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 39 41 42 44 45 50 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 Enveloppe de Snell et chaînes de Markov . . . . 3. . . . . . . . . . . . . . . . . . 3. . . . . . . . . .2 Les stratégies . . . . . . . . . . .

. . . . . . . . . . . . . 102 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4. . . . . . . . . . . . . . . . . . . . . . . . . 100 1. . . . . . 2. . . 1. . . . Equations différentielles stochastiques . . . . . . . . . . .2 Les stratégies autofinancées . . . . . . . . . . . . . . . . prix critique . . . . . . . . . . . . . . . . .1 Théorème d’Itô . . . . . 2. . . . 1. . . . . . . .2 Le processus d’Ornstein-Ulhenbeck . . . .1 Une probabilité sous laquelle S˜ t est une martingale . . . . 3. . .2 Le put américain dans le modèle de Black et Scholes . . . . . . . . . . . . . . . . . . . . . 5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1 Générateur infinitésimal d’une diffusion . . . 1. . . . . . . . . . . . . . . .1 Notion de courbe des taux . .2 Puts perpétuels. . . . . . . . . . . . 4 Modèle de Black et Scholes 1 Description du modèle . . . . . . . . . . . . . . . . . . 104 3 Le problème des options américaines . . . . .6 TABLE DES MATIÈRES 5 6 4. . . 5. . . . 2 Quelques modèles usuels . 113 6 Modèles de taux d’intérêt 1 Principes de la modélisation . . . . . . . . . . .1 Le modèle de Vasicek . . . . . . . . . . . . . . . . . . . . . . . . 3. . .2 La méthode des différences finies .3 Théorème de représentation des martingales browniennes . . . . . . . . . 98 1. . . . . . . . . . . . . . . . . . . . . . 5. . . . 2. . . . . . . . . . .1 Evaluation des options américaines . . . . . .2 Calculs d’espérances et équations aux dérivées partielles . . . . . . . . . . 117 117 117 118 120 122 122 . . 107 3. . .1 L’évolution des cours . . . . . .2 Pricing . . . . . . . . . 107 3. . . . . . . . . . . . . . . . . . . 2 Changement de probabilité. . . . . . .3 Options sur obligations . . . . . . . . . .4 Formule d’Itô multidimensionnelle . . . . . 95 1. . . . . . . .3 Equations différentielles stochastiques à valeurs vectorielles . . . . . . . . . . . . . . . . . .3 Exemples d’utilisation de la formule d’Itô . . . 1. .4 Propriété de Markov des solutions d’équations différentielles stochastiques . . . . . . . . . . . .1 Probabilités équivalentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109 3. . . . . . . . . . . Théorème de représentation des martingales 2. . . . . . . . . .3 La méthode binomiale pour le calcul du put américain . . . . . 5.4 Equation aux dérivées partielles sur un ouvert borné et calcul d’espérance101 2 Résolution numérique des équations paraboliques. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3 Le cas du modèle de Black et Scholes . . . . . . . . . . . . . . . . . . . . . . . . 4 Options américaines dans le modèle de Black-Scholes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102 2. . . . . . . . . .1 Localisation . Exercices . . . . . 113 4 Exercices . . . . . . . . . . . . . . . . . . . . 4. . 4. . . . . . . . . . . . . . . . . . . 3 Evaluation et couverture des options dans  le modèle de Black et Scholes 3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 54 55 56 58 59 59 62 67 67 67 68 69 69 70 70 71 71 71 74 75 75 77 80 5 Evaluation des options et équations aux dérivées partielles 95 1 Calculs de prix d’options européennes pour les modèles de diffusion . . . . . . . . . . . . . . . . . . . . .2 Théorème de Girsanov . . . . . . . . . . 5 Exercices . . . . . . . . . . . . . . . . . . . . . 96 1. . .3 Couverture des calls et des puts . . . . . . . . .1 Formulation du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2 Courbe des taux en avenir incertain 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . 124 2. . . . . . . . . .1 La méthode de Monte Carlo . . . . . . . . . . . . . . 2. . . . . . . . 127 Exercices . . . . . . . . . . . . . . . . . . . . . .4 Couverture des calls et des puts . .1 Approximation de la fonction de répartition d’une gaussienne . . . . Bibliographie . . . . . . . . . . . . . . . . . . . . . . . 129 7 Modèles d’actifs avec sauts 1 Processus de Poisson . . . . . . . . . . .3 L’algorithme de Cox Ross pour le calcul du prix d’une option américaine 157 3 Exercices . . . . . . . . . . .4 Simulation de processus stochastiques . . . . . . . . . 1] . 158 Appendice 1 Variables aléatoires gaussiennes . . . . . . . . . . . 156 2. . . . . . . . . . . . . . . . 3. . . . . . . . . . . . . . . . . . . . . . . . . 3. . . . . . . . . . . . . . . . . 161 161 161 161 162 162 163 164 165 167 . . .1 Les stratégies admissibles . . . . . . . . . . . . . . . . . . . .2 Le modèle de Cox-Ingersoll-Ross . . . . . 149 1. . . . . . . . .2 Simulation d’une loi uniforme sur [0. . . . . . . . . . . . . . . . . . . . 1. . . . . . . . . . . . . . . . . . . . 155 2. . . . . . . . . . .3 Calculs d’espérances conditionnelles . . . . . . . . . . . .2 Vecteurs gaussiens . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 Description de l’évolution de l’actif risqué 3 Evaluation et couverture des options . . . 2 Espérance conditionnelle . . . . .1 Exemples de sous-tribus . . . 4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2. . . . . . . . . . . . . . . . 3. . . . . . . . . . . . . . . . . . . . . . . . . . . .1 Gaussiennes réelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2 Propriétés de l’espérance conditionnelle 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150 1. . . . . . . 3. . . . . . . . .2 Implémentation informatique de la méthode de Brennan et Schwartz . . . . . . . . . . . . . . . . . . .3 Prix des calls et des puts . . . .3 Autres modèles . . . .3 Simulation des variables aléatoires . . . . . . . . . 155 2. . 152 2 Quelques algorithmes utiles . . . . . . . . . . . . . .2 Pricing . . . . . . . . . . . . . . . . . . . . . . 149 1. . . . . . 3 Théorème de séparation des convexes .7 TABLE DES MATIÈRES 3 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133 133 135 140 140 143 143 144 147 8 Simulation et alogrithmes pour les modèles financiers 149 1 Simulation et modèles financiers . . . . . . . 1. . . 150 1. . . . . .

.

Mais elle a pris une dimension nouvelle à partir de 1973. mais pour montrer seulement que le marché. l’objet mathématique appelé aujourd’hui “mouvement brownien”. à une date convenue et à un prix fixé d’avance. L. d’une obligation. à des outils mathématiques de plus en plus sophistiqués (martingales. on parle d’option américaine. tant au niveau de la généralité que de la clarté et de la rigueur mathématique et la théorie paraît suffisamment avancée pour tenter de la rendre accessible à des étudiants. – le montant. Théorie de la Spéculation (1900) Le but de ce livre est de fournir une introduction aux techniques probabilistes nécessaires à la compréhension des modèles financiers les plus courants. intégrale stochastique) pour la description des phénomènes et la mise au point de méthodes de calcul. . qui limite la durée de vie de l’option . c’est-à-dire la quantité d’actif sous-jacent à acheter ou à vendre. depuis quelques années. à son insu. En réalité. avec les travaux de Black-Scholes [BS73] et Merton [Mer73] sur l’évaluation (“pricing” en anglais) et la couverture des options. qui a été le moteur de la théorie et reste l’exemple le plus frappant de la pertinence des méthodes de calcul stochastique en finance. les méthodes de Black-Scholes et Merton ont été perfectionnées. BACHELIER. – l’actif sous-jacent. et non l’ obligation d’acheter ou de vendre (selon qu’il s’agit d’une option d’achat ou de vente) une certaine quantité d’un actif financier. – l’échéance ou date d’expiration. sur lequel porte l’option : dans la pratique. si l’option ne peut être exercée qu’à l’échéance. ce n’était pas pour vérifier des formules établies par les méthodes mathématiques. Depuis.Introduction Si. au début du siècle. La description précise d’une option se fait à partir des éléments suivants : – la nature de l’option : on parle. Les spécialistes de la finance ont en effet recours. si l’option peut être exercée à n’importe quel instant précédant l’échéance. Une option est un titre donnant à son détenteur le droit. tandis que se développaient les marchés d’options. 1 Le problème des options Notre exposé est principalement centré sur le problème des options. suivant la terminologie anglo-saxonne. d’une devise etc. de call pour une option d’achat et de put pour une option de vente. l’intervention du calcul des probabilités en modélisation financiére n’est pas récente : c’est en tentant de bâtir une “théorie de la spéculation” que Bachelier [Bac00] a découvert. j’ai comparé les résultats de l’observation à ceux de la théorie. obéit à une loi qui le domine : la loi de la probabilité. il peut s’agir d’une action. à l’égard de plusieurs questions traitées dans cette étude. on parle d’option européenne.

sur une action de cours St à l’instant t. il s’agit. un profit net égal à Ct − P t − S t . 0). L’hypothèse de base. il peut être intéressant de disposer d’une formule ou d’un modèle permettant de détecter d’éventuelles anomalies de marché. si ST > K. Et. . l’exercice de l’option permet à son détenteur de réaliser un profit égal à S T − K. nous nous contenterons de montrer comment. Il est clair que si. Pour faire comprendre la notion d’arbitrage. sur une action. le cas d’un call européen. En l’absence de cotation. qui est le prix (fixé d’avance) auquel se fait la transaction en cas d’exercice de l’option. par conséquent de pouvoir produire à l’échéance une richesse égale à (S T − K)+ . Pour l’instant. on a la relation suivante. c’est-à-dire qu’il est impossible de faire des profits sans prendre de risques. la valeur du call est donnée par la quantité : (ST − K)+ = max(ST − K. et. à l’échéance T . Examinons. en cas d’exercice. autrement dit comment évaluer à l’instant t = 0 une richesse (ST − K)+ disponible à la date T ? C’est le problème du pricing. Au moment de la vente de l’option. dans un marché suffisamment fluide. Lorsque l’option est cotée sur un marché organisé. d’échéance T . 2 La notion d’arbitrage et la relation de parité call-put La réponse aux deux questions qui précèdent ne peut se faire qu’à partir d’un minimum d’hypothèses de modélisation. à partir de cette simple hypothèse. le prix K est supérieur au cours ST . a un prix. par exemple : Ct − Pt > St − Ke−r(T −t) . on peut établir des relations entre les prix d’un call et d’un put européen de même échéance T et de même prix d’exercice K. est que. Combien faut-il faire payer à l’acheteur de l’option. Nous supposerons qu’il est possible d’emprunter ou de placer de l’argent à un taux constant r. il n’y a pas d’opportunité d’arbitrage. à l’instant t. Cette opération dégage. qui touche la prime à l’instant 0. le cours S T est inconnu et deux questions se posent : 1. Désignons par Ct et Pt les prix respectifs du call et du put à l’instant t. elle même. Pour le vendeur de l’option. qu’on prendra pour origine des temps. appelé la prime. même pour une option cotée. Comment le vendeur. la prime est donnée par le marché. retenue dans tous les modèles. L’option. parviendra-t-il à produire la richesse (ST − K)+ à la date T ? C’est le problème de la couverture. valable à tout instant t < T et appelée “relation de parité call-put” : Ct − Pt = St − Ke−r(T −t) .10 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE – le prix d’exercice. En l’absence d’opportunité d’arbitrage. on achète une action et un put et on vend un call. A l’instant t. dont le cours à la date t est donné par St . le problème du calcul de la prime se pose. d’être en mesure de fournir une action au prix K. montrons comment on pourrait réaliser un profit sans risque si on avait. 2. le détenteur de l’option n’a pas intérêt à exercer. On voit qu’à l’échéance. Soit K le prix d’exercice. en achetant l’action au prix K et en la revendant sur le marché au cours S T . Nous traduirons cette hypothèse en termes mathématiques dans le chapitre 1. Par contre. pour fixer les idées.

on livre l’action. – ST ≤ K : alors. 4 Plan du livre Les deux premiers chapitres sont consacrés à l’étude des modèles discrets. on la place au taux r jusqu’à la date T . la somme d’argent dont on doit disposer initialement pour pouvoir suivre la stratégie de couverture et produire ainsi exactement la richesse (ST − K)+ à l’échéance. sinon. C’est le recours à la notion d’intégrale stochastique pour exprimer les gains et les pertes dans les stratégies de gestion de portefeuille qui permet d’utiliser le calcul stochastique et. la formule obtenue ne dépend que d’un paramètre non directement observable sur le marché et appelé “volatilité” par les praticiens.INTRODUCTION 11 Si cette somme est positive. pour les options européennes. on encaisse la somme K et on solde l’emprunt ou le prêt. 3 Le modèle de Black-Scholes et ses extensions Si les raisonnements par arbitrage fournissent de nombreuses relations intéressantes. c’est–à–dire d’éliminer totalement le risque. la notion de marché complet et l’ évaluation des options dans le cadre des marchés complets. Le formalisme adopté est celui de Harrison et Pliska [HP81] et nous avons repris l’essentiel des résultats de [HP81] dans le chapitre 1 en prenant comme exemple le modèle de Cox-Ross-Rubinstein. de sorte qu’on se retrouve encore avec une richesse égale à : K + er(T −t) (Ct − Pt − St ). De plus. Ce modèle donne. dans le cadre du modèle. des formules explicites. Le chapitre 3 introduit le lecteur aux principales notions de calcul stochastique utilisées dans le modèle de Black-Scholes. Mais. deux cas peuvent se présenter : – ST > K : alors. on a besoin de modéliser de façon plus précise l’évolution des cours. ils ne sont pas suffisants pour obtenir des formules de prix. mais nous montrerons comment on peut caractériser mathématiquement les marchés où il n’y a pas d’arbitrage. Pour cela. A la date T . on exerce son put et on solde comme précédemment. Nous nous efforcerons. et conduit à des expressions calculables. On trouvera de nombreux exemples de relations d’arbitrage telles que la relation de parité ci-dessus dans le livre de Cox et Rubinstein [CR85]. la formule d’Itô. on doit avoir recours à des méthodes numériques fondées sur le lien entre évaluation des options et équations aux dérivées partielles . on a réalisé un profit positif sans mise de fond initiale : c’est un exemple d’arbitrage. Nous ne passerons pas en revue toutes ces relations d’arbitrage. Le prix du call est. Le chapitre 2 traite des options américaines à l’aide de la théorie de l’arrêt optimal à temps discret qui relève de méthodes élémentaires et contient toutes les idées à transposer dans le cas continu. le call est exercé. Black et Scholes ont été les premiers à proposer un modèle conduisant à une formule explicite pour le prix d’un call européen sur une action ne donnant pas de dividendes et à une stratégie de gestion qui. Dans les deux cas. pour traiter les options américaines ou faire des calculs dans des modèles plus sophistiqués. on l’emprunte au même taux. De nombreuses extensions des méthodes de Black et Scholes ont été développées ces dernières années. de donner au lecteur les moyens de comprendre ces diverses extensions. à partir d’une étude approfondie du modèle de Black-Scholes sous sa forme la plus simple. qui est étudié en détail au chapitre 4. On y voit le lien entre la notion mathématique de martingale et la notion économique d’arbitrage. permet au vendeur de l’option de se couvrir parfaitement. de sorte qu’on se retrouve avec une richesse égale à : K+e r(T −t) (Ct − Pt − St ) > 0. en particulier. dans le modèle de Black-Scholes.

semblent souvent rendre mieux compte de la réalité des marchés.A. ainsi qu’avec d’autres chercheurs du CERMA.F. Le chapitre 6 est une introduction assez succinte aux principaux modèles de taux d’intérêt et le chapitre 7 examine les problèmes d’évaluation et de couverture des options dans le cadre de modèles avec sauts très simples. Caplain. O. On trouvera également. Philoche. Sous son impulsion. . T. Faure. Ce livre n’est qu’une introduction à un domaine qui a déjà suscité une abondante littérature. Les indications bibliographiques données à la fin de certains chapitres suggèrent au lecteur des pistes de lectures complémentaires sur les sujets traités. Chateau et G. D.C.N. Enfin. Cohen. El Karoui. Plusieurs personnes ont bien voulu lire les premières versions de notre travail et nous faire part de leurs remarques : S.I. Jeulin. 5 Remerciements Ce livre est issu d’un cours enseigné à l’Ecole Nationale des Ponts et Chaussées depuis 1988. C. mais seulement une couverture optimale. qui nous ont aidés de leurs conseils ou de leurs encouragements : N. M. Mais certains aspects importants des mathématiques de la finance ne sont pas abordés. moins optimistes que le modèle de Black-Scholes. Dans ces modèles. Zhang. en particulier O. La lecture de ce livre suppose de toute façon de bonnes connaissances en probabilités (correspondant essentiellement aux sept premiers chapitres de [Bou86]). nous remercions les collègues de l’université ou de l’I. Talay. notamment les questions d’optimisation et les problèmes d’équilibre.P.12 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE : ces questions font l’objet du chapitre 5. de discussions nombreuses et stimulantes avec G. X. La mise en œuvre de ce cours n’aurait pas été possible sans les encouragements de N. Le Gall. il n’y a plus de couverture parfaite des options. Bouleau. et. nous avons inclu un chapitre sur la simulation des modèles financiers et l’usage qu’on peut faire de l’informatique dans les questions d’évaluation et de couverture des options. Picqué. en un sens à préciser. Pagès. plus récemment. pour permettre aux étudiants d’appliquer la théorie de façon plus concrète. depuis. avec le soutien de la Banque Indosuez.N. dans chaque chapitre un certain nombre d’exercices ou de problèmes. de la Banque Internationale de Placement.R. Nous avons placé quelques rappels mathématiques en appendice. De tels modèles. J. le CERMA (centre de mathématiques appliquées de l’E. Enfin. pour lesquels on pourra se reporter à [Duf88]. Nous avons bénéficié.) s’était engagé dans l’étude des modèles financiers dès 1987.

est constitué au vu des informations disponibles à la date (n−1) et conservé tel quel au moment des cotations à la date n. Le modèle de Cox-Ross-Rubinstein est présenté en fin de chapitre sous forme de problème corrigé. “tribu des événements antérieurs à l’instant n”. dans la pratique. . . pour n ≥ 1 :  φin est Fn−1 -mesurable. On supposera dans la suite que F0 = {∅. donnant à chaque instant n 0≤n≤N les quantités φ0n . . . . muni d’une filtration. FN . Ω}. . 1. la date d’échéance des options. pour illustrer la théorie de façon plus concrète. . 1 Le formalisme des modèles discrets 1. . . c’est-à-dire d’une suite croissante de sous-tribus de F : F 0 . détenues en portefeuille. . φ1n . . mais pas des cours futurs). Si le taux d’intérêt des placements sans risque sur une période est constant et égal à r on aura S 0n = (1 + r)n . φdn des divers actifs. Sdn à valeurs strictement positives. . φdn . P).1 Les actifs financiers Un modèle de marché financier discret est construit sur un espace probabilisé fini (Ω. . L’actif numéroté 0 représente “les placements sans risque” et on posera S 00 = 1. investie à l’instant 0 dans l’actif sans risque. .2 Les stratégies Une stratégie degestion est définiepar un processus (simplement une suite dans le cas discret) aléatoire φ = φ0n . .Chapitre 1 Modèles discrets Le but de ce chapitre est de présenter les principales idées de la théorie des options dans le cadre mathématiquement très simple des modèles discrets. Fn représente les informations disponibles à l’instant n et est appelée. . φdn à valeurs dans Rd+1 . . . F . FN = F = P(Ω) et ∀ω ∈ Ω P ({ω}) > 0. . d} et. On suppose qu’il y a sur le marché d + 1 actifs financiers. . La signification de cette hypothèse est la suivante : le portefeuille à la date n :   φ0n . . Les actifs numérotés de 1 à d seront appelés actifs “à risques”. 1. φ1n . mesurables par rapport à la tribu Fn (les investisseurs ont connaissance des cours actuels et passés. S1n. “L’horizon” N sera le plus souvent. Le vecteur Sn = (S0n . Sdn ) est le vecteur des prix à l’instant n. . . On impose au processus φ d’être prévisible au sens suivant :  i  φ0 est F0 -mesurable ∀i ∈ {0. S1n . . . F1 . . Nous y reprenons essentiellement la première partie de [HP81]. . . permet de disposer de 1 franc à l’instant n (si on compte les prix en francs). dont les prix à l’instant n sont donnés par des variables aléatoires S0n . Le coefficient βn = 1/S0n apparaît comme le coefficient d’actualisation (de la date n à la date 0) : c’est la somme d’argent qui. . φ1n .

Sn+1 − φn . .Sn = d X φin Sin . . . L’équivalence entre i) et iii) s’obtient en remarquant que φn . A l’instant n + 1. . la valeur du portefeuille est φn+1 . . . V˜ n (φ) = V0 (φ) + j=1 où ∆S˜ j est le vecteur S˜ j − S˜ j−1 = βj Sj − βj−1 Sj−1 . où βn = 1/S0n et S˜ n = (1. ni retraits de fonds (en particulier. N}. Démonstration : L’équivalence entre i) et ii) résulte de la remarque 1. . . Il n’y a donc ni apports. Vn (φ) = V0 (φ) + n X φj · ∆Sj . Proposition 1.S˜ n .Sdn . il n’y a pas de consommation). . .Sn = φn+1 .Sn est évidemment équivalente à φn+1 . j=1 où ∆Sj est le vecteur Sj − Sj−1 .(Sn+1 − Sn ) = φn+1 . i=0 la valeur actualisée est : V˜ n (φ) = βn (φn . N − 1} : φn . Remarque 1. ou encore à Vn+1 (φ) − Vn (φ) = φn+1 .Sn = φn+1 .14 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE La valeur du portefeuille à l’instant n est donnée par le produit scalaire : Vn (φ) = φn .Sn = φn+1 . l’investisseur réajuste son portefeuille pour le faire passer de la composition φn à la composition φn+1 .Sn .2 Les conditions suivantes sont équivalentes : i) La stratégie φ est autofinancée.(Sn+1 − Sn ). ..Sn ) = φn .Sn+1 − φn+1 . le réajustement se faisant aux cours de la date n en réinvestissant la valeur totale du portefeuille et rien de plus. ii) Pour tout n ∈ {1. . . Une stratégie autofinancée est donc une stratégie pour laquelle les variations de valeur du portefeuille viennent uniquement des gains dûs à l’agitation des cours. . La proposition suivante permet de préciser cette remarque en termes de quantités actualisées.. βn Sdn ) est le vecteur des prix actualisés.Sn si et seulement si φn . .Sn . . .S˜ n = φn+1 . n X φj · ∆S˜ j . βn S1n . iii) Pour tout n ∈ {1.Sn représente le gain (net) dû à la variation des cours entre les instants n et n + 1. On dira qu’une stratégie est autofinancée si la relation suivante est réalisée pour tout n ∈ {0. .S˜ n .1 L’égalité φn .1. N}. 1. Cette relation s’interprète de la façon suivante : à l’instant n.Sn+1 et la différence φn+1 . . après avoir pris connaissance des cours S0n .

. φdn des quantités d’actifs à risques détenues (cela vient simplement 0≤n≤N 0 du fait que ∆S˜ j = 0). N}. on peut énoncer la proposition suivante : Proposition 1.4 Une stratégie φ est dite admissible si elle est autofinancée et si V n (φ) ≥ 0 pour tout n ∈ {0. φ1 . Les emprunts et les ventes à découvert sont donc permis. donc. . φdn V0 F0 -mesurable. Définition 1. il existe un et un seul processus prévisible     et pour toute variable 0≤n≤N  φ0n 0≤n≤N tel que la stratégie φ = φ0 .3 Pour tout processus prévisible  φ1n . Plus précisément.5 Une stratégie d’arbitrage est une stratégie admissible de valeur initiale nulle et de valeur finale non nulle. . . . la valeur actualisée (et. La notion d’arbitrage (réalisation d’un profit sans prendre de risques) est alors formalisée de la façon suivante : Définition 1. .15 Ch. . Dire que φin < 0 pour un i ≥ 1. . L’investisseur doit donc être en mesure de rembourser ses emprunts à tout instant. .1 MODÈLES DISCRETS Cette proposition montre que.3 Stratégies admissibles et arbitrage Nous n’avons pas imposé de condition sur les signes des quantités φ in . mais nous imposerons à la valeur du portefeuille d’être positive ou nulle à tout instant. pour une stratégie autofinancée. . Dire que φ0n < 0. . . La plupart des modèles excluent toute possibilité d’arbitrage et l’objet de la section suivante est de donner une caractérisation de ces modèles grâce à la notion de martingale. 1. Démonstration : La condition d’autofinancement entraîne : V˜ n (φ) = φ0n + φ1n S˜ 1n + · · · + φdn S˜ dn n   X = V0 + φ1j ∆S˜ 1j + · · · + φdj ∆S˜ dj j=1 Ce qui détermine φ0n . c’est dire qu’on a des dettes libellées en actifs à risques (par suite de ventes à découvert). . qui est immédiate à partir de l’égalité : φ0n = V0 + n−1        X φ1j ∆S˜ 1j + · · · + φdj ∆S˜ dj + φ1n −S˜ 1n−1 + · · · + φdn −S˜ dn−1 j=1 1. . . φd soit autofinancée et de valeur initiale V0 . La seule chose à vérifier est la prévisibilité de φ0 . . la valeur tout  court) duportefeuille est complètement déterminée par la richesse initiale et le processus φ1n . signifie que l’on a emprunté la quantité |φ0n | sur le marché des placements sans risques. .

– une surmartingale si E (Mn+1 |Fn ) ≤ Mn pour tout n ≤ N − 1. Dans un modèle financier. (Mn )0≤n≤N est une martingale si et seulement si : E (Mn+j |Fn ) = Mn ∀j ≥ 0 2. On pose ∆Mn = Mn − Mn−1 . 2.3 Soit (Mn )0≤n≤N une martingale et soit (Hn )0≤n≤N une suite prévisible par rapport à la filtration (Fn )0≤n≤N . toute stratégie autofinancée conduit à une valeur .1 Une suite adaptée (Mn )0≤n≤N de variables aléatoires réelles est : – une martingale si E (Mn+1 |Fn ) = Mn pour tout n ≤ N − 1. qui se déduisent aisément de la définition qui précède. Les propriétés suivantes. On a évidemment des propriétés analogues pour les surmartingales et les sousmartingales. La suite (Xn )0≤n≤N définie par : X0 = H 0 M 0 Xn = H0 M0 + H1 ∆M1 + · · · + Hn ∆Mn pour n ≥ 1 est une martingale par rapport à (Fn )0≤n≤N . l’usage de l’espérance conditionnelle est indispensable et nous renvoyons le lecteur à l’appendice pour un exposé des principales propriétés de cet outil. dans les modèles financiers où les prix actualisés des actifs sont des martingales. – une sousmartingale si E (Mn+1 |Fn ) ≥ Mn pour tout n ≤ N − 1. P). nous allons tout d’abord introduire la notion de martingale sur un espace de probabilité fini. Une conséquence de cette proposition et de la proposition 1. (Xn ) est parfois appelée “transformée de la martingale (Mn ) par la suite (Hn )”. Pour cela. à partir des informations disponibles à la date n. Définition 2.1 Martingales et transformées de martingales Dans ce paragraphe. la meilleure estimation (au sens des moindres carrés) que l’on puisse faire de Sin+1 . est donnée par S in . La somme de deux martingales est une martingale. Ces définitions s’étendent aux variables aléatoires vectorielles : on dit par exemple qu’une suite (Mn )0≤n≤N de variables aléatoires à valeurs dans Rd est une martingale si chaque composante du vecteur Mn définit une martingale réelle. avec F = P(Ω) et ∀ω ∈ Ω. dire que le cours (Sin )0≤n≤N de l’actif i est une martingale revient à dire que. 3. Définition 2. Proposition 2. 1. on a pour tout n : E (Mn ) = E (M0 ). à tout instant n. Ω}). Hn est Fn−1 mesurable.2 Une suite adaptée (Hn )0≤n≤N de variables aléatoires est prévisible si. Si (Mn )n≥0 est une martingale.2 est que. pour tout n ≥ 1. Xn est Fn -mesurable. On dira qu’une suite (Xn )0≤n≤N de variables aléatoires est adaptée à la filtration si pour tout n. on considère un espace de probabilité fini (Ω.16 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE 2 Martingales et arbitrages Afin d’examiner les liens entre martingales et arbitrage. 4. muni d’une filtration (Fn )0≤n≤N (sans supposer FN = F . F . constitueront pour le lecteur de bons exercices de maniement de l’espérance conditionnelle. ni F0 = {∅. P ({ω}) > 0.

.6 Le marché est viable si.4 Une suite adaptée de variables aléatoires réelles (M n ) est une martingale si et seulement si pour toute suite prévisible (Hn ). il enP est de même. Il est clair que la suite (Hn ) est prévisible et l’égalité E n=1 Hn ∆Mn = 0 donne : E (1A (Mj+1 − Mj )) = 0 et par conséquent E (Mj+1 |Fj ) = Mj . Xn = N n=1 Hn ∆Mn . en moyenne. pour n ≥ 0. La proposition suivante donne une caractérisation des martingales qui nous sera utile par la suite.∆S˜ j .1 MODÈLES DISCRETS finale actualisée égale. P∗ équivalente à P signifie simplement que. pour tout événement A. . .2 : n X V˜ n (φ) = V0 (φ) + φj . on remarque que si j ∈ {1. à tout événement Fj -mesurable A. pour toute suite prévisible (Hn ). Démonstration : Il est clair que (Xn ) est une suite adaptée. . et seulement si. . de la suite (Xn ) définie par : X0 = 0 et. pour tout ω ∈ Ω. d’après la proposition 1. on peut associer la suite (Hn ) définie par Hn = 0 pour n 6= j+ PN 1 et Hj+1 = 1A . 2.5 On dit que le marché est viable s’il n’existe pas de stratégie d’arbitrage. on a. il existe une probabilité P ∗ équivalente1 à P sous laquelle les prix actualisés des actifs sont des martingales. Ici. pour toute stratégie autofinancée (φ n ). Alors. on a :  N X E n=1  Hn ∆Mn  = 0 Démonstration : Si (Mn ) est une martingale.2 Marchés financiers viables Nous revenons maintenant aux modèles de marchés discrets introduits au paragraphe 1. On a donc E(XN ) = E(X0 ) = 0.17 Ch. Réciproquement. De plus. Définition 2. D’où : E (Xn+1 |Fn ) = E (Xn |Fn ) = Xn ce qui prouve que (Xn ) est une martingale. pour n ≥ 1. à la richesse initiale. j=1 1 Rappellons que deux probabilités P1 et P2 sont équivalentes si et seulement si. P∗ ({ω}) > 0. Démonstration : a) Supposons qu’il existe une probabilité P∗ équivalente à P sous laquelle les actifs actualisés sont des martingales. N}. on a : E (Xn+1 − Xn |Fn ) = E (Hn+1 (Mn+1 − Mn )|Fn ) = Hn+1 E (Mn+1 − Mn |Fn ) car Hn+1 est Fn -mesurable = 0. par la proposition 2. P1 (A) = 0 ⇔ P2 (A) = 0.3. Théorème 2. Proposition 2.

Donc V˜ N (φ) a même espérance sous P∗ que V0 (φ) :   E∗ V˜ N (φ) = E∗ V˜ 0 (φ) . pour tout ω ∈ Ω.7 Si le marché est viable. N. φ1n . Le marché est viable si et seulement si pour toute stratégie admissible φ on a : V0 (φ) = 0 ⇒ V˜ N (φ) ∈ / Γ. φdn ). Lemme 2. on associe le processus défini par : ˜ n (φ) = G n   X φ1j ∆S˜ 1j + · · · + φdj ∆S˜ dj . . On a clairement une contradiction de la viabilité Démonstration : Supposons G ˜ n (φ) ≥ 0 pour tout n ∈ {0. .   Si la stratégie est admissible et de valeur initiale nulle. pour tout entraîne que si cette valeur est positive à tout instant. Si cette dernière propriété n’a pas lieu. ˜ N (φ) ∈ Γ . . φd ) vérifie : ˜ N (φ) ∈ G / Γ. on a donc E∗ V˜ N (φ) = 0. 1 b1) A tout processus prévisible (φn . . .3. tout processus prévisible (φ1 . G est alors la valeur actualisée à l’instant n de cette stratégie et l’hypothèse de viabilité du marché ˜ n (φ) ≥ 0. . . . . . grâce à la proposition 2. Soit Γ le cône convexe des variables aléatoires positives et non nulles. . avec V˜ N (φ) ≥ 0.3. . . V˜ N (φ) = 0 puisque P∗ ({ω}) > 0..   ˜ n (φ) < 0 > 0 et ∀m > n P G ˜ m (φ) ≥ 0. introduisons si G   ˜ l’entier n = sup k|P Gk (φ) < 0 > 0 . D’après la proposition 1. G On définit alors un nouveau processus ψ en posant : . . . . même sans l’hypothèse de n = 1. . Le lemme suivant montre que.. alors G ˜ ˜ N (φ) ∈ positivité des Gn (φ). b) La démonstration de la réciproque est plus délicate. j=1 C’est le processus des gains actualisés cumulés dans toute stratégie autofinancée suivant les quantités d’actifs risqués φ1n . il existe un (unique) processus ˜ n (φ) (φ0n ) tel que la stratégie ((φ0n . φdn )) soit autofinancée et de valeur initiale nulle. c’est-à-dire si G ˜ N (φ) = 0. . . . On a : n ≤ N − 1. . D’où.18 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE     On en déduit. N}. que V˜ n (φ) est une martingale sous P∗ . on a encore G / Γ. φdn . .

En utilisant la prévisibilité de φ et le fait que A est Fn où A est l’événement G mesurable on voit que ψ est aussi prévisible. D’autre part :  0   si j ≤ n ˜ j (ψ) = G ˜ j (φ) − G ˜ n (φ) si j > n 1A G ˜ j (ψ) ≥ 0 pour tout j ∈ {0. ˜ N (φ). qui est contenu dans Γ . N} et que G ˜ N (ψ) > 0 sur A ce qui Alors. ni P le convexe compact K = {X ∈ Γ | ω X(ω) = 1}. . 0 si j ≤ n ψj (ω) = 1A (ω)φj (ω) si j > n  ˜ n (φ) < 0 . on voit que G contredit la viabilité et achève la démonstration du lemme. . par le théorème de séparation des convexes (voir l’appendice). qu’il existe (λ (ω))ω∈Ω tel que : . D’après le lemme 2.7. est un sous-espace vectoriel de l’espace R de toutes les variables aléatoires réelles définies sur Ω. Il en résulte. . le sous-espace V ne rencontre pas Γ . avec φ préb2) Il est clair que l’ensemble V des variables aléatoires de la forme G d Ω visible à valeurs dans R . .

. . . pour une option de vente ou “put” sur une unité d’actif 1 au prix d’exercice  +  S1N . Pour tout φ prévisible : X ˜ N (φ) (ω) = 0 λ(ω)G ω De la propriété 1. la propriété 2 signifie que. d} et toute suite prévisible (φ in ). 3 Marchés complets et évaluation des options 3.4 que. j=1 ce qui entraîne. . pour une option d’achat ou “call” sur une unité d’actif 1. précédant l’échéance. la variable aléatoire h est une fonction de SN seulement.1 Marchés complets Nous définirons une option2 européenne d’échéance N par la donnée d’une variable aléatoire h ≥ 0. . 2 3 ou plus généralement un “bien contingent” (contingent claim) ou “actif conditionnel”. . sous P∗ .1 MODÈLES DISCRETS 1.19 Ch. C’est le cas des options dites asiatiques. “attainable” dans certains articles américains. . on a :   N X E∗  φij ∆S˜ ij  = 0. Définition 3. Il existe des options pour lesquelles h dépend de toutes les valeurs des cours jusqu’à l’échéance : S0 . au prix d’exercice K. . ∀X ∈ K.. à valeurs réelles. SN . . pour tout processus prévisible (φn )à valeurs dans Rd : ∗  N X E  j=1  φj ∆S˜ j  = 0. On en déduit immédiatement que pour tout indice i ∈ {1. dont le prix d’exercice est égal à la moyenne des cours observés sur une période donnée. (S˜ dn ) sont des martingales. . grâce à la proposition 2. .1 On dit que l’actif conditionnel défini par h est simulable (ou atteignable 3) s’il existe une stratégie admissible dont la valeur à l’instant N est égale à h. de sorte que la probabilité P ∗ définie par : λ(ω) P∗ ({ω}) = P 0 ω 0 ∈Ω λ(ω ) est équivalente à P. X λ(ω)X(ω) > 0 ω 2. . S1 . les prix actualisés (S˜ 1n ). on a :  h = S1N − K et. De plus. + K:h= K− Dans ces deux exemples (les plus importants dans la pratique). si on note E∗ l’espérance par rapport à la probabilité P∗ . FN -mesurable. on déduit que λ(ω) > 0 pour tout ω ∈ Ω. représentant le profit que permet l’exercice de l’option. Ainsi.

Définition 3. pour n ∈ {0. Ω}. alors. N} V˜ n (φ) = E∗ V˜ N (φ)|Fn . (1.∆S˜ j . que nous étudierons plus loin. si V˜ N (φ) ≥ 0 (en particulier si VN (φ) = h). On a donc : E1 h S0N ! = E2 h S0N ! et. Théorème 3. . il suffit qu’il existe une stratégie autofinancée de valeur égale à h à l’instant N. toute variable aléatoire h F N -mesurable et positive peut s’écrire h = VN (φ) où φ est une stratégie admissible. Puisque φ est une stratégie autofinancée on a : N X h = V˜ N (φ) = V0 (φ) + φj . D’où pour i = 1 ou 2 : 0≤n≤N   Ei V˜ N (φ) = Ei (V0 (φ)) = V0 (φ) . Alors il existe une variable aléatoire h ≥ 0 non simulable. si φ est une stratégie autofinancée et si P∗ est uneprobabilité  équivalente à P sous laquelle les prix actualisés sont des ∗ martingales.2 Dans un marché viable. . La probabilité P∗ apparaîtra dans la suite comme l’outil de calcul des formules de prix et de couverture. la stratégie φ est admissible. et seulement si. . . que l’on a supposée égale à F . . est donc un sous-espace strict de l’espace de toutes les variables aléatoires définies sur (Ω. il existe une seule probabilité P∗ équivalente à P sous laquelle les prix actualisés des actifs soient des martingales.   On a donc. Démonstration : a) Supposons le marché viable et complet. V˜ n (φ) est une martingale (en tant que transformée de martingale).∆S˜ n . sous P . comme h est arbitraire. Le modèle de Cox-Ross-Rubinstein. Le théorème suivant donne une caractérisation des marchés viables et complets. Il est clair alors que. Notons V˜ l’espace des variables aléatoires de la forme : U0 + N X φn . pour que l’option h soit simulable.3 On dit que le marché est complet si tout actif conditionnel est simulable. φdn  prévisible. En effet.20 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE Remarque 3. Alors. b) Supposons le marché viable et non complet. . est une martingale à la fois sous P1 et sous P2 .2 que la variable aléatoire h/S 0n n’appartient pas à V. qui simule l’actif conditionnel h. à valeurs dans Rd . Supposer qu’un marché financier est complet est une hypothèse restrictive dont la justification économique est moins claire que celle de l’hypothèse de viabilité. avec U0 F0 -mesurable et 0≤n≤N . F ). P1 = P2 sur la tribu FN . fournit un exemple de modèle de marché complet d’une grande simplicité. siP1  V˜ n (φ) et P2 sont deux probabilités sous lesquelles les prix actualisés sont des martingales. Il résulte de la ˜ V˜ proposition 1. .1) n=1  φ1n . .4 Un marché viable est complet si. la dernière égalité venant du fait que F0 = {∅. L’intérêt des marchés complets est qu’ils se prêtent à une théorie très simple de l’évaluation et de la couverture des actifs conditionnels. 0 SN j=1 Alors.3 et de la remarque 3.

à l’instant 0.4. 1. permet. Posons alors : ! X(ω) P∗∗ ({ω}) = 1 + P∗ ({ω}) 2kXk∞ où kXk∞ = supω∈Ω |X(ω)|.∆S˜ n  = 0 pour tout processus prévisible φ1n .  0≤n≤N . de produire exactement la richesse h à l’instant N. et distincte de P∗ . . φdn que (S˜ n )0≤n≤N est une P∗∗ -martingale.2 Evaluation et couverture des actifs conditionnels dans les marchés complets On suppose le marché viable et complet et on note P∗ l’unique probabilité sous laquelle les prix actualisés des actifs sont des martingales.5 Il est important de noter que le calcul du prix nécessite seulement la connaissance de P∗ (pas celle de P). il est inutile. détenue à l’instant n. concrètement. S0N il a la possibilité. par la proposition 2. . .     est une martingale sous P∗ et par conséquent. c’est à dire qu’il peut se couvrir parfaitement. On a de plus   E∗∗  N X n=1  φn .21 Ch. Il est naturel d’appeler Vn (φ) la valeur de l’option : c’est la richesse qui. . ce qui entraîne. . les calculs de prix et de couverture peuvent être menés à bien. Si. c’est-à-dire. F ) et la filtration sont spécifiés. . pour évaluer des options par simulation. c’est-àdire vérifiant : VN (φ) = h. V0 (φ) = E∗ V˜ N (φ) . de restituer la richesse promise h à l’instant N . L’étude du modèle de Cox-Ross-Rubinstein montrera comment. en suivant la stratégie φ à partir de l’instant n. . on ˜ voit qu’il existe une variable aléatoire X non nulle et orthogonale au sous-espace V. 3. Y) 7→ E ∗ (XY). . . F ). muni de la filtration (Fn ). On aurait pu se contenter de partir de l’espace probabilisable (Ω. de déterminer les “vraies” probabilités des divers états possibles (en utilisant notamment une approche statistique). de définir tous les états possibles et l’évolution de l’information disponible au cours du temps. S0N n = 0. On définit ainsi une probabilité (car E∗ (X) = 0) qui est équivalente à P. N. dans la pratique. Remarque 3. en suivant une stratégie simulante φ. d’où La suite V˜ n V0 (φ) = E∗ 0≤n≤N  h S0 N et plus généralement Vn (φ) = S0n E∗ ! h |Fn .1 MODÈLES DISCRETS Alors. Dès que l’espace (Ω. un investisseur vend l’option au prix E ∗ ! h . si P∗ est une probabilité équivalente à P sous laquelle les prix actualisés sont des martingales et si l’on munit l’espace des variables aléatoires du produit scalaire (X. La valeur à tout instant de toute stratégie admissible simulant h est donc complètement déterminée par h. Soit un actif conditionnel défini par une variable aléatoire FN -mesurable h ≥ 0 et soit φ une stratégie admissible simulant h.

sinon il exercera (éventuellement) à l’instant N et le vendeur doit être prêt à payer la richesse ZN à l’instant N. Le vendeur doit donc encaisser à l’instant N − 1 une somme au moins égale à ZN−1 et lui permettant de fournir la richesse ZN à l’instant N. + nous allons raisonner par récurrence en marche arrière à partir de l’échéance N. Zn = +   K − S1n . Il est donc naturel de prendre pour valeur de l’option américaine à l’instant N − 1 la quantité :   . Il est clair que la valeur de l’option à l’instant N est UN = ZN .22 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE 3. permet d’obtenir la richesse ZN à l’instant N. Zn = Sn − K . c’est-à-dire S0N−1 E∗ Z˜ N |FN−1 . La somme qui. c’estla valeur àl’instant N − 1 d’une stratégie admissible de valeur finale ZN . Zn représentant le profit que permet l’exercice de l’option à l’instant n. nous la définirons comme une suite (Zn ) positive et adaptée à la filtration (Fn ).   Dans le cas d’un call américain sur une 1 unité d’actif 1 au prix d’exercice K.3 Première approche des options américaines Une option américaine pouvant être exercée à n’importe quel instant entre 0 et N. A quel prix vendre l’option à l’instant N − 1 ? Si l’acheteur exerce immédiatement. dans le cas d’un put américain. disponible à l’instant N − 1. il fera le profit ZN−1 . Pour définir la valeur de l’option américaine associée au processus (Z n )0≤n≤N . avec Z˜ N = ZN /S0N .

 .

S0N−1 E∗ Z˜ N . !! UN−1 = max ZN−1 .

.

N : Zn−1 . . . valable pour n = 1. FN−1 . . De proche en proche. . on définit la valeur de l’option américaine à l’instant n par la relation de récurrence suivante. S0n−1E∗ Un−1 = max Un .

.

.

Fn−1
S0n

.

Dans le cas d’un taux d’intérêt constant égal à r sur chaque période,
S0n = (1 + r)n
et :
Un−1
˜n =
Soit U

Un
S0
n

!

1
= max Zn−1 ,
E∗ (Un |Fn−1 ) .
1+r

la valeur actualisée de l’option américaine.

Proposition 3.6 La suite 

˜n
U   

0≤n≤N

surmartingale majorant la suite Z˜ n

est une P∗ -surmartingale. C’est la plus petite P∗ -

0≤n≤N

.

Noter que, contrairement au cas européen, la valeur actualisée de l’option américaine ne définit
pas nécessairement une martingale sous P∗ .
Démonstration : De la relation :  

˜ n−1 = max Z˜ n−1 , E∗ U
˜ n |Fn−1
U 

,

˜ n )0≤n≤N est une surmartingale majorant (Z˜ n )0≤n≤N . Soit maintenant une suron déduit que (U
˜
˜ N et si T˜n ≥ U
˜ n on a :
martingale (Tn )0≤n≤N majorant (Z˜ n )0≤n≤N . Alors T˜ N ≥ U   

˜ n |Fn−1
T˜ n−1 ≥ E∗ T˜n |Fn−1 ≥ E∗ U
et donc :  

˜ n |Fn−1
T˜n−1 ≥ max Z˜ n−1 , E∗ U  

˜ n−1 .
=U

˜ n ), par récurrence descendante sur n.
Ce qui démontre que (Tn ) majore (U

23

Ch.1 MODÈLES DISCRETS

4 Problème corrigé : le modèle de Cox, Ross et Rubinstein
Le modèle de Cox-Ross-Rubinstein est une version discrétisée du modèle de Black-Scholes
(qui sera étudié au chapitre 4), dans laquelle il y a un seul actif à risque, de prix S n à l’instant n,
0 ≤ n ≤ N, et un actif sans risque de rendement certain r sur une période, de sorte que, avec
les notations des paragraphes précédents : S0n = (1 + r)n
On fait les hypothèses suivantes sur l’évolution du cours de l’actif risqué : entre deux périodes consécutives, la variation relative des cours est soit a, soit b, avec −1 < a < b :

Donner des exemples d’arbitrages possibles si la condition nécessaire de viabilité obtenue en 2 n’est pas vérifiée. Quand r ≥ b. Le profit réalisé SN − S0 (1 + r)N est toujours positif ou nul. Montrer que (S˜ n ) est une martingale sous P si et seulement et si les variables aléatoires T 1 . et F = P(Ω). . . A la date N. . . 2. TN = xN ). N. L’hypothèse définissant P à une équivalence près est que tous les singletons de Ω ont une probabilité non nulle. on peut acheter une unité d’actif risqué. pour n = 1. Notons aussi que. . . n = 0. . on a nécessairement : (1 + r) ∈]1 + a. Introduisons les variables aléatoires Tn = Sn /Sn−1 . Comme Tn+1 est à valeurs dans {1 + a. puisque S N ≥ S0 (1 + a)N . . . . . En déduire que. La tribu Fn sera. . on rembourse l’emprunt et on revend l’actif risqué. T2 . 1. . On a donc bien un arbitrage. Sn (1 + a) Sn+1 = Sn (1 + b) Le cours initial S0 est donné. pour n ≥ 1. Si (x1 . N − 1. En empruntant une somme S 0 à l’instant 0. l’arbitrage s’obtient en vendant l’actif risqué à découvert. pour que le marché soit viable. . Montrer que le prix actualisé (S˜ n ) est une martingale sous P si et seulement si E(Tn+1 |Fn ) = 1 + r. . .. Pour toute la suite. sous laquelle (S˜n ) est une martingale.. . . . Ω}. T2 . Si les Ti sont indépendantes et vérifient P(Ti = 1 + a) = p = 1 − P(Ti = 1 + b). La connaissance de P équivaut donc à celle de la loi du N-uple (T1 . xN )} = P(T1 = x1 . . . 1. TN ). ∀n ∈ {0. leur loi commune étant donnée par : P(T 1 = 1 + a) = p = 1 − P(T1 = 1 + b). b[. . . . . Tn ). b[ et on pose p = (b − r)/(b − a). d’après la question 1 : E∗ (Tn+1 |Fn ) = 1 + r et par conséquent E∗ (Tn+1 ) = 1 + r. . puisque S˜n est Fn mesurable et cette dernière égalité équivaut à E(T n+1 |Fn ) = 1 + r.. . N. . il est nécessaire que r appartienne à l’intervalle ]a. Sn) engendrée par les variables aléatoires S1 . on a : E(Tn+1 |Fn ) = E(Tn+1 ) = p(1 + a) + (1 − p)(1 + b) = 1 + r et (S˜n ) est une martingale sous P. . . . . 3. . Si le marché est viable. la tribu σ(S1 . . on a P{(x1 . xN ) est un élément de Ω. En déduire que le marché est viable et complet. chaque N-uple représentant les valeurs successives de Sn+1 /Sn . Fn = σ(T1 . on suppose que r ∈]a. N − 1}. . 1 + b[. . Supposons par exemple r ≤ a.Sn . 1 + b}N . . TN sont indépendantes équidistribuées. 1 + b} et prend ces deux valeurs avec une probabilité non nulle. pour n = 1. . 4. . La relation E(S˜n+1 |Fn ) = S˜n est équivalente à E(S˜n+1 /S˜n |Fn ) = 1. On a donc. . . 1. d’après la question 1. . et strictement positif avec une probabilité non nulle. . il existe une probabilité P ∗ équivalente à P. . On prend naturellement : F0 = {∅. L’espace naturel des résultats possibles est donc Ω = {1 + a. . .

T2 .24 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE Réciproquement. . . Notant E∗ l’espérance par rapport à l’unique probabilité P ∗ sous laquelle (S˜n ) est une martingale. Ainsi. où c est une fonction que l’on explicitera à l’aide de K. la dernière égalité résultant du fait que ( S˜n ) est une martingale sous P∗ . on peut écrire :     (1 + a)E 1{Tn+1 =1+a} |Fn + (1 + b)E 1{Tn+1 =1+b} |Fn = 1 + r On en déduit. En écrivant SN = Sn QN i=n+1 Ti . si. à l’instant n. 1. 1 + b}. (a) Retrouver. Sn). E(T n+1 |Fn ) = 1 + r. Pn ) la valeur. 5. a. ce qui prouve que les Ti sont indépendantes équidistribuées sous P et vérifient P(Ti = 1 + a) = p. pour tous xi ∈ {1 + a. pour n = 0. en utilisant l’égalité     E 1{Tn+1 =1+a} |Fn + E 1{Tn+1 =1+b} |Fn = 1     que E 1{Tn+1 =1+a} |Fn = p et E 1{Tn+1 =1+b} |Fn = 1 − p. . Tn = xn ) = n Y pi i=1 où pi = p si xi = 1 + a et pi = 1 − p si xi = 1 + b. en raisonnant par récurrence sur n que. On note Cn (resp. TN ) sous P. on voit que la condition que ( S˜n ) soit une martingale sous P détermine la loi du N-uple (T1 . . P (T1 = x1 . . . on a : Cn − Pn = (1 + r)−(N−n) E∗ ((SN − K)+ − (K − SN )+ |Fn ) = (1 + r)−(N−n) E∗ (SN − K|Fn ) = Sn − K(1 + r)−(N−n) . d’un call (resp. . Le marché est donc viable et complet.On voit alors. . b. d’un put) européen sur une unité d’actif risqué au prix d’exercice K et d’échéance N. à partir des formules de prix sous forme d’espérances conditionnelles. . et donc la probabilité P elle-même. . r et p. de façon unique. la relation de parité call-put : Cn − Pn = Sn − K(1 + r)−(N−n) . N − 1. . . (b) Montrer que Cn peut s’écrire sous la forme : Cn = c(n. on obtient :  .

 .

.

Cn = (1 + r)−(N−n) E∗  Sn Ti − K .

.

Fn  .

on peut écrire. i=n+1  N Y + QN Comme. Sn ). en utilisant la proposition 2.5 de l’appendice : Cn = c(n. la variable aléatoire i=n+1 Ti est indépendante de Fn et que Sn est Fn -mesurable. x) (1 + r)−(N−n)  = E ∗ x = N−n X j=0 N Y i=n+1  Ti − K  +   (N − n)! pj (1 − p)N−n−j x(1 + a)j (1 + b)N−n−j − K + (N − n − j)!j! . sous la probabilité P∗ . où c est la fonction définie par : c(n.

√ }. ∆(n. on fait tendre N vers l’infini en imposant les relations suivantes : √ √ r = RT/N. et σ2 comme la variance limite. (a) Montrer que si (YN )N≥1 est une suite de variables aléatoires de la forme : N N YN = X N 1 + X2 + . Le réel R s’interprète comme le taux d’intérêt instantané entre les instants 0 et T . + X N où. à valeurs dans : σ σ {− √ . l’égalité ci-dessus implique : H0n (1 + r)n + Hn Sn−1 (1 + a) = c(n.1 MODÈLES DISCRETS 6. quand N tend vers l’infini. SN représentant le cours de l’action à la date T . Pour cela. . Sn−1) à détenir à l’instant n. ce sont des fonctions de S 1 . où ∆ est une fonction que l’on exprimera à partir de la fonction c. . sous la probabilité P∗ . par soustraction. de la variable aléatoire log(SN ). avec limN→∞ (NµN) = µ. Notant H0n la quantité d’actif sans risque dans le portefeuille simulant le call. Le calcul donne :  φYN (u) = E e iuYN  = = D’où : limN→∞ φYN (u) = exp iuµ − N  E eiuXj j=1 =  N Y   N E eiuX1  N σ2 u2 + o(1/N) 1 + iuµN − 2N σ2 u 2 2  Pour N fixé. log((1 + a)/(1 + r)) = −σ/ N et log((1 + b)/(1 + r)) = σ/ N. alors la suite (YN ) converge en loi vers une gaussienne de moyenne µ et de variance σ2 . On utilise maintenant le modèle pour “pricer” un call ou un put d’échéance T sur une action. Il suffit d’étudier la convergence de la fonction caractéristique φYN de YN . . ce qui prouve la convergence demandée. Sn étant égal à Sn−1 (1 + a) ou Sn−1 (1 + b). N N et de moyenne µN . x(1 + b)) − c(n. (b) Expliciter les valeurs limites du put. Montrer que la stratégie de couverture parfaite d’un call est définie par une quantité d’actif risqué Hn = ∆(n. Sn ) Puisque H0n et Hn sont Fn−1 -mesurables. Sn−1 (1 + b)) D’où. x(1 + a)) . Sn−1 (1 + a)) et H0n (1 + r)n + Hn Sn−1 (1 + b) = c(n. le prix du put à l’ instant 0 est donné par : (N)  = (1 + RT/N)−N E∗ K − S0 = E ∗  . .Sn−1 seulement et. pour chaque N. P0 !N (1 + RT/N) −N N Y n=1 K − S0 e YN )  Tn  +  + . on a : H0n (1 + r)n + Hn Sn = c(n. x(b − a) 7. puisque eRT = limN→∞ (1 + r)N . . puis du call à l’instant 0.25 Ch. x) = c(n.. . les variables aléatoires XN i sont indépendantes équidistribuées.

et indépendantes équidistribuées sous la probabilité P∗ . on peut écrire : (N) |P0 − E∗ (ψ(YN )) | . les variables aléatoires n=1 log(Tn /(1 + r)). avec µ = −σ 2 /2. Si on pose ψ(y) = (Ke−RT − S0 ey )+ . Avec les hypothèses √ N Xj = log(Tj /(1 + r)) sont à valeurs dans {−σ/ N. On a de plus : √ √ E ∗ (XN j ) σ 2 − eσ/ N − e−σ/ N σ √ √ √ = (1 − 2p) √ = N N eσ/ N − e−σ/ N La suite (YN ) est donc du type étudié dans la question 7a.26 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE P où YN = N de√l’énoncé. σ/ N}.

   .

.

 .

∗ −N YN −RT YN .

.

(1 + RT/N) K − S0 e ) − Ke − S0 e = .

E + + .

.

.

.

.

≤ K .

(1 + RT/N)−N − e−RT .

Le théorème de caractérisation des marchés complets peut être étendu à des espaces de probabilité infinis (cf. A temps continu. en utilisant la relation de parité put-call : lim N→∞ C0 Ke−RT F(d2 ). dans ce chapitre.1 Dans les formules obtenues. L’interprétation de σ comme variance suggère de l’estimer par des voies statistiques. d2 = d1 − σ et 1 F(d) = √ 2π Zd e−x 2 /2 dx. de sorte que : (N) lim P0 N→∞ = Ke−RT F(−d2 ) − S0 F(−d1 ). D’où. on obtient. −∞ (N) Pour le call. = S0 F(d1 )− Remarque 4. On trouvera une présentation élémentaire du modèle de Cox-Ross-Rubinstein dans [CR85]. qu’il n’y avait pas de distribution de dividendes. La théorie des marchés complets à temps continu est développée dans [HP81] et [HP83]. [HL88]. Nous reviendrons sur cette question dans le chapitre 4. . N→∞ 0 N→∞ 2π −∞ L’intégrale obtenue s’exprime. [Mor89]). la formulation du problème est délicate (cf. en utilisant la convergence en loi de (Y N ) et le fait que la fonction ψ est continue bornée (c’est précisément pour avoir une fonction bornée que nous avons étudié le put d’abord) : Z +∞ 1 2 2 (N) ∗ √ lim P = lim E (ψ(YN )) = (Ke−RT − S0 e−σ /2+σy )+ e−y /2 dy. [Str90] et [DS94]). [HK79]. à l’aide de la fonction de répartition F de la loi normale centrée réduite. chapitre 8). où d1 = (log(x/K) + RT + σ2 /2)/σ. [DMW90]. En fait. le seul paramètre qui n’est pas directement observable sur le marché est σ. on peut utiliser les mêmes idées pour traiter les marchés avec dividendes (cf. après un calcul élémentaire. Indications bibliographiques Nous avons supposé.

on est conduit à décrire la date d’exercice par une variable aléatoire appelée temps d’arrêt : Définition 1. Pour cela. · · · . 2.3 On pourra vérifier. F . Introduisons maintenant la notion de “suite arrêtée à un temps d’arrêt”. qui est la clé de la résolution du problème d’arrêt optimal. N} : {ν ≤ n} ∈ Fn . sur l’ensemble {ν = j} on a : . P fini. L’application de ces notions aux options américaines sera précisée dans le paragraphe 5 de ce chapitre. pour tout n ∈ {0.Chapitre 2 Problème d’arrêt optimal et options américaines Le but de ce chapitre est de traiter l’évaluation et la couverture des options américaines et de faire apparaître le lien entre ces questions et le problème d’arrêt optimal. 1. 1. et de la notion d’enveloppe de Snell. . nous aurons besoin de la notion de temps d’arrêt. Cette hypothèse n’est d’ailleurs pas essentielle : si elle n’est pas vérifiée.2 Comme dans le chapitre précédent. à valeurs dans {0. qui permet de modéliser les stratégies d’exercice d’une option américaine. La décision d’exercer ou de ne pas exercer à l’instant n se fera au vu des informations disponibles  à l’instant n. sauf dans le contexte purement financier du paragraphe 5. à titre d’exercice. Remarque 1. Remarque 1. pour tout n ∈ {0. que ν est un temps d’arrêt si et seulement si. . · · · . Si on se place dans un modèle discret construit sur un espace probabilisé filtré Ω. Soit (X n )0≤n≤N une suite adaptée à la filtration (Fn )0≤n≤N et soit ν un temps d’arrêt. 1 Notion de temps d’arrêt Le détenteur d’une option américaine peut l’exercer à tout moment. (Fn )0≤n≤N . ∀ω ∈ Ω. nous ne ferons pas les hypothèses F 0 = {∅. . N} : {ν = n} ∈ Fn . La suite arrêtée à l’instant ν est définie par : Xνn (ω) = Xν(ω)∧n (ω) c’est à dire que. les résultats exposés dans ce chapitre restent vrais à condition de prendre les égalités au sens presque sûr. jusqu’à la date d’échéance.1 Une variable aléatoire ν. nous supposerons que F = P(Ω) et P({ω}) > 0. Par contre. N} est un temps d’arrêt si. Cette définition équivalente du temps d’arrêt est celle qui se généralise au temps continu. 1. Ω} et FN = F . .

Si. La suite arrêtée (Xνn )0≤n≤N est adaptée. Xj si j ≤ n ν Xn = Xn si j > n. Proposition 1. une surmartingale).4 Soit (Xn ) une suite adaptée et soit ν un temps d’arrêt. de plus. alors (Xνn ) est une martingale (resp. Noter que XνN (ω) = Xν(ω) (ω) (= Xj sur {ν = j}). (Xn ) est une martingale (resp. une surmartingale). .

(Xν∧n ) est aussi une martingale par rapport à (Fn ).28 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE Démonstration : On remarque que. si (Xn ) est une martingale. On montre de même que si la suite (Xn ) est une surmartingale (resp. Puisque {j ≤ ν} est le complémentaire de l’ensemble {ν < j} = {ν ≤ j − 1}. Il est clair alors que (Xν∧n )0≤n≤N est adaptée à la filtration (Fn )0≤n≤N. 2 Enveloppe de Snell Dans ce paragraphe. j=1 où φj = 1{j ≤ ν} . De plus. on a : Xν∧n = X0 + n X φj (Xj − Xj−1 ) . une sousmartingale) en utilisant la prévisibilité et la positivité de (φj )0≤j≤N . en tant que transformée de la martingale (Xn ). pour n ≥ 1. une sousmartingale). la suite arrêtée est encore une surmartingale (resp. et on se propose d’étudier la suite (Un )0≤n≤N définie par les relations : . le processus (φn )0≤n≤N est prévisible. on se donne une suite (Zn )0≤n≤N adaptée.

Démonstration : Puisque UN = ZN . N} et l’on a : {ν0 = 0} = {U0 = Z0 } ∈ F0 . · · · . tant que l’inégalité est stricte. On l’appelle enveloppe de Snell de la suite (Zn )0≤n≤N . comme dans la démonstration de la proposition 1. Pour montrer que (Uνn0 ) est une martingale. on puisse obtenir une martingale. Nous savons déjà.6 du chapitre 1. on écrit. Cette étude est motivée par notre première approche des options américaines (paragraphe 3. E (Un+1 |Fn )) ∀n ≤ N − 1. comme le montre la proposition suivante. 1. Un est au dessus de Zn (avec égalité pour n = N) et que. par la proposition 3.1 La variable aléatoire définie par : ν0 = inf {n ≥ 0|Un = Zn } est un temps d’arrêt et la suite arrêtée (Un∧ν0 )0≤n≤N est une martingale. Un = E(Un+1 |Fn ). Proposition 2. Cela suggère qu’en arrêtant convenablement la suite (Un ). que (U n )0≤n≤N est la plus petite surmartingale majorant la suite (Zn )0≤n≤N .3 du chapitre 1). UN = Z N Un = max (Zn . ν0 définit bien un élément de {0. et pour k ≥ 1 : {ν0 = k} = {U0 > Z0 } ∩ · · · ∩ {Uk−1 > Zk−1 } ∩ {Uk = Zk } ∈ Fk . La relation de récurrence définissant (Un ) montre qu’à chaque instant.4 : n X φj ∆Uj Uνn0 = Un∧ν0 = U0 + j=1 .

. Démonstration : Puisque Uν0 est une martingale.N la suite arrêtée Uν est une surmartingale.2 Le temps d’arrêt ν0 vérifie : U0 = E (Zν0 |F0 ) = sup E (Zν |F0 ) . E (Un+1 |Fn )) et sur l’ensemble {n + 1 ≤ ν0 }. si ν ∈ T0. = 0 ce qui prouve que Uν0 est une martingale. N}.N l’ensemble des temps d’arrêt qui prennent leurs valeurs dans {n. · · · .2 donne : Un = sup E (Zν |Fn ) ν∈Tn. Corollaire 2. où νn = inf {j ≥ n|Uj = Zj }.3 Une généralisation immédiate du corollaire 2. · · · . Remarquons que.2 PROBLÈME D’ARRÊT OPTIMAL ET OPTIONS AMÉRICAINES 29 où φj = 1{ν ≥ j} . N − 1} : 0 0 Uνn+1 − Uνn0 = φn+1 (Un+1 − Un ) = 1{n + 1 ≤ ν } (Un+1 − Un ) 0 On a. pour n ∈ {0. par définition. Un = max (Zn . ν∈T0. La propriété de martingale de la suite Uν0 permet de montrer le résultat suivant. qui fait le lien entre enveloppe de Snell et problème d’arrêt optimal. ce qui donne le résultat. puisque Ω est supposé fini. D’où :    0 E Uνn+1 − Uνn0 |Fn . Remarque 2. on voit que s’arrêter de jouer à l’instant ν0 permet de maximiser le gain moyen sachant F0 . Par ailleurs. nous noterons Tn.N est un ensemble fini. D’où : 0 Uνn+1 − Uνn0 = 1{n + 1 ≤ ν } (Un+1 − E (Un+1 |Fn )) 0 et. en conditionnant : E    0 Uνn+1 − Uνn0 |Fn = 1{n + 1 ≤ ν } E ((Un+1 − E (Un+1 |Fn ))| Fn ) 0 car {n + 1 ≤ ν0 } ∈ Fn (puisque le complémentaire de {n + 1 ≤ ν0 } est {ν0 ≤ n}. Tn.Ch. 1. on a : U0 = Uν0 0 = E (UνN0 |F0 ) = E (Uν0 |F0 ) = E (Zν0 |F0 ) .N = E (Zνn |Fn ) . n + 1. D’où : U0 ≥ E (UνN |F0 ) = E (Uν |F0 ) ≥ E (Zν |F0 ) . D’où. Dans la suite.N Si Zn s’interprète comme la somme des gains d’un joueur après n parties d’un jeu de hasard. Un > Zn et par conséquent Un = E (Un+1 |Fn ).

30 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE Définition 2.N Il résulte de ce qui précéde que ν0 est un temps d’arrêt optimal. Théorème 2. Le résultat suivant donne une caractérisation des temps d’arrêt optimaux qui montre que ν0 est le plus petit temps d’arrêt optimal.5 Un temps d’arrêt ν est optimal si et seulement si : .4 On appelle temps d’arrêt optimal pour la suite (Zn )0≤n≤N tout temps d’arrêt ν tel que : E (Zν |F0 ) = sup E (Zν |F0 ) T0.

D’où : E (Uν |F0 ) = E (Zν |F0 ) et puisque Uν ≥ Zν . si (2. d’où Uν∧n = E ( Uν | Fn ). ce qui prouve que (Uνn ) est une martingale.1 Toute surmartingale (Un )0≤n≤N peut s’écrire de façon unique sous la forme : Un = M n − A n où (Mn ) est une martingale et (An ) un processus croissant. Mais. 3 Décomposition des surmartingales La décomposition suivante (classiquement appelée “décomposition de Doob”) permet.1) est vérifié. prévisible. Réciproquement. U0 = E(Zν |F0 ). ce qui.2. nul en 0.1) Démonstration : Si la suite arrêtée Uν est une martingale. Proposition 3. De l’égalité E (Uν |F0 ) = U0 et des inégalités : U0 ≥ E (Uν∧n |F0 ) ≥ E (Uν |F0 ) (qui résultent du fait que (Uνn ) est une surmartingale) on déduit aussi : E (Uν∧n |F0 ) = E (Uν |F0 ) = E ( E (Uν | Fn )| F0 ) . Uν = Zν . on a : U0 = E (Zν |F0 ) ≤ E (Uν |F0 ) . Zν = U ν et (Uν∧n )0≤n≤N est une martingale. (2. entraîne l’optimalité de ν. dans les modèles de marchés viables et complets. . puisque Uν est une surmartingale : E (Uν |F0 ) ≤ U0 . on a U0 = E(Uν |F0 ) et par conséquent. Mais on a Uν∧n ≥ E ( Uν | Fn ). d’associer à toute surmartingale une stratégie de gestion dans laquelle la consommation est autorisée (voir à ce sujet l’exercice 5). compte tenu du corollaire 2. si ν est optimal.

en conditionnant par rapport à Fn et en utilisant les propriétés de M et A : − (An+1 − An ) = E (Un+1 |Fn ) − Un et Mn+1 − Mn = Un+1 − E (Un+1 |Fn ) . Supposons maintenant que (Un ) soit l’enveloppe de Snell d’une suite adaptée (Zn ).2 Le plus grand temps d’arrêt optimal pour (Zn ) est donné par : .2 PROBLÈME D’ARRÊT OPTIMAL ET OPTIONS AMÉRICAINES 31 Démonstration : Il est clair que le seul choix possible pour n = 0 est M0 = U0 et A0 = 0. (Mn ) et (An ) sont ainsi déterminés de manière unique et on voit que (Mn ) est bien une martingale et que (An ) est bien prévisible et croissant (parce que (Un ) est une surmartingale).Ch. On peut alors caractériser le plus grand temps d’arrêt optimal pour (Zn ) à l’aide du processus croissant (An ) intervenant dans la décomposition de Doob de (Un ) : Proposition 3. On doit ensuite avoir : Un+1 − Un = Mn+1 − Mn − (An+1 − An ) . D’où.

. pour j ≤ νmax . Par suite Uj = max (Zj . N si AN = 0 νmax = inf {n. Démonstration : On voit facilement que νmax est un temps d’arrêt en utilisant le fait que (An )0≤n≤N est prévisible. donc Uj = Mj et E (Uj+1 |Fj ) = Mj − Aj+1 < Uj . sur l’ensemble {νmax = j}. Il reste à démontrer que c’est le plus grand temps d’arrêt optimal. An+1 6= 0} si AN 6= 0. Aj = 0 et Aj+1 > 0. Pour avoir l’optimalité. E (Uj+1 |Fj )) + 1{ν = N} ZN . on déduit que Uνmax = Mνmax ce qui entraîne que Uνmax est une martingale. Or : Uνmax = N−1 X 1{ν = j} Uj + 1{ν = N} UN max max j=0 = N−1 X 1{ν = j} max (Zj . De l’égalité Un = Mn − An et du fait que Aj = 0. D’où finalement : Uνmax = Zνmax . alors E(Uν ) = E(Mν ) − E(Aν ) = E(U0 ) − E(Aν ) < E(U0 ) et par conséquent Uν ne peut pas être une martingale. E (Uj+1 |Fj )) = Zj . max max j=0 On a E (Uj+1 |Fj ) = Mj − Aj+1 et. Cela résulte du fait que si ν est un temps d’arrêt vérifiant ν ≥ νmax et P(ν > νmax ) > 0. il suffit par conséquent de montrer l’égalité : Uνmax = Zνmax .

les calculs d’enveloppes de Snell peuvent être menés à bien.2 Soit (Zn ) une suite adaptée définie par Zn = ψ(n. x) ∀x ∈ E et. Proposition 4. P et.3 du chapitre 1. P . La matrice P a des coefficients positifs ou nuls et vérifie : y∈E P(x. 5 Application aux options américaines Nousnous plaçons maintenant  dans un modèle de marché viable et complet. x) = ψ(N. Une suite (X n )n≥0 de variables aléatoires à valeurs dans un ensemble fini E est appelée chaîne de Markov si. La proposition suivante est une conséquence immédiate de la définition précédente et de la définition de l’enveloppe de Snell. . Noter que si l’on interprète les fonctions de E dans R comme des matrices unicolonnes indexées par E. pour tout entier n ≥ 1 et pour tous éléments x0 . ·) = max (ψ(n. Pf est bien le produit des deux matrices P et f. . La matrice P = (P(x. on dit que c’est une matrice stochastique. on a : P (Xn+1 = y|X0 = x0 . . . y) = P (Xn+1 = y|Xn = x) ne dépend pas de n. ·)) . Alors.1 et 3. . Lorsqu’on travaille sur un espace de  probabilité filtré Ω. y) = 1. où (Xn ) est une chaîne de Markov homogène de matrice de transition P. F . Xn−1 = xn−1 . on définit la notion de chaîne de Markov par rapport à la filtration : Définition 4.1 Une suite (Xn )0≤n≤N de variables aléatoires à valeurs dans ensemble E est une chaîne de Markov homogène de matrice de transition P par rapport à la filtration (F n )0≤n≤N si (Xn ) est adaptée et si pour toute fonction f de E dans R. est alors appelée matrice de transition P de la chaîne. u(n. pour n ≤ N − 1. xn−1 . Pu(n + 1. comme dans les paragraphes 3. ·). l’enveloppe de Snell (Un ) de la suite (Zn ) est donnée par Un = u(n.y)∈E×E . ... dans un cadre markovien. Xn = x) = P (Xn+1 = y|Xn = x) La chaîne est dite homogène si le nombre P(x. Xn ). construit sur l’espace Ω. on a : E (f (Xn+1 ) |Fn ) = Pf (Xn ) où Pf désigne la fonction qui à x ∈ E associe Pf(x) = P y∈E P(x. y)f(y). à valeurs dans E et ψ une fonction de N×E dans R. Xn ). . pour tout x ∈ E . . x. où la fonction u est définie par les relations suivantes : u(N. y de E. (Fn )0≤n≤N . . nous noterons P∗ l’unique probabilité sous laquelle les actifs actualisés sont des martingales. indexée par E × E. .32 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE 4 Enveloppe de Snell et chaînes de Markov Le but de ce paragraphe est de montrer comment. x1 . . (Fn )0≤n≤N . F . On vérifie façilement qu’une chaîne de Markov au sens élémentaire est une chaîne de Markov par rapport à sa filtration naturelle. Xn ). y))(x. définie par : Fn = σ(X0 .

VN (φ) = S0N M   ˜ N . nous avons défini la valeur (U n ) d’une option américaine décrite par une suite (Zn ). A une richesse égale à Uνmax = Vνmax (φ) et. on peut écrire : ˜n =M ˜ n−A ˜ n. car il perdrait un actif de valeur Un (l’option) contre une richesse égale à Zn (venant de l’exercice de l’option). Il résulte du paragraphe 2 ci-dessus que l’on a :  ˜ n = sup E∗ Z˜ ν |Fn U ν∈Tn. en encaissant la prime U0 = V0 (φ). il peut produire une richesse égale à l’instant n à Vn (φ) qui majore Un donc Zn . S0nE∗ Un+1 |Fn S0 n+1 ∀n ≤ N − 1. = M   et. il peut se constituer (qui est égal à inf j.33 Ch. ˜ n ) définie par U ˜ n = Un /S0n (valeur actualisée de l’option) est donc l’enveloppe de La suite (U ∗ Snell sous P de la suite (Z˜ n ).N  et par conséquent : Un = S0n sup E ν∈Tn. Puisque où (M le marché est complet.N ∗ ! Zν |Fn . par conséquent : ˜ n = V˜ n (φ) − A ˜ n. car. S0ν D’après le paragraphe 3.3 du chapitre 1. Donc une date τ d’exercice optimal vérifie U τ = Zτ . U D’où : Un = Vn (φ) − An . Le détenteur de l’option n’a pas intérêt à exercer à un instant n où Un > Zn . à cet instant. Comme la suite V˜ n (φ) est une P∗ -martingale.2 PROBLÈME D’ARRÊT OPTIMAL ET OPTIONS AMÉRICAINES 5. en vendant l’option. on a : c’est à dire V˜ N (φ) = M  V˜ n (φ) = E∗ V˜ N (φ)|Fn  ˜ N |Fn = E∗ M ˜ n. en suivant à partir de cet instant la stratégie φ. Par ailleurs. Quelle est la date d’exercice optimale pour l’acheteur de l’option ? La date d’exercice est à choisir parmi tous les temps d’arrêt. ˜ n . U ˜ n ) est une P∗ martingale et (A ˜ n ) est un processus croissant prévisible nul en 0.1 Exercice et couverture des options américaines Dans le paragraphe 3. par les relations :  UN = Z N    Un = max Zn . il n’a pas intérêt à exercer après l’instant νmax = inf {j. il existe une stratégie autofinancée φ telle que : ˜ N. il se . Aj+1 6= 0}  ˜ j+1 6= 0 ). Il est clair sur cette expression que le vendeur de l’option peut se couvrir où An = S0n A parfaitement puisque.

Il y a donc égalité entre le prix du call européen et le prix du call américain correspondant. Alors. d’un call européen d’échéance N et de prix d’exercice K sur une unité d’actif risqué et Cn est le prix du call américain correspondant.1 Soit Cn la valeur à l’instant n d’une option américaine décrite par une suite adaptée (Zn )0≤n≤N et soit cn la valeur à l’instant n de l’option européenne définie par la variable aléatoire FN -mesurable h = ZN . on a Uτ > Zτ ou Aτ > 0.2 Options américaines et options européennes Proposition 5. . Dans les deux cas. N}.34 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE constitue un portefeuille dont la valeur est strictement plus grande que celle de l’option aux instants νmax + 1. Remarque 5. Cn = cn . Si celui-ci se couvre suivant la stratégie φ définie plus haut et si l’acheteur exerce à un instant τ qui n’est pas optimal. apparaît comme une surmartingale (sous P∗ ) majorant la suite (Z˜ n ) et par conséquent : C˜n ≤ c˜ n ∀n ∈ {0. on a :   C˜n ≥ E∗ C˜N |Fn = E∗ (c˜ N |Fn ) = c˜ n D’où. l’inégalité : Cn ≥ cn . On a : c˜ n = (1 + r)−N E∗ ((SN − K)+ |Fn )   ≥ E∗ S˜ N − K(1 + r)−N |Fn = S˜ n − K(1 + r)−N . pour tout n. Pour illustrer la proposition qui précède. qui est strictement positif. 1. . .2 On vérifiera sans peine que si les relations de la proposition 5. cn est le prix.1. 1. de sorte que S0n = (1 + r)n . à la date n. avec les notations de la proposition 5. . comme seconde condition τ ≤ νmax . sous la probabilité P∗ . νmax + 2. · · · .1 n’étaient pas vérifiées. on a : Cn ≥ cn . . Pour préciser ce point. Comme cn ≥ 0. De plus. 5. il y aurait des opportunités d’arbitrage par des transactions sur les options. égal à r ≥ 0 sur chaque période. pour tout n. qui est une martingale sous P∗ . plaçons-nous dans le cas d’un marché avec un seul actif risqué. . de prix Sn à l’instant n et un taux d’intérêt sans risque constant. en utilisant la propriété de martingale de (S˜ n ). D’où : cn ≥ Sn − K(1 + r)−(N−n) ≥ Sn − K. ce qui ˜ τ est une martingale. si cn ≥ Zn . L’inégalité Cn ≥ cn est bien naturelle puisque l’option américaine donne plus de droits que l’option européenne. on a aussi cn ≥ (Sn − K)+ et par la proposition 5. on prend Zn = (Sn − K)+ . alors : cn = C n ∀n ∈ {0. . . . Alors si. le vendeur réalise un profit Vτ (φ) − Zτ = Uτ + Aτ − Zτ . alors la suite (c˜ n ). puisque r ≥ 0.   Démonstration : Puisque la valeur actualisée C˜n est une surmartingale sous P∗ . Si on a cn ≥ Zn . N} D’où l’égalité. reprenons le point de vue du vendeur de l’option. On impose donc. La conclusion de ce qui précède est que les dates permet de dire que U d’exercice optimales sont les temps d’arrêt optimaux pour la suite ( Z˜ n ).1. N.

. x(1 + a)) + (1 − p)Pam (n + 1. . 1+r avec f(n + 1. voir [Kar81]. 5. τ∈T0. sans supposer F0 triviale que : E (U0 ) = sup E (Zν ) . N}.N et plus généralement que : E (Un ) = sup E (Zν ) . 1.35 Ch.) Exercice 2 Soit (Un ) l’enveloppe de Snell d’une suite adaptée (Zn ). Montrer que Fν ⊂ Fτ . paragraphe 1). à l’instant n. x) est définie par Pam (N. x) = max (K − x)+ . ni dans le cas de calls sur devises ou sur actions distribuant des dividendes. b−a . 1. x) .4 si et seulement si : E (Zν ) = sup E (Zτ ) . Sous les mêmes hypothèses. Montrer. 3. Sn ) où Pam (n.N Exercice 3 Montrer que ν est optimal au sens de la définition 2. on pourra consulter [Nev72] (chapitre VI) et [DCD83] (chapitre 5. . de prix d’exercice K sur une action peut s’écrire : Pn = Pam (n. Soit τ un temps d’arrêt tel que τ ≥ ν. Pour la théorie de l’arrêt optimal à temps continu.2 PROBLÈME D’ARRÊT OPTIMAL ET OPTIONS AMÉRICAINES Cette propriété n’est pas vérifiée dans le cas du put. Montrer l’égalité : E(X|Fν ) = N X 1{ν = j} E(X|Fj ) j=0 4. x) = (K − x)+ et. Pam (n. pour n ≤ N − 1 ! f(n + 1. . Remarque bibliographique : Pour des compléments sur l’enveloppe de Snell et l’arrêt optimal. Fν est souvent appelée “tribu des événements antérieurs à ν”. 2. x(1 + b)) et p = b−r . on a Mν = E(Mτ |Fν ).N Exercice 4 L’objet de cet exercice est d’étudier le put américain dans le modèle de Cox-RossRubinstein. Montrer que le prix Pn . Soit X une variable aléatoire réelle. (On pourra traiter le cas τ = N d’abord. montrer que si (Mn ) une martingale. pour tout n ∈ {0. On note Fν l’ensemble des événements A tels que A ∩ {ν = n} ∈ Fn . ν∈Tn. Montrer que Fν est une sous-tribu de FN . Les notations sont celles du chapitre 1. ν∈T0. Montrer que la variable aléatoire ν est Fν -mesurable. x) = pPam (n + 1. 6 Exercices Exercice 1 Soit ν un temps d’arrêt par rapport à une filtration (Fn )0≤n≤N . du put américain d’échéance N.

36

INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE

2. Montrer que la fonction Pam (0, .) peut se mettre sous la forme :
Pam (0, x) = sup E∗ ((1 + r)−ν (K − xVν )+ ) ,
ν∈T0,N

où la suite
Qn de variables aléatoires (Vn )0≤n≤N est définie par : V0 = 1 et, pour n ≥ 1,
Vn = i=1 Ui , où les Ui sont des variables aléatoires dont on précisera la loi conjointe
sous P∗ .

3. A partir de la formule de la question précédente, montrer que la fonction x 7→ P am (0, x)
est convexe et décroissante.
4. On suppose a < 0. Montrer qu’il existe un réel x∗ ∈ [0, K] tel que, pour x ≤ x∗ ,
Pam (0, x) = (K − x)+ et, pour x ∈]x∗ , K/(1 + a)N [, Pam (0, x) > (K − x)+ .
5. Un agent détient le put américain à l’instant 0. Pour quelles valeurs du cours spot S 0 a-t-il
intérêt à exercer immédiatement son option ?
6. Montrer que la stratégie de couverture du put américain est définie par une quantité d’actif
risqué Hn = ∆(n, Sn−1) à détenir à l’instant n, où ∆ est une fonction que l’on exprimera
à partir de la fonction Pam .
Exercice 5 Stratégies de consommation. Les stratégies autofinancées définies au chapitre 1
excluent toute possibilité de consommation. On peut introduire des stratégies de consommation
de la façon suivante : à l’instant n, après avoir pris connaissance des cours S 0n ,. . .,Sdn , l’investisseur réajuste son portefeuille pour le faire passer de la composition φ n à la composition φn+1
et décide de la richesse γn+1 qui sera consommée à la date n + 1. Le réajustement se faisant
aux cours de la date n, s’il n’y a pas d’apports de fonds extérieurs, on doit avoir :
φn+1 .Sn = φn .Sn − γn+1 .

(2.2)

Une stratégie de gestion avec consommation sera donc définie par un couple (φ, γ), où φ est
un processus prévisible à valeurs dans Rd+1 , représentant les quantités d’actifs détenues en portefeuille et γ = (γn )1≤n≤N un processus prévisible à valeurs dans R+ , représentant la richesse
consommée à chaque instant, les processus φ et γ étant liés par la relation (2.2), qui remplace
la condition d’autofinancement du chapitre 1.
1. Soit φ un processus prévisible à valeurs dans Rd+1 et soit γ un processus prévisible à valeurs dans R+ . On pose Vn (φ) = φn .Sn et V˜ n (φ) = φn .S˜ n . Montrer que les conditions
suivantes sont équivalentes :
(a) Le couple (φ, γ) définit une stratégie de gestion avec consommation.
(b) Pour tout n ∈ {1, . . . , N},
Vn (φ) = V0 (φ) +

n
X

φj .∆Sj −

j=1

n
X

γj .

j=1

(c) Pour tout n ∈ {1, . . . , N},
V˜ n (φ) = V0 (φ) +

n
X
j=1

φj .∆S˜ j −

n
X

γj /S0j−1 .

j=1

2. Dans toute la suite, on suppose le marché viable et complet et on note P ∗ l’unique probabilité sous laquelle les prix actualisés des actifs sont des martingales. Montrer que si le
couple (φ, γ) définit une stratégie de gestion avec consommation, alors ( V˜ n (φ)) est une
surmartingale sous P∗ .

Ch.2 PROBLÈME D’ARRÊT OPTIMAL ET OPTIONS AMÉRICAINES

37

˜ n ) soit une surmartingale sous P∗ . Montrer, en
3. Soit (Un ) une suite adaptée telle que (U
utilisant la décomposition de Doob, qu’il existe une stratégie de gestion avec consommation (φ, γ) telle que Vn (φ) = Un , pour tout n ∈ {0, . . . , N}.

4. Soit (Zn ), une suite adaptée. On dit qu’une stratégie de gestion avec consommation (φ, γ)
couvre l’option américaine définie par (Zn ) si Vn (φ) ≥ Zn , pour tout n ∈ {0, 1, . . . , N}.
Montrer que la valeur (Un ) de l’option américaine est la valeur d’au moins une stratégie
de gestion avec consommation qui couvre (Zn ) et que toute stratégie de gestion avec
consommation (φ, γ) qui couvre (Zn ) vérifie Vn (φ) ≥ Un , pour tout n ∈ {0, 1, . . . , N}.
5. Soit x un nombre positif, représentant la richesse initiale d’un investisseur et soit γ =
(γn )1≤n≤N une suite prévisible à valeurs dans R+ . On dira que le processus de consommation (γn ) est finançable à partir de la richesse initiale x s’il existe un processus prévisible φ à valeurs dans Rd+1 tel que le couple (φ, γ) définisse une stratégie de gestion
avec consommation, avec, de plus : V0 (φ) = x et Vn (φ) ≥ 0, pour tout n ∈ {0, . . . , N}.
Montrer 
P que (γn ) est finançable à partir de la richesse initiale x, si et seulement si :
N
0

E
j=1 γj /Sj−1 ≤ x.

– Un processus peut aussi être vu comme une fonction aléatoire : à chaque ω dans Ω on associe la fonction de R+ dans E. Les outils techniques sont plus délicats à utiliser en temps continu mais les idées essentielles différent peu de celles du temps discret. 1 Généralités sur les processus à temps continu Commen¸cons par préciser ce que l’on entend par processus à temps continu. P) à valeurs dans (E. Définition 1. non seulement l’un des premiers à s’intéresser mathématiquement aux propriétés du mouvement brownien. A. T ] borné. nous supposerons toujours que cette application est mesurable lorsque l’on munit R + × Ω de la tribu B(R+ ) × A et E de la tribu E. nous introduirons le mouvement brownien. les liens entre processus stochastiques et finance ne sont pas nouveaux : en 1901. Certaines démonstrations sont rédigées en petits caractères. enfin nous construirons l’intégrale stochastique d’Itô et nous introduirons le calcul différentiel qui lui est associé : le calcul d’Itô. . Remarque 1.Chapitre 3 Mouvement brownien et équations différentielles stochastiques Les deux premiers chapitres de ce livre ont été consacrés à l’étude de modèles à temps discret. – On considérera aussi des processus indexés par un intervalle de temps [0. Ainsi. E).1 On appelle processus stochastique à temps continu et à valeurs dans un espace E muni d’une tribu E . le modèle le plus utilisé dans la pratique (le modèle de Black et Scholes) est un modèle à temps continu qui conduit à une formule simple. D’autre part les modèles continus conduisent à des méthodes de calcul plus explicites que les modèles discrets. En particulier. Bachelier (voir [Bac00]) dans un mémoire intitulé “Théorie de la spéculation” est.2 – Dans la pratique l’indice t représente le temps. t → Xt (ω). . Nous allons étendre ces notions au cas du temps continu. Nous donnons quelques éléments mathématiques nécessaires à la compréhension des modèles à temps continu. Comme nous l’avons signalé dans l’introduction. appelée trajectoire du processus. nous introduirons les outils mathématiques permettant de construire des modèles d’évolution d’actif et de calculer les prix d’options. Pourquoi considère-t-on des modèles à temps continu ? La première motivation vient des phénomènes que l’on veut modéliser : les variations des cotations sur les marchés organisés sont en pratique tellement fréquentes qu’un modèle à temps discret peut difficilement en rendre compte. qui est l’outil majeur du modèle de Black et Scholes et sert à construire la plupart des modèles d’actifs en finance. Puis nous étendrons la notion de martingale au cas du temps continu. . En particulier. ce sont des démonstrations techniques qu’il est conseillé de sauter lors d’une première lecture. une famille (Xt )t∈R+ de variables aléatoires sur un espace de probabilité (Ω. – Un processus peut être considéré comme une application de R + × Ω dans E. même s’il faut parfois avoir recours à des méthodes numériques. On a vu à cette occasion l’importance des notions de martingales. mais aussi à donner des formules de calcul de prix pour certaines options. de stratégies autofinancées.

Cependant si on remplace la tribu Ft par la tribu F¯t engendrée par Ft et N . Quand on parle de filtration pour un processus sans autres précisions.10. Formellement. Le but de cette hypothèse technique est de permettre d’affirmer que si X = Y P p. et (Xt )t≥0 est un processus adapté continu. Remarque 1. S est FS mesurable.40 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE Comme dans le cas discret. pour tout t ≥ 0 : {τ ≤ t} ∈ Ft On associe à un temps d’arrêt τ une tribu que l’on note Fτ .s. Un processus est bien sûr adapté à sa filtration naturelle. Xt est Ft -mesurable. On dit qu’un processus (Xt )t≥0 est adapté à (Ft )t≥0 . Cette tribu représente les informations disponibles avant l’instant aléatoire τ. l’ensemble des ensembles de probabilité nulle (on dit aussi négligeables) de A. les filtrations que l’on considérera.s. On peut construire une filtration à partir d’un processus (Xt )t≥0 en posant Ft = σ(Xs . – Si S et T sont deux temps d’arrêt alors S ∧ T = inf(S. la définition est la suivante : Définition 1. La notion de temps d’arrêt nous sera utile comme dans le cas discret. s ≤ t). fini presque sûrement. – Si S est un temps d’arrêt. On démontre que (voir exercices 8. et que Y est F t -mesurable alors X est aussi Ft -mesurable. si pour chaque t. alors FS ⊂ FT . Cette filtration ne vérifie pas. Le tribu Ft représente l’information dont on dispose à l’instant t.4 Dans la suite. T ) est un temps d’arrêt.5 On appelle temps d’arrêt par rapport à une filtration (F t )t≥0 une variable aléatoire τ à valeurs dans R+ ∪ {+∞} telle que.14) : Proposition 1.3 Soit (Ω.9. on obtient une filtration vérifiant la condition souhaitée. définie par : Fτ = {A ∈ A. on introduit la notion de filtration.. On appelle cette filtration la filtration naturelle du processus (Xt )t≥0 . en général. Définition 1. l’hypothèse précédente. Un temps d’arrêt modélise un temps aléatoire qui dépend du processus de fa¸con non anticipante (à un instant donné t on “sait” si un temps d’arrêt est plus petit que t). A ∈ Ft . A. P) un espace de probabilité. pour tout t ≥ 0 . alors XS est FS mesurable. A ∩ {τ ≤ t} ∈ Ft } . En particulier si S est un temps d’arrêt et t est un temps déterministe S ∧ t est un temps d’arrêt. auront la propriété suivante : Si A ∈ A et si P(A) = 0. 11. une filtration (Ft )t≥0 est une famille croissante de sous tribus de A. . – Si S et T sont deux temps d’arrêt tels que S ≤ T P p. Ceci exprime que Ft contient tous les ensembles de mesure nulle de A.6 – Si S est un temps d’arrêt. il s’agit de sa filtration naturelle. alors pour tout t.

u ≤ s). alors le vecteur aléatoire (Xt1 .   E X2t = t. . . · · · . . – Si s ≤ t. Dans la suite. . la loi de Xt prend la forme : x2 1 √ e− 2t dx. Xt − Xs est indépendant de la tribu Fs = σ(Xu . Remarque 2. . ÉQU. Remarque 2. < tn . 2πt dx étant la mesure de Lebesgue sur R. Ce résultat est délicat à établir. Il servira de base pour la construction de la plupart des modèles d’actifs financiers et de taux d’intérêt. Xtn ) est un vecteur gaussien. On a une propriété plus forte : Théorème 2. il s’agira d’un mouvement brownien standard. Xt est Ft -mesurable.1 On appelle mouvement brownien un processus stochastique (X t )t≥0 à valeurs réelles. On peut démontrer une propriété précisant le caractère gaussien du mouvement brownien. On pourra consulter l’appendice page 161 pour des précisions sur les vecteurs gaussiens. la fonction s 7→ Xs (ω) est une fonction continue. qui est un processus à accroissements indépendants et stationnaires dont les trajectoires sont continues. Xt − Xs est indépendant de la tribu Fs . Démonstration : Soit 0 ≤ t1 < . lorsque l’on parlera de mouvement brownien. Xtn ). . Xt est une variable aléatoire gaussienne. sans autre précision.s. Xt2 − Xt1 . .3 MOUVEMENT BROWNIEN. nous renvoyons à [GS80] pour sa démonstration. . . Définition 2. – stationnarité des accroissements : si s ≤ t. . la loi de Xt − Xs est identique à celle de Xt−s − X0 . E (Xt ) = 0.2 Si (Xt )t≥0 est un mouvement brownien. ce vecteur est donc un vecteur gaussien. Cette définition permet de caractériser la loi de la variable aléatoire Xt . r et σ étant des constantes réelles. Il en est donc de même pour (Xt1 . DIFF.2) et indépendantes (par définition du mouvement brownien).4 Si (Xt )t≥0 est un mouvement brownien. il est facile de vérifier qu’un Ft -mouvement brownien est un mouvement brownien par rapport à sa filtration naturelle.41 Ch. la loi de Xt − Xs est identique à celle de Xt−s − X0 . STOCHASTIQUES 2 Le mouvement brownien Un exemple particulièrement important de processus stochastique est le mouvement brownien. u ≤ t) ⊂ Ft . Xtn − Xtn−1 ) est composé de variables aléatoires gaussiennes (d’après le théorème 2. On aura besoin d’une définition légèrement plus précise d’un mouvement brownien par rapport à une tribu Ft . – Si s ≤ t. On vient de voir que pour tout t. Dans ce cas. alors Xt − X0 est une variable aléatoire gaussienne de moyenne rt et de variance σ2 t. Ce qui signifie que : – continuité : P p. . De plus. . Théorème 2.s.5 On appellera Ft –mouvement brownien un processus stochastique à valeurs réelles et à trajectoires continues qui vérifie : – Pour tout t ≥ 0. si 0 ≤ t1 < . .6 Le premier point de la définition précédente prouve que σ(X u . – indépendance des accroissements : Si s ≤ t. < tn alors (Xt1 . Définition 2.3 Un mouvement brownien est dit standard si : X0 = 0 P p.

donc E(X t − Xs ) = 0. pour tout s ≤ t. et donc :     E X2t − X2s |Fs = E (Xt − Xs )2 |Fs . Donnons des exemples de martingales que l’on peut construire à partir du mouvement brownien. mais comme (Xt )t≥0 est une martingale E (Xt − Xs |Fs ) = 0. si s < t. Démonstration : Si s ≤ t alors Xt −Xs est indépendante de la tribu Fs . rappelons. E (Mt |Fs ) = Ms . On en déduit le premier point. On en  2 déduit que E Xt − t|Fs = X2s − s. – une surmartingale si. X2t − t est une Ft -martingale. la notion de martingale est un outil essentiel pour expliciter la notion d’arbitrage. (c’est-à-dire vérifiant E(|M t |) < +∞ pour tout t) est : – une martingale si. P) un espace probabilisé et (Ft )t≥0 une filtration de cet espace. Pour démontrer le dernier point. Remarque 3.1 Soit (Ω. pour tout t. Pour démontrer le deuxième. Une famille adaptée (Mt )t≥0 de variables aléatoires intégrables. remarquons que :  E X2t − X2s |Fs    = E (Xt − Xs )2 + 2Xs (Xt − Xs )|Fs   = E (Xt − Xs )2 |Fs + 2Xs E (Xt − Xs |Fs ) . Définition 3. La définition suivante est une extension de celle du temps discret. Xt est une Ft -martingale.2 On déduit de cette définition que. E (Mt |Fs ) ≤ Ms . si g est une gaussienne centrée réduite. pour tout s ≤ t.3 Si (Xt )t≥0 est un Ft -mouvement brownien standard : 1.42 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE 3 Martingales à temps continu Comme dans le cas des modèles à temps discret. que. 2π −∞ De plus. 2. si s < t :  E eσXt −σ 2 t/2  |Fs = eσXs −σ 2 t/2  E eσ(Xt −Xs ) |Fs  . A. E (Mt |Fs ) ≥ Ms . si (Mt )t≥0 est une martingale. Proposition 3. tout d’abord. exp σXt − (σ2 /2)t est une Ft -martingale. La dernière égalité est due  au fait que Xt suit une loi gaussienne centrée de variance t. Mais un mouvement brownien standard est centré. on a : Z +∞   x2 dx 2 λg E e = eλx e− 2 √ = eλ /2 . pour tout s ≤ t. alors E(Mt ) = E(M0 ).   3. La stationnarité et l’indépendance des accroissements du mouvement brownien permettent de plus d’affirmer que :     E (Xt − Xs )2 |Fs = E X2t−s = t − s. Donc E(Xt −Xs |Fs ) = E(Xt − Xs ). – une sousmartingale si.

Démonstration : Nous supposerons que a ≥ 0. Nous admettons ce théorème et renvoyons à [KS88] page 19 pour sa démonstration. ou +∞ si cet ensemble est vide.3 MOUVEMENT BROWNIEN.6 Soit (Xt )t≥0 un Ft -mouvement brownien. Si (Mt )t≥0 est une martingale.s. Notons. et si τ1 et τ2 sont deux temps d’arrêt tels que τ1 ≤ τ2 ≤ K. Ta est un temps d’arrêt. alors E(M τ ) = E(M0 ) (il suffit d’appliquer le théorème d’arrêt avec τ1 = 0.43 Ch. DIFF. en effet. Remarque 3. Nous allons donner un exemple d’application de ce résultat au calcul des temps d’atteinte d’un point par le mouvement brownien.5 – Ce résultat entraîne que. comme Xs est continue : .) Si (Mt )t≥0 est une martingale continue par rapport à une filtration (Ft )t≥0 . STOCHASTIQUES car Xs est Fs -mesurable. K étant une constante réelle finie.4 (Théorème d’arrêt. dont la loi est caractérisée par sa transformée de Laplace : √   E e−λTa = e− 2λ|a| . Théorème 3. – Si Mt est une sousmartingale. la relation E (Mt |Fs ) = Ms . on a :  E eσ(Xt −Xs ) |Fs   = E eσ(Xt −Xs )   = E eσXt−s   √ = E eσg t−s = e  σ2 (t−s) 2 Ce qui donne le résultat annoncé. Xs = a}. peut être étendue à des temps aléatoires si ces temps sont des temps d’arrêt bornés. Ce résultat est une extension de l’exercice 1 du chapitre 2 au cas continu et porte le nom de théorème d’arrêt. Ta est un temps d’arrêt fini presque sûrement. si τ est un temps d’arrêt borné. . alors Mτ2 est intégrable et : E (Mτ2 |Fτ1 ) = Mτ1 P p. on a le même théorème en rempla¸cant l’égalité précédente par : E (Mτ2 |Fτ1 ) ≥ Mτ1 P p. Ta = inf {s ≥ 0. ÉQU. si a est un nombre réel. Proposition 3. et comme Xt − Xs est indépendante de Fs .s. Alors. τ2 = τ et de prendre l’espérance des deux membres).

s≤t {Xs > a − } . on peut donc appliquer le théorème d’arrêt.6). On obtient ainsi : E (MTa ∧n ) = 1. qui est borné. y).   Nous allons appliquer le théorème d’arrêt à la martingale Mt = exp σXt − (σ2 /2)t . si n est un entier positif. Ta ∧ n est encore un temps d’arrêt (voir proposition 1. On ne peut pas appliquer le théorème d’arrêt à Ta (qui n’est pas borné). . Cependant. On notera dans ce qui suit x ∧ y = inf(x. {Ta ≤ t} = ∩∈Q+∗ sup Xs > a −  = ∩∈Q+∗ ∪s∈Q+ . s≤t Ce dernier ensemble est dans Ft . ce qui prouve le résultat.

44 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE σ2 Mais MTa ∧n = eσXTa ∧n − 2 (Ta ∧n) ≤ exp(σa). Cette inégalité est connue sous le nom d’inégalité de Doob. Dans le cas des modèles à temps Rt continu. un sens précis à ce type d’ intégrales par rapport au mouvement brownien. limn→+∞ MTa ∧n = MTa et si Ta = +∞. C’est ce que nous allons faire dans ce paragraphe.7 (Inégalité de Doob) Si (Mt )0≤t≤T est une martingale continue. ds 0 0 On peut donner. Cependant les modèles utilisés couramment pour décrire l’actif sont obtenus à partir du mouvement brownien. avec (−Xt )t≥0 qui est un Ft -mouvement brownien (car c’est un processus continu à accroissements indépendants et stationnaires de moyenne nulle et de variance t). On traite le cas a < 0 en remarquant que : Ta = inf {s ≥ 0. si Ta < +∞. on a pour tout t. En faisant tendre σ vers 0 on obtient que P(Ta < +∞) = 1 (ce qui signifie que le mouvement brownien atteint la valeur a presque sûrement) puis :  E e− σ2 T 2 a  = e−σa . Le théorème d’arrêt permet aussi d’obtenir des estimations pour le maximum d’une martingale. d’où limn→+∞ MTa ∧n = 0. Or. comme XTa = a si Ta < +∞ : a  2 E 1{T < +∞} e a − σ2 Ta  = e−σa . on peut borner le moment d’ordre 2 de sup 0≤t≤T |Mt |. on a : E sup |Mt | 0≤t≤T 2 ! ≤ 4E(|MT |2 ). 4 Intégrale stochastique et calcul d’Itô Dans le cas des modèles à temps discret. nous allons généraliser cette formule à l’aide d’intégrales du type 0 Hs dS˜ s . On appelle ces intégrales des “intégrales stochastiques”. cependant. soit. la valeur actualisée d’un portefeuille de valeur initiale V0 et géré selon la stratégie autofinancée φ = (Hn )0≤n≤N s’écrit : V0 + n X Hj (S˜ j − S˜ j−1 ). La démonstration de ce résultat est donnée dans l’exercice 13. une des propriétés importantes du mouvement brownien est que presque sûrement ses trajectoires sont nulle part différentiables. . Théorème 3. Si Mt est une martingale. −Xs = −a} . j=1 Cette valeur apparaît comme une transformée de martingale sous une probabilité pour laquelle le prix de l’actif actualisé (S˜ n )0≤n≤N est une martingale. Le théorème de Lebesgue donne donc E(1{T < +∞} MTa ) = 1. Xt ≤ a. On ne peut dt donc pas définir l’intégrale précédente par : Zt Zt dXs f(s)dXs = f(s) ds. De plus. Autrement dit. si X t est un t mouvement brownien. il n’existe pas de points t de R+ tels que dX ait un sens.

P). . 1≤i≤p ce qui prouve la continuité de la fonction t 7→ I(H)t . on fixe T un réel strictement positif et fini. Dans toute la suite. (Ft)t≥0 . 0 – Rt 0 Hs dWs pour I(H)t .1 Construction de l’intégrale stochastique Soit (Wt )t≥0 un Ft -mouvement brownien standard sur un espace probabilisé filtré Rt (Ω. Nous allons donner un sens à 0 f(s.3 MOUVEMENT BROWNIEN. On va commencer par construire l’intégrale stochastique sur un ensemble de processus dits élémentaires. par définition. si t ∈]tk . le processus continu (I(H)t )0≤t≤T défini par. On notera alors le résultat essentiel suivant : Proposition 4. 0 s 0≤t≤T   Z !2 ! Zt t 2   – E Hs dWs =E Hs ds .ti ] (t) i=1 où 0 = t0 < t1 < . DIFF. 1≤i≤k Notons que I(H)t peut s’écrire : I(H)t = X φi (Wti ∧t − Wti−1 ∧t ). < tp = T et φi est Fti−1 -mesurable et bornée. ω) adaptés à la filtration (Ft )t≥0 .45 Ch. On a 0 .1 On appelle processus élémentaire (Ht )0≤t≤T un processus de la forme : Ht (ω) = p X φi (ω)1]ti−1 . ω)dWs pour une classe de processus f(s. . ÉQU. tk+1 ] : X I(H)t = φi (Wti − Wti−1 ) + φk+1 (Wt − Wtk ). L’intégrale stochastique d’un processus élémentaire H est alors. STOCHASTIQUES 4.2 Si R  (Ht )0≤t≤T est un processus élémentaire : t – H dWs est une Ft -martingale continue. A. Définition 4.

2  .

Z t

.

E sup .

Hs dWs .

 .

.

pour tout t > s : E Z t Hu dWu |Fs 0  = Zs Hu dWu 0 Rt Si l’on ajoute s et t à la subdivision t0 = 0 < t1 < . Le deuxième point s’obtient. La proposition 2. . remarquons que : Z tn n X Hs dWs = φi (Wti − Wti−i ) Mn = 0 i=1 avec φi qui est Gi−1 -mesurable.3 du chapitre 1 prouve alors que c’est une martingale. D’autre part Xn = Wtn est une Gn -martingale (en effet. Démonstration cette proposition nous allons utiliser des processus à temps discret. R : Pour démontrer  t pour établir que 0 Hs dWs est une martingale.p] . . En effet. il suffit de prouver que. Pour démontrer ceci. (Mn )n∈[0. (Wt )t≥0 est un mouvement brownien). il suffit de vérifier que Mn est une Gn -martingale. en remarquant que :  !2  n X φi (Xi − Xi−1 )  E(M2n ) = E  i=1 = n X n X i=1 j=1 E (φi φj (Xi − Xi−1 )(Xj − Xj−1 )) . et si on pose Mn = 0n Hs dWs et Gn = Ftn pour 0 ≤ n ≤ p.p] apparaît donc comme une transformée de la martingale (Xn )n∈[0. t≤T 0  ZT ≤ 4E H2s ds 0 ! . < tp = T .

si i < j : E (φi φj (Xi − Xi−1 )(Xj − Xj−1 )) = 0.46 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE De plus. On en déduit que. Comme Xj est une martingale. Enfin si i = j. on a : . on a : E (φi φj (Xi − Xi−1 )(Xj − Xj−1 )) = = E (E ( φi φj (Xi − Xi−1 )(Xj − Xj−1 )| Gj−1 )) = E (φi φj (Xi − Xi−1 )E (Xj − Xj−1 |Gj−1 )) . Si j > i on obtient le même résultat. si i < j. on a E(Xj − Xj−1 |Gj−1 ) = 0.

  E φ2i (Xi − Xi−1 )2 = E E φ2i (Xi − Xi−1 )2 .

Gi−1 .

 = E φ2 E (Xi − Xi−1 )2 .

Gi−1 . i et finalement : .

  E (Xi − Xi−1 )2 .

sur la définition de l’intégrale. et si A ∈ Ft . En regroupant ces résultats on obtient :  !2  ! n n X X E φi (Xi − Xi−1 )  = E φ2i (ti − ti−1 ) . nous allons maintenant étendre cette intégrale à une classe de processus adaptés : ! . de Doob (3. i=1 La continuité de t → i=1 Rt Hs dWs est claire sur sa définition. Gi−1 = E (Wti − Wti−1 )2 = ti − ti−1 . alors s → 1A 1{t < s} Hs reste un processus élémentaire et il est facile de vérifier.1) 0 t On vient de définir et donner des propriétés de l’intégrale stochastique pour les processus élémentaires. Le troisième point est une conséquence de l’inégalité  R t . que : ZT ZT 1A Hs 1{t < s} dWs = 1A Hs dWs .7) appliquée à la martingale continue 0 Hs dWs 0 t≥0 Remarque 4. (3.3 On pose par définition : ZT ZT Zt Hs dWs = Hs dWs − Hs dWs t 0 0 Si t ≤ T .

Si (Ht )t≤T est un processus élémentaire.s. E J(H)t = E Hs ds . pour tout 0 ≤ t ≤ T J(H) t = I(H)t . 0 Cette application linéaire est unique au sens suivant. P p. J(H)t = J 0 (H)t Hs dWs = J(H)t . processus adapté à (Ft )t≥0 . H = (Ht )0≤t≤T . Si t ≤ T . ZT 2 Hs ds < +∞ .s.4 Soit (Wt )t≥0 un Ft -brownien. Zt 0 ∀0 ≤ t ≤ T. On note. si J et J 0 sont deux prolongements linéaires vérifiant les propriétés précédentes alors : P p. T ]. . ! Zt   2 2 2. telle que : 1. E 0 Proposition 4. si H ∈ H. Alors il existe une unique application linéaire J de H dans l’espace des Ft -martingales continues définies sur [0.

3 MOUVEMENT BROWNIEN.47 Ch. ÉQU. On a :  . DIFF. STOCHASTIQUES De plus cette intégrale stochastique vérifie les propriétés suivantes : Proposition 4.5 Si (Ht )0≤t≤T un processus de H alors : 1.

Z .

 t .

.

E sup .

t≤T .

0 Zτ .s. Si τ est un Ft -temps d’arrêt : P p. 2.

2 .

Hs dWs .

 .

5). Si H ∈ H et (Hn )n≥0 est une suite de processus élémentaires convergeant vers H. On trouvera une démonstration de ce résultat dans [KS88] (page 134 problème 2.2) (3. on a : ! ! ZT . au sens précédent. il existe une suite (Hns )s≤T de processus élémentaires tels que : lim E n→+∞ ZT |Hs − 2 Hn s| ds 0 ! = 0.3) Démonstration : Nous admettrons que si (Hs )s≤T est dans H. Hs dWs = ≤ 4E ZT 0 0 ZT H2s ds 0 ! 1{s ≤ τ} Hs dWs (3.

.

2 .

Hn+p .

1{s > τ} Hs dWs = i 0 0 1≤i≤n mais chaque 1{s > t } 1Ai Hs est adapté (Ce processus est nul si s ≤ ti et vaut 1Ai Hs sinon) et donc dans H. P) de l’espérance conditionnelle permet de conclure. En passant à la limite dans (3.1) reste valable si H ∈ H. on déduit (3. les Ai étant disjoints et Fti mesurables.2). presque sûrement. On i en déduit que : X ZT RT 1 H dW = 1Ai 1{s > t } Hs dWs s 0 {s > τ} s i 1≤i≤n 0 ZT ZT X Hs dWs = Hs dWs . On remarque d’abord que (3.3).4) s s t≤T 0 Il existe donc une sous suite Hφ(n) telle que : E sup |I(Hφ(n+1) )t − I(Hφ(n) )t |2 t≤T ! ≤ 1 2n La série de fonctions de terme général I(Hφ(n+1) ) − I(Hφ(n) ) est donc. Nous allons maintenant démontrer (3. s L’unicité du prolongement résulte de la densité des processus élémentaires dans H. E sup |I(Hn+p )t − I(Hn )t |2 ≤ 4E − Hn (3.5) et de E(I(Hn )2t ) = E 0 |Hn |Hs |2 ds . ds . uniformément convergente. De même de (3. (3.   R  RT T 2 2 De (3.4). P On va ensuite démontrer le résultat pour des temps d’arrêt de la forme τ = 1≤i≤n ti 1Ai . d’où I(Hφ(n) )t converge vers une fonction continue qui sera par définition t 7→ J(H)t . P) et la continuité dans L2 (Ω.5).5) 0 Ceci entraîne que (J(H)t )0≤t≤T ne dépend pas de la suite approximante. où 0 < t1 < · · · < tn = T . = 1 Ai 1≤i≤n ti τ . Il suffit pour cela d’utiliser la densité des processus élémentaires dans H et (3. on obtient : ! ! Z T E sup |J(H)t − I(Hn )t |2 t≤T ≤ 4E 2 |Hs − Hn s | ds . en effet : E (I(Hn )t |Fs ) = I(Hn )s . De plus pour tout t limn→+∞ I(Hn )t = J(H)t en norme L2 (Ω. On a dans ce cas :   ZT ZT X  1Ai 1{s > t }  Hs dWs . (J(H)t )0≤t≤T est une martingale.5) s | ds on déduit que E(J(H)t ) = E 0 R  T 2 et de E(supt≤T I(Hn )2t ) ≤ 4E 0 |Hn | ds .

48 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE RT Rτ puis que 0 1{s ≤ τ} Hs dWs = 0 Hs dWs . Pour généraliser ce résultat. remarquons qu’un temps d’arrêt quelconque τ peut être approximé par une suite décroissante de temps d’arrêt du type précédent en posant : X τn = 0≤i≤2n (k + 1)T .

On en déduit que presque sûrement Rτ Rt H dWs par continuité de t 7→ 0 Hs dWs . 1 kT (k + 1)T . D’autre part : 0 s R τn 0 Hs dWs tend vers . 2n ≤ τ < 2n 2n τn converge presque sûrement vers τ en décroissant.

.

2  ! ZT ZT .

Z T .

.

.

2 E .

1{s ≤ τ} Hs dWs − 1{s ≤ τ } Hs dWs .

 = E 1{τ < s ≤ τ } Hs ds n n .

0 .

Ceci permet d’obtenir l’égalité (3. 0 0 RT Ce dernier terme tend vers 0 par convergence dominée. donc 0 1{s ≤ τ } Hs dWs tend dans L2 (Ω. P) (et presque n RT sûrement pour une sous suite) vers 0 1{s ≤ τ} Hs dWs . Nous aurons besoin d’un résultat permettant de relaxer l’hypothèse d’intégrabilité portant sur (Hs ).3) pour tout temps d’arrêt. Posons : H˜ = .

. lorsque K tend élémentaire. si H ∈ H alors P p. J(H)  Rs ˜ Soit H ∈ H. R t 0 Hs dWs  0≤t≤T RT 0 Hns 2 ds n’est pas (néces- Démonstration : Il est facile de déduire de la propriété de prolongement et de la propriété de continuité que. Propriété de continuité : Si (Hn )n≥0 est une suite de processus de H˜ telle que ˜ n )t | tend vers 0 en probabilité. telle que : 1. Remarque 4. Proposition 4. Si (Ht )0≤t≤T est un processus élémentaire alors : ˜ P p. ˜ t = J(H)t . Propriété de prolongement.6 Il existe une unique application linéaire J˜ de l’espace H˜ dans l’espace vectoriel des processus continus définis sur [0. ZT H2s ds < +∞ P p. ˜ La proposition suivante permet de prolonger l’intégrale stochastique de H à H.s.s. posons Tn = inf 0 ≤ s ≤ T. J(H) t = I(H)t . 0 Rt 2 vers +∞. tend vers 0 en probabilité alors supt≤T |J(H Rt ˜ On note toujours 0 Hs dWs pour J(H) t. Mais ce résultat est vrai si H est un processus R ˜ t H2u du qui est la limite presque sûre. . n Rt Montrons. et Hn s = Hs 1{s ≤ T } . 0 H2u du ≥ n (+∞ si cet ensemble est vide). et donc par densité si H ∈ H.7 Il est important de noter que dans ce cas sairement) une martingale. De plus : Zt Zt Hn dW = 1{s ≤ T } Hn+1 dWs .s. 0 . de 0 Hu ∧ Kdu est aussi Ft -mesurable. T ]. que Tn est un temps d’arrêt. s s s 0 0 n . Il est alors facile de voir que les processus Hn s sont adaptés et bornés donc dans H. il nous suffit Rt de prouver que 0 H2u du est une variable aléatoire Ft -mesurable. ∀t ≤ T. (Hs )0≤s≤T est un processus adapté à (Ft )t≥0 . ∀0 ≤ t ≤ T. 2. Enfin si H ∈ H. tout d’abord. Comme {Tn ≤ t} = { 0 H2u du ≥ n}.

J(Hn )t = J(Hn+1 )t . pour tout t ≤ T .49 Ch. s 0 0 RT RT Donc sur l’ensemble { 0 H2u du < n}. DIFF.3 MOUVEMENT BROWNIEN. ÉQU. Il reste donc à prouver la propriété de continuité de J. on peut définir presque sûrement un processus J(H) 0 ˜ t = J(Hn )t . R  . La propriété de prolongement est vérifiée Le processus t 7→ J(H) ˜ Pour cela remarquons que : par construction. par définition. J(H) ∀t ≤ T ˜ t est presque sûrement continu.3) prouve alors que : Zt Hn s dWs = Z t∧Tn Hn+1 dWs . STOCHASTIQUES L’égalité (3. Comme ∪n≥0 { 0 H2u du < n} = RT 2 RT 2 ˜ t en posant sur { Hu du < n} : { 0 Hu du < +∞}.

.

 T 1 J(H)t .

≥  ≤ P 0 H2s ds ≥ N P supt≤T .

pour tout t ≤ T : Zt 1 N ˜ t = J(H1 )t = Hs dWs = J(H) t≤T  .3) prouve que. 0 H2u du ≥ l’égalité (3.˜     +P 1Z T  H2u du < 0  Rs Si l’on note τN = inf s ≤ T.

.

 .

˜ J(H)t .

alors sur Zt 0 0 1 N  sup H1s 1{s ≤ τN } dWs = Zt 0 R T 0 H2u du < 1 N . ≥  .2) pour le processus s 7→ Hs 1{s ≤ τ } : N ! ! ZT . en utilisant (3. Hs 1{s ≤ τ } dWs .  (+∞ si cet ensemble est vide). N D’où.

.

1 2 .

˜ .

Remarquons. P sup J(H)t ≥  Hs ds ≥ ≤ P N t≤T 0 R  T 4 2 + 2 E 0 Hs 1{s ≤ τ } ds N ! ZT 4 1 + ≤ P H2s ds ≥ N N2 0 RT ˜ n On en déduit que si 0 Hn2 s ds tend vers 0 en probabilité. que la condition E 0 H2s ds < +∞ est équivalente à :  E  sup t∈[0. considérons deux processus de H. Le processus Rt RT ( 0 Hs dWs )0≤t≤T est une martingale si E 0 H2s ds < +∞.s. grâce à la propriété de ˜ On obtient ainsi la linéarité de J.T ] Zt 0 Hs dWs !2   < +∞. n ˜ ˜ Pour prouver la linéarité de J. Cette condition n’est cependant R  T pas nécessaire. On peut alors passer à la limite dans l’égalité J(λHn + µKn )t = λJ(Hn )t + µJ(Kn )t . toutefois. alors supt≤T |J(H )t | tend vers 0 en probabilité. On peut définir RT Rt l’intégrale stochastique ( 0 Hs dWs )0≤t≤T dès que 0 H2s ds < +∞ P p. Résumé : Soit (Wt )t≥0 un Ft -mouvement brownien et (Ht )0≤t≤T un processus Ft -adapté. . RT 2 Enfin. le fait que si H ∈ H˜ alors 0 (Ht − Hn t ) dt tend vers 0 en probabilité et la propriété de continuité prouvent l’unicité du prolongement. ˜ continuité de J. et les hypothèses qui permettent d’affirmer qu’il s’agit d’une martingale. telle que 0 (Hs − Hs )2 ds et 0 (Kn s − Ks ) ds tendent en probabilité vers 0. . Nous allons résumer les conditions d’existence de l’intégrale stochastique par rapport à un mouvement brownien. H et K et les deux suites Hn t et Kt définies RT n R T 2 comme au début de la démonstration.

Si elle était égale à Wt2 elle serait positive. Dans les cas du mouvement brownien et de Rt l’intégrale stochastique on ne peut avoir une formule du même type: W t2 = 2 0 Ws dWs .2 Calcul d’Itô Nous allons maintenant introduire un calcul différentiel sur ces intégrales stochastiques. d’après ce qui précéde.50 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE et que . en particulier. Définition 4. qui précise l’unicité de la décomposition précédente. On peut démontrer (voir exercice 16) le résultat suivant. 0 Ws dWs est une martingale (car E 0 Ws2 ds < +∞). .8 Soient (Ω. on a f(t) = 2 0 f(s)f(s)ds = 2 0 f(s)df(s).s. nulle en zéro. et une martingale nulle en 0 ne peut être positive que si elle est nulle. On appelle processus d’Itô. Ceci entraîne que : . ∀t ≤ T. La formule d’Itô donne. ZT |Ks |ds < +∞. 4. Commen¸cons par préciser la définition de la classe de processus pour laquelle on peut énoncer la formule d’Itô.9 Soit (Mt )0≤t≤T est une martingale continue telle que : Mt = Zt 0 Ks ds. ∀t ≤ T X t = X0 + Zt Ks ds + 0 Zt Hs dWs .s. 0 alors : P p. dans ce cas on a l’égalité :  E ZT Hs dWs 0 !2   =E ZT H2s ds 0 ! .s. avec P p. – (Kt )0≤t≤T et (Ht )0≤t≤T des processus adaptés à Ft . Mt = 0. 0 avec : – X0 F0 -mesurable. P) un espace probabilisé muni d’une filtration et (Wt )t≥0 un Ft –mouvement brownien. (Ft)t≥0 . RT – 0 |Hs |2 ds < +∞ P p. un processus (X t )0≤t≤T à valeurs dans R tel que : P p. la fa¸con de différencier t 7→ f(W t ) si f est une fonction deux fois continûment différentiable.s. On appelle ce calcul “calcul d’Itô” et l’outil essentiel en est la “formule d’Itô”. Proposition 4.s. Pour une fonction f(t) différentiable nulle en Rt 2 ˙ 0. (3. RT – 0 |Ks |ds < +∞ P p. Supposons que l’on veuille “différencier” t → Wt2 et l’exprimer en fonction de Rt “dWt ”.6) Ces propriétés sont démontrées dans l’exercice 15. F . L’exemple suivant prouve que le prolongement naïf du calcul différentiel usuel est voué à l’échec. En Rt Rt effet.

51 Ch. X >s f(Xt ) = f(X0 ) + f (Xs )dXs + 2 0 0 où. donc : Zt Z 1 t 2 Wt = 2 Ws dWs + 2ds. STOCHASTIQUES – La décomposition d’un processus d’Itô est unique. x) (on dit dans ce cas que f est de classe C 1.s.p. ces dérivées étant continues en (t.3 MOUVEMENT BROWNIEN. X >t = Zt H2s ds. Ce qui signifie que si : Zt Zt Zt Zt 0 0 Xt = X0 + Ks ds + Hs dWs = X0 + Ks ds + Hs0 dWs 0 0 0 0 alors : X0 = X00 ds × dP p. 0 0 et f une fonction deux fois continûment différentiable. 0 et : Zt 0 0 f (Xs )dXs = Zt 0 f (Xs )Ks ds + 0 Zt f 0 (Xs )Hs dWs .. + fx (s. dP p. X0 ) + fs0 (s.10 Soit (Xt )0≤t≤T un processus d’Itô : Zt Zt Xt = X0 + Ks ds + Hs dWs .p. DIFF. Xt ) = f(0. par définition : < X. Xs )ds 0 Z Zt 1 t 00 0 f (s. X >s . on a : Z Zt 1 t 00 0 f (Xs )d < X. Xs )dXs + 2 0 xx 0 4. x) est une fonction deux fois différentiable en x et une fois différentiable en t.3 Exemples d’utilisation de la formule d’Itô Commen¸cons par traiter un exemple élémentaire.2 ). x) → f(t. on a : Zt f(t. Hs = Hs0 La formule d’Itô prend la forme suivante (nous l’admettons sans démonstration et nous renvoyons à [Bou88] pour une démonstration élémentaire dans le cas du brownien ou à [KS88] pour une démonstration complète) : Théorème 4. on retrouve le fait que Wt2 − t est une martingale. on a Ks = 0 et Hs = 1. . Ks = Ks0 ds × dP p. 0 De même si (t. Rt Rt – Si (Xt )0≤t≤T est une martingale de la forme X0 + 0 Ks ds + 0 Hs dWs . Xs )d < X. 0 Comme E R t 0  Ws2 ds < +∞.p. alors Kt = 0 dt × dP p. Si f(x) = x2 et Xt = Wt . ÉQU. 2 0 0 On obtient : Wt2 −t=2 Zt Ws dWs .

(3. Wt ) où : f(t.s.7). Il semble donc que : St = x0 exp   µ − σ2 /2 t + σWt  soit une solution de l’équation (3. Appliquons la formule d’Itô à f(x) = log(x) (au moins formellement car f(x) n’est pas de classe C 2 !). S t = f(t. 0 (3. On obtient en supposant que St est positif : Z Zt dSs 1 t 1 2 2 + − σ Ss ds. comme < W. St = x0 + Ss µ − σ /2 ds + Ss σdWs + 2 0 0 0 et finalement : St = x 0 + Zt 0 Ss µds + Zt 0 Ss σdWs . log(St ) = log(S0 ) + 2 0 S2s 0 Ss soit. Ws )dWs + f (s. Ws )d < W.8) Rt 0 Ss ds et 0 Faisons tout d’abord un calcul formel. x) = x0 exp La formule d’Itô donne : St = f(t. pour chaque t : 0 s Zt Zt P p. Cela signifie que l’on cherche un processus adapté (St )t≥0 tel que les intégrales Rt S dWs aient un sens. W >s . .7) 0 On écrit souvent ce type d’équation sous la forme : dSt = St (µdt + σdWt ) . Ws )ds 0 Zt Z 1 t 00 0 + fx (s. St est un processus d’Itô avec Ks = µSs et Hs = σSs . Zt = f(0. et qui vérifie.52 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE Nous allons maintenant nous intéresser aux solutions (St )t≥0 de : Zt St = x0 + Ss (µds + σdWs ) . posons Yt = log(St ) où St est une solution de l’équation précédente. S0 = x 0 . Vérifions rigoureusement cela. W0 ) + fs0 (s. W >t = t : Zt Z Zt   1 t 2 Ss σ2 ds. Wt)    µ − σ2 /2 t + σx . Yt = Y 0 + 0 0 On en déduit que :   Yt = log(St ) = log(S0 ) + µ − σ2 /2 t + σWt . 2 0 xx 0 Mais.8) : Zt Zt   2 µ − σ /2 dt + σdWt . en utilisant (3. St = x0 + µSs ds + σSs dWs .

11 On aurait pu obtenir (exercice) le résultat précédent en appliquant la formule d’Itô à St = φ(Zt ). STOCHASTIQUES Remarque 4. t t 0 Xt = X0 + 0 Ks ds + 0 Hs dWs et Yt = Y0 + 0 Ks ds + 0 Hs dWs .12 (Formule d’intégration par Rparties. l’unicité d’une solution de l’équation (3.3 MOUVEMENT BROWNIEN. Notons que : St = x0 exp   µ − σ2 /2 t + σWt  est une solution de (3. ÉQU. nous allons utiliser une propriété généralisant la “formule d’intégration par parties” dans le cas des processus d’Itô.7). Nous allons maintenant prouver que cette solution est unique. 0 0 0 Montrons. . en faisant la différence entre la première ligne et les deux suivantes : Zt Zt Zt Xt Yt = X0 Y0 + Xs dYs + Ys dXs + Hs Hs0 ds.) Soient Rt Rt 0 Xt et Yt deux processus d’Itô. On vient donc de démontrer l’existence d’une solution de (3.7) et supposons que (Xt )t≥0 en soit une autre. avec Zt = (µ − σ2 /2)t + σWt (qui est un processus d’Itô) et φ(x) = x0 exp(x). St    µ 0 = −µ + σ2 et σ 0 = −σ. Pour cela. 0 Démonstration : On a. Y >t = Zt Hs Hs0 ds.7). 0 0 On peut alors exprimer la “différentielle” de Xt Zt grâce à la formule d’intégration par parties pour les processus d’Itô : d(Xt Zt ) = Xt dZt + Zt dXt + d < X. D’où. Z >t . PropositionR 4. On va chercher à exprimer la “différentielle stochastique” de Xt S−1 t .53 Ch. maintenant. Alors Zt = exp µ 0 − σ 0 2 /2 t + σ 0 Wt et le calcul fait précédemment prouve que : Zt Z t    0 0 Zt = 1 + Zs (µ ds + σ dWs ) = 1 + Zs −µ + σ2 ds − σdWs . d’après la formule d’Itô : (Xt + Yt )2 = (X0 + Y0 )2 Rt +2 0 (Xs + Ys )d(Xs + Ys ) Rt + 0 (Hs + Hs0 )2 ds Rt Rt X2t = X20 + 2 0 Xs dXs + 0 H2s ds Rt Rt Yt2 = Y02 + 2 0 Ys dYs + 0 H 0 2s ds. Alors : Zt Zt Xt Yt = X0 Y0 + Xs dYs + Ys dXs + < X. Y >t 0 0 avec la convention que : < X. DIFF. Posons : Zt =    S0 = exp −µ + σ2 /2 t − σWt .

Xt ∈ Θ. Remarque 4. par exemple. P p. Xt = x0 Z−1 t = St . .16 On appelle Ft -mouvement brownien p-dimensionnel un processus à valeurs dans Rp . .3). . Wtp ). Remarque 4. (Wt )t≥0 adapté à Ft .  −µ + σ2 dt − σdWt + Xt Zt (µdt + σdWt ) − Xt Zt σ2 dt = 0 Xt Zt est donc égal à X0 Z0 . pour un processus strictement positif et pour la fonction log. Cette généralisation se révèle utile. (Wt )t≥0 étant un mouvement brownien et T un réel strictement positif.13 σ. . On l’appelle modèle de Black et Scholes. . Z >t =< Z.4 Formule d’Itô multidimensionnelle La formule d’Itô se généralise aux cas où la fonction f dépend de plusieurs processus d’Itô et lorsque ces processus d’Itô s’expriment en fonction de plusieurs mouvements browniens. pour tout t≤T : Z t St = x 0 + Ss (µds + σdWs ) . – Lorsque µ = 0. Xs σdWs . 0 0 0 On en déduit que : Z. ce type de processus porte le nom de martingale exponentielle. Définition 4. µ étant deux nombres réels.15 Soit Θ un ouvert de R et (Xt )0≤t≤T un processus d’Itô qui vérifie. ll existe un processus de Itô unique (St )0≤t≤T qui vérifie.54 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE Ici. ∀t ≥ 0. pour les modèles de taux d’intérêt sophistiqués. On généralise dans ce cadre la notion de processus d’Itô. ce qui entraîne que : ∀t ≥ 0. pour tout t ≤ T . Les processus Xt et Zt étant continus.s. 2 0 0 Ce résultat permet en particulier de justifier l’application de la formule d’Itô.14 – Le processus St que l’on vient d’expliciter servira de modèle standard pour le prix d’un actif financier. 4. f est une fonction deux fois continûment différentiable de l’ouvert Θ dans R. avec Wt = (Wt1 . on peut justifier rigoureusement l’extension de la formule d’Itô dans ce cas : Zt Z 1 t 00 0 f(Xt ) = f(X0 ) + f (Xs )dXs + f (Xs )H2s ds. Xt = x0 Z−1 t = St . Si. de plus. St est une martingale (voir proposition 3. on a : < X. − d(Xt Zt ) = Xt Zt  Zs σdWs >t = −  Zt σ2 Xs Zs ds. On vient ainsi de démontrer la proposition suivante : Théorème 4. où les (Wti )t≥0 sont des Ft mouvements browniens standards indépendants.s. ceci prouve que : P p. 0 Ce processus est donné par : St = x0 exp    µ − σ2 /2 t + σWt .

0 0 (3. Xns )ds ∂s 0 n Zt X ∂f + (s. 5 Equations différentielles stochastiques Nous avons étudié en détail. .18 Soient (X1t . . X0 ) + (s. . Rt – < 0 Hs dWti . Xnt ) n processus d’Itô : Zt p Zt X j i i i Hi. 0 On peut considérer des équations d’une forme plus générales : Zt Zt Xt = Z + b(s. . . X1s . 0 Hs0 dWtj >t = 0 si i 6= j R. RT – 0 |Ks |ds < +∞ P p.2 les solutions de l’équation : Zt Xt = x + Xs (µds + σdWs ).j s dWs . Xns )d < Xi . . . P j. . Y >t est bilinéaire et symétrique. . – < 0 Ks ds. . R. Xt ) = f(0. X1s . Xs )ds + σ(s. . . Xt . R. RT  2 – 0 His ds < +∞ P p. DIFF. . . X0 . X.j Xt = X0 + Ks ds + s dWs 0 j=1 0 alors si f est une fonction deux fois différentiable en x et une fois différentiable en t.j=1 0 ∂xi xj où : P j – dXis = Kis ds + pj=1 Hi. . x) : Zt ∂f 1 n 1 n f(t.19 Si (Xs )0≤t≤T et (Ys )0≤t≤T sont deux processus d’Itô. La formule d’Itô prend alors la forme suivante : Proposition 4. Xj >s + 2 i.17 On dit que (Xt )0≤t≤T est un processus d’Itô si : Zt p Zt X Xt = X0 + Ks ds + His dWsi 0 i=1 0 où : – Kt et les (Hit ) sont adaptés à (Ft ).3 MOUVEMENT BROWNIEN.s.m s Hs ds. STOCHASTIQUES 55 Définition 4. X1s . Xj >s = pm=1 Hi.9) . . . Xs )dWs . ÉQU. >t = 0 si (Xt )0≤t≤T est un processus d’Itô.s.m – d < Xi . . – < 0 Hs dWti . au paragraphe 4. . ces dérivées étant continues en (t. Xns )dXis ∂x i i=1 0 n Z 1 X t ∂2 f (s. Y >s ) par les règles suivantes : – < X. . Remarque 4. .Ch. R. 0 Hs0 dWti >t = 0 Hs Hs0 ds Cette définition permet de retrouver la formule du crochet donnée dans la proposition précédente. . . on peut définir formellement le “crochet” de X et Y (que l’on a noté < X. . R. . .

b : R+ × R → R.9) sous la forme : . Une solution de (3.1 On se place sur un espace de probabilité (Ω. Xt = Z + Zt b (s.56 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE On appelle ces équations des “équations différentielles stochastiques”.9). P) muni d’un filtration (F t )t≥0 . les intégrales 0 b(s. Xs )ds et 0 σ(s. Xs )dWs ont un sens : Zt |b(s.s.2 On note formellement (3. 5.9) porte le nom de “diffusion”.9) c’est-à-dire : ∀t ≥ 0 P p.1 Théorème d’Itô Précisons. Xs ) dWs . Xs ) ds + Zt σ (s. On se donne. Définition 5. aussi bien lorsque l’on cherche à modéliser des actifs que des taux d’intérêt. ce que l’on entend par une solution de (3. A. 0 0 Remarque 5. σ : R+ × R → R. tout d’abord. Ces équations permettent de construire la plupart des modèles d’actifs utiles en finances. Z une variable aléatoire F0 -mesurable et (Wt )t≥0 un Ft -mouvement brownien. Trouver une solution à l’équation (3.9) signifie trouver un processus stochastique (Xt )t≥0 continu Ft -adapté. Xs )|2 ds < +∞ P p. Nous allons étudier quelques propriétés des solutions de ces équations. Xs )|ds < +∞ et Zt |σ(s. qui vérifie : Rt Rt – Pour tout t ≥ 0.s. . 0 0 – (Xt )t≥0 vérifie (3.

Xt ) dt + σ (t. E(Z2 ) < +∞ alors. ∀0 ≤ t ≤ T. pour tout T ≥ 0.9) admet une solution unique dans l’intervalle [0. y)| ≤ K|x − y| 2. alors : P p.9). De plus cette solution (Xs )0≤s≤T vérifie : ! 2 E sup |Xs | < +∞ 0≤s≤T L’unicité signifie que si (Xt )0≤t≤T et (Yt )0≤t≤T sont deux solutions de (3. tel que E sup |Xs | s≤T 2 ! < +∞  . dXt = b (t. x)| ≤ K(1 + |x|) 3. telles qu’il existe K < +∞. |b(t. Théorème 5. processus continu et Ft -adapté. avec : 1. x)| + |σ(t. Démonstration : Posons : E=  (Xs )0≤s≤T .9). Xt ) dWt X0 = Z Le théorème suivant donne des conditions suffisantes sur b et σ pour avoir un résultat d’existence et d’unicité pour (3. x) − σ(t. |b(t.s. y)| + |σ(t. x) − b(t. T ]. X t = Yt .3 Si b et σ sont des fonctions continues. (3.

STOCHASTIQUES q  E muni de la norme kXk = E sup0≤s≤T |Xs |2 est un espace vectoriel normé complet. (a + b)2 ≤ 2(a2 + b2 ) on obtient :  . de plus si X et Y sont deux éléments de E en utilisant le fait que.3 MOUVEMENT BROWNIEN. Soit Φ l’application qui à un processus (Xs )0≤s≤T associe un processus (Φ(X)s )0≤s≤T défini par : Zt Zt Φ(X)t = Z + b(s. Xs )dWs .57 Ch. Xs )ds + σ(s. DIFF. Φ(X) est bien définie. 0 0 Si X est dans E. Pour démontrer l’existence nous allons utiliser un argument d’existence d’un point fixe pour une application contractante. ÉQU.

R .

2 .

t .

|Φ(X)t − Φ(Y)t |2 ≤ 2 sup0≤t≤T .

0 (b(s. Xs ) − b(s. Ys ))ds.

.

2  .

R .

.

t + sup0≤t≤T .

Xs ) − σ(s. Ys ))dWs . 0 (σ(s.

Ys )|ds R  T +8E 0 (σ(s. Ys ))2 ds  ≤ 2(K2 T 2 + 4K2 T )E sup0≤t≤T |Xt − Yt |2  2(K2 T 2 + 4K2 T )kX − Yk. Xs ) − b(s.2) : E sups≤T |Φ(X)t − Φ(Y)t |2 D’où kΦ(X) − Φ(Y)k ≤ nul) : p  2  R t ≤ 2E sup0≤t≤T 0 |b(s. donc en utilisant l’inégalité (3. De plus. Xs ) − σ(s. on a (on note 0 pour le processus identiquement .

Z t .

2 .

Z t

2 !

.

.

.

.

.

|Φ(0)t | ≤ 3 Z + sup .

b(s. 0)ds.

+ sup .

0)dWs . σ(s.

.

alors f(T ) ≤ a(1 + ebT ). Φ est alors une application contractante de E dans E. Ceci prouve l’unicité d’une solution de (3. une solution de (3.9). 0 Nous allons maintenant utiliser une version du lemme de Gronwall.9) dans E. Pour démontrer l’unicité dans la classe de tous les processus de Itô.4 (Lemme de Gronwall) Si f est une fonction continue. Soit X une solution de (3. Ceci prouve l’existence. De plus. p On en déduit que Φ est une application de E dans E de norme de Lipschitz majorée par k(T ) = 2(K2 T 2 + 4K2 T ). On a u 0 (t) = e−bt (f(s) − b 0 f(s)ds) ≤ ae−bt . |Xs | > n} et fn (t) = E sup0≤s≤t∧Tn |Xs |2 . Nous commen¸cons par supposer que T est suffisamment petit pour que k(T ) < 1.9) qui est dans E est un point fixe de Φ. telle que pour tout 0 ≤ t ≤ T . Et donc : ! E sup |Φ(0)t |2 0≤t≤T ≤ 3(E(Z2 ) + K2 T 2 + 4K2 T ) < +∞. K étant une constante fonction de T mais indépendante de n.9) est forcément dans E. nous noterons Tn = inf{s ≥ 0. Cela donne l’estimation suivante : n f (t) ≤ a + b Zt fn (s)ds. En faisant le même genre d’estimation que précédemment on obtient :  R  R 2  t∧T t∧T ≤ 3 E(Z2 ) + E 0 n K(1 + |Xs |)ds + 4E 0 n K2 (1 + |Xs |)2 ds E sup0≤u≤t∧Tn |Xu |2  Rt   ≤ 3 E(Z2 ) + 2(K2 T + 4K2 ) 0 1 + E sup0≤u≤s∧Tn |Xu |2 ds . D’autre part. on obtient u(T ) ≤ a/b et f(T ) ≤ a(1 + ebT ). On en déduit ici que fn (T ) < K < +∞.9). f(t) ≤ a + Rt b 0 f(s)ds. . Il est facile de vérifier que fn (t) est une fonction finie et continue. Elle admet donc un point fixe unique dans E. Lemme 5. que pour tout T : ! E sup |Xs |2 0≤s≤T < K < +∞. si X est un point fixe de Φ. Rt Rt Démonstration : Posons u(t) = e−bt 0 f(s)ds. Le lemme de Fatou donne alors . c’est une solution de (3. 2 2 0≤t≤T 0≤t≤T 0 0 en remarquant que (a + b + c)2 ≤ 3(a2 + b2 + c2 ). Par intégration. il suffit de prouver qu’une solution de (3. en passant à la limite en n.

Pour conclure pour T quelconque.[(n − 1)T/n.2 Le processus d’Ornstein-Ulhenbeck Le processus d’Ornstein-Ulhenbeck est la solution unique de l’équation suivante : . il suffit de prendre n assez grand et de raisonner successivement sur les intervalles [0.58 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE X est donc dans E. T/n]. 5.· · ·. 2T/n]. T ]. Ceci termine la démonstration dans le cas où T est petit. [T/n.

En effet. une intégrale stochastique d’une fonction déterministe du temps). en effet Xt s’écrit 0 f(s)dWs Rt où f(. · · · . >t = 0 car d(ect ) = cect dt. Plus précisément. λn sont des réels et si 0 ≤ t1 < · · · < tn . ec. Cela signifie que si λ1 . . 0 i 0 Rt P P Alors λ1 Xt1 + · · · + λn Xtn = ni=1 λi mi + 0 ( ni=1 λi fi (s)) dWs est bien une variable aléatoire gaussienne (car c’est. comme précédemment.) est une fonction déterministe du temps et 0 f2 (s)ds < +∞ (voir exercice 12). posons Yt = Xt ect et écrivons la formule d’intégration par parties : dYt = dXt ect + Xt d(ect ) + d < X. et donc de moyenne nulle). 0 On peut calculer la moyenne et la variance de Xt : E(Xt ) = xe −ct + σe −ct E Zt ! e dWs = xe−ct cs 0 R t  (en effet E 0 (ecs )2 ds < +∞. la variable aléatoire λ1 Xt1 + · · · + λn Xtn est une variable aléatoire gaussienne. dXt = −cXt dt + σdWt X0 = x On peut expliciter cette solution. le processus (Xt )t≥0 est un processus gaussien. De même : Rt 0 ecs dWs est une martingale nulle à l’instant 0 donc   Var(Xt ) = E (Xt − E(Xt ))2  !2  Zt = σ2 E e−2ct ecs dWs  0 2 −2ct = σ e E Zt 0 = σ2 e 2cs ds ! 1 − e−2ct 2c Rt On peut démontrer que Xt est une variable aléatoire gaussienne. il suffit de remarquer que : Z +∞ Zt −cti cs Xti = xe + 1{s ≤ t } e dWs = mi + fi (s)dWs . ec. Pour se convaincre de ceci. Mais < X. On en déduit que dYt = σect dWt puis que : Xt = xe −ct + σe Zt −ct ecs dWs . >t .

· · · . on dira qu’un processus (Xt )t≥0 vérifie la propriété de Markov par rapport à une filtration (Ft )t≥0 pour laquelle il est adapté.j . lorsque l’on cherche à construire des modèles pour des paniers d’actions ou de devises. bn(s.10). Zn ) une variable aléatoire F0 -mesurable à valeur dans Rn .Ch. 5. . Xs ) dWs . pour tout t et pour tout i ≤ n. . dans les applications à la finance. x) − b(t. ÉQU. De plus cette solution vérifie.j (s. x)).3 MOUVEMENT BROWNIEN. x) = (σi. y)| + |σ(t. pour tout T: ! E sup |Xs |2 < +∞ 0≤s≤T La démonstration est identique à celle du cas à valeurs dans R. On se donne : – W = (W 1 . x))1≤i≤n . . Xs ) ds + 0 Zt σ (s. On suppose que : 1.s. y)| ≤ K|x − y| 2. x) = (b1 (s. x)| ≤ K(1 + |x|) 3. Mathématiquement. Xs )dWsj .5 Si x ∈ Rn . . .10) 0 où il faut comprendre que l’on cherche un processus (Xt )0≤t≤T à valeurs dans Rn adapté à (Ft )t≥0 et tel que P p. – Z = (Z1 . |b(t. si pour toute fonction f borélienne bornée et pour tous s et t. 0 Le théorème d’existence et d’unicité se généralise de la fa¸con suivante : Théorème 5. Xs )ds + 0 p Zt X j=1 σi. et l’on considère l’équation différentielle stochastique : Xt = Z + Zt b (s. – σ : R+ × Rn → Rn×p (l’ensemble des matrices n × p).3 Equations différentielles stochastiques à valeurs vectorielles On peut généraliser l’étude des équations différentielles stochastiques aux cas où le processus évolue dans Rn . (3.4 Propriété de Markov des solutions d’équations différentielles stochastiques La propriété de Markov pour un processus (Xt )t≥0 signifie que le comportement futur de ce processus après t dépend uniquement de Xt et non de ce qui s’est passé avant t.j (s. 1≤j≤p σi. x) − σ(t. . Cette généralisation est utile. . x)| + |σ(t. – b : R+ × Rn → Rn . |x| est la norme euclidienne de x et si σ ∈ Rn×p . DIFF. . . |σ|2 = P 2 1≤i≤n. b(s.1≤j≤p . |b(t. σ(s. tels que s ≤ t : E (f (Xt ) |Fs ) = E (f (Xt ) |Xs ) . E(|Z|2 ) < +∞ alors il existe une solution unique à l’équation (3. W p ) un Ft -mouvement brownien p−dimensionnel. x). . STOCHASTIQUES 59 5. Ce point est essentiel dans les calculs de prix d’options. on a presque sûrement : Xit i =Z + Zt i b (s. Il permet de prouver que le prix d’une option sur un actif markovien ne dépend que du prix de l’actif à l’instant t.

y dWu .Xx t. Xt. C’est une généralisation de la propriété de flot des équations différentielles ordinaires. que P p. alors. Xt. pour tout y ∈ R : Zs Zs   t. x) presque sûrement. thèses du théorème 5. en effet. Xu t du + σ u. Xxu ) du + 0Rσ (u. C’est un résultat délicat à démontrer (on trouvera sa démonstration dans [RW87]) que nous allons admettre. Xxu ) du + t σ (u. . on remarque que X xs est aussi solution de l’équation précédente. si t ≤ s : Rs Rs Xxs = x + 0Rb (u.x t. Remarque 5. s ≥ t) la solution de l’équation (3. Xu t dWu . s) qui est P p.s.Xt X0. construire un processus dépendant de (t.X s s La propriété de Markov prend dans ce cas la forme suivante : Théorème 5. Xt.3. La propriété de Markov est une conséquence d’une propriété “de flot” vérifiée par les solutions d’une équation différentielle stochastique. Xxu ) dWu s s = Xxt + t b (u.x notera (Xt.8 On note souvent l’égalité précédente sous la forme : E (f (Xt ) |Fs ) = E (f(Xs. Xu du + σ u.s. X vérifie pour s ≥ t : Zs  Zs    t.7 Soit (Xt )t≥0 une solution de (3. si s ≥ t : x t.6 Sous les conditions du théorème 5. On peut cependant.y = y + b u.s.s. Xt. = Xt.x t ))|x=Xs . Plus précisément. Nous laissons de coté les détails de leurs démonstrations.x s =x+ Zs t  du + b u.x t )).Xx b u.x u On en déduit.3.x la s . X du + σ u. où φ(x) = E (f(Xs.x P p. t L’unicité des solutions de cette équation prouve.x Xs = x + b u. .9).s.9) partant de x à l’instant t et X = X t. s = Xs Démonstration : Nous ne donnons que l’idée générale de cette démonstration.x dWu . pour toute fonction borélienne bornée f : P p.60 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE Nous allons énoncer dans ce paragraphe la propriété de Markov pour une solution de (3.x solution de l’équation partant de x à l’instant 0. Lemme 5.x pour t ≤ s.x u Zs t  dWu .9). Xt. x. pour tout x : P p.y Xt. que X 0. σ u. continu en ces trois variables et tel que Xt.x est défini pour tout (t. successivement. t t Ces résultats sont intuitifs.y . Cela admis. sous les hypo.x s soit solution de l’équation précédente. E (f (Xt ) |Fs ) = φ(Xs ). Xt. mais pour les justifier en détail il faut utiliser la continuité de y 7→ Xt. C’est un processus de Markov par rapport à la filtration (Ft )t≥0 du mouvement brownien.Xx t Xs = Xxt + t Zs  Zs    t. On a. on a. On x 0. u t t A priori. Xxu ) dWu . s u u t puis que : t.

on obtient : E ( f (Φ(Xxs .9) et r(s.61 Ch. u ≥ 0))| Fs ) = E (f (Φ(x. Ws+u − Ws . Théorème 5.5 de l’appendice à X s . s. le théorème suivant est utile dans les calculs liés aux taux d’intérêt. Φ et Fs .Xu )du   f (Xt ) |Fs = E e− Rt s r(u. x) une fonction mesurable positive. Si l’on admet ce résultat. STOCHASTIQUES Démonstration : Nous ne donnerons qu’une esquisse de la démonstration.s. Ws+u − Ws . si s ≥ t. u ≥ 0)))|x=Xx s = E (f (Xs.Xs. E e− s r(u. Ws+u − Ws .x t ) .9 Soit (Xt )t≥0 une solution de (3.x t ))|x=Xx s Le résultat précédent se généralise à des fonctions des trajectoires de la diffusion après l’instant s. u ≥ 0). u ≥ 0) et de x (ce résultat est naturel mais délicat à justifier en détail (voir [Fri75])). On écrit aussi cette égalité sous la forme :  E e− Rt s r(u.Xu )du f (Xt ) |Fs = φ(Xs ) avec :  φ(x) = E e− Rt s r(u. Si on applique le résultat de la proposition 2.3 MOUVEMENT BROWNIEN. DIFF. En particulier. On a.Xs. X xt = Xt s .x s’exprime t de fa¸con mesurable en fonction des accroissements du brownien (Ws+u − Ws . Ws+u − Ws . Pour une démonstration complète on pourra consulter [Fri75]. D’autre part. u ≥ 0) et donc : t Xxt = Φ(Xxs .x u )du  f(Xs. pour un s et un t fixés on a Xs. (Ws+u − Ws )u≥0 . si t > s :  Rt  P p.x u )du . ÉQU.x = Φ(x. on peut démontrer que Xs.Xx La propriété de flot prouve que. avec Xxs qui est Fs mesurable et (Ws+u − Ws )u≥0 qui est indépendant de Fs .

.

x t ) . f(Xs.

Remarque 5. x=Xs . On en déduit que.x s+t ) = E e Rt 0 r(X0.x t ) . Si on omet les détails techniques.x s+t )) = E f(Xt ) . dans ce cas.x u )du   − f(Xs. On peut étendre ce résultat et montrer que.x u )du  f(X0.10 On peut en fait démontrer un résultat plus général que celui énoncé précédemment.x s+t est identique à celle de Xt . si r est une fonction de x uniquement :  E e− R s+t s r(Xs.x t .9 s’exprime sous la forme :  E e− Rt s r(Xu )du   f (Xt ) |Fs = E e− R t−s 0 r(X0.x dans ce cas). Remarque 5. on peut affirmer que. t ≥ s))|x=Xs .11 Lorsque b et σ ne dépendent que de x (on dit que la diffusion est homogène 0. on peut montrer que la loi de Xs. ce qui signifie que si f est une fonction mesurable et bornée :   0. si φ est “une fonction de toute la trajectoire” de Xt après s : P p.s. t ≥ s) |Fs ) = E (φ(Xs. E (φ (Xxt .x u )du . le théorème 5.x E (f(Xs.

.

x ) t−s . f(X0.

. x=Xs .

fini presque sûrement. . t]) × Ft ) −→ (R. 0≤i≤N−1 Démontrer que Ie (f) est une variable aléatoire gaussienne dont on calculera la moyenne et la variance. P On rappelle que l’ensemble H des fonctions de la forme 0≤i≤N−1 ai 1]ti . où (Xt )t≥0 est un Ft -mouvement brownien et f(s) est une fonction mesurable de (R+ . Démontrer que. si τ est un temps d’arrêt : Fτ = {A ∈ A. On pose : X Ie (f) = ai (Xti+1 − Xti ). 0 Ce type d’intégrale s’appelle intégrale de Wiener et c’est un cas particulier de l’intégrale d’Ito qui est introduite au paragraphe 4. B(R)) telle que : Z +∞ f2 (s)ds < +∞. et 0 = t0 ≤ t1 ≤ · · · ≤ tN . c et c 0 étant des constantes. telle que pour tout t. ω) 7−→ Xs (ω) est mesurable.62 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE 6 Exercices Exercice 6 Soit (Mt )t≥0 une martingale. avec ai ∈ R. Démontrer que E (Xt ) = ct et que Var(Xt ) = c 0 t. et f = 0≤i≤N−1 ai 1]ti ..s. puis que XS est FS mesurable.ti+1 ] . 3. de plus. On supposera. Prouver que l’application : ([0. P p. 1. que la fonction t 7→ E X2t est continue. Démontrer en particulier que : E(Ie (f)2 ) = kfk2L2 . Exercice 10 Soit S et T deux temps d’arrêt.s. tels que S ≤ T P p. A ∩ {τ ≤ t} ∈ Ft } définit une tribu. XS est Ft mesurable. Exercice 7 Soit Xt un processus   à accroissements indépendants et stationnaires nul en l’instant  0 et tel que. et (X t )t≥0 un processus adapté et presque sûrement continu. B([0. démontrer que S est FS mesurable.ti+1 ] . t] × Ω. Démontrer que F S ⊂ FT . Exercice 8 Démontrer que. Exercice 12 Cette exercice R+∞ est une introduction à l’intégrale stochastique. En déduire que si S ≤ t. dx) muni de la norme kfkL2 = q R+∞ f2 (s)ds.(k+1)/n[ (s)Xk/n (ω) n→+∞ k≥0 2. E(M2t ) < +∞. Exercice 9 Soit S un temps d’arrêt. Démontrer que si s ≤ t :     E (Mt − Ms )2 |Fs = E M2t − M2s |Fs . 0 P 1. et t0 = 0 ≤ t1 ≤ · · · ≤ tN est dense dans L2 (R+ . pour tout t ≥ 0 . B(R)) (s. Exercice 11 Soient S un temps d’arrêt. Soit ai ∈ R. Il s’agit de construire une intégrale du type 0 f(s)dXs . B(R+ )) dans (R. E X2t < +∞. pour tout s : X Xs = lim 1[k/n. . pour tout t.

montrer que t → MS∧t est une Ft martingale. S 0 ) sont des Ft -temps d’arrêt. Démontrer que (|Mt |)0≤t≤T une sous-martingale. on note Zt = 0 f(s)dXs = 1]0. si f est dans H et E(I(f)2 ) = kfkL2 . En utilisant le fait que MS∧s est Fs mesurable. +∞ sinon) et T ). ÉQU. dx) à valeurs dans L2 (Ω. 2 + En déduire que R+∞si 2f ∈ L (R . Rt Rt 5. On suppose que E(M2T ) est fini. E(M∗ ) est fini et que : E sup |Mt | 0≤t≤T 2 ! ≤ 4E(|MT |2 ). En déduire que. 4. pour tout f dans L2 (R+ ).t] (s)f(s)dXs . démontrer que Zt est un processus adapté à Ft . Soit f ∈ L2 (R+ . 3. Z2t − 0 f2 (s)ds. Démontrer que. 2. R Rt 4. Démontrer que si S et S 0 sont deux Ft -temps d’arrêt alors S∧S 0 = inf(S. |Mt | ≥ λ} (si cet ensemble est non vide. 2. alors X est une variable aléatoire gaussienne centrée. (Utiliser le fait que (M∗ ∧ A)p = R M∗ ∧A 0 pxp−1 dx pour p = 1.63 Ch. et que Zt − Zs est indépendant de Fs (commencer par traiter le cas f ∈ H). STOCHASTIQUES 2. exp(Zt − (1/2) 0 f2 (s)ds) sont des Ft -martingales. En déduire qu’il existe une unique application linéaire de L2 (R+ . I. Déduire du résultat précédent que. 3. Exercice 13 Soient T un réel positif et (Mt )0≤t≤T une Ft -martingale continue. Démontrer que les processus Zt . 1. F . Démontrer que. telle que I(f) = Ie (f). P) vers X. Montrer que. 4. F . DIFF. si (Xn )n≥0 est une suite de variables aléatoires gaussiennes centrées qui convergent dans L2 (Ω. si s ≤ t :   E MS∧t 1{S > s} |Fs = Ms 1{S > s} . 2). En utilisant le temps d’arrêt S ∨ s et le théorème d’arrêt démontrer que :   E MS 1{S > s} |Fs = Ms 1{S > s} 3. dx). si A est positif : E((M∗ ∧ A)2 ) ≤ 2E((M∗ ∧ A)|MT |). S 0) et S ∨ S 0 = sup(S. dx) alors I(f) est une variable aléatoire gaussienne centrée de variance 0 f (s)ds.3 MOUVEMENT BROWNIEN. P). . si M∗ = sup0≤t≤T |Mt | :  ∗ λP (M ≥ λ) ≤ E |MT |1{M∗ ≥ λ}  (Utiliser le théorème d’arrêt pour la sous-martingale |Mt | entre τ ∧ T où τ = inf{t ≤ T. Exercice 14 1.

puis que P p.s. E(MT ∧τn ) = E 0 1 exp(−x2 /2(1 − t)).s. On pose p(t. Wt). (où (Wt )0≤t≤T est un mouvement brownien standard). On pourra introduire la Rt 2 suite de temps d’arrêt définie par τ = inf{t ≥ 0 | H ds = n} et montrer que n 0 s  R T ∧τn 2 2 Hs ds .s. 0 |Ks |ds < +∞. alors E 0 H2t dt < ∞. . que P p. Rt Rt Rt 4.s. 2.s.s.s. On suppose. Montrer que Tn = inf{0 ≤ s ≤ T. En déduire. Montrer que 0 H2t dt < ∞. x) = 0. Rt Exercice 16 Soit (Mt )0≤t≤T une Ft -martingale continue telle que Mt = 0 Ks ds. Soit Mt une martingale de la forme 0 Hs dWs + 0 Ks ds avec 0 H2s ds < +∞ P p. RT 3.s. p. ∀t ≤ T. démontrer que Kt = 0 dt × P p. alors : Mt = M 0 +   n  2 X  Mtni − Mtni−1  = 0. et E 0 H2t dt = +∞.s... En utilisant la suite de temps d’arrêt Tn = inf{t ≤ Rt T. (a) Montrer que Zt ∂p (s. 0 |Ks |ds ≥ n} (T si cet ensemble est vide) est un temps d’arrêt. Démontrer que si tni = Ti/n pour 0 ≤ i ≤ n. 1] par Mt = p(t. Exercice 17 On s’intéresse à la solution Xt de l’équation différentielle stochastique : . p. Ws )dWs . . où RT (Kt )0≤t≤T est un processus Ft -adapté tel que P p. 0 H2s ds ≥ n}.64 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE RT Exercice 15 1. x) = √1−t Soit (Mt )0≤t≤1 le processus défini sur [0. Rt et 0 |Ks |ds < +∞ P p. Soit (Ht )0≤t≤T un processus mesurable adapté tel que 0 H2t dt < ∞. Prouver que P p. et p(1. Mt = 0. RT 1. MonOn pose Mt =   0 s  R T trer que si E sup0≤t≤T M2t < ∞. de plus. pour 0 ≤ t < 1 et x ∈ R. Sous les hypothèses de la question précédente. On ne suppose plus que 0 |Ks |ds soit borné mais seulement que cette variable aléaRt toire est finie presque sûrement.s. démonter que :  n  X E i=1 2    Mtni − Mtni−1  = E M2T − M20 .s. limn→+∞ Tn = T . lim E n→+∞ i=1 2. En déduire MT = 0 P p. que P p. Rt H dWs . Wt). en utilisant la suite de martingales (Mt∧Tn )t≥0 . 0 ∂x  R R1 1 (b) Soit Ht = (∂p/∂x)(t. Mt = 0. 0 |Ks |ds ≤ C < +∞. On admettra que la variable aléatoire 0 |Ks |ds est Ft Rt mesurable. ∀t ≤ T.

Ecrire l’équation différentielle stochastique dont est solution S−1 t .   On pose St = exp (µ − σ2 /2)t + σWt . 2. . dXt = (µXt + µ 0 )dt + (σXt + σ 0 )dWt X0 = 0. Démontrer que : −1 0 0 0 d(Xt S−1 t ) = St ((µ − σσ )dt + σ dWt ) . 1.

DIFF. si 0 ≤ u ≤ v :   z2 E eiz(Wv+S−Wu+S ) |Fu+S = e− 2 (v−u) . Vérifier que la loi du couple (Wt . 7. Soit (Yt )t≥0 est un processus aléatoire continu indépendant de la tribu B tel que E(sup0≤s≤K |Ys |) < +∞. 4.3 MOUVEMENT BROWNIEN. ÉQU. STOCHASTIQUES 3. les Ai étant disjoints et B mesurables. Wt∗ ≥ λ) = P(Wt ≥ λ. Wt∗ ≥ λ) = P(Wt ≥ λ). En utilisant le théorème d’arrêt pour la martingale M t = exp(izWt + z2 t/2). 2. exp − 2t 2πt3 ! . Wt∗ ) est donnée par : 2(2y − x) (2y − x)2 1{0 ≤ y} 1{x ≤ y} √ dxdy. P On commencera par traiter le cas où T est de la forme 1≤i≤n ti 1Ai . 6. 3.65 Ch. En déduire que WuS = Wu+S − WS est un FS+u -mouvement brownien indépendant de la tribu FS . où z est un nombre réel. Wt∗ ≥ λ) = 2P(Wt ≥ λ) − P(Wt ≥ µ). si f est une fonction borélienne bornée : ! ! λ φ(t − τ ) . sups≤t Ws ). démontrer que. Soit S un temps d’arrêt borné. démontrer que. en utilisant le fait que E(f(Wu +λ)) = E(f(−Wu + λ)) que : ! ! E f(Wt )1 τλ ≤ t = E f(2λ − Wt )1 τλ ≤ t 5. = E 1 λ E f(Wt )1 λ τ ≤t τ ≤t où φ(u) = E(f(Wu +λ)). En déduire que Wt∗ suit la même loi que |Wt |. Démontrer que si λ ≥ µ et λ ≥ 0 : P(Wt ≤ µ. Soit T une variable aléatoire B-mesurable bornée par K. Ws > λ}. On pose τλ = inf{s ≥ 0. montrer que : E (YT |B) = E (Yt )|t=T . 1. Wt∗ ≥ λ) = P(Wt ≥ 2λ − µ). Exercice 18 Soit (Wt )t≥0 un Ft -mouvement brownien. En déduire une expression pour Xt . Le but de cet exercice est de calculer la loi du couple (Wt . où 0 < t1 < · · · < tn = K. P(Wt ≤ λ. Wt∗ ≥ λ) = P(Wt ≥ 2λ − µ. Montrer que si Wt∗ = sups≤t Ws et si λ ≥ 0 : . et que si λ ≤ µ et λ ≥ 0 : P(Wt ≤ µ. En déduire.

.

v ≤ u). 2 où S0 est le cours observé à la date 0. malgré le caractère simplificateur du modèle.2) où µ et σ sont deux constantes et (Bt ) un mouvement brownien standard. . St /Su ou (ce qui revient au même). On suppose l’évolution de S0t régie par l’équation différentielle (ordinaire) suivante : dS0t = rS0t dt (4.Chapitre 4 Modèle de Black et Scholes Le problème traité par Black et Scholes dans [BS73] est l’évaluation et la couverture d’une option de type européen (call ou put) sur une action ne distribuant pas de dividendes. l’accroissement relatif (St − Su )/Su est indépendant de la tribu σ(Sv . conduit à des formules aujourd’hui couramment utilisées par les praticiens. qui repose sur des idées analogues à celles déjà présentées dans le cadre des modèles discrets dans le chapitre 1 de ce livre. nous donnons une présentation actualisée des travaux de Black et Scholes. On posera S 00 = 1. on voit que le processus (St ) vérifie une équation du type (4. Comme nous l’avons vu (cf. – stationnarité des accroissements relatifs : si u ≤ t.1 L’évolution des cours Le modèle proposé par Black et Scholes pour décrire l’évolution des cours est un modèle à temps continu avec un actif risqué (une action de prix St à l’instant t) et un actif sans risque (de prix S0t à l’instant t).3). de sorte que S0t = ert . Dans ce chapitre. Le cas des options américaines est abordé et des extensions du modèle sont présentées dans les problèmes. 1 Description du modèle 1. la loi de St est une loi log-normale (c’est à dire que son logarithme suit une loi normale). à ne pas confondre avec le taux sur une période des modèles discrets). On suppose que l’évolution du cours de l’action est régie par l’équation différentielle stochastique suivante : dSt = St (µdt + σdBt ) (4. explicitement : ! σ2 St = S0 exp µt − t + σBt .1) où r est une constante positive. selon ce modèle. pour t ≥ 0. la loi de (St − Su )/Su est identique à celle de (St−u − S0 )/S0 .2) se résout. Compte tenu de la définition 2. La méthode utilisée. cela signifie que le processus (S t ) vérifie les propriétés suivantes : – continuité des trajectoires. Il en résulte en particulier que.2) si et seulement si le processus (log(St )) est un mouvement brownien (non nécessairement standard). chapitre 3. – indépendance des accroissements relatifs : si u ≤ t. paragraphe 4. Plus précisément. l’équation (4. Cela signifie que le taux d’intérêt sur le marché des placements sans risque est constant et égal à r (noter que r est ici un taux d’intérêt instantané. Le modèle est étudié sur l’intervalle [0.1 du chapitre 3. T ] où T est la date d’échéance de l’option à étudier.

0 0 Alors l’intégrale : ZT H0t dS0t 0 = ZT H0t rert dt 0 est bien définie. . T ]. presque sûrement. les composantes H0t et Ht de φt donnant. chapitre 1. La transposition de cette égalité à temps continu conduit à écrire la condition d’autofinancement sous la forme suivante : dVt (φ) = H0t dS0t + Ht dSt . T ]. adapté à la filtration naturelle (Ft ) du mouvement brownien. et H2t dt < +∞ p. 0 Alors. vérifiant RT RT 0 |Ht |dt + 0 H2t dt < +∞ p. 1. à l’instant t.s. Ht ))0≤t≤T un processus adapté à valeurs dans R2 .s.s. La proposition suivante est l’analogue de la proposition 1.1). 0 0 0 puisque la fonction t 7→ St est continue. ainsi que l’intégrale stochastique : ZT ZT ZT Ht dSt = (Ht St µ) dt + σHt St dBt . 0 0 Zt Zt 0 0 0 0 0 0 2.68 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE Ces trois propriétés traduisent de fa¸con concrète les hypothèses de Black et Scholes sur l’évolution du cours de l’action.s. Ht St + Ht St = H0 S0 + H0 S0 + Hu dSu + Hu dSu p. donc bornée sur [0. (4.. Dans les modèles discrets.2 Les stratégies autofinancées   Une stratégie sera définie par un processus φ = (φt )0≤t≤T = (H0t . les quantités d’actif sans risque et d’actif risqué respectivement détenues en portefeuille. φ définit une stratégie autofinancée si et seulement si : Zt ˜ Vt (φ) = V0 (φ) + Hu dS˜ u p.s. à valeurs dans R2 .s.2 du chapitre 1. pour tout t ∈ [0.1 Une stratégie autofinancée est définie par un couple φ de processus adaptés et (Ht )0≤t≤T vérifiant : 0≤t≤T ZT ZT 0 1.2 Soit φ = ((H0t . Pour que cette égalité ait un sens on imposera la condition : ZT ZT 0 |Ht |dt < +∞ p. La valeur du portefeuille à l’instant t est alors donnée par : Vt (φ) = H0t S0t + Ht St . remarque 1. nous avons caractérisé les stratégies autofinancées par l’égalité : Vn+1 (φ) − Vn (φ) = φn+1 . Proposition 1.(Sn+1 − Sn ) (cf. Définition   H0t 0 0 Nous noterons S˜ t = e−rt St le cours actualisé de l’actif risqué. |Ht |dt + H2t dt < +∞ p. Ht ) . T ]. 1. On pose : Vt (φ) = H0t S0t + Ht St et V˜ t (φ) = e−rt Vt (φ).3) 0 pour tout t ∈ [0.

la réciproque est une version du théorème de Radon-Nikodym (cf. P) un espace probabilisé. contrairement à ce que nous avons fait dans le chapitre 1. on peut définir une notion de processus prévisible à temps continu mais. Une probabilité Q sur (Ω. . A) est dite absolument continue par rapport à P si : ∀A ∈ A P (A) = 0 ⇒ Q (A) = 0. (φ) >t est nul). Théorème 2. dans le cas de la filtration d’un mouvement brownien.1 Probabilités équivalentes Soit (Ω. il existe une variable aléatoire Z à valeurs positives ou nulles sur (Ω. tome 1). Théorème de représentation des martingales 2. De l’égalité : dV˜ t (φ) = −rV˜ t (φ)dt + e−rt dVt (φ) qui résulte de la différenciation du produit des processus (e−rt ) et (Vt (φ)) (noter que le terme de crochets d < e−r.3 Nous n’avons pas imposé de condition de prévisibilité sur les stratégies. Remarque 1. 2 Changement de probabilité. Dans notre étude des modèles discrets complets. nous avons été amenés à nous placer sous une loi de probabilité équivalente à la probabilité initiale et sous laquelle les prix actualisés des actifs sont des martingales. A) telle que : Z ∀A ∈ A Q(A) = Z(ω)dP(ω).  D’où l’égalité (4.69 Ch. Noter que si Q est absolument continue par rapport à P. A. cela ne restreint pas la classe des processus adaptés de fa¸con significative (en raison de la continuité des trajectoires du mouvement brownien). V. Les probabilités P et Q sont dites équivalentes si chacune d’elles est absolument continue par rapport à l’autre.1 Q est absolument continue par rapport à P si. La démonstration de la réciproque repose sur un raisonnement analogue. on déduit :   dV˜ t (φ) = −re−rt H0t ert + Ht St dt + e−rt H0t d(ert ) + e−rt Ht dSt  = Ht −re−rt St dt + e−rt dSt = Ht dS˜ t . A Z est appelée densité de Q par rapport à P et parfois notée dQ . et seulement si.4 MODÈLE DE BLACK ET SCHOLES Démonstration : Supposons la stratégie φ autofinancée. .3). Le paragraphe suivant présente les outils qui permettent de transposer ces méthodes au temps continu. de densité Z. par exemple [DCD82]. dP L’équivalence à démontrer est évidente dans un sens. En fait. alors P et Q sont équivalentes si et seulement si P (Z > 0) = 1. puis nous avons construit des stratégies autofinancées simulant les options.

indexé par l’intervalle de temps [0. T ] Mt = M0 + Zt Hs dBs p. [DCD83]. par  rapport à la filtration R T 2 (Ft )0≤t≤T . P un espace probabilisé filtré. [KS88].. et tel que le ! soit une martingale.4) 0 Noter que cette représentation n’est possible que pour les martingales de la filtration naturelle du mouvement brownien (cf.. F .2 Soit (θt )0≤t≤T un processus adapté vérifiant processus (Lt )0≤t≤T défini par : Zt Zt 1 Lt = exp − θs dBs − 2 0 RT 0 θ2s ds 0 θ2s ds < ∞ p.70 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE 2. est connu sous le nom de théorème de Girsanov (cf. 2. Alors. Le théorème suivant. sous laRprobabilité P(L) de densité LT par rapport à P. le processus 0 Hs dBs est une martingale de carré intégrable. (4. est un mouvement brownien standard. le processus t (Wt )0≤t≤T défini par Wt = Bt + 0 θs ds. par exemple [KS88]) que si (Mt )0≤t≤T est une martingale (non nécessairement de carré intégrable) il existe une représentation du type RT 2 (4. F . Il existe un processus adapté (Ht )0≤t≤T tel que E 0 Hs ds < +∞ et : ∀t ∈ [0. [KS88]. (Ft )0≤t≤T .4 Soit (Mt )0≤t≤T une martingale de carré intégrable. [DCD82]). on peut l’écrire sous la forme : U = E (U) + ZT Hs dBs p. Le théorème suivant montre que toutes les martingales browniennes peuvent se représenter à l’aide d’une intégrale stochastique.s. dont la filtration est la filtration naturelle d’un mouvement brownien standard (Bt )0≤t≤T . La démonstration du théorème de Girsanov dans le cas où (θt ) est constant fait l’objet de l’exercice 19. Remarque 2.s.3 Théorème de représentation des martingales browniennes Soit (Bt )0≤t≤T un mouvement brownien standard construit sur un espace probabilisé (Ω.s. Rappelons (cf. . nulle en 0. chapitre 8). proposition 4. Théorème 2.3 suffisante pour que (Lt )0≤t≤T soit une martingale est que l’on   RUne condition  1 T 2 ait : E exp 2 0 θt dt < ∞ (cf. T ].4) mais avec un processus vérifiant seulement 0 Ht ds < ∞. On démontre aussi (cf. p. Il suffit pour cela de considérer la martingale Mt = E (U|Ft ). Il résulte du théorème que si U est une variable aléatoire FT -mesurable de carré intégrable. 0 R  T où (Ht ) est une processus adapté tel que E 0 H2t ds < +∞. P) et soit (Ft )0≤t≤T sa filtration naturelle.4) R RT 2 t que si (Ht )0≤t≤T est un processus adapté tel que E 0 Ht dt < ∞. Nous utiliserons d’ailleurs ce résultat dans le chapitre 6.2 Théorème de Girsanov   Soit Ω. Théorème 2. exercice 26). que nous admettrons. chapitre 3.s.

on déduit de l’égalité (4. nous allons définir la valeur de l’option en la simulant. positive. Théorème 3. (4.71 Ch.1 Une probabilité sous laquelle S˜t est une martingale   Nous reprenons maintenant le modèle introduit au paragraphe 1. h est de la forme f(ST ). (f(x) = (x − K)+ . h est même bornée. σ dS˜ t = S˜ t σdWt . Le plus souvent.2. On dira qu’une option est simulable si sa valeur à l’échéance est égale à la valeur finale d’une stratégie admissible. positive h.1 Une stratégie φ = H0t .5) D’après le théorème 2. que la définition de l’intégrale stochastique est invariante par changement de probabilité équivalente (cf.2 Dans le modèle de Black et Scholes. si on se place sous la probabilité P∗ . Utilisant l’équation différentielle stochastique vérifiée par (St ) on a : dS˜ t = −re−rt St dt + e−rt dSt = S˜ t ((µ − r)dt + σdBt ) et par conséquent.T ] V˜ t est de carré intégrable sous P∗ . Alors. dans le cas d’un call. On admettra. il existe une probabilité P∗ équivalente à σ P sous laquelle (Wt )0≤t≤T est un mouvement brownien standard. pour tout t. Il est clair que pour que l’option définie par h soit simulable. sous laquelle le prix actualisé S˜ t = e−rt St de l’action est une martingale. Nous allons montrer qu’il existe une probabilité équivalente à la probabilité initiale P. Ht 0≤t≤T 0 valeur actualisée V˜ t (φ) = Ht + Ht S˜ t du portefeuille correspondant est. 3. positive et telle que supt∈[0. il est nécessaire que h soit de carré intégrable sous P∗ .4 MODÈLE DE BLACK ET SCHOLES 3 Evaluation et couverture des options dans le modèle de Black et Scholes 3. Pour des raisons techniques. si on pose Wt = Bt + µ−r t. toute option définie par une variable aléatoire h. cette propriété est bien vérifiée puisque E∗ (S2T ) < ∞ . . FT -mesurable et de carré intégrable sous la probabilité P∗ est simulable et la valeur à l’instant t de tout portefeuille simulant est donnée par :   Vt = E∗ e−r(T −t) h|Ft . nous nous limiterons aux options européennes. exercice 25). notons que dans le cas du put. par la suite. Comme dans le cas discret.2 Pricing Dans ce paragraphe.5) que (S˜ t ) est une martingale et que : S˜ t = S˜ 0 exp(σWt − σ2 t/2). appliqué en prenant θt = µ−r . Dans le cas du call (h = (ST − K)+ ). Une option européenne sera définie par une variable aléatoire FT -mesurable. f(x) = (K − x)+ dans le cas d’un put). nous limiterons la classe des stratégies admissibles de la fa¸con suivante :   est admissible si elle est autofinancée et si la Définition 3.

le processus défini par Mt = E∗ (e−rT h|Ft ) est une martingale de carré intégrable.2 et l’égalité (4. On a donc bien une stratégie admissible simulant h. sous P∗ .T ] V˜ t est de carré intégrable. (4. la valeur actualisée : V˜t = H0t + Ht S˜ t . 0 La stratégie φ = (H0 . Démonstration : Supposons tout d’abord qu’il existe une stratégie admissible (H 0 . d’après la proposition 1. d’après la proposition 1. H). d’après la définition des stratégies admissibles. sous la probabilité P∗ . Soit V˜ t = Vt e−rt . . il existe un T 2 ∗ processus adapté (Kt )0≤t≤T tel que E K ds < +∞ et : 0 s ∀t ∈ [0.5). La valeur à l’instant t du portefeuille (H0t . est aussi la filtration naturelle de (Wt ) et. et l’égalité qui précède fait apparaître le processus (V˜ t ) comme une intégrale stochastique par rapport à (Wt ).6) Nous avons ainsi montré que si le portefeuille (H0 . une stratégie autofinancée. est alors. Or. chapitre 3. d’après le théorème de représentation R  des martingales browniennes. Il en résulte (cf. VT = h.2 et l’égalité (4. on a.. La filtration (Ft ). par hypothèse. que supt∈[0.T ] Vt (φ) est de carré intégrable sous P∗ et que VT (φ) = h.72 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE La valeur de l’option à l’instant t est donc définie de fa¸con naturelle par l’expression  ∗ −r(T −t) E e h|Ft . avec Ht = Kt /(σS˜ t ) et H0t = Mt − Ht S˜ t . Ht ) est donnée par : Vt = H0t S0t + Ht St et l’on a.4) que (V˜ t ) est. il reste à démontrer que l’option est bien simulable. Puisque la statégie est autofinancée. c’est-à-dire à trouver des processus (H 0t ) et (Ht ) définissant une stratégie admissible et tels que :   H0t S0t + Ht St = E∗ e−r(T −t) h|Ft . supt∈[0. sa valeur est donnée par l’égalité (4. filtration naturelle de (Bt ). D’où :   V˜ t = E∗ V˜ T |Ft . T ] Mt = M0 + Zt Ks dWs p. H).5) : Zt V˜ t = V0 + Hu dS˜ u Z0t = V0 + Hu σS˜ u dWu . et par conséquent :   Vt = E∗ e−r(T −t) h|Ft . dont la valeur à l’instant t est donnée par :   Vt (φ) = ert Mt = E∗ e−r(T −t) h|Ft et il est clair sur cette expression que Vt (φ) est une variable aléatoire positive. 0 Sous la probabilité P∗ . H) simule l’option définie par h. équation (3. Pour achever la démonstration du théorème. une martingale de carré intégrable.6) et proposition 4.6).s. simulant l’option.

On a en effet :  Vt = E∗ e−r(T −t) f(ST )|Ft    = E∗ e−r(T −t) f St er(T −t) eσ(WT −Wt )−(σ 2 /2)(T −t) .4 MODÈLE DE BLACK ET SCHOLES Remarque 3. on peut expliciter la valeur Vt de l’option à l’instant t comme une fonction de t et St .3 Lorsque la variable aléatoire h est de la forme h = f(ST ).73 Ch.

 .

.

x) = E ∗  e  −r(T −t) = E xe  xe √ σ θg−σ2 θ/2 (r−σ2 /2)(T −t)+σ(WT −Wt ) − Ke−rθ où g est une gaussienne centrée réduite et θ = T − t. 2π −∞ Le calcul de F peut être poussé plus loin dans le cas du call et du put. Si l’on prend l’exemple du call. (4. 2π −∞ Pour le put.9) .8) avec : Zd 1 2 N(d) = √ e−x /2 dx. x) = E∗ e−r(T −t) f xer(T −t) eσ(WT −Wt )−(σ 2 /2)(T −t)  (4. x) = E xe − Ke 1{g + d ≥ 0} 2 Z +∞  √ 2  e−y /2 2 = xeσ θy−σ θ/2 − Ke−rθ √ dy 2π −d2 Z d2  √  −y2 /2 −rθ e −σ θy−σ2 θ/2 √ − Ke = xe dy. en utilisant la proposition 2. x) = e f xe(r−σ /2)(T −t)+σy T −t .7) : F(t. sous P∗ . On a donc. WT − Wt est une gaussienne centrée de variance T − t : Z +∞   e−y2 /2 dy √ 2 −r(T −t) √ F(t. Vt = F(t. avec :   F(t. sous P∗ . avec les mêmes notations : F(t. Avec ces notations. (4. un calcul analogue donne.7) et comme. Ft La variable aléatoire St est Ft -mesurable et. d’après l’égalité (4. x) = xN(d1 ) − Ke−rθ N(d2 ). on a. 2π −∞  En écrivant cette expression comme la différence de deux intégrales et en faisant dans la pre√ mière le changement de variable z = y + σ θ. Introduisons les quantités : d1 = log   x K  + r+ √ σ θ σ2 2  θ et −K    + + √ d2 = d1 − σ θ. St).5 de l’appendice. x) = Ke−rθ N(−d2 ) − xN(−d1 ) Pour des méthodes de calcul efficaces de N(d) on pourra se reporter au chapitre 8. avec f(x) = (x − K)+ . on obtient : F(t. on a  √ σ θg−σ2 θ/2 −rθ  F(t. WT − Wt est indépendante de Ft .

[DCD82]. 2. on peut expliciter le portefeuille de couverture. Dès lors. une valeur actualisée égale à : V˜ t = e−rt F(t. estimer σ par des voies statistiques (par exemple à l’aide de variances empiriques . .. S˜ u dS˜ u 0 ∂x Zt ˜  Zt  ∂F 1 ∂2 F˜  ˜  ˜ S˜ >u + u. cf. à chaque instant t. on voit que la fonction F est de classe C∞ sur [0. . Si on pose :   ˜ x) = e−rt F t. Dans la pratique.2. Sous des hypothèses très larges sur f (et. xert .3). St). S˜ t   Z t ∂F   ˜ ˜ ˜ = F 0. dans les cas du call et du put où on dispose des formules explicites de la remarque 3. Le modèle ainsi identifié peut ensuite être utilisé pour les calculs de couverture. nous avons invoqué le théorème de représentation des martingales browniennes pour montrer l’existence d’un portefeuille simulant. la méthode historique : dans le cadre du modèle. dépendent d’un seul paramètre non directement observable : le paramètre σ.4 Un des traits majeurs du modèle de Black-Scholes (et une des raisons de son succès) est que les formules de prix obtenues. Su d < S. de même que les formules de couverture que nous donnerons plus loin. σ2 T est la variance de log(ST ) et les variables log(ST /S0 ). Dans ces questions de volatilité. Dans la pratique. d < S. S0 + u. d’après la formule d’Ito : on a : V˜ t = F(t. S˜ u du + u. chapitre 5). . on déduit : ˜ S˜ >u = σ2 S˜ 2u du. pour t < T . on peut. .  F˜ t. dans le cas où l’option est définie par une variable aléatoire de la forme h = f(ST ). F(t.74 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE Remarque 3. Nous allons voir comment. où F est la fonction définie par l’égalité (4. Un portefeuille simulant doit avoir. on se heurte vite aux imperfections du modèle de BlackScholes : on constate des différences importantes entre volatilité historique et volatilité implicite et la volatilité implicite semble dépendre du prix d’exercice et de l’échéance. Malgré ces incohérences. en particulier. log(SNT /S(N−1)T ) sont indépendantes équidistribuées. log(S2T /ST ). la méthode “implicite” : certaines options sont cotées sur des marchés organisés et le prix des options (calls et puts) étant une fonction strictement croissante de σ (cf. deux méthodes sont utilisées pour évaluer σ : 1. T [×R. 3. le modèle constitue une référence indispensable pour les praticiens. à chaque option cotée. ˜ S˜ t) et.7). appelé “volatilité” par les praticiens (le paramètre de dérive µ disparaît sous l’effet du changement de probabilité).3 Couverture des calls et des puts Dans la démonstration du théorème 3. on peut associer une volatilité “implicite”. à partir des valeurs du cours observées dans le passé. 2 0 ∂t 0 2 ∂x De l’égalité dS˜ t = S˜ t σdWt . il importe de pouvoir construire effectivement le portefeuille simulant pour couvrir une option et on ne peut pas se contenter d’un simple théorème d’existence. par inversion de la formule de Black-Scholes. exercice 21).

S˜ u S˜ u dWu 0 ∂x Z t ˜     ∂F ˜ ˜ = F 0. L’exercice . 0 ∂x Le candidat naturel pour le processus de couverture Ht est alors : Ht =  ∂F˜  ˜  ∂F (t. S˜ u dS˜ u .4 MODÈLE DE BLACK ET SCHOLES   ce qui fait apparaître F˜ t. les liens entre l’évaluation des options américaines et le problème d’arrêt optimal dans le cadre de modèles discrets. basée sur une relation de récurrence. de sérieuses difficultés techniques. il est clair que l’approche que nous avons utilisée dans le paragraphe 3. Cette quantité est souvent appelée le “delta” de l’option par les praticiens. Remarque 3.1 Evaluation des options américaines Nous avons vu. Su Su dWu + 0 ∂x Zt Ku du. est appelée le “delta” du portefeuille. S˜ 0 + σ u.3 du chapitre 2. Ht ) est autofinancé et sa valeur actualisée   est bien V˜ t = F˜ t. le portefeuille (H0t . Plus généralement. La théorie de l’arrêt optimal en temps continu repose sur les mêmes idées qu’en temps discret. D’où :     Z t ∂F  ˜ F˜ t.3. mais la mise en œuvre de ces idées soulève. ∂x et dans le cas du put : ∂F (t. dans ce cadre. S˜ t −Ht S˜ t . 0 ˜ S˜ t) est une martingale sous P∗ . S˜ t . S˜ t = F˜ 0. n’est pas directement transposable. x) = N(d1 ). la quantité (∂Ψ/∂x)(t. Remarque 3. S t). chapitre 3. on a. En ce qui concerne les options américaines. (cf. exercice 16). avec les notations de la remarque 3. St). S˜ t sous la forme suivante :     F˜ t. de “thêta” pour la dérivée par rapport au temps et de “véga” pour la dérivée de Ψ par rapport à la volatilité σ.75 Ch.5 Le raisonnement qui précède montre qu’on peut traiter les options de la forme f(ST ) sans utiliser le théorème de représentation des martingales browniennes. On parle de “gamma” pour la dérivée seconde (∂2 Ψ/∂x2 )(t. x) = −N(−d1 ). S0 + u. dans le chapitre 2. St = ∂x ∂x  Si on pose H0t = F˜ t. le processus Ku est nécessairement nul Comme on sait que F(t. ∂x On pourra le vérifier en exercice (la fa¸con la plus simple de faire le calcul est de dériver sous le signe d’espérance). S˜ 0 + Zt ∂F˜  ˜  ˜ σ u. ∂F (t. S˜ t = F˜ 0. St) . 4 Options américaines dans le modèle de Black-Scholes 4.6 Dans le cas du call. lorsque la valeur à l’instant t d’un portefeuille peut s’écrire Ψ(t. qui mesure la sensibilité du portefeuille aux variations du cours à l’instant t. t. St).

pour toute stratégie φ ∈ Φ . on a : ψ(x) = (x − K)+ et pour un put : ψ(x) = (K − x)+ . puisque c’est la valeur minimale d’une stratégie qui couvre l’option. pour des constantes A et B positives. Ht ))0≤t≤T . Or. nous nous limiterons à des processus de la forme h t = ψ(St ). d’une richesse au moins égale à ψ(St ). On montre d’abord que le processus (e−rt u(t. ∀x ∈ R+ . Il existe une stratégie φ ψ ψ ¯ Φ telle que Vt (φ) = u(t. Nous dirons que la stratégie de gestion avec consommation φ = ((H 0t . St) repose sur un théorème de décomposition des d’une stratégie φ surmartingales analogue à la proposition 3. vérifiant : ψ(x) ≤ A + Bx. Il est naturel de considérer que u(t. T ]. C’est à partir de stratégies de gestion avec consommation que nous allons étudier les options américaines dans le modèle de Black-Scholes. Si le vendeur de l’option suit une stratégie φ ∈ Φψ . T ] × R+ dans R définie par : h   u(t. De plus. St). Pour éviter les difficultés techniques. T ]. Pour simplifier. 0 2. à toute option américaine peut être associée une stratégie de couverture dans laquelle une certaine consommation est autorisée. T ]. à valeurs dans R2 . à chaque instant t. pour tout t ∈ [0. où ψ est une fonction continue de R+ dans R+ . qui est la somme à fournir en cas d’exercice de l’option à l’instant t. renvoyant à [Kar88. on peut montrer que la valeur actualisée d’une stratégie de gestion avec consommation est une surmartingale sous P∗ . Une option américaine est naturellement définie par un processus adapté. à valeurs positives (ht )0≤t≤T . Définition 4. . L’énoncé suivant fait apparaître la valeur minimale d’une stratégie de couverture d’une option américaine : Théorème 4. |Ht |dt + H2t dt < +∞ p. où (Ct )0≤t≤T est un processus croissant continu adapté nul en t = 0. 0 H0t S0t + H t St = H00 S00 + H 0 S0 + Zt H0u dS0u + Zt 0 0 Hu dSu − Ct pour tout t ∈ [0. vérifiant les propriétés suivantes : ZT ZT 0 1.s. T ] Vt (φ) ≥ ψ(St ) p. Kar89] pour les détails. Ht ))0≤t≤T couvre l’option américaine définie par ht = ψ(St ) si. L’obtention ¯ telle que Vt (φ) ¯ = u(t. St)) est l’enveloppe de Snell du processus −rt (e ψ(St )). il dispose. sous P∗ . dans un modèle discret. en notant Vt (φ) = H0t S0t + Ht St . c’est-à-dire la plus petite surmartingale qui le majore.1 Une stratégie de gestion avec consommation est la donnée d’un processus adapté φ = ((H0t . on a : Vt (φ) ≥ u(t. pour tout t ∈ [0. on a : ∀t ∈ [0.76 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE 5 du chapitre 2 montre que. nous donnerons seulement le schéma de la démonstration de ce théorème. St). St). Pour un call.2 Soit u l’application de [0.T désigne l’ensemble des temps d’arrêt à valeurs dans [t.T i ¯∈ où Tt. pour toute stratégie φ ∈ Φψ . Ct représentant la consommation cumulée jusqu’à l’instant t.1 du chapitre 2 et sur le théorème de représentation des martingales browniennes. T ]. x) = sup E∗ e−r(τ−t) ψ x exp (r − (σ2 /2))(τ − t) + σ(Wτ − Wt ) τ∈Tt.s. Notons Φψ l’ensemble des stratégies de gestion avec consommation qui couvrent l’option américaine définie par ht = ψ(St ). On a donc l’inégalité : Vt (φ) ≥ u(t. St) représente la valeur de l’option américaine à l’instant t.

puisque la valeur actualisée de toute stratégie admissible est une martingale sous P∗ .    E∗ (S˜ T − e−rT K)+ |Fτ ≥ S˜ τ − e−rτ K  + . L’équation (4. le prix de l’option américaine n’est pas égal à celui de l’option européenne et il n’existe pas de formule explicite donnant la fonction u. T ].4 MODÈLE DE BLACK ET SCHOLES Remarque 4. pour simplifier. on peut toujours se ramener à ce cas-là. La valeur à l’instant 0 d’une stratégie admissible au sens de la définition 3. x) = sup E∗ Ke−r(τ−t) − x exp −σ2 (τ − t)/2 + σ(Wτ − Wt ) τ∈Tt. E∗ (e−rτ (Sτ − K)+ ) ≤ E∗ (e−rT (ST − K)+ ) = E∗ (S˜ T − e−rT K)+ Or. on a :     E∗ (S˜ T − e−rT K)+ |Fτ ≥ E∗ (S˜ T − e−rT K)|Fτ = S˜ τ − e−rT K puisque (S˜ t ) est une martingale sous P∗ . ψ est donnée par ψ(x) = (x − K) + . En fait.8) donnant le prix du call européen.77 Ch.T  + (4. La quantité u(0. Dans ce paragraphe nous nous contenterons de déduire de la formule :   u(t. D’où l’inégalité annoncée en prenant l’espérance. pour tout réel x. x) où F est la fonction définie par la relation (4. on constate que le prix du call américain (sur une action ne distribuant pas de dividende) est égal au prix du call européen : Proposition 4.T E∗ (e−rτ ψ(Sτ )) est donc bien la richesse initiale permettant de couvrir exactement tous les exercices possibles.10) devient alors :   u(0. Démonstration : Supposons pour simplifier t = 0 (le raisonnement est le même pour t > 0).10) quelques propriétés de la fonction u. Comme dans les modèles discrets. x) = F(t. alors on a : u(t.1 et de valeur ψ(Sτ ) à l’instant τ est donnée par E∗ (e−rτ ψ(Sτ )). dans le théorème 4.T  + (4. prix critique Dans le cas du put. quitte à changer T en T − t. On doit donc recourir à des méthodes de calcul approché qui seront abordées dans le chapitre 5.2 Puts perpétuels.3 Soit τ un temps d’arrêt à valeurs dans [0. il suffit de démontrer que pour tout temps d’arrêt τ.2.4 Si. 4. S0) = supτ∈T0. Alors. Nous supposerons. x) = sup E∗ Ke−rτ − x exp σWτ − (σ2 τ/2) τ∈T0. D’où :   E∗ (S˜ T − e−rT K)+ |Fτ ≥ S˜ τ − e−rτ K puisque r ≥ 0 et.11) . t = 0. puisque le membre de gauche est positif.

∞  Ke −rτ   2 − x exp σBτ − (σ τ/2) +  + 1{τ < ∞}  (4.12) s’interprète naturellement comme la valeur d’un put “perpétuel” (c’est-à-dire exer¸cable à tout moment sans limite d’échéance). ce qui implique : u∞ (x) > 0. Proposition 4.14) Par ailleurs. la théorie de l’enveloppe de Snell à temps continu (cf. [Kus77]. x) = sup E τ∈T0.T ≤   sup E Ke−rτ − x exp σBτ − (σ2 τ/2) u(0.∞ l’ensemble de tous les temps d’arrêt de la filtration de (Bt )t≥0 et T0. P).12) en notant T0. Les propriétés de u∞ que nous venons d’énumérer entraînent : ∀x ≤ x∗ u∞ (x) = K − x et ∀x > x∗ u∞ (x) > (K − x)+ . Il résulte des relations (4. La proposition suivante permet d’expliciter la majoration (4. (4. Le membre de droite de l’inégalité (4. décroissante sur [0. F . sur lequel est défini un mouvement brownien standard (Bt )0≤t<∞ défini sur R+ . on a : τ∈T0.12). pour tout x ≥ 0.5 La fonction : u∞ (x) = sup E τ∈T0. Le temps d’arrêt τx est donc un temps d’arrêt optimal (noter l’analogie avec les résultats du chapitre 2). le processus (Xxt ) étant défini par : Xxt = xe(r− 2 )t+σBt .13) 2r .14) que . pour tout T > 0. ∞[ et vérifie : u∞ (x) ≥ (K − x)+ et.T l’ensemble des éléments de T0.∞ à valeurs dans [0. ainsi que le chapitre 5) permet de montrer que : ∞ u (x) = E  Ke −rτx  2 − x exp σBτx − (σ τx /2)  + 1{τ < ∞} x  où τx est le temps d’arrêt défini par τx = inf{t ≥ 0|e−rt u∞ (Xxt ) = e−rt (K − Xxt )+ } (avec σ2 inf ∅ = ∞).∞   Ke−rτ − x exp σBτ − (σ2 τ/2)  + est donnée par les formules suivantes : u∞ (x) = K − x  −γ x ∞ ∗ u (x) = (K − x ) ∗ x avec x∗ = Kγ 1+γ et γ = pour x ≤ x∗ pour x > x∗ 1{τ < ∞}  (4. Notons maintenant x∗ = sup{x ≥ 0|u∞ (x) = K − x}. Alors.13) que la fonction u∞ est convexe. σ2 Démonstration : On déduit de la formule (4. u∞ (x) ≥ 2 E(Ke−rT − xeσBT −(σ T/2) )+ . T ].78 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE Considérons un espace de probabilité (Ω. [Kar81].

σ2 ∗ x ∗ τx = inf{t ≥ 0|Xt ≤ x } = inf t ≥ 0|(r − )t + σBt ≤ log(x /x) 2 Introduisons. . le temps d’arrêt τx.z défini par : τx. pour tout nombre z ∈ R+ .z = inf{t ≥ 0|Xxt ≤ z}.

par convention. notons φ la fonction de z définie par :  φ(z) = E e−rτx. pour z ≤ x.x∗ est optimal. e−r∞ = 0. Si z > x. on voit que. en utilisant la continuité des trajectoires de (Xxt )t≥0 .z = 0 et φ(z) = (K − x)+ .z  x < ∞} K − Xτx.z ) < ∞}  avec. le temps d’arrêt optimal est donné par τx = τx.x∗ . En reprenant l’expression de Xxt en fonction de Bt .z 1{τ x.79 Ch. la fonction φ admet son maximum au point z = x∗ . Le nombre x étant fixé. on a évidemment τx.z 1{τ x.z = (K − z)+ E (e−rτx. puis nous la maximiserons pour déterminer x ∗ et u∞ (x) = φ(x∗ ).4 MODÈLE DE BLACK ET SCHOLES Avec ces notations. Nous allons calculer φ explicitement. Puisque τx. Si z ≤ x.z   + . τx. on a.z = inf{t ≥ 0|Xxt = z} et par conséquent  φ(z) = (K − z)+ E e−rτx. ! .

z = inf t ≥ 0| r − t + σBt = log(z/x) 2 . σ2 τx.

1 = inf t ≥ 0|µt + Bt = log(z/x) . Le maximum de φ est donc atteint sur l’intervalle [o. Kγ . σ en posant µ = r σ − σ2 . on voit que ∀z ∈ [0. K] φ(z) = (K − z) en posant γ = 2r . maxz φ(z) = φ(x) = K − x et si x > ce qui donne les formules annoncées. x] ∩ [0. si on note. x] ∩ [0. K] si z ∈ [0. K]. +∞[. on a :   (K− x)+  φ(z) = (K − z)E e−rTlog(z/x)/σ  0 si z > x si z ∈ [0. σ2   γ z x . En utilisant la formule suivante (démontrée dans l’exercice 24) :  E e −αTb   = exp µb − |b| q µ2 + 2α . La dérivée de cette fonction est donnée par φ 0 (z) = zγ−1 (Kγ − (γ + 1)z) . x] ∩ [K. pour tout réel b. . Tb = inf{t ≥ 0|µt + Bt = b}. Donc. xγ Kγ Il en résulte que si x ≤ γ+1 . γ+1 maxz φ(z) = φ  Kγ γ+1  . x] ∩ [0.

Lt 4. Montrer que pour tout réel u et pour tous s et t dans ∈ [0. En raisonnant comme au début de la démonstration de la proposition 4. Le réel s(t) s’interprète comme le “prix critique” à l’instant t : si le prix de l’actif sous-jacent à l’instant t est inférieur à s(t). On pose. T [. il existe un réel s(t) vérifiant : ∀x ≤ s(t) u(t. 2. il a intérêt à la conserver.12). pour tout t ∈ [0. Montrer que l’espérance conditionnelle de Z. est inspirée de [HP81] (voir aussi [Ben84].6 Revenons au put américain d’échéance T finie. à partir d’un raisonnement d’arbitrage et de la formule d’Itô. on pourra se référer à [DCD82] et [DCD83] et à la bibliographie de ces ouvrages. 3.2 dans le cas où le processus (θt ) est constant. pour tout t ∈ [0.8 de [KS88]). On pose Wt = µt + Bt . T [. L’approche historique de [BS73] et [Mer73] consistait à dégager. sous la probabilité P(LT ) . est donnée par : E(LT ) (Z|Ft ) = E (ZLT |Ft ) . pour chaque t ∈ [0.80 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE Remarque 4. Soit (Bt )0≤t≤T un mouvement brownien standard par rapport à une 2 filtration (Ft )0≤t≤T et soit µ un nombre réel. Remarque bibliographique : La présentation que nous avons utilisée. (4.15) Compte-tenu de l’inégalité (4. Soit Z une variable aléatoire bornée FT -mesurable. pour 0 ≤ t ≤ T . on voit que. 5 Exercices Exercice 19 Le but de l’exercice est de montrer le théorème de Girsanov 2. on a s(t) ≥ x∗ . basée sur le théorème de Girsanov. avec s ≤ t. pour tout t ∈ [0. dans le cas contraire. Pour les méthodes statistiques de détermination des paramètres des modèles. T ]. x) > (K − x)+ . Montrer que (Lt )0≤t≤T est une martingale par rapport à la filtration (Ft ) et que E(Lt ) = 1. sachant Ft . T ]. On note P(Lt ) la probabilité de densité Lt par rapport à la probabilité initiale P. 1. on a :  . Montrer que les probabilités P(LT ) et P(Lt ) coïncident sur la tribu Ft . T ]. Lt = e−µBt −(µ /2)t . x) = K − x et ∀x > s(t) u(t. le détenteur de l’option a intérêt à exercer immédiatement son option .5. et le paragraphe 5. une équation aux dérivées partielles vérifiée par la fonction donnant le prix du call en fonction du temps et du cours spot.

 E(LT ) eiu(Wt −Ws ) .

.

équation (4. Exercice 20 Montrer qu’il y a unicité (en précisant en quel sens) du portefeuille simulant une option européenne dans le modèle de Black-Scholes.7)). . Exercice 21 On considère une option de la forme h = f(ST ) et on note F la fonction donnant le prix de l’option en fonction du temps et du cours spot (cf.2 de l’appendice. Montrer que si f est croissante (resp. F(t. décroissante) de x. Fs = e−u 2 (t−s)/2 Conclure en utilisant la proposition 2. décroissante). x) est une fonction croissante (resp. 1.

Exercice 23 Justifier les formules 4. Exercice 22 Calculer.. le thêta et le véga (cf. Montrer l’inégalité : 2 ∀α. montrer l’égalité suivante :  ∀α. une fonction décroissante de t si r = 0 et une fonction croissante de σ dans tous les cas (partir de l’équation (4. Soit (H t )0≤t≤T un processus RT adapté tel que 0 H2s ds < ∞ P-p. L’intégrale stochastique de (Ht ) par rapport à Bt est bien définie sous la probabilité P.81 Ch.) et Fp (t.2. le processus Zt Yt = Hs dWs . A). t > 0 E e −α(Tbµ ∧t)  =E e 2 µ 0 −α(Tb0 ∧t) µBTb0 ∧t − 2 Tb ∧t e ! .9 et calculer. la probabilité qu’un call européen soit exercé. Calculer P (Tbµ < ∞). il existe une suite (Hn ) de processus élémentaires RT telle que 0 (Hs − Hns )2 ds converge vers 0 en probabilité. Les notations et les hypothèses sont celles du théorème 2. pour un call et un put le delta.) sont strictement positives pour t < T . On note Fc (resp. Exercice 25 1. H2s ds 0 0 On demande de montrer que les processus X et Y sont égaux. sous la probabilité initiale P. . le gamma. Montrer que F(t. Pour tous nombres réels µ et b. En utilisant le théorème de Girsanov. 0 (L) 0 RT Puisque P et P sont équivalentes. . 0 t < Tb 3. t > 0 E e µ 0 −α(Tb0 ∧t) µBTb0 ∧t − 2 Tb ∧t e 1 ! ≤ e−αt . .) au voisinage de 0 et +∞. . Pour cela. valable pour toute fonction Φ convexe et pour toute variable aléatoire X telle que X et Φ(X) soient intégrables). Fp ) la fonction F obtenue quand f(x) = (x−K)+ (resp. sous P(L) . 3. . x) est une fonction convexe de x.4 MODÈLE DE BLACK ET SCHOLES 2. 2. elle converge en probabilité sous Q vers la même limite. Etudier les fonctions Fc (t. f(x) = (K−x)+ ).s.7) et utiliser l’inégalité de Jensen : Φ(E(X)) ≤ E (Φ(X)).s. ∀α > 0 E e 1{T µ < ∞} = e b 4. On suppose f convexe. Exercice 24 Soit (Bt )t≥0 un mouvement brownien standard. Soient P et Q deux probabilités équivalentes sur un espace probabilisable (Ω. remarque 3. on pose : Tbµ = inf{t ≥ 0 | µt + Bt = b} avec la convention : inf ∅ = ∞.6). on traitera d’abord le cas des processus élémentaires et on utilisera le fait que si (Ht )0≤t≤T est un processus RT adapté vérifiant 0 H2s ds < ∞ p. 1. on a < ∞ P(L) -p.. et on peut donc définir.6) que :   √ −αTbµ µb−|b| 2α+µ2 .s.) et Fp (t. 2. Montrer que Fc (t. Déduire de ce qui précède et des résultats du chapitre 3 (proposition 3.8 et 4. Montrer que si une suite (Xn ) de variables aléatoires converge en probabilité sous P. On pose Zt Zt Xt = Hs dBs + Hs θs ds.

on pose Mt = E 1{τ > 1} |Gt . on note Gt la tribu engendrée par Ft et la variable aléatoire τ ∧ t.s. 1. Démontrer que si µ ≤ λ et si N(d) = −∞ exp(−x2 /2)(dx/( 2π)) :    E eαWT 1. En déduire que la martingale (Mt ) ne peut pas se représenter comme une intégrale stochastique par rapport à (Bt ). 1]. √ Rd 1. 3. (remarquer que l’on aurait nécessairement P (∀t ∈ [0. 1] : P (Mt = Xt ) = 1.82 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE Exercice 26 Soit (Bt )0≤t≤1 un mouvement brownien standard défini sur l’intervalle de temps [0. 1]. alors E (X|B1 ∨ B2 ) = E (X|B2 ). Montrer qu’il n’existe pas de processus à trajectoires continues (X t ) tel que pour tout t ∈ [0. 1] Mt = Xt ) = 1). où B1 ∨ B2 désigne la tribu engendrée par B1 et B2 . Montrer que (Gt )0≤t≤1 est une filtration et que (Bt )0≤t≤1 est un mouvement brownien par rapport à (Gt ). Pour t ∈ [0. Exercice 27 On utilisera librement les résultats de l’exercice 18 du chapitre 3. Montrer que : Mt = e−λ(1−t) 1{τ > t} p. . On pourra utiliser le fait suivant : si B1 et B2 sont deux sous-tribus et X une variable aléatoire positive telle que la tribu engendrée par B2 et X soit indépendante de la tribu B1 . Soit (W t )t≥0 un Ft -mouvement brownien. 1]. On note (Ft )0≤t≤1 sa filtration naturelle et on suppose donnée une variable aléatoire τ de loi exponentielle de paramètre λ.   2. indépendante de F1 . Pour t ∈ [0.

   µ − 2λ − αT α2 T  √  = e 2 +2αλ N  T WT ≤ µ. ! . sup Ws ≥ λ ! . inf Ws ≤ λ   E eαWT 1. s≤T En déduire que si λ ≤ µ :    α2 T 2λ − µ + αT +2αλ  √ N =e 2  T WT ≥ µ.

Soit H ≤ K. on cherche à trouver une expression explicite pour :     C = E e−rT (XT − K)+ 1.  s≤T 2.

. Donner une financiére de cette valeur et expliciter où Xt = xe  interprétation  1 σ2 ˜ ˜ la probabilité P qui fait de Wt = σ r − 2 t + Wt un mouvement brownien standard. Ecrire C sous la forme d’une espérance sous P˜ d’un variable aléatoire fonction unique˜ T et sup ˜ ment de W 0≤s≤T Ws . 3.  t+σWt .  2 r− σ2   inf Xs ≥ H s≤T   .

83 Ch. en supposant que les prix des actifs vérifient les équations suivantes. Problème 1 Modèle de Black-Scholes avec paramètres dépendant du temps On reprend le modèle de Black-Scholes. avec les notations du cours : .4 MODÈLE DE BLACK ET SCHOLES 4. En déduire une formule explicite pour C.

Dans la suite. Pour fixer les idées. gaussiennes. T ]. que 0 σ(s)dBs est une gaussienne et calculer sa variance. . on se propose d’évaluer et de couvrir un call d’échéance T et de prix d’exercice K sur une action. Montrer qu’il existe une probabilité P∗ équivalente à P. VT = (ST − K)+ . (a) Soit (H0t . µ(t). nous nous intéresserons à des options “dollar contre franc”. continues sur [0. Par exemple. St) où F est la fonction définie par : ! ZT Z R 1 T 2 − tT r(s)ds ∗ σ (s)ds) − Ke F(t. (b) expliciter la fonction F et faire le lien avec la formule de Black-Scholes. T ] Vt = F(t. (a) Soit (Xn ) une suite de variables aléatoires réelles. (c) Construire une stratégie de couverture du call ( expliciter H0t et Ht et vérifier la condition d’autofinancement). en approchant σ par des fonctions en escalier. On suppose. de plus.T ] σ(t) > 0 1. x) = E x exp( σ(s)dWs − 2 t t + où (Wt ) est. dS0t = r(t)S0tdt dSt = St (µ(t)dt + σ(t)dBt ) où r(t). sous laquelle le prix actualisé de l’action est une martingale et donner sa densité par rapport à P 4. Montrer que si (Vt /S0t ) est une martingale sous P∗ avec. Problème 2 Modèle de Garman-Kohlhagen Le modèle de Garman-Kohlhagen est le modèle le plus couramment utilisé pour l’évaluation et la couverture des options de change. convergeant en moyenne quadratique vers X. Rt (b) Montrer. 3. un mouvement brownien standard. de valeur Vt à l’instant t. H1t ) une stratégie autofinancée. Montrer que X est gaussienne. Il est directement inspiré du modèle de Black-Scholes. inft∈[0. Montrer que : St = S0 exp Zt Zt 1 µ(s)ds + σ(s)dBs − 2 0 0 Zt 0 σ2 (s)ds ! On pourra considérer le processus : ! Z Zt Zt 1 t 2 σ (s)ds Zt = St exp − µ(s)ds + σ(s)dBs − 2 0 0 0 2. alors : ∀t ∈ [0. centrées. σ(t) sont des fonctions déterministes du temps. de plus. sous P∗ .

T ] est une sous-martingale. d’échéance T . Soit Ut = 1/St le taux de conversion des francs en dollars. des sous-martingales. à la date T .T ] sont. tel que dVt = r0 H0t dt + r1 Ht St dt + Ht dSt (4.84 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE un call européen. va construire une stratégie. au cours d’exercice K. Démontrer l’égalité : dV˜ t = Ht e−r0 t St (µ + r1 − r0 )dt + Ht e−r0 t St σdWt 3. la valeur. une richesse égale (en francs) à (S T − K)+ . Partie I 1. Ht ). d’un portefeuille contenant H 0t francs et Ht dollars est évidemment Vt = H0t + Ht St (4. On notera (Ft )t∈[0. c’est-à-dire le nombre de francs nécessaires à l’achat d’un dollar. sous laquelle le processus (a) Montrer qu’il existe une probabilité P. avec σ > 0. A une date t. définissant à chaque instant t un portefeuille contenant H 0t francs et Ht dollars. Une stratégie autofinancée sera donc définie par un processus ((H0t . les processus (St )t∈[0. ¯t = µ + r1 − r0 t + Wt W σ est un mouvement brownien standard. Quelles conditions d’intégrabilité doit-on imposer aux processus (H 0t ) et (Ht ) pour que l’égalité différentielle 4. . Le vendeur de l’option. 2. µ et σ des nombres réels. un dollar pour K francs. à partir de la richesse initiale que représente la prime. de fa¸con à produire. En quoi cela peut-il sembler paradoxal ? Partie II On se propose d’évaluer et de couvrir un call européen. Soit V˜ t = e−r0 t Vt la valeur actualisée du portefeuille (autofinancé) (H0t . L’évolution de St au cours du temps est modélisée par l’équation différentielle stochastique suivante : dSt = µdt + σdWt St où (Wt )t∈[0.T ] adapté. Ht ))t∈[0. P). à la date T .T ] est un mouvement brownien standard sur un espace de probabilité (Ω. en francs. Montrer que Ut vérifie l’équation différentielle stochastique suivante : dUt = (σ2 − µ)dt − σdWt Ut En déduire que si 0 < µ < σ2 . d’échéance T .17 ait un sens ? 2. Expliciter St en fonction de S0 . F . t et Wt .17) où Vt est défini par l’équation 4. sur un dollar. le processus (St )t∈[0. 1. par une démarche analogue à celle du modèle de Black-Scholes.T ] et on considèrera que Ft représente l’ensemble des informations disponibles à la date t. Nous noterons St le cours du dollar à l’instant t. sur un dollar au cours d’exercice K. ¯ équivalente à P.T ] et (Ut )t∈[0. Calculer l’espérance de St .16) Nous supposerons que les francs sont placés (ou empruntés) au taux r 0 (taux domestique) et les dollars au taux r1 (taux étranger).T ] la filtration engendrée par (Wt )t∈[0. l’un et l’autre.16. est le droit d’acheter. 3. Montrer que si µ > 0.

T ] sont deux mouvements browniens standards indépendants définis sur un espace de probabilité (Ω. xe(r0−r1 )t ) (F désignant la fonction (b) Soit F¯la fonction définie par F(t. L’évolution des prix S1t et S2t au cours du temps est modélisée par les équations différentielles stochastiques suivantes :    dS1t = S1t µ1 dt + σ1 dB1t   dS2t = S2t µ2 dt + σ2 dB2t où (B1t )t∈[0. Les processus (B1t )t∈[0. pour tout t. St) où 1 ¯ xe−(r1 +(σ2 /2))(T −t)+σ(W¯T −W¯t ) − Ke−r0 (T −t) F(t. avec σ1 > 0 et σ2 > 0. x) = E  5. Ecrire une relation de parité call-put. Ht )) simulant cette option. 7.T ] V˜ t est de carré intégrable sous P.85 Ch.T ] et (B2t )t∈[0. et : log(x/K) + (r0 − r1 + (σ2 /2))(T − t) √ σ T −t log(x/K) + (r0 − r1 − (σ2 /2))(T − t) √ = σ T −t d1 = d2 6. à la date T .T ] sont alors des (Ft )-mouvements browniens et. c’est-à-dire a pour valeur à l’instant T . x) = e−r1 (T −t) xN(d1 ) − Ke−r0 (T −t) N(d2 ) où N est la fonction de répartition de la loi normale centrée réduite. analogue à celle vue en cours pour les actions et donner un exemple d’arbitrage possible lorsque cette relation n’est pas vérifiée. B2t − B2s ) est indépendant de Fs .4 MODÈLE DE BLACK ET SCHOLES ˜ (b) On dira d’une stratégie autofinancée qu’elle   est admissible si sa valeur actualisée Vt ¯ Montrer est.T ] et (B2t )t∈[0. Nous allons étudier l’évaluation et la couverture d’une option donnant le droit d’échanger. . définie dans la question 4). Montrer l’égalité : ¯t dS¯t = σS¯t dW ¯ x) = e−r0 t F(t. St)σe−r0 t St dW ∂x (c) En déduire que le call est simulable et expliciter le portefeuille ((H0t . 1 ¯ Le symbole E¯désigne l’espérance sous la probabilité P. On pose Ct = F(t. On notera Ft la tribu engendrée par les variables aléatoires B1s et B2s pour s ≤ t. µ2 . le vecteur (B1t − B1s . Montrer que si une stratégie admissible simule le call. 4. P). pour t ≥ s. positive et si supt∈[0. µ1 . Montrer l’égalité : ∂F ¯t dC˜ t = (t. Montrer (par un calcul détaillé) que  + F(t. F . Problème 3 Options d’échange On considère un marché financier dans lequel il y a deux actifs risqués de prix respectifs S 1t et S2t à l’instant t et un actif sans risque de prix S0t = ert à l’instant t. (a) On pose S¯t = e(r1 −r0 )t St . alors pour tout t ≤ T la valeur de la stratégie à l’instant t est donnée par : Vt = F(t. St) et C˜ t = e−r0 t Ct = F(t. ¯ que la valeur actualisée d’une stratégie admissible est une martingale sous P. un des actifs risqués contre l’autre. σ1 et σ2 des nombres réels. ¯ S¯t). VT = (ST − K)+ . On demande maintenant de montrer que l’option est effectivement simulable.

. T ] × Ω. sera démontrée dans ce qui suit. 3. 2. On introduit les processus W 1 et W 2 ˜ la fonction définis par Wt1 = B1t + θ1 t et Wt2 = B2t + θ2 t. Montrer que le processus défini par : 1 2 1 2 2 Mt = e−θ1 Bt −θ2 Bt − 2 (θ1 +θ2 )t . à partir de la richesse initiale que représente la prime. sous la probabilité P. ˜ les processus (Wt1 )0≤t≤T Pour la suite. va construire une stratégie. S1t.19) + ˜ L’existence d’une stratégie ayant cette valeur le symbole E˜ désignant l’espérance sous P. On pose θ1 = (µ1 − r)/σ1 et θ2 = (µ2 − r)/σ2 . S1t. S2t ). Wt2 − Ws2 ) est indépendant de Fs . x1 . Partie II On se propose d’évaluer et de couvrir un option européenne. ∀(t.86 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE Partie I 1. 1 2 caractéristique du couple (Wt . ˜ les prix 3. on reprend la démarche du modèle de Black-Scholes. S20 Wt1 et Wt2 et montrer que. pour tout t ∈ [0. à la date T . Montrer une relation de parité entre la valeur de l’option (S1T − S2T )+ et celle de l’option symétrique (S2T − S1T )+ . Montrer que si une stratégie autofinancée vérifie les hypothèses de la question précédente et a pour valeur terminale VT = (S1T − S2T )+ . le vecteur (Wt1 − Ws1 . Exprimer S˜ 1t et S˜ 2t en fonction de S10 . Wt ). Montrer que si les processus (H1t )0≤t≤T et (H2t )0≤t≤T d’une stratégie autofinancée sont uniformément bornés (ce qui signifie : ∃C > 0. En déduire que. 2. alors la valeur actualisée de la stratégie est une martingale sous P. On considèrera dans la suite que la valeur de l’option (S1T − S2T )+ à l’instant t est donnée par F(t. T ]. Soit P˜ la probabilité de densité MT par rapport à P. de façon à produire. Le vendeur de l’option. actualisés S˜ 1t = e−rt S1t et S˜ 2t = e−rt S2t sont des martingales. 4. donnant à son détenteur le droit d’échanger une unité de l’actif 2 contre une unité de l’actif 1. (4. Pour cela. sa valeur à tout instant t < T est donnée par Vt = F(t. Une stratégie de gestion sera définie par les trois processus adaptés H0 . sous P˜ des gaussiennes centrées indépendantes. sous P.18) où la fonction F est définie par F(t. Calculer. pour ˜ i = 1. |Hit (ω)| ≤ C. et (Wt2 )0≤t≤T sont des (Ft )-mouvements browniens standards indépendants et que. et H1t et H2t unités des actifs 1 et 2 respectivement. sous la probabilité P. H1 et H2 . analogue à la relation de parité call-put vue en cours et donner un exemple d’arbitrage possible lorsque cette relation n’est pas vérifiée. définissant à chaque instant t un portefeuille contenant H0t unités d’actif sans risque. les variables aléatoires Wt1 et Wt2 sont. x2 ) = E˜ x1 e σ1 (WT1 −Wt1 )− σ2 1 (T −t) 2 − x2 e σ2 (WT2 −Wt2 )− σ2 2 (T −t) 2 ! . une richesse égale à (S 1T − S2T )+ . de variance t. on pourra admettre que. (4.T ] . d’échéance T . pour t ≥ s. Définir de façon précise les stratégies autofinancées et montrer que si V˜ t = e−rt Vt est la valeur actualisée d’une stratégie autofinancée. ω) ∈ [0. 1. est une martingale par rapport à la filtration (Ft )t∈[0. S2t ). on a dV˜ t = H1t e−rt S1t σ1 dWt1 + H2t e−rt S2t σ2 dWt2 . 2).

Le modèle est étudié sur l’intervalle de temps [0. L’évolution de (St )0≤t≤T est régie par le modèle de Black-Scholes : dSt = St (µdt + σdBt ). muni d’une filtration (F t )0≤t≤T . S˜ 1t. S˜ 1t. Dans ce qui suit. S˜ 2t ) = E˜ e−rT S1T − S2T  +  |Ft . y2 . Déduire de la question précédente une expression de F à partir de la fonction N. P). S˜ 2t )σ1 e−rt S1t dWt1 + (t.19) et de construire une stratégie simulant l’option. S˜ 2t )σ2 e−rt S2t dWt2 . 3. Nous allons étudier des stratégies dans lesquelles la consommation est autorisée. 4. On suppose que (Ft )0≤t≤T est la filtration naturelle d’un mouvement brownien standard (Bt )0≤t≤T et que le processus (St )0≤t≤T est adapté à cette filtration. ∂x1 ∂x2 On utiliser Rt 1pourra R t 2 le 2fait que Rt si (Xt ) est un processus d’Itô de la forme Xt = X0 + 1 ˜ alors Kt = 0. θ2 T avec µ ∈ R et σ > 0. on a  E ey1 +λ1 g1 − ey2 +λ2 g2 =e λ2 y1 + 21 N   = +  y1 −y2 +λ2 1 √ 2 λ2 1 +λ2 λ2 2 − e y2 + 2 N  y1 −y2 −λ2 2 √ 2 λ2 1 +λ2  .87 Ch. 2. (St )0≤t≤T est un processus stochastique défini sur un espace de probabilité (Ω. En remarquant que :   C˜ t = F(t.4 MODÈLE DE BLACK ET SCHOLES Partie III Le but de cette partie est d’expliciter la fonction F définie par (4. avec θ = (µ − r)/σ. . λ1 et λ2 . où N est la fonction de répartition de la loi normale centrée réduite. dP les variables aléatoires g1 − λ et g2 sont des gaussiennes centrées réduites indépendantes. (b) En déduire que pour tous réels y1 . le processus (Wt )0≤t≤T . de prix S 0t = ert à l’instant t (avec r ≥ 0) et un actif risqué. 0 s presque partout. dtdP˜ J dWs + 0 Js dWs + 0 Ks ds et est une martingale sous P. On note P∗ la probabilité de densité e−θBT − 2 par rapport à P. de densité par rapport à P donnée par : λ2 dP(λ) = eλg1 − 2 . de prix St à l’instant t. Construire une stratégie de couverture de l’option d’échange. S1t. est un mouvement σ brownien standard. S˜ 1t. On pose C˜ t = e−rt F(t. F . (a) Montrer que sous la probabilité P(λ) . Problème 4 Etude de stratégies avec consommation On considère un marché financier dans lequel il y a un actif sans risque. défini par Wt = µ−r t + Bt . Sous P∗ . Soient g1 et g2 deux variables aléatoires gaussiennes centrées réduites indépendantes et soit λ un nombre réel. 1. montrer l’égalité : dC˜ t = ∂F ∂F (t. T ] (0 ≤ T < ∞). S2t ).

Montrer qu’alors la condition ii) est vérifiée si et seulement si on a. la variables aléatoire H0t S0t + Ht St est positive et : ! Zt 0 0 sup Ht St + Ht St + c(s)ds t∈[0. (Ht )0≤t≤T et (c(t))0≤t≤T . (Ht )0≤t≤T et (c(t))0≤t≤T sont adaptés et vérifient ZT   |H0t | + H2t + |c(t)| dt < ∞. iv) Pour tout t ∈ [0. p.s. trois processus adaptés vérifiant la condition i) ci-dessus. On suppose que les conditions i) à iv) sont vérifiées et on note encore V˜ t = e−rt Vt =  e−rt H0t S0t + Ht St . p.T ] 0 ∗ est de carré intégrable sous la probabilité P . Partie I 1. On dira qu’une telle stratégie est admissible si les conditions suivantes sont réalisées : i) Les processus (H0t )0≤t≤T . . x. 0 ii) Pour tout t ∈ [0. alors E 0 (b) Soit (c(t))0≤t≤T un processus adapté. T ]. Zt Zt ˜ V˜ t = V0 + Hu dS˜ u − c(u)du.s. pour tout t ∈ [0. p. T ]. On introduira la martingale (Mt )0≤t≤T définie par Mt =  RT −rs ∗ E x + 0 e c(s)ds|Ft et on lui appliquera le théorème de représentation des martingales. On pose Vt = H0t S0t + Ht St et V˜ t = e−rt Vt .s. R 2 T 3. avec. 2. 0 iii) Pour tout t ∈ [0. H0t S0t + H t St = H00 S00 + H 0 S0 + Zt H0u dS0u + Zt 0 0 Hu dSu − Zt c(u)du. 0 0 Montrer que (c(t))0≤t≤T est un processus de consommation finançable à partir de la richesse initiale x.s. c(t) ≥ 0. T ]. T ]. Soit (c(t))0≤t≤T un processus adapté. (Ht )0≤t≤T et (c(t))0≤t≤T . à valeurs positives tel que E∗ 0 c(t)dt < ∞ et soit x > 0. p.88 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE Une stratégie de consommation est définie par trois processus stochastiques : (H0t )0≤t≤T . (a) Montrer que  (c(t))0≤t≤T est finançable à partir de la richesse initiale Rsi le processus T −rt ∗ e c(t)dt ≤ x. H0t et Ht représentent respectivement les quantités d’actif sans risque et d’actif risqué détenues à l’instant t et c(t) représente le taux de consommation à l’instant t. Soient (H0t )0≤t≤T . Montrer que le processus (V˜ t )0≤t≤T est une surmartingale sous la probabilité P∗ . 0 0 ˜ avec S˜ u = e−ru Su et c(u) = e−ru c(u). à valeurs positives tel que : !2 ! ZT ZT ∗ ∗ −rt E c(t)dt < ∞ et E e c(t)dt ≤ x. On dira que (c(t))0≤t≤T est un processus de consommation finançable à partir de la richesse initiale x s’il existe des processus (H0t )0≤t≤T et (Ht )0≤t≤T tels que les conditions i) à iv) soient vérifiées. de plus V0 = H00 S00 + H0 S0 = x.

x) vérifie   ∂C σ 2 x 2 ∂2 C ∂C (t. 6. maintenant. 7. que la volatilité est stochastique. On considère un call européen d’échéance T et de prix d’exercice K sur une unité d’actif risqué.4 MODÈLE DE BLACK ET SCHOLES (c) Un investisseur disposant d’une richesse initiale x souhaite consommer. x) et x 7→ C2 (t. avec des constantes σ1 et σ2 telles que 0 < σ1 < σ2 .20) est donnée par St = S0 eµt+ Rt 0 1 σ(s)dBs− 2 Rt 0 σ2 (s)ds . le processus (Lt )0≤t≤T défini R que si (θt )0≤t≤T R t 1 t 2 par Lt = exp 0 θs dBs − 2 0 θs ds est une martingale. T ] σ1 ≤ σ(t) ≤ σ2 . vérifiant ∀t ∈ [0. (4. En déduire que C1 (0. Montrer que le processus défini par : Zt ∂C1 Mt = e−ru (u. Su )σ(u)Su dWu ∂x 0 est une martingale sous la probabilité P∗ . x) + rx (t. Montrer que E∗ S˜ 2t ≤ S20 eσ2 t . x) = 0 sur [0. 1. ∞[ 2 ∂t 2 ∂x ∂x  C(T. 4. (ce qui correspond à c(t) = ρSt 1{S > K} ). x) sont convexes. S t ). On sait que si le processus (σ(t)) 0≤t≤T est constant (avec σ(t) = σ pour tout t) le prix du call à l’instant t est C(t. x) − rC(t. Expliquer pourquoi le prix à l’instant 0 du call est donné par :   C0 = E∗ e−rT (ST − K)+ . Montrer (en utilisant les formules de prix sous forme d’espérance) que les fonctions x 7→ C1 (t.20) où µ ∈ R et (σ(t))0≤t≤T est un processus adapté. montrer que e −rt C1 (t. ∗ 3. Montrer que la solution de l’équation (4. S0) et C2 (0. . On pose S˜ t = e−rt St . Nous allons montrer que le prix du call à l’instant 0 dans le modèle à volatilité stochastique cidessus est compris entre C1 (0. S0 ) ≤ C0 . St) est une sousmartingale sous la probabilité P∗ . On rappelle estun processus adapté borné. S0). T [×]0. En utilisant la formule d’Itô et les questions 1 et 6. 2. x) + (t. Déterminer Rt µ−r une probabilité P équivalente à P sous laquelle le processus défini par Wt = Bt + 0 σ(s) ds soit un mouvement brownien standard. une richesse correspondant à la vente de ρ actifs risqués par unité de temps. x) = (x − K)+ On notera C1 la fonction C correspondant à σ = σ1 et C2 la fonction C correspondant à σ = σ2 .89 Ch. à chaque instant où St dépasse un certain niveau K. où la fonction C(t. A quelle t condition sur ρ et x cette consommation est-elle finançable ? Partie II On suppose. c’est-à-dire que le processus (St )0≤t≤T est solution d’une équation différentielle stochastique du type suivant : dSt = St (µdt + σ(t)dBt ).   2 5.

Problème 5 Option sur option On considère un marché financier dans lequel il y a un actif sans risque. où l’événement A est défini par ! ! . On considère une option d’achat d’échéance T1 ∈]0. St). Soit (St )0≤t≤T un processus stochastique défini sur un espace de probabilité (Ω. (a) Dessiner la représentation graphique de la fonction x 7→ C(T 1 . Montrer l’égalité " G(θ. On suppose que (Ft )0≤t≤T est la filtration naturelle d’un mouvement brownien standard (Bt )0≤t≤T et que l’évolution du processus (St )0≤t≤T est régie par le modèle de Black-Scholes : dSt = St (µdt + σdBt ). si g1 est une gaussienne centrée réduite indépendante de g. La valeur de cette option à l’échéance T 1 est donc : h = (C(T1 . 3. G(θ. x) = K1 admet une unique solution x1 . où C(t. x) + K1 e −rθ N(d) = E  xe √ √ 2 σ( θg+ θ1 g1 )− σ2 (θ+θ1 ) − Ke −r(θ+θ1 )   1A . on a. de prix St à l’instant t. à un instant t < T1 . xe  2 r− σ2 où  √ ! θ+σ θg  log(x/x1 ) + r − √ d= σ θ # 1{g>−d} − K1 e−rθ N(d). T [ et de prix d’exercice K1 sur un call d’échéance T et de prix d’exercice K sur une unité d’actif risqué. (b) Montrer que l’équation C(T1 . P). x). 2. T ] (0 ≤ T < ∞). On note N la fonction de répartition de la loi normale centrée réduite. Montrer que la valeur. 1. de prix S 0t = ert à l’instant t (avec r ≥ 0) et un actif risqué. (b) On cherche maintenant à expliciter G. Le modèle est étudié sur l’intervalle de temps [0. xe  2 r− σ2  √ ! θ+σ θg − K1 !+  où g est une gaussienne centrée réduite. x) est le prix du call sous-jacent (donné par la formule de Black-Scholes). σ2 2  θ . . la fonction G étant définie par  G(θ. F . muni d’une filtration (Ft )0≤t≤T . (c) Montrer que. convexe. x) est croissante. (a) Montrer que la fonction x 7→ G(θ. x) = E e−rθ C T1 . ST1 ) − K1 )+ . Nous alllons étudier un exemple d’option sur option. en posant θ1 = T − T1 . de l’option définie par h est égale à G(T1 − t. Démontrer l’inégalité C0 ≤ C2 (0. x) = E e −rθ C T1 .90 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE 8. avec µ ∈ R et σ > 0. On montrera que la droite y = x−Ke−r(T −T1 ) est une asymptote (utiliser la formule de parité call-put). S0).

q √ σ2 A = σ( θg + θ1 g1 ) > − log(x/K1 ) + r − (θ + θ1 ) et g > −d . 2 .

Montrer que s(t) ≤ se (t). pour tout nombre réel η. de prix St à l’instant t. x) à l’aide de N et de la fonction N2 définie par N2 (y. T [. l’équation P e (t. Le modèle est étudié sur l’intervalle de temps [0. !+ . x) > K − x}. E(η − Kσg)+ > η. où T0. 2. Dans le modèle de Black-Scholes. y1 . On note se (t) cette solution.T −t est l’ensemble des temps d’arrêt à valeurs dans [0. on note s(t) le prix critique à l’instant t.T −t σ2 τ 2 + .4 MODÈLE DE BLACK ET SCHOLES (d) Déduire de ce qui précède une expression de G(θ. si t ∈ [0. K[. On suppose que (Ft )0≤t≤T est la filtration naturelle d’un mouvement brownien standard (Bt )0≤t≤T et que l’évolution du processus (St )0≤t≤T est régie par le modèle de Black-Scholes : dSt = St (µdt + σdBt ). la fonction P étant définie par  sup E∗ Ke−rτ − xeσWτ − P(t. où g est une gaussienne centrée réduite. y1 . 1. T [. Pour t ∈ [0. t→T t→T T −t T −t Problème 7 Option sur moyenne On considère un marché financier dans lequel il y a un actif sans risque. Montrer que. On rappelle que limt→T s(t) = K. (a) Montrer que. On utilisera le lemme de Fatou : pour toute suite (Xn )n∈N de variables aléatoires positives. ρ) = P(g < y. 4. sous P∗ . g + ρg1 < y1 ) pour y. ρ ∈ R. un mouvement brownien standard. défini par s(t) = inf{x > 0 | P(t. de prix S 0t = ert à l’instant t (avec r ≥ 0) et un actif risqué. T ] (0 ≤ T < ∞). Le processus stochastique (St )0≤t≤T est défini sur un espace de probabilité (Ω. pour tout t ∈ [0. F . muni d’une filtration (Ft )0≤t≤T . P). On suppose r > 0. Montrer que l’on peut couvrir parfaitement l’option sur option étudiée à l’aide d’un portefeuille ne contenant que des actifs sans risque et des calls sur l’actif risqué sous-jacent. Soit Pe la fonction donnant le prix du put européen d’échéance T et de prix d’exercice K :  Pe (t. x) = K − x a une unique solution dans ]O. S t). E(lim infn→∞ Xn ) ≤ lim infn→∞ E(Xn ). . Montrer que K − se (t) K − se (t) lim inf √ ≥ E lim inf √ − σKg t→T t→T T −t T −t 4. x) = τ∈T0. T − t] et (Wt )0≤t≤T est. le prix à un instant t < T de cette option est égal à P(t. 3. (b) En déduire que K − se (t) K − s(t) lim √ = lim √ = +∞. x) = E e−r(T −t) K − xeσ √ 2 T −tg− σ2 (T −t) + . T [. Problème 6 Comportement du prix critique près de l’échéance On considère un put américain d’échéance T et de prix d’exercice K sur une unité d’actif risqué.91 Ch.

où K est une constante positive. Nous allons étudier une option dont la valeur à la date d’échéance T est donnée par 1 T h= ZT St dt − K 0 !+ . On notera P∗ la probabilité de densité e−θBT − 2 par rapport à P. Sous P∗ . avec θ = (µ − r)/σ. Montrer que sur l’événement R 1 t 0 !+ . le processus (Wt )0≤t≤T . Partie I 1. Rappeler brièvement pourquoi la valeur à un instant t (t ≤ T ) de l’option asiatique cidessus est donnée par  1 T Vt = E∗  e−r(T −t) 2. est un mouvement σ brownien standard. défini par Wt = µ−r t + Bt . Une telle option est appelée option asiatique.92 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE θ2 T avec µ ∈ R et σ > 0.

.

 .

St dt − K .

.

Ft  . .

Montrer l’inégalité : e−r(T −t) t Vt ≤ T Partie II 1 t Zt 0 Su du − K !+ 1 + T ZT e−r(T −u) Ct. (c) Pour t ≤ u. T ]. (a) Démontrer l’inégalité  E∗ S˜ t − Ke−rT (Conditionner par Ft ). t On note (ξt )0≤t≤T le processus défini par ! Z 1 1 t ξt = Su du − K . Su du ≥ K . St T 0 1. pour t ∈ [0. rT 3. On pose S˜ t = e−rt St . (b) En déduire que h i V0 ≤ E∗ e−rT (ST − K)+ .u du. T . Montrer que (ξt )0≤t≤T est solution de l’équation différentielle stochastique dξt = ! 1 + (σ2 − r)ξt dt − σξt dWt . + h i ≤ E∗ e−rT (ST − K)+ . on note Ct. c’est-à-dire que la valeur de l’option asiatique à l’instant 0 est plus petite que celle d’un call européen d’échéance T et de prix d’exercice K. on a T 0 Zt Su du + e−r(T −t) Vt = T ZT 0 1 − e−r(T −t) St − Ke−r(T −t) .u la valeur à l’instant t d’un call européen d’échéance u et de prix d’exercice K.

T [×R et on utilisera la formule d’Itô. (a) Montrer que   1 Vt = e−r(T −t) St E∗  ξt + T ZT Stu du t !+  avec Stu = exp (r − σ2 /2)(u − t) + σ(Wu − Wt ) .93 Ch. rT ! . Déterminer une stratégie de couverture parfaite de l’option étudiée. ξ) = E 1 ξ+ T ∗ ZT Stu du t !+  |Ft  . Montrer que V0 ≥ V^0 . On admettra que la fonction F introduite précédemment est de classe C2 sur [0. sous P∗ . ξt ). ZT ! ln(St )dt − K 0 (a) Montrer que. 2. la variable aléatoire 3 variance T3 . avec F(t. Partie III L’objet de cette partie est de proposer une approximation par défaut de V 0 consistant à remplacer la moyenne arithmétique par la moyenne géométrique. 3. . On pose ainsi : V^0 = e−rT E∗ 1 exp T 1. Démontrer l’inégalité : V0 − V^0 ≤ S0 e −rT   erT − 1 − exp (rT/2) − σ2 T/12 . (b) En déduire que Vt = e−r(T −t) St F(t.4 MODÈLE DE BLACK ET SCHOLES 2. où g est une gaussienne centrée réduite. 3. RT 0 !+ . et expliciter V^0 à l’aide de la fonction de répartition de la loi normale centrée réduite. Wt dt est une gaussienne centrée de (b) En déduire que   q  V^0 = e−rT E S0 exp (r − σ2 /2)(T/2) + σ T/3g − K + .

.

Xt ) dt + σ (t. Soit (Xt )t≥0 une diffusion à valeurs dans R. la valeur d’une option européenne est donnée par :  Vt = E e−r(T −t) f(ST )|Ft  avec f(x) = (x − K)+ (pour un call) et (K − x)+ (pour un put) et : ST = x0 e(r−σ 2 /2 )T +σWT Le calcul du prix d’une option européenne est un cas particulier du problème suivant. dans le cadre du modèle de Black et Scholes.3 du chapitre 3 et r(t.1) où b et σ sont des fonctions à valeurs réelles vérifiants les hypothèses du théorème 5.Chapitre 5 Evaluation des options et équations aux dérivées partielles Nous avons vu. et l’on indique comment traiter numériquement ce type d’inéquations. Xt) . 1 Calculs de prix d’options européennes pour les modèles de diffusion Dans le modèle de Black et Scholes. On montre comment résoudre numériquement le problème parabolique ainsi obtenu. Les méthodes d’analyse numérique employées dans ce chapitre étant classiques. Comme dans le cas du modèle de Black et Scholes Vt s’écrit : Vt = F(t. nous n’avons fait que rappeler les résultats qui nous sont utiles sans chercher à les justifier en détail. On trouvera une introduction à la résolution numérique des équations aux dérivées partielles dans [RT83]. solution de : dXt = b (t. dans ce cas. le plus souvent recours à des méthodes numériques. On a. Lorsque l’on s’intéresse à des modèles plus complexes ou que l’on veut calculer des prix d’options américaines. au chapitre précédent. nous ne l’abordons pas dans sa généralité. on ne connait pas de formule explicite. Le problème du calcul des prix d’options américaines est plus délicat. L’objectif de ce chapitre est de donner une introduction à ces moyens de calcul. que l’on pouvait obtenir une formule explicite du prix d’une option européenne.Xs )ds Vt = E e f(XT )|Ft . On montre en particulier le lien naturel entre la notion d’enveloppe de Snell et un système d’inéquations aux dérivées partielles de type parabolique. x) une fonction continue bornée modélisant le taux d’intérêt sans risque. On commence par établir le lien entre le problème du calcul du prix des options européennes et une équation aux dérivées partielles de type parabolique . On cherche à calculer :  R  − tT r(s. Xt ) dWt (5. Ce lien est fondé sur la notion de générateur infinitésimal d’une diffusion. mais uniquement dans le cadre du modèle de Black et Scholes.

x s qui est la solution de (5. x) 00 f (x) + b(t.x s )ds  f(Xt. Cette fonction F(t. Le calcul de Vt se ramène ainsi au calcul de la fonction F(t.Xt. E |f 0 (Xs )|2 |σ(Xs )|2 ds ≤ KT sup |f 0 (x)|2 1 + E sup |Xs |2 0 x∈R s≤T .2) ∂u + At u − ru (t. x) = E e − RT t r(s. x)f 0(x).1 Générateur infinitésimal d’une diffusion Nous supposons que b et σ ne dépendent pas du temps. x) ∈ [0.1 Soient f une fonction de classe C2 à dérivées bornées et A l’opérateur différentiel qui à une fonction f de classe C2 associe : (Af) (x) = Alors.96 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE où :  F(t. x) peut (sous certaines hypothèses de régularité à préciser) s’exprimer comme la solution unique de l’équation aux dérivées partielles :  ∀x  ∈ R u(T.3 du chapitre 3 et du fait que |σ(x)| est majoré par K(1 + |x|).9 du chapitre 3 . x)= f(x) (5.x T ) . on obtient : !! ! Zt < +∞. Mathématiquement. T ] × R ∂t où : σ2 (t. Démonstration : La formule d’Itô donne : Zt Z 1 t 00 0 f(Xt ) = f(X0 ) + f (Xs )dXs + f (Xs )σ2 (Xs )ds. En effet. avec Xt. le processus Mt = f(Xt ) − Rt 0 σ2 (x) 00 f (x) + b(x)f 0 (x). 2 Avant de prouver ce résultat. nous commençons par indiquer pourquoi l’opérateur A t intervient de façon naturelle lorsque l’on étudie des solutions d’équations différentielles stochastiques.1) issue de x à l’instant t. ce résultat est conséquence du théorème 5.Xs )ds  f(XT )|Xt = x . (At f) (x) = 1.3) Proposition 1. Intuitivement on a :  F(t. 2 Af(Xs )ds est une Ft -martingale. 2 0 Rt et la proposition résulte du fait que l’intégrale stochastique 0 f 0 (Xs )σ(Xs )dWs est une martingale. 2 0 0 D’où : f(Xt ) = f(X0 ) + Zt f 0 (Xs )σ(Xs )dWs Z0t " # 1 2 + σ (Xs )f 00 (Xs ) + b(Xs )f 0 (Xs ) ds. On note (X t )t≥0 une solution de : dXt = b (Xt ) dt + σ (Xt ) dWt (5. x). x) = 0 ∀(t. x) = E e− RT t r(s. si l’on tient compte du théorème 5.

Ch. cette fois.2 en (t. Xs )ds u(t.1 se généralise au cas “dépendant du temps”.1 que : ! Zt x x Af (Xs ) ds .3) telle que Xx0 = x.1. Pour des compléments sur le générateur infinitésimal d’une diffusion on pourra consulter [Bou88] chapitre 8. E (f (Xt ))|t=0 = lim E t→0 dt t 0 L’opérateur différentiel A est appelé le générateur infinitésimal de la diffusion. où As est l’opérateur (agissant sur la variable x) défini par : (As u) (x) = σ2 (s.5 EVALUATION DES OPTIONS ET ÉQUATIONS AUX DÉRIVÉES PARTIELLES 97 Remarque 1. comme les dérivées de f sont bornées par une constante K f et que |b(x)| + |σ(x)| ≤ K(1 + |x|) on a : E sup |Af(Xxs )| s≤T ! ≤ Kf0 1+E sup |Xxs |2 s≤T !! < +∞. Pour étudier des quantités actualisées. on étend légèrement le résultat précédent. On peut donc appliquer le théorème de Lebesgue (x 7→ Af(x) et s 7→ X xs sont des fonctions continues) pour en déduire que : ! Z d 1 t x x Af(Xs )ds = Af(x). Xt ) − + As u (s. Xt ). La proposition 1. le processus : ! Zt ∂u Mt = u(t. x) ∂2 u ∂u . la formule d’Itô pour une fonction du temps et d’un processus d’Itô (voir le théorème 4. si r(t. et Xt est une solution de (5.4 Sous les hypothèses de la proposition 1. x) est une fonction continue. x) est une fonction de classe C1. Proposition 1. Démonstration : Cette proposition se démontre en différenciant le produit e− Rt 0 r(s. Proposition 1.3 du chapitre 3 assurant l’existence et l’unicité des solutions de l’équation différentielle stochastique 5. x) à dérivée en x bornée. Xt ) − e ∂t 0 est une martingale. bornée sur R+ × R.10 du chapitre 3).1 : on utilise. .1).Xs )ds − 0s r(v. On suppose que b et σ vérifient les hypothèses du théorème 5.2 Si on note Xxt la solution de l’équation différentielle stochastique (5.3 Si u(t. Xs )ds ∂t 0 est une martingale.Xs )ds u(t.Xv )dv ∂u Mt = e + As u − ru (s. + b(s.3. le processus : ! Zt R R − 0t r(s. on déduit de la proposition 1. E (f (Xt )) = f(x) + E 0 De plus. x) 2 ∂x2 ∂x La démonstration est analogue à celle de la proposition 1.

x) = k=1 σik (t.5 Si (Xt ) est une solution du système (5.5 du chapitre 3 sont vérifiées.j (t. On introduit. . Xs )ds ∂t 0 est une martingale. x) une fonction continue et bornée. Soit l’équation différentielle stochastique :  Pp j 1 1   dXt = b (t. 1. Proposition 1. Avec des nota∗ ∗ tions matricielles a(t. x))i. le processus : ! Zt R Rt s ∂u Mt = e− 0 r(s.Xs )ds u(t. puis en appliquant. Xt ) dWt . x)σjk (t.j=1 ∂xi ∂xj ∂x j j=1 Pp où aij (t..6 L’opérateur différentiel ∂/∂t + At est parfois appelé opérateur de Dynkin de la diffusion. Xt). x) à dérivée en x bornée sur R+ × Rn et si r(t. x) est une fonction continue bornée sur R+ × R. solution du système (5. bj (t. Remarque 1. x) est une fonction à valeur réelle de classe C1.x T )  . pour chaque t l’opérateur différentiel At qui à une fonction f de classe C2 de Rn dans R associe la fonction : n n X ∂2 f ∂f 1X ai.4). r(t. Ce résultat se généralise aux cas des diffusions à valeurs vectorielles. x) où σ est la transposée de la matrice σ(t.x la solution unique de (5. si u(t.Xv )dv + As u − ru (s.5 repose sur la formule d’Itô “multidimensionnelle” énoncée page 55.. comme précédemment. Xt ) dt + j=1 σ1j (t. X t ). La démonstration de la proposition 1.. x) = σ(t. établir le lien entre le calcul du prix d’une option européenne et une équation aux dérivées partielles de type parabolique. (5. si l’on note Xt. x).2 Calculs d’espérances et équations aux dérivées partielles Nous allons.x s )ds f(Xt. . x) = E e − RT t r(s. avec. . x) = (σij (t. Le résultat suivant permet de relier la fonction F à une équation aux dérivées partielles parabolique.98 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE grâce à la formule d’intégration par parties (voir la proposition 4. x)σ (t. x) (At f) (x) = 2 i. la formule d’Itô au processus u(t. On se donne (X t )t≥0 une diffusion à valeurs dans Rn .4) . .Xs )ds f(XT )|Ft  On peut prouver de façon analogue à ce que nous avons vu au début de ce chapitre.4).Xt. Xt ) − e− 0 r(v. lorsque n = 1.2 en (t. x) est la matrice définie par aij (t. On suppose que les hypothèses du théorème 5.12 du chapitre 3).  P  p j dXnt = bn (t. Xt ) dt + j=1 σnj (t.4) issue de x à l’instant t :  F(t. que : Vt = F(t. maintenant. . f(x) une fonction de Rn dans R. x) (x) + (x). On cherche à évaluer :  Vt = E e − RT t r(s.j . Xt ) dWt .

5.6) . Démonstration : Prouvons l’égalité u(t. x)ξi ξj ≥ C  ξ2i  . x) = 0 ∀(t.x s )ds u(t.5 EVALUATION DES OPTIONS ET ÉQUATIONS AUX DÉRIVÉES PARTIELLES Théorème 1.) étant donnée). (5.x s )ds f(X0. x) = E e − RT t r(s. x) = E e − RT t r(s. Par la proposition 1.x s )ds f(Xt. X0. i=1 (5.5) Le problème (5. il existe des théorèmes d’existence et d’unicité et on pourra affirmer que la solution u de (5. X0. x) = F(t.5) est une équation de type parabolique avec condition terminale (la fonction u(T.5) est égale à F si on peut prouver que cette solution est suffisamment régulière pour que l’on puisse appliquer la proposition 1.7 suggère la méthode suivante pour calculer :  F(t.x s )ds u(T.Xt. Une fois ce cadre défini.x t ) est une martingale. f étant donnée. x) à dérivée en x bornée sur [0. x) ∈ [0. · · · .99 Ch. x) = F(t. T ] × R n  u(t.x s )ds f(Xt. T ]×Rn . ∀(t.X0. de la forme : ∃C > 0. T ] × Rn   n X X ∀(ξ1 . et ! ∂u + At u − ru (t. La démonstration est similaire lorsque t > 0. x) = f(x).X0.Xt. Remarque 1. En écrivant E(M0 ) = E(MT ) on obtient :  u(0.2 en (t. ij et des hypothèses de régularité sur b et σ. il faut se placer dans un espace fonctionnel adéquat (voir [RT83]). x) = E e  = E e − − RT 0 RT 0 r(s. il suffit de résoudre le problème :  ∂u + At u − ru = 0 dans [0. x) = f(x). x) pour t = 0. x) ∈ [0. . T ] × Rn ∂t Alors : ∀(t. T ] × Rn ∂t u(T.x T ) r(s.7 Soit u une fonction de classe C1. x) ∈ [0.x T )   puisque u(T.X0.8 Le théorème 1.x T )  . x) = f(x).4. Pour que ce problème soit bien posé. ∀x ∈ Rn . ξn ) ∈ Rn aij (t.x T )  . vérifiant : ∀x ∈ Rn u(T. on sait que le processus : Mt = e − Rt 0 r(s. Ce genre de résultats s’obtient généralement sous une hypothèse d’ellipticité pour l’opérateur A t .

x) + A (5. On note : ˜ A bs−log σ 2 ∂2 σ2 = + r − 2 ∂x2 2 ! ∂ − r. N(d) = 2π −∞ = d1 est solution de l’équation :  ∂u + Abs u − ru = 0 dans [0. On a un résultat analogue pour le put. 2 2 ∂x ∂x On peut vérifier (par un calcul √ direct) que le prix du call donné par la formule F(t. ∀x ∈]0.6).8) ∂t v(T. ∂x (5. .7) ˜ bs−log et le calcul du prix d’une option dans Le lien entre le problème parabolique associé à A le modèle de Black et Scholes s’exprime de la façon suivante. Le générateur infinitésimal du processus Xt . +∞[. L’opérateur At est alors indépendant du temps et vaut : At = Abs = ∂ σ 2 2 ∂2 x + rx . alors.100 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE 1. 2 ! puisque St = S0 e(r−σ 2 /2)t+σW t . log(x)). L’opérateur Abs ne vérifie pas la condition d’ellipticité (5. On peut.3 Le cas du modèle de Black et Scholes On se place sous la probabilité P∗ pour laquelle le processus (Wt )t≥0 est un mouvement brownien standard et telle que le prix de l’actif St risqué vérifie : dSt = St (rdt + σdWt ) . on a F(t. T ] × R (t. x) et si v est une solution régulière de :  ∂v ˜ bs−log v(t. se ramener à un opérateur elliptique en introduisant le processus Xt = log (St ). cependant. +∞[ ∂t u(T. ∀x ∈ R. x) = 0 dans [0. Si l’on cherche à calculer le prix d’une option sur f(ST ) à l’instant t et pour un cours x : F(t. à coefficients constants. x) = xN(d1 ) − Ke−r(T −t) N(d1 − σ T − t) avec : log(x/K) + (r + σ2 /2)(T − t) √ σ R d −x2 /2T − t 1 √ e dx. x) = f(ex ). ∂x Il est manifestement elliptique (σ2 > 0) et. x) = (x − K)+ . qui est solution de : σ2 dXt = r − dt + σdWt . de plus. s’écrit : A bs−log σ 2 ∂2 σ2 = + r− 2 ∂x2 2 ! ∂ . T ]×]0. x) = v(t.

En écrivant. on sait que le processus : ! Zt R Rt s ∂u 0.6 du chapitre 3). Af(X0.2 en (t. T ]. Par la proposition 1.x s )ds  u(τ x .X0. x) = E 1 ∀(t.x s )ds ∃s ∈ [t. T ] × O ∂t (5.x la solution de (5. x) à dérivée en x bornée de l’équation (5. On peut prolonger u de [0.x 0. Xt. alors :  u(t. x) + Au(t. x) = 0 dans [0. Nous allons nous intéresser plus particulièrement au cas où l’on impose des conditions aux limites nulles (on appelle ce type de condition aux limites condition de Dirichlet).9) non plus sur R tout entier mais sur O =]a. il faut alors imposer des conditions aux limites en a et b.5) s’écrit :  ∂u ˜ (t.x e− 0 r(Xv )dv + Au − ru (s. L’équation (5.X0. Xt.4 Equation aux dérivées partielles sur un ouvert borné et calcul d’espérance Nous allons supposer. T ] × O à [0. x) = 0 dans [0. On note X t. On cherche. T ] × R.10). X0. Une solution régulière de (5. ∀x ∈ R. que l’actif évolue dans R et que b(x).x s )ds u(τx . car τx = Tax ∧ Tbx ∧ T où Tlx = inf {0 ≤ s ≤ T. Xt. le théorème d’arrêt entre 0 et τx . X0. x) = E e−  = E 1 R τx 0 r(s.x Mt = e− 0 r(Xs )ds u(t.x τx )  . De plus :  τx = inf 0 ≤ s ≤ T. b) = 0 ∀t ≤ T   u(T.4. x) ∈ [0. a) = u(t.x s ∈ O e− RT t r(Xt. X0.x T ) r(s.x s ) = 0:  u(0. Théorème 1. On continue à noter u un tel prolongement. X0. τx ].3) issue de x à l’instant t. x) + Au(t.101 Ch. r(x) est le taux d’intérêt sans risque et A est l’opérateur différentiel : ∂2 f(x) ∂f(x) 1 + b(x) . en conservant le caractère C1. x) = f(x).2 de u. T ].10) u(t. Démonstration : Nous démontrons le résultat lorsque t = 0.x s 6∈ O e− R τx 0 u(T. T ] × O ∀s ∈ [t.x s )ds f(Xt.10) peut aussi s’interpréter en terme de diffusion. X0.x T )  . b[. on obtient E(M0 ) = E(Mτx ).9 Soit u une fonction de classe C1.9) ∂t u(T.x τx ) ∀s ∈ [t. .x / O ou T si cet ensemble est vide s ∈ x est un temps d’arrêt borné. (Af)(x) = σ(x)2 2 2 ∂x ∂x ˜ On note Af(x) = Af(x) − r(x)f(x).x s ∈ O  +E 1  e− RT 0 r(s. T ] × R (5. soit en tenant compte du fait que si s ∈ [0.x t )− s )ds ∂t 0 est une martingale. la démonstration est similaire dans les autres cas.5 EVALUATION DES OPTIONS ET ÉQUATIONS AUX DÉRIVÉES PARTIELLES 1. Lorsque l’on se pose le problème (5. X0. x) = f(x) ∀x ∈ O. dans tout ce qui suit. σ(x) et r(x) ne dépendent pas du temps. Xt. T ].x s = l} et les Tl sont des temps d’arrêt (la démonstration est identique à celle de la proposition 3. à résoudre :  ∂u  ˜  (t.X0. alors.

la valeur de l’option est nulle : l’option disparaît. On cherche à calculer le prix d’une option sur une variable aléatoire de la forme f(S T ) = ¯ = f(ex ). Nous avons vu que l’on peut interpréter le prix d’une option européenne comme la solution de l’équation aux dérivées partielles (5. l[. Cette méthode n’est évidemment pas utile dans le cas du modèle de Black et Scholes (puisque il y a une formule explicite) mais elle est indispensable pour des modèles de diffusion plus généraux. x)  ˜  + Au(t. f(S0 eXT ). 2.x ∈ O s RT t r(Xt.10 Une option sur la variable aléatoire FT -mesurable : e− 1 ∀s ∈ [t. donc :  u(0. l étant une constante à choisir soigneusement si l’on veut que l’algorithme soit efficace. On utilise soit des conditions de type Dirichlet (i. On obtient. T ]. on impose (∂u/∂x)(l) = (∂u/∂x)(−l) = 0 ou. Il faut de plus imposer des conditions aux limites au bord (i. Nous nous intéresserons uniquement au modèle de Black et Scholes (après changement de variable logarithmique). voir aussi l’exercice 27 du chapitre 4). x) = E 1 ∀s ∈ [t. Pour le discrétiser on va devoir se restreindre tout d’abord à un ouvert borné du type Ol =]−l.x u(τ . x 0. Nous ne ferons qu’énoncer les résultats importants. X t.e. des conditions de type Dirichlet.9) se pose sur R. là aussi. Nous allons maintenant.e.x s )ds f(X0. Pour une étude détaillée on consultera [GLT76] et [RT83]. dans le cas où l’on impose des conditions de type Dirichlet l’équation aux dérivées partielles suivante :  ∂u(t. On note f(x) . toute autre valeur non nulle pertinente). T ].9) : la “méthode des différences finies”.x T )  . Xτx ) = 0. en l et −l). x) et d’autre part. on connait des formules explicites pour ces options (voir [CR85].x s ∈ O Ceci prouve le résultat pour t = 0. par exemple. En effet. e− RT 0 r(s. Lorsque l’actif suit le modèle de Black et Scholes et que O est de la forme ]0. d’une part f(x) = u(T. T ]. porte le nom d’option “extenguishable” (au sens propre “que l’on autorise à disparaître”). l) = u(t.x s )ds f(Xt. l’actif Xt est donc solution de l’équation : dXt = (r − σ2 /2)dt + σdWt . Xt. T ] × Ol ∂t u(t.X0.e. dès que le cours sort de l’ouvert O. sur l’événement {∃s ∈ [t. on impose u(l) = u(−l) = 0 ou une autre valeur plus pertinente) soit des conditions de type Neumann (i. dans ce livre ce type d’options porte le nom d’option “down and out”. x) = 0 dans [0. 2 Résolution numérique des équations paraboliques. Remarque 1. +∞[.x s 6∈ O}. introduire une méthode de calcul numérique qui permet d’approcher une solution de (5.102 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE Mais. T ]   u(T. pour simplifier.x T ). −l) = 0 si t ∈ [0. Xt. x) = f(x) si x ∈ Ol Nous allons montrer comment on peut estimer l’erreur commise lorsque l’on se restreint à Ol .1 Localisation Le problème (5. l[ ou ]l. On impose.9).

Nous supposons.9) et les solutions u l de (5. cela donne : ! a2 P sup Ws ≥ a ≤ e− T .6 que si Ta = inf {s > 0. x)| ≤ MP supt≤s≤T |x + σ(Ws − Wt )| ≥ l − |r 0 T |   = MP sup0≤s≤T −t |x + σWs | ≥ l − |r 0 T |    ≤ MP sup0≤s≤T |x + σWs | ≥ l − |r 0 T | . que la fonction f (et ¯ est bornée par une constante M et que r ≥ 0. Il est alors facile de se convaincre que : donc f)   |u(t.x s | ≥ l} ⊂ supt≤s≤T |x + r (s − t) + σ(Ws − Wt )| ≥ l ⊂ supt≤s≤T |x + σ(Ws − Wt )| ≥ l − |r 0 T | . comme (−Ws )s≥0 est encore un mouvement brownien :   ! P inf (x + σWs ) ≤ −a = P sup(−x − σWs ) ≥ a ≤ e− s≤T s≤T   Ces deux résultats donnent P sups≤T |x + σWs | ≥ a ≤ e− affirmer que : |u(t. . x)| ≤ MP ∃s ∈ [t. x)| ≤ M e − |l−|r 0 T |−x|2 σ2 T +e |a−x|2 σ2 T − + e− |l−|r 0 T |+x|2 σ2 T |a+x|2 σ2 T |a+x|2 σ2 T ! . x) − ul (t. dans ce cas. T ]. s≤T On en déduit facilement que : ! P sup(x + σWs ) ≥ a ≤ e− s≤T |a−x|2 σ2 T . x) = E 1 ∀s ∈ [t. alors E(exp(−λTa )) = exp(− 2λ|a|).5 EVALUATION DES OPTIONS ET ÉQUATIONS AUX DÉRIVÉES PARTIELLES On peut prouver que.11) Ceci prouve que pour t et x fixés liml→+∞ ul (t. |Xt.10) sont suffisamment régulières pour que l’on puisse affirmer que :  ¯ t.x s = x exp((r − σ /2)(s − t) + σ(Ws − Wt )). la solution u de (5. . En minimisant en λ. x) = u(t.  |u(t. x) − ul (t. Ws = a}.103 Ch.x s | ≥ l . puis que. pour tout λ : !   P sup Ws ≥ a = P (Ta ≤ T ) ≤ eλT E e−λTa ≤ eλT e−a s≤T √ 2λ .x T ) . enfin. Or on √ a établi à la proposition 3. x) − ul (t. Mais. x). . T ]. T ]. on en déduit que si a > 0.x u(t. si r 0 = r − σ2 /2 : Donc :  0 {∃s ∈ [t. x) = E e−r(T −t) f(X T ) et  ul (t. 2 où Xt. On peut donc (5.x s | < l   e−r(T −t) f(X ¯ t. La convergence est même uniforme en t et en x si x reste dans une partie compacte de R. |Xt. |Xt.

2 Pour le modèle de Black et Scholes (après changement de variable logarithmique) : ! 2 2 2 ∂ u(x) ∂u(x) σ σ bs−log ˜ A u(x) = + r− − ru(x). On note h = 2l/(N + 1) et uh = (uih )1≤i≤N un vecteur de RN . pour 0 ≤ i ≤ N + 1. en tenant compte des conditions A . fN+1 = 0 dans le cas de conditions de Dirichlet et f0 = f1 . 2. x) = f(x) si x ∈ Ol La méthode des différences finies réalise une discrétisation en temps et en espace de l’équation (E) . l) = u(t.1 – On peut montrer que P(sups≤T Ws ≥ a) = 2P(WT ≥ a) (voir exercice 18 du chapitre 3). Pour cela on remplace une On commence par discrétiser l’opérateur différentiel A fonction (f(x))x∈Ol appartenant à un espace de dimension infinie.104 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE Remarque 2. 2 2 ∂x 2 ∂x on obtient : 2   σ2 i i−1 ˜ h uh )i = σ ui+1 (A − 2u + u + r − h h 2h2 h 2 !  1  i+1 uh − ui−1 . On procède de la façon suivante. On obtient ainsi un opérateur A Remarque 2. T ] × Ol ∂t u(t. par un vecteur (f i )1≤i≤N de dimension finie. – L’intérêt de la méthode de localisation pour les calculs d’options décrite ici réside dans le fait qu’elle peut se généraliser au cas américain et dans ce cas cette étape est incontournable. L’estimation précédente permet alors de choisir de façon pertinente le domaine dans lequel on résoudra numériquement le problème.2 La méthode des différences finies Une fois le problème localisé on obtient. chaque fi est censé approximer f(xi ). par exemple. fN = fN+1 dans le cas de conditions de Neumann. − ruih h 2h ˜ h est donc représenté par la matrice tridiagonale suivante. on substitue à : A ∂u(xi ) b(xi ) ∂x : i−1 ui+1 h − uh b(xi ) 2h et à : ∂2 u(x) σ2 (xi ) ∂x2 : σ2 (xi ) ui+1 −uih h h − h uih −ui−1 h h = i−1 i ui+1 h − 2uh + uh . Pour discrétiser l’opérateur ˜ par un opérateur A ˜ h sur RN . T ]   u(T. x) = 0 dans [0. −l) = 0 si t ∈ [0. ˜ sur Ol . ceci permet d’obtenir une estimation légèrement meilleure que celle calculée plus haut. Ce choix est crucial dans l’efficacité de l’algorithme de calcul. dans le cas où l’on impose des conditions de type Dirichlet le système différentiel suivant : (E)  ∂u(t. On approxime les conditions aux limites par f0 = 0. h2 ˜ h sur RN . x) ˜   + Au(t. on pose x i = −l + 2il/(N + 1).

.k ˜ h unh. .5 EVALUATION DES OPTIONS ET ÉQUATIONS AUX DÉRIVÉES PARTIELLES 105 aux limites de type Dirichlet :   ˜h A   ij 1≤i≤N.k solution de :   uM = f h   h. Cependant ces schémas sont les plus utilisés dans la pratique. .k n décroissant.Ch.k + (1 − θ)A ˜ h un+1  + θA h. on doit résoudre à n chaque étape un système du type Tuh. .k se calcule en fonction de un+1 h. 0 0 ··· α β γ 0 0 0 ··· α β   1 σ2  r− − α =  2h2 2h σ2 β = − h2 − r   γ = σ2 + 1 r − 2h2 2h σ2 2  σ2 2             ˜ h prend la forme : Si on impose des conditions de type Neumann A            β+ α γ 0 ··· 0 0 α β γ 0 ··· 0 0 α β γ ··· 0 . .3 – Lorsque θ = 0 le schéma précédent porte le nom de schéma explicite.. car ils ont de bonnes propriétés de convergence comme on le verra plus tard. par contre. 0 .k où T est une matrice tridiagonale. . Lorsque θ > 0. . . 0 0 0 ··· α β γ 0 0 0 ··· α β+ γ       . . . . – Lorsque θ = 1/2.. Cela signifie que l’on se donne θ ∈ [0. avec :    ˜h T = I − θkA   ˜ h un+1 b = I + (1 − θ) kA h.. . . . . .     (5. Ce schéma est souvent utilisé pour la résolution de systèmes de type (E) lorsque b = 0 et σ est constante. Ceci est évidemment plus complexe (et donc plus long informatiquement).k . on parle de schéma de Crank et Nicholson.k − uh. . n car uh. . On discrétise alors cette équation en temps grâce à ce que l’on appelle des θ-schémas. . on résout pour chaque n : (Eh.k = 0 si 0 ≤ n ≤ M − 1 k Remarque 2. . . . 1].k ) n  un+1  h. k un pas de temps tel que T = Mk et que l’on approxime la solution uh de (Eh ) à l’instant nk par uh. .. 1≤j≤N où : =           β γ 0 ··· 0 0 α β γ 0 ··· 0 0 α β γ ··· 0 . .12) Cette discrétisation en espace permet de ramener (E) à une équation différentielle ordinaire (Eh ) :  duh (t) ˜ h uh (t) = 0 si 0 ≤ t ≤ T +A (Eh ) dt uh (T ) = fh où fh = (fih )1≤i≤N est le vecteur fih = f(xi ).k = b.

T ] × Ol ) lim δukh = ∂u dans l’espace L2 ([0. L’algorithme suivant (il s’agit en fait de la méthode de Gauss) permet de résoudre ce système en utilisant un nombre de multiplications proportionnel à N.. Alors : – lorsque 1/2 ≤ θ ≤ 1 si h. T ] × Ol ) ∂x – lorsque 0 ≤ θ < 1/2. .k )i 1]xi −h/2. si l’on fait tendre h et k vers 0. sauf lorsque θ = 0. k tendent vers 0 et si de plus lim k/h2 = 0 on a : lim ukh = u dans l’espace L2 ([0.xi +h/2] × 1](n−1)k. ˜ u)L2(O ) ≥ (|u|L2 (O ) + r(x)f(x). Ces schémas sont numériquement délicats à exploiter. Rappelons que Af(x) vaut dans ce cas 1/2σ(x)2 (∂2 f(x)/∂x2 ) + b(x)(∂f(x)/∂x) − ˜ est elliptique : (−Au.k ). . T ] × Ol ) lim δukh = ∂u dans l’espace L2 ([0.. la convergence ayant lieu sans restriction.nk] . On suppose que l’opérateur A l l 0 |u |L2 (Ol ) ) avec  > 0. – Dans le cas 1/2 ≤ θ ≤ 1 on parle de schéma inconditionnellement convergent. .4 On suppose que b et σ sont lischitziennes et que r est une fonction continue et ˜ positive. T ] × Ol ) ∂x Remarque 2. Posons X = (xi )1≤i≤N . . on parle de schéma totalement implicite. si h.k de (Eh. . Ils sont peu utilisés dans la pratique. . . x) la fonction : N M X X n=1 i=1 (unh. Donnons maintenant des résultats de convergence de la solution u h. k tendent vers 0 on a : lim ukh = u dans l’espace L2 ([0. .k  ˜ h..5 – Dans le cas 0 ≤ θ < 1/2 on parle de schéma conditionnellement convergent. . x) solution de (E) sous hypothèse d’ellipticité.k ) vers u(t.. 0 . A chaque pas de temps n on cherche une solution de TX = G où :  n  X = u  h. la convergence n’ayant lieu que si l’on fait tendre h et k et k/h 2 vers 0. Et δφ l’opérateur de dérivation approchée défini par : (δφ)(x) = 1 (φ(x + h/2) − φ(x − h/2)) h Théorème 2. T = I − kθA T est une matrice tridiagonale. G = (gi )1≤i≤N et :  T=           b1 c 1 0 ··· 0 0 a 2 b2 c 2 0 ··· 0 0 a 3 b3 c3 ··· 0 .k  ˜ h un+1 G = I + (1 − θ)kA h. Nous allons maintenant voir comment on résout algorithmiquement l’équation (E h. Nous renvoyons à [RT83] et à [GLT76] pour une démonstration. On notera ukh (t.106 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE – Lorsque θ = 1. 0 0 · · · aN−1 bN−1 cN−1 0 0 0 ··· aN bN            .

.107 Ch.5 EVALUATION DES OPTIONS ET ÉQUATIONS AUX DÉRIVÉES PARTIELLES On procède alors de la façon suivante : on rend la matrice T triangulaire inférieure par la méthode du pivot en partant du bas de la matrice.

.

.

.

.

.

.

.

.

.

.

.

.

.

.. ..     Il suffit. i décroissant : 0 bi0 = bi − ci ai+1 /bi+1 0 0 0 gi = gi − ci gi+1 /bi+1 Après cette transformation on obtient un système équivalent de la forme T 0 X = G 0 . alors. avec :  T0 =           b10 0 0 ··· 0 0 a2 b20 0 0 ··· 0 0 0 a 3 b3 0 ··· 0 . . de calculer X en partant du haut de la matrice. . Remontée : 0 bN = bN 0 gN = g N Pour 1 ≤ i ≤ N − 1. 0 0 0 · · · aN−1 bN−1 0 0 0 0 0 ··· a N bN       . . . . ... 0 . . .

.

.

.

.

.

.

.

.

i croissant xi = (gi0 − ai xi−1 )/bi0 Remarque 2. il n’y a pas de formule explicite et les méthodes numériques sont inévitables. |ai | + |ci | ≤ |bi |. Il est facile de vérifier que la condition précédente d’inversibilité est remplie. l’algorithme précédent peut conduire à des résultats erronés. St ) où : Φ(t.T ∗  e −r(τ−t)  2 f xe(r−σ /2)(τ−t)+σ(Wτ −Wt )  où. Lorsque T n’est pas inversible. Descente : x1 = g10 /b10 Pour 2 ≤ i ≤ N. mais. dans le cas du modèle de Black et Scholes si |r−σ 2 /2| ≤ σ2 /h. si elle vérifie. on a obtenu la formule suivante pour la valeur d’un call (f = (x − K)+ ) ou d’un put (f = (K − x)+ ) américain : Vt = Φ(t. x) = sup E τ∈Tt. T ].1 Formulation du problème La théorie des options américaines pour les modèles à temps continu est délicate. Dans le cas du call américain (sur une action sans dividende). pour le put américain.T l’ensemble des temps d’arrêt à valeurs dans [t. (Wt )t≥0 est un mouvement brownien standard et Tt. c’est à dire si h est suffisamment petit.6 La matrice T n’est pas forcément inversible. on obtient la même expression que pour le call européen. on peut prouver qu’elle l’est. sous P∗ . pour tout i. Cependant. . Pour le modèle de Black et Scholes. 3 Le problème des options américaines 3.

x) ≥ sup E e− τ∈T0. calculer la fonction :  R   τ t. si on pose τopt = inf{0 ≤ s ≤ T. τ τ∈Tt.Xx s )ds Rτ 0  f(Xxτ ) . x) ≥ f(x). x). ∂t .x τ )  . on a : ! ∂u + As u − ru (s.x Φ(t. On a vu que le calcul du prix d’une option européenne est relié à une équation aux dérivées partielles de type parabolique. Dans le cas d’une option américaine.x .  Mais u(t. Xt ) est la plus petite surmartingale majorant à tout instant le processus f(X t ). Ce qui prouve que : r(s.x s )ds f (Xt. T ] × Rn   ∂t   u(T. on a un résultat similaire. solution du système (5. x) = supτ∈Tt.Xx )ds x − r(v. T ] × Rn    ∂t ! ∂u (5. Pour une démonstration détaillée.T Notons que l’on a Φ(t. La proposition 1.Xs )ds f Xt. x) = f(x) dans Rn  Alors u(t. Remarque 3. x) ≥ E e−  Rτ u(0. x) ≥ E e− 0 r(s. Maintenant.T 0 r(s. En appliquant le théorème d’arrêt (théorème 3. Démonstration : Nous n’allons pas donner une démonstration précise de ce résultat. pour s entre 0 et τopt . Il est énoncé de fa¸con volontairement informelle. Xt ) − e 0 + As u − ru (s. u(s.X s v Mt = e u(t. On se ramène au cas où t = 0 (la démonstration étant pratiquement identique lorsque t > 0). u ≥ f dans [0.T E e − Rτ t r(s.4 du chapitre 3) à cette martingale entre 0 et τ. x) ≥ f(x) et (en prenant t = T ) Φ(T. Xxτ ) . Le théorème suivant précise ce lien. et comme ∂u + As u − ru ≤ 0 : ∂t  Rτ  x u(0.13) + At u − ru (f − u) = 0 dans [0.Xs )ds Φ (t. Xxs ) = f(Xxs )}. x) = Φ(t. x) = sup E e− t r(s. un temps d’arrêt plus petit que T on obtient E(M τ ) = E(M0 ).1 On peut alors démontrer (voir chapitre le 2 pour l’analogie avec les modèles discrets et le chapitre 4 dans le cas du modèle de Black et Scholes) que le processus : e− Rt 0 r(s. mais simplement ses grandes lignes. Théorème 3. x) = f(x). Xxs ) = 0.4).Xt.2 Supposons que u soit une “solution régulière” du système d’inéquations aux dérivées partielles suivant :  ∂u  + At u − ru ≤ 0. on peut montrer que τopt est un temps d’arrêt. Xxs )ds ∂t 0 est une martingale.Xs )ds u(τ.3 permet d’affirmer que le processus : ! Zt R R s ∂u x )dv − 0t r(s. On note Xxt la solution de (5.108 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE Le problème à résoudre est un cas particulier du problème suivant : étant donnée une “bonne” fonction f et une diffusion (Xt )t≥0 à valeurs dans Rn .Xx s )ds  f(Xxτ ) = F(0. donc u(0. D’autre part. mais qui fait intervenir un système d’inéquations aux dérivées partielles parabolique.4) issue de x en 0. on consultera [BL78] (chapitre 3 section 2) et [JLL90] (section 3).

car même pour f régulière. T ] × R (v(t.5 EVALUATION DES OPTIONS ET ÉQUATIONS AUX DÉRIVÉES PARTIELLES On en déduit. dans [0. Ce qui prouve que u(0.13) est délicate. grâce au théorème d’arrêt. x).14) admet une solution unique v(t. On se place sous la probabilité P∗ pour laquelle le processus (Wt )t≥0 est un mouvement brownien standard. On a même “démontré” que τopt est un temps d’arrêt optimal (i. Remarque 3. dans [0. De plus cette solution vérifie : v(t. x) ≤ F(0. x) + A    ∂t   v (t. qui réalise le supremum parmi tous les temps d’arrêt). x) = E e − R τopt 0 r(s. x) continue et bornée telle ∂v ∂v ∂2 v que les dérivées au sens des distributions ∂x . puis que u(0.14) ∂v bs−log  ˜  (t. La bonne méthode consiste à introduire une formulation variationnelle du problème (voir [BL78]). Xxτopt ) = f(Xxτopt ). la solution u n’est pas de classe C2 en général. u(τopt . l’inéquation au dérivées partielles associée au calcul du prix de put américain s’écrit :  ∂v  ˜ bs−log v(t. .p. et telle que le prix de l’actif St vérifie : dSt = St (rdt + σdWt ) . Mais à l’instant τopt .109 Ch. x).3 La formulation précise du système (5. La démonstration qui est esquissée plus haut est rendue difficile par le fait que l’on ne peut pas appliquer directement la formule de Itô à une solution de l’inéquation précédente. x) = sup E τ∈Tt. log(x)) = Φ(t. x) − φ(x))   ∂t   v(T. x) = φ(x). T ] × R (t. 2 Le générateur infinitésimal de Xt . ∂t . dans [0. d’où :  u(0.p. x) = F(0.Xx s )ds f(Xxτopt )  . que :  u(0. T ] × R ! (5.Xx s )ds  u(τopt . ∂x2 soient localement bornées.e. Xxτopt ) .  .T ∗  e −r(τ−t)  2 f xe(r−σ /2)(τ−t)+σ(Wτ −Wt ) Pour une démonstration de ce résultat on consultera [JLL90]. x) ≥ φ(x) p. 3.4 L’inéquation (5. x) = 0 p. A est alors indépendant du temps et : ˜ bs−log A σ2 σ 2 ∂2 + r − = Abs−log − r = 2 ∂x2 2 ! ∂ − r. Le théorème suivant donne un résultat d’existence et d’unicité pour cette inéquation aux dérivées partielles et établit le lien avec le prix du put américain Φ(t. On a vu au paragraphe 1.p. x) ≤ 0 p. x) + A v(t. ∂x Si l’on note φ(x) = (K − ex )+ . Théorème 3.2 Le put américain dans le modèle de Black et Scholes Nous quittons le cas général pour nous occuper du calcul du put américain dans le cas du modèle de Black et Scholes. x) = E e− R τopt 0 r(s. x).3 que l’on peut se ramener à un opérateur elliptique en introduisant le processus : ! σ2 Xt = log (St ) = log (S0 ) + r − t + σWt .

2.k ) uh. y) est le produit scalaire de RN et A  ˜h T = I − kθA    X = un  h. 0 0 0 ··· a b c 0 0 0 ··· a b+ c            En pratique on impose plutot les conditions aux limites suivantes. l) = 0 et v(t. ui ≤ vi . En particulier M est un nombre entier tel que ˜ h est donné Mk = T .k     un+1 − un + k θA n n+1 n ˜ ˜ u + (1 − θ) A u . dans [0.. ∂x Nous allons maintenant discrétiser l’inéquation (A) à l’aide de la méthode des éléments finis. u − f =0 h h h h. . T ] × Ol (A) (v − φ) (t. ∂v (t. X − F) = 0. x) + A  ∂t     v(T. On reprend les notations du paragraphe 2. T ] × Ol  (t. x) = φ(x)      ∂v (t. l[. .p. dans [0. nous écrivons. On commence par localiser le problème pour se ramener à une inéquation dans O l =] − l. x) = 0 p.k = fh       Etnsi 0 ≤ n ≤ M − 1 (Ah. .k   F = fh . x) + A   ∂t    v (t.12).110 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE Résolution numérique de l’inéquation Nous allons voir comment on peut résoudre l’inéquation (5. On note.k  h. on se ramène à l’inéquation en dimension finie (Ah.k  h h. si u et v sont deux vecteurs de Rn .k ≥ fh   n+1 n n n+1  ˜ ˜  u − u + k θ A u + (1 − θ) A u ≤0 h h.k   h. l’inéquation avec des conditions de type Neumann en annulant les dérivées en x en ±l 1 :  ∂v  ˜ bs−log v(t.k h. . u ≤ v pour ∀1 ≤ i ≤ n. fh est le vecteur donné par fih = φ(xi ) où xi = −l + 2il/(N + 1) et A par (5. φ(−l).k h. . On procède essentiellement de la même fa¸con que dans le cas européen.k h.k ˜ h est donnée par (5. .12). . . . le système d’inéquations :   TX ≥ G X≥F (AD)  (TX − G.14) par une méthode numérique.p. −l) = ∂x . . dans [0. ±l) = 0.. x) ≥ φ(x) p. x) ≤ 0 p. . Par soucis de simplicité. Si on note : où (x. on a à résoudre à chaque pas de temps n.k h. La démarche est alors formellement similaire à celle du cas européen : par discrétisation en espace et en temps. On doit alors imposer des conditions aux limites en ±l. T est la matrice tridiagonale :  T= 1           a+b c 0 ··· 0 0 a b c 0 ··· 0 0 a b c ··· 0 . plus naturelles.k ) :  M uh. .p. T ] × O  !l   ∂v ˜ bs−log v(t. ici.k  ˜ h un+1 G = I + k(1 − θ)A  h.

si la matrice T est coercive (c’est à dire si X. avec α > 0). On.TX ≥ αX.X.5 EVALUATION DES OPTIONS ET ÉQUATIONS AUX DÉRIVÉES PARTIELLES avec :    σ2 1 r− a = θk − +  2 2h   2 2h  σ b = 1 + θk h2 + r   2   1 σ r− c = −θk 2h 2 + 2h σ2 2  σ2 2  111 (AD) est une inéquation en dimension finie. On sait résoudre de tels systèmes d’inéquations à la fois théoriquement et algorithmiquement.Ch.

T vérifie cette hypothése si . peut d’autre part vérifier que. dans notre cas.

.

.

.

σ2 .

σ2 σ2 .

k .

.

r − 2 .

≤ h et si 2h .

r − 2 .

en utilisant que 2|xy| ≤ x2 + y2 : x. cette condition implique que a et c sont négatifs. En effet. < 1.Tx = n X axi−1 xi + n X bx2i + cxi xi+1 + ax21 + cx2n i=1 i=1 i=2 n−1 X n−1  n n    X X X 2 2 2 x2i + x2i+1 + ax21 + cx2n bxi + (c/2) ≥ (a/2) xi−1 + xi + i=1 i=2 ≥ i=1 . et donc.

n n X 1 σ2 .

.

X 2 k .

.

2 a + b + c − |a − c| .

r − .

x . xi ≥ 1 − 2 2h .

2 .

i=1 i i=1 ! .

si θ = 1 la convergence est inconditionnelle : la convergence précédente a lieu si h et k tendent vers 0 sans restriction. x) = N M X X n=1 i=1 (unh.! Sous cette hypothése de coercivité on peut prouver qu’il existe une solution unique pour le problème (Ah. On trouvera la démonstration de ce résultat dans [GLT76] et [Zha97]. on sait résoudre le système (AD) très efficacement en modifiant l’algorithme de résolution des systèmes d’équa- . et lorsque le pas h est suffisamment petit. si θ < 1 la convergence est conditionnelle : si h et k tendent vers 0 et si k/h 2 tend vers 0 alors : lim ukh = u dans l’espace L2 ([0.k ) vers la solution de (A). 1. à cause de ses propriétés de convergence inconditionnelle. Théorème 3.xi +i/2] × 1](n−1)k.nk] .k )i 1]xi −h/2. Remarque 3. Résolution algorithmique de l’inéquation en dimension finie Dans le cas du put américain.k ) (voir exercice 28). Le théorème suivant précise la nature de la convergence d’une solution de (Ah.6 Dans la pratique on utilise surtout θ = 1.5 Si u est une solution de (A). T ] × Ol ) ∂x 2. T ] × Ol ) lim δukh = ∂u dans l’espace L2 ([0. On note : ukh (t.

b + c)) : . . b. . . On procède comme suit (on note b le vecteur (a + b.112 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE tions tridiagonaux. .

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

que sous les hypothèses soulignées plus haut. la méthode de résolution porte le nom d’ “algorithme de Brennan et Schwartz” [BS77].8 Lorsque l’on fait θ = 1 dans (Ah. Il existe d’autres algorithmes permettant de résoudre les inéquations en dimension finie. il est spécifique au cas du put américain. que l’on impose des conditions aux limites du type Neumann et que l’on applique l’algorithme de résolution précédent. i croissant x˜ i = (gi0 − axk−1 )/bi0 xi = sup(x˜ i . cet algorithme calcule bien une solution de l’inéquation (AD) dans [JLL90]. Ceci le rend très efficace. 0 0 1   1   F =  2 . fi ). i décroissant 0 bi0 = bi − ca/bi+1 0 0 gi0 = gi − cgi+1 /bi+1 Descente “américaine” : x1 = g10 /b10 Pour 2 ≤ i ≤ N. Remarque 3. fi ) On trouvera la preuve que.k ). comme on s’en convainc aisément sur l’exemple suivant :   1 −1 0   M =  − 1 0  . Remontée : 0 bN = bN 0 gN = g N Pour 1 ≤ i ≤ N − 1. sous les hypothèses précédentes. 1 La solution calculée par l’algorithme vaut alors :   1  X=  2 . 0   0   G =  0 . Il faut bien noter que l’algorithme précédent ne calcule la solution correcte du système d’inéquations (AD). Il existe des cas où le résultat calculé par cet algorithme n’est pas la solution de (AD).7 L’algorithme est exactement le même que dans le cas européen en dehors de l’étape xi = sup(x˜ i . Remarque 3. 0 qui n’est pas solution de (AD). on trouvera une description de certaines de ces méthodes dans [JLL90] (pour des méthodes exactes) et [GLT76] (pour des méthodes itératives). Remarque 3.9 On pourra trouver une implémentation de l’algorithme de “Brennan et Schwartz” décrit dans ce paragraphe au chapitre 8. en particulier. .

MX) ≥ α(X. 0 ≤ i ≤ n. le problème corrigé du chapitre 1 paragraphe 4 prouve que si :  r = RT  N√    − T √σ 1+a = e √ N (5. a. x). x) = (K − x)+ . On a vu au chapitre 2 paragraphe 4 que le prix du put américain. dans ce modèle. Soit (Sn )n≥0 le modèle binomial défini par. Y) le produit scalaire de deux vecteurs X = (x i )1≤i≤n et Y = (yi )1≤i≤n de Rn . On suppose que M vérifie. Cela suggère la méthode de calcul suivante pour le calcul du put américain. où (Tn )n≥0 est une suite de variables aléatoires indépendantes et équidistribuées.3 La méthode binomiale pour le calcul du put américain Nous allons présenter une autre méthode d’approximation du prix du put américain pour le modèle de Black et Scholes. X − F) = 0 1. D’autre part. Il semble N maturel de penser que Pam (0. b. 1+r (5.15) pour calculer le prix N associé à cette discrétisation Pam (n.Ch.17).16) + T √σ  N 1 + b = e    b−r p = b−a . tels que −1 < a < r < b.15) et de la valeur en N. Démontrer que ce problème est équivalent à trouver X ≥ F tel que : ∀V ≥ F (MX − G. On peut. x) pouvait se calculer à l’aide de la relation de récurrence : Pam (n. V − X) ≥ 0. 4 Exercices Exercice 28 On note (X. démontrer que limN→+∞ Pam (0. Elle est décrite dans [CR85]. pour tout X de Rn (X. effectivement. pour un taux d’intérêt R et une volatilité σ.5 EVALUATION DES OPTIONS ET ÉQUATIONS AUX DÉRIVÉES PARTIELLES 113 3. le prix d’une option européenne dans ce modèle binomial approxime le prix pour le modèle de Black et Scholes. X) avec α > 0. et que la fonction Pam (n. xi ≥ yi . (5. On se donne une valeur de N. Pam (N. (1 + a)x) + (1 − p)Pam (n + 1. 2.) aux points x(1 + a)n−i (1 + b)i . (1 + b)x) . S0 = x et Sn+1 = Sn Tn . Démontrer l’unicité d’une solution de (5. La méthode que nous venons de décrire porte le nom de méthode de Cox Ross Rubinstein.16) et on utilise la relation de récurrence (5. p à l’aide de (5. . on fixe les valeurs de r. Soient r. La notation X ≥ Y signifie que pour tout i entre 1 et n. telles que P(T n = 1 + a) = p = (b − r)/(b − a) et P(Tn = 1 + b) = 1 − p.17) . Le résultat précédent est délicat à justifier (voir [Kus77] et [LP90]). s’écrivait sous la forme : Pn = Pam (n. Sn). x) = P(0. a. b des nombres réels. Nous allons étudier le système :   MX ≥ G X≥F  (MX − G. x) est une approximation du prix américain dans le modèle de Black et Scholes P(0. x) = max  (K − x)+ . nous ne chercherons pas à le démontrer. ! pPam (n + 1. x).

En déduire l’existence d’une solution de (5. +∞[ ! . dans ]0. dans [0.x) p.p. +∞[ (t. V − Y) ≥ 0. dans ]0.p. Soit ρ un nombre positif. dans [0. Montrer que.p. x) = (K − x)+ où : 2 2 2 ˜ bs = σ x ∂ + rx ∂ − r. x) + A u(t. x) + A    ∂t   u (t. si ρ est assez petit.17). Lorsque on utilise une méthode totalement implicite. +∞[   −˜v(x) + T A ˜ v˜ (t. x) vérifie :  ˜ bs v˜ (x) ≤ 0 p. Sρ est une application contractante. A 2 ∂x2 ∂x 1. x). Exercice 29 On cherche à approximer le prix du put américain dans le modèle de Black et Scholes u(t. (5. T ]×]0. Démontrer que si M est la matrice identité. x) la valeur du put européen pour le modèle de Black Scholes. On note ue (t.p. 2. alors il existe une solution unique à (5. x) ≥ ψ(x) . dans ]0. On va chercher une solution continue à dérivée continue de (5.p. +∞[   v˜ (x) − ψ(x) ˜ ˜ bs v˜ (x) = 0 p. Ecrire le système d’inéquations vérifié par v = u − ue . x) ≤ 0 p. T ]×]0. +∞[ −˜v(x) + T A ˜ bs v(x) = 0 3. x) = 0 p.17). 4. montrer que l’approximation v˜ (x) de v(0. 5. x) ≥ (K − x)+ p. dans [0. ∂u bs  ˜  (u − (K − x) ) (t.p.18) sous la forme : . +∞[ +   ∂t   u(T. On rappelle que u est solution de l’inéquation aux dérivées partielles :  ∂u  ˜ bs u(t. T ]×]0. on note Sρ (X) l’unique Y ≥ F tel que : ∀V ≥ F (Y − X + ρ(MX − G). On va approximer la solution v = u−ue de cette inéquation en la discrétisant uniquement en temps et en utilisant un seul pas de temps.18)  = (K − x)+ − ue (0.114 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE 3. Trouver l’unique valeur de α telle que v(x) = xα soit solution de −v(x) + T A et telle que limx→+∞ u(x) = 0 4.

En déduire. Démontrer que v˜ (x) définie par (5. que f(K) < K (on pourra utiliser la convexité de la fonction u e ) et que f(x) − x est décroissante. En déduire qu’il existe une solution unique à f(x) = x. Ecrire les équations que doivent vérifier λ et α pour que v˜ soit continue et à dérivée continue en x∗ . x) = (∂ue (t. . x) f(x) = |α| 0 . En utilisant la formule explicite de ue (0. que si v˜ est continue et à dérivée continue. 6. α λx si x ≥ x∗ (5. 5. alors x∗ est solution de f(x) = x où : K − ue (0.19) v˜ (x) = ˜ ψ(x) sinon.18).9) démontrer que f(0) > 0.19) où x∗ est la solution unique de f(x) = x est une solution de (5. x) + 1 + |α| et ue0 (t. x)/∂x). x) (voir chapitre 4 équation 4. ue (0.

avec une précision arbitraire.Ch.5 EVALUATION DES OPTIONS ET ÉQUATIONS AUX DÉRIVÉES PARTIELLES 115 7. . Proposer un algorithme itératif (utilisant une méthode de dichotomie) permettant de calculer x∗ . Ecrire un algorithme en Pascal implémentant une approximation du put américain à partir de ce qui précéde. L’algorithme que nous venons de décrire est une version (légèrement différente) de l’algorithme de Mac Millan [Mil86] (voir également Barone-Adesi et Waley [BAW87]). 8.

.

T ) = T −t ZT r(s)ds t ZT ! r(s)ds. T ))t≤T sont connus. on con¸coit qu’il y ait des liaisons entre les différents taux. T ) donné par l’égalité F(t. 1 Principes de la modélisation 1. t La fonction r(s) s’interprète comme le taux d’intérêt instantané. nous tentons de présenter les principes de base de la modélisation (en suivant essentiellement [AD89]) puis. aucun modèle n’a pu s’imposer comme modèle de référence au même titre que le modèle de Black-Scholes pour les options sur actions. Il est facile en effet d’exhiber des arbitrages possibles lorsque cette égalité n’est pas vérifiée (exercice !). T )) = e(T −t)R(t. en environnement certain : RT P(t. Dans ce chapitre. u)F(u. devra rembourser une somme F(t.1 Notion de courbe des taux Dans la plupart des modèles que nous avons introduits jusqu’à présent. jusqu’à l’échéance T .1) . Nous appellerons “obligation zéro-coupon” un titre donnant droit à 1 franc à une date d’échéance T et nous noterons P(t. T ) = e− t r(s)ds . alors.T ) . On a évidemment P(T. t) = 1. nous illustrons la théorie par l’étude de trois modèles particuliers. Le problème se pose concrètement en terme de pricing des obligations. T ) la valeur de ce titre à l’instant t. Cette relation. s). l’existence d’une fonction r(t) telle que : ∀t < T F(t. le taux d’intérêt est supposé constant. Dans la réalité. T ) = 1 et. entraîne. Si on se place en environnement certain. s) = F(t. A la date t. on observe que le taux d’intérêt d’un prêt dépend à la fois de la date t d’émission du prêt et de la date T d’échéance ou de “maturité” du prêt. si F est régulière.Chapitre 6 Modèles de taux d’intérêt Les modèles de taux d’intérêt sont utilisés principalement pour “pricer” et couvrir des obligations et des options sur obligations. ce raisonnement n’est plus possible. en l’absence d’opportunité d’arbitrage. T ) = exp et. le but de la modélisation étant de les préciser. Une personne empruntant 1 franc à l’instant t. jointe à l’égalité F(t. la fonction F doit vérifier : ∀t < u < s F(t. les taux d’intérêt futurs R(u. c’est à dire si on suppose que tous les taux d’intérêt (R(t. ce qui équivaut à un taux d’intérêt moyen R(t. Jusqu’à présent. par conséquent : 1 R(t. T ) pour T > u > t. T ) à la date T . (6. En environnement incertain. Néanmoins. ne sont pas connus.

u) = 1 et donnant le prix du zéro-coupon d’échéance u en fonction du temps. nous introduisons un actif dit “sans risque”. L’extension de ce type de résultat à des modèles à temps continu est délicate (cf. le ˜ u))0≤t≤u défini par : processus (P(t. presque sûrement. nous introduisons donc un processus adapté (P(t. u) = 1 :  . la propriété de martingale sous P∗ donne. (Ft)0≤t≤T ) et nous supposerons que la filtration (Ft )0≤t≤T est la filtration naturelle d’un mouvement brownien standard (Wt )0≤t≤T et que FT = F . P. il faut penser le taux instantané comme un processus aléatoire : entre les instants t et t + dt. nous verrons plus loin en quoi cet actif est moins “risqué” que les autres. mais nous avons pu constater. nous avons caractérisé. Pour chaque instant u ≤ T . [Str90]. ˜ u) = e− P(t.2 Courbe des taux en avenir incertain En avenir incertain. dans le cadre des modèles discrets. que l’existence d’une telle probabilité était vérifiée dans le modèle de Black-Scholes. En nous appuyant sur ces exemples. [AD89] et [DS94]). u)) 0≤t≤u. En effet. Rt 0 r(s)ds P(t. Dans le chapitre 1.118 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE 1. Cette hypothèse entraîne un certain nombre de conséquences intéressantes. on peut emprunter au taux r(t) (dans la pratique c’est un taux à court terme. pour tout réel u ∈ [0. l’absence d’opportunité d’arbitrage par l’existence d’une probabilité équivalente sous laquelle les prix actualisés des actifs sont des martingales. T ]. F . dont le prix à l’instant t est donné par : Rt S0t = e 0 r(s)ds RT où (r(t))0≤t≤T est un processus adapté vérifiant : 0 |r(t)|dt < ∞. par exemple le taux au jour le jour). u) est une martingale. L’appellation d’actif sans risque peut sembler étrange pour un actif dont le prix dépend du hasard . [HK79]. vérifiant P(u. Pour préciser la modélisation. dans le chapitre 4. nous nous placerons sur un espace probabilisé filtré (Ω. en utilisant l’égalité P(u. sous laquelle. Les actifs risqués sont ici les obligations zéro-coupon d’échéance inférieure ou égale à l’horizon T . Comme dans les modèles étudiés précédemment. nous allons ici prendre comme point de départ de la modélisation l’hypothèse suivante : (H) Il existe une probabilité P∗ équivalente à P.

  .

u). ˜ ˜ u) = E∗ P(u.

u) = E∗ e− Ru t Ru 0 . en supprimant l’actualisation.  P(t. et. Ft = E∗ e− P(t.

 .

Ft r(s)ds .

.

 .

r(s)ds . Ft .

on a : E∗ (X) = E(XLT ) et. u) ne dépendent que du comportement du processus (r(s))0≤s≤T sous la probabilité P∗ . Proposition 1. en posant Lt = E(LT |Ft ). pour tout t ∈ [0. (6. L’hypothèse que nous avons faite sur la filtration (Ft )0≤t≤T permet de préciser la forme de la densité de la probabilité P∗ par rapport à P.1 Il existe un processus adapté (q(t))0≤t≤T tel que.1). 2 0 0 (6. Pour toute variable aléatoire positive X. Notons LT cette densité. T ]. montre que les prix P(t. ! Zt Z 1 t Lt = exp q(s)dWs − q(s)2 ds p.s. qu’il est intéressant de comparer à la formule (6. La variable aléatoire Lt est donc la densité de la restriction de P∗ à Ft par rapport à P.2) Cette égalité. si X est Ft -mesurable : E∗ (X) = E(XLt ).3) .

Il en résulte (cf. Pour cela.s. puisque P∗ est équivalente à P. Lt Corollaire 1.2 Le prix à l’instant t de l’obligation zéro-coupon d’échéance u ≥ t peut s’écrire : . Ce point étant acquis. on est tenté d’appliquer laRformule d’Ito avec la fonction log. log (Lt ) = Hs dWs − 2 0 L2s s 0 Ls ce qui entraîne l’égalité (6.3) avec q(t) = Ht . et. on a besoin de  t vérifier que P ∀t ∈ [0. T ] : Lt = L 0 + Zt Hs dWs p. et plus généralement P(Lt > 0) = 1 quel que soit t.s. on a E(LT ) = 1 = L0 et. T ]. Cette vérification (qui utilise de manière cruciale la propriété de martingale) fait l’objet de l’exercice 30. pour tout t ∈ [0.119 Ch. L0 + 0 Hs dWs > 0 = 1. paragraphe 2. Pour obtenir la formule (6.s.s. la formule d’Ito donne : Z Zt 1 t 1 2 1 H ds p.3). qui est la filtration naturelle du mouvement brownien (Wt ). on a LT > 0 p.3 du chapitre 4) RT qu’il existe un processus adapté (Ht )0≤t≤T vérifiant 0 H2t dt < ∞ p.6 MODÈLES DE TAUX D’INTÉRÊT Démonstration : Le processus (Lt )0≤t≤T est une martingale par rapport à (Ft ). 0 Puisque LT est une densité de probabilité.

  Ru Ru R 1 u 2 .

P(t. u) = E e− t r(s)ds+ t q(s)dWs − 2 t q(s) ds .

4 ci-dessous).s. u) ˜ u))0≤t≤u est une martingale sous P∗ . u].1 et de la formule suivante. on voit qu’il existe un processus adapté (θt )0≤t≤u tel que 0 (θut )2 dt < ∞ et : ˜ u)Lt = P(0. remarque 1. u) = P(0.. sur [0. en explicitant Lt et en supprimant l’actualisation : ! Z Zt Zt 1 t u 2 2 u ((θ ) − q(s) )ds . p.6) P(t. Lt (6. u) = (r(t) − σut q(t))dt + σut dWt (6. Rt 0 1 θu s dWs − 2 Rt 0 2 (θu s ) ds . u] : dP(t. pour tout t ∈ [0.3 Pour chaque échéance u. ˜ u)e P(t. Ft .4) Démonstration : Cela résulte immédiatement de la proposition 1. u) exp r(s)ds + (θs − q(s))dWs − 2 0 s 0 0 . Alors. Proposition 1. De plus.5) La proposition suivante permet de donner une interprétation économique du processus (q(t)) (cf. ˜ u)Lt > 0 (P(t. il existe un processus adapté (σ ut )0≤t≤u tel que. facile à vérifier pour toute variable aléatoire positive X : E∗ (X|Ft ) = E ( XLT | Ft ) . P(t. (6. on a : P(t. Démonstration : Puisque le processus (P(t. ˜ u)Lt)0≤t≤u est une martingale sous P (cf. D’où. exercice 31).1. par le même raisonnement que dans la R démonstration de la u u proposition 1.

Une stratégie est alors définie par la donnée d’un processus adapté ((H0t . H0t représentant la quantité d’actif sans risque et Ht le nombre d’obligations d’échéance T détenues en portefeuille à l’instant t.. comme dans le chapitre 4. T ) − K)+ et on peut espérer couvrir ce call avec un portefeuille constitué de certaines quantités d’actif sans risque et d’obligations. vérifiée par l’actif t dit “sans risque”. T ) = H0t e Rt 0 r(s)ds + Ht P(t.3. dS0 Remarque 1. considérons d’abord une option européenne d’échéance θ sur l’obligation zéro-coupon d’échéance égale à l’horizon T . pour tout t. Rt ∗ ˜ ˜ Sous la probabilité P . S’il s’agit d’un call de prix d’exercice K. on obtient : dP(t. u) (6. Pour préciser cela. D’où l’interprétation de −q(t) comme une “prime de risque”.e. . les conditions T d’intégrabilité suivantes : 0 |H0t r(t)|dt < ∞ et 0 (Ht σut )2 dt < ∞ p.5 Une stratégie φ = (H0t . compte R Ttenu de la proposition 1. T ) et la condition d’autofinancement s’écrit. l’expression r(t) − σut q(t) apparaît comme le rendement moyen (i. pour l’intuition. nous définissons les stratégies admissibles de la fa¸con suivante :   Définition 1.T ] V˜ t est de carré intégrable sous P∗ . en espérance) de l’obligation à l’instant t (car les accroissements du mouvement brownien sont de moyenne nulle) et l’expression −σut q(t) exprime la différence entre le rendement moyen de l’obligation et le taux sans risque. 1. Ht ) est admissible si elle est autofinancée et si 0≤t≤T ˜ T ) du portefeuille correspondant est.6) est à rapprocher de l’égalité S0t = r(t)dt. nous allons définir des stratégies de gestion. le processus (Wt ) défini par : Wt = Wt − 0 q(s)ds est un mouvement brownien standard (théorème de Girsanov) et on a : dP(t. on peut couvrir toutes les options européennes d’échéance θ < T . à chaque instant. sous la forme : dVt = H0t dS0t + Ht dP(t. T ). positive et si supt∈[0. d’actifs sans risque et de zéro-coupons d’échéance T . u) 2 2 2 u u = (r(t) + q(t) − θt q(t))dt + (θt − q(t))dWt . la valeur de l’option à l’instant θ est évidemment (P(θ. en nous limitant à des portefeuilles constitués. La valeur du portefeuille à l’instant t est donnée par : Vt = H0t S0t + Ht P(t. La proposition suivante montre que sous des hypothèses convenables. la valeur actualisée V˜ t (φ) = H0t + Ht P(t.4 La formule (6. Pour que cette égalité ait unR sens.3 Options sur obligations Pour fixer les idées.120 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE En appliquant la formule d’Ito avec la fonction exponentielle. Comme dans le chapitre 4.7) Pour cette raison la probabilité P∗ est souvent appelée probabilité corrigée du risque ou probabilité “risque-neutre”. on impose. De plus. = r(t)dt + σut dW P(t. u) 1 1 = r(t)dt + (θut − q(t))dWt − ((θut )2 − q(t)2 )dt + (θut − q(t))2 dt P(t. Ht ))0≤t≤T à valeurs dans R2 .s. ce qui donne l’égalité (6.6) en posant : σut = θut − q(t). C’est la présence du terme en dWt qui rend les obligations plus risquées. u) ˜ t.

Rθ Soit θ < T et soit h une variable aléatoire Fθ mesurable telle que he− 0 r(s)ds soit de carré intégrable sous P∗ . et σTt 6= 0 p. Alors.6 On suppose sup0≤t≤T |r(t)| < ∞ p. La valeur à un instant t ≤ θ d’une telle stratégie est donnée par : Vt = E ∗  e − Rθ t r(s)ds . pour tout t ∈ [0.s. θ]. il existe une stratégie admissible dont la valeur à l’instant θ est égale à h.6 MODÈLES DE TAUX D’INTÉRÊT Proposition 1..s.121 Ch.

 .

h.

.

Ft . si on impose la condition Vθ = h. on a. la formule d’intégration par parties et la remarque 1. On en déduit. ˜ T )σTt dW ˜ t. équation (6. On observe d’abord que si V˜ t est la valeur (actualisée) à l’instant t d’une stratégie admissible ((H0t .4 (cf. Démonstration : La méthode est la même que dans le chapitre 4.7)) : ˜ T) dV˜ t = Ht dP(t. On a donc : et. = Ht P(t. que (V˜ t ) est une martingale sous P∗ . compte tenu du fait que supt∈[0. Ht ))0≤t≤T .T ] V˜ t est de carré intégrable sous P∗ . on obtient Vt = e Rt 0 . en utilisant la condition d’autofinancement.

 .

V˜ t = E∗ V˜ θ .

voir à ce sujet l’exercice 32). il suffit de construire une stratégie admissible ayant à chaque Rθ instant cette valeur. on montre qu’il existe un processus (J t )0≤t≤θ tel que 0 J2t < ∞. t ≤ θ (on martingales car on ne sait pas si he est dans la tribu engendrée par les W sait seulement qu’elle est dans la tribu Fθ qui peut être plus grande . p. Ft ∀t ≤ θ r(s)ds E ∗  e Rθ − 0 r(s)ds   h|Ft . il suffit de poser : Jt Ht = ˜P(t. J s dW + 0 Noter que cette propriété n’est pas une conséquence triviale du théorème de représentation des R − 0θ r(s)ds ˜ t . Pour achever la démonstration.s. et : Z he − Rθ 0 r(s)ds =E ∗  he − Rθ 0 r(s)ds  θ ˜ s. Pour cela. Ce point étant acquis. T )σTt et H0t =E ∗  he − Rθ 0 .

r(s)ds .

.

.

un peu plus faible que l’hypothèse de la proposition 1. . permet d’assurer la condition 0 |r(s)H0s |ds < ∞) dont la valeur à l’instant θ est bien égale à h. On vérifie aisément que ((H0t . dtdP presque partout. soit une martingale si et seulement si le processus (σTt ) vérifie : σTt 6= 0. Ht ))0≤t≤θ définit une stratégie admissible (l’hypoRθ thèse sup0≤t≤T |r(t)| < ∞ p.s.7 Nous ne nous sommes pas posés la question de l’unicité de la probabilité P ∗ et il n’est pas clair que le processus de risque (q(t)) soit défini sans ambiguïté. [AD89]) que P∗ est l’unique probabilité équivalente à P sous laquelle (P(t. est exactement ce qu’il faut pour pouvoir couvrir les options avec des obligations d’échéance T . Ft  − Jt σTt pour t ≤ θ. on peut mon˜ T ))0≤t≤T trer (cf. En fait. Cette condition. ce qui n’est pas étonnant si l’on songe à la caractérisation des marchés complets que nous avons donnée dans le chapitre 1.6. Remarque 1.

on voit que (Xt ) est solution de l’équation différentielle stochastique : dXt = −aXt dt + σdWt . on suppose que le processus r(t) vérifie : dr(t) = a (b − r(t)) dt + σdWt (6.9).10) 0 et que r(t) suit une loi normale dont la moyenne est donnée par E(r(t)) = r(0)e −at +  −2at .2).9) ˜ t = Wt + λt. r(t) converge en loi vers une gaussienne de moyenne b et de 2 variance σ2a . Une des vertus du modèle de Heath-Jarrow-Morton. Noter que. ce qui signifie que (Xt ) est un processus d’Ornstein-Uhlenbeck (cf.2).2) et (6.8). T ) = E∗ e− = e−b RT t ∗ (T −t) . on se place sous la probabilité P ∗ et on utilise l’équation (6. quand t tend vers l’infini. Si on pose : Xt = r(t) − b.1 Le modèle de Vasicek Dans ce modèle.  P(t.3 est de fournir des formules de prix d’options dépendant uniquement de paramètres régissant l’évolution des taux sous P.122 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE 2 Quelques modèles usuels Les équations (6. On en déduit que r(t) peut s’écrire : Zt   −at −at −at r(t) = r(0)e +b 1−e + σe eas dWs (6. Avant de calculer le prix des obligations selon ce modèle. paragraphe 5. que nous présentons brièvement dans le paragraphe 2. b (1 − e−at ) et la variance par Var(r(t)) = σ2 1−e2a ce qui pour la pratique n’est pas très satisfaisant (sauf si cette probabilité reste très faible). avec λ ∈ R. Cela entraîne que P(r(t) < 0) > 0. Pour calculer le prix des zéro-coupons. on a besoin de connaître soit l’évolution de r(t) sous P∗ . soit l’évolution du couple (r(t). 2. σ sont des constantes positives. chapitre 3.4) montrent que pour calculer le prix des obligations. q(t)) sous P. D’après l’égalité (6. où b∗ = b − λσ/a et W donnons quelques conséquences de l’équation (6. Les premiers modèles que nous allons examiner décrivent l’évolution de r(t) sous P par une équation de diffusion et choisissent la forme de q(t) de fa¸con à conserver le même type d’équation sous P∗ . Alors : ˜t dr(t) = a (b∗ − r(t)) dt + σdW (6. Les prix des obligations et des options dépendent alors explicitement de “paramètres de risque” difficiles à estimer. b.8) où a. On suppose aussi que le processus q(t) est une constante q(t) = −λ.

 .

.

Ft r(s)ds .

 E∗ e − RT t .

X∗s ds .

.

.

Ft  (6.11) en posant : X∗t = r(t) − b∗ .12) . Comme (X∗t ) est solution de l’équation de diffusion à coefficients indépendants du temps ˜ t. dXt = −aXt dt + σdW (6.

6 MODÈLES DE TAUX D’INTÉRÊT on peut écrire : E ∗  e − RT t .123 Ch.

 .

.

Ft X∗s ds .

on sait (cf. Il en résulte que 0 Xxs ds est une gaussienne. à trajectoires continues. Le taux R∞ s’interprète comme un taux à long terme . On a donc. T ) = exp [−(T − t)R(T − t. r) = R∞ − (R∞ − r) 1 − e − 2 1−e aθ 4a 2 σ avec R∞ = limθ→∞ R(θ. on déduit : ! Zθ 1 − e−aθ ∗ x E Xs ds = x . r(t))] . . Cette dernière propriété est considérée comme un défaut du modèle par les financiers. De l’égalité : E∗ (Xxs ) = xe−as .14). où R(T − t. Xs ds 0 = Zθ Zθ 0 Puisque Xxt = xe−at + σe−at Rt Cov (Xxt . est donné par la formule : " #    1 σ2  −aθ −aθ 2 R(θ. remarque 5. (6. d’après l’expression de la transformée de Laplace d’une gaussienne. Le calcul de F(θ. (Xxt ) étant l’unique solution de l’équation (6.13)  où F est la fonction définie par : F(θ.13). on écrit : ! ! Zθ Zθ Zθ x x x Var Xs ds = Cov Xs ds.11). qui sont gaussiennes.14) 0 ˜ s . x) peut se faire complètement. r(t)). X∗t ) = F(T − t. = F(T − t. chapitre 3.12) qui vérifie : Xx0 = x (cf. Xxu ) dudt. r) = b∗ − 2a 2 . puisque l’intégrale est limite de sommes de Riemann.11) et (6. qui s’interprète comme le taux d’intérêt moyen sur la période [t. T ]. ! Zθ  2 σ2 θ σ2  σ2  x −aθ Var Xs ds = 2 − 3 1 − e − 3 1 − e−aθ . Xxu ) 0 0 0 Cov (Xxt . chapitre 3) que le proRθ cessus (Xxt ) est gaussien. en reportant dans l’égalité (6. notons qu’il ne dépend pas du “taux instantané spot” r. a 0 Pour le calcul de la variance. Rθ  E∗ e − 0 Xx s ds  ∗ = e−E ( Rθ 0 1 Xx s ds)+ 2 Var( Rθ 0 Xx s ds) . on obtient la formule suivante : P(t. on a : eas dW 2 −a(t+u) = σ e 2 −a(t+u) = σ e = σ2 e−a(t+u) E ∗ Zt Z t∧u 0 ˜s e dW as 0 Zu ˜s e dW as 0 ! e2as ds e2a(t∧u) − 1 2a  et. r(t) − b∗ ) Rθ  x (6. En effet. a a 2a 0 En revenant aux équations (6. x) = E∗ e− 0 Xs ds .

le processus (q(t)) étant pris de la forme : q(t) = −α r(t). pour tout x > 0. on pourra alors caler les paramètres b.124 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE Remarque 2. avec α ∈ R.1 Dans la pratique. grâce au caractère gaussien du processus d’Ornstein-Uhlenbek (cf. Cox. Pour tout réel x ≥ 0. En fait les praticiens déterminent souvent les paramètres.16) issue de x et τx0 le temps d’arrêt défini par : τx0 = inf{t ≥ 0|Xxt = 0} avec. Pour r on choisira un taux court (par exemple le taux au jour le jour ou “jj”).5 Pour tous réels positifs λ et µ. 2.   Rt La proposition suivante. exercice 33). est la clé de tous les calculs de prix dans le modèle de Cox-Ingersoll-Ross. 3. on a P(τx0 = ∞) = 1.2 Le modèle de Cox-Ingersoll-Ross Dans [CIR85]. nous renvoyons à [IW81]. puisque la fonction racine carrée n’est définie que sur R + et n’est pas lipschitzienne. nous allons donner quelques propriétés de cette équation. σ par des méthodes statistiques sur les données historiques du taux instantané. grâce au caractère hölderien de la fonction racine carrée. Puis on détermine λ à partir des données de marché en inversant la formule de Vasicek.3 On suppose que (Wt ) est un mouvement brownien standard défini sur [0. 1[. .2 Le calcul des options sur obligations se fait facilement dans le modèle de Vasicek. Proposition 2. ∞[. b ∈ R. Pour permettre l’étude du modèle de Cox-Ingersoll-Ross. ∞[. à valeurs dans R+ . Théorème 2. Si 0 ≤ a < σ2 /2 et b ≥ 0. comme d’habitude. a. p.16) Pour une démonstration de ce résultat. La démonstration de cette proposition fait l’objet de l’exercice 34. Remarque 2.µ (t) e−xψλ. on a P(τx0 < ∞) ∈]0. 0 Xxs ds . on a :  x E e−λXt e−µ Rt 0 Xx s ds  = e−aφλ. 221. qui permet de caractériser la loi du couple Xxt . on peut montrer le résultat suivant. Proposition 2. pour tout x > 0. Si 0 ≤ a < σ2 /2 et b < 0. 2. Ingersoll et Ross proposent de modéliser l’évolution du taux instantané par l’équation suivante : q dr(t) = (a − br(t))dt + σ r(t)dWt (6. Notons qu’on ne peut pas appliquer à cette équation le théorème d’existence et d’unicité que nous avons donné au chapitre 3. y compris r. en ajustant au mieux la formule de Vasicek sur les données de marché. Cependant. Nous noterons (Xxt ) la solution de (6.15) q avec σ et a positifs.µ (t) . vérifiant X0 = x et q dXt = (a − bXt ) dt + σ Xt dWt sur [0. inf ∅ = ∞. on a P(τx0 < ∞) = 1. il existe un unique processus continu adapté (X t ). (6. se pose le problème de l’estimation des paramètres et du choix de la valeur de r. pour tout x > 0.4 1. Si a ≥ σ2 /2.

µ (t) = − 2 log  2 γt σ σ λ(e − 1) + γ − b + eγt (γ + b) et ψλ. le processus (Mt )0≤t≤T .µ et ψλ. Si. fixant λ et µ. si F vérifie ces équations et a des dérivées bornées.6 MODÈLES DE TAUX D’INTÉRÊT où les fonctions φλ. x) = e−aφ(t)−xψ(t) les équations ci-dessus se traduisent par : φ(0) = 0.225. p. Démonstration : Le fait que l’espérance à calculer puisse se mettre sous la forme e −aφ(t)−xψ(t) résulte d’une propriété d’additivité du processus (Xxt ) par rapport au paramètre a et à la condition initiale x (cf. (6.µ sont données par :   t(γ+b) 2 2γe 2  φλ. [IW81]. x) = E e−λXt e−µ 0 Xs ds .125 Ch. pour tout T . Si F est de la forme : F(t. ψ(0) = λ et . on considère la fonction F(t.17) il est naturel de chercher F comme solution du problème :   ∂F σ 2 ∂2 F ∂F = x 2 + (a − bx) − µxF 2 ∂x ∂x  ∂t −λx F(0.17). x) définie par :  Rt x  x F(t. [RY90]). Xxt ) est une martingale et l’égalité E(MT ) = M0 donne (6. défini par : Mt = e−µ Rt 0 Xx s ds F(T − t.µ (t) = avec γ = q λ (γ + b + eγt (γ − b)) + 2µ (eγt − 1) σ2 λ (eγt − 1) + γ − b + eγt (γ + b) b2 + 2σ2 µ. la formule d’Itô montre que. x) = e En effet.

ζ (λ) = 1 (2λ + 1)δ/2 ! λζ exp − . 2 −ψ 0 (t) = σ2 ψ2 (t) + bψ(t) − µ φ 0 (t) = ψ(t) La résolution de ces deux équations différentielles donne les expressions de φ et ψ.ζ . Avec ces notations. la transformée de Laplace x de Xt /L est donnée par la fonction g4a/σ2 . où gδ.ζ est définie par : gδ.5 avec µ = 0. on obtient la transformée de Laplace de sous la forme :   x E e−λXt  =  σ2 = 2  2 2a/σ2 b  λ(1 − e−bt ) + b 1 (2λL + 1)2a/σ 2  exp −x λLζ exp − 2λL + 1 −bt  λbe  − e−bt ) + b 2 λ σ2 (1 !  en posant : L = σ4b 1 − e−bt et ζ = σ2 (e4xb bt −1) . Xxt Quand on applique la proposition 2. 2λ + 1 .

Calculons maintenant le prix.ζ .ζ (x) = e−ζ/2 δ x 1 −2 4−2 x I δ −1 δ 1 e − 2ζ 4 2 2 √ xζ  pour x > 0. On peut montrer que les hypothèses de la proposition 1. Avec les hypothèses faites sur les processus (r(t)) et (q(t)). d’un call européen d’échéance θ. à l’instant 0. T )1{r(θ) < r∗ } r(s)ds 1{r(θ) < r∗ }  où r∗ est défini par : r∗ = − aφ(T − θ) + log(K) . sous la probabilité P∗ . Revenons maintenant au modèle de Cox-Ingersoll-Ross. à l’instant 0. de prix d’exercice K. sur un zéro-coupon d’échéance T . dr(t) = (a − (b + σα)r(t)) dt + σ r(t)dW ˜ t )0≤t≤T est un mouvement brownien standard. Le prix à l’instant t est donné par : P(t. T ) = E ∗  e − RT 0 r(s)ds  = e−aφ(T )−r(0)ψ(T ) (6.126 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE Cette fonction est la transformée de Laplace d’une loi connue sous le nom de loi du chi-deux décentrée à δ degrés de liberté. T ) − K)+ r(s)ds  Rθ 0 r(s)ds  −KE∗ e− Rθ 0 e  −aφ(T −θ)−r(θ)ψ(T −θ) P(θ. définie par : fδ.18) où les fonctions φ et ψ sont données par les formules suivantes : t(γ∗ +b∗ )  et  2 2γ∗ e 2  φ(t) = − 2 log  ∗ σ γ − b∗ + eγ∗ t (γ∗ + b∗ )  ∗ 2 eγ t − 1 ψ(t) =  γ∗ − b∗ + eγ∗ t (γ∗ + b∗ ) q avec b∗ = b + σα et γ∗ = (b∗ )2 + 2σ2 . où Iν est la fonction de Bessel modifiée d’ordre ν. Le où. T ) = exp (−aφ(T − t) − r(t)ψ(T − t)). définie par :  ν X ∞ x Iν (x) = 2 n=0  2n x 2 n!Γ (ν + n + 1) . de paramètre de décentrage ζ (voir à ce sujet l’exercice 35). On trouvera de nombreuses propriétés des fonctions de Bessel et des formules d’approximation des fonctions de répartition de lois du chi-deux décentrées dans [AS70]. le prix à l’instant 0 du call est donc donné par : C0 = E = E ∗ ∗   e − e −  Rθ 0 Rθ = E ∗ e− 0 r(s)ds (P(θ. on a : q ˜ t. ψ(T − θ)  −K   + . La densité de cette loi est donnée par la fonction fδ. chapitres 9 et 26.6 sont vérifiées . le processus (W prix d’une obligation zéro-coupon d’échéance T est alors donné. par : P(0.

C’est ce modèle que nous allons présenter brièvement. θ). on a donc : C0 = P(0. L1 L2    2.19) t . pour t ≤ s. avec 8r(0)γ∗ 2 eγ θ ζ 1 = 2 γ∗ θ σ (e − 1) (γ∗ (eγ∗ θ + 1) + (σ2 ψ(T − θ) + b∗ )(eγ∗ θ − 1)) ∗ et 8r(0)γ∗ 2 eγ θ ζ 2 = 2 γ∗ θ . exercice 36) que. caractérisés par l’égalité suivante : ! Zu P(t. θ)P2 (r(θ) < r∗ ) en notant P1 et P2 les probabilités dont les densités par rapport à P∗ sont données respectivement par : Rθ Rθ dP1 e− 0 r(s)ds P(θ. E∗ e− 0 r(s)ds = P(0. T ) Rθ   = P(0. Un modèle à temps continu basé sur la même idée a été introduit par Heath.127 Ch. On peut donc écrire le prix de l’option sous la forme : C0 = P(0. Certains auteurs ont introduit des modèles bidimensionnels pour mieux rendre compte des disparités entre taux court et taux long (cf. θ)F4a/σ2. T )F4a/σ2. T ) dP2 e− 0 r(s)ds = et = . en introduisant la fonction de répartition Fδ. [SS84]. dP∗ P(0. u) = exp − f(t. De même.ζ1  r∗ r∗ − KP(0. [Mor89]. si on pose  γ∗ θ  ∗θ  e −1 σ2 L1 = ∗θ ∗ γ 2 2 γ (e + 1) + (σ ψ(T − θ) + b∗ ) (eγ∗ θ − 1) et 2 L2 = eγ −1  σ . T ) dP∗ P(0.6 MODÈLES DE TAUX D’INTÉRÊT  Remarquons que E∗ e− Rθ 0  r(s)ds P(θ. [Cou82]). ζ2 ). Jarrow et Morton dans [HJM87]. (resp. par la propriété de martingale des prix actualisés. σ (e − 1) (γ∗ (eγ∗ θ + 1) + b∗ (eγ∗ θ − 1)) ∗ Avec ces notations. de r(θ) sous P2 ) est une loi du chi-deux décentrée à 4a/σ2 degrés L1 L2 de liberté et de paramètre de décentrage égal à ζ1 (resp. dans la structure des prix.ζ2 . T ). θ) On démontre (cf.3 Autres modèles Le modèle de Vasicek et le modèle de Cox-Ingersoll-Ross ont pour principal défaut de donner des prix qui sont des fonctions explicites du taux d’intérêt instantané “spot” et ne permettent donc pas d’intégrer. 2 γ∗ (eγ∗ θ + 1) + b∗ (eγ∗ θ − 1) la loi de r(θ) sous P1 . Ces modèles plus complexes ne débouchent pas sur des formules explicites et nécessitent la résolution d’équations aux dérivées partielles. T )P1 (r(θ) < r∗ ) − KP(0. Plus récemment.ζ de la loi du chi-deux décentrée à δ degrés de liberté de paramètre de décentrage ζ. l’observation de toute la courbe des taux. On définit tout d’abord les taux d’intérêt forward f(t. s)ds (6. s). [BS79]. Ho et Lee [HL86] ont proposé un modèle à temps discret décrivant l’évolution de l’ensemble de la courbe des taux.

21) t t v t v ! ! Zt Zt Zu Zt Zu = X0 + f(s. R u on calcule la dP(t. Posons : Xt = − t f(t. s)ds dt − σ(f(t. On a P(t. le processus (f(t. s))dWv ds α(v. s) − f(t.128 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE pour toute échéance u. s)) ds t ! ! Zu Zs Zu Zs Zu σ(f(v. u))0≤t≤u adapté. s)ds − α(v. 0 0 avec un processus (α(t. s)ds + t t t t t ! ! Zu Zu Zu Zu Zu = − f(s. u) = eXt et. cf.20). l’application (t. s))ds . d’être continue. α(t. u) = f(0. u) = dXt + d < X. s))ds . s))ds !2 − q(t) Zu t σ(f(t. définie pour t ≤ s. La modélisation consiste ensuite à supposer que. X >t P(t. s)ds = 2 Zu t σ(f(t. u) + α(v. u))dWv . u)) 0≤t≤u vérifie une équation de la forme : Zt Zt (6.6). s)ds dv + σ(f(v. s))ds  dt 2 t t ! Zu − σ(f(t. s) 7→ f(t. d’après l’équation (6. !2 ! Z Zu 1 u u σt q(t) = σ(f(t. s))ds dWt . s) + f(s. u)dv + σ(f(v. t) − α(t. t) − α(t. u)) 0≤t≤u doit donc être un processus adapté et il est naturel de poser : f(t. [Mor89]). On impose également à l’application (t. Pour les faire apparaître. u) étant continue et σ étant une application continue de R dans R (on peut aussi prendre σ dépendant du temps. d’après la proposition 1. Il faut alors s’assurer que ce modèle est compatible avec l’hypothèse (H). s)ds dv − σ(f(v. s)ds. 0 0 v 0 v Noter que l’interversion d’intégrales apparaissant dans l’équation (6. s)ds + α(v. s))ds .21) est justifiée par l’exercice 37. s))ds dWv (6. Le nombre f(t. s) représente donc le taux d’intérêt instantané à la date s tel que le marché “le voit” à la date t. par la formule d’Ito : 1 dP(t. s). u) 2  ! !2  Zu Zu 1 = f(t.u) différentielle P(t. u) 7→ α(t. On a donc : ! ! Zu Zu dXt = f(t. Zu Xt = (−f(s. pour chaque échéance u. Cela impose des conditions sur les coefficients α et σ du modèle. on doit avoir. t Si l’hypothèse (H) est vérifiée. Pour chaque u. t) = r(t). le processus (f(t. s))ds dWv .u) et on la compare à l’équation (6. s)ds + σ(f(t. s)ds − 2 t t R  u avec σut = − t σ(f(t. s))ds dWt t t et. D’où : Zu t 1 α(t.3 et l’ égalité f(t.20) f(t. s)dv ds + = − f(s. t) = r(t).

Soit (Mt )0≤t≤T un processus adapté. 3 Exercices Exercice 30 Soit (Mt )0≤t≤T une martingale continue telle que. P(Mt > 0) = 1. Remarque bibliographique : Pour l’évaluation des options sur obligations avec coupons. u)) Zu ! σ(f(t. T ] Mt > 0}) = 1. pour tout processus continu (q(t)). s))ds dt + σ(f(t. u))0≤t≤u≤T tel que. u)) Zu σ(f(t. qui ne fait apparaître que σ ˜ t ).22) ait une solution unique. u))0≤t≤u soit adapté et vérifie (6. [Mor89]).   2. pour tout t ∈ [0. pour toute fonction continue φ de [0. u)) Zu ! ˜t σ(f(t.22) Le théorème suivant. c’est que la loi des taux forward sous P ∗ ne dépend que de la fonction σ. on peut alors construire un modèle de la forme (6. On voit que. On pose : τ = (inf{t ∈ [0. F . P) un espace probabilisé filtré et soit Q une probabilité absolument continue par rapport à P.20). En déduire que P ({∀t ∈ [0.20) s’écrit alors. Exercice 31 Soit (Ω. le processus (f(t.22). s))ds − q(t) . u) = σ(f(t. T ]. Théorème 2. Montrer que (Mt )0≤t≤T est une martingale sous Q si et seulement si le processus (Lt Mt )0≤t≤T est une martingale sous P. Jarrow et Morton [HJM87]. u))dW t (6. sous forme différentielle : df(t. pour tout u.6 MODÈLES DE TAUX D’INTÉRÊT et. Il en résulte que le prix des options ne dépendra que de la fonction σ. u) = φ(u). que E (MT ) = E MT 1{τ = T } . en dérivant par rapport à u : α(t. [HJM87]. on pourra consulter [Jam89] et [KR89]. C’est une conséquence de l’équation (6. Montrer. avec f(0. u) = σ(f(t. Le cas où σ est une constante est étudié dans l’exercice 38. [Mor89] donne des conditions suffisantes pour que l’équation (6. 1. On est ainsi et (W dans une situation analogue à celle du modèle de Black-Scholes. t Ce qui est remarquable dans ce modèle.22) et de poser ensuite : α(t.22). il n’y a pas de solution (cf. T ] dans R+ il existe un unique processus continu à deux indices (f(t. en utilisant le théorème d’arrêt. Noter que la condition de bornitude sur σ est essentielle puisque.129 Ch. u) = σ(f(t. (Ft)0≤t≤T . dû à Heath. s))ds − q(t) t ! L’équation (6. Montrer que τ est un temps d’arrêt. On note Lt la densité de la restriction de Q à Ft .6 Si la fonction σ est lipschitzienne et bornée. . pour σ(x) = x. Il suffit de prendre une solution de (6. T ] | Mt = 0}) ∧ T.

M]. T ].T par rapport à P∗ . θ)p2. que E (τxε. Montrer que l’option est exercée si et seulement si r(θ) < r∗ . tives e P(0.3. Montrer que s vérifie : 2. Montrer qu’alors limx→0 s(x) = −∞. Exercice 33 On se propose de calculer le prix. Montrer que si ε < x < M. On suppose a ≥ σ2 /2. Montrer que. En déduire que : P (τx0 < τxM ) = 0. Y) un vecteur gaussien à valeurs dans R2 sous une probabilité P et soit P˜ la probabilité absolument continue par rapport à P. 1 σ2 d2 s ds x + (a − bx) dx 2 dx2 pose : τxε.s. en utilisant RT l’exercice 31. 4. 0 En déduire. 1. Soit (X. 4. on note τxM le temps d’arrêt défini par τxM = inf{t ≥ 0 | Xxt = M}. montrer que sous les probabilités de densités respecR R − θ r(s)ds − T r(s)ds 0 0 et e P(0.M = τxε ∧ τxM . pour tout M > 0. en prenant les variances et en utilisant le fait que s 0 est bornée inférieurement sur l’intervalle [ε. Pour x.M = s(x) + q s 0 (Xxs )σ Xxs dWs . dP E (e−λX ) ˜ Y est une gaussienne. 2. En utilisant la question précédente. dont on précisera la moyenne et la variance. . pour tout t > 0. d’un call d’échéance θ et de prix d’exercice K sur une obligation zéro-coupon d’échéance T > θ. dans le modèle de Vasicek. puis que P (τx0 < ∞) = 0. la variable aléatoire r(θ) est une gaussienne. Soit (M t )0≤t≤T un processus adapté à la filtration (Ft ). Montrer que les hypothèses de la proposition 1. 3. ce qui entraîne que τxε. Montrer. et Zt ˜ s p. Soit s la fonction définie sur ]0.130 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE Exercice 32 Les notations sont celles du paragraphe 1. s(x) = s(ε)P (τxε < τxM ) + s(M)P (τxε > τxM ). On suppose que (Mt ) est une martingale sous P∗ . Montrer que. on s  Xxt∧τx ε. Exercice 34 Le but de cet exercice est de démontrer la proposition 2. M > 0. M t = M 0 + H s dW 0 pour tout t ∈ [0. T )p1 −KP(0. 3. 1. qu’il existe un processus adapté (Ht )0≤t≤T tel que 0 H2t dt < ∞ p. avec des paramètres p1 et p2 que l’on explicitera.M est fini p. à l’instant 0. on a : Z t∧τx ε.s. Pour ε < x < M. de densité dP˜ e−λX = .4.M ) < ∞.s. où ∗ r = R∞ a(T − θ) 1− 1 − e−a(T −θ) ! −  σ2 1 − e−a(T −θ) 4a2  − log(K)  a 1 − e−a(T −θ)  .6 sont bien vérifiées. sous P.M  = 0. ∞[ par Zx 2b 2 s(x) = ey σ2 y−2a/σ dy.θ) ) En déduire une expression du prix de l’option sous la forme C0 = P(0.

la loi de r(θ) sous les probabilités P1 et P2 introduites à la fin du paragraphe 2. .131 Ch. pourtout s ∈ [0. on a : s(x) = s(0)P (τx0 < τxM ) + s(M)P (τx0 > τxM ) et achever la démonstration de la proposition 2.. X2 .6 MODÈLES DE TAUX D’INTÉRÊT 5. l’application (t.21)).5. dans le modèle de Cox-Ingersoll-Ross..4. (Ft)0≤t≤T . s) 7→ H(t. On supposera  R T R T pour simplifier que 0 E 0 H2 (t. Montrer que . s)(ω) est continue et. 1. s))0≤t. P) un espace probabilisé filtré et soit (Wt )0≤t≤T un mouvement brownien standard par rapport à (Ft ). Exercice 35 Soit d un entier strictement positif et soient X1 . Montrer que. . s)) 0≤t≤T  est adapté. de paramètre de P décentrage ζ = di=1 m2i . F .md . Montrer que la variable Pd 2 aléatoire X = i=1 Xi suit une loi du chi-deux décentrée à d degrés de liberté. T ].s≤T vérifiant les propriétés suivantes : pour tout ω. s)ds dWt . Xd . .le processus (H(t. d gaussiennes indépendantes de variance 1 et de moyennes respectives m1 . On considère un processus à deux indices (H(t. On se R T R T RT RT propose de justifier l’égalité 0 0 H(t. . m2 . On suppose maintenant 0 ≤ a < σ2 /2 et on pose s(0) = limx→0 s(x). . Exercice 37 Soit (Ω. s)dt ds < ∞ (ce qui est suffisant pour justifier l’égalité (6. pour tout M > x. . calculer. s)dWt ds = 0 0 H(t.2. Exercice 36 En utilisant la proposition 2.

Z T .

! !#1/2 ZT ZT " ZT .

.

.

.

2 E .

s)dWt . H(t.

s)dt ds. ds ≤ E H (t. 0 .

0 En déduire que l’intégrale R T R T 0 0 0 .

θ) 2 ! R θ ˜ ˜ ˜ θ sous les probabilités 3. On se propose de calculer le prix d’un call d’échéance θ. u) = f(0. 0  H(t. 1. Calculer. T ) et Rθ dP2 e− 0 r(s)ds . pour λ ∈ R. 2. En déduire la loi de W P1 et P2 de densités par rapport à P∗ respectivement données par  e− dP1 = dP∗ Rθ 0  r(s)ds P(θ. Soit 0 = t0 < t1 < · · · < tN = T une subdivision de l’intervalle [0. T ) ˜ θ − σ θT (T − θ) . Exercice 38 Dans le modèle de Heath-Jarrow-Morton. En déduire que σ t u − 2 + σW 2 P(0. = dP∗ P(0. E∗ e−σ 0 Ws ds eλWθ . T ) = exp −σ(T − θ)W P(0.6 sont vérifiées. de prix d’exercice K. Montrer que les hypothèses de la proposition 1. 2. encore notée σ. sur un zéro-coupon d’échéance T > θ. s)dWt ds a un sens. u) +  t 2 ˜ t . Montrer que  la solution de l’équation (6. Remarquer que  Z T N−1   X  H(ti . on prend pour fonction σ une constante strictement positive. T ) P(0.22) est donnée par f(t. s)ds 0 !  Wti+1 − Wti  et justifier le passage à la limite conduisant à l’égalité souhaitée. θ) . P(θ. T ]. s) Wti+1 − Wti  ds = 0 i=0 N−1 X i=0 ZT H(ti .

2 σ θ(T − θ) .132 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE 4.θ) σ θ(T − θ) log K P(0. où N est la fonction de répartition de la loi normale centrée réduite et   √ P(0. Montrer que le prix du call à l’instant 0 est donné par   √ C0 = P(0. θ)N d − σ θ(T − θ) .T ) d= − √ . T )N(d) − KP(0.

1 Soit (Ti )i≥1 une suite de variables aléatoires indépendantes équidistribuées de loi commune la loi exponentielle de paramètre λ. qui fait l’objet du premier paragraphe. une caractéristique marquante qui les différencie du modèle de Black-Scholes : ce sont des modèles de marchés non complets. Or. La description de ces modèles nécessite un exposé des principales propriétés du processus de Poisson. On appelle processus de Poisson d’intensité λ le processus Nt défini Nt = X n≥1 1{τ ≤ t} = n X n≥1 n1{τ ≤ t < τ } . De plus. n n+1 Remarque 1. le prix de l’action est une fonction continue du temps et cette propriété est une des caractéristiques du modèle. n! On a en particulier : Var(Nt ) = E(N2t ) − (E(Nt ))2 = λt.Chapitre 7 Modèles d’actifs avec sauts Dans le modèle de Black-Scholes. dans lesquels il n’y a pas de couverture parfaite des options. . L’évaluation des options par construction d’un portefeuille simulant n’y est donc plus possible. E(Nt ) = λt. Un approche possible de l’évaluation et de la couverture des options consiste à définir une notion de risque et à choisir le prix et la couverture de façon à minimiser ce risque. On pose τn = par : Pn i=1 Ti . Pour modéliser ce genre de phénomènes.3 Si (Nt )t≥0 est un processus de Poisson d’intensité λ alors. c’est à dire de loi : 1{x > 0} λe−λx dx . pour la plupart. nous nous limitons aux modèles avec sauts les plus simples. modification de la conjoncture internationale) peuvent entraîner des variations brutales des cours. Nt = n}. La proposition suivante explicite la loi de Nt pour un t fixé. certains événements rares (publication d’un chiffre économique.2 Nt représente le nombre de points de la suite (τn )n≥1 qui sont inférieurs ou égaux à t. pour tout t > 0 la variable aléatoire Nt suit une loi de Poisson de paramètre λ : P(Nt = n) = e−λt (λt)n . pour s > 0 :   E sNt = exp {λt (s − 1)} . on est amené à introduire des processus stochastiques à trajectoires discontinues. 1 Processus de Poisson Définition 1. Ces modèles “avec sauts” ont. Proposition 1. Dans ce chapitre. On a : τn = inf{t ≥ 0.

On reconnaît la tranformée de Laplace de la loi gamma de paramètres λ et n (cf. la transformée de Laplace de T 1 est :   E e−αT1 = λ . pour la seconde. n! – (Nt )t≥0 est un processus à accroissements indépendants et stationnaires. [Bou88]. croissant. s ≤ t). {τn ≤ t} = {Nt ≥ n} ∈ Ft . L’indépendance des accroissements est une conséquence de cette propriété des lois exponentielles. On a alors. [DCD83]. (n − 1)! C’est à dire une loi gamma de paramètres λ et n. pour n ≥ 1 : P (Nt = n) = P (τn ≤ t) − P (τn+1 ≤ t) Zt Zt n−1 (λx)n −λx (λx) = λe dx − λe−λx dx (n − 1)! n! 0 0 (λt)n −λt e . . λ+α donc celle de τn = T1 + · · · + Tn vaut : E (e −ατn  )=E e  −αT1 n = λ λ+α !n . On dit que les variables exponentielles n’ont pas de “mémoire”. c’est à dire : – indépendance : si s > 0. = n! Proposition 1.4 Soient (Nt )t≥0 un processus de Poisson d’intensité λ et Ft = σ(Ns . ne croissant que par sauts de 1. En effet. cf. Remarque 1. Nt+s − Nt est indépendant de la tribu Ft . Remarque 1.5 Il est facile de voir que les temps de sauts τn sont des temps d’arrêt. chapitre III. tel que : (λt)n P(Nt = n) = e−λt . Le processus (Nt )t≥0 est un processus à accroissements indépendants et stationnaires.134 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE Démonstration : On remarque tout d’abord que la loi de τn est : 1{x > 0} λe−λx (λx)n−1 dx.6 La loi d’un processus de Poisson d’intensité λ est caractérisée par l’une des deux propriétés suivantes : – (Nt )t≥0 est un processus de Markov homogéne continu à droite et limité à gauche. paragraphe 7. – stationnarité : la loi de Nt+s − Nt est identique à celle de Ns − N0 = Ns . Pour la première caractérisation. Une variable aléatoire T de loi exponentielle vérifie P(T ≥ t + s|T ≥ t) = P(T ≥ s).3. [Bou86]. cf.12). continu à droite. paragraphe 6. En effet. chapitre VI.

Uj . L’évolution de Xt . 2 Xt = Xτ1 e(µ−σ /2)(t−τ1 )+σ(Wt −Wτ1 ) 2 = Xτ−1 (1 + U1 )e(µ−σ /2)(t−τ1 )+σ(Wt −Wτ1 ) 2 = X0 (1 + U1 )e(µ−σ /2)t+σWt . à des instants τ1 . (Nt )t≥0 . . notons Ft la tribu engendrée par les variables aléatoires Ws . τ1 [ : Xt = X0 e(µ−σ 2 /2)t+σW t . . Puis. donc Xτj = Xτ−j (1 + Uj ). . pour t ∈ [τ1 . . suit le modèle de Black et Scholes.135 Ch. τj+1 [ : dXt = Xt (µdt + σdWt ). P) sur lequel sont définis un mouvement brownien standard (W t )t≥0 . pour tout t > s. La prise en compte des variables aléatoires Uj 1{j ≤ N } dans Ft signifie qu’à l’instant t. puisque {τj ≤ t} = {Nt ≥ j} ∈ Ft . Nt − Ns est indépendant de la tribu Fs . plaçons-nous sur un espace de probabilité (Ω. – A l’instant τj . . prix de l’actif risqué à l’instant t peut maintenant être décrite de la façon suivante. . . . pour t ∈ [0. Le processus (Xt )t≥0 est un processus continu à droite adapté vérifiant : – Sur les intervalles de temps [τj . . Ns pour s ≤ t et Uj 1{j ≤ N } pour j ≥ 1. et par conséquent. . entre deux instants de saut. . et qui. Pour tout t ≥ 0.. Notons aussi que les τj sont des temps d’arrêt de (Ft )t≥0 . la limite à gauche en τ1 est donnée par : Xτ1 − = X0 e(µ−σ 2 /2)τ et Xτ1 = X0 (1 + U1 )e(µ−σ 1 +σWτ1 2 /2)τ 1 +σWτ1 . τj . . le saut de Xt est donné par : ∆Xτj = Xτj − Xτ−j = Xτ−j Uj . que (Nt )t≥0 est un processus adapté à cette filtration et que. Nous supposerons de plus que les τ j sont les temps de saut d’un processus de Poisson. +∞[. les valeurs relatives des sauts ayant eu t lieu avant t sont connues. Nous supposerons les tribus engendrées respectivement par (Wt )t≥0 . à l’instant t) et un actif à risque dont le prix présente des sauts de valeurs relatives U1 . On a donc. (Uj )j≥1 indépendantes. A. . On obtient ainsi de proche en proche que :  avec la convention Q0 j=1 Nt Y Xt = X 0  = 1. un processus de Poisson d’intensité λ (Nt )t≥0 et une suite (Uj )j≥1 de variables aléatoires indépendantes équidistribuées. . . Pour préciser cela.7 MODÈLES D’ACTIFS AVEC SAUTS 2 Description de l’évolution de l’actif risqué Le but de ce paragraphe est de modéliser un marché financier dans lequel il y a un actif sans risque (de prix S0t = ert . τ2 [. j=1  (1 + Uj ) e(µ−σ 2 /2)t+σW t . à valeurs dans ] − 1. On vérifie que (Wt )t≥0 est un mouvement brownien standard par t rapport à la filtration (Ft )t≥0 .

Xt = X0 + Xs (µds + σdWs ) + 0 j=1 Nous verrons que. On peut démontrer qu’il vérifie. on déduit (en prenant C = Ω et B = R d ) que le vecteur (UNs +1 . De cette égalité. sous P. Ud ) ∈ B) P (C ∩ {Ns = p}) . P ({(UNs +1 . Ud ) ∈ B} ∩ {d ≤ Ns }) ∞ X = P ({(Up+1 . Dans la suite. C’est une hypothèse contraignante. i ≥ 1) sont indépendantes. couvrir parfaitement les options. · · · . · · · . Alors :  2 E(X˜ t |Fs ) = X˜ s E e(µ−r−σ /2)(t−s)+σ(Wt −Ws )  (µ−r−σ2 /2)(t−s)+σ(W  (µ−r−σ2 /2)(t−s)+σ(W = X˜ s E e = X˜ s E e t −Ws ) t −Ws ) Nt Y j=Ns +1 NY t −Ns j=1 NY t −Ns j=1  . On a. t]. pour ce type de modèles.s. mais elle nous permettra de déterminer simplement des stratégies de couverture à risque minimal. · · · . · · · . le processus (e −rt Xt )0≤t≤T est une martingale. · · · . Uk ) ∈ A) ∞ X p=d P ((U1 . Ud ∈ B)} ∩ {d ≤ Ns }) . · · · . u ≤ s et Uj 1{j ≤ N } . D’où l’indépendance annoncée. Ud ) ∈ B) P (C ∩ {Ns = p}) = P ((U1 . UNs +k ) a même loi que (U1 . dont la signification intuitive est que les amplitudes relatives des sauts qui ont lieu après l’instant s sont indépendantes de la tribu Fs . Up+k ) ∈ A} ∩ {(U1 . · · · . · · · . puis que P ({(UNs +1 . Démonstration : Comme les tribus W = σ(Ws . UNs +k . · · · . Uk ). nous ferons l’hypothèse que. s ≥ 0). UNs +k ∈ A) P (C ∩ {(U1 . Zt Nt X Xτ−j Uj (7. quand cette hypothèse n’est pas vérifée.1 Pour tout s ≥ 0. Pour calculer E(Xt |Fs ) nous aurons besoin du lemme suivant. est délicate (voir [Sch89]). Up+k ) ∈ A) P ((U1 . UNs +2 . · · ·) et Fs sont indépendantes. s B un borélien de Rd et C un événement de la tribu σ(Nu . il suffit de prouver que la tribu σ (UNs +1 . · · · . en général. on ne peut pas. Ud ) ∈ B} ∩ {d ≤ Ns }) = P ((UNs +1 . s ≥ 0) et U = σ(Ui . Supposons maintenant que E(|U1 |) < +∞ et posons X˜ t = e−rt Xt . Cette difficulté est liée au fait que pour T < +∞. · · · . · · · . N = σ(Ns . Lemme 2. Soit A un borélien de Rk . · · · . en utilisant l’indépendance de U et N et le fait que les Uj sont indépendantes et équidistribuées. L’étude de la couverture des options. UNs +k ) ∈ A} ∩ C ∩ {(U1 . · · · . il existe une infinité de probabilités équivalentes à P sur FT sous lesquelles le prix actualisé (e−rt Xt )0≤t≤T est une martingale. UNs +2 . pour tout t ≥ 0.1) P p. · · · . UNs +k ) ∈ A} ∩ C ∩ {(U1 . les tribus σ (UNs +1 .136 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE Le processus (Xt )t≥0 ainsi défini est évidemment continu à droite adapté et n’a qu’un nombre fini de discontinuités sur chaque intervalle [0. u ≤ s). · · · . · · ·) est indépendante de la tribu engendrée par les variables aléatoires N u . UNs +k . Ud ) ∈ B} ∩ C ∩ {Ns = p}) = p=d ∞ X p=d P ((Up+1 .

.

(1 + Uj ).

Fs   .

.

 (1 + UNs +j ).

Fs  (1 + UNs +j ) . .

137 Ch. et soit (Yt )t≥0 un processus continu à gauche. dont les démonstrations peuvent être sautées en première lecture. Lemme 2.1 et le fait que Wt − Ws et Nt − Ns sont indépendants de la tribu Fs . Uj ) − λ Zt ds ν(dz)Φ(Ys . adapté à la filtration (Ft )t≥0 . à valeur dans Rd .z)∈Rd ×R .2 Soit Φ(y. (y. Il est clair alors que (X˜ t ) est une martingale si et seulement si µ = r − λE(U1 ). pour tout t > 0 : E Zt 0 Z ! 2 ds ν(dz)Φ (Ys . z) < +∞. 0 j=1 Z est une martingale de carré intégrable et : Zt Z 2 Mt − λ ds ν(dz)Φ2 (Ys . z) une fonction mesurable de Rd × R dans R. P Noter que par convention 0j=1 = 1. z)|. z) 0 est une martingale. D’où :   Nt Y E(X˜ t |Fs ) = X˜ s e(µ−r)(t−s) E  (1 + Uj ) j=Ns +1 = X˜ s e(µ−r)(t−s) eλ(t−s)E(U1 ) . Démonstration : On suppose d’abord Φ bornée et on pose : C= sup |Φ(y. Pour traiter les termes dus aux sauts dans les stratégies de couvertures. en utilisant l’exercice 39. z). nous aurons encore besoin de deux lemmes. On notera ν la loi commune des variables aléatoires Uj . z) soit continue sur Rd . Alors le processus Mt défini par : Mt = Nt X Φ(Yτj . On suppose que. telle que pour tout réel z la fonction y 7→ Φ(y.7 MODÈLES D’ACTIFS AVEC SAUTS en utilisant le lemme 2.

P .

.

R R .

.

Nt .

.

t .

On a alors .

j=1 Φ(Yτj . Uj ).

≤ CNt et .

o ν(dz)Φ(Ys . z).

Uj ) Z= j=Ns +1 A une sudivision ρ = (s0 = s < s1 < · · · < sm = t) de l’intervalle [s. On a de plus |Z ρ | ≤ C(Nt − Ns ). et posons : Nt X Φ(Yτj . Fixons s et t. t] associons : Zρ = Nsi+1 m−1 X X Φ(Ysi . avec s < t. ≤ Ct. i=0 j=Nsi +1 La continuité à gauche de (Yt )t≥0 et la continuité de Φ par rapport à y impliquent que Zρ converge presque sûrement vers Z quand le pas de la subdivision ρ tend vers 0. ce qui entraîne que la convergence a lieu aussi dans L1 et même dans L2 . Donc Mt est de carré intégrable. Uj ). .

138 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE On a : m−1 X ρ E(Z |Fs ) = E i=0 en posant : X ! (7.2) Nsi+1 −Nsi Nsi+1 Zi+1 = .

.

E(Zi+1 |Fsi ).

UNsi +j ) . z). UNsi +j ).Fs X Φ(Ysi . E(Zi+1 |Fsi ) = Φ ¯i (y) est définie par : où Φ   Nsi+1 −Nsi X ¯i (y) = E  Φ Φ(y. et en appliquant la proposition 2. on a donc : ρ E(Z |Fs ) = E m−1 X i=0 . j=1 ¯i (y) est donc l’espérance d’une somme aléatoire et.5 de l’appendice. j=1 En utilisant le lemme 2. Φ En revenant à l’équation (7. Uj ) = j=Nsi +1 Φ(Ysi . on voit que : ¯i (Ysi ). d’après l’exercice 40 : La quantité Φ Z ¯i (y) = λ(si+1 − si ) dν(z)Φ(y.2).1 et le fait que Ysi est Fsi -mesurable.

¯i (Ysi ).

.

Fs Φ ! =E m−1 X i=0 Z .

.

z). λ(si+1 − si ) dν(z)Φ(Ysi .

on obtient :    Zt Z Nt .Fs ! . En faisant tendre le pas de ρ vers 0.

.

 X .

 .

 Φ(Yτj . Uj ).

Fs = E λ du dν(z)Φ(Yu . z).

z).Fs . i=0 i=0 Pm−1 On a de plus : . E s j=Ns +1 ce qui prouve que Mt est une martingale. On peut écrire : Z λ(si+1 − si ) dν(z)Φ(Ysi . Posons maintenant Z¯ρ = Z¯ρ = m−1 X ¯i (Ysi ) = Φ m−1 X i=0 E(Zi+1 |Fsi ).

  .

E (Zρ − Z¯ρ )2 .

Fs   !2 m−1 .

X .

[Zi+1 − E(Zi+1 |Fsi )] .

Fs  = E i=0 m−1 X ! .

.

[Zi+1 − E(Zi+1 |Fsi )] .

Fs =E i=0 X   .

.

 +2 E (Zi+1 − E(Zi+1 |Fsi )) Zj+1 − E(Zj+1 |Fsj ) .

2 i<j En conditionnant par rapport à Fsj et en utilisant le fait que Zi+1 est Fsi+1 donc Fsj -mesurable. on voit que la deuxième somme est nulle. D’où : ! m−1 .Fs .

.

  X .

.

2 ρ ρ 2 = E (Zi+1 − E(Zi+1 |Fsi )) .

Fs E (Z − Z¯ ) .

Fs i=0 = E m−1 X i=0 .

.

.

E [Zi+1 − E(Zi+1 |Fsi )] .

Fsi .

1. on voit que : i h 2.Fs  En utilisant de nouveau le lemme 2.

E (Zi+1 − E(Zi+1 |Fsi )) .

2.Fsi = V(Ysi ).

. ! .

7 MODÈLES D’ACTIFS AVEC SAUTS où la fonction V est définie par :   Nsi+1 −Nsi X V(y) = Var  et. UNsi +j ) j=1 Z V(y) = λ(si+1 − si ) dν(z)Φ2 (y. z). Φ(y.139 Ch. On a donc : . d’après l’exercice 40.

 E (Z − Z ) .

Fs = E  ¯ρ 2 .

ρ m−1 X i=0 Z .

.

z). λ(si+1 − si ) dν(z)Φ (Ysi .

Fs 2 ! . d’où. en faisant tendre le pas de la subdivision ρ vers 0 :  Zt Z .

 i h .

E (Mt − Ms )2 |Fs = E λ du dν(z)Φ2 (Yu . z).

on a : i h   2 E (Mt − Ms ) |Fs = E M2t + M2s − 2Mt Ms |Fs = E M2t − M2s |Fs Rt R du dν(z)Φ2 (Yu . sup(−n. Démonstration : Il suffit de démontrer le lemme pour Φ borné (le cas général se traitant en approchant Φ par des Φn = inf(n. z). Φ(y. t]. On a : E [(Lt Mt − Ls Ms )|Fs ] = E "m−1 X E ((Lsi+1 Msi+1 i=0 Or. comme dans la démonstration du lemme 2. z). z) < +∞. U ) − λ τ j t j 0 j=1 On voit facilement que E R t 0  R 2 ds ν(dz) (Φn (Ys . Mn = Φ (Y . Il en 2 n résulte que la suite (Mn t )n≥1 est une suite de Cauchy dans L et comme Mt tend vers Mt p. (7.3) s Puisque (Mt )t≥0 est une martingale de carré intégrable. Soit (A t )t≥0 un proces R les hypothèses Rt t 2 sus adapté tel que E 0 As ds < +∞ pour tout t. 0 j=1 Alors le produit Lt Mt est une martingale. Φ)). le lemme est vérifié pour Φ. z) = inf(n. mais E 0 ds dν(z)Φ2 (Ys . Uj ) − λ ds ν(dz)Φ(Ys .Fs . Lemme 2.2 : Zt Z Nt X Mt = Φ(Yτj . sup(−n. Fixons s < t et notons ρ = (s0 = s < s1 < · · · < sm = t) une subdivision de l’intervalle [s.2. et les martingales (Mn t )t≥0 définies par : Zt Z Nt X n ds ν(dz)Φn (Ys . z) est une martingale.2). On pose Lt = 0 As dWs et comme dans le lemme 2. puisque (Lt )t≥0 et (Mt )t≥0 sont des martingales : # . z))).3) entraîne donc que M2t − λ fonctions (bornées) Φn définies par Φn (y. pour tout t. z) − Φ(Ys . z)) tend vers 0 lorsque n tend vers l’infini. Mt est de carré intégrable et par passage à la limite. on peut introduire les et l’égalité (7. 0   Rt R Si on ne suppose plus Φ bornée.s..3 On conserve et les notations du lemme 2.

.

− Lsi Msi )|Fsi ) .

D’où : E ((Lt Mt − Ls Ms )|Fs ) = E(Λρ |Fs ). E ((Lsi+1 Msi+1 − Lsi Msi )|Fsi ) = E ((Lsi+1 − Lsi )(Msi+1 − Msi )|Fsi ) .Fs . .

chapitre 1) et qui est un peu plus délicate à définir en temps continu. en supposant que les Ui sont de carré intégrable et que Z µ = r − λE(U1 ) = r − λ zν(dz) .z |Φ(y. s≤u≤t La variable aléatoire sups≤u≤t |Lu | est dans L2 (par l’inégalité de Doob. (7.7). proposition 3.4)  ce qui entraîne que le processus X˜ t   t≥0 = (e−rt Xt )t≥0 est une martingale. i=0 Mais. Remarquons que   E X2t = X20 E e 2 (µ− σ2 )t+σWt Nt Y j=1 2 (1 + Uj ) et par conséquent. intuitivement. en utilisant l’exercice 39. ainsi que Nt − Ns . Ht ))0≤t≤T . On a. pour tenir compte des sauts. on a :  Pm−1 |Λρ | ≤ sup0≤i≤m−1 |Lsi+1 − Lsi | i=0 |Msi+1 − Msi | ≤ sup0≤i≤m−1 |Lsi+1 − Lsi |  Rt R P Nt j=Ns +1 |Φ(Yτj . comme dans le modèle de Black-Scholes. Cette condition est à rapprocher de la condition de prévisibilité qui intervient dans les modèles discrets (cf. . représentant les quantités d’actifs détenues au cours du temps.140 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE avec : Λρ = m−1 X (Lsi+1 − Lsi )(Msi+1 − Msi ). Comme le processus (Xt ) est.1 Les stratégies admissibles Nous reprenons le modèle introduit au début du paragraphe précédent. En utilisant la continuité de t 7→ Lt . cf. par un processus adapté φ = ((H 0t . z)|  ≤ sup0≤i≤m−1 |Lsi+1 − Lsi | (C(Nt − Ns ) + λC(t − s)) . qu’on ne peut réagir aux sauts qu’après coup. chapitre 3.   E X2t = X20 e(σ   2 +2r)t 2 eλtE(U1) . à valeurs dans R2 . nous fixons un horizon T fini. 3 Evaluation et couverture des options 3. continu à droite. On en déduit que Λρ tend vers 0 dans L1 et par conséquent : E [(Lt Mt − Ls Ms )|Fs ] = 0. Une stratégie de gestion sera définie. est donc une martingale de carré intégrable. avec C = supy. cela signifie. nous imposerons aux processus (H 0t ) et (Ht ) d’être continus à gauche. on voit que Λρ tend presque sûrement vers 0 quand le pas de la subdivision ρ tend vers 0. lui. Uj )| + λ s du dν(z)|Φ(Ys . de plus : |Λρ | ≤ 2 sup |Lu | (C(Nt − Ns ) + λC(t − s)) . mais. Le processus X˜ t t≥0 Pour toute la suite. z)|.

La valeur actualisée à l’instant t de cette stratégie est donnée par V˜ t = V0 + Zt Hs X˜ s σdWs + 0 Nt X Hτj Uj X˜ τ−j − λ j=1 Zt 0 Z ˜ dsHs Xs ν(dz)z.1) que dVt = H0t rert dt + Ht Xt (µdt + σdWt ) entre les instants de saut et qu’à un instant de saut τj .s. et soit V0 ∈ R.141 Ch. vérifiant l’égalité (7.s. On a donc. Ht ))0≤t≤T définisse une stratégie admissible de valeur initiale V0 . en différenciant le produit e e −rt Vt = V 0 + Zt 0 (−re −rs )Ys ds + Zt 0 e−rs dYs + e−rt Zt . nous allons imposer une condition d’intégrabilité plus forte sur le processus (Ht )0≤t≤T . P p.6) . (7. T ]. avec Yt = V0 + 0 H0s rers ds + 0 Hs Xs (µds + σdWs ) et P t −rt − Yt .. Zt = N j=1 Hτj Uj Xτj . Proposition 3.5) j=1 RT RT Pour que cette équation ait un sens.2 du chapitre 4. (7. Ht ))0≤t≤T RT adapté. Vt saute d’une quantité ∆Vτj = Hτj ∆Xτj = Hτj Uj Xτ−j . pour des raisons qui apparaîtront plus loin. la différentielle par rapport à Xt signifiant. continu à gauche à valeurs dans R2 tel que 0 |H0s |ds < +∞ R  T E 0 H2s X2s ds < +∞.s.2 Soit (Ht )0≤t≤T un processus continu à gauche adapté tel que : E ZT H2s X2s ds 0 ! < ∞. il suffit d’imposer la condition 0 |H0s |ds + 0 H2s ds < ∞.5) p. Ht )0≤t≤T définit une stratégie admissible. (il est facile de voir que s 7→ Xs est presque sûrement borné). pour tout t ∈ [0. en restreignant la classe des stratégies admissibles de la façon suivante : Définition 3.7 MODÈLES D’ACTIFS AVEC SAUTS La valeur à l’instant t de la stratégie φ est donnée par Vt = H0t ert + Ht Xt et nous dirons que la stratégie est autofinancée si dVt = H0t rert dt + Ht dXt . La proposition suivante est l’analogue de la proposition 1. De façon précise. compte tenu de l’équation (7. p. Il existe un et un seul processus (H0t )0≤t≤T tel que le couple ((H0t . En fait. sa valeur à l’insRt Rt tant t est donnée par Vt = Yt + Zt . Démonstration : Si le couple (H0t . et Noter que nous n’imposons pas de condition de positivité sur la valeur des stratégies admissibles.1 Une stratégie admissible est définie par un processus : φ = ((H0t . la condition d’autofinancement s’écrit : Zt Zt 0 rt 0 rs Vt = Ht e + Ht Xt = V0 + Hs re ds + Hs Xs (µds + σdWs ) 0 + Nt X 0 Hτj Uj Xτ−j .

142 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE De plus. donne V˜ t = V0 + Zt Hs X˜ s σdWs + 0 Nt X Hτj Uj X˜ τ−j − λ j=1 Zt 0 Z ˜ dsHs Xs ν(dz)z. Ht ))0≤t≤T soit une stratégie admissible de valeur initiale V0 est donné par : H0t = V˜ t − Ht X˜ t = −Ht X˜ t + V0 + Zt 0 Hs X˜ s σdWs + Nt X j=1 Hτj Uj X˜ τ−j − λ Zt 0 Z dsHs X˜ s ν(dz)z.4). l’unique processus (H0t ) possible pour que ((H0t . on obtient : Zt Zt Zt −rs 0 ˜ Vt = V0 + (−re )Vs ds + Hs rds + Hs X˜ s (µds + σdWs ) 0 + Nt X 0 0 Hτj Uj X˜ τ−j j=1 Zt  Zt Zt  0 0 ˜ = V0 − r Hs + Hs Xs ds + Hs rds + Hs X˜ s (µds + σdWs ) 0 + Nt X j=1 = V0 + 0 0 Hτj Uj X˜ τ−j Zt Hs X˜ s ((µ − r)ds + σdWs ) 0 + Nt X Hτj Uj X˜ τ−j . j=1 ce qui. compte tenu de l’égalité (7. Il est clair alors que si on se donne V0 et (Ht ). . le produit e−rt Zt peut s’écrire sous la forme suivante : e−rt Zt = Nt X e−rt Hτj Uj Xτ−j j=1 = Nt X e−rτj + τj j=1 = Nt X Zt ! (−re−rs )ds Hτj Uj Xτ−j e−rτj Hτj Uj Xτ−j j=1 + Nt Z t X 0 j=1 = Nt X e −rτj ds1{τ ≤ s} (−re−rs )Hτj Uj Xτ−j j Hτj Uj Xτ−j + j=1 = Nt X e −rτj Hτj Uj Xτ−j + j=1 Zt ds(−re −rs 0 Zt ) Ns X Hτj Uj Xτ−j j=1 (−re−rs )Zs ds. 0 En reportant dans (7.6) et en explicitant dYs .

7 MODÈLES D’ACTIFS AVEC SAUTS Sur cette formule. on obtient :  RT0 = E(e−rT h) − V0 2  + E e−rT h − E(e−rT h) − (V˜ T − V0 ) 2 . on voit que si on se place à un instant t > 0. le défaut de couverture à l’échéance est donné par la quantité h − V T .  R T Remarque 3.143 Ch. le vendeur perd de l’argent. en écrivant H0t ert + Ht Xt =  ert H0t + Ht X˜ t et en intégrant par parties comme ci-dessus on voit que ((H0t . appliqué avec le processus continu à gauche défini par Yt = (Ht . j RT 0 Il est clair aussique 0 |Ht |dt < ∞ presque sûrement. d’après la remarque 3. avec . cette stratégie est complètement déterminée par le processus (Ht )0≤t≤T des quantités d’actif à risque. s’il cherche à minimiser la quantité R Tt = E  e−r(T −t) (h − VT ) 2   |Ft . il est amené à faire payer V0 = E(e−rT h). Cela résulte de l’expression obtenue dans la proposition 3. 3. Ht ))0≤t≤T définit une stratégie admissible de valeur initiale V0 .3 La condition E 0 H2s X˜ 2s ds < ∞ entraîne que la valeur actualisée (V˜ t ) d’une stratégie admissible est une martingale de carré intégrable. on voit que le processus (H0t ) est adapté et admet une limite à gauche en tout point et que l’on a H0t = H0t− . Puisque. la vendra au prix Vt = E e−r(T −t) h|Ft . le point de vue du vendeur de l’option. Appliquant l’identité E(Z ) = (E(Z)) + E [Z − E(Z)] à la variable aléatoire Z = e−rT (h − VT ). un agent qui vend  l’option à l’instant t. Une façon d’évaluer le risque consiste à introduire la quantité : RT0 =E  e −rT (h − VT ) 2  . Si le vendeur cherche à minimiser le risque RT0 . nous allons tenter d’expliciter le prix d’un call ou d’un put de prix d’exercice K. Si cette quantité est positive. X˜ t− ) (noter que dans l’intégrale par rapport à ds. La grandeur E(e−rT h) apparaît ainsi comme la valeur initiale de toute stratégie visant à minimiser le risque à l’échéance et c’est cette grandeur que nous prendrons comme définition du prix de l’option associée à h.2. Prenons.3 Prix des calls et des puts Avant d’aborder le problème de la couverture. C’est cette quantité que nous prendrons comme définition du prix de l’option à l’instant t. (7. Par un raisonnement analogue.2 Pricing Considérons une option européenne d’échéance T .2 montre que la quantité V˜ T − V0 ne dépend que de (Ht ) (et pas de V0 ). sinon il en gagne. pour fixer les idées. C’est clair en effet si t n’est pas un des instants de saut τj et si t est un des τj . on a    −rT 2 2 2 E e VT = V0 . Nous supposerons donc que h est de la forme f(X T ). 3.3. on peut remplacer X˜ s− par X˜ s car il n’y a qu’un nombre fini de discontinuités). définie par une variable aléatoire h F T mesurable et de carré intégrable.7) La proposition 3. Si Vt désigne la valeur de cette stratégie à l’instant t.2 et du lemme 2.2. on a H0τj − H0τ− = −Hτj ∆X˜ τj + Hτj Uj X˜ τ−j = 0. D’après la proposition 3. Il vend l’option à un prix V0 à l’instant 0 et suit ensuite une stratégie admissible entre les instants 0 et T . la valeur actualisée (V˜ t ) est une martingale. De plus.

144 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE f(x) = (x − K)+ ou f(x) = (K − x)+ . le prix de l’option à l’instant t est donné par :   E e−r(T −t) f(XT )|Ft =   . D’après ce qui précède.

 Q T 2 .

.

Ft = E e−r(T −t) f Xt e(µ−σ /2)(T −t)+σ(WT −Wt ) N (1 + U ) j j=N +1 t   .

 QNT −Nt .

−r(T −t) (µ−σ2 /2)(T −t)+σ(WT −Wt ) =E e f Xt e (1 + U ) Nt +j .

x) = E e−r(T −t) f xe(µ−σ /2)(T −t)+σWT −t N (1 + Uj ) j=1    Q T −t 2 = E e−r(T −t) f xe(r−λE(U1 )−σ /2)(T −t)+σWT −t N (1 + U ) . qui donne le prix de l’option suivant le modèle de Black-Scholes.4 Couverture des calls et des puts Examinons maintenant le problème de la couverture d’une option h = f(X T ). Nous allons maintenant déterminer un processus (Ht )0≤t≤T des quantités d’actif à risque détenues en portefeuille permettant de minimiser RT0 . j j=1 Notons que si l’on introduit la fonction :   F0 (t. j=1 Du lemme 2. xe−λ(T −t)E(U1 ) n Y j=1  (1 + Uj ) e−λ(T −t) λn (T − t)n . . Nous avons vu que la valeur initiale de toute stratégie admissible visant à minimiser le risque RT0 à l’échéance était donnée par V0 = E(e−rT h) = F(0. Ft . n! Chaque terme de cette série peut se calculer numériquement dès que l’on sait simuler la loi des Uj .1 et de cette égalité.7) donne :  RT0 = E e−rT h − V˜ T 2 . avec f(x) = (x − K)+ ou f(x) = (K − x)+ . on déduit que   E e−r(T −t) f(XT )|Ft = F(t. exercice 42). xe−λ(T −t)E(U1) Y j=1  (1 + Uj ) . avec    Q T −t 2 F(t. nous nous appuierons sur la proposition suivante. on a :  NT −t  F(t. Pour cela. l’espérance mathématique qui intervient dans la formule peut être calculée explicitement (cf.8) Puisque NT −t est une variable aléatoire indépendante des Uj et de loi poissonienne de paramètre λ(T − t) on peut aussi écrire : F(t. (7. 3. x) = E e−r(T −t) f xe(r−σ 2 /2)(T −t)+σW T −t  . Pour certaines lois. Pour une telle stratégie. X0 ). Xt). x) = ∞ X n=0   E F0 t. l’égalité (7. x) = E F0 t.

x) −  F(t. T [×R+ et. h˜ = e−rT f(XT ) = e−rT F(T. On déduit facilement (exercice) de la formule (7. Xs (1 + z)) − F(s. F(t. (7. Xs ) ∂x − Hs 2 2 est donné par la X˜ 2s σ2 ds  R λ ν(dz)e−2rs (F(s.8) que F(t.145 Ch. |F(t. Xs )ds + (s. xert ).7 MODÈLES D’ACTIFS AVEC SAUTS Proposition 3. X˜ τ ) − F(τ ˜ j . on obtient : ˜ X˜ t ) = F(t. y)| . X0 ) + (s. Xs ) − Hs zXs )2 ds . X˜ s )X˜ s (−λE(U1 )ds + σdWs ) 0 ∂s 0 ∂x Z Nt X 1 t ∂2 F˜ 2 ˜2 ˜ j . V˜ t = F(0. Le risque quadratique à l’échéance RT0 = E e−rT (f(XT ) − VT ) formule suivante : RT0 = E R  T 0 + RT 0 ∂F (s. pour t ≤ T . Démonstration : D’après la proposition 3.2. classe C2 sur [0. puisque : Remarquons que la fonction F(t.   ˜ X˜ t) = E h|F ˜ t .4 Soit   Vt la valeur à l’instant t d’une stratégie admissible de valeur initiale −rT V0 = E e f(XT ) = F(0. La quantité F(t. on a. X0 ) + Zt σHs X˜ s dWs + 0 Nt X Hτj Uj X˜ τj − − λ Zt dsX˜ s Hs E(U1 ). Xs )σ Xs ds + j j 2 0 ∂x2 j=1 (7. XT ). Zt ˜ Zt ˜ ∂F ∂F ˜ F(0. Introduisons la fonction F˜ définie par ˜ x) = e−rt F(t. X0 ). déterminée par un processus (Ht )0≤t≤T des quantités d’actif  à risque. ˜ X˜ t ) apparaît ainsi comme le prix actualisé de sorte que F(t.10) ˜ x) est lipschitzienne de rapport 1 par rapport à x. d’autre part. en écrivant la formule d’Itô entre les instants de sauts. ˜ + F(τ (s. ˜ x) est de de l’option à l’instant t.9) 0 j=1 On a. X˜ τ− ).

≤  Q T −t 2 .

≤ E e−r(T −t) .

f xe(r−λE(U1 )−σ /2)(T −t)+σWT −t N (1 + U ) j  .

 Q T −tj=1 2 .

− f ye(r−λE(U1 )−σ /2)(T −t)+σWT −t N (1 + U ) j .

implique que le processus : Mt = Nt X j=1 ˜ j . ce qui. X˜ τ − ) − λ F(τ j j Zt 0 ds Z  ˜ X˜ s (1 + z)) − F(s. Il en résulte que : E Zt Z  ˜ X˜ s (1 + z)) − F(s. . d’après le lemme 2. ˜ X˜ s ) ds ν(dz) F(s. X˜ τ ) − F(τ ˜ j . ! Zt Z 2 2 ≤E dsX˜ s ν(dz)z 0 2 ! 0 < +∞. ˜ X˜ s ) dν(z) F(s. j=1   Q 2 T −t ≤ |x − y|E e−λE(U1 )(T −t) eσWT −t −(σ /2)(T −t) N j=1 (1 + Uj ) = |x − y|.2.

d’après l’égalité (7. c’est un processus sus F(t. et par une nouvelle application du lemme 2. avec : ! Z 1 ∂F (F(s. Cela donne. ˜ X˜ s ) − Hs zX˜ s zX˜ s = 0. ˜ X˜ s ) − Hs zX˜ s E((MT ) ) = E λ ds ν(dz) F(s. D’où : Zt ˜ ˜F(t. x(1 + z)) − F(s. d’Itô.3. d’après l’exercice 16 du chapitre 3. Xs− ). ds dν(z) F(s. avec : (1) Mt Zt = ∂F˜ (s. ˜ X˜ s ) − Hs zX˜ s . Mt Mt (1) (2) M0 M0   ˜ X˜ s (1 + z)) − F(s. X0) + ∂F (s. puisque (H t )t≥0 doit être continu à gauche : Hs = ∆(s. X˜ τ ) − F(τ ˜ j .10). x) + λ ν(dz)z .s. Il s’écrit donc. : ∂F˜ (s. X˜ s ) − Hs σX˜ s dWs ∂x ! 0 et (2) Mt Nt  X = ˜ j . ˜ X˜ t ) − Mt est donc aussi une martingale et. ! Il suffit en effet de minimiser la quantité intégrée par rapport à ds. X˜ τ − ) − Hτ Uj X˜ τ − F(τ j j j j j=1 −λ Zt (2) D’après le lemme 2. (7.146 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE ˜ X˜ t) est une martingale. comme une intégrale stochastique.11).2 : ! ZT Z 2  (2) 2 ˜ X˜ s (1 + z)) − F(s. D’où : E h˜ − V˜ T  (1)  = (2) = E((MT )2 ) + E((MT )2 )  R  2 T ∂F˜ (2) 2 2 ˜ ˜ = E 0 ∂x (s. X˜ s ) ∂x RT    R ˜ X˜ s (1 + z)) − F(s. on obtient : (1) (2) h˜ − V˜ T = MT + MT . x)) 2 R ∆(s. x) = 2 σ (s. 0 − Hs X˜ 2s σ2 ds Il résulte de ce qui précède que le risque minimal est obtenu quand H s vérifie P p. 0 Le risque à l’échéance est donc donné par : RT0 = E R  + 2 T 0 ∂F˜ (s.11) 0 ∂x En réunissant les égalités (7. σ + λ ν(dz)z2 ∂x x . 0 (1) Z    (1) (2) est une martingale et par conséquent E Mt Mt = 0. X˜ s )X˜ s σdWs . X˜ s ) − Hs X˜ 2s σ2 ∂x   R ˜ X˜ s (1 + z)) − F(s. +λ ν(dz) F(s.9) et (7. Le procesest une martingale de carré intégrable. On sait aussi que F(t. X˜ t) − Mt = F(0. λ ν(dz) F(s. Xs ) − Hs Xs σ ds + E((MT )2 ). . ˜ X˜ s ) − Hs zX˜ s 2 ds .

l’utilisation de la variance comme mesure du risque est discutable.147 Ch.5 Les formules obtenues montrent que les modèles avec sauts se prêtent assez bien au calcul. Noter que s’il n’y a pas de sauts (λ = 0). quand il y a des sauts. à partir des données historiques 2) une approche implicite. la couverture est parfaite. à partir des données de marché. suivant une loi de Poisson de paramètre λ. Remarque bibliographique :Les modèles financiers avec sauts ont été introduits par Merton dans [Mer76]. La méthode d’évaluation que nous avons presentée dans ce chapitre repose de manière cruciale sur l’hypothèse que le prix actualisé de l’actif sous-jacent est une martingale.7 MODÈLES D’ACTIFS AVEC SAUTS  R T On obtient ainsi un processus qui vérifie E 0 H2s X˜ 2s ds < +∞ et qui détermine donc une stratégie admissible minimisant le risque à l’échéance. exercice 43 et [Cha90]). indépendante de la suite (Vn )n≥1 . intégrables et soit N une dans N. β}. qui font intervenir plusieurs paramètres. Montrer que S a même loi que αN1 + βN2 où N1 et N2 sont deux variables aléatoires indépendantes suivant des lois de Poisson de paramètres respectifs λp et (1 − p)λ. Dans cette deuxième approche. Cette hypothèse a un caractère assez arbitraire. deux approches sont possibles : 1) une approche statistique. même si certaines justifications sont possibles. KQ95]. En déduire   que si N suit une loi de Poisson de paramètre λ. c’est-à-dire que RT0 = 0. on retrouve la formule de couverture déjà obtenue dans le modèle de Black-Scholes et on sait que dans ce cas. les modèles avec sauts. permettent de “coller” davantage aux prix de marché. avec α. 1. E(S) = λE(V 1 ) et Var(S) = λE V12 . Exercice 40 Soit (Vn )n≥1 une suite de variables aléatoires indépendantes. Le lecteur pourra notamment consulter [FS91. Montrer que S est intégrable et que E(S) = E(N)E(V1 ). β ∈ R et on pose p = P(V1 = α) = 1 − P(V1 = β). On suppose que les V j sont à valeurs dans {α. Remarque 3. le risque minimal est en général strictement positif (cf. [CER88] et [BL89]. Exercice 41 Les hypothèses et les notations sont celles de l’exercice 40. L’approche adoptée dans ce chapitre est basée sur [FS86]. 2. On pose S = n=1 Vn (avec la convention 0n=1 = 0). Ces problèmes ont donné lieu à d’actives recherches dans les années récentes. Sch95. On suppose N et V1 de carré intégrable. c’est-à-dire des prix des options quand elles sont cotées sur un marché organisé. 4 Exercices Exercice 39 Soit (Vn )n≥1 une suite de variables aléatoires positives indépendantes équidistribuées et soit N une variable aléatoire à valeur dans N. équidistribuées. De plus. Comme dans le cas de la volatilité pour le modèle de Black-Scholes. Sch94. Il reste le problème de l’identification des paramètres et de la loi des U i . intégrable et indépendante de la suite PNvariable aléatoire à valeurs P (Vn ). . 3. Sch92. Montrer que :  N Y E n=1  Vn  = eλ(E(V1 )−1) . Montrer qu’alors S est de carré intégrable et que sa variance est donnée par Var(S) = E(N)Var(V1 ) + Var(N) (E(V1 ))2 . Mais.

1. ∂x zx En déduire (en utilisant la convexité de F par rapport à x) que. la variable aléatoire YZ admet pour densité R dµ(z)(1/z)g(y/z). x) est positive et décroissante sur ]0. 4. on a : P p. x(1 + z)) − F(s. Montrer que la loi de Xs admet (pour s > 0) une densité strictement positive sur ]0. Mettre la formule de prix (7. il n’y a pas de couverture parfaite pour les calls et les puts. On pourra remarquer que si Y admet une densité g et si Z est une variable aléatoire indépendante de Y à valeurs dans ]0. la fonction x 7→ F(s. 2. dans le cas du put. T ]. b}. On pourra remarquer que. A partir de la proposition 3. Xs ). x) est affine. pour s ∈ [0. ∞[. où g est une gaussienne de moyenne m et de variance σ2 . la fonction x 7→ F(s. . ∞[.s. avec les notations du paragraphe 3. alors. montrer que. s’il existe une stratégie de couverture parfaite. pour ds presque tout s et pour ν presque tout z. avec p = P(U1 = a) = 1 − P(U1 = b). On suppose maintenant que U1 a même loi que eg − 1. Exercice 43 Le but de cet exercice est de montrer que. ∂x 2.148 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE Exercice 42 1.4. ∞[. ∞[. Sous les mêmes hypothèses qu’à la première question. 3. montrer qu’il existe z 6= 0 tel que pour s ∈ [0. λ > 0 et P (U1 6= 0) > 0. zXs ∂F (s. Xs ) = F (s.8) sous la forme d’une série double dont chaque terme se calcule à partir des formules de BlackScholes (on pourra utiliser l’exercice 41). On suppose. dans les modèles avec sauts étudiés dans ce chapitre. T [ et x ∈]0. x) ∂F (s. Conclure. que U 1 est à valeurs dans {a. x) = . Xs (1 + z)) − F(s. F (s. Mettre la formule de prix (7. On considère un modèle dans lequel σ > 0. où µ est la loi de Z.8) sous la forme d’une série dont chaque terme se calcule à partir des formules de Black-Scholes (avec des taux d’intérêt et des volatilités que l’on précisera).

. La méthode précédente est encore utilisable si l’on sait simuler X à l’aide d’un nombre presque sûrement fini de Ui . Up ) soit la loi cherchée µ(dx). Xn . Dans ce cas. De même. des méthodes permettant la simulation des modèles financiers. Ces méthodes sont malheureusement peu efficaces et on ne les utilise que si l’on ne sait expliciter le prix de l’option sous forme analytique. ce nombre pouvant dépendre du hasard. de random en Turbo Pascal). par exemple. on procède de la fa¸con suivante. la réponse exacte est inaccessible analytiquement. . C’est le cas. up ) telle que la loi de la variable aléatoire F(U1 . si f est une fonction µ-intégrable : Z 1 X lim f(Xn ) = f(x)µ(dx). par exemple. La suite (Un )n≥1 est réalisée concrétement par des appels successifs à un générateur de nombres pseudo-aléatoires. qui retourne soit un nombre pseudo aléatoire compris entre 0 et 1. dépendre de toute la suite (Un )n≥1 .Chapitre 8 Simulation et alogrithmes pour les modèles financiers 1 Simulation et modèles financiers Nous allons décrire. . Ces méthodes sont souvent utiles. La plupart des langages disponibles sur les ordinateurs modernes possédent une fonction aléatoire. on peut appliquer la loi forte des grands nombres pour affirmer que.1) N→+∞ N 1≤n≤N Pour implémenter cette méthode sur un ordinateur. On se donne une variable aléatoire de loi µ(dx) et l’on cherche à réaliser sur un ordinateur une suite de tirages X 1 . On peut. Remarque 1. · · · .1 La méthode de Monte Carlo Le problème de la simulation se pose de la fa¸con suivante. dans ce chapitre. . . . · · · . up ) 7→ F(u1 . la méthode de Monte Carlo décrite plus loin permet alors d’écrire très rapidemment un algorithme permettant l’évaluation de cette option. Si ces hypothèses sont satisfaites. . indépendantes. et on cherche une fonction (u1 .1). 1. . dans le contexte des mathématiques financières. . et non plus d’un nombre fixe de Ui . quand on se pose des questions complexes sur une stratégie de gestion de portefeuille (par exemple. Les méthodes de simulation sont alors incontournables. · · · . . quelle sera la loi dans un mois d’un portefeuille couvert tous les 10 jours en delta neutre). (8. On suppose que l’on sait construire une suite de nombres (Un )n≥1 qui réalise une suite de variables aléatoires uniformes sur l’intervalle [0. 1]. aux fonctions f(x) = x et f(x) = x 2 pour estimer les moments d’ordre 1 et 2 de X (sous réserve que E(|X|2 ) soit fini). . car elles permettent de calculer le prix de n’importe quelle option pour peu que l’on sache l’exprimer sous forme de l’espérance d’une variable aléatoire que l’on sait simuler. à priori infinie telle que les Xn suivent la loi µ(dx) et que la suite (Xn )n≥1 soit une suite de variables aéatoires indépendantes. Unp ) est alors une suite de variables aléatoires indépendantes suivant la loi voulue µ.1 La fonction F peut dans certain cas (en particulier lorsque l’on cherche à simuler des temps d’arrêt). . déja programmée. soit un entier aléatoire dans un intervalle fixé (cette fonction porte le nom de rand() en C ANSI. de l’algorithme de simulation d’une variable aléatoire poissonienne (voir page 151). appliquer (8. La suite de variables aléatoires (Xn )n≥1 où Xn = F(U(n−1)p+1 .

2 Simulation d’une loi uniforme sur [0. 1] Nous allons montrer comment l’on peut construire des générateurs de nombres aléatoires au cas où les générateurs de la machine ne donneraient pas entière satisfaction. La méthode la plus simple et la plus souvent utilisée est la méthode des congruences linéaires. On génére une suite (xn )n≥0 de nombres entiers compris entre 0 et m − 1 de la fa¸con suivante : .150 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE 1.

x0 = valeur initiale ∈ {0. b. m étant des entiers qu’il faut choisir soigneusement si l’on veut que les caractéristiques statistiques de la suite soient satisfaisantes. } double Random() { static long a.3 Simulation des variables aléatoires Les lois que nous avons utilisées pour les modélisations financières sont essentiellement des lois gaussiennes (dans le cas des modèles continus) et des lois exponentielles et poissoniennes (dans le cas des modèles avec sauts). Sedgewick dans [Sed87] préconise le choix suivant :   a = 31415821 b = 1  m = 108 Cette méthode permet de simuler des entiers pseudo aléatoires entre 0 et m − 1 . Cependant sa période (ici m = 108 ) peut se révéler parfois insuffisante. long p0 = p % m1. long q1 = q / m1. b) + 1) % m. 1. #define m 100000000 #define m1 10000 #define b 31415821 long Mult(long p. return (((p0*q1 + p1*q0) % m1)*m1 + p0*q0) % m. Le lecteur intéressé trouvera des nombreux renseignements sur les générateurs de nombres aléatoires et la fa¸con de les programmer sur un ordinateur dans [Knu81] et [L’E90]. obtenir des générateurs de nombres aléatoires de période arbitrairement longue en augmentant m. } Le générateur précédent fournit des résultats acceptables dans les cas courants. 1. long q0 = q % m1. Nous allons donner des méthodes permettant de simuler chacune de ces lois. On peut. · · · . pour obtenir un nombre réel aléatoire entre 0 et 1 on divise l’entier aléatoire ainsi généré par m. . Random = a/m. a = (Mult(a. long q) /* Multiplie p par q en evitant les "overflows" */ { long p1 = p / m1. m − 1} xn+1 = axn + b (modulo m) a. alors.

de moyenne nulle et de variance 1) . n! si n ≥ 0 On a vu au chapitre 7 que si (TiP )i≥1 est une suite de variables aléatoires exponentielles de paramètre λ.e. . N1 a donc même loi que la variable X que l’on cherche à simuler. } Simulation d’une loi exponentielle Rappellons qu’une variable aléatoire X suit une loi exponentielle de paramètre µ si sa loi vaut : 1{x ≥ 0} µe−µx dx suit une loi On peut simuler X en constatant que. N1 s’écrit alors : X . Simulation d’une variable aléatoire poissonienne Une variable aléatoire poissonienne est une variable à valeurs dans N telle que : P(X = n) = e−λ λn .0 * log(Random())) * cos(2. où g est une gaussienne centrée réduite. } Remarque 1. double gaussienne(double m.double sigma) { returm m + sigma * sqrt(-2.log(Random()) / mu . U2 ) sont deux variables aléatoires uniformes sur [0.8 SIMULATION ET ALOGRITHMES POUR LES MODÈLES FINANCIERS 151 Simulation de variables gaussiennes Une méthode classique pour simuler les variables alétoires gaussiennes repose sur la constatation (voir exercice 44) que. où les (Ui )i≥1 sont des variables aléatoires suivant la loi uniforme sur [0. 1] indépendantes : q −2 log(U1 ) cos(2πU2 ) suit une loi gaussienne centrée et réduite (i. Pour simuler des gaussiennes de moyenne m et de variance σ il suffit de poser X = m + σg.2 Ce moyen de simulation de la loi exponentielle est une cas particulier de la méthode de la “fonction de répartition” (voir à ce sujet l’exercice 45). alors la loi de Nt = n≥1 n1{T + · · · + T ≤ t < T + · · · + T } est un loi de 1 n 1 n+1 Poisson de paramètre λt. si (U1 .Ch. double exponentielle(double mu) { return . on peut toujours mettre les variables exponentielles T i sous la forme − log(Ui )/λ. 1] : − log(U) µ exponentielle de paramètre µ. n1 N1 = U1 U2 · · · Un+1 ≤ e−λ < U1 U2 · · · Un n≥1 Cela conduit à l’algorithme suivant pour simuler une variable aléatoire de Poisson. si U suit une loi uniforme sur [0. 1] et indépendantes. D’autre part.0 * pi * Random()).

on pourra consulter [Bou86]. lorsque on étudie l’évolution au cours .152 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE double Poisson(double lambda) { double u = Random(). en particulier la valeur d’un processus stochastique à un instant donné. Cette méthode de calcul de la racine carrée s’appelle la méthode de Cholevsky (pour un alogrithme complet voir [Cia88]). E(Xn )) et la matrice de covariance Γ = (σij )1≤i≤n. mn ) = (E(X1 ). et on peut considérer le vecteur Z = A−1 (X − m).2 de l’appendice pour la définition d’un vecteur gaussien) est alors essentiel. de plus. ou pour d’autres méthodes de simulation des lois précédentes. Remarque 1. il y a alors une seule solution à l’équation A × t A = Γ . peut donc être simulée de la fa¸con suivante : – On calcule une racine carrée de la matrice Γ . La loi du vecteur X = m + AZ. 1. qu’elle est inversible.4 Simulation de processus stochastiques Les méthodes décrites précédemment permettent de simuler une variable aléatoire. double a = exp(-lambda).1≤l≤n  −1 −1 = 1≤k≤n. } Pour la simulation d’autres lois que nous n’avons pas citées. On a parfois besoin de savoir simuler toute la trajectoire d’un processus (par exemple. centré. En explicitant cette équation. on est amené à considérer des processus gaussiens à valeurs dans Rn . · · · . } return n. Nous supposerons que l’on cherche à simuler un vecteur gaussien (X 1 .1≤j≤n où σij = E(Xi Xj ) − E(Xi )E(Xj ). A. int n = 0. – On simule n gaussiennes centrées réduites indépendantes G = (g 1 . – On calcule m + AG. gn ). Nous allons donner une méthode de simulation de ce type de variables aléatoires. De plus sa matrice de covariance vaut :   P −1 −1 E(Zi Zj ) = E A (X − m )A (X − m ) k l l ik  k jl P1≤k≤n. La matrice Γ est définie positive et nous supposerons. Comme Γ est inversible. telle que A × t A = Γ . La loi du vecteur Z est celle de n gaussiennes centrées réduites indépendantes. Il est facile de vérifier que ce vecteur est un vecteur gaussien. On peut trouver une racine carrée de Γ .3 Pour calculer la racine carrée de Γ . · · · . while(u > a){ u = u * Random. Le problème de la simulation des vecteurs gaussiens (voir le paragraphe 1. · · · . on peut supposer A triangulaire supérieure. A l’est également.1≤l≤n E Aik Ajl σkl = (A−1 Γ (t A)−1 )ij = (A−1 At A(t A)−1 )ij = Id. Xn ) dont la loi est caractérisée par le vecteur des moyennes m = (m1 . Z est donc un vecteur gaussien centré de matrice de covariance identité. on obtient facilement les coefficients de A. Simulation de vecteurs gaussiens Lorsque l’on construit des modèles où interviennent plusieurs actifs (par exemple lorsque l’on cherche à modéliser des paniers d’actifs comme l’indice boursier CAC40). c’est à dire une matrice A. n++. · · · .

on remarque que. P (Xi = −1) = 1/2. Simulation du mouvement brownien On peut citer deux méthodes permettant de simuler un mouvement brownien (W t )t≥0 . Dans la deuxième méthode. on peut alors “approximer” le mouvement brownien par le processus (Xnt )t≥0 où : 1 Xnt = √ S[nt] n où [x] désigne la partie entière de x. Ce paragraphe propose quelques procédés élementaires permettant de simuler des trajectoires de processus. On trouvera un début de justification à cette fa¸con de simuler le mouvement brownien dans l’exercice 48. On a alors E (Xi ) = 0 et E X2i = 1.8 SIMULATION ET ALOGRITHMES POUR LES MODÈLES FINANCIERS 153 du temps de la valeur d’un portefeuille d’option. Soit (Xi )i≥0 une suite de variables aléatoires indépendantes  et équidistribuées de loi P (Xi = 1) = 1/2. voir l’exercice 47). On pose Sn = X1 + · · · + Xn . si (gi )i≥0 est une suite de gaussiennes centrées réduites indépendantes.Ch. si ∆t > 0 et si l’on pose : . La première consiste à “renormaliser” une marche aléatoire.

· · · . Wn∆t ). Simulation des équations différentielles stochastiques Il existe de nombreuses méthodes. W∆t . Nous ne parlerons ici que de la méthode la plus élémentaire : la “méthode d’Euler aléatoire”. pour un panorama de ces méthodes [PT85]. W2∆t . on pourra consulter. S0 = 0 Sn+1 − Sn = gn √ √ √ alors la loi de ( ∆tS0 . Le principe en est le suivant : considérons une équation différentielle stochastique : . pour simuler la solution d’un équation différentielle stochastique. · · · . ∆tSn ) est identique à celle de : (W0 . certaines très sophistiquées. √ On peut approximer le mouvement brownien par Xnt = ∆tS[t/∆t] . ∆tS1 .

4 Pour tout T > 0 : E sup |Xnt − Xt | t≤T 2 ! CT étant une constante dépendant uniquement de T . ≤ CT ∆t. On se fixe un pas de discrétisation en temps ∆t. (Xnt )t≥0 approxime (Xt )t≥0 au sens suivant : Théorème 1. . X0 = x dXt = b(Xt )dt + σ(Xt )dWt . en posant :  S0 = x   Sn+1 − Sn = b(Sn)∆t + σ(Sn ) W(n+1)∆t − Wn∆t Si Xnt = S[t/∆t] . On peut alors construire un procesus à temps discrêt (Sn )n≥0 approximant la solution de l’équation différentielle stochastique aux instant n∆t.

La suite approximante (Sn0 )n≥0 est dans ce cas définie par : .   La loi de de la famille W(n+1)∆t − Wn∆t est identique à celle d’une famille de n≥0 gaussiennes indépendantes centrées et de variance ∆t. Dans une simulation. où (gn )n≥0 est une suite de gaussiennes centrées réduites indépendantes. on remplace   √ W(n+1)∆t − Wn∆t par gn ∆t.154 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE On trouvera la démonstration de ce résultat (ainsi que d’autres schémas de discrétisation des équations différentielles stochastiques) dans le chapitre 7 de [Gar88].

On peut démontrer un théorème de convergence.4. Il faut. S00 = x √ 0 Sn+1 = Sn0 + ∆t b(Sn0 ) + σ(Sn0 )gn ∆t Remarque 1.5 On peut substituer à la suite de variables aléatoires gaussiennes indépendantes (gi )i≥0 une suite de variables aléatoires indépendantes (Ui )i≥0 . on n’a pas le même type de convergence que dans le théorème 1. [Tal95] et [KP92] pour des précisions sur ce type de convergence et de nombreux résultats sur les discrétisations en loi des équations différentielles stochastiques. On pourra consulter [Kus77]. Une application au modèle de Black et Scholes Dans le cas du modèle de Black et Scholes. dans ce cas. telle que P(Ui = 1) = P(Ui = −1) = 1/2. mais sur les lois des processus. noter que. il s’agit de simuler la solution de l’équation : . [PT85]. cependant.

X0 = x dXt = Xt (rdt + σdWt ). On pose : . On peut procéder de deux fa¸cons. La première consiste à utiliser la méthode d’Euler aléatoire.

3 du chapitre 5. et à simuler Xt par Xnt = S[t/∆t] . L’autre méthode consiste à utiliser la forme explicite de la solution : ! σ2 Xt = x exp rt − t + σWt 2 et à simuler le mouvement brownien par une méthodes citées précédemment. on obtient un modèle de type binomial proche du modèle de Cox Ross Rubinstein utilisé dans le paragraphe 3. .2) On approxime toujours Xt par Xnt = S[t/∆t] .6 On peut aussi substituer aux variables aléatoires gaussiennes g i des variables de Bernouilli valant +1 ou −1 avec probabilité 1/2 dans (8. S0 = x √ Sn+1 = Sn (1 + r∆t + σgn ∆t). Remarque 1. Dans le cas √ desP où l’on simule le mouvement brownien par ∆t ni=1 gi . on obtient   n √ X 2  Sn = x exp (r − σ /2)n∆t + σ ∆t gi  .2). i=1 (8.

Si l’on note Yk = (Xk∆t /X(k−1)∆t ).1 Approximation de la fonction de répartition d’une gaussienne On a vu au chapitre 4 que le calcul du prix des nombreuses options classiques se ramène à l’évaluation de : Zx x2 dx e− 2 √ . . × (Xn∆t /X(n−1)∆t ). il est facile de se convaincre en utilisant l’équation (8. . . . . (8. nous en donnons deux formules d’approximation tirées de [AS70]. (Wt )t≥0 et (Uj )j≥1 que la suite des (Yk )k≥1 forme une suite de variables aléatoires indépendantes de même loi.3) j=1 où (Wt )t≥0 est un mouvement brownien standard . notons que l’on a : Xn∆t = x × (X∆t /x) × (X2∆t /X∆t ) × . il suffit de savoir simuler Y1 = X∆t /x. Toutes ces variables sont supposées indépendantes. N(x) = P(X ≤ x) = 2π −∞ où X est une variable aléatoire gaussienne centrée réduite. (Nt )t≥0 est un processus de Poisson d’intensité λ. On procède. . On reprend les notations et les hypothèses du chapitre 7 paragraphe 2. . . Cette suite étant indépendante équidistribuée.Ch. (Nt )t≥0 . à valeurs dans ] − 1. on peut prouver. la simulation de X aux instants n∆t se ramène à celle de la suite (Yk )k≥1 . on simule n variables aléatoires selon la loi µ(dx) : U1 . Un . +∞[ de loi µ(dx). Yn . Comme Xn∆t = xY1 . nous allons décrire une méthode permettant de simuler ce processus.3) que la loi de :   N Y j=1  (1 + Uj ) e(µ−σ 2 /2)∆t+σ √ ∆tg est identique à celle de Y1 . Alors. 2 Quelques algorithmes utiles Nous avons rassemblé ici quelques algorithmes d’usage courant lorsque l’on cherche à calculer des prix d’options. et (Uj )j≥1 est une suite de variables aléatoires indépendantes équidistribuées. Le processus (X t )t≥0 servant de modèle d’actif s’écrit :   Nt Y 2 Xt = x  (1 + Uj ) e(µ−σ /2)t+σWt . à l’aide des propriétés de (Nt )t≥0 . Pour simuler ce processus aux instants n∆t. – On simule une variable aléatoire poissonienne de paramètre λ∆t : N.8 SIMULATION ET ALOGRITHMES POUR LES MODÈLES FINANCIERS 155 Simulation des modèles avec sauts On a considéré au chapitre 7 une extension du modèle de Black et Scholes comportant des sauts. Vu l’importance de cette fonction pour les cacluls d’option. (Uj )j≥1 sont supposées indépendantes. Les tribus engendrées par (Wt )t≥0 . comme suit : – On simule une variable aléatoire gaussienne centrée réduite g. alors. 2. – Si N = n. .

000344 c4 = 0.PrixExercice . /* en jours */ Montant PrixExercice. /* en jours */ Date DateEcheance.2 Implémentation informatique de la méthode de Brennan et Schwartz Le programme suivant implémente le calcul du prix d’un put américain en utilisant la méthode décrite au chapitre 5 paragraphe 3.115194 c3 = 0. #include <math. double ObstaclePut(double x.156 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE La première approximation est précise à 10−7 près. /* volatilite annuelle */ double x0. on discrétise l’inéquation parabolique par une méthode totalement implicite et l’on résout l’inéquation en dimension infinie à l’aide de l’agorithme décrit page 112.exp(x).356563782 b3 = 1.781477937 b4 = −1. double x.2. /* Valeur initiale de l’EDS */ } Modele. Modele modele) /* Calcule le prix de l’"option" dans le "modele" a l’instant "t" si le prix du sous jacent a cet instant est "x".h> #define #define #define #define NbrePasPrix 200 NbrePasTemps 200 Precision 0. } PutAmericain.319381530 b2 = −0.0.821255978 b5 = 1. } double Prix(long t. typedef struct PutAmericain { Date DateContrat. else return 0. PutAmericain option.01 NbreDeJoursDansAnnee 360 typedef long Date. 2 2. 2π La deuxième approximation est précise à 10−3 près mais elle ne fait intervenir qu’une fraction rationnelle. PutAmericain Opt) { double u = Opt. mais elle utilise un appel à la fonction exponentielle. Si x > 0 : c1 = 0.330274429 t = 1/(1 + px) x2 1 N(x) ≈ 1 − √ e− 2 (b1 t + b2 t2 + b3 t3 + b4 t4 + b5 t5 ). On effectue un changement de variable logarithmique.196854 c2 = 0. Si x > 0 : p = 0.h> #include <stdio. typedef double vecteur[NbrePasPrix]. typedef struct Modele { double r.2316419 b1 = 0. if (u > 0) return u. */ . typedef double Montant.019527 1 N(x) ≈ 1 − (1 + c1 x + c2 x2 + c3 x3 + c4 x4 )−4 . /* taux d’interet annuel sans risque */ double sigma.

IndicePrix++) Obst[IndicePrix . option).0 * h) . IndicePrix++) { A[IndicePrix] = alpha.1] + delta * (Indice * h . IndicePrix++) C[IndicePrix .1] -= C[IndicePrix . vv.09. for (IndicePrix = NbrePasPrix . G. double l = 2.3 L’algorithme de Cox Ross pour le calcul du prix d’une option américaine Une autre fa¸con courante de calculer le prix du put américain est la méthode de Cox Ross Rubinstein (voir le paragraphe 3. gamma. alpha = k * ((r . k = Temps / NbrePasTemps.DateEcheance .1]) / h. IndicePrix < NbrePasPrix. temp.2]. IndicePrix < NbrePasPrix. C.Prix(0.1] = beta + gamma. IndicePrix--) G[IndicePrix . long Indice. h = 2 * l / NbrePasPrix.0. IndiceTemps.h> #include <stdio.3. A. y. B. h. Modele modele = {0. IndicePrix++) G[IndicePrix] = Obst[IndicePrix].0 * h * h)). G[0] /= B[0]. for (IndicePrix = 0. for (IndiceTemps = 1. printf("%f\n". IndicePrix--) B[IndicePrix .1] = G[IndicePrix .r) / (2.0 * h * h)).1]. B[IndicePrix] = beta.sigma * modele.0.1] .1] < temp) G[IndicePrix . for (IndicePrix = 0. IndicePrix <= NbrePasPrix. IndicePrix < NbrePasPrix. r. vv = modele.h> #define Taille 1000 typedef double Etat[Taille + 1]. IndicePrix >= 1.1. beta.modele)). r = modele.1] / B[IndicePrix .1] = temp.45}.l + IndicePrix * h.0 .A[IndicePrix .1] * G[IndicePrix .1] * G[IndicePrix].G[Indice . Nous en donnons ici une implémentation informatique.*/ 2. for (IndicePrix = 1./* largeur de l’intervalle a considerer */ Temps = (double)(option.360. typedef struct Option { . y = log(x). B[NbrePasPrix . temp = Obst[IndicePrix . } B[0] = beta + alpha. for (IndicePrix = 0. } } Indice = NbrePasPrix / 2. IndicePrix++) { G[IndicePrix .3 du chapitre 5). double alpha.1] /= B[IndicePrix].Ch.r.0. beta = 1 + k * (r + vv / (h * h)). delta = (G[Indice] . IndiceTemps <= NbrePasTemps.1] -= C[IndicePrix . for (IndicePrix = 2. IndicePrix >= 1.1. } /* Exemple : PutAmericain contrat = {0.1] = ObstaclePut(y .1] = 0.45.0 * h) .contrat. G[IndicePrix .t) / NbreDeJoursDansAnnee.vv / 2.l)).sigma. for (IndicePrix = 1. IndicePrix. return (G[Indice . IndicePrix <= NbrePasPrix.vv / (2. delta. if (G[IndicePrix .8 SIMULATION ET ALOGRITHMES POUR LES MODÈLES FINANCIERS 157 { vecteur Obst. IndicePrix < NbrePasPrix. IndicePrix++) A[IndicePrix] /= B[IndicePrix]. IndiceTemps++) { for (IndicePrix = NbrePasPrix . C[IndicePrix] = gamma.1] * A[IndicePrix] / B[IndicePrix]. #include <math.0) / (2. gamma = k * ((vv / 2.vv / (2.45}. k. Temps.

ValeurInitiale * pow(1 + b. double ValeurInitiale. P[i] approxime P(j. On pose F(u) = R−∞ u f(x)dx. j.158 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE double TauxAnnuel.j. long i. N). i++) roi[i] = ro * roi[i . ro. i++) { P[i] = p1 * P[i] + p2 * P[i + 1]. b.K . } 3 Exercices Exercice 44 Soit X et Y deux variables√aléatoires gaussiennes centrées réduites. a = (1 + r) * exp(-opt. les variables aléatoires −2 log(U1 ) cos(2πU2 ) et −2 log(U1 ) sin(2πU2 ) sont indépendantes et suivent une loi gaussienne centrée réduite. /* Calcul des parametres de Cox Ross */ N = 500. et telle que R +∞ f(x)dx = 1. p2. alors la loi de −∞ −1 F (U) est f(x)dx.xmax * roi[i]).1. tmp = plus(opt. proba = (b . j <= N. calculer la loi du couple de variables aléatoires ( X2 + Y 2 . roi[0] = 1.r) / (b .T / N)) . for (i = 1. Exercice 46 On modélise un actif à risque St par l’équation différentielle stochastique : . N. En déduire une méthode de simulation de X.TauxAnnuel * opt. a.0. On veut simuler une variable aléatoire X de loi f(x)dx. 1] et indépendantes. double T. Démontrer que si U est une variable aléatoire uniforme sur [0. telle que f(x) > 0 pour tout x.Sigma * sqrt(opt. i <= N .a).K . 1]. double K. } double Prix(Option opt) { double r. r = opt.proba) / (1 + r). p1 = (1 .x(1+a)^i (1+b)^(N-j-i)) */ /* en N : P[i] = (K-x(1+a)^i (1+b)^(N-i))+ */ xmax = opt.1. for (i = 0. i <= N.1]. tmp.T / N. j++) { xmax /= 1 + b. i <= N. /* A un instant j. for (i = 0. /* par souci d’efficacite on calcule le maximum de choses en dehors de la boucle principale */ ro = (1 + a) / (1 + b). p2 = proba / (1 + r). double Sigma. } Option.xmax * roi[i]). roi. p1. Etat P. arctg(Y/X)). double plus(double x) { return (x>0?x:0). proba. Exercice 45 Soit f une fonction de R dans R. xmax.T / N)) .Sigma * sqrt(opt. En déduire que si U1 et U2 sont q deux variables aléatoires q uniformes sur [0. b = (1 + r) * exp(opt. i++) P[i] = plus(opt. for (j = 1. } } return (P[0]). if (tmp > P[i]) P[i] = tmp.

. S0 = x. dSt = St (µdt + σdWt ) .

Ch. σ la volatilité et r est le taux d’intérêt sans risques. + Interpréter la valeur précédente en terme d’option. Proposer une méthode de simulation permettant d’approcher : E e −rT 1 T ZT Ss ds − ST 0 ! ! . Exercice 47 Le but de cet exercice est d’étudier l’influence de la fréquence de couverture sur la variance d’un portefeuille d’options.8 SIMULATION ET ALOGRITHMES POUR LES MODÈLES FINANCIERS 159 où (Wt )t≥0 est un mouvement brownien standard. L’actif par rapport auquel on considère les options est décrit par le modèle de Black et Scholes : .

puis on ne fait rien. “Se couvrir à delta nul à l’instant t” signifie que l’on calcule la quantité d’actif risqué nécessaire à la couverture et que l’on effectue les transactions adéquates (achat ou vente d’actif) pour réaliser cette couverture. de l’achat d’un call 95 et d’un call 105 et de la vente d’un call 110. On choisira l’une des combinaisons d’options suivantes : – Bull spread : constituée de l’achat d’un call de prix d’exercice 90 (abrégé en call 90) et de la vente d’un call 110 de même échéance. On suppose d’abord que µ = r. – Put ratio backspread : constituée de la vente d’un put 110 et de l’achat de 3 puts 90. puis tous les 10 jours. 1. – On se couvre immédiatement après la vente. On considérera que. puis tous les mois. puis tous les jours. – On se couvre immédiatement après la vente de l’option. On prendra par la suite r = 10%/année. si que Xnt = √1 S[nt] . on touche la prime.2 et x = 100. à l’instant 0. σ = 20%/ année = 0. toutes les options décrites auront une échéance de 3 mois et porteront sur une unité d’actif . Démontrer que. dSt = St (µdt + σdWt ) S0 = x (Wt )t≥0 désigne un mouvement brownien standard. On demande d’écrire un programme qui : – simule l’actif décrit précédemment – calcule la moyenne et la variance de la valeur finale actualisée du portefeuille dans les cas suivants : – On ne se couvre pas du tout : on vend l’option. – On se couvre immédiatement après la vente. n Xnt tend en loi vers Wt . Etudier l’influence de la fréquence de discrétisation. On reprendra la simulation précédente en supposant que µ 6= r (prendre des valeurs de µ supérieures et inférieures à r). l’opérateur encaisse (ou décaisse) les primes et qu’il doit par la suite constituer un portefeuille autofinancé. – On se couvre immédiatement après la vente. Dans la suite. on tient compte de l’exercice de l’option vendue et on calcule la valeur du portefeuille. On pose Sn = X 1 + · · · + X n . – Strangle : constituée de la vente d’un put 90 et de la vente d’un call 110. – Condor : constituée de la vente d’un call 90. Y a-t-il des opportunités d’arbitrage ? Exercice 48 On suppose que (Wt )t≥0 est un mouvement brownien standard et que (Ui )i≥1 est une suite de variables aléatoires indépendantes valant +1 ou −1 avec probabilité 1/2. on attend 3 mois. σ la volatilité annuelle et r désigne le taux √ d’intérêt annuel sans risques. .

· · · . démontrer que le couple (Xnt+s . Si 0 < t1 < · · · < tp . Soient t et s deux réels positifs. 3. Xnt ) tend. . en loi. vers (Wt+s . démontrer que (Xnt1 . Wt ). Xntp ) tend en loi vers (Wt1 . en utilisant le fait que la variable aléatoire X nt+s − Xnt est indépendante de Xnt . · · · . Wtp ).160 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE 2.

05 et P(|X| > 2. Xd ) à valeurs dans PdR est appelée vecteur gaussien.. Pour les grandes valeurs de t > 0. Il est utile de savoir que si X suit la loi normale centrée réduite. 161 . . 96 . Par contre. . on a P(|X| > 1. la variable aléatoire Y = m + σX est appelée gaussienne de paramètres m et σ2 . 2 La fonction caractéristique de X est donc donnée par φX (u) = e−u /2 et celle d’une gaussienne 2 2 de moyenne m et de variance σ2 par φY (u) = eium e−u σ /2 . chapitre 8) ainsi que des tables statistiques (cf. Xd ) est gaussien. Xd d’un vecteur gaussien sont évidemment des gaussiennes. nous rappelons les principales propriétés des gaussiennes. . . Si X est une gaussienne centrée réduite. Xd sont des gaussiennes réelles indépendantes.1 Une variable aléatoire X = (X1 . . X2 .2 Vecteurs gaussiens d Définition 1.) = 0.. On trouvera les démonstrations des résultats dans [Bou86]. alors le vecteur (X1 . si X1 . .) = 0. notée N (m. la densité de Y est donnée par la fonction √2πσ2 exp − 2σ2 . de gaussienne “dégénérée”. paragraphe 9. 01.. . σ2 ) (cette loi ne dépend pas du signe de σ car X et −X ont même loi). par exemple [Bou86]). Les paramètres m et σ2 sont respectivement la  et la variance de  moyenne 2 (x−m) 1 Y. on parle parfois. . chapitre VI.1 Gaussiennes réelles Une variable aléatoire réelle X est appelée gaussienne centrée réduite si elle admet pour densité la fonction ! 1 x2 n(x) = √ exp − . . . 1. . 2π t t 2π t t 2π Rappelons qu’il existe de très bonnes approximations de la fonction de répartition de la loi normale centrée réduite (cf. . on a   z2 E ezX = e 2 . . ad . . mais il ne suffit pas que les coordonnées d’un vecteur soient gaussiennes pour que le vecteur soit gaussien. Si X est une gaussienne centrée réduite et si m et σ sont des nombres réels.Appendice 1 Variables aléatoires gaussiennes Dans ce paragraphe. 1. . la loi de Y est la mesure de Dirac en m et n’a donc pas de densité .. l’estimation suivante est intéressante : Z∞ Z∞ 2 1 1 e−t /2 −x2 /2 −x2 /2 P(X > t) = √ e dx ≤ √ xe dx = √ . . .. dans ce cas. Si σ 6= 0. si pour tous réels a1 . pour tout nombre complexe z. La loi de Y est la loi normale de paramètres m et σ2 . .. Les composantes X1 . Si σ = 0. 2 2π La loi de X est alors appelée loi normale centrée réduite. la variable aléatoire réelle i=1 ai Xi est une gaussienne. 6 .

. on peut associer une partition finie (B1 . . Bn . paragraphe 4). A = X−1 (B) = {X ∈ B} . à valeurs dans un espace mesurable (E.. . .. Xd sont indépendantes. ik ∈ {1. . . On démontre qu’une variable aléatoire Y définie sur (Ω. n}. et que la réciproque est fausse en général. Noter que si B est une sous-tribu finie de A. où f est une application mesurable de (E. si et seulement si elle est de la forme Y = f ◦ X. . . On trouvera une démonstration de ce résultat dans [Bou86]. Xd ) est la matrice Γ (X) = (σij )1≤i. A) un espace probabilisable et soient B1 . Xj ) = E [(Xi − E(Xi ))(Xj − E(Xj ))] . Il y a donc une correspondance biunivoque entre sous-tribus finies de A et partitions finies de Ω par des éléments de A. E) dans (F. à valeurs dans un espace mesurable (F. . On les appelle les atomes de B. F ) est σ(X)-mesurable.1 Exemples de sous-tribus Soit (Ω. chapitre VII. . .. 155. [Bou86]. chapitre VI. A).3 L’importance des gaussiennes pour la modélisation vient notamment du théorème central-limite (cf. On sait que. une application de Ω dans R (muni de sa tribu borélienne) est B-mesurable si et seulement si elle est constante sur chacun des atomes de B. au chapitre 8. . on pourra se reporter à [DCD82] (chapitre 5) et. La famille B des éléments de A qui sont vides ou de la forme Bi1 ∪ Bi1 ∪ · · · ∪ Bik . . Xd ) un vecteur gaussien à valeurs dans Rd . à toute sous-tribu finie B de A. qui engendrent B : les Bi sont les éléments non vides de B qui ne contiennent pas d’autre élément de B qu’eux-mêmes et la partie vide.j≤d dont les coefficients sont donnés par : σij = cov(Xi . forme une sous-tribu finie B de A.. E). Bn ) de Ω par des éléments de A. . Les variables aléatoires X1 .2 Soit X = (X1 . Soit maintenant une variable aléatoire X définie sur (Ω. p. . F ) (cf. pour leur simulation... n éléments de la tribu A formant une partition de Ω. la matrice Γ (X) est diagonale. C’est évidemment une sous-tribu de A et il est facile de voir que  σ(X) = A ∈ A|∃B ∈ E. Autrement dit. si les variables aléatoires X1 . A).. . Réciproquement. les variables aléatoires σ(X)-mesurables sont exactement les fonctions mesurables de X. Xd sont indépendantes si et seulement si la matrice de variance-covariance du vecteur X est diagonale. . p. . La tribu engendrée par X est la plus petite tribu rendant l’application X mesurable : on la note σ(X).162 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE La matrice de variance-covariance d’un vecteur aléatoire X = (X1 . qui n’est autre que la tribu engendrée par les Bi . [Bou86]. 2 Espérance conditionnelle 2. Remarque 1. . . avec i1 . . . . B2 . . mais vraie dans le cas gaussien : Théorème 1.101-102). Pour l’estimation statistiques des gaussiennes.. .

2. 6. Ω}). unique aux ensembles négligeables près. Si X est B-mesurable.2 Soit X une variable aléatoire réelle.s.4) ∀u ∈ R E eiuX |B = E eiuX p. Si P(B) 6= 0. on a E(X|B) = E(X). on a E(X|B) = i P(BBi )i 1Bi . 8.. Bn . P) un espace de probabilité et soit B une sous-tribu de A. P E(X1 ) Si B est une sous tribu finie.s.. X est indépendante de la tribu B si et seulement si :     (8. E (E (X|B)) = E (X). E eiuX 1B =   E eiuX P(B).4)eniuX iuX traîne l’indépendance.8 APPENDICE 2. Ainsi. La définition de l’espérance conditionnelle repose sur le théorème suivant (pour une démonstration.2 Propriétés de l’espérance conditionnelle Soit (Ω. pour tout B ∈ B.1 Pour toute variable aléatoire réelle intégrable X. alors E(X|B) ≥ 0 p. E (ZX|B) = ZE (X|B) p.   (8. Si Z est B-mesurable et bornée.s... on déduit que |E (X|B)| ≤ E (|X||B) p. 1. telle que : ∀B ∈ B E(X1B ) = E(Y1B ). 4. Le maniement des espérances conditionnelles repose sur les propriétés suivantes.s. on a. . E(X|B) = X. 3.s. mais on a le résultat suivant. E (ZE(X|B)) = E(ZX). intégrable B-mesurable. Dans le cas de la tribu grossière (B = {∅. Positivité : si X ≥ 0.. par définition de l’espérance conditionnelle. Or. La réciproque de cette propriété est fausse. plus généralement. Pour toute variable aléatoire Z B-mesurable et bornée. d’atomes B1 . [Bou86].. la somme étant limitée aux atomes de probabilité non nulle. et donc que kE(X|B)kL1 (Ω) ≤ kXkL1 (Ω) . chapitre 8). .s.. . sur chaque atome B i . Théorème 2. Y.s. si E e |B = E e . 7.163 Ch. Proposition 2.s. Linéarité : E (λX + µY|B) = λE (X|B) + µE (Y|B) p. X ≥ Y ⇒ E(X|B) ≥ E(Y|B) p. E (X|B) = E (X) p. 5. p. on peut écrire que E e iuX 1B P(B) !   = E eiuX . et.. Y est appelée espérance conditionnelle de X sachant B et notée E(X|B). il existe une variable aléatoire réelle. De cette propriété. Si C est une sous-tribu de B. A. alors : E (E (X|B) |C) = E (X|C) p. Démonstration : Compte tenude la propriété il suffit de montrer que   8 ci-dessus.s. Si X est indépendante de B alors. cf.. la valeur de E(X|B) est la valeur moyenne de X sur Bi .

positive (ou bornée) sur (E × F. la fonction ϕ définie par : ∀x ∈ E ϕ(x) = E (Φ(x. Si on note PX. . P). pour toute variable aléatoire Z B-mesurable positive et les règles de calcul sont essentiellement les mêmes que dans le cas intégrable (cf. Soit maintenant Z une variable aléatoire B-mesurable positive (par exemple Z = 1B .5 Soit X une variable aléatoire B-mesurable à valeurs dans (E. L’espérance conditionnelle de X sachant B apparaît alors comme la meilleure approximation de X au sens des moindres carrés par une variable aléatoire B-mesurable de carré intégrable. en utilisant l’indépendance de Y et du vecteur (X. sous les hypothèses énoncées. A. avec B ∈ B). Proposition 2.3 Si X est de carré intégrable. Z). ce qui entraîne l’indépendance.164 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE Cette égalité signifie que la fonction caractéristique de X est la même sous la probabilité P 1B et sous la probabilité de densité P(B) par rapport à P.3 Calculs d’espérances conditionnelles La proposition suivante est très souvent utilisée dans ce livre. Y)Z) = Φ(x. est la meilleure approximation de X par une fonction de ξ. En particulier. [Bou86].Z (x. y)dPY (y) F et la mesurabilité de Φ résulte du théorème de Fubini. z) Z = ϕ(x)zdPX. y)zdPX. Noter que l’on a (en utilisant le théorème de Pythagore !) kE(X|B)kL2 (Ω) ≤ kXkL2 (Ω) . considéré comme sous-espace fermé de L2 (Ω. Remarque 2. paragraphe 2). z)dPY (y) ! Z Z = Φ(x. pour toute fonction borélienne bornée. Démonstration : Notons PY la loi de Y. y)dPY (y) zdPX. F ).s. B.Z la loi du couple (X. Y)|B) en faisant comme si X était une constante. P). il en est de même de E(X|B) et E(X|B) coïncide avec la projection orthogonale de X sur L2 (Ω. [DCD82]. L’égalité des fonctions caractéristiques entraîne l’égalité des lois et. chapitre VIII. par conséquent. On a : Z ϕ(x) = Φ(x.4 On peut aussi définir E(X|B) pour toute variable aléatoire X positive (sans condition d’intégrabilité). puisque les variables aléatoires σ(ξ)-mesurables sont les fonctions mesurables de ξ. on peut calculer E (Φ(X. 2. Z). à valeurs dans (F. z) = E (ϕ(X)Z) . chapitre 6). La signification de cette proposition est que.Z (x. l’espérance conditionnelle E(X|B). qui est alors notée E(X|ξ). 1B E f(X) P(B) ! = E (f(X)) . on a. E) et soit Y est une variable aléatoire indépendante de B.. Y) 7→ E(XY) (cf. Remarque 2. muni du produit scalaire (X.Z (x. ZZ E (Φ(X. Y)|B) = ϕ(X) p. On a alors E(XZ) = E (E(X|B)Z). si B est la tribu engendrée par une variable aléatoire ξ. Pour toute fonction Φ borélienne. E) et on a : E (Φ(X. E ⊗ F ). Y)) est borélienne sur (E.

. On a tout d’abord l’énoncé suivant. ∀x ∈ V ξ(x) > 0. . Démonstration : Soit λ un réel positif tel que la boule fermée B(λ) centrée à l’origine et de rayon λ rencontre C et soit x0 . on obtient l’inégalité x0 . En développant les deux membres de l’inégalité kx0 + t(x − x0 )k2 ≥ kx0 k2 . ∀x ∈ K 2.8 APPENDICE ce qui entraîne le résultat annoncé. si (Y. Le vecteur x0 n’est autre que la projection de l’origine sur le convexe fermé C. ξ(x) = 0. . i=1 où les ci sont des constantes réelles. Pour plus de détails sur ces questions. X1 . Xn ) est un vecteur gaussien (à valeurs dans Rn+1 ). disjoint de K. Soit maintenant x ∈ C. on a. . 1].x le produit scalaire de x0 et x. . L’hyperplan ξ(x) = 0 ne rencontre donc pas C. 3 Théorème de séparation des convexes Dans ce paragraphe. on pourra consulter l’annexe de [Min83]. Il existe une forme linéaire ξ sur Rn .1 Soit C un convexe fermé ne contenant pas l’origine.6 Dans un cadre gaussien. puisque C est convexe. . En effet. x0 + t(x − x0 ) ∈ C. réalisant le minimum de la fonction continue x 7→ kxk (où k · k est la norme euclidienne) sur le compact C ∩ B(λ). Cela signifie que la fonction des Xi qui approche au mieux Y est une fonction affine et que l’on peut calculer Z en projetant dans L 2 la variable aléatoire Y sur le sous-espace vectoriel linéairement engendré par la constante 1 et les X i (cf.2 Soit K un convexe compact et soit V un sous-espace vectoriel de R n . pour tout t ∈ [0. Théorème 3. chapitre 8. vérifiant les deux conditions suivantes : 1. .x ≥ kx0 k2 > 0. . ce qui donne immédiatement le résultat annoncé. Xn ) est de la forme : Z = c0 + n X c i Xi . et en notant x0 . l’espérance conditionnelle Z = E (Y|X1 .165 Ch. . Il existe une forme linéaire ξ sur Rn et α > 0 tels que : ∀x ∈ C ξ(x) ≥ α. On a immédiatement : ∀x ∈ C kxk ≥ kx0 k. pour tout x ∈ C. Théorème 3. le calcul d’une espérance conditionnelle est particulièrement simple. Remarque 2. [Bou86]. Le sous-espace V est donc contenu dans un hyperplan qui ne rencontre pas K. paragraphe 5). X2 . nous donnons la version du théorème de séparation des convexes utilisée dans le chapitre 1.

1. ∀z ∈ V ξ(y) − ξ(z) ≥ α. ce qui achève la démonstration.166 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE Démonstration : L’ensemble C = K − V = {x ∈ Rn | ∃(y. D’où : ∀y ∈ K. puis . avec λ ∈ R. fermé (car V est fermé et K est compact) et ne contient pas l’origine. En fixant y et en appliquant (8. D’après le théorème 3. (8. x = y − z} est convexe.5) ξ(z) = 0.5) à λz. z) ∈ K × V. on peut donc trouver une forme linéaire ξ sur R n et α > 0 tels que : ∀x ∈ C ξ(x) ≥ α. on obtient : ∀z ∈ V ∀y ∈ K ξ(y) ≥ α.

Brennan et E.G. [BAW87] G.C. [Ben84] A. 1984. Ross. Abramowitz et I. Proc.A. [BL89] N. Sup. Artzner et F. The valuation of the american put option. Journal of Political Economy. 42 :301–320. 1987. 1988. Bouleau. 1982. and Quant. editeurs. of finance. Anal. [BS73] F. Masson. 1979. 3 :133–155. 1973. Acta Appl. 10 :95–129.. and Appl. Lamberton. 81 :635–654.BIBLIOGRAPHIE 167 Bibliographie [AD89] P. Sci. Ingersoll. 2 :139–158. Bensoussan et J.L. Stegun. [BL78] A. 1990. 307 :625–630. of Finan. Chateau. Hermann. Econometrica. Brennan et E. Sur les risques résiduels des stratégies de couverture d’actifs conditionnels. Théorie de la spéculation.. Comptes Rendus de l’Académie des Sciences. Advances in Applied Mathematics. Efficient analytic approximation of american option values.J. Black et M. Dunod. The pricing of options and corporate liabilities.A. Probabilités de l’Ingénieur.. Ecole Norm. PhD thesis. Delbaen. Whaley. Ciarlet. On the theory of option pricing. 1988. Math. Term structure of interest rates : The martingale approach. Schwartz. 1977. Applications des inéquations variationnelles en contrôle stochastique. [Cha90] O. Journal of Finance. Université de Paris VI.S. [CER88] CERMA. Bachelier. Une Introduction à l’analyse numérique matricielle et à l’optimisation. Ann. [Bac00] L. Rubinstein. et S. Dover. Quelques remarques sur les processus à accroissements indépendants et stationnaires. 1988. 1989. 1900. [Bou86] N. Stoch. [AS70] M. et la subordination au sens de Bochner.S. Options Markets. A continuous time approach to the pricing of bonds. of Banking and Finance.J. 17 :301–329. [CR85] J. [Cia88] P. The pricing of options on default-free bonds. J. [Bou88] N. [BS79] M. Cox et M. Lions. 32 :449–462. . [Cou82] G. Barone-Adesi et R. Bouleau et D. Bouleau. 1985. [CIR85] J. 33 :131–150.E.. Cox.C. Scholes. [BS77] M. Schwartz. 1986. Bensoussan. Processus Stochastiques et Applications. Handbook of Mathematical Functions. Courtadon. 1978. J. Prenctice–Hall. 1989. 1985. J. J. 9th edition. 53 :385–407.. 1970. A theory of the term structure of interest rates. Hermann. Residual risks and hedging strategies in markovian markets. London. 17 :21–86.

Huang et R. Bond pricing and the term structure of interest rates. et W. [DS94] F. Lee. Willinger. [Duf88] D.J. Dans M. pages 389–414. Elliott. J. 1975. Martingales and stochastic integrals in the theory of continuous trading. D. Dacunha-Castelle et M.R. Jamshidian. 1986. [Gar88] T. Masson. [Kar81] N. Föllmer et M. Lapeyre. [HL86] T. Litzenberger. [FS86] H. Pliska. 1989. Stochastic Processes and their Applications. Equivalent martingale measures and noarbitrage in stochastic securities market models. 1988. Marcel Dekker. Problèmes à temps mobile.J. Harrison et S. Dalang.L. Stochastic Differential Equations And Diffusion Processes. An exact bond pricing formula. Heath. Dans W. Term structure movements and pricing interest rate contingent claims. Probabilités et statistiques. tome 1. Applied Stochastic Analysis. Masson.V. et R. [GS80] I. Duffie. Gordon and Breach. preprint. El Karoui. Amsterdam. Jarrow. 1988. 1981. Trémolières. 1988. Gard. 300 :463–520. 1983. 29(2) :185–202. 1976. Academic Press. Delbaen et W. Glowinsky. Lamberton. Foundations for Financial Economics. Morton. 41 :1011–1029.H. Harrison et D. Mir. Stochastic Differential Equations and Applications.. 1990. Les aspects probabilistes du contrôle stochastique. Gihman et A. Dunod. 1986. 1991.I.Hildebrand et A. Academic Press. Skorohod. Duflo. 1981. 1983. Problèmes à temps fixe. [HP81] M. Lions. Stochastic Models. Föllmer et D. Mas-Colell. Martingales and arbitrage in multiperiod securities markets. 1994. A general version of the fundamental theorem of asset pricing. A. North-Holland.M. Kreps. 876 :72–238„ 1981. Schachermayer.J. [HK79] M. New-York. Hedging of contingent claims under incomplete information. Dacunha-Castelle et M. Hedging of non redundant contingent claims. editeurs. Jaillet. 1980. volume 5 de Stochastics Monographs. Morton. Acta Applicandae Mathematicae.. Introduction à la Théorie des Processus Aléatoires. Stochastic Processes and their Applications. 11 :215–260. tome 2.J. 1990. 15 :313–316. et B. [IW81] N. North-Holland. A.A. Davis et R. [HJM87] D. Journal of Finance. Watanabe. [DCD83] D. 1982. editeurs. Pliska.C. Analyse numérique des inéquations variationnelles. . [Jam89] F. Ho et S. Friedman. Tokyo. Introduction to Stochastic Differential Equation. Duflo. [JLL90] P. Ikeda et S. of Economic Theory. A stochastic calculus model of continuous trading : complete markets. J. Schweizer.R. Harrison et S. Math. [HL88] C. [GLT76] R. Ann.F. 29 :381–408. et A. 44 :205–209.H. Lecture Notes in Mathematics (Springer). Probabilités et statistiques. [Fri75] A.S. Variationnal inequalities and the pricing of american options. NorthHolland. J. [FS91] H. Sondermann. 21 :263–289. Security Markets. Contributions to Mathematical Economics in Honor of Gerard Debreu.168 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE [DCD82] D. 1987.B. Stochastics and Stochastics Reports. of Finance. 1979. [HP83] M. [DMW90] R.

22(3) :1536–1575. 33. 1992. EL Karoui et M. 3 :125–144. Knuth. Morton. of Financial Economics. Rogers et D. [Mer73] R. 4 :141–183. 1977. Talay. Control Optim. Acta Applicandae Mathematicae..C. Springer Verlag. Kloeden et E. Karatzas. A pricing formula for options on coupon-bonds. and Appl.C. Merton. Addison-Wesley. Revuz et M. 1994. Paris. [Sch92] M. [PT85] E. New York. New-York. Rochet. [KS88] I. 33 :29–66. Karatzas. 1983. 10 1990. Schweizer. Continuous Martingale Calculus.A... 1981. 1989. Vol. Itô Calculus. Numerical Solution of Stochastic Differential Equations. 1 :119–139. 1972. 2 :171–179. 1987. J. On the pricing of american options. 1983. 26 :331–355.C. Diffusions. Annales de l’IHP. Thomas.BIBLIOGRAPHIE 169 [Kar88] I. [KP92] P. Lamberton et G. 2. Merton. [Kar89] I. Brownian Motion and Stochastic Calculus. Yor. Probability Methods for Approximations in Stochastic Control and for Elliptic Equations.A. [RY90] A. Analytic approximation for the american put price. Ann. 1985. Platen. Option hedging for semi-martingales. [KQ95] N. Introduction à l’analyse numérique des équations aux dérivées partielles. [RW87] L. 1988. Arbitrage and Martingales. Tome 2. . [LP90] D. Martingales à temps discret. Random numbers for simulation. [Sch94] M. SpringerVerlag. [Sch89] M. 1995. S. Communications of the ACM. Advances in Futures and Options Research. 8925. of Econom. New York. Proc. The Art of Computer programming. [L’E90] P.C. Pagés. Raviart et J. [RT83] P. Seminumerical Algorithms.. Masson. 3 :23–47. [Min83] M. Masson. Williams. Sur l’approximation des réduites. Probab. Stoch.J. PhD thesis. Springer-Verlag. Discretization and simulation of stochastic differential equations. [Knu81] D. [Mor89] A. Cahier de recherche du GREMAQ-CRES. Schweizer. Markov Processes and Martingales. [Kus77] H.G. Minoux. Programmation mathématique. 1988. Dunod. 2 tomes. Schweizer.C. and Management Sci. Shreve. 1990. L’Ecuyer.J. Theory of rational option pricing. [Nev72] J. [Mil86] Mac Millan.M. [Mer76] R. [KR89] N.E. Quenez. 1989. 27 :1221–1259. J. El Karoui et J. 1989. SIAM J. 1976. 1989. 1992. Cornell University. Optimization problems in the theory of continuous trading. Academic Press. Mean-variance hedging for general claims. Dynamic programming and pricing of contingent claims in an incomplete market.E. Bell J. Option pricing when underlying stock returns are discontinuous. 17 :37–60. Control and Optimization. Pardoux et D. Annals of Applied Probability. 1973. Neveu. Approximating random variables by stochastic integrals.M. John Wiley and Sons.I. Applied Mathematics and Optimization. 1990. 1986. Karatzas et S. Kushner.E.

1995. Probablistic Methods in Applied Physics.. Schweizer. [Tal95] D. 1987. Ann. J. Stochastic Anal. à paraître. Numerical analysis of american option pricing in a jump-diffusion model. 26 :451– 460. pages 54–96. [SS84] S. Springer. Berlin Heidelberg. 1990. Talay. Schwartz. of Finan. 19 :413–424. Henri Poincaré. Schaefer et E.. . Appl. Zhang. Inst. Anal. 1995. Dans Paul Krée et Walter Wedig. 1984. [Zha97] X. Simulation of stochastic differential systems.170 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE [Sch95] M. Arbitrage et lois de martingales. Algorithms. Mathematics of Operations Research. [Sed87] R. Stricker. [Str90] C. Addison–Wesley. On the minimal martingale measure and the foellmer-schweizer decomposition. Sedgewick. editeurs.L. and Quant. A two-factor model of the term structure : an approximate analytical solution.S. volume 451 de Lecture Notes in Physics. 13(5) :573–599. 1997.

75 Gaussienne. 16 Algorithme de Brennan et Schwartz. 74. 56–58 Espérance conditionnelle. 113. 28 Equations aux dérivées partielles paraboliques. 104 sur un ouvert borné. 45 Bessel (fonction de). 109 Intégrale stochastique. 162 multidimensionnelle. 106 méthode de Mac Millan et de Barone-Adesi et Waley. 13. 125 exponentielle. 109 Générateurs de nombres aléatoires. 50 Call. 17 Echéance. 9 Complet. 112. 40 Formule d’intégration par parties. 9 Enveloppe de Snell. 20 non complet. 70. 25 d’un put américain. 80 Inégalité de Doob. 95. 75 Méthode de Monte Carlo. 156 de Cox Ross Rubinstein. 157 Arbitrage. 133. 162 cas gaussien. 110 inéquation en dimension finie. 112 Méthode de Cox Ross Rubinstein. 144–147 Loi du chi-deux décentré. 117. 161 Décomposition de Doob. 164 et projection orthogonale. 110 Inéquations aux dérivées partielles. 149 Méthodes numériques algorithme de Brennan et Schwartz. 161 gaussienne centrée réduite.Index Actif à risques. 73 Générateur infinitésimal. 113. 156 différences finies. 164 Filtration. 157 méthode de Gauss. 161 Girsanov (théorème de). 108 en dimension finie. 110–112 méthode numérique. 36 des calls et des puts. 54 Formules de Black-Scholes. 13. 98 résolution numérique. 133. 13 sans risque. 165 d’une variable aléatoire positive. 40 naturelle. 118 sous-jacent. 10 Atome. 127 Couverture. 51 171 . 20 Courbe des taux. 148 viable. 114 Marché complet. 150 Gamma. 104 fonction de répartition d’une loi gaussienne. 148 d’un call. 9 Adapté. 44 Inéquation aux dérivées partielles. 67 normale. 134 gamma. 10 absence de couverture parfaite. 134 log-normale. 30 Delta. 53 Formule d’Itô. 101 Equations différentielles stochastiques. 164 par rapport à une variable aléatoire. 126 Calcul de Itô. 155 inéquation. 112. 13 conditionnel. 19 financier.

13 admissible. 9 asiatique. 133–148 simulation. 74 . 70 Séparation des convexes. 153 Obligation. 124–127 de Cox-Ross-Rubinstein. 14. 13. 10 Prix critique. 68. 43 Théorème d’arrêt. 123. 14 Vente à découvert. stochastiques. 133 mouvement brownien. 58 de Poisson. 153 modèle avec sauts. 23 de taux d’intérêt. 15 Viable. 39 d’Ornstein-Ulhenbeck. 129 Probabilités équivalentes. 67–83 simulation. 152 Sous-tribu. 19 simulable. 16 Pricing. 9 américaine. 78 d’une obligation. 120. 143 d’un call américain. 22 d’une option européenne. 16 Véga. 121. 141 de consommation. 10 d’un call. 154 de Black-Scholes. 34 d’un call européen. 80 d’exercice. 71. 11. 41 Processus d’Itô. 77 d’un put. 133 Prévisible. 16 à temps continu. 69 Représentation des martingales. 19. 11. 151 variable exponentielle. 74 implicite. 141 autofinancée. 154 modèle de Black-Scholes. 43 Modèle avec sauts. 75 Valeur d’un portefeuille. 143 d’une option sur obligation. 54 Théorème d’arrêt. 42. 43 Thêta. 162 Sousmartingale. 143 d’un put américain. 59–61 Put. 27. 73 d’un put perpétuel. 21. 16 Taux d’intérêt forward. 98 Option. 71 Parité (relation de parité call-put). 127 de Cox-Ingersoll-Ross. 150 gaussienne. 75 Transformée de martingale. 16 Stratégie. 19 Simulation de processus. 109 perpétuel. 13 Mouvement brownien. 69 Processus à temps continu.172 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE Martingale. 40 optimal. 151 variable poissonienne. 73. 19 européenne. 15. 42 exponentielle. 72. 50 Propriété de Markov. 17 Volatilité. 17. 151 vecteur gaussien. 9 inéquation aux dérivées partielles. 27 Surmartingale. 24 Poisson(processus de). 120. 35 d’un put européen. 41 Simulation de processus. 76 Suite arrêtée. 117 Opérateur de Dynkin. 154 mouvement brownien. 153 Simulation des variables aléatoires. 122–124 discret. 117–131 de Vasicek. 54. 30 temps d’atteinte. 152 équations diff. 127 Temps d’arrêt. 78 Radon-Nikodym (théorème de). 10. 36. 154 de courbe des taux. 9. 165 Simulable. 126 d’une option américaine. 119.