Vous êtes sur la page 1sur 254

INTRODUCTION

AU CALCUL
STOCHASTIQUE
,
APPLIQUE
'
A LA FINANCE

INTRODUCTION
AU CALCUL STOCHASTIQUE
APPLIQU LA FINANCE

Damien Lamberton

Bernard Lapeyre

Universit Paris-Est,
Professeur l'Universit Paris-Est
Marne-la-Valle, France

Universit Paris-Est,
Professeur l'cole
des Ponts ParisTech, France

ISBN 978-2-7298-71987
Ellipses dition Marketing S.A., 2012
32, rue Bargue 75740 Paris cedex 15

DANGER
PHOJOCOPlltAGE
TUE LE LIVRE

Le Code de la proprit intellectuelle n'autorisant, aux termes de l'article L. 122-5.2 et


3a), d'une part, que les copies ou reproductions strictement rserves l'usage priv
du copiste et non destines une utilisation collective , et d'autre part, que les analyses
et les courtes citations dans un but d'exemple et d'illustration, toute reprsentation ou
reproduction intgrale ou partielle faite sans le consentement de lauteur ou de ses ayants
droit ou ayants cause est illicite (art. L. 122-4).
Cette reprsentation ou reproduction, par quelque procd que ce soit constituerait une
contrefaon sanctionne par les articles L. 335-2 et suivants du Code de la proprit
intellectuelle.

www.editions-ellipses.fr

Avant-propos
Les mathmatiques financires se sont beaucoup dveloppes depuis la premire
dition de ce livre. Pour cette nouvelle dition, nous n'avons pas cherch tre exhaustifs sur toutes les contributions rcentes mais nous avons choisi quelques techniques ou concepts qui pouvaient tre inclus sans exiger de longs dveloppements
mathmatiques. Ceci a t fait, en partie, par l'addition de nouveaux exercices. Les
principales modifications concernent :
- des complments bibliographiques, en particulier sur les marchs incomplets
- des complments sur les modles discrets (approche de Rogers pour le
Thorme Fondamental de !'Evaluation des Actifs Financiers, sur-rplication
en march incomplet, voir chapitre 1 exercices 1 et 2),
- la notion de volatilit locale et la formule de Dupire (voir chapitre 4),
- les techniques de changement de numraire et de mesure "forward" (voir chapitres 1 et 6),
- le modle "forward LIBOR" (ou modle BGM, voir chapitre 6),
- un nouveau chapitre sur la modlisation du risque de crdit,
- une extension du chapitre traitant de la simulation incluant des illustrations
numriques des techniques de couvertures, de rduction de variance, etc.
Nous souhaitons remercier, outre les personnes cites dans l'introduction, un certain nombre de collgues dont les suggestions ont t utiles cette nouvelle dition.
Nous sommes, tout particulirement, reconnaissants Marie-Claire Quenez, Benjamin Jourdain, Philip Protter, Marc Yor (qui nous a inspir l'exercice 18 li une
erreur de la premire dition) et, pour le chapitre sur le risque de crdit, Monique
Jeanblanc et Rama Cont (dont les cours nous ont introduits ce nouveau sujet) et
Aurlien Alfonsi.
Nous remercions enfin les collgues qui nous ont signal des erreurs et des coquilles. Il en reste hlas srement et nous esprons que les lecteurs de cette nouvelle
dition voudront bien nous les signaler.

Table des matires


1 Modles discrets
1.1 Le formalisme des modles discrets
1.2 Martingales et arbitrages . . . . . .
1.3 Marchs complets et valuation des options
1.4 Problme corrig : le modle de Cox, Ross et Rubinstein
1.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . .

15
15
18
23
27
32

Problme d'arrt optimal et options amricaines


2.1 Notion de temps d'arrt . . . . . . .
2.2 Enveloppe de Snell . . . . . . . . . . . .
2.3 Dcomposition des sur-martingales . . . .
2.4 Enveloppe de Snell et chanes de Markov
2.5 Application aux options amricaines
2.6 Exercices . . . . . . . . . . . . . . . . .

37
37
38
41
42
43
46

Mouvement brownien et quations diffrentielles stochastiques


3.1 Gnralits sur les processus temps continu
3.2 Le mouvement brownien . . . . . .
3.3 Martingales temps continu . . . . .
3.4 Intgrale stochastique et calcul d'It .
3.5 quations diffrentielles stochastiques
3.6 Exercices . . . . . .

49
50
51
52
55
69
77

Modle de Black-Scholes
4.1 Description du modle . . . . . . . . . . . . . . . . . . . . . . . .
4.2 Changement de probabilit. Thorme de reprsentation des martingales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.3 valuation et couverture des options dans le modle de Black-Scholes
4.4 Options amricaines . . . . . . . . . . . . . . . . . . . . . . .
4.5 Volatilit implicite et modles volatilit locale . . . . . . . .
4.6 Modle de Black-Scholes avec dividendes et symtrie call/put
4.7 Exercices
4.8 Problmes . . . . . . . . . .

83

83

86
88
93
97
99
100
103

Table des matires

5 valuation des options et quations aux drives partielles


5 .1
5.2
5.3
5.4

Calculs de prix d'options europennes pour les modles de diffusion


Rsolution numrique des quations paraboliques
Les options amricaines .
Exercices . . . . . .

6 Modles de taux d'intrt


6.1
6.2
6.3

Principes de la modlisation
Quelques modles classiques
Exercices . . . . . . .

7 Modles d'actifs avec sauts


7.l
7.2
7 .3
7.4
7 .5

Processus de Poisson . . . . . . . . . . . . . . . .
volutiondel'actifrisqu . . . . . . . . . . . . .
Martingales dans un modle de diffusion avec sauts
valuation des options dans un modle de diffusion avec sauts
Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . .

8 Modles de risque de crdit


8.l
8.2
8.3
8.4

Modles structurels
Modles intensit
Copules .
Exercices . . . . .

9 Simulation et algorithmes pour les modles financiers


9. l
9.2
9.3
9.4

Simulation et modles financiers . . . . . . . . . .


Introduction aux mthodes de rduction de variance .
Exercices . . . . . . . . . . . .
Exprimentations informatiques

Appendice
A.1 Variables alatoires gaussiennes
A.2 Esprance conditionnelle . . . .
A.3 Thorme de sparation des convexes

119
120
128
134
141

145
145
154
165

169
169
171
173
178
187

191
191
192
198
201

203
203
211
221
222

233
233
235
239

Bibliographie

241

Index

249

Introduction
Le but de ce livre est de fournir une introduction aux techniques probabilistes ncessaires la comprhension des modles financiers les plus courants.
Les spcialistes de la finance ont en effet recours, depuis des annes, des outils
mathmatiques de plus en plus sophistiqus (martingales, intgrale stochastique,. .. )
pour la description de phnomnes et la mise au point de mthodes de calcul.
En ralit, l'intervention du calcul des probabilits en modlisation financire
n'est pas rcente : c'est en tentant de btir une "thorie de la spculation" que Bachelier ( 1900) a dcouvert, au dbut du sicle dernier, !'objet mathmatique appel
aujourd'hui "mouvement brownien". Mais elle a pris une dimension nouvelle partir de 1973, avec les travaux de Black-Scholes et Merton (Black et Scholes (1973),
Merton (1973)) sur l'valuation (pricing en anglais) et la couverture (hedging) des
options. Depuis, tandis que se dveloppaient les marchs d'options, les mthodes de
Black, Scholes et Merton ont t perfectionnes, tant au niveau de la gnralit que
de la clart et de la rigueur mathmatique, et la thorie parat suffisamment avance
pour tenter de la rendre accessible des tudiants.

Le problme des options


Notre expos est principalement centr sur le problme des options, qui a t le
moteur de la thorie et reste 1' exemple le plus frappant de la pertinence des mthodes
de calcul stochastique en finance. Une option est un titre financier donnant son
dtenteur le droit, et non l'obligation d'acheter ou de vendre (selon qu'il s'agit d'une
option d'achat ou de vente) une certaine quantit d'un actif financier une date
convenue et un prix fix d'avance. La description prcise d'une option se fait
partir des lments suivants :
- la nature de !'option : on parle, suivant la terminologie anglo-saxonne, de cal!
pour une option d'achat et de put pour une option de vente;
- !'actif sous-jacent, sur lequel porte !'option : dans la pratique, il peut s'agir
d'une action, d'une obligation, d'une devise etc.
- le montant, c'est--dire la quantit d'actif sous-jacent acheter ou vendre;
- l'chance ou date d'expiration, qui limite la dure de vie de l'option : si
l'option peut tre exerce n'importe quel instant avant l'chance, on parle
d'option amricaine, si l'option ne peut tre exerce qu' l'chance, on parle
d'option europenne;
9

Introduction

10

- le prix d'exercice qui est le prix (fix d'avance) auquel se fait la transaction en
cas d'exercice de l'option.
L'option elle-mme a un prix, appel prime. Lorsque l'option est cote sur un march
organis, la prime est donne par le march. En l'absence de cotation, le problme
du calcul de la prime se pose. Et, mme pour une option cote, il peut tre intressant
de disposer d'une formule ou d'un modle permettant de dtecter d'ventuelles anomalies de march.
Examinons, pour fixer les ides, le cas d'un call europen, d'chance T, sur une
action dont le cours la date test donn par St. Soit K le prix d'exercice. Il est clair
que si, l'chance T, le prix K est suprieur au cours Sr, le dtenteur de l'option
n'a pas intrt exercer. En revanche, si Sr > K, l'exercice de l'option permet
son dtenteur de faire un profit gal Sr - K en achetant l'action au prix K et en la
revendant sur le march au cours Sr. On voit qu' l'chance, la valeur du call est
donne par la quantit

(Sr - K)+ =max( Sr - K, 0).


Pour le vendeur de l'option, il s'agit, en cas d'exercice, d'tre en mesure de fournir
une action au prix K, et, par consquent, de pouvoir produire l'chance une richesse gale (Sr - K)+ Au moment de la vente de l'option, que nous prendrons
comme origine des temps, le cours Sr est inconnu et deux questions se posent :
1. Combien faut-il faire payer l'acheteur de l'option, autrement dit comment
valuer l'instant t = 0 une richesse (Sr - K)+ disponible la date T? c'est
le problme du pricing.
2. Comment le vendeur, qui touche la prime l'instant 0 parviendra-t-il produire la richesse (Sr - K)+ la date T? C'est le problme de la couverture.

La notion d'arbitrage et la relation de parit call-put


La rponse aux deux questions qui prcdent ne peut se faire qu' partir d'un
minimum d'hypothses de modlisation. L'hypothse de base, retenue dans tous les
modles, est que, dans un march suffisamment fluide, il n'y a pas d'opportunit
d'arbitrage, c'est--dire qu'il est impossible de faire des profits sans prendre des
risques. Nous traduirons cette hypothse en termes mathmatiques dans le chapitre 1.
Pour l'instant, nous nous contenterons de montrer comment, partir de cette simple
hypothse, on peut tablir des relations entre les prix d'un call et d'un put europen
de mme chance Tet de mme prix d'exercice K, sur une action de cours St
l'instant t. Nous supposerons qu'il est possible d'emprunter ou de placer de l'argent
un taux constant r.
Dsignons par Ct et Pt les prix respectifs du call et du put l'instant t. En
l'absence d'opportunit d'arbitrage, on a la relation suivante, valable tout instant
t < Tet appele "relation de parit call-put",

Introduction

11

Pour faire comprendre la notion d'arbitrage, montrons comment on pourrait raliser


un profit sans risque si on avait, par exemple,

Ct - Pt> St - Ke-r(r-t).
A l'instant t, on achte une action et un put et on vend un call. Cette opration
dgage, l'instant t un profit net gal

Ct - Pt - St.
Si cette quantit est positive, on la place au taux r jusqu' la date T, sinon, on l'emprunte au mme taux. A la date T, deux cas peuvent se prsenter:
- Sr > K : alors, le call est exerc, on livre l'action, on encaisse la somme K
et on solde l'emprunt ou le prt, de sorte qu'on se retrouve avec une richesse
gale K + er(r-t) (Ct - Pt - St) > O. Le terme er(r-t) vient du fait que r
est un taux d'intrt instantan.
- Sr :::; K : alors, on exerce son put et on solde comme prcdemment, de sorte
qu'on se retrouve encore avec une richesse gale K +er(r-t) (Ct-Pt-St) >

o.

Dans les deux cas, on a ralis un profit positif sans mise de fond initiale: c'est
un exemple d'arbitrage.
On trouvera de nombreux exemples de relations d'arbitrage telles que la relation
de parit ci-dessus dans le livre de Cox et Rubinstein (Cox et Rubinstein (1985)).
Nous ne passerons pas en revue toutes ces relations d'arbitrage, mais nous montrerons comment on peut caractriser mathmatiquement les marchs o il n'y a pas
d'arbitrage.

Le modle de Black-Scholes et ses extensions


Si les raisonnements par arbitrage fournissent de nombreuses relations
intressantes, ils ne sont pas suffisants pour obtenir des formules de prix. Pour cela,
on a besoin de modliser de faon plus prcise l'volution des cours. Black et Scholes
ont t les premiers proposer un modle conduisant une formule explicite pour le
prix d'un call europen sur une action ne donnant pas de dividendes et une stratgie
de gestion qui, dans le cadre du modle, permet au vendeur de l'option de se couvrir
parfaitement, c'est--dire d'liminer totalement le risque. Le prix du call est, dans le
modle de Black-Scholes, la somme d'argent dont on doit disposer initialement pour
pouvoir suivre la stratgie de couverture et produire ainsi exactement la richesse
(Sr - K)+ l'chance. De plus, la formule obtenue ne dpend que d'un paramtre
non directement observable sur le march et appel volatilit par les praticiens.
C'est le recours la notion d'intgrale stochastique pour exprimer les gains et les
pertes dans les stratgies de gestion de portefeuille qui permet d'utiliser le calcul stochastique et, en particulier, la formule d'It, et conduit des expressions calculables.
De nombreuses extensions des mthodes de Black et Scholes ont t dveloppes ces
dernires annes. Nous nous efforcerons, partir d'une tude approfondie du modle
de Black-Scholes sous sa forme la plus simple, de donner au lecteur les moyens de
comprendre ces diverses extensions.

12

Introduction

Plan du livre
Les deux premiers chapitres sont consacrs l'tude des modles discrets. On
y voit le lien entre la notion mathmatique de martingale et la notion conomique
d'arbitrage, la notion de march complet et l'valuation des options dans le cadre
des marchs complets. Le formalisme adopt est celui de Harrison et Pliska (1981),
dont nous avons repris !'essentiel des rsultats dans le chapitre 1, en prenant comme
exemple le modle de Cox-Ross-Rubistein (1976). Le chapitre 2 traite des options
amricaines !'aide de la thorie de !'arrt optimal temps discret qui relve de
mthodes lmentaires et contient toutes les ides transposer temps continu.
Le chapitre 3 introduit le lecteur aux principales notions de calcul stochastique
utilises dans le modle de Black-Scholes, qui est tudi en dtail au chapitre 4. Ce
modle donne, pour les options europennes, des formules explicites. Mais, pour
traiter les options amricaines ou faire des calculs dans des modles plus sophistiqus, on doit avoir recours des mthodes numriques fondes sur le lien entre
valuation des options et quations aux drives partielles : ces questions font l'objet
du chapitre 5.
Le chapitre 6 est une introduction assez succincte aux principaux modles de
taux d'intrt et le chapitre 7 examine les problmes d'valuation et de couverture
des options dans le cadre de modles avec sauts trs simples. Dans ces modles, il
n'y a plus de couverture parfaite des options, mais seulement une couverture optimale en un sens prciser. De tels modles, moins optimistes que le modle de
Black-Scholes, semblent souvent rendre mieux compte de la ralit des marchs. Le
chapitre 8 est une introduction la modlisation du risque de crdit.
Enfin, pour permettre aux tudiants d'appliquer la thorie de faon plus concrte,
nous avons inclu un chapitre sur la simulation des modles financiers et l'usage qu'on
peut faire de l'informatique dans les questions d'valuation et de couverture des
options. On trouvera galement, dans chaque chapitre un certain nombre d'exercices
ou de problmes.
Ce livre n'est qu'une introduction un domaine qui a dj suscit une abondante littrature. Les indications bibliographiques donnes la fin de certains chapitres suggrent au lecteur des pistes de lectures complmentaires sur les sujets
traits. Mais certains aspects importants des mathmatiques de la finance ne sont
pas abords, notamment les questions d'optimisation et les problmes d'quilibre,
pour lesquels on pourra se reporter Duffie (1988).
La lecture de ce livre suppose de bonnes connaissances en probabilits. Nous
conseillons les livres de Dudley ( 1989) ou de Williams ( 1991) ou encore le livre
en franais Bouleau (1986) dont les sept premiers chapitres correspondent aux
pr-requis la lecture de ce livre. Cependant, nous avons plac quelques rappels
mathmatiques en appendice.

Remerciements
Ce livre est issu d'un cours enseign !'Ecole Nationale des Ponts et Chausses
depuis 1988. La mise en uvre de ce cours n'aurait pas t possible sans les encou-

Introduction

13

ragements de N. Bouleau. Sous son impulsion, le CERMA (centre de mathmatiques


appliques de l'E.N.P.C.) s'tait engag dans l'tude des modles financiers ds
1987, avec le soutien de la Banque Indosuez, et, plus rcemment, de la Banque Internationale de Placement.
Nous avons bnfici, depuis, de discussions nombreuses et stimulantes avec G.
Pags, ainsi qu'avec d'autres chercheurs du CERMA, en particulier O. Chateau et G.
Caplain. Un certain nombre de collgues ont bien voulu lire les premires versions de
notre travail et nous faire part de leurs remarques, tout particulirement : S. Cohen,
O. Faure, C. Philoche, M. Picqu, X. Zhang. Enfin, nous remercions les collgues
de l'universit ou de l'l.N.R.l.A. qui nous ont aids de leurs conseils ou de leurs
encouragements : N. El Karoui, T. Jeulin, J.F. Le Gall, D. Talay.

Chapitre 1

Modles discrets
Le but de ce chapitre est de prsenter les principales ides de la thorie des options dans le cadre mathmatiquement trs simple des modles discrets. Nous y reprenons essentiellement la premire partie de Harrison et Pliska (1981). Le modle
de Cox-Ross-Rubinstein est prsent en fin de chapitre sous forme de problme corrig, pour illustrer la thorie de faon plus concrte.

1.1

Le formalisme des modles discrets

1.1.1

Les actifs financiers

Un modle de march financier discret est construit sur un espace probabilis fini

(n, F, IP'), muni d'une filtration, c'est--dire d'une suite croissante de sous-tribus de
F: F 0 , F 1 , ... , F N. La tribu Fn reprsente l'information disponible l'instant net
est appele tribu des vnements antrieurs ! 'instant n. L' horizan N sera le plus
souvent, dans la pratique, la date d'chance des options.
On supposera, dans la suite, que F 0 = {0, D}, FN = F = P(D), o P(D)
dsigne l'ensemble des parties de l'ensemble fini n, et que IP'( {w}) > 0, pour tout
w E n. Le fait de travailler sur un espace de probabilit fini permet d'viter certaines difficults techniques : par exemple, toutes les variables alatoires relles sont
intgrables.
Le march est constitu de (d +1) actifs financiers, dont les prix l'instant n sont
donns par des variables alatoires S~, S~, ... , S~, valeurs strictement positives,
mesurables par rapport la tribu Fn (les investisseurs ont connaissance des cours
actuels et passs, mais pas des cours futurs). Le vecteur Sn = (S~, S~, ... , S~)
est le vecteur des prix l'instant n. L'actif numrot 0 est l'actif sans risque et on
pose, par convention, sg = 1. Si le taux d'intrt des placements sans risque sur
une priode est constant et gal r, on a S~ = (1 + r)n. Le coefficient f3n = 1/S~
apparat comme le coefficient d'actualisation: c'est la somme d'argent qui, investie
l'instant 0 dans l'actif sans risque, permet de disposer de 1 euro l'instant n (si on
compte les prix en euros). Les actifs numrots de 1 d sont appels actifs risqus.
15

Chapitre 1 Modles discrets

16

1.1.2 Les stratgies


Une stratgie de gestion est dfinie par un processus (simplement une suite dans
le cas discret) alatoire

</J = ((</J~, </J;, , <P~))o~n~N


valeurs dans ~d+ 1 , donnant chaque instant n les quantits <P~ des divers actifs,
dtenues en portefeuille. On impose la suite <P d'tre prvisible au sens suivant:

\:/i E {O, 1, ... , d}

<Pb est Fo-mesurable


et, pour n ~ 1,

<P~

est Fn- 1 -mesurable.

La signification de cette hypothse est la suivante. Le portefeuille la date n

(</J~, </J;, ... '<P~)


est constitu au vu des informations disponibles la date (n - 1) et conserv tel quel
au moment des cotations de la date n.
La valeur du portefeuille l'instant n est donne par le produit scalaire
d

Vn(</J) = </Jn.Sn =

L </J~S~.
i=O

Sa valeur actualise est

o f3n = 1/ S~ et Sn = (1, f3nSl;, ... , f3nS~) est le vecteur des prix actualiss
des actifs. Considrer les prix actualiss revient considrer le prix de l'actif sans
risque comme numraire (voir l'exercice 3 pour une introduction aux techniques de
changement de numraire).
On dira qu'une stratgie est auto-finance si la relation suivante est vrifie pour
tout n E {O, 1, ... , N - 1} :

Cette galit s'interprte de la faon suivante : l'instant n, aprs avoir pris connaissance des cours s~' ... ' s~, l'investisseur rajuste son portefeuille pour le faire passer de la composition <Pn la composition <Pn+l le rajustement se faisant aux cours
de la date n, en rinvestissant la valeur totale du portefeuille et rien de plus. Il n'y a
donc ni apports, ni retraits de fonds (en particulier, il n'y a pas de consommation).

Remarque 1.1.1 L'galit </Jn.Sn

ou encore

= <Pn+I Sn est videmment quivalente

1.1 Le formalisme des modles discrets

17

A l'instant n + 1, la valeur du portefeuille est </Jn+t Sn+l et la diffrence


</Jn+t Sn+I - </Jn+t Sn reprsente le gain (net) d la variation des cours entre
les instants n et n + 1. Une stratgie auto-finance est donc une stratgie pour laquelle les variations de valeur du portefeuille viennent uniquement des gains dus
l'agitation des cours.
La proposition suivante permet de prciser cette remarque en termes de quantits
actualises.
Proposition 1.1.2 Les conditions suivantes sont quivalentes.
(i) La stratgie </J est auto-finance.

(ii) Pour tout n E {1, ... , N},


n

Vn(</J) = Vo(</J)

+L

</Jj b.Sj,

j=l

o b.Sj est le vecteur Sj - Sj- I

(iii) Pour tout n E {1, ... , N},


n

Vn(</J) = Vo(</J) +

L </Jj b.Sj,
j=l

Dmonstration.

L'quivalence entre (i) et (ii) rsulte de la Remarque 1.1.1.


L'quivalence entre (i) et (iii) s'obtient en remarquant que </Jn.Sn
</Jn+lSn si
et seulement si </Jn.Sn = </Jn+tSn.
D

Cette proposition montre que, pour toute stratgie auto-finance, la valeur actualise (et, donc, la valeur tout court) du portefeuille est compltement dtermine par
la richesse initiale et le processus (</J;,, ... , </J~)o<n<N des quantits d'actifs risqus
dtenues au cours du temps. Cela vient simple~;nt du fait que t::..SJ = 0, pour
j E {O, ... N}. Plus prcisment, on peut noncer la proposition suivante.
Proposition 1.1.3 Pour tout processus prvisible ((</J;,, ... , </J~))o<n<N valeurs
dans !Rd et pour toute variable V0 :Fa-mesurable, il existe un u~iq-;e processus
prvisible ( </J~)o::;n::;N tel que la stratgie </J = (<P0 , </J 1 , ... , </Jd) soit auto-finance
et de valeur initiale Vo.

Dmonstration.

La condition d'auto-financement entrane


,1..0

"Pn

+ 'f'n
,1..l 31 + ... + ,1..d d
n
'Pn n

Chapitre 1 Modles discrets

18

ce qui dtermine </J~. La seule chose vrifier est la prvisibilit de <f; 0 , qui rsulte
immdiatement de l'galit

+ (<P;, (-s~-1) + + <P~ ( -s~-1)) .


0

1.1.3

Stratgies admissibles et arbitrage

Nous n'avons pas impos de condition sur le signe des quantits </J~. Dire que
</J~

< 0 signifie qu'on a emprunt la quantit l<P~I sur le march des placements sans
risque. Dire que </J~ < 0, pour uni :'.'.: 1, c'est dire qu'on a des dettes libelles en
actif risqu (par suite de ventes dcouvert). Les emprunts et les ventes dcouvert
sont donc permis, mais nous imposerons la valeur du portefeuille d'tre positive ou
nulle tout instant.
Dfinition 1.1.4 Une stratgie <P est dite admissible si elle est auto-finance et si
E {O, 1, ... , N}.

Vn(<P) :'.'.: 0 pour tout n

L'investisseur doit donc tre en mesure de rembourser ses emprunts tout instant. La
notion d'arbitrage (ralisation d'un profit sans prendre de risque) est alors formalise
de la faon suivante.
Dfinition 1.1.5 Une stratgie d'arbitrage est une stratgie admissible de valeur initiale nulle et de valeur finale non nulle.
En d'autres termes, un arbitrage part d'une richesse initiale nulle, maintient une richesse positive au cours du temps, et parvient une richesse finale qui est strictement
positive avec probabilit non nulle. La plupart des modles excluent toute possibilit
d'arbitrage et l'objet de la section suivante est de donner une caractrisation de ces
modles grce la notion de martingale.

1.2 Martingales et arbitrages


Avant d'tablir le lien entre martingales et arbitrage, nous allons dfinir la notion
de martingale sur un espace de probabilit fini. Pour cela, l'usage de l'esprance
conditionnelle par rapport une sous-tribu est indispensable, et nous renvoyons
l'appendice pour un expos des principales proprits de cet outil.

1.2.1

Martingales et transformes de martingales

Dans cette section, on considre un espace de probabilit fini (0, :F, IP'), avec
:F = P(O) et, pour tout w E 0, IP'( {w}) > 0, muni d'une filtration (:Fn)o<n<N
(sans supposer :FN = :F, ni Fa = {0, O} ). Une suite (Xn)O:'On:'ON de variables
alatoires est dite adapte la filtration si, pour tout n, Xn est Fn-mesurable.

1.2 Martingales et arbitrages

19

Dfinition 1.2.1 Une suite adapte (Mn)os.nS.N de variables alatoires relles est
une
martingale si IE(Mn+i IFn) =Mn pour tout n S N - 1;
sur-martingale si IE(Mn+i IFn) S Mn pour tout n S N - 1;
sous-martingale si IE(Mn+1 IFn) 2 Mn pour tout n S N - 1.
Ces dfinitions s'tendent aux vecteurs alatoires : on dit par exemple qu'une suite
(Mn)o<n<N de variables alatoires valeurs dans JRd est une martingale si chacune
des coordonnes du vecteur Mn est une martingale relle.
Dans un contexte financier, dire que le cours (S~)os.nS.N de l'actif i est une
martingale revient dire que, tout instant n, la meilleure estimation (au sens des
moindres carrs) que !'on puisse faire de s~+l partir des informations disponibles
la date n, est donne par s~.
Les proprits suivantes, qui se dduisent aisment de la dfinition qui prcde,
constitueront pour le lecteur de bons exercices de maniement de l'esprance conditionnelle.
1. (JVln)os.nS.N est martingale si et seulement si

2. Si (Mn)n;::o est une martingale, on a, pour tout n, IE(Mn)

= IE(Mo).

3. La somme de deux martingales est une martingale.


4. On a videmment des proprits analogues pour les sur-martingales et les
sous-martingales.

Dfinition 1.2.2 Une suite adapte (Hn)os.nS.N de variables alatoires est dite
prvisible si, pour tout n 2 1, Hn est Fn-1-mesurable.
Proposition 1.2.3 Soit (Mn)os_ns_N une martingale et (Hn)os.nS.N une suite
prvisible par rapport la filtration (Fn)os.nS.N On pose !:lMn = Mn - Mn-l
La suite (Xn)os.nS.N dfinie par

Xo
Xn

Ho Mo
HoMo

+ H1LlM1 + + Hn!:lMn

pour n 2 1,

est une martingale par rapport (Fn)os.nS.N


La suite (Xn) est parfois appele transforme de la martingale (Mn) par la suite
(H n). Une consquence de cette proposition et de la Proposition 1.1.2 est que, dans
les modles financiers o les prix actualiss des actifs sont des martingales, toute
stratgie auto-finance conduit une valeur finale actualise gale, en moyenne la
richesse initiale.

20

Chapitre 1 Modles discrets

Dmonstration.
on a

Il est clair que (Xn) est une suite adapte. De plus, pour n

0,

IE(Xn+l - XnlFn)

IE(Hn+i(Mn+l - Mn)IFn)
Hn+ilE(.i\lln+l - .i\!InlFn) car Hn+l est Fn-mesurable

o.
D'o
lE(Xn+1 IFn)

= JE(Xn IFn) = Xn,

ce qui prouve que (Xn) est une martingale.

La proposition suivante donne une caractrisation des martingales qui nous sera utile
par la suite.
Proposition 1.2.4 Une suite adapte de variables alatoires relles (Mn) est une
martingale si et seulement si pour toute suite prvisible (Hn), on a

Dmonstration. Si (Mn) est une martingale, il en est de mme, par la Proposition 1.2.3,delasuite (Xn) dfinie par Xo = 0 et, pourn ~ 1, Xn = I:;7=l Hjf::l.Mj,
pour toute suite prvisible (Hn) On a donc JE(XN) = JE(Xo) =O. Rciproquement,
on remarque que si j E {l, ... , N}, tout vnement A E Fj, on peut associer la
suite prvisible (Hn) dfinie par Hn = 0 pour n =/:- j + 1 et Hj+ 1 = lA. Il est clair
que la suite (Hn) est prvisible et l'galit JE ( I:;:=l Hn!::l.Mn)

= 0 donne

1.2.2 Marchs financiers viables


Nous revenons aux modles de marchs discrets introduits dans la Section 1.1.
Dfinition 1.2.S On dit que le march est viable s'il n'existe pas de stratgie d'arbitrage.
Le thorme suivant est appel en anglais Fundamental Theorem of Asset Pricing.
Thorme 1.2.7 Le march est viable si, et seulement si, il existe une probabilit IP'*
quivalente 1 IP' sous laquelle les prix actualiss des actifs sont des martingales.
1Rappelons que deux probabilits IP1 et IP2 sont quivalentes si et seulement si, pour tout vnement
A, on a IP1 (A) = 0 ~ IP2(A) = O. Ici, IP* quivalente IP signifie que, pour tout w E n, IP* ({w}) > O.

1.2 Martingales et arbitrages

21

Pour montrer que l'absence d'opportunit d'arbitrage implique l'existence d'une


probabilit quivalente lP' sous laquelle les prix actualiss des actifs sont des martingales, nous aurons besoin du lemme suivant.
Lemme 1.2.6 Si le march est viable, pour tout processus prvisible ( </J 1 , ... , </Jd)
valeurs dans JRd, on a

o r dsigne l'ensemble des variables alatoires X positives telles que

IP'(X > 0) > O.


Dmonstration.

G(cj_) = (Gn(</J

Au processus prvisible p_
</Jd))os,nS,N dfini par

= (</J;., ... , </J~). associons le processus

1 , ... ,

Supposons que GN (<l_) E r, et montrons qu'alors le march n'est pas viable.


Remarquons que G(</J) est le processus des gains actualiss cumuls dans toute
stratgie auto-finance dont le portefeuille de date n contient les quantits d'actifs risqus </J;., ... ,, </J~. D'aprs la Proposition 1.1.3, il existe un (unique) processus (</J~) tel que la stratgie </J = (</Jo, <l_) = ((</J~, </J;., ... , </J~)) soit auto-finance
de valeur initiale nulle. On a alors n (cj_) = Vn (</J) pour tout n, et si, pour tout
n E {1, ... ,N}, n(</J);::: 0, la stratgie </J est admissible. Comme GN(</J) Er, la
valeur finale de </J est non nulle, on a donc un arbitrage et le march n'est pas viable.
Supposons maintenant que les variables alatoires n(<l_) ne soient pas toutes
positives et posons

n* = max{n 1 IP'(Gn(<l_) < 0) > O}.


On a alors n* ::; N - 1 et, pour n E {n*
processus '!!!_ = ('ljJ 1 , ... , 'l/Jd) dfini par
.

'l/J~(w) =

{ 0

+ 1, ... , N}, n(</J)

lA(w)</J~(w)

;::: O. Soit alors le

sin ::; n*
sin> n*,

pour i = 1, ... , d, avec A = {n (</J) < O}. Comme (</J 1 , ... , </Jd) est prvisible et
A E Fn, le processus ('ljJ 1 , ... , 'l/Jd)~st aussi prvisible. De plus,

sin ::; n*
sin> n*.

Chapitre 1 Modles discrets

22

On en dduit que Gn(/1) 2: 0 pour tout n E {O, ... , N} et GN(/1) > 0 sur A. On
peut alors associer au processus f1 une stratgie admissible f1 de valeur initiale nulle
D
et de valeur finale non nulle et conclure que le march n'est pas viable.

Dmonstration du Thorme 1.2.7: (a) Supposons qu'il existe une probabilit IP'*
quivalente IP' sous laquelle les prix actualiss des actifs sont des martingales. Alors,
pour toute stratgie auto-finance (<Pn), on a, d'aprs la Proposition l.l.2,
n

Vn(</l) = Vo(</l)

+L

</lj.b..Sj

j=l

On en dduit, grce la proposition l.2.3, que (Vn (<P)) est une IP'* -martingale et,
donc, que

IE*(VN(<fl)) = IE*(Vo(</l)).
Si la stratgie est admissible et de valeur initiale nulle, on obtient JE* (VN (<P)) = 0,
avec VN(<P) 2: o. D'o VN(<P) = 0, puisque IP'*( {w}) > 0, pour tout w En.
(b) Supposons maintenant le march viable et notons V l'ensemble des variables
alatoires de la forme

o <P = (<{J 1 , ... , <Pd) est un processus prvisible valeurs dans JRd. Il est clair que V
est ~n sous-espace vectoriel de l'espace vectoriel JR11 de toutes les variables alatoires
relles.
D'aprs le Lemme l.2.6, les ensembles V et r ont une intersection vide et si on
pose

K ={XE

r 1 LX(w) = 1}
w

L'ensemble K est un convexe compact de IR11 et, comme K c r, on a K n V= 0. Il


rsulte alors du Thorme de sparation des convexes (voir l'appendice), qu'il existe
un vecteur ((w))wE!1 tel que
l. Pour tout XE K,

L (w)X(w) >O.
w

2. Pour tout processus prvisible <j__ valeurs dans !Rd,

De la premire proprit, on dduit que (w)


probabilit IP'* dfinie par
*

IP' ({w})

=L

> 0 pour tout w E 0, de sorte que la

(w)
(w')
w'E!1

1.3 Marchs complets et valuation des options

23

est quivalente IP.


De plus, si on note E* l'esprance par rapport la probabilit Jp>*, la proprit 2
signifie que, pour tout processus prvisible p_ = (</J 1 , ... , <Pd) valeurs dans ~d,

E*

(t<PJ!:l.sJ)

=o.

J=l

On en dduit que pour tout indice i E {1, ... , d} et toute suite prvisible ( <P~).
valeurs relles, on a
E*

(t<P;!:l.sj)

= 0,

J=l

ce qui entrane, d'aprs la Proposition 1.2.4 que, sous la probabilit Jp>*, les prix
actualiss (S~) ... ,(S~) sont des martingales.

1.3

Marchs complets et valuation des options

1.3.1 Marchs complets


Nous dfinirons une option europenne2 d'chance N par la donne d'une variable alatoire h :'.:'. 0, .1'N-mesurable, reprsentant le profit que permet l'exercice
de l'option. Ainsi, pour une option d'achat ou call sur une unit d'actif 1 au prix
d'exercice K, on ah = (S]v - K)+ et, pour une option de vente ou put sur le
mme actif sous-jacent, avec le mme prix d'exercice K, h = ( K - S}v) +. Dans
ces deux exemples (les plus importants dans la pratique), la variable alatoire h est
une fonction de SN seulement. Il existe des options pour lesquelles h dpend de
toutes les valeurs des cours jusqu' l'chance : 80 , 8 1 , ... , SN. C'est le cas des
options dites asiatiques, qui font intervenir la moyenne des cours observs sur une
priode donne.

Dfinition 1.3.1 On dit que l'option europenne d'chance N, dfinie par la variable alatoire h est simulable (ou atteignable) s'il existe une stratgie admissible <P
dont la valeur l'instant N est gale h.
Remarque 1.3.1 Dans un march viable, pour que l'option h soit simulable, il suffit
qu'il existe une stratgie auto-finance de valeur gale h l'instant N. En effet,
si est une stratgie auto-finance et si Jp>* est une probabilit quivalente Jp> sous
laquelle les prix actualiss sont des martingales, alors, sous Jp>*, (Vn (<P)) est une
martingale (comme transforme de martingale). On a donc, pour n E {O, ... , N},
Vn(<P) = E*(lN(<P)IFn) :'.:'. 0 ds que VN(<P) :'.:'. 0 (en particulier si VN(<P) = h :'.:'.
0).

<P

Dfinition 1.3.3 On dit que le march est complet si toute option europenne
d'chance N est simulable.
2 0n

dit aussi, plus gnralement, bien co111i11ge111 (contingent claim) ou actif co11ditio11nel.

Chapitre 1 Modles discrets

24

Supposer qu'un march financier est complet est une hypothse restrictive dont la
justification conomique est moins claire que celle de l'absence d'opportunit d'arbitrage. L'intrt des marchs complets est qu'ils se prtent une thorie trs simple de
l'valuation et de la couverture des options. Le modle de Cox-Ross-Rubinstein, que
nous tudierons plus loin, est un exemple de modle de march complet d'un grande
simplicit. Le thorme suivant donne une caractrisation des marchs viables et
complets.

Thorme 1.3.4 Un march viable est complet si, et seulement si, il existe une seule
probabilit IP'* quivalente IP' sous laquelle les prix actualiss des actifs soient des
martingales.
La probabilit IP'* apparatra comme l'outil de calcul des formules de prix et de couverture.

Dmonstration.

(a) Supposons le march viable et complet. Alors, toute variable


alatoire positive et :FN-mesurable h peut s'crire h = VN (<P ), o <P est une stratgie
admissible qui simule !'option. Puisque <P est une stratgie auto-finance, on a

Alors, si IP'1 et IP'2 sont deux probabilits sous lesquelles les prix actualiss sont des
martingales, la suite (Vn(<P))o~n::N est une martingale, la fois sous IP'1 et sous IP'2.
Il en rsulte que, pour i = 1, 2,

IEi(VN(<P)) = IEi(Vo(</l)) = Vo(</l),


la dernire galit venant du fait que :F0

= {0, il}. On a donc

et, comme h est arbitraire, IP' 1 = IP'2 sur la tribu :FN, qu'on a suppose gale :F.
(b) Supposons le march viable et non complet. Alors, il existe une variable
alatoire h 2: 0 non simulable. Notons V l'espace des variables alatoires de la
forme
N

Uo

+L

</Jn.l::..Sn,

(1.1)

n=l

o U0 est une variable alatoire :F0 -mesurable et ( ( </J~, ... , <P~) )o<n<N un proces- sus prvisible valeurs dans JR:d.
Il rsulte de la Proposition 1.1.3 et de la Remarque 1.3.1 que la variable alatoire
h/ n'appartient pas V. Donc V est un sous-espace strict de l'espace IR'.11 de toutes
les variables alatoires relles. Alors, si IP'* est une probabilit quivalente IP' sous
laquelle les prix actualiss des actifs sont des martingales, et si l'on munit l'espace

sr;,,

1.3 Marchs complets et valuation des options

25

JR 0 du produit scalaire (X, Y) f-+ JE* (XY), on peut affirmer qu'il existe une variable
alatoire non nulle X, orthogonale V.
Posons alors
IP**({w})

(i + X(w) )

IP*({w})

2llXlloo

o llXlloo = supwEn IX(w)I. On dfinit ainsi une probabilit sur n (car JE*(X)
0), qui est quivalente IP, et distincte de IP*. On a de plus

pour tout processus prvisible ( ( <P~,

... , <P~) )o:o::::n:O::::N' ce qui entrane, par la Propo-

sition 1.2.4, que (Sn)o:o::::n:O::::N est une IP**-martingale.

1.3.2 valuation et couverture des actifs conditionnels dans les


marchs complets
On suppose le march viable et complet et on note IP* l'unique probabilit sous
laquelle les prix actualiss des actifs financiers sont des martingales. Soit h un actif
conditionnel, c'est--dire une variable alatoire positive et Fwmesurable et soit <P
une stratgie admissible simulant h, donc vrifiant

La suite (Vn (<P) )o<n<N est une IP* -martingale, et par consquent

et, plus gnralement,

= 0,1, . .. ,N.

La valeur tout instant d'une stratgie admissible simulant h est donc compltement
dtermine par h. Il est naturel d'appeler Vn(<P) la valeur de l'option l'instant n:
c'est la richesse qu'il faut dtenir la date n pour pouvoir (en suivant la stratgie </J)
produire exactement la richesse h la date N.
Si, la date 0, un investisseur vend l'option au prix

JE*(;~),
il a la possibilit, en suivant une stratgie <P simulant l'option, de produire la richesse
promise h la date N. Il peut ainsi se couvrir parfaitement. Le nombre JE*(h/S~)
est donc la valeur naturelle de la prime la date 0: c'est le juste prix (fair price en
anglais) de l'option la date O.

26

Chapitre 1 Modles discrets

Remarque 1.3.2 Il est important de noter que le calcul du prix d'une option
ncessite seulement la connaissance de IP'* (et non celle de IP'). On aurait pu se contenter de partir de l'espace probabilisable (D, :F), muni de la filtration (Fn), ce qui
revient dfinir tous les tats du monde possibles ainsi que l'volution de l'information au cours du temps. Ds que l'espace (n, :F) et la filtration sont spcifis, il
est inutile, pour valuer des options par simulations, de dterminer les vraies probabilits des divers tats possibles (en utilisant notamment une approche statistique).
L'tude du modle de Cox-Ross-Rubinstein montrera comment, concrtement, les
calculs de prix et de couverture des options peuvent tre mens bien.

1.3.3

Premire approche des options amricaines

Une option amricaine pouvant tre exerce n'importe quel instant entre 0 et
N, nous la dfinirons comme une suite positive (Zn), adapte la filtration (Fn), le
nombre Zn reprsentant le profit que permet l'exercice de l'option la date n. Dans
le cas d'un call amricain sur l'actif 1, au prix d'exercice K, on a Zn = (S~ - K)+
Dans le cas d'un put amricain, Zn= (K - S~)+ Pour dfinir la valeur de l'option
amricaine associe au processus (Zn)o<n<N, nous allons raisonner par rcurrence
descendante, partir de la date N. Il est clair que la valeur de !'option la date N est
UN = ZN. A quel prix vendre l'option la date N - 1 ? Si le dtenteur de l'option
exerce immdiatement, il fera le profit ZN_ 1 , sinon, il exercera (ventuellement)
la date N et le vendeur doit tre en mesure de payer la richesse ZN la date
N. Le vendeur doit donc encaisser, la date N - 1, une somme au moins gale
ZN_ 1 et lui permettant de fournir la richesse ZN !'instant N. La richesse qui,
disponible la date N - 1, permet de produire la richesse ZN l'instant N, c'est
la valeur l'instant N - 1 d'une stratgie admissible de valeur finale ZN, c'est
dire Sfjy _1IE * (ZN 1 :FN-1 ) , avec ZN = ZN/ Sfjy. Il est donc naturel de prendre pour
valeur de l'option amricaine l'instant N - 1 la quantit

De proche en proche, on dfinit la valeur Un de l'option amricaine la date n par


la relation de rcurrence, valable pour n = 1, ... , N,

Dans le cas d'un taux d'intrt constant gal r sur chaque priode

et

Un-l =max (zn-1, - 1-IE*(UnlFn-1)).


l+r
Soit n

Un/S~ le prix actualis de l'option amricaine.

Proposition 1.3.6 La suite (n)0'5.n'5.N est une IP'*-sur-martingale. C'est la plus petite IP'*-sur-martingale majorant la suite (Zn)0'5.n'5.N

1.4 Problme corrig : le modle de Cox, Ross et Rubinstein

27

Noter que, contrairement au cas europen, la valeur actualise d'une option


amricaine n'est en gnral pas une martingale sous IP'*.

Dmonstration.

De l'galit

on dduit que (n)o:s,n:s,N est une sur-martingale majorant (Zn)o:s,n:S,N Soit


maintenant une sur-martingale (Tn)o:s,n:S,N majorant (Zn)o:s,n:S,N On montre par
rcu~ence gue (Tn)o:s,n:S,N majore (n) On a, en effet, TN ;:::: N car N =ZN,
et si Tn ;::=: Un, on peut crire

D'o
0

1.4

Problme corrig : le modle de Cox, Ross et Rubinstein

Le modle de Cox-Ross-Rubinstein est une version discrtise du modle de


Black-Scholes (qui sera tudi au chapitre 4), dans laquelle il y a un seul actif risqu,
de prix Sn l'instant n, 0 :::; n :::; N, et un actif sans risque de rendement certain r sur
une priode. On a donc, avec les notations des sections prcdentes, S~ = (1 + r)n.
On fait les hypothses suivantes sur l'volution du cours de l'actif risqu. Entre
deux priodes conscutives, la variation relative du cours est soit a, soit b, avec -1 <
a < b, ce qui s'crit

Sn(l + b)
Sn+l = { Sn(l +a).
Le cours initial S 0 est donn. L'espace naturel des tats possibles est donc n
{ (1 + a, 1 + b}N, chaque N-uplet reprsentant les valeurs successives de Sn+l /Sn,
pour n = 0, 1, ... , N - 1. On pose naturellement :F0 = {0, f!} et :F = P(Sl). Pour
n = 1, ... , N, la tribu :Fn est la tribu engendre par les variables alatoires Si. ... ,
Sn : :Fn = u(S1 , ... , Sn) En faisant l'hypothse que chaque singleton den a une
probabilit non nulle, nous dfinissons la probabilit lP' l'quivalence prs.
Introduisons les variables alatoires Tn = Sn/ Sn-l pour n = 1, ... , N. Si
(x1, ... , XN) est un lment de f!, JP'{ (x1, ... , XN)} = JP'(T1 = X1, ... , TN = XN ).
La connaissance de lP' quivaut donc celle de la loi du N-uplet (T1 , T2 , ... , TN ).
Notons aussi que, pour n ;::=: 1, :Fn = u(T1, ... , Tn)
l. Montrer que le prix actualis (Sn) est une martingale sous lP' si et seulement si
E(Tn+i IFn) = 1 + r, pour tout n E {O, 1, ... , N - l}.

28

Chapitre 1 Modles discrets


L'galit E(Sn+l 1Fn)
Sn est quivalente E(Sn+i/Sn 1 Fn) =
1, puisque Sn est Fn-mesurable, et cette dernire galit quivaut

E(Tn+l 1 Fn) = 1 + r.
2. En dduire que, pour que le march soit viable, il est ncessaire que r appartienne l'intervalle ]a, b[.
Si le march est viable, il existe une probabilit IF'* quivalente IF', sous
laquelle (Sn) est une martingale. On a donc, d'aprs la Question 1,

E* (Tn+l

Fn)

= 1 + r,

et par consquent E*(Tn+1) = 1 + r. Comme Tn+l vaut soit 1 +a,


soit 1 + b et prend ces deux valeurs avec une probabilit non nulle, on a
ncessairement (1 + r) E]l +a, 1 + b[.

3. Donner des exemples d'arbitrages possibles si la condition de viabilit obtenue


dans la Question 2 n'est pas satisfaite.
Supposons par exemple r :S a. En empruntant la somme Sa l'instant
0, on peut acheter une unit d'actif risqu. A l'instant N, on rembourse
l'emprunt et on revend l'actif risqu. Le profit ralis SN - So(l + r)N
est toujours positif ou nul, puisque SN 2 S 0 (1 + a)N, et strictement
positif avec probabilit non nulle. On a donc bien un arbitrage. Si r 2 b,
larbitrage s'obtient en vendant l'actif risqu dcouvert.

4. Pour toute la suite, on suppose que r E]a, b[ et on pose p = (b - r)/(b - a).


Montrer que (Sn) est une JP'-martingale si et seulement si les variables
alatoires T1, T2, ... , TN sont indpendantes, quidistribues, leur loi commune tant donne par 1P'(T1 = 1 +a) = p = 1 - JP'(T1 = 1 + b). En dduire
que le march est viable et complet.
Si les Ti sont indpendantes et vrifient IP'(Ti = 1 +a) = p = 1 - IP'(Ti =
1 + b), on a
E(Tn+l 1Fn) = E(Tn+1) = p(l +a)+ (1 - p)(l + b) = 1 + r,
et (Sn) est une martingale sous IF', d'aprs la Question 1.
Rciproquement, si, pour n = 0, 1, ... , N - 1, E(Tn+l IFn) = 1 + r, on
peut crire

On en dduit, en utilisant lgalit


E(l{Tn+1=l+a} 1 Fn) + E(l{Tn+1=1+b} 1Fn)=1,

que E(l{Tn+i=l+a} 1 Fn) =Pet E(l{Tn+i=l+b} 1 Fn) = 1 - p. On


montre alors, par rcurrence sur n que pour tous Xi E { 1 + a, 1 + b},
n

IP'(T1 = X1, ... , Tn = Xn) =II Pi,


i=l

avec Pi =psi Xi = 1 +a et pi = 1-p si Xi = l+b, ce qui prouve que les


Ti sont indpendantes et quidistribues sous IF' et que IP'(Ti = 1 +a) = p.

29

1.4 Problme corrig: le modle de Cox, Ross et Rubinstein


Ainsi, on voit que la condition que (Sn) soit une IP'-martingale dtermine
la loi du N-uplet (T1, ... , TN) sous IP', et donc la probabilit IP' elle-mme
de faon unique. Le march est donc viable et complet.

5. On note Cn (resp. Pn) la valeur l'instant n d'un call (resp. d'un put) europen
sur une unit d'actif risqu, de prix d'exercice K et d'chance N.
(a) Retrouver, partir des formules de prix sous forme d'esprances conditionnelles, la relation de parit call-put

Cn - Pn =Sn - K(l

+ r)-(N-n).

Notant JE* l'esprance par rapport l'unique probabilit IP'* sous laquelle (Sn) est une martingale, on a

(1

+ r)-(N-n)IE* ((SN

(1

+ r)-(N-n)IE*(SN -

Sn - K(l

- K)+ - (K - SN)+ 1 Fn)

Ki Fn)

+ r)-(N-n>,

la dernire galit rsultant du fait que (Sn) est une martingale sous
IP'*.

(b) Montrer que Cn peut s'crire sous la forme Cn

= c(n, Sn), o c est une

fonction que l'on explicitera l'aide de K, a, b, r et p.


En crivant SN =Sn n:n+l Ti, on obtient

Cn

= (1

+ r)-(N-n)IE* ((sn

._fi Ti - K) /Fn)

i-n+l

Comme, sous la probabilit IP'*, la variable alatoire IT:n+i Ti est


indpendante de Fn, et que Sn est Fn-mesurable, on peut crire, en
utilisant la Proposition A.2.5 de l'appendice, que Cn = c(n, Sn), o
c est la fonction dfinie par

c(n,x)
~=IE*

(1

+ r)-(N-n)

Y: (N ~

( x_ ITN

Ti-K )

i=n+l

n)pj (1 - p)N-n-j

+
X

J=

x(x(l + a)j(l

o ({)

+ b)N-n-j -

K)+

(1.2)

(!-;)!j!.

(c) Montrer que la fonction c vrifie la relation de rcurrence, pour n


O, ... ,N- l,

c(n,x) = pc(n+ l,x(l +a)) + (1-p) c(n+ l,x(l +b)).


1

+r

Chapitre 1 Modles discrets

30

En conditionnant par rapport (Tn+2, ... , TN) dans (1.2), on a

c(n, x)

(1

p!E*

+ r)-(N-n)

fi T; - K)
(x(l + fi
K)

(x(l +a)

+(1 -

p)!E*

.
i=n+2

b) .
T; i=n+2

6. Montrer que la stratgie de couverture parfaite d'un call est dfinie par une
quantit d'actif risqu H n = /J,. ( n, Bn-I) dtenir l'instant n, o /J,. est une
fonction que l'on exprimera partir de la fonction c.
Notons H~ la quantit d'actif sans risque dans le portefeuille simulant le
call. On a
H~(l + rt + HnSn = c(n, Sn)
Puisque H~ et Hn sont Fn-1-mesurables, ce sont des fonctions de
Si, ... , Sn-1 seulement et, Sn tant gal Sn-1 (1 +a) ou Sn-1 (1 + b),
!'galit prcdente implique

H~(l

+ rt + HnSn-1(1 +a) =

c(n, Sn-1 (1

+a))

H~(l

+ rt + HnSn-1(1 + b) =

c(n, Sn-1(1

+ b)).

et
D'o, par soustraction,

A(
u

n, x

) = c(n, x(l

+ b)) -

c(n, x(l +a))


x(b - a)

7. On utilise maintenant le modle pour pricer un call ou un put d'chance T


sur une action. Pour cela, on divise l'intervalle [O, T] en N sous-intervalles,
de faon se ramener un modle N priodes, comme ci-dessus, et on fait
tendre N vers l'infini en imposant les relations suivantes

r = RT/N,
log((l
log((l

+ a)/(1 + r)) = -a-/T[N,


+ b)/(1 + r)) = a-/T[N.

Le nombre R s'interprte comme le taux d'intrt instantan entre les instants


0 et T, puisque eRT = limN_,=(1 +r)N. Le nombre a 2T peut tre vu comme
la variance limite, sous la probabilit IP'*, de la variable alatoire log(SN),
quand N tend vers l'infini, le nombre a 2 comme une variance par unit de
temps.
(a) Soit (YN )N~I une suite de variables alatoires de la forme
YN

= x[" + xt' + ... +xfJ,

o, pour chaque N, les variables alatoires


quidistribues, valeurs dans l'ensemble

Xf

{-aJT!N, aJT!N},

sont indpendantes,

1.4 Problme corrig: le modle de Cox, Ross et Rubinstein

31

et de moyenne N, avec limN_, 00 (N N) = . Montrer que la suite


(YN) converge en loi vers une gaussienne de moyenne et de variance
a 2 T.
Il suffit d'tudier la convergence de la fonction caractristique </JyN de
YN. On a, pour tout E JR,
N

II JE (exp (ixJ"))
j=l

(JE (exp (ixf)) )N


(1 + iN - a 2 T2 /2N + o(l/N))N.
D'o limN~oo </JyN
convergence en loi.

()

exp(i - a2 T2 /2), ce qui prouve la

(b) Expliciter les valeurs limites du put, puis du call l'instant O.


Pour N fix, le prix du put l'instant 0 est donn par
p,(N)
0

(1

+ RT/N)-NJE*

JE*

((1 + RT/N)-N K -

( K - Sa

,. Tn) +

Soexp(YN)) +

o YN = 2=;:'= 1 log(Tn/(1 + r)). Avec les hypothses de l'nonc,


les variables alatoires X J" = log(Ti/ (1 + r)) sont valeurs dans
{-aVTTfi, a
et sont quidistribues sous la probabilit IP'*.
On ade plus

VTTfi}

La suite (YN) vrifie donc les conditions de la Question 7(a), avec


= -a2 T/2. Si on pose 'l/>(y) = (Ke-RT - S 0 eY)+, on peut crire

JE*('l/>(YN))I
IJE*(((l + RT/N)-N K - Soexp(YN))+
-(Ke-RT - Soexp(YN))+)I
Kl(l + RT/N)-N - e-RTI

IPJN)

<

D'o, en utilisant le convergence en loi de (YN) et le fait que la fonction '!/> est continue et borne3 ,
lim pJN) =

n-+oo

lim JE*('l/>(YN))

N--+oo

= --

-./2-rr

3 C'est

put.

j +oo (K e-RT - 8 oe --"-+av'Ty) +e _lL._dy.


2T
2

-OO

prcisment pour pouvoir travailler avec une fonction borne que nous avons d'abord tudi le

Chapitre 1 Modles discrets

32

L'intgrale obtenue s'exprime, aprs un calcul lmentaire, l'aide de


la fonction de rpartition <I> de la loi normale centre rduite, de sorte
que

o di= (1og(So/K)

+ RT + u 2 T/2)/(n/T, d2

<I>(d) = _I_

V2ir

j_d

=di - u../Tet

e_,,2;2dx.

-=

Le prix du call s'en dduit en utilisant la relation de parit call-put:

Remarque 1.4.1 Dans les formules obtenues ci-dessus, le seul paramtre qui n'est
pas directement observable sur le march est u. Son interprtation comme cart-type
suggre de l'estimer par des voies statistiques. Nous reviendrons sur cette question
dans le Chapitre 4.
Indications bibliographiques Nous avons suppos, dans ce chapitre, qu'il n'y avait
pas de dividendes. En fait, on peut utiliser les mmes ides pour traiter les marchs
avec dividendes (voir par exemple Huang et Litzenberger (1988)). Le thorme de
caractrisation des marchs viables peut tre tendu des espaces de probabilit
infinis (cf. Dalang et al. (1990) et Morton (1989)). Une dmonstration qui s'tend
ce cadre est esquisse dans l'exercice 1 ci-dessous, inspir de Rogers (1994). En
temps continu, la formulation du problme est dlicate (cf. Harrison et Kreps (1979),
Stricker (1990), Delbaen et Schachermayer (1994) et le livre rcent de Delbaen et
Schachermayer (2006)). La thorie des marchs complets en temps continu a t
dveloppe par Harrison et Pliska (1981) et Harrison et Pliska (1983). On trouvera
une prsentation lmentaire du modle de Cox-Ross-Rubinstein dans le livre de
Cox et Rubinstein (1985). Une gnralisation du modle (dans laquelle le march
est incomplet) est tudie dans l'exercice 2. On trouvera d'autres informations sur
les modles discrets dans Fllmer et Schied (2004) et Pliska (1997).

1.5 Exercices
Exercice 1 Soit X = (X1, ... , Xd) un vecteur alatoire valeurs dans !Rd, dfini
sur un espace de probabilit fini (0, :F, lP'). On note F : !Rd ___, IR la fonction dfinie
par F(B) = 1Ee11 x.

1. Montrer que si lP'(X


0) < 1, on peut trouver une sous famille (Xi 1 , . . . , Xik) telle que chaque composante Xi de X soit (presque
srement) une combinaison linaire des variables alatoires Xi 1 ,. ,Xik et,
pour tout (u 1 ,. . ., uk) E JRk ayant au moins une coordonne non nulle,
lP'(2:7=1 UjXij = 0) < 1.
2. Montrer que si F admet un minimum en un point B* E

!Rd,

on a !EX e11 ' .x =O.

1.5 Exercices

33

3. Le vecteur alatoire X est dit sans arbitrage si pour tout


E !Rd tel que
IP'(B.X 2 0) = 1, on a JP'(B.X = 0) = 1. On se propose de montrer que si X
est sans arbitrage, F a un minimum.
(a) On considre une suite (un)nEJ\I de vecteurs de JRd, avec llunll = 1,
et une suite (n)nEJ\I de nombres rels tels que limn_, 00 F(nun)
inf 11 EJRd F( B). Montrer que si X est sans arbitrage et vrifie JP'( u.X
0) < 1 pour tout vecteur non nul u E JRd, la suite (n)nEJ\I est borne.
(b) Conclure, en utilisant la Question 1.
4. Soit B 1 et B2 deux sous-tribus de :F, avec B 1 c B 2 . On suppose que, pour tout
vecteur alatoire B 1-mesurable valeurs dans JRd, tel que IP'( .X 2 0) = 1,
on a IP'(B.X = 0) = 1. Montrer qu'il existe une variable alatoire relle Br
mesurable U vrifiant JP'(U > 0) = 1, JE(U 1 B 1 ) = 1 et JE(XU) = O.
Indication : utiliser les questions prcdentes et les atomes de B 1 .

e,

5. Dduire de ce qui prcde une autre dmonstration du Thorme 1.2.7 (partie


b)).
Exercice 2 Sur-rplication en march incomplet. On considre une version
tendue du modle de Cox-Ross-Rubinstein dans laquelle le prix de l'actif risqu
peut prendre trois valeurs diffrentes chaque tape.
On dsigne par Sn le prix de l'actif risqu l'instant net par r le taux d'intrt
sans risque sur une priode. Le prix de l'actif sans risque l'instant n est donc donn
par S~ = ( 1 + r) n. Entre deux priodes successives, la variation relative du prix peut
tre a, b ou c, avec -1 < a < b < c :

Sn(l +a)
Sn+l

= { Sn(l + b)
Sn(l

+ c).

L'ensemble des tats possibles est n = {1+a,1+b,1 + c}N, o chaque N-uplet


reprsente les valeurs successives de Sn+ if Sn. pour n = 0, 1, ... , N - 1. On suppose galement que, pour n = 1, ... , N, :Fn = O'(S1 , ... , Sn), tribu engendre par
les variables S 1 ,. .. ,Sn. On suppose que lP' charge tous les singletons den, ce qui
dtermine JP' l'quivalence prs.
1 Viabilit et compltude
1. A quelle condition sur a, b, cet r ce modle est-il viable? On suppose dans la
suite que cette condition est remplie.

= 1 et r = O. Montrer, en
donnant un exemple d'option non simulable, que le march n'est pas complet.

2. On suppose (dans cette question seulement) que N

On se propose de montrer que, pour une option donne par h = f (SN), avec f
convexe, il existe une stratgie de sur-rplication au sens suivant.
On appelle stratgie de sur-rplication de l'option de valeur finale h = f (SN)
toute stratgie auto-finance <P = ((H~, Hn), 0 :::; n :::; N) dont la valeur la date
N vrifie VN (<P) 2 f (SN) presque srement.

Chapitre 1 Modles discrets

34

Quand l'option admet une stratgie de sur-rplication, on appelle prix de surrplication de l'option la plus petite valeur initiale possible d'une stratgie de surrplication (en supposant l'existence d'une stratgie minimale en ce sens).

II Une minoration du prix de sur-rplication


stratgie de sur-rplication</>= ((H~, Hn), 0:::;
la date n.

On suppose l'existence d'une


sa valeur

n:::; N) et on note Vn(</>)

1. Montrer que si ffe est une probabilit quivalente lP', sous laquelle (Sn

Sn/S~, 0:::; n:::; N)

est une martingale, on a Vo(ef>)

~JE (c{~r)k).

2. On pose Tn =Sn/ Sn-1 et on dsigne par lP' Pi.P 2 P 3 la probabilit sur n sous
laquelle (Tn, 0 :::; n :::; N) est une suite de variables alatoires indpendantes
vrifiant

= 1 +a)

(1.3)

1 + b)

(1.4)

lP' Pi ,p2,p3 (Tn = 1 + c)

(1.5)

JP'P1,p2,p3(Tn

]p>P1,p2,p3(Tn =

o P1, P2. p3 sont des nombres rels positifs vrifiant P1 + P2 + p3 = 1.


Montrer que (Sn, 0 :::; n :::; N) est une martingale sous lP' P 1 P 2 P 3 si, et seulement si, p1a + p2b + p3c = r.
A quelle condition sur p1, p2, p3 cette probabilit est-elle quivalente la
probabilit initiale lP' ?
3. Montrer que le prix de sur-rplication V0 est suprieur ou gal

4. Montrer que

V; > v;
0 -

CRR

=JE p* ,0,1-p*

f (SN) )

(l

+ r)N

'

o p* est dtermin par p*a + (1 - p*)c = r (on remarquera, en utilisant


les galits P1 + P2 + p3 = 1 et p1a + p2b + p3c = r, qu'on peut crire
P1 sous la forme a(p2) et p 3 sous la forme (3(p 2 ) et que la fonction p 2 f->
JE a(p2),p2,f3(P2) (!(SN))) est continue).
Donner une interprtation de p* et VcRR dans un modle de Cox-RossRubinstein dont on prcisera les paramtres.

III Calcul d'une stratgie de sur-rplication Le but de cette partie est de montrer
l'existence d'une stratgie de sur-rplication de valeur initiale VcRR si la fonction f
est convexe.
Soit v(n,x) le prix, dans le modle de Cox-Ross-Rubinstein de paramtres d =
1 +a et u = 1 + c, l'instant net pour un prix d'actif cet instant x. Le prix satisfait

1.5 Exercices

35

l'quation rcun-ente suivante :

v(N,x) = f(x),x E JR+


{ v(n x) = p_*_v_(n_+_l,_x_d)_+_(l_-_p*_)v_(_n_+_l_,x_u_)
x

'
E

JR+, 0 ::::; n < N.

(1.6)

l+r

Soit 6. (n + 1, x) la quantit d'actif risqu dtenir entre les instants n et n + 1, pour


une valeur du prix de l'actif x, pour consituer un portefeuille de rplication parfaite:

A(
u

n + 'x

)= v(n+l,xu)-v(n+l,xd)

x(u - d)

Soit Vn la valeur l'instant n de l'unique stratgie auto-finance de valeur initiale


Va = VcRR = v(O, Sa), pour laquelle la quantit d'actif risqu dtenue la date n
est 6.( n, Sn)
1. En utilisant la convexit de f, montrer que si v est solution de (1.6), alors,
v (n, .) est convexe quel que soit n.
2. Soit Vn = Vn/(1 + r)n et Sn= Sn/(1 + rr. Montrer que

Vn+1 -Vn = 6-(n+ 1,Sn) (sn+l -sn).


3. Montrer, en utilisant l'galit (1.6), que, pour a= a ou c, on a

v(n + 1, x(l +a)) -_ V (n, X ) + uA( n + 1'X ) (x(l


+a) 1
l+r
+r

En dduire, en utilisant la convexit de v, que

v(n+l,x(l+b)) < V (n, X ) + uA( n + 1'X )(x(l+b)


1
l+r
+r

4. Montrer par rcun-ence que pour tout n = 0, ... N, Vn 2: v(n, Sn) En dduire
que VcRR est la valeur initiale d'une stratgie de sur-rplication.

Exercice 3 On considre un modle de march financier temps discret comme


dans la Section 1.1. Un numraire est une suite adapte W = (Wn)n=a, ... ,N vrifiant
Wa = 1, Wn > 0 pour tout n = 1, ... , N, et Wn = Vn(B) (n = 0, ... , N) pour une
stratgie admissible li. Dans cet exercice, on se donne un numraire W, et on dsigne
par sw le processus vecteur des prix dans le numraire W dfini pars;; = Sn/Wn.
pour n = 0, ... , N.
1. Montrer qu'une suite prvisible </> = (<f>n)n=a, ... ,N, valeurs dans JRd+ 1 , est
une stratgie auto-finance si et seulement si, on a, pour n = 1, ... , N,
n

vnw(</>) =Va(</>)+ L<f>j.6.Sf'


j=l

Chapitre 1 Modles discrets

36
2. Montrer que, pour n = 1, ... , N,

"L,7= 1 ()1.b..Sj" =O.

3. Montrer que pour toute suite prvisible </> = (</>n)n=O, .. .,N. valeurs dans
JRd+I, et pour tout nombre rel V0 , il existe une stratgie auto-finance~ telle
que
n

n=O, ... ,N.


4. Montrer que le march est viable si et seulement si il existe une probabilit
IP'w, quivalente IP', sous laquelle sw soit une martingale.
5. Montrer que, dans un march viable, il y a au plus un numraire dterministe.
6. On suppose le march viable et complet et on note IP'* l'unique probabilit
quivalente lP' sous laquelle S est une martingale.
(a) Montrer que la probabilit IP'w introduite dans la Question 4 est unique
et vrifie dJP>W j dJP>* = W N j

sr;..

(b) Montrer que le juste prix l'instant n d'une option h est donne par

Chapitre 2

Problme d'arrt optimal et


options amricaines
Le but de ce chapitre est de traiter l'valuation et la couverture des options
amricaines et de faire apparatre le lien entre ces questions et le problme d'arrt
optimal. Pour cela, nous aurons besoin de la notion de temps d'arrt, qui permet de
modliser les stratgies d'exercice d'une option amricaine, et de la notion d'enveloppe de Snell, qui est la cl de la rsolution du problme d'arrt optimal. L'application de ces notions aux options amricaines sera prcise dans la Section 2.5.

2.1

Notion de temps d'arrt

Le dtenteur d'une option amricaine peut l'exercer tout moment, jusqu' la


date d'chance. La dcision d'exercer ou de ne pas exercer l'instant n se fera
au vu des informations disponibles l'instant n. Si on se place dans le cadre d'un
modle discret, construit sur un espace probabilis filtr fini (0, F, (Fn)o::;n::;N, lP'),
on est conduit dcrire la date d'exercice par une variable alatoire appele temps
d'arrt.
Dfinition 2.1.1 Une variable alatoire v, valeurs dans {O, 1, 2, ... , N} est un
temps d'arrt si, pour tout n E {O, 1, , N},

{v=n}EFn
Remarque 2.1.1 Comme dans le chapitre prcdent, nous supposerons que F =
n. Cette hypothse n'est d'ailleurs pas essentielle: si elle n'est pas vrifie, les rsultats exposs dans ce chapitre restent vraies,
condition de prendre les galits au sens presque sr. En revanche, nous ne supposerons pas que F0 = {0, O} et FN = F, sauf dans le contexte purement financier
de la Section 2.5.

P(O) et lP'( {w}) > 0, pour tout w E

37

38

Chapitre 2 Problme d'arrt optimal et options amricaines

Remarque 2.1.2 On pourra vrifier, titre d'exercice, que v est un temps d'arrt si
et seulement si, pour tout n E 0, 1, ... , N,

{v

::=:;

n}

Fn.

Cette dfinition quivalente du temps d'arrt est celle qui se gnralise au temps
continu.
Introduisons maintenant la notion de suite arrte un temps d'arrt. Soit
(Xn)o:s;n:s;N une suite adapte la filtration (:Fn)o,:s;n:s;N et soit v un temps d'arrt.
La suite arrte l'instant v est dfinie par
X~(w)

c'est--dire que, sur l'ensemble {v

= Xv(w)/\n(w),

= j}, on a
sij::::; n
sij > n.

Noter que Xj\,(w) = Xv(w)(w) (= Xj sur {v = j} ).


Proposition 2.1.4 Soit (Xn)une suite adapte et soit v un temps d'arrt. La suite
arrte (X;;,)o:s;n:s;N est adapte. De plus, si (Xn) est une martingale (resp. une
sur-martingale), alors (X;;,) est une martingale (resp. une sur-martingale).
Dmonstration.

On remarque que, pour n

1, on a

Xv/\n = Xo

+ L<l>j(Xj -

Xj-1),

j=l

o <t>j = l{j:s;v}. Puisque {j ::=:; v} est le complmentaire de l'ensemble {v < j} =


{ v ::=:; j - 1}, le processus (<l>n)o:s;n:s;N est prvisible.
Il est clair alors que (Xv/\n)o:s;n:s;N est adapte la filtration (:Fn)o:s;n:s;N. De
plus, si (Xn) est une martingale, (Xv/\n) est aussi une martingale par rapport (:Fn).
puisque c'est une transforme de la martingale (Xn). De mme, on peut montrer que
si la suite (Xn) est une sur-martingale (resp. une sous-martingale), la suite arrte
est encore une sur-martingale (resp. une sous-martingale) en utilisant la prvisibilit
D
et la positivit de (<t>j )o:s;j:s;N.

2.2 Enveloppe de Snell


Dans ce paragraphe, on se donne une suite adapte (Zn)o<n<N, et on se propose
d'tudier la suite (Un)o<n<N dfinie par

ZN
max(Zn,IE(Un+1l:Fn)),

n = 0, ... , N - 1.

Cette tude est motive par notre premire approche des options amricaines (cf.
Section 1.3.3). Nous savons dj, par la Proposition 1.3.6, que (Un)o<n<N est la

2.2 Enveloppe de Snell

39

plus petite sur-martingale majorant la suite (Zn)o<n<N On l'appelle enveloppe de


Snell de la suite (Zn)o~n~N
La relation de rcurrence dfinissant Un montre qu' chaque instant n, Un ~ Zn
(avec galit pour n = N) et que, tant que l'ingalit est stricte, Un = IE(Un+i IFn)
Cela suggre que, en arrtant convenablement la suite (Un), on puisse obtenir une
martingale, comme le montre la proposition suivante.
Proposition 2.2.1 La variable alatoire dfinie par
110

= inf{n

0 1 Un= Zn}

(2.1)

est un temps d'arrt et la suite arrte (Un 11110 )o~n~N est une martingale.
Dmonstration. Puisque UN = ZN, la variable 110 dfinit bien un lment de
{O, 1, ... , N} et on a
{110 = O} = {Uo = Zo} E Fo,
et, pour k
{110

1,

= k} = {Uo

> Zo} n ... n {Uk-l > Zk-l} n {Uk

= Zk} E Fk.

Pour montrer que (U:;,0 ) est une martingale, on crit, comme dans la
dmonstration de la Proposition 2.1.4,
n

u:;,0 = Un/\110 = Uo

+L

</Jjtl.Uj,

j=l

o <Pi= l{ 11o~i} On a donc, pour n E {O, 1, ... , N - 1},

</Jn+l (Un+l - Un)


l{n+l~110 }(Un+l - Un)
On a, par dfinition, Un =max( Zn, IE(Un+I
Un> Zn. D'o

Fn)) et, surl'ensemble {n+l ::;

110 },

et par consquent

En prenant l'esprance conditionnelle des deux membres, on obtient


IE((u~+ 1

car { n + 1 ::;
D'o

110 }

- u:;,0 )IFn) = l{n+1~110 }1E((Un+1 - IE(Un+ilFn)) 1 Fn),


E

Fn (puisque le complmentaire de {n + 1 ::;


IE((U~+ 1

110 }

est { 110

::;

n}).

- u:;,0 )IFn) = 0,

ce qui prouve que U110 est une martingale.

40

Chapitre 2 Problme d'arrt optimal et options amricaines

Dans la suite, nous noterons 'Tn,N l'ensemble des temps d'arrt valeurs dans
+ 1, ... , N}. Remarquons que, puisque n est suppos fini, l'ensemble 'Tn,N
est galement fini. La proprit de martingale de la suite arrte uva permet de montrer le rsultat suivant, qui fait le lien entre enveloppe de Snell et problme d'arrt
optimal.

{n, n

Corollaire 2.2.2 Le temps d'arrt va vrifie

Ua = IE(ZvalFa) = sup IE(ZvlFa).


vETa,N
Si Zn reprsente la somme des gains d'un joueur aprs n parties d'un jeu de hasard,
on voit que s'arrter l'instant va permet de maximiser le gain moyen sachant Fa.

Dmonstration.

Ua =
Par ailleurs, si v E

Puisque uva est une martingale, on a


u~a

= IE(UJ:l 1 Fa) = IE(Uva

IFa)

= IE(Zva 1 Fa).

To,N, la suite arrte uv est une sur-martingale. D'o


Ua

> IE(Ui\rlFa) = IE(UvlFa)


> IE(ZvlFa),

ce qui donne le rsultat.

Remarque 2.2.1 Une gnralisation immdiate du Corollaire 2.2.2 donne

Un

sup IE(ZvlFn)

vETn,N

Dfinition 2.2.4 Un temps d'arrt v* est dit optimal (pour la suite (Zn)a::;n::;N) si

IE(Zv IFa) = sup IE(ZvlFa).


vETa,N
Il rsulte de ce qui prcde que le temps d'arrt va est optimal. Le rsultat suivant
donne une caractrisation des temps d'arrt optimaux qui montre que va est le plus
petit temps d'arrt optimal.

Thorme 2.2.5 Un temps d'arrt v est optimal si et seulement si

{ Zv

Uv

et (Uv/\n)a::;n::;N est une martingale.

(2.2)

2.3 Dcomposition des sur-martingales

41

Dmonstration. Si la suite arrte uv est une martingale, on a U0 = IE(U..,IFo) et


par consquent, si (2.2) est vrifi, U0 = IE(Zvl.F0 ). L'optimalit de v rsulte alors
du Corollaire 2.2.2.
Rciproquement, si v est optimal, on a

Uo = IE(Z..,IFo) :::; IE(U..,IFo).


Mais, puisque U" est une sur-martingale,

D'o
et, puisque U.., ::'.'. Zv. U.., = Zv
De l'galit IE(Uvl.Fo) = Uo et des ingalits

(qui rsultent du fait que (U;:,)) est une sur-martingale) on dduit aussi

Mais on a Uv/\n ::'.'. IE(U..,IFn), donc Uv/\n


une martingale.

= IE(UvlFn), ce qui prouve que (U;:,) est


D

2.3 Dcomposition des sur-martingales


La dcomposition suivante (classiquement appele dcomposition de Doob) permet, dans les marchs viables et complets, d'associer toute sur-martingale une
stratgie de gestion dans laquelle la consommation est autorise (voir ce sujet
l'exercice 8).
Proposition 2.3.1 Toute sur-martingale (Un)o<n<N peut s'crire de faon unique
sous la forme

Un = !Vln - An,
o (!Vln) est une martingale et (An) est un processus croissant, prvisible, nul en O.

Dmonstration. Il est clair que le seul choix possible pour n


A 0 = O. On doit ensuite avoir

= 0 est !Vlo = Uo

D'o, en conditionnant par rapport Fn et en utilisant les proprits de Met A,

et

et

Chapitre 2 Problme d'arrt optimal et options amricaines

42

Les suites (Mn) et (An) sont ainsi dtermines de manire unique, et on voit que
(Mn) est une martingale et que le processus (An) est bien prvisible et croissant
(parce que (Un) est une sur-martingale).
D
Supposons maintenant que (Un) soit l'enveloppe de Snell d'une suite adapte (Zn)
On peut alors caractriser le plus grand temps d'arrt optimal pour (Zn) l'aide du
processus croissant (An) intervenant dans la dcomposition de Doob de (Un)

Proposition 2.3.2 Le plus grand temps d'arrt optimal pour (Zn) est donn par

si AN= 0
si AN t'= 0.
Dmonstration. On voit facilement que V max est un temps d'arrt en utilisant le fait
que (An)o::;n::;N est prvisible. De l'galit Un = Mn - An et du fait que Aj = 0,
pOUr j ::; Vmax> On dduit que UVmax = f\![Vmax, Ce qui entrane que UVmax est Une
martingale. Pour montrer l'optimalit, de Vmax il suffit par consquent de montrer
l'galit
UVn1ax --ZVmax '
Or
N-1
Uvmax

l{vmax=j}Uj

l{v.nax=j} max(Zj,lE(Uj+1IFj))

+ l{vmax=N}UN

j=O
N-1

+ l{Vmax=N}ZN,

j=O
On a lE(Uj+1 IFj) = Mj - Aj+1 et, sur l'ensemble {vmax = j}, Aj = 0 et
Ai+1 > 0, donc Ui = Mi et lE(UH1IFi) = Mi - Ai+1 < Ui. Par suite,
Uj = max(Zj,JE(UH 11Fj)) = Zj. D'o, finalement,

UVinax -Z
ll111ax '
Il reste montrer que c'est le plus grand temps d'arrt optimal. Cela rsulte du fait
que si v est un temps d'arrt vrifiant v 2: Vmax et IP'(v > Vmax) > 0, alors

lE(Uv) = lE(Mv) - JE(Av) = lE(Uo) - JE(Av) < lE(Uo)


et par consquent

2.4

uv ne peut pas tre une martingale et v ne peut pas tre optimal.D

Enveloppe de Snell et chanes de Markov

Le but de cette section est de montrer comment, dans un cadre markovien, les
calculs d'enveloppes de Snell peuvent tre mens bien. Rappelons qu'une suite
(Xn)n>o de variables alatoires valeurs dans un espace fini E est appele chane

2.5 Application aux options amricaines


de Markov si, pour tout entier n
E,ona

43

1 et pour tous lments xo,

X1, .. ,

Xn-1. x, y de

IP'(Xn+l =Y 1 Xo = Xo, ... ,Xn-1 = Xn-1,Xn = x) = IP'(Xn+l =Y 1 Xn = x).


LachaneestditehomognesilenombreP(x,y) = IP'(Xn+l =y 1 Xn = x)
ne dpend pas de n. La matrice P = (P(x, y))(x,y)EExE, indexe par E x E,
est alors appele matrice de transition de la chane. Notons que la matrice P a des
coefficients positifs ou nuls et vrifie I:,yEE P(x, y) = 1 pour tout x E E; on dit
que c'est une matrice stochastique. Lorsqu'on travaille sur un espace de probabilit
filtr (n, F, (Fn)o~n~N, IP'), on dfinit la notion de chane de Markov par rapport
la filtration de la faon suivante.
(Xn)o~n~N de variables alatoires valeurs dans E est
une chane de Markov homogne de matrice de transition P par rapport la filtration
(Fn)o~n~N, si (Xn) est adapte et si, pour toute fonction f de E dans JR, on a

Dfinition 2.4.1 Une suite

JE(f(Xn+i)IFn)

Pf(Xn),

o P f dsigne la fonction qui x E E associe

Pf(x) =

P(x,y)f(y).

yEE
Noter que, si l'on interprte les fonctions de E dans lR comme des matrices unicolonnes indexes par E, le nombre P f est bien le produit des deux matrices P
et f. On vrifie facilement qu'un chane de Markov au sens lmentaire dfini plus
haut est une chane de Markov par rapport sa filtration naturelle, dfinie par Fn =

cr(Xo, ... , Xn)


La proposition suivante est une consquence immdiate de la dfinition
prcdente et de la dfinition de l'enveloppe de Snell. C'est la cl du calcul effectif
du prix des options amricaines dans les modles discrets (cf. Exercice 7).

Proposition 2.4.2 Soit (Zn) une suite adapte dfinie par Zn = 1/J(n, Xn), o (Xn)
est chane de Markov homogne valeurs dans E, de matrice de transition P par
rapport la filtration (Fn)o~n~N, et soit 1f; une application de N x E dans R
Alors, l'enveloppe de Snell (Un) de la suite (Zn) est donne par Un = u(n, Xn), o
la fonction u est dfinie par les relations suivantes

u(N,x) = 1/J(N,x) \lx


et, pour n

EE

N - 1,

u(n, ) = max('lj;(n, ), Pu(n + 1, )).

2.5 Application aux options amricaines


Nous nous plaons maintenant dans un modle de march viable et complet,
construit sur l'espace probabilis filtr (n, F, (Fn)o<n<N, IP') et, comme dans les
Sections 1.3.l et 1.3.3, nous notons IP'* l'unique probabilit sous laquelle les prix
actualiss des actifs sont des martingales.

44

2.5.1

Chapitre 2 Problme d'aITt optimal et options amricaines

Exercice et couverture des options amricaines

Dans la Section 1.3.3, nous avons dfini la valeur (Un) d'une option amricaine
dcrite par une suite (Zn) par les relations

La suite (n) dfinie par n = Un/ S~ (valeur actualise de l'option) est donc
l'enveloppe de Snell, sous lP'*, de la suite (Zn) Il rsulte de la Section 2.2 que

n = sup IE*(ZvlFn)
vETn,N

et par consquent

Un =

S~

sup IE* (
vET,.,N

~~ IFn) .
V

D'aprs la Section 2.3, on peut crire

o (Mn) est une lP'*-martingale et (n) un processus croissant, prvisible, nul en O.


Comme le march est complet, il existe une stratgie auto-finance</> telle que

c'est--dire VN(</>) =MN. Comme la suite (fin(</>)) est une lP'*-martingale, on a

IE*(VN(<!>)IFn)
IE*(J\INIFn)
Mn,
et par consquent
D'o

Un= Vn(</>) - An,


o An = S~n. On dduit de cette expression que le vendeur de l'option peut se
couvrir parfaitement, puisque, en encaissant la prime U0 = V0 ( </>), il peut produire
une richesse l'instant n gale Vn(</>) qui majore Un et a fortiori Zn.
Quelle est la date optimale d'exercice de l'option? La date d'exercice est choisir parmi tous les temps d'arrt. Le dtenteur de l'option n'a pas intrt exercer
l'instant n tant que Un > Zn, car il perdrait un actif de valeur Un (l'option) pour une
richesse gale (Zn) (venant de l'exercice de l'option). Donc, une date T d'exercice
optimal vrifie Ur = Zr. Par ailleurs, il n'a pas intrt exercer aprs l'instant
Vmax

= inf{j, Aj+l

-/:-

O}

2.5 Application aux options amricaines

45

(qui est gal inf{j, .H 1 =/:- O}) car, cet instant, en vendant l'option, il peut
se contenter une richesse gale Uvmax = Vvm.J </>) et, en suivant la stratgie ef>
partir de cet instant, il se constitue un portefeuille dont la valeur est strictement plus
grande que celle del' option aux instants V max+ 1, V max+ 2, ... , N. On impose donc
comme seconde condition, T ::; Vmax, ce qui permet d'affirmer que la suite arrte
r est une martingale. La conclusion de cette discussion est que les dates d'exercice
optimales sont les temps d'arrt optimaux pour la suite (Zn), sous la probabilit lP'*.
Pour prciser ce point, reprenons le point de vue du vendeur de l'option. Si celui-ci
se couvre selon la stratgie ef> dfinie ci-dessus, et si l'acheteur de l'option exerce
un instant T qui n'est pas optimal, on a U7 > Z 7 ou A 7 > O. Dans les deux cas, le
vendeur ralise un profit V7 (</>) - Z7 = U7 + A 7 - Zn qui est strictement positif.

2.5.2

Options amricaines et options europennes

Proposition 2.5.1 Soit Cn la valeur l'instant n d'une option amricaine dcrite


par une suite adapte (Zn)o~n~N et soit Cn la valeur l'instant n de l'option
europenne dfinie par la variable alatoire :FN-mesurable h = ZN. Alors, on a
Cn 2 Cn
De plus, si Cn 2 Zn pour tout n, on a

Cn

= Cn

't:/n E {O, 1, ... , N}.

L'ingalit Cn 2 Cn est bien naturelle, puisque l'option amricaine donne plus de


droits que l'option europenne.
Dmonstration.
ona

Puisque la valeur actualise (Cn) est une sur-martingale sous lP'*,

D'o Cn 2 Cn
Si Cn 2 Zn pour tout n, la suite (en), qui est une martingale sous lP'*, apparat
comme une sur-martingale (sous lP'*) majorant la suite (Zn) et par consquent

Cn ::; Cn 't:/n
D'o l'galit.

{O, 1, ... , N}.


D

Remarque 2.5.1 On vrifiera sans peine que si les relations de la Proposition 2.5. l
n'taient pas vrifies, il y aurait des opportunits d'arbitrage par des transactions
sur les options.

Pour illustrer la proposition qui prcde, considrons un march avec un seul


actif risqu, de prix Sn l'instant n, et un taux d'intrt sans risque constant, gal
r 2 0 sur chaque priode, de sorte que S~ = (1 + r)n. Alors si, avec les notations
de la Proposition 2.5.1, on prend Zn = (Sn - K)+, Cn est le prix l'instant n d'un

Chapitre 2 Problme d'arrt optimal et options amricaines

46

call europen d'chance Net de prix d'exercice K sur une unit d'actif risqu, et
Cn est le prix du call amricain con-espondant. On a

(1 + r)-NIE*((SN - K)+IFn)
> IE* (Sn - K(I + r )-N IFn)
-N
Sn-K(l+r)
,

en utilisant la proprit de martingale de (Sn) D'o Cn 2 Sn - K(I + r)-(N-n) 2


Sn - K, puisque r 2 O. Comme Cn 2 0, on a aussi Cn 2 (Sn - K)+ et, par la
Proposition 2.5. 1, Cn = en. II y a donc galit entre le prix du call europen et le
prix du call amricain de mme chance et mme prix d'exercice.
Cette proprit n'est pas vrifie dans le cas du put, ni dans celui de calls sur
devises ou sur des actions distribuant des dividendes.
Remarque bibliographique : Pour des complments sur !'enveloppe de Snell et
I'an-t optimal, on peut consulter Neveu (1972), Chapitre VI, et Dacunha-Castelle
et Dufto (l 986b ), Chapitre 5, Section 1. Pour la thorie de !' an-t optimal temps
continu voir El Karoui (1981 ), Shiryaev (1978) et Peskir et Shiryaev (2006).

2.6 Exercices
Exercice 4 Soit v un temps d'an-t de la filtration (Fn)o<n<N On note Fv l'ensemble des vnements A tels que A n { v = n} E Fn pour tout n E { 0, ... , N}.
1. Montrer que Fv est une sous-tribu de F N. La tribu Fv est appele tribu des
vnements antrieurs v.

2. Montrer que la variable alatoire v est Fv-mesurable.


3. Soit X une variable alatoire relle. Montrer l'galit
N

IE(XIFv) =

L l{v=j}JE(XIFj)
j=O

4. Soit T un temps d'an-t vrifiant T 2 v. Montrer que Fv C Fr


5. Sous les mmes hypothses, montrer que si (Mn) est une martingale, on a

(On poun-a commencer par traiter le cas T

N).

Exercice 5 Soit (Un) l'enveloppe de Snell d'une suite adapte (Zn) Montrer, sans
supposer F 0 triviale, que

IE(Uo) = sup IE(Zv),


vETo,N

et, plus gnralement, que

IE(Un) = sup IE(Zv)


vET,,,N

47

2.6 Exercices

Exercice 6 Montrer que v est optimal au sens de la Dfinition 2.2.4 si et seulement


si

IE(Zv) = sup IE(Zr)


rETo,N

Exercice 7 L'objet de cet exercice est d'tudier le put amricain dans le modle de
Cox-Ross-Rubinstein. Les notations sont celles du Chapitre 1.
1. Montrer que le prix Pn. l'instant n, du put amricain d'chance N et de
prix d'exercice K sur une action peut s'crire

o Pam(n, x) est dfini par Pam(N, x)

= (K - x)+ et, pour n::::; N - 1,

f(n+ 1,x))
Pam(n,x) =max ( (K - x)+,
,
l+r

avec

f(n

+ 1, x)

pPam(n + 1, x(l +a))+ (1 - p)Pam(n + 1, x(l

+ b))

etp = (b - r)/(b - a).


2. Montrer que la fonction Pam(O, .) peut se mettre sous la forme

Pam(O, x) = sup IE*((l

+ rt(K -

xVv)+),

vETo,N

o la suite de variables alatoires (Vn)o<n<N est dfinie par Vo = 1 et, pour


n 2:: 1, Vn = f1~= 1 Ui, les Ui tant des ~ariables alatoires dont on prcisera
la loi conjointe sous IP'*.
3. A partir de la formule de la question prcdente, montrer que la fonction x
Pam(O, x) est convexe et dcroissante.

r-+

< 1. Montrer qu'il existe un rel x* E [, K] tel que, pour


x::::; x*, Pam(O,x) = (K - x)+ et, pour x* < x < K/(1 + a)N,

4. On suppose a

Pam(O,x) > (K - x)+


5. Un agent dtient le put amricain l'instant O. Pour quelles valeurs du cours
spot Bo a-t-il intrt exercer immdiatement son option?
6. Montrer que la stratgie de couverture du put est dfinie par une quantit d'actif risqu H n = ~ (n, Bn- l) dtenir l'instant n, o ~ est une fonction que
l'on exprimera l'aide de la fonction Pam.

Exercice 8 Stratgies de consommation. Les stratgies auto-finances dfinies


au Chapitre 1 excluent toute possibilit de consommation. On peut introduire des
stratgies avec consommation de la faon suivante. A l'instant n, aprs avoir pris
connaissance des cours S~, ... , S~, l'investisseur rajuste son portefeuille pour le

48

Chapitre 2 Problme d'arrt optimal et options amricaines

faire passer de la composition <Pn la composition <Pn+l et dcide de la richesse


'n+l qui sera consomme la date n + 1. L'ajustement se faisant aux cours de la
date n, s'il n'y a pas d'apports de fonds extrieurs, on doit avoir
(2.3)

Une stratgie de gestion avec consommation est donc dfinie par un couple ( </;, '), o
<f; est un processus prvisible valeurs dans JRd+ 1, reprsentant les quantits d'actifs
dtenues au cours du temps, et ' = bnh <n<N est un processus prvisible valeurs
dans JR+, reprsentant la richesse consom~~ chaque instant. La relation (2.3) liant
<Pet ' remplace la condition d'auto-financement du Chapitre 1.
1. Soit <P un processus prvisible valeurs dans JRd+ 1 et soit ' un processus
prvisible valeurs dans JR+. On pose Vn(<P) = cPnSn et Vn(<P)
Montrer que les conditions suivantes sont quivalentes.

= cPnBn

(a) Le couple ( </;, ') dfinit une stratgie de consommation.


(b) Pour tout n E {1, ... , N},
n

j=l

j=l

(c) Pour tout n E {1, ... , N},


n

j=l

j=l

2. Dans toute la suite, on suppose le march viable et complet et on note IP'*


l'unique probabilit sous laquelle les prix actualiss des actifs sont des martingales. Montrer que si le couple ( </;, ') dfinit une stratgie de consommation,
alors (Vn ( <P)) est une sur-martingale sous IP'*.
3. Soit (Un) une suite adapte telle que (n)soit une sur-martingale sous IP'*.
Montrer, en utilisant la dcomposition de Doob, qu'il existe une stratgie de
consommation(</;, ') telle que Vn(<P) =Un pour tout n E {O, ... , N}.
4. Soit (Zn) une suite adapte. On dit qu'une stratgie de consommation (</J,')
couvre l'option amricaine dfinie par la suite (Zn)si Vn(<P) 2 Zn pour tout
n E {O, 1, ... , N}. Montrer que la valeur (Un) de l'option amricaine est la
valeur d'au moins une stratgie de consommation qui couvre (Zn) et que toute
stratgie de consommation(</;,')') qui couvre (Zn) vrifie Vn(<P) 2 Un, pour
tout n E {O, 1, ... , N}.
5. Soit x un nombre rel positif reprsentant la richesse initiale d'un investisseur
et soit 'Y = bnh::;n::;N une suite prvisible valeurs dans JR+. On dit que le
processus de consommation ('n) estfinanable partir de la richesse initiale
x s'il existe un processus prvisible </J, valeurs dans JRd+l, tel que le couple
(</;, ') dfinisse une stratgie de consommation, avec, de plus, V0 ( <P) = x et
Vn(<P) 2 0, pour tout n E {O, ... , N}. Montrer que ('n) est finanable
partir de la richesse initiale x si et seulement si JE* (2::f= 1 'j /
1 ) ::::; x.

SJ_

Chapitre 3

Mouvement brownien et
quations diffrentielles
stochastiques
Les deux premiers chapitres de ce livre ont t consacrs l'tude de modles
temps discret. On a vu cette occasion l'importance des notions de martingales,
de stratgies autofinances et d'enveloppe de Snell. Dans ce chapitre, nous allons
tendre ces notions au cas du temps continu. En particulier, nous introduirons les
outils mathmatiques permettant de construire des modles d'volution d'actif et de
calculer les prix d'options. Les outils techniques sont plus dlicats utiliser en temps
continu mais les ides essentielles diffrent peu de celles du temps discret.
Pourquoi considre-t-on des modles temps continu? La premire motivation vient des phnomnes que l'on veut modliser : les variations des cotations
sur les marchs organiss sont en pratique tellement frquentes qu'un modle
temps discret peut difficilement en rendre compte. D'autre part, les modles continus conduisent des mthodes de calcul plus explicites que les modles discrets,
mme s'il faut parfois avoir recours des mthodes numriques. Ainsi, le modle le
plus utilis dans la pratique (le modle de Black et Scholes) est un modle temps
continu qui conduit une formule simple. Comme nous l'avons signal dans l'introduction, les liens entre processus stochastiques et finance ne sont pas nouveaux :
en 190 l, Bachelier (voir Bachelier (l 900)) dans un mmoire intitul Thorie de la
spculation est, non seulement l'un des premiers s'intresser mathmatiquement
aux proprits du mouvement brownien, mais aussi donner des formules de calcul
de prix pour certaines options.
Nous donnons quelques lments mathmatiques ncessaires la comprhension
des modles temps continu. En particulier, nous introduirons le mouvement brownien, qui est l'outil majeur du modle de Black et Scholes et sert construire la
plupart des modles d'actifs en finance. Puis nous tendrons la notion de martingale au cas du temps continu, enfin nous construirons l'intgrale stochastique d'It
et nous introduirons le calcul diffrentiel qui lui est associ : le calcul d'It.
49

Chapitre 3 Mouvement brownien et quations diffrentielles stochastiques

50

Certaines dmonstrations sont rdiges en petits caractres, ce sont des


dmonstrations techniques qu'il est conseill de sauter lors d'une premire lecture.

3.1

Gnralits sur les processus temps continu

Commenons par prciser ce que l'on entend par processus temps continu.
Dfinition 3.1.1 On appelle processus stochastique temps continu et valeurs dans
un espace E muni d'une tribu E , une famille (Xt)tEIR+ de variables alatoires sur
un espace de probabilit (n, A, JP>) valeurs dans (E, E).
Remarque 3.1.1
- Dans la pratique l'indice t reprsente le temps.
- Un processus peut aussi tre vu comme une fonction alatoire : chaque w
dans il on associe la fonction de ffi.+ dans E, t i - ; Xt(w), appele trajectoire
du processus.
- Un processus peut tre considr comme une application de ffi.+ x n dans
E, nous supposerons toujours que cette application est mesurable lorsque l'on
munit ffi.+ X n de la tribu B(ffi.+) X A et Ede la tribu E. En d'autres termes,
nous considrerons uniquement des processus mesurables (voir Karatzas et
Shreve (1988) pour les dtails techniques).
- On considrera aussi des processus indexs par un intervalle de temps [O, T]
born.
Comme dans le cas discret, on introduit la notion de filtration.
Dfinition 3.1.3 Une filtration sur un espace de probabilit (il, A, JP>) est une famille
croissante (Ftk::o de sous tribus de A.
La tribu Ft reprsente l'information dont on dispose l'instant t. On dit qu'un processus (Xt)t;::::o est adapt (Ft)t;::::o, si pour chaque t, Xt est Ft-mesurable.
Remarque 3.1.2 Dans la suite, les filtrations quel' on considrera auront la proprit
suivante:
Si A'

cA

A et si JP>(A) = 0, alors pour tout t, A'

Ft.

En d'autres mots, Ft contient tous les ensembles lP'-ngligeable de A. Un


consquence utile de cette hypothse technique est de permettre d'affirmer que si
X = Y lP' p.s. et Y est Frmesurable alors X est aussi Frmesurable.
On peut construire une filtration engendre par un processus (Xt)t;::::o en posant Ft = a(X8 , s ~ t). Cette filtration ne vrifie pas, en gnral, l'hypothse
prcdente. Cependant si on remplace la tribu Ft par la tribu Ft engendre par Ft
et N, !'ensemble des ensembles ngligeables de A, on obtient une filtration vrifiant
la condition souhaite. On appelle cette filtration la filtration naturelle du processus
(Xt)t>O Quand on parle de filtration pour un processus sans autres prcisions, il

3.2 Le mouvement brownien

51

s'agit de sa filtration naturelle. Un processus est bien sr adapt sa filtration naturelle.


La notion de temps d'arrt nous sera utile comme dans le cas discret. Un temps
d'arrt modlise un temps alatoire qui dpend du processus de faon non anticipante
( un instant donn t on sait si un temps d'arrt est plus petit que t). Formellement,
la dfinition est la suivante :
Dfinition 3.1.5 Un temps d'arrt par rapport une filtration (Ft)t>o une variable
alatoire r valeurs dans JR+ U { +oo} telle que, pour tout t 2:: 0, -

On associe un temps d'arrt rune_ tribu que l'on note Fn dfinie par

Fr= {A

A, pourtoutt 2:: O,An {r::::; t}

Ft}

Cette tribu reprsente les informations disponibles avant l'instant alatoire r. On


dmontreque(voirexercices 11, 12, 13, 14et 17):
Proposition 3.1.6
- Si S est un temps d'arrt, S est Fs mesurable.
- Si S est un temps d'arrt, fini presque srement, et (Xtk:'.'.o est un processus
adapt continu, alors Xs est Fs mesurable.
- Si Set T sont deux temps d'arrt tels que S ::::; T IP' p.s., alors Fs C Fr.
- Si S etT sont deux tempsd'arrtalors S/\T = inf(S, T) est un temps d'arrt.
En particulier si S est un temps d'arrt et t est un temps dterministe S /\ t est
un temps d'arrt.

3.2 Le mouvement brownien


Un exemple particulirement important de processus stochastique est le mouvement brownien. Il servira de base pour la construction de la plupart des modles
d'actifs financiers et de taux d'intrt.
Dfinition 3.2.1 On appelle mouvement brownien un processus stochastique valeurs relles, (Xt)t;::::o. qui est un processus accroissements indpendants et stationnaires dont les trajectoires sont continues. Ce qui signifie que :
- continuit : IP' p.s. la fonction s t--t X 8 ( w) est une fonction continue.
- indpendance des accroissements : Si s ::::; t, Xt - X 8 est indpendant de la
tribu Fs = a(Xu, u::::; s).
- stationnarit des accroissements : si s ::::; t, la loi de Xt - Xs est identique
celle de Xt-s - Xo.
Cette dfinition permet de caractriser la loi de la variable alatoire Xt. Ce
rsultat est d~licat tablir, nous renvoyons Gihman et Skorohod (1980) pour sa
dmonstration.
Thorme 3.2.2 Si (Xt)t>o est un mouvement brownien, alors Xt - Xo est une
variable alatoire gaussie~ne de moyenne rt et de variance a 2 t, r et a tant des
constantes relles.

Chapitre 3 Mouvement brownien et quations diffrentielles stochastiques

52

Remarque 3.2.1 Un mouvement brownien est dit standard si:

Xo = 0 IP' p.s.

JE (Xt)

= 0,

JE(Xl) =t.

Dans la suite, lorsque l'on parlera de mouvement brownien, sans autre prcision,
il s'agira d'un mouvement brownien standard. Dans ce cas, la loi de Xt prend la
forme:
1
x2

--e-udx

V27ri

'

dx tant la mesure de Lebesgue sur R


On peut dmontrer une proprit prcisant le caractre gaussien du mouvement
brownien. On vient de voir que pour tout t, Xt est une variable alatoire gaussienne.
On a une proprit plus forte :

Thorme 3.2.4 Si (Xtk::o est un mouvement brownien, si 0 < ti < ... < tn,
alors (Xt 1 , . , Xt,,) est un vecteur gaussien.
On pourra consulter l'appendice page 235 pour des prcisions sur les vecteurs gaussiens.

Dmonstration.

Soit 0 :::; t 1

< ... < tn, alors le vecteur alatoire

est compos de variables alatoires gaussiennes (d'aprs le thorme 3.2.2) et


indpendantes (par dfinition du mouvement brownien), ce vecteur est donc un vecteur gaussien. Il en est donc de mme pour (Xt 1 , . . , Xtn ).
D
On aura besoin d'une dfinition lgrement plus prcise d'un mouvement brownien
par rapport une tribu :Ft.

Dfinition 3.2.5 On appellera (:Ft)-mouvement brownien un processus stochastique


valeurs relles et trajectoires continues qui vrifie :
- Pour tout t 2 0, Xt est Ft-mesurable.
- Sis :::; t, Xt - Xs est indpendant de la tribu :F8
- Sis :::; t, la loi de Xt - X 8 est identique celle de Xt-s - Xo.
- Il est facile de vrifier que, si (Xt) est un mouvement brownien standard, c'est aussi un (:Ft)-mouvement brownien, si l'on prend pour
(:Ft) la filtration naturelle de (Xt)
- Si (Xt) est un mouvement brownien standard, il en est de mme des processus
(Xto+t - X1 0 k::o et (,>-Xt;>.2 )t;::o.

Remarque 3.2.2

3.3

Martingales temps continu

Comme dans le cas des modles temps discret, la notion de martingale est un
outil essentiel pour expliciter la notion d'arbitrage. La dfinition suivante est une
extension de celle du temps discret.

53

3.3 Martingales temps continu

Dfinition 3.3.1 Soit (r!, A, IP') un espace probabilis et (Ft)t;:::o une filtration de

cet espace. Une famille adapte (Mt)t;:::o de variables alatoires intgrables (c'est-dire vrifiant E( 1Mt1) < +oo pour tout t) est :
- une martingale si, pour touts :': '.: t, E (Mt IFs) = Ms.
- une sur-martingale si, pour touts :': '.: t, E (MtlFs) S Ms.
- une sous-martingale si, pour touts:'::'.: t, E (MtlFs) ?: Ms.
Remarque 3.3.1 On dduit de cette dfinition que, si (Mt)t>o est une martingale,
alors E(Mt) = E(Mo), pour tout t.
Donnons des exemples de martingales que l'on peut construire partir du mouvement brownien.
Proposition 3.3.3 Si (Xt)t>o est un Ft-mouvement brownien standard, alors

1. (Xt) est une Ft-martingale.

t) est une Ft-martingale.


3. (exp ( aXt - (0' 2 /2)t)) est une Ft-martingale.

2. (Xf -

Dmonstration. Si s s t alors Xt - Xs est indpendante de la tribu Fs. Donc


E(Xt - XslFs) = E(Xt - Xs) Mais un mouvement brownien standard est centr,
donc E(Xt - Xs) =O. On en dduit le premier point. Pour dmontrer le deuxime,
remarquons que :

E((Xt - Xs) 2 + 2Xs(Xt - Xs)IFs)


E((Xt - Xs) 21Fs) + 2XsE(Xt - XslFs),
mais comme (Xt)t>o est une martingale E (Xt - XslFs)

= 0, et donc

La stationnarit et l'indpendance des accroissements du mouvement brownien permettent de plus d'affirmer que

E(Xz_s)

t-

S.

La dernire galit est due au fait que Xt suit une loi gaussienne centre de variance

t. On en dduit que E (Xt - t!Fs) =X'; - s, sis< t.


Pour dmontrer le dernier point, rappelons, tout d'abord, que, si g est une gaussienne centre rduite, on a :

De plus, si s <

t,
E(e"X1-a2t/2IFs) = eaX,-a2tf2E(e"(X,-X,)IFs)

54

Chapitre 3 Mouvement brownien et quations diffrentielles stochastiques

car Xs est F 8 -mesurable, et comme Xt - X 8 est indpendante de F 8 , on a

IE(ea(X,-X.))
JE(eaXt-)
IE(eagy't=S)

exp (~a2 (t- s)).


Ce qui donne le rsultat annonc.

Si (Mt)t;:::o est une martingale, la relation JE (Mt IF~) = M 8 , peut tre tendue
des temps set t alatoires si ces temps sont des temps d'arrt borns. Ce rsultat
est une extension de l'exercice 4 du chapitre 2 au cas continu et porte le nom de
thorme d'arrt. Nous admettons ce thorme et renvoyons Karatzas et Shreve
(1988) page 19 pour sa dmonstration.
Thorme 3.3.4 ((Thorme d'arrt)) Si (Mt)t;:::o est une martingale continue par
rapport une filtration (Ft)t>o, et si T 1 et T2 sont deux temps d'arrt tels que T1 :::;
T 2 :::; K, K tant une constante relle finie, alors Nlr2 est intgrable et:

Remarque 3.3.2
- Ce rsultat entrane que, si T est un temps d'arrt born,
alors IE(Mr) = IE(M0 ) (il suffit d'appliquer le thorme d'arrt avec T 1 =
0, T 2 =Tet de prendre l'esprance des deux membres).
- Si (Mt)t;:::o est une sous-martingale continue, on a le mme thorme en
remplaant l'galit prcdente par:

Nous allons donner un exemple d'application de ce rsultat au calcul des temps d'atteinte d'un point par le mouvement brownien.
Proposition 3.3.6 Soit (Xt)t;:::o un Ft-mouvement brownien. Notons, si a est un
nombre rel, Ta = inf { s 2 0, X 8 = a}, ou +oo si cet ensemble est vide.
Alors, Ta est un temps d'arrt fini presque srement, dont la loi est caractrise
par sa transforme de Laplace :

Dmonstration. Nous supposerons, d'abord, que a 2 O. Pour montrer que Ta est


un temps d'arrt, on remarque, en utilisant la continuit des trajectoires, que

{Tas;t}=

n {supXs>a-}= n n
e:E<Qi+

s$t

{Xs>a-}.

e:E<Qi+ sE<Qi+ ,s$t

Ce dernier ensemble est dans Ft, ce qui prouve le rsultat. On notera dans ce qui suit
x /\y= inf(x, y).

55

3.4 Intgrale stochastique et calcul d'It


Nous allons appliquer le thorme d'arrt la martingale

Mt =exp (o-Xt - (a 2 /2)t),


avec a> O. On ne peut pas appliquer directement le thorme d'arrt Ta (qui n'est
pas born). Cependant, sin est un entier positif, Ta/\ n est encore un temps d'arrt
(voir proposition 3.1.6), qui est born, on peut donc appliquer le thorme d'arrt.
On obtient ainsi E (MraAn) = 1. Mais

De plus, si Ta < +oo, limn->+oo Mra/\n = !vira et si Ta = +oo, on a pour tout


t, Xt :::; a, d'o limn->+oo Mra/\n = O. Le thorme de Lebesgue donne donc
E(l{Ta < +oo }MrJ = 1, soit, comme Xra =a si Ta < +oo:

E (i{Ta < +oo} exp (-

~2 Ta))= e-aa.

En faisant tendre a vers 0 on obtient que IP'(Ta < +oo) = 1 (ce qui signifie que le
mouvement brownien atteint la valeur a presque srement), puis :

On traite le cas a

< 0 en remarquant que :


Ta= inf {s?: 0, -X8 =-a},

avec (-Xtk:::a qui est un .Ft-mouvement brownien (car c'est un processus continu
accroissements indpendants et stationnaires de moyenne nulle et de variance t). D
Le thorme d'arrt permet aussi d'obtenir des estimations pour le maximum
d'une martingale. Si lYlt est une martingale, on peut borner le moment d'ordre 2 de
SUPa:s;t:s;T IMtl Cette ingalit est connue sous le nom d'ingalit de Doob.

Thorme 3.3.7 (Ingalit de Doob) Si (Mt)a<t<T est une martingale continue,


on a, pour tout T > 0,

La dmonstration de ce rsultat est donne dans l'exercice 16.

3.4 Intgrale stochastique et calcul d'It


Dans le cas des modles temps discret, la valeur actualise d'un portefeuille de
valeur initiale Va et gr selon une stratgie autofinance s'crit
n

Va+

LHj(Sj - Bi-d
j=l

56

Chapitre 3 Mouvement brownien et quations diffrentielles stochastiques

o H 1 est la quantit d'actif risqu dtenu l'instant j, si l'on suppose, pour simplifier, qu'il n'y a qu'un seul actif risqu. Cette valeur apparat comme une transforme de martingale sous une probabilit pour laquelle le prix de l'actif actualis
(Sn)a~n:S_N est une martingale. Dans le cas des modles temps continu, nous allons
H 8 dS8
gnraliser cette formule l'aide d'intgrales du type
Les modles utiliss couramment pour dcrire l'actif sont obtenus partir
d'un (ou plusieurs) mouvement brownien. Or, une des proprits importantes du
mouvement brownien est que presque srement ses trajectoires sont nulle part
diffrentiables. Autrement dit, on peut montrer que, si Xt est un mouvement brownien, il n'existe pas de points t de~+ tels que 1ft ait un sens. On ne peut donc pas
dfinir l'intgrale prcdente par:

l;

dX
la f(s)dXs =la f(s) dss ds.
On peut donner, cependant, un sens prcis ce type d' intgrales par rapport au
mouvement brownien. On appelle ces intgrales des intgrales stochastiques. C'est
ce que nous allons faire dans cette section.

3.4.1

Construction de l'intgrale stochastique

Soit (Wt)t>a un Ft-mouvement brownien standard sur un espace probabilis


filtr (D, A, (ft)t;::a, IP'). Nous allons donner un sens
f(s, w)dW8 pour une
classe de processus f(s,w) adapts la filtration (Ft)t;::a. On va commencer par
construire l'intgrale stochastique sur un ensemble de processus dits lmentaires.
Dans toute la suite, on fixe T un rel strictement positif et fini.

l;

Dfinition 3.4.1 On appelle processus lmentaire


forme:

(Ht)a~t~T

un processus de la

Ht(w) =

L <Pi(w)l]ti_ ,t;J(t)
1

i=l

o 0 =ta < ti < ... < tp =Tet <Pi est Fti-l -mesurable et borne.
L'intgrale stochastique d'un processus lmentaire H est alors, par dfinition, le
processus continu (I(H)t)a~t~T dfini par, si t E]tk, tk+iJ,

I(H)t =

<Pi(Wti - Wti-1)

+ <Pk+i(Wt - Wtk).

l~i~k

Notons que I(H)t peut s'crire:

I(H)t =

<Pi(Wti/\t - Wti-11\t),

l~i~p

ce qui prouve la continuit de la fonction t r--+ I(H)t. On notera


I(H)t. On a alors le rsultat essentiel suivant:

l; H dW
8

pour

3.4 Intgrale stochastique et calcul d'It

57

Proposition 3.4.2 Si (Ht)o<t<T est un processus lmentaire:

- (J; HdWs)

e~t ~ne :Fi-martingale continue,

- E ( ([

- E

H,d';)';) ~

E ([

H;ds).

(~~~Ilot HsdWsJ2) ~ 4E (foT H;ds).

Dmonstration.

Pour dmontrer cette proposition nous allons utiliser des processus temps

discret. En effet, pour tablir que (J; HsdW.) est une martingale, il suffit de prouver que,
pour tout t > s :

JE

(lot HudWulFs)

HudWu

Si l'on ajoute s et t la subdivision to = 0 < ti < ... < tp = T, et si on pose Mn =


J;n H.dWs et 9n = Ftn pour 0 S n S p, il suffit de vrifier que Mn est une 9n-martingale.
Pour dmontrer ceci, remarquons que :

avec <fi; qui est 9;-1-mesurable. D'autre part Xn = Wtn est une 9n-martingale (en effet,
(Wt)t:::o est un mouvement brownien). (Mn)nE[O,pJ apparat donc comme une transforme
de la martingale (Xn)nE[O,p]. La proposition 1.2.3 du chapitre 1 prouve alors que c'est une
martingale. Le deuxime point s'obtient en remarquant que

JE(M~)
n

LLJE(<fi;</ij(X; - X;-1)(Xj -Xj-1))


i=l j=l

De plus, si i

< j, on a
JE(<fi;</ij(X; - X;-1)(Xj - Xj-1))
JE(JE(<fi;</ij(X; - X;-1)(Xj - Xj-i)l9j-i))
JE(<fi;</ij(X; - X;-1)JE(Xj - Xj-119j-i)).

Comme Xj est une martingale, on a JE(Xj - Xj- 1 l9i-l) =O. On en dduit que, si i

Si j

>i

on obtient le mme rsultat. Enfin si i = j, on a

JE (JE ( </i;(X; - X;_i)2 I 9;-1))


JE (<fi;JE ((X; - X;_i) 2 I9;-1)),
et finalement

< j,

Chapitre 3 Mouvement brownien et quations diffrentielles stochastiques

58

En utilisant 1' quation (3.1 ), on obtient

J;

H.dW. est claire sur sa dfinition. Le troisime point est une


La continuit de t -->
consquence de l'ingalit de Doob (cf. Thorme 3.3.7) applique la martingale continue

(J; H.dw.)

t~O

Remarque 3.4.1 On pose, par dfinition,

Si t ~ T, et si A E Ft. alors s --> lAl{ t < 8 }Hs reste un processus lmentaire et


il est facile de vrifier, sur la dfinition de l'intgrale, que :
(3.2)
On vient de dfinir et de donner des proprits de l'intgrale stochastique pour les
processus lmentaires, nous allons maintenant tendre cette intgrale la classe de
processus adapts

'}-{ = { (Ht)ostsr.

processus adapt (Ft)t;:::o, JE (loT H;ds)

< +oo}.

Proposition 3.4.4 Soit (Wt)t;:::o un Frbrownien. Alors il existe une unique application linaire J de'}-{ dans l'espace des Frmartingales continues dfinies sur [, T],
telle que:
1. Si (Ht)t<T est un processus lmentaire,

IP' p.s.

pour tout 0 ~ t ~ T

J(H)t = I(H)t
2. Si t

~ T, JE (J(H}Z) =JE (lot H;ds )

Cette application linaire est unique au sens suivant, si J et J' sont deux prolongements linaires vrifiant les proprits prcdentes, alors

1P' p.s.
On note, si H E '}-{, lot H.dWs

VO ~ t ~ T, J(H)t = J'(H)t

= J(H)t

De plus cette intgrale stochastique vrifie les proprits suivantes.

Proposition 3.4.5 Si (Ht)ost5.T un processus de'}-{ alors:

3.4 Intgrale stochastique et calcul d'It

59

I. On a:
(3.3)

2. Si Test un :Ft-temps d'arrt:


(3.4)

Dmonstration.

Nous admettrons que si (Hs)s$T est dans 11., il existe une suite (H;')s$T
de processus lmentaires tels que :
lim JE (

n-++oo

Jo{T IHs -

H;'j 2

ds) =O.

On trouvera une dmonstration de ce rsultat dans Karatzas et Shreve (1988) (page 134
problme 2.5).
Si H E 1f. et (Hn)n?.O est une suite de processus lmentaires convergeant vers H, au
sens prcdent, on a :

Il existe donc une sous-suite H<f>(n) telle que :

La srie de fonctions de terme gnral I(H<f>(n+I)) - I(H<f>(n)) est donc, presque srement,
uniformment convergente. Donc I (H<f>(n) )t converge vers une fonction continue qui sera par
dfinition t ,_. J(H)t. En passant la limite dans (3.5), on obtient:

Ceci entrane que (J(H)t)o$t$T ne dpend pas de la suite approximante. (J(H)t)o$t$T est
une martingale, en effet :
JE(I(Hn)tlFs) = I(Hn)s,
De plus pour tout t, limn~+oo I(Hn)t = J(H)t en norme L 2 (0., IP') et la continuit dans
L 2 (0., IP') de l'esprance conditionnelle permet de conclure.
De l'quation (3.6) et de:

JE(I(Hn)Z) =JE (1T jH;'j 2


on dduit que JE(J(H);) =JE

4JE

(J

0T

ds) ,

(J T 1Hsl ds). De mme de (3.6) etde JE(supt$T I(Hn);) ::;


0

IH;'l 2 ds ), on dduit (3.3).

L'unicit du prolongement rsulte de la densit des processus lmentaires dans 11..


Nous allons maintenant dmontrer (3.4). On remarque d'abord que l'quation (3.2) reste
valable si H E 11.. Il suffit pour cela d'utiliser la densit des processus lmentaires dans 1f.
et (3.6).

60

Chapitre 3 Mouvement brownien et quations diffrentielles stochastiques

On dmontre ensuite le rsultat pour des temps d'arrt de la forme T = l:i<i<n t;lA;,
o 0 < t 1 < < tn = T, les A; tant disjoints et :Ft; mesurables. Pour montrer, dans ce
cas, l'galit (3.4), on remarque, tout d'abord, que

Mais chaque 1{ 8 > t;} lA; Hs est adapt (Ce processus est nul sis :::::; t; et vaut lA, Hs sinon)
et donc dans 1-i. On en dduit que :

J;

l{s:::::; 7 }HsdWs =
H.dW.
puis que
Pour gnraliser ce rsultat, remarquons qu'un temps d'arrt quelconque T peut tre approxim par une suite dcroissante de temps d'arrt du type prcdent en posant

Tn=

Alors, T n converge presque srement vers T en dcroissant. On en dduit que presque srement
J;n HsdW. tend vers J; H 8 dWs par continuit de t >-> J; H.dW. D'autre part

Ce dernier terme tend vers 0 par convergence domine, donc J0T 1{ 8


L 2 (n,lP') (et, donc, presque srement pour une sous suite) vers
permet d'obtenir l'galit (3.4) pour tout temps d'arrt.

J0T

:::;

Tn}H.dW. tend dans

l{s:::;

}H.dW. Ceci
D

Pour les besoins de la modlisation, nous aurons besoin de processus satisfaisant une
hypothse d'intgrabilit plus faible que celle vrifie par un processus appartenant
H, c'est pour cela que nous introduisons un nouvel espace il, en posant:

La proposition suivante permet de prolonger l'intgrale stochastique de H il.


Proposition 3.4.6 Il existe une unique application linaire J de l'espace
l'espace vectoriel des processus continus dfinis sur [O, T], telle que:

il dans

1. Proprit de prolongement. Si (Ht)o<t<T est un processus lmentaire alors


1P' p.s. , 'v'O :::; t :::; T, ](H)t = J(H)t.

3.4 Intgrale stochastique et calcul d'It

61

2. Proprit de continuit: Si (Hn)n>o est une suite de processus de il telle que


J0T H: 2 ds tend vers 0 en probabllit alors supt~T iJ(Hn)tl tend vers 0 en
probabilit.

On note toujours

J0t H

dW8 pour J(H)t.

Remarque 3.4.2 Il est important de noter que dans ce cas

(J; H dWs) O<t<T n'est


8

pas (ncessairement) une martingale.

- -

Dmonstration. Il est facile de dduire de la proprit de prolongement et de la proprit de


continuit que, si H E Ji, alors lP' p.s. Vt :::; T, ](H)t = J(H)t.
Soit H E il, posons Tn = inf { 0 :::; s :::; T,
H~du 2 n} (+oo si cet ensemble est
vide), et H': = Hsl{s:::; Tn}

J;

Montrons, tout d'abord, que Tn est un temps d'arrt. Comme {Tn :::; t} = {f; H,~du 2
n}, il nous suffit de prouver que
H~ du est une variable alatoire .Frmesurable. Mais ce
rsultat est vrai si H est un processus lmentaire, et donc par densit si H E 1{. Enfin si
H E il,
H~du qui est la limite presque sre, lorsque K tend vers +oo, de
H~ /\ K du
est aussi .Fi-mesurable. Il est alors facile de voir que les processus H': sont adapts et borns
donc dans 1i. De plus

J;

J;

J;

fo H';dW.
1

= 1t l{s::;Tn}H;'+ 1 dW.,

l'galit (3.4) prouve alors que

Donc sur l'ensemble

{f0T H~du < n}, pour tout t:::; T, J(Hn)t = J(Hn+I )t. Comme

on peut dfinir presque srement un processus ](H)t en posant, sur {f0T H~du

< n },

Le processus t 1-> ](H) 1 est presque srement continu, par dfinition. La proprit de prolongement est vrifie par construction. Il reste donc prouver la proprit de continuit de J.
Pour cela remarquons que :

IP'(IrH;ds 21/N)
0

+IP' ( l{Jf H~du<I/N}SUPt::;rlf(H)tl 2

J; H~ du 2 -f:t} (+oo si cet ensemble est vide), alors sur


{for H~du < -f:t }, on a T < T1 et l'galit (3.4) prouve que, pour tout t:::; T,

Si l'on note TN = inf { s :::; T,

1t HsdWs

= J(H)t = J(H 1 )t = 1t H;l{s::;TN}dWs = 1t Hsl{s::;TN}dWs,

62

Chapitre 3 Mouvement brownien et quations diffrentielles stochastiques

D'o, en utilisant (3 .3) pour le processus s

f->

H s 1 {8

::; TN} :

H;-

2 ds tend vers 0 en probabilit, alors SUPt::;r /](Hn)tl tend vers 0


On en dduit que si for
en probabilit.
Pour prouver la linarit de J, considrons deux processus de H, H et K et les deux
suites H[' et K[' dfinies comme au dbut de la dmonstration, telles que f 0T (H-;- - H.)2ds

et J{ (K-;- - K.)2ds tendent en probabilit vers O. On peut alors passer la limite dans
l'galit J(>..Hn + Kn)t = >..J(Hn)t + J(Kn)t, grce la proprit de continuit de J.
On obtient ainsi la linarit de J.
Enfin, le fait que si H E if. alors f 0T (Ht - H[')2dt tend vers 0 en probabilit et la
D
proprit de continuit prouvent l'unicit du prolongement.

Nous allons rsumer les conditions d'existence de l'intgrale stochastique par rapport un mouvement brownien, et les hypothses qui permettent d'affirmer qu'il
s'agit d'une martingale.

Rsum:
Soit (Wtk".o un Frmouvement brownien et (Ht)o-::;,t<::;,T un processus Fradapt.
On peut dfinir l'intgrale stochastique (j~ H 8 dWs)o-::;,t<::;,T ds que f 0T H;ds <
+oo lP' p.s .. Le processus (j~ H 8 dW8 )o<::;,t<::;,T est une martingale si:

Cette condition n'est cependant pas ncessaire. Remarquons, toutefois, que la condition JE

(J T H;ds) < +oo est quivalente :


0

JE ( sup (
tE(O,T)

t
la

H 8 dW8 )

2
)

< +oo,

et que , dans ce cas on a !'galit :

(3.7)

Ces proprits sont dmontres dans l'exercice 18.

3.4 Intgrale stochastique et calcul d'It

3.4.2

63

Calcul d'It

Nous allons maintenant introduire un calcul diffrentiel sur ces intgrales stochastiques. On appelle ce calcul calcul d'It et l'outil essentiel en est la "formule
d'It".
La formule d'It donne, en particulier, la faon de diffrencier t f-t f (Wt) si f est
une fonction deux fois continment diffrentiable. L'exemple suivant prouve que le
prolongement naf du calcul diffrentiel usuel est vou l'chec. Supposons que l'on
veuille "diffrencier" t ~ W? et l'exprimeren fonction de "dWt" Pour une fonction
f(t) diffrentiable nulle en 0, on a f(t) 2 = 2 f(s)j(s)ds = 2 f(s)df(s).
Dans les cas du mouvement brownien et de l'intgrale stochastique on ne peut avoir
une formule du mme type: W? = 2 W 5 dW5 En effet, d'aprs ce qui prcde,

l;

l;

l;
l; W dW est une martingale (car JE ( l; W,?ds) < +oo), nulle en zro. Si elle tait
5

gale W? elle serait positive, et une martingale nulle en 0 ne peut tre positive que
si elle est nulle.
Commenons par prciser la dfinition de la classe de processus pour laquelle on
peut noncer la formule d'It.

Dfinition 3.4.8 Soient (n, :F, (:Ft)t>o, IP') un espace probabilis muni d'une filtration et (Wt)t>o un Ft-mouvement brownien. On appelle processus d'It, un processus (Xt)o<t<T valeurs dans lR tel que
1P' p.s. 'Vt :::; T

Xt

Xo +lot K 8 ds +lot H 8 dW8 ,

avec

- Xo Fa-mesurable.
- (Kt)o<t<T et (Ht)o<t<T des processus adapts :Ft.

-l: IK~lds <

+oo p~s.
- loT IHsl 2 ds < +oo lP' p.s.

On peut dmontrer (voir exercice 19) le rsultat suivant, qui prcise l'unicit de la
dcomposition prcdente.

Proposition 3.4.9 Soit (Mt)os,ts,T une martingale continue telle que

alors:

1P' p.s. 'Vt :::; T, Mt = O.


Ceci entrane que :
- La dcomposition d'un processus d'It est unique. Ce qui signifie que si, pour
tout t,

Xt = Xo

+ lot K

ds + lot HsdWs =

X~ +lot K~ds +lot H~dWs

Chapitre 3 Mouvement brownien et quations diffrentielles stochastiques

64

alors

Xo = Xb

H8 =

dlP' p.s.

H~

- Si (Xt)O:St:ST est une martingale de la forme Xo


alors Kt = 0 dt x dlP' p.p ..

K~

K8 =

ds x dlP' p.p.

ds X dlP' p.p.

+ J~ K ds + J~ H dW
8

8,

La formule d'It prend la forme suivante (nous l'admettons sans dmonstration et


nous renvoyons Bouleau ( 1988) pour une dmonstration lmentaire dans le cas du
brownien ou Karatzas et Shreve (1988) pour une dmonstration complte):

Thorme 3.4.10 Soit (Xt)o:St:ST un processus d'It de la forme

et f une fonction deux fois continment diffrentiable sur lR. On a

f(Xt) = f(Xo)

t J'(Xs)dXs + ~2 lot J"(Xs)d(X, X)s

lo

o, par dfinition,

(X, X)t =lat H;ds,


et

lat J'(Xs)dXs =lat J'(Xs)K8 dS +lat J'(Xs)HsdW8


De mme si (t, x) f--7 f(t, x) est une fonction deux fois diffrentiable en x et une fois
diffrentiable en t, ces drives tant continues en (t, x) (on dit dans ce cas que f
est de classe C 1 2 ), on a

f(t, Xt)

= f(O, Xo) +lat f~(s, Xs)ds

+
3.4.3

t f~(s,X8 )dXs + ~2 la{t f~x(s,Xs)d(X,X)s

la

Exemples d'utilisation de la formule d'It

Commenons par traiter un exemple lmentaire. Si f(x)


a K 8 = 0 et H 8 = 1, donc

rt

W? = 2 la W 8 dWs
On obtient

+ "2 la

2ds.

= x 2 et Xt = Wt. on

3.4 Intgrale stochastique et calcul d'It


Comme E

65

(J~ W,?ds) < +oo, on retrouve le fait que W? -

test une martingale.

Nous allons maintenant nous intresser aux solutions (St)t2'.0 de l'quation


(3.8)

On crit souvent ce type d'quation sous la forme

dSt =St (dt+ adWt),

Bo= xo.

(3.9)

Cela signifie que l'on cherche un processus adapt (St)t>o tel que les intgrales
J~ S 8 ds et J~ SsdWs aient un sens, et qui vrifie, pour chaque t,

Faisons tout d'abord un calcul formel, posons yt =log( St) o St est une solution de
l'quation (3.8). St est un processus d'It avec Ks = Ss et Hs = o-88 Appliquons
la formule d'It f(x) = log(x) (au moins formellement car f(x) n'est pas de
classe 0 2 sur lR !). On obtient en supposant que St est positif:
log(St) = log(So)

1t (-1)
s; a

+ Jo dSs
Ss + 2 Jo

8 5 ds.

soit, en utilisant (3.9)

puis

yt =log( St) = log(So) + ( -

o- 2 /2)t

+ aWt.

On a ainsi montr que, si (St. t :'.'.: 0) est un processus strictement positif vrifiant
(3.8), on a bien
St= xo exp(( - o- 2 /2)t + aWt)
Vrifions maintenant rigoureusement que ce processus est bien solution. On a St =
f(t, Wt). o
f(t, x) = xo exp(( - o- 2 /2)t + ax).
La formule d'It donne

St

J(t, Wt)
f (0, Wo) +lat f~(s, Ws)ds
+lat f~(s, Ws)dWs

+~lat J:."'(s, Ws)d(W, W)s

66

Chapitre 3 Mouvement brownien et quations diffrentielles stochastiques

Mais, comme (W, W)t

= t, on peut crire

et finalement

Remarque 3.4.3 On aurait pu obtenir (exercice) le rsultat prcdent en appliquant


la formule d'It St = </J(Zt). avec Zt = ( - 17 2 /2)t + Wt (qui est un processus
d'It) et </J(x) = x 0 exp(x).

On vient donc de dmontrer l'existence d'une solution de (3.8). Nous allons maintenant prouver que cette solution est unique. Pour cela, nous allons utiliser une proprit gnralisant la formule d'intgration par parties dans le cas des processus
d'It.
Proposition 3.4.12 (Formule d'intgration par partie) Soient Xt et yt deux processus d'It,

et

Alors

avec la notation

Dmonstration.

On a, d'aprs la formule d'It,

(Xt

+ Yl) 2 = (Xo + Ya) 2


+2 J;(Xs + Y )d(Xs +Ys)
8

x2
t

y:2
t

+ J;(Hs + H~) 2 ds
xg + 2 f~ X.dXs + J; H'f ds
Y02 + 2 J0 Y.dYs + J; H ;ds.
1

D'o, en faisant la diffrence entre la premire ligne et les deux suivantes,

3.4 Intgrale stochastique et calcul d'It

67

Montrons, maintenant, l'unicit d'une solution de l'quation (3.8). Notons que

St= xo exp(( - a 2 /2)t + aWt)


est une solution de (3.8) et supposons que (Xt)t>o en soit une autre. On va chercher
exprimer la diffrentielle stochastique de XtS~ 1 . Posons

Bo

Zt = St =exp((-+ a /2)t - aWt),


' = - + a 2 et a' = -a. Alors Zt = exp ( (' - a' 2

/2) t + a'Wt) et le calcul

fait prcdemment prouve que

Zt

= 1+ 1t Z 8 ('ds+a'dW 8 ) = 1+ 1t Z 8 ((-+a 2 )ds-adWs)

On peut alors exprimer la diffrentielle de XtZt grce la formule d'intgration par


parties pour les processus d'It :

Ici, on a:

(X, Z)t =

(l

XsadW8 , -1 Z 8 adWs)t

= -1t a 2 X 8 Z 8 ds.

On en dduit que

XtZt((-

+ a 2 )dt - adWt)

+XtZt(dt

+ adWt) -

XtZta 2 dt

=0.
XtZt est donc gal X 0 Z 0 , ce qui entrane que
'Vt

0,

Les processus Xt et Zt tant continus, ceci prouve que

fil' p.s. 'Vt ~ 0,

Xt

= xozt- 1 = St.

On vient ainsi de dmontrer la proposition suivante :

Thorme 3.4.13 Soit a, deux nombres rels, (Wtk::o un mouvement brownien


et T un rel strictement positif, pour tout rel xo, il existe un processus d'It unique
(St)o<:::,t<:::,T qui vrifie, pour tout t ::::; T,
St= Xo
Ce processus est donn par

+ 1t Ss (ds + adWs).

Chapitre 3 Mouvement brownien et quations diffrentielles stochastiques

68

Remarque 3.4.4
Le processus St que l'on vient d'expliciter servira de
modle standard pour le prix d'un actiffinancier. On l'appelle modle de Black
et Scholes.
Lorsque = 0, St est une martingale (voir proposition 3.3.3), ce type de
processus porte le nom de martingale exponentielle.

Remarque 3.4.5 Soit 8 un ouvert de lR et (Xt)o::;t::;r un processus d'It qui vrifie,


pour tout t ~ T, Xt E 8. Si, de plus, f est une fonction deux fois continment
diffrentiable de l'ouvert 8 dans IR, on peut justifier rigoureusement l'extension de
la formule d'It dans ce cas :

Ce rsultat permet en particulier de justifier l'application de la formule d'It, pour


un processus strictement positif et pour la fonction log.

3.4.4

Formule d'It multidimensionnelle

La formule d'It se gnralise aux cas o la fonction f dpend de plusieurs


processus d'It et lorsque ces processus d'It s'expriment en fonction de plusieurs
mouvements browniens. Cette gnralisation se rvle utile, par exemple, pour les
modles de taux d'intrt sophistiqus.

Dfinition 3.4.16 On appelle .Ft-mouvement brownien p-dimensionnel un processus valeurs dans JRP, (Wt)t>o adapt .Ft. avec

(Wt = (Wl, ... , Wf) )t;:::o


o les (WDt>o sont des .Ft-mouvements browniens standards indpendants.
On peut alors prouver que si (Wt)t>o est un .Ft-mouvement brownien pdimensionnel, le vecteur Wt - Ws est indpendant de .F8 , pour t ;::: s ;::: O.
On gnralise dans ce cadre la notion de processus d'It.

Dfinition 3.4.17 On dit que (Xt)o::;t::;r est un processus d'It par rapport
(Wt, .Ft), o (Wt)t>o est un .Ft-mouvement brownien p-dimensionnel, si

Xt = Xo

t K ds + L lnrt H!dW;

+ln

i=l

o:

- (Kt) et les (Hf) sont adapts (.Ft)


IKslds < +oo lP' p.s ..
(H!) 2 ds < +oo lP' p.s. pour i = 1, ... ,p.

- f0T

- Jt

La formule d'It prend alors la forme suivante.

69

3.5 quations diffrentielles stochastiques


Proposition 3.4.18 Soient (Xf, ... , X[') n processus d'It de la forme

alors si f est une fonction deux fois diffrentiable en x et une fois diffrentiable en t,
ces drives tant continues en (t, x ), on a

f(t,Xf, ... ,Xf)

f(O, XJ, ... , X 0) +lat~; (s, x;, ... , X';)ds


n

+L
i=l

t {)

r {)!. (s,x;,. . .,X';)dx;


lo

+!

82 f (s,x;,. . .,X';)d(Xi,Xj)s

r:i

2 i,J.. _ 1 lo UXiXj

Remarque 3.4.6 Si (Xs)o::;t::;T et (Ys)o::;t::;T sont deux processus d'It, on peut


dfinir formellement le "crochet" de X et Y (que l'on a not (X, Y) 5 ) par les rgles
suivantes:
- (X, Y)t est bilinaire et symtrique.
- (f~ K 5 ds, X.)t = 0 si (Xt)o::;t::;T est un processus d'It.

- (f~ HsdWf, f~ H~dW/)t = 0 si i =fo j


- (f~ H 5 dWf, f~ H~dWDt = HsH~ds

J;

Cette dfinition permet de retrouver la formule du crochet donne dans la proposition


prcdente.

3.5

quations diffrentielles stochastiques

Nous avons tudi en dtail, au paragraphe 3.4.2, les solutions de l'quation

Xt =X+ lat Xs(ds + adW5 ).


On peut considrer des quations d'une forme plus gnrale

Xt = Z +lat b(s, X 5 )ds +lat a(s, X 5 )dW5

(3.l)

On appelle ces quations des quations diffrentielles stochastiques. Une solution


de (3. l 0) porte le nom de diffusion. Ces quations permettent de construire la plupart
des modles d'actifs utiles en finances, aussi bien lorsque l'on cherche modliser
des actifs que des taux d'intrt. Nous allons tudier quelques proprits des solutions de ces quations.

70

Chapitre 3 Mouvement brownien et quations diffrentielles stochastiques

3.5.1

Thorme d'It

Prcisons, tout d'abord, ce que l'on entend par une solution de (3.10).

Dfinition 3.5.1 On se place sur un espace de probabilit (D, A, IP') muni d'un filtration (.Ft)t>O On considre deux fonctions b et a, b : ffi.+ x R ---t Ra : ffi.+ x R ---t R,
Z une variable alatoire .F0 -mesurable et (Wt)t>o un .Ft-mouvement brownien. Une
solution l'quation (3.10) est un processus stochastique ( Xt)t;:::o continu .Ft-adapt,
qui vrifie :
b(s, Xs)ds et a(s, X 8 )dW8 ont un sens
- Pour tout t :;: : 0, les intgrales

1;

1;

lat lb(s, Xs)lds < +oo et lat la(s, Xs)l 2 ds < +oo 1P' p.s.
- (Xt)t;:::o vrifie (3.10) c'est--dire:

Vt 2'.: 0 1P' p.s. Xt = Z +lat b (s, Xs) ds +lat a (s, Xs) dW8
Remarque 3.5.1 On r-crit formellement l'quation (3.10) sous la forme

dXt

= b(t, Xt)dt + a(t, Xt)dWt

Xo

Z.

Le thorme suivant donne des conditions suffisantes sur b et a pour avoir un rsultat
d'existence et d'unicit pour (3.10)).

Thorme 3.5.3 Si b et a sont des fonctions continues, telles qu'il existe K < +oo,
avec
1. lb(t, x) - b(t, y)I

+ la(t, x) -

a(t, y)I :::; Klx - YI


2. lb(t,x)I + la(t,x)I:::; K(l + lxl)
3. IE(Z 2 ) < +oo,
alors, pour toutT:;:::: 0, l'quation (3.10) admet une solution unique dans l'intervalle
[O, T]. De plus cette solution (Xs)os;s$T vrifie
JE ( sup IXsl 2 )

0$s$T

< +oo.

L'unicit signifie que si (Xt)os;ts;T et (Yt)os;ts;T sont deux solutions de


l'quation (3.10), alors IP' p.s. VO :::; t :::; T, Xt = yt.
Dmonstration.

Posons :

t: =

(Xs)o~s~T,

tel que E

processus continu et .Ft-adapt,

(~~~ IX.

1 )

< +oo}.

3.5 quations diffrentielles stochastiques

71

Jw..

L'espace t:, muni de la norme JJXll =


(sup 0:::;.:::;r JX,J 2 ), est un espace vectoriel norm
complet. Pour dmontrer l'existence nous allons utiliser un argument d'existence d'un point
fixe pour une application contractante. Soit <I> l'application qui un processus (X,)o:::;s:::;T
associe un processus (<I>(X),)o:::;s:::;T dfini par

<I>(X)t = Z

+lat b(s, X,)ds +lat a(s, X,)dW,.

Si X est dans , <I>(X) est bien dfinie, de plus si X et Y sont deux lments de t: en utilisant
le fait que, (a+ b) 2 ::::; 2(a 2 + b2 ) on obtient:

J<I>(X)t - <I>(Y)tJ 2 ::::;

2 ( sup

o:::;t:::;T

t
lo

(b(s, X,) - b(s, Y,))dsl

sup 1 t(a(s,X,)-a(s,Y,))dW,1
o:::;t:::;T lo

2
),

donc, en utilisant l'ingalit (3.3),

(~~~ J<I>(X)t -

<I>(Y)tJ 2)

::::; 2E ( sup (

r Jb(s, X,) - b(s, Y,)Jds)

o:::;t:::;T lo
+BE

(1T (a(s, Xs - a(s, Y,)) ds)


2

::::; 2(K 2T 2 + 4K 2 T)E ( sup JXt 0:5t:5T

Yil 2).

D'o

IJ<I>(X) - <I>(Y)JI ::::; J2(K2T2 + 4K2T)JIX - YJJ.


En remarquant que (a+ b + c) 2 ::::; 3(a2 + b2 + c2), on obtient (on note 0 pour le processus
identiquement nul) :

J<I>(O)tJ 2 ::::; 3

(z +
2

r b(s, O)dsl
o:::;t:::;r lo
sup

2
r
a(s, O)dW, ) .
o:::;t:::;r lo
sup

Et donc:

E ( sup J<I>(O)tJ 2) ::::; 3(E(Z 2) + K 2T 2 + 4K 2T) < +oo.


0:5t:5T
On en dduit que <I> est une application de t: dans t: de norme de Lipschitz majore par
k(T) = J2(K 2T 2 + 4K 2T). Nous commenons par supposer que Test suffisamment petit
pour que k(T) < 1. <I> est alors une application contractante de t: dans . Elle admet donc un
point fixe unique dans t: et ce point fixe est une solution de l'quation (3.10). Ce qui prouve
l'existence d'une solution.
D'autre part, une solution de (3.10) qui est dans t: est un point fixe de <I>. Ceci prouve
l'unicit d'une solution de (3.10) dans t:. Pour dmontrer l'unicit dans la classe de tous
les processus d'It, il suffit de prouver qu'une solution de (3.10) est ncessairement dans t:.
Soit X une solution de (3.10), nous noterons Tn = inf{s ~ 0, JX.J > n} et r(t) =

72

Chapitre 3 Mouvement brownien et quations diffrentielles stochastiques

JE (sup 0 '.'0s:'OtATn IX.J2). Il est facile de vrifier que fn(t) est une fonction finie et continue.
En faisant le mme genre d'estimation que prcdemment on obtient
JE(supO:'Ou9AT,.IXul 2)

::;

3 ( JE(Z 2) +JE (1tt\Tn K(l + IXs l)ds)

+4JE (1tt\Tn K2(l + 1x.1)2ds))

<

3(JE(Z 2) + 2(K 2T + 4K 2 )
X

1t (1+JE(supO:'Ou:'OsATn1Xul 2))ds).

Cela donne !'estimation

r(t) ::; a+ b 1t r(s)ds.


Nous allons maintenant utiliser une version du lemme de Gronwall.

Lemme 3.5.4 (Lemme de Gronwall) Si f est une fonction continue, telle que pour tout 0 ::;
t::; T, f(t) ::; a+ b f(s)ds, avec b 2 0, alors f(T) ::; a(l + ebT).

J;

Dmo11stratio11.

Posons u(t) = e-bt

J; f(s)ds. On a

u'(t) = e-bt(f(s) - b 1t f(s)ds)::; ae-bt.


Par intgration, on obtient u(T) ::; a(l - e-bT)/b, puis:

f(T)::; a+ b 1T f(s)ds =a+ bebT u(T)::; aebT.


D

On en dduit ici que


(T) < K < +oo, K tant une constante fonction de T mais
indpendante de n. Le lemme de Fatou donne alors , en passant la limite en n, que pour tout
T
JE ( sup IX. 12) < K < +oo.
0'.'0s:'OT

X est donc dans&. Ceci termine la dmonstration dans le cas o Test petit.
Pour conclure pour T quelconque, il suffit de prendre n assez grand et de raisonner successivement sur les intervalles [O, T/n], [T/n, 2T/n],. ,[(n - l)T/n, T].

3.5.2 Le processus d'Ornstein-Ulhenbeck


Le processus d'Ornstein-Ulhenbeck est la solution unique de l'quation
{

dXt

Xo

On peut expliciter cette solution. En effet, posons yt


d'intgration par parties

= Xtect

et crivons la formule

3.5 quations diffrentielles stochastiques


De plus, puisque d(t)

73

= cectdt,
(X,)t =O.

On en dduit que dyt

= atdWt, puis que


Xt = xe-ct + ae-ct lat 8 dW8

On peut calculer la moyenne et la variance de Xt :

JE(Xt) = xe-ct

+ ae-ctJE (lat sdWs) = xe-ct.

En effet JE (J~( 8 ) 2 ds) < +oo, et donc J~ ec 8 dW8 est une martingale nulle
l'instant 0 donc de moyenne nulle. De mme

Var(Xt)

JE( (Xt - JE(Xt) ) 2)


2
a2JE ( e-2ct (lat ecsdWs) )
a2e-2ctJE (lat e2csds)
1 _ e-2ct

(12 _ _ __

2c
On peut dmontrer que Xt est une variable alatoire gaussienne, en effet Xt s'crit
J~ f(s)dWs o f(.) est une fonction dterministe du temps et J~ f2(s)ds < +oo
(voir exercice 12 ). Plus prcisment, le processus (Xt)t>o est un processus gaussien. Cela signifie que si 1 , , n sont des rels et si 0 :::; t 1 < < tn. la
variable alatoire 1 Xt 1 + + nXtn est une variable alatoire gaussienne. Pour
se convaincre de ceci, il suffit de remarquer que

Xti = xe-cti + ae-cti

la+oo 1{s$ti} dWs =mi+ lat fi(s)dWs.


8

On remarque alors que :

1Xt 1 + .. + nXtn =

t
i=l

imi + 1t
0

(t

di(s))dWs,

i=l

qui est bien une variable alatoire gaussienne (car c'est, comme prcdemment, une
intgrale stochastique d'une fonction dterministe du temps).

3.5.3

quations diffrentielles stochastiques vectorielles

On peut gnraliser l'tude des quations diffrentielles stochastiques aux cas o


le processus volue dans !Rn. Cette gnralisation est utile, dans les applications la
finance, lorsque l'on cherche construire des modles pour des paniers d'actions ou
de devises. On se donne :

Chapitre 3 Mouvement brownien et quations diffrentielles stochastiques

74

W = (W 1 , ... , WP) un Fr mouvement brownien valeurs dans JR.P.


b: JR.+ x JR.n ____. JR.n,b(s,x) = (b1(s,x), ... ,bn(s,x)).
a: JR.+ x JR.n ____. JR.nxp, a(s, x) = (ai,j(s, x))i::;i::;n,l:'Oj:'Op
Z = (Z 1 , ... , zn) une variable alatoire F 0 -mesurable valeurs dans JR.n.
On s'intresse alors l'quation diffrentielle stochastique:

(3.l 1)
O il faut comprendre que l'on cherche un processus (Xt)o<t<T valeurs dans JR.n
adapt (Ft)t>o et tel que lP' p.s. , pour tout t et pour tout i ::::: n, on a presque
srement:

Le thorme d'existence et d'unicit d'un solution de (3.l 1) prend la forme suivante

Thorme 3.5.5 Si x E JR.n, lxl est la norme euclidienne de x et si a E JR.nxp,


lal 2 = Z:::i::;i::;n, l:'Oj:'Op af,j On suppose que
1. lb(t,x) - b(t,y)I + la(t,x)- a(t,y)I::::: Klx -yl,

2. lb(t,x)I + la(t,x)I::::: K(l


3. 1E(IZl 2 ) < +oo.

+ lxl),

Alors il existe une solution unique l'quation (3.11 ). De plus cette solution vrifie,
pour toutT,

JE ( sup

o::;s::;T

1Xsl 2 ) < +oo

La dmonstration est identique celle du cas valeurs dans R

3.5.4

Proprit de Markov des


diffrentielles stochastiques

solutions

d'quations

La proprit de Markov pour un processus (Xt)t;::o signifie que le comportement


futur de ce processus aprs t dpend uniquement de Xt et non de ce qui s'est pass
avant t. Cette proprit est essentielle dans les calculs de prix d'options. Elle permet
souvent d'exprimer le prix d'une option portant sur un actif markovien comme une
fonction du prix de cet actif l'instant t et de t.
Mathmatiquement, on dira qu'un processus (Xt)t;::o vrifie la proprit de Markov par rapport une filtration (Ft)t;::o pour laquelle il est adapt, si pour toute
fonction f borlienne borne et pour tous s et t, tels que s :::; t :

Nous allons noncer dans ce paragraphe la proprit de Markov pour une solution
de (3.10). On notera (X!x, s 2 t) la solution de l'quation (3.10) partant de x

3.5 quations diffrentielles stochastiques

75

l'instant t et xx = xo,x la solution de l'quation partant de x l'instant O. Le


processus xt,x vrifie pour s ;:::: t

A priori, x.t.x est dfini pour tout (t, X) presque srement. On peut cependant, sous
les hypothses du thorme 3.5.3, construire un processus dpendant de (t, x, s) qui
est lP' p.s. continu en ces trois variables et tel que X!x soit solution de l'quation
prcdente. C'est un rsultat dlicat dmontrer (on trouvera sa dmonstration dans
Rogers et Williams (1987)) que nous allons admettre.
La proprit de Markov est une consquence d'une proprit de flot vrifie par
les solutions d'une quation diffrentielle stochastique. C'est une gnralisation de
la proprit de flot des quations diffrentielles ordinaires.
Lemme 3.5.6 Sous les conditions du thorme 3.5.3, si s ;:::: t

Dmonstration.
a, pour tout x :

Nous ne donnons que l'ide gnrale de cette dmonstration. On

On en dduit, successivement, que lP' p.s. pour tout y E

puis que:

Ces rsultats sont intuitifs, mais pour les justifier en dtails il faut utiliser la continuit
de y ~ x.t.y. Nous laissons de cot les dtails de leurs dmonstrations. Cela admis,
on remarque que X'; est aussi solution de l'quation prcdente, en effet, si t ~ s

X~x

Xf

1
8

b(u, X~)du +

1
8

a(u, X~)dWu

+ 1 8 b(u,X~)du+1 8 a(u,X~)dWu.

L'unicit des solutions de cette quation prouve, alors, que X~x


t

~S.

La proprit de Markov prend dans ce cas la forme suivante.

x;.x,

pour
0

76

Chapitre 3 Mouvement brownien et quations diffrentielles stochastiques

Thorme 3.5.7 Soit (Xt)t;:::o une solution de (3.10). C'est un processus de Markov
par rapport la filtration (Ft)t;:::o du mouvement brownien. Plus prcisment, on a,
pour toute fonction borlienne borne f :

lP' p.s. IE(f(Xt)IFs)

= c/>(Xs),

Remarque 3.5.2 On note souvent l'galit prcdente sous la forme :

Dmonstration.

Nous ne donnerons qu'une esquisse de la dmonstration. Pour une


dmonstration complte on pourra consulter Friedman (1975).
La proprit de flot prouve que, si s ;:::: t, Xf =
D'autre part, on peut
dmontrer que x:x s'exprime de faon mesurable en fonction des accroissements
du brownien (Ws+u - W 8 , u ;:::: 0) et de x (ce rsultat est naturel mais dlicat
justifier en dtail (voir Friedman (1975))). Si l'on admet ce rsultat, pour uns et un
t fixs on a x:x = <I>(x, Ws+u - W 8 ; u;:::: 0) et donc

x:x:.

avec X'; qui est Fs mesurable et (Ws+u - Ws)u>o qui est indpendant de F 8
Si on applique le rsultat de la proposition A.2.5 de l'appendice X 8 , (Ws+u Ws)u>o, <I> et F 8 , on obtient

IE(f(<I>(X:,ws+u - Ws; u;:::: O))IFs)


= IE(f(<I>(x, Ws+u - Ws; U 2 O)))lx=X;
= IE(f(Xtx))lx=X;
Le rsultat prcdent se gnralise des fonctions des trajectoires de la diffusion
aprs l'instant s. En particulier, le thorme suivant est utile dans les calculs lis aux
taux d'intrt.
D
Thorme 3.5.9 Soit (Xt)t>o une solution de (3.10) et r(s, x) une fonction mesurable positive. On a, si t > s,

avec

On crit aussi cette galit sous la forme

3.6 Exercices

77

Remarque 3.5.3 On peut en fait dmontrer un rsultat plus gnral que celui nonc
prcdemment. Si on omet les dtails techniques, on peut affirmer que, si if> est "une
fonction de toute la trajectoire" de Xt aprs s,

1P' p.S. JE( ef>(X[, t :;::: S) /Fs) = JE( ifJ(Xtx, t :;::: S)) lx=Xs
Remarque 3.5.4 Lorsque b et <r ne dpendent que de x (on dit que la diffusion est
homogne dans ce cas), on peut montrer que la loi de x:ft est identique celle de
ce qui signifie que si f est une fonction mesurable et borne

x?x,

On peut tendre ce rsultat et montrer que, si r est une fonction de x uniquement

On en dduit que, dans ce cas, le thorme 3.5.9 s'exprime sous la forme

3.6 Exercices
Exercice 9 Soit (Mt)t?.O une martingale, telle que pour tout t, JE(Mf)
Dmontrer que, si s :::; t,

<

+oo.

Exercice 10 Soit Xt un processus accroissements indpendants et stationnaires


nul en l'instant 0 et tel que, pour tout t, JE (Xt) < +oo. On supposera, de plus, que
la fonction t r--+ JE (Xt) est continue. Dmontrer que JE (Xt) =et et que Var(Xt) =
c't, cet c' tant des constantes.
Exercice 11

Dmontrer que, si Test un temps d'arrt

Fr = {A E A, pour tout t :;::: 0, A n {T

:::;

t}

E Ft}

dfinit une tribu.


Exercice 12

Soit Sun temps d'arrt, dmontrer que S est Fs mesurable.

Exercice 13

Soit Set T deux temps d'arrt, tels que S :::; T lP' p.s. . Dmontrer

queFs

Fr.

Exercice 14 Soient Sun temps d'arrt, fini presque srement, et (Xt)t>o un processus adapt et presque srement continu.

Chapitre 3 Mouvement brownien et quations diffrentielles stochastiques

78

1. Dmontrer que, lP' p.s., pour touts :

2. Prouver que l'application :

([o, tJ x n, B([o, t]) x Ft)

(s,w)

(IR, B(IR))

X 8 (w)

est mesurable.
3. En dduire que si S::::; t, Xs est Ft mesurable, puis que Xs est Fs mesurable.

Exercice 15 Cette exercice est une introduction l'intgrale stochastique. Il s'agit


0
de construire une intgrale du type
() f(s)dX 8 , o (Xtk:'.'.o est un Fi-mouvement
brownien et f(s) est une fonction mesurable de (IR+, B(IR+)) dans (IR, B(IR)) telle
que:

Jt

1+= f 2 (s)ds < +oo.


Ce type d'intgrale s'appelle intgrale de Wiener et c'est un cas particulier de
l'intgrale d'It qui est introduite au paragraphe 3.4.
On rappelle que l'ensemble 1i des fonctions de la forme Lo<i<N-l ail]t;,t;+i]'
avec ai E IR, et t 0 = 0 ::::; ti ::::; ::::; tN est dense dans L 2 (i+, dx) muni de la
norme

ll!llL2 = f 0+= f2(s)ds.

1. Soit ai E IR, et 0

= to ::::; ti ::::; ::::; t N, et :

1=

L:

ai1(t.,t;+1]

0:5i:5N-1

On pose:

Ie(f) =

ai(Xt;+i - Xt;).

0:5i:5N-1

Dmontrer que I e (!) est une variable alatoire gaussienne dont on calculera
la moyenne et la variance. Dmontrer en particulier que :

2. En dduire qu'il existe une unique application linaire de L 2 (IR+, dx) valeurs
dans L 2 (D, F, IP'), I, telle que I(f) = Ie(f), si f est dans 1i et E(I(f) 2 ) =
llJllL2, pour tout f dans L 2 (IR+).
3. Dmontrer que, si (Xn)n;:=:o est une suite de variables alatoires gaussiennes
centres qui convergent dans L 2 (D, F, IP') vers X, alors X est une variable
alatoire gaussienne centre. En dduire que si f E L 2 (IR+, dx) alors I(f) est
une variable alatoire gaussienne centre de variance 0+= /2(s)ds.

79

3.6 Exercices
4. Soit f E L 2 (JR+, dx), on note:

Zt = 1t f(s)dXs =

l[o,tJ(s)f(s)dXs.

Dmontrer que Zt est un processus adapt Ft, et que Zt - Z s est indpendant


de Fs (commencer par traiter le cas f E H).
5. Dmontrer que les processus Zt, Zf - f~ f2(s)ds et

sont des Ft-martingales.

Exercice 16 Soient T un rel positif et (Mt)o<t<T une Ft-martingale continue.


On suppose que IE(Mf.) est fini.
- 1. Dmontrer que (IMtl)o:-s:t:-S:T une sous-martingale.
2. Montrer que, si M*

= sup0 :-s:t:-S:T IMtl.

(Utiliser le thorme d'arrt pour la sous-martingale IMtl entre T /\ T o T


inf{ t :ST, IMtl 2: >.}(si cet ensemble est non vide, +oo sinon) et T).

3. Dduire du rsultat prcdent que, si A est positif,


IE((M* /\ A) 2 ) :S 2IE((M* /\ A)IMrl).
(Utiliser le fait que (M* /\ A)P

J0!1-'1* /\A pxP- 1dx pour p = 1, 2).

4. Dmontrer que, JE ( ( M*) 2 ) est fini et que

Exercice 17
1. Dmontrer que si Set S' sont deux Frtemps d'arrt alors S /\ S'
et SV S' = sup(S, S') sont des Ft-temps d'arrt.

= inf(S, S')

2. En utilisant le temps d'arrt SV set le thorme d'arrt dmontrer que

3. En dduire que, si s :S t,

4. En utilisant le fait que Ms/\s est Fs mesurable, montrer que t


une Ft martingale.

--+

Ms/\t est

80

Chapitre 3 Mouvement brownien et quations diffrentielles stochastiques

Exercice 18
1. Soit (Ht)o:s.t:S.T un processus mesurable adapt tel que f: Htdt

<

oo, p.s ..

= f~ H 8 dW8 , (o (Wt)o:s_t:s_T est un mouvement brownien standard). Montrer que si E (sup 0 $.t$.T Ml) < oo, alors E (J0T Htdt) < oo.
On pourra introduire la suite de temps d'arrt dfinie par r n = inf {t ~
0 1 f~ Htds = n} et montrer que E(M.f./\TJ =JE (J0T/\Tn Htds).
On pose Mt

2. On pose
1

p(t,x)= ~exp(-x 2 /2(1-t)),


yl-t

pour 0 :::; t < 1 et x E JR, et p(l,x) = O. Soit (Mt)o:s.t:5.1 le processus


dfini sur [O, 1] par Mt= p(t, Wt) o (Wt)o:s.t:S.l est un mouvement brownien
standard.
(a) Montrer que

(b) Soit

ap
Ht = ax (t, Wt),
montrer que
Exercice 19

f01 Htdt < oo, p.s., et E ( f01 Htdt)

= +oo.

Soit (Mt)O$.t$.T une Fi-martingale continue telle que Mt

o (Kt)o:s.t:S.T est un processus .Ft-adapt tel que 1P' p.s. for IKs Ids

= f~ K 8 ds,

< +oo.

1. On suppose, de plus, que IP' p.s. for IKslds :SC< +oo. Dmontrer que si
tf = Ti/n pour 0 :S i :S n, alors

lim
n-t+oo

(~(Mt" ~

Mt'!i-1 ) 2 ) =O.

i=l

2. Sous les hypothses de la question prcdente, dmontrer que

E
En dduire Mr

(t (

Mt'i - Mt':_,)

= E(M.f. - M5).

= 0 IP' p.s. , puis que IP' p.s. Vt :::; T, Mt = O.

3. On ne suppose plus que for IKslds soit born mais seulement que cette
variable alatoire est finie presque srement. On admettra que la variable
alatoire f~ IKs Ids est .Ft-mesurable. Montrer que

3.6 Exercices

81

(ou T si cet ensemble est vide) est un temps d'arrt. Prouver que

IP' p.s.

lim Tn
n->+oo

= T.

En dduire, en utilisant la suite de martingales ( Mu..rn k::o. que

1P' p.s. \:/t

s T,

Mt

= O.

4. Soit Mt une martingale de la formel; H 8 dW8


+oo p.s. et
inf{ t

+ l; K

ds avec

l; H;ds <

l; IKslds < +oo p.s. En utilisant la suite de temps d'arrt Tn =

s T, l; H;ds ;::: n }, dmontrer que Kt = 0 dt x d!P' p.s.

Exercice 20
tique

On s'intresse la solution Xt de l'quation diffrentielle stochas-

{ dXt

Xo

=
=

(Xt +')dt+ (aXt


O.

+ a')dWt

On pose St= exp(( - a 2 /2)t + aWt)


1. crire l'quation diffrentielle stochastique dont est solution

s; 1 .

2. Montrer que

3. En dduire une expression pour Xt.


Exercice 21 Soit (Wtk::o un :Ft-mouvement brownien. Le but de cet exercice est
de calculer la loi du couple (Wi, SUPs:::;t Ws)

1. Soit Sun temps d'atTt born. En utilisant le thorme d'arrt pour la martingale Mt
SUS

exp(izWt

+ z 2 t/2), o

z est un nombre rel, dmontrer que, si

V,

E(exp(iz(Wv+s - Wu+s))l:Fu+s)

= exp(-z 2 (v - u)/2).

2. En dduire que W~ = Wu+s - Ws est un :Fs+u-mouvement brownien


indpendant de la tribu :Fs.
3. Soit (Yt)t>o est un processus alatoire continu indpendant de la tribu B tel
que E(supo<s<K IYsl) < +oo. Soit Tune variable alatoire B-mesurable
borne par J{, montrer que

E(YrlB)

= E(Yi)lt=T

On commencera par traiter le cas o Test de la forme LI<i<n tilAi o


0 < ti < < tn = K, les Ai tant disjoints et B mesurables-:- -

82

Chapitre 3 Mouvement brownien et quations diffrentielles stochastiques


4. On pose T>.
borne,

inf{s

2 0, Ws > >.},dmontrer que, si f est une fonction

E (f(Wt)l{r>-~t})

= E (1{ 7 >-9}<P(t - T>.)),

o <P(u) = E(f(Wu +>.)).En dduire, en utilisant lefaitqueE(f(Wu +>.)) =


E(f (-Wu + >.)),que
E(f(Wt)l{r>-~t})

5. Montrer que si Wt

= sups~t Ws

= E(f(2 et si

Wt)l{r>-~t})

2 0,

En dduire que Wt suit la mme loi que IWtl

6. Dmontrer que, si

2 et

2 0,

lP'(Wt ::; , Wt 2 >.) = lP'(Wt 2 2>. - , Wt 2 >.) = lP'(Wt 2 2>. - ),


et que, si ::; et

2 0,

lP'(Wt ::; , Wt 2 >.) = 21P'(Wt 2 >.) - lP'(Wt 2 ).


7. Vrifier que la loi du couple (Wti Wt) est donne par
l{o~y}l{x~y}

2(2y-x)

V'iii3

exp

(2y-x) 2 )
2t

dxdy.

Chapitre 4

Modle de Black-Scholes
Le problme trait par Black et Scholes (1973) est l'valuation et la couverture
d'une option de type europen (calf ou put) sur une action ne distribuant pas de
dividendes. La mthode utilise, qui repose sur des ides analogues celles dj
prsentes dans le cadre des modles discrets dans le chapitre 1 de ce livre, conduit
des formules explicites couramment utilises par les praticiens, malgr le caractre
simplificateur du modle. Dans ce chapitre, nous donnons une prsentation actualise
des travaux de Black et Scholes. Le cas des options amricaines est abord et des
extensions sont prsentes dans les problmes.

4.1

Description du modle

4.1.1

L'volution des cours

Le modle propos par Black et Scholes pour dcrire l'volution des cours est un
modle temps continu avec un actif risqu (une action de prix St l'instant t) et
un actif sans risque (de prix sp l'instant t). On suppose l'volution de sp rgie par
l'quation diffrentielle (ordinaire)
(4.1)

o r est une constante positive. Cela signifie que le taux d'intrt sur le march des
placements sans risque est constant et gal r (noter que r est ici un taux d'intrt
instantan, ne pas confondre avec le taux annuel ou le taux sur une priode des
modles discrets). On pose sg = 1, de sorte que sp = ert pour t ~ O.
On suppose que l'volution du cours de l'action est rgie par l'quation
diffrentielle stochastique

dSt = St(dt

+ dBt),

(4.2)

o et sont deux constantes et ( Bt) est un mouvement brownien standard. La


constante est appele volatilit de l'action.
83

Chapitre 4 Modle de Black-Scholes

84

Le modle est tudi sur l'intervalle [O, T], o Test la date d'chance de l'option que l'on se propose de traiter. Comme nous l'avons vu (cf. Chapitre 3, Section
3.4.3), l'quation (4.2) a pour solution explicite

St = Sa exp

(t - ~2 t+

Bt) ,

o Sa est le cours observ la date O. Il en rsulte en particulier que, dans ce modle,


la loi de St est une loi log-normale (c'est--dire que son logarithme suit une loi
normale).
Plus prcisment, on voit que le processus (St) vrifie une quation du type
(4.2) si et seulement si le processus (log(St)) est un mouvement brownien (pas
ncessairement standard). D'aprs la Dfinition 3.2.1 du chapitre 3, cela signifie que
le processus (St) vrifie les proprits suivantes :
continuit des trajectoires,
indpendance des accroissements relatifs : si u ::::; t, St/ Su ou (ce qui revient
au mme) !'accroissement relatif (St - Su)/ Su est indpendant de la tribu
(Sv, V::::; u),
stationnarit des accroissements relatifs : si u ::::; t, la loi de (St - Su)/ Su est
identique celle de (St-u - Sa)/ Sa.
Ces trois proprits traduisent de faon concrte les hypothses de Black et Scholes
sur l'volution du cours de l'action.

4.1.2

Les stratgies auto-finances

Une stratgie sera dfinie par un processus </J = (<Pt)a~t~T = (Hp, Ht)a~t~T
valeurs dans IR 2 , adapt la filtration (Ft) du mouvement brownien, les composantes
HP et Ht de <Pt reprsentant les quantits d'actif sans risque et d'actif risqu dtenues
en portefeuille la date t. La valeur du portefeuille la date t est alors donne par

Dans les modles temps discret, nous avons caractris les stratgies auto-finances
par l'galit Vn+l (</J)- Vn(</J) = </Jn+i(Sn+l -Sn) (cf. chapitre!, Remarque 1.1.1).
La transposition de cette galit temps continu conduit crire la condition d'autofinancement sous la forme

Pour que cette galit ait un sens, on impose la condition

1T IH~ldt <
Alors, l'intgrale

+oo p.s.

et

1T Hf<

+oo p.s.

4.1 Description du modle

85

est bien dfinie, ainsi que l'intgrale stochastique

puisque la fonction t
srement.

1-+

St est continue, donc borne sur l'intervalle [O, T], presque

Dfinition 4.1.1 Une stratgie auto-finance est dfinie par un couple <P de processus
adapts (Hf)o<t<T
- - et (Ht)o<t<T
- - vrifiant
1. foT IH?ldt
2. H?S?

+ 1T Htdt < +oo p.s ..

+ HtSt = H8S8+HoSo+1t H~dS~ + 1t HudSu

p.s., pour tout

[O,T].

Nous noterons St = e-rt St le cours actualis de l'actif risqu. La proposition suivante est l'analogue de la Proposition 1.1.2 du chapitre 1.

Proposition 4.1.2 Soit <P = (Hf, Ht)O$.t$.T un processus adapt valeurs dans
R. 2 , vrifiant f 0T IHfldt + f 0T H'fdt < +oo p.s.. On pose lit(</>)= HfSf + HtSt et
Vt(<P) = e-rtllt(</>). Alors, <P dfinit une stratgie auto-finance si et seulement si
(4.3)
pour tout t E

[O, T].

Dmonstration.

Supposons la stratgie <P auto-finance. De l'galit

dVt(</>) = -rVt(</>)dt + e-rtdllt(</>),


qui rsulte de la diffrenciation du produit des processus (e-rt) et (lit( <P)) (noter que
le terme de crochet d(e-r., V.( <P ))t est nul), on dduit

dVt(</>)

-re-rt(H?ert + HtSt)dt + e-rt H?d(ert) + e-rt HtdSt


Ht(-re-rt Stdt + e-rtdSt)
HtdSt.

D'o l'galit (4.3). La dmonstration de la rciproque repose sur un raisonnement


similaire.
D

Remarque 4.1.1 Nous n'avons pas impos de condition de prvisibilit sur les
stratgies, contrairement ce que nous avons fait dans le chapitre 1. En fait, on
peut dfinir une notion de processus prvisible temps continu mais, dans le cas de
la filtration d'un mouvement brownien, cela ne restreint pas les stratgies de manire
significative, en raison de la continuit des trajectoires du mouvement brownien.

Chapitre 4 Modle de Black-Scholes

86

Dans notre tude des modles discrets complets, nous avons t amens nous placer sous une probabilit quivalente la probabilit initiale, sous laquelle les prix
actualiss des actifs sont des martingales, puis nous avons construit des stratgies
auto-finances simulant les options. La section suivante prsente les outils qui permettent de transposer ces mthodes au temps continu.

4.2

Changement de probabilit.
reprsentation des martingales

4.2.1

Probabilits quivalentes

Thorme

de

Soit (0, A, IP')un espace de probabilit. Une mesure de probabilit Q sur (0, A)
est dite absolument continue par rapport lP' si, pour tout A E A,

IP'(A)

= 0 =? Q(A) = O.

Thorme 4.2.1 Une mesure de probabilit Q est absolument continue par rapport
lP' si, et seulement si, il existe une variable alatoire positive Z sur (0, A) telle que

\iA E A,

Q(A)

Z(w)d!P'(w).

La variable alatoire Z est appele densit de Q par rapport lP' et note dQ/ dlP'.
Il est clair que si Q admet une densit par rapport IP', Q est absolument continue par
rapport IP'. La rciproque rsulte du Thorme de Radon-Nikodym (cf. par exemple
Dacunha-Castelle et Duflo (1986a), ou Williams (1991), Section 5.14).
Les probabilits lP' et Q sont dites quivalentes si chacune d'elles est absolument
continue par rapport l'autre. Noter que si Q est absolument continue par rapport
IP', de densit Z, alors lP' et Q sont quivalentes si et seulement si IP'(Z > 0) = 1.

4.2.2 Thorme de Girsanov


Soit (0, F, (Ft)o:s;t:s;r, IP') un espace de probabilit filtr, dont la filtration est la
filtration naturelle d'un mouvement brownien standard (Bt)o<t<T index par l'intervalle de temps [O, T]. Le rsultat suivant est connu sous le nom de Thorme
de Girsanov (pour une dmonstration, voir Karatzas et Shreve (1988), ou DacunhaCastelle et Duflo (l 986b ), Chapitre 8).

Thorme 4.2.2 Soit (Bt)o:s;t:s;T un processus adapt vrifiant


tel que le processus (Lt)o:s;t:s;T dfini par

Lt =exp (-1t BsdBs -

I:

o;ds

< OO p.s. et

~ 1t o;ds)

soit une martingale. Alors, sous la probabilit JP>(L) de densit Lr par rapport
= Bt +
5 ds est un (Ft)-mouvement
brownien standard.
IP', le processus (Wt)o:s;t:s;T dfini par Wt

J; (}

4.2 Changement de probabilit. Thorme de reprsentation des martingales

Remarque 4.2.1 Une condition suffisante pour que

(Lt)o~t~T

87

soit une martingale

est que l'on ait

Cette condition est connue sous le nom de critre de Novikov (cf. Karatzas et Shreve
(1988), Dacunha-Castelle et Duflo (1986b)). La dmonstration du Thorme de Girsanov dans le cas o le processus (Bt) est constant fait l'objet de l'exercice 22.

4.2.3

Thorme de reprsentation des martingales browniennes

Soit (Bt)o9~T un mouvement brownien standard, dfini sur un espace de probabilit (n, F, IP') et soit (Ft)o<t<T sa.filtration naturelle. Rappelons (cf. Chapitre 3,
Proposition 3.4.4) que si (Ht);~~~T est un processus adapt tel que E(f0T Hldt) <
oo, le processus (f~ H 8 dB 8 ) est une martingale de carr intgrable nulle en O.
Le thorme suivant montre que toutes les martingales browniennes peuvent se
reprsenter l'aide d'une intgrale stochastique.

Thorme 4.2.3 Soit (Mt)o9~T une martingale de carr intgrable, par rapport
la.filtration brownienne (Ft)o<t<T Il existe un processus adapt (Ht)o<t<T tel que
E(f0T H;ds) < +oo et
- - -

'<:/t

[O, T],

Mt = Mo +lat HsdBs

p.s.

(4.4)

Noter que cette reprsentation n'est possible que pour les martingales de la filtration

naturelle du mouvement brownien (cf. Exercice 29).


Il rsulte du thorme que si U est une variable alatoire FT-mesurable, de carr
intgrable, on peut crire

o (Ht) est un processus adapt tel que E(f0T Hlds) < +oo. Il suffit, pour montrer cela, de considrer la martingale Mt = E(UIFt). On dmontre aussi (cf., par
exemple, Karatzas et Shreve (1988)) que si (Mt)o~t~T est une martingale (non
ncessairement de carr intgrable), il existe une reprsentation de la forme (4.4),
mais avec un processus H vrifiant seulement J0T Hlds < oo, p.s. Nous utiliserons
d'ailleurs ce rsultat dans le Chapitre 6.

Chapitre 4 Modle de Black-Scholes

88

4.3

valuation et couverture des options dans le


modle de Black-Scholes

4.3.1

Une probabilit sous laquelle (St) est une martingale

Nous reprenons maintenant le modle introduit dans la Section 4.1. Nous allons montrer qu'il existe une probabilit quivalente la probabilit initiale IP', sous
laquelle le prix actualis St = crt St de l'action est une martingale. Utilisant
l'quation diffrentielle stochastique vrifie par (St). on a

dSt

-re-rt Stdt

+ e-rtdSt

St(( - r)dt
et par consquent, si on pose Wt

+ dBt),

= Bt + 7t,
(4.5)

D'aprs le Thorme 4.2.2, appliqu en prenant (}t


( - r)t/, il existe une
probabilit IP'* quivalente IP', sous laquelle (Wt)O'.Ot'.Or est un mouvement brownien
standard. On admettra, dans la suite, que la dfinition de l'intgrale stochastique est
invariante par changement de probabilit quivalente (cf. Exercice 28). Alors, si on se
place sous la probabilit IP'*, on dduit de l'galit (4.5) que (St) est une martingale
et que
2
St= So exp(Wt - <1 t/2).

4.3.2 Pricing
Dans cette section, nous nous limitons l'tude des options europennes. Une
option europenne est dfinie par une variable alatoire positive :Fr-mesurable h.
Le plus souvent, h est de la forme f (Sr) (f (x) = (x - K) + dans le cas du call,
f(x) = (K -x)+ dans le cas du put). Comme dans le cas discret, nous allons dfinir
la valeur de l'option en la simulant. Pour des raisons techniques, nous limiterons la
classe des stratgies admissibles de la faon suivante.

Dfinition 4.3.1 Une stratgie</> = (HP, Ht)o<t<r est admissible si elle est auto</>) = HP +-Ht St du portefeuille correspondant
finance et si la valeur actualise
est, pour tout t, positive et telle que suptE[o,r]
est de carr intgrable sous IP'*.

Vt (

Vt

On dira qu'une option est simulable si sa valeur l'chance est gale la valeur
finale d'une stratgie admissible. Il est clair avec cette dfinition, que, pour que l'option dfinie par h soit simulable, il est ncessaire que h soit de carr intgrable sous
IP'*. Dans la cas du call (h = (Sr - K)+). cette proprit est bien vrifie puisque
JE* (S:f) < oo ; notons que dans le cas du put , h est mme borne.

Thorme 4.3.2 Dans le modle de Black-Scholes, toute option dfinie par une variable alatoire h, positive :Fr-mesurable, de carr intgrable sous la probabilit

4.3 valuation et couverture des options dans le modle de Black-Scholes

89

IP'*, est simulable et la valeur l'instant t de tout portefeuille simulant est donne
par
vt = E* ( e-r(T-t) hlFt) .
La valeur de l'option l'instant test donc dfinie de faon naturelle par l'expression

E* (e-r(T-t) hlFt).
Supposons d'abord qu'il existe une stratgie admissible (H 0 , H),
simulant l'option. La valeur l'instant t du portefeuille (Hf, Ht) est donne par

Dmonstration.

= H~S~ + HtSt,
et on a, par hypothse, Vr = h. Soit Vt = vte-rt la valeur actualise
vt

vt

= Ht0 + HtSt.

Puisque la stratgie est auto-finance, on a, d'aprs la Proposition 4.1.2 et l'galit


(4.5),

Vt

Vo

+ lat HudSu

Vo +lat HuaSudWu.
Sous la probabilit IP'*, suptE(O,TJ

Vt

est de carr intgrable, d'aprs la dfinition

des stratgies admissibles, et l'galit qui prcde fait apparatre le processus (Vt)
comme une intgrale stochastique par rapport (Wt). Il en rsulte (cf. Chapitre 3,
Proposition 3.4.4 et Exercice 18) que (Vt) est une martingale de carr intgrable sous

IP'*. D'o

i't = E* ( Vr

Ft) ,

et par consquent
(4.6)
Nous avons ainsi montr que si le portefeuille (H 0 , H) simule !'option dfinie
par h, sa valeur est donne par (4.6). Pour achever la dmonstration du thorme, il
reste dmontrer que l'option est bien simulable, c'est--dire trouver des processus
(Hf) et (Ht) dfinissant une stratgie admissible, et tels que

H~S~ +HtSt = E* (e-r(T-t)h 1 Ft).


Or, sous la probabilit IP'*, le processus dfini par Mt = E* (e-rT hlFt) est une
martingale de carr intgrable. La filtration (Ft). filtration naturelle de (Bt). est
aussi la filtration naturelle de (Wt) et, d'aprs le Thorme de Reprsentation des
Martingales (cf. Thorme 4.2.3), il existe un processus adapt (Kt)o<t<T tel que
E*(f0T K;ds) < +oo et
- -

't:/t E

[O, T],

Mt = Mo

+ lat KsdWs

p.s.

90

Chapitre 4 Modle de Black-Scholes

La stratgie <P = (H 0 , H), avec Ht = Kt/(aSt) et Hf = Mt - HtBt, est alors,


d'aprs la Proposition 4.1.2 et !'galit (4.5), une stratgie auto-finance dont la valeur l'instant test donne par

Il est clair sur cette expression que Vt (<P) est une variable alatoire positive, que
supo<t< vt(<P) est de carr intgrable sous lP'* et que Vr(<P) = h. On a donc bien
une stratgie admissible simulant h.
D
Remarque 4.3.1 Lorsque la variable alatoire h est de la forme h = f(Sr ), on peut
expliciter la valeur Vt de l'option l'instant t comme une fonction de t et St. On a,
en effet,

JE* ( e-r(T-t) f (Sr) Ft)

Vt

JE* ( e-r(T-t) f ( Ster(T-t)ea-(WT-W,)-(a- 2/2)(T-t)) J.Ft).


La variable alatoire St est Frmesurable et, sous lP'*, Wr - Wt est indpendante de
Ft. On a donc, en utilisant la Proposition A.2.5 de l'appendice,

vt = F(t, St),
avec

Comme, sous lP'*, Wr - Wt est une gaussienne centre de variance T - t,

F(t, x) = e-r(T-t)

+oo

f ( xe(r-0-2 /2)(T-t)+a-yJT-t)

-y2/2d

-OO

Y2i

y.

Le calcul de F peut tre pouss plus loin dans le cas des calls et des puts. Si l'on
prend l'exemple du call, avec f(x) = (x - K)+. on a, d'aprs l'galit (4.7),

F(t,x)

JE* (e-r(T-t) (xe(r-a- 2/2)(T-t)+a-(WT-Wt) _ K)+)


JE ( xe"VOg-a-2012 - Ke-r()) +,

o g est une gaussienne centre rduite et


Introduisons les quantits

e= T -

+ (r + a 2 /2)8
d1 -_ log(x/ K) aV

t.

r;:,

et d2 =di - uve.

4.3 valuation et couverture des options dans le modle de Black-Scholes

91

Avec ces notations, on a

F(t,x)

En crivant cette expression comme la diffrence de deux intgrales et en faisant


dans la premire le changement de variable z = y + aVB, on obtient
(4.8)
avec

N(d) = _l_

V2K

Jd

e-x2;2dx.

-OO

Pour le put, un calcul analogue donne, avec les mmes notations,

(4.9)
Pour des mthodes de calcul efficaces de N (d) on pourra se reporter l'appendice.

4.3.3

Couverture des calls et des puts

Dans la dmonstration du Thorme 4.3.2, nous avons invoqu le Thorme de


Reprsentation des Martingales pour montrer l'existence d'un portefeuille simulant
l'option. Dans la pratique, il importe de pouvoir construire effectivement le portefeuille simulant afin de couvrir l'option et on ne peut se contenter d'un simple
thorme d'existence.
Nous allons voir comment, dans le cas o l'option est dfinie par une variable
alatoire positive de la forme h = f (Sr), on peut expliciter le portefeuille de couverture . Un portefeuille simulant doit avoir, chaque instant t, une valeur actualise
gale

Vt = e-rt F(t, St),

o Fest la fonction dfinie par l'galit (4.7). Sous des hypothses trs larges sur
(et, en particulier, dans les cas du call et du put o l'on dispose des formules
explicites de la Remarque 4.3.1), on voit que la fonction F est de classe C 00 sur
[O, T[ x!R. Si on pose

F(t,x) = e-rtF(t,xert),
on a

Vt = F(t, St) et, pour t < T, d'aprs la formule d'It,

92
De l'galit dSt

Chapitre 4 Modle de Black-Scholes

= StdWi, on dduit

ce qui permet d'crire

F(t, St) sous la forme

Comme le processus F( t, St) est une martingale sous IP'*, on a ncessairement Ku =


0, du x d!P' p.p. (cf. Chapitre 3, Exercise 19). D'o

Le candidat naturel pour le processus de couverture Ht est alors

Si on pose H2 = F(t, Stl - H_tSt, Je portefeuille (H2, Ht) est auto-financ et sa


valeur actualise est bien vt = F(t, St).

Remarque 4.3.2 Le raisonnement qui prcde montre qu'on peut traiter les options
de la forme f (Sr) sans utiliser le Thorme de Reprsentation des Martingales.
Remarque 4.3.3 Dans le cas du call, on a, avec les notations de la Remarque 4.3.1,

8F
ax (t,x) = N(d1),
et, dans le cas du put,

8F
ax (t, x) = -N(-d1).
On pourra le vrifier en exercice (la faon la plus simple de faire le calcul consiste
driver sous le signe d'esprance). Cette quantit est souvent appele le delta de
l'option par les praticiens. Plus gnralement, lorsque la valeur l'instant t d'un portefeuille peut s'crire w(t, St), la quantit (8'11 /8x)(t, St). qui mesure la sensibilit
du portefeuille par rapport aux variations du cours l'instant t, est appel le delta
du portefeuille. On parle de gamma pour la drive seconde (8 2 8x 2 ) ( t, St), thta
pour la drive par rapport au temps et de vga pour la drive de w par rapport la
volatilit O".

w/

93

4.4 Options amricaines

4.4 Options amricaines


4.4.1

valuation des options amricaines

Nous avons vu, dans le Chapitre 2, les liens entre l'valuation des options
amricaines et le problme d'arrt optimal dans le cadre des modles discrets. La
thorie de l'arrt optimal en temps continu repose sur les mmes ides qu'en temps
discret, mais la mise en uvre de ces ides soulve, dans ce cadre, de srieuses
difficults techniques. En ce qui concerne les options amricaines, il est clair que
l'approche que nous avons utilise dans la Section 1.3 .3 du Chapitre 1, base sur une
relation de rcurrence, n'est pas directement transposable. L'exercice 8 du Chapitre
2 montre que, dans un modle discret, toute option amricaine peut tre associe
une stratgie de couverture dans laquelle une certaine consommation est autorise.
C'est partir de stratgies de gestion avec consommation que nous allons traiter les
options amricaines dans le modle de Black-Scholes.

Dfinition 4.4.1 Une stratgie de gestion avec consommation est la donne d'un
processus adapt <P = (H2, Ht)os_ts_r, valeurs dans IR2 , vrifiant les proprits
suivantes :
1.

1T IHf ldt + 1T

J;

J;

+ HtSt = H8S8 + HoSo + H~dS~ + HudSu - Ct, pour tout


[O, T], o (Ct)o<t<T est un processus croissant continu adapt, nul en
0; Ct reprsentant la consommation cumule jusqu' l'instant t.

2. H2Sf
t E

Hf dt < +oo p.s.

Une option amricaine est naturellement dfinie par un processus adapt, valeurs positives (ht)o<t<T Pour simplifier, nous nous limiterons des processus de
la forme ht = '1/J(S~),- o 'ljJ est une fonction continue de JR+ dans JR+, vrifiant
'ljJ(x) :::; A + Bx, pour tout x E JR+, o A et B sont des constantes positives. Pour
un call, on a '1/J(x) = (x - K)+ et pour un put '1/J(x) = (K - x)+
Nous dirons que la stratgie de gestion avec consommation <P = (H2, Ht)o<t<T
couvre l'option amricaine dfinie par ht = 'ljJ (St) si, en notant vt (<P) = H2 Sf+
HtSt. on a
'eft E [O, T], vt(<P) ?:. '1/J(St) p.s.
Notons <I>"' l'ensemble des stratgies de gestion avec consommation qui couvrent
l'option amricaine dfinie par ht = 'ljJ(St). Si le vendeur de l'option suit une
stratgie <P E <I>"', il dispose, chaque instant t, d'une richesse au moins gale
'1/J(St). qui est la somme fournir en cas d'exercice de l'option la date t. Le
thorme suivant caractrise la valeur minimale d'une stratgie de couverture d'une
option amricaine.

Thorme 4.4.2 Soit u l'application de [O, T] x JR+ dans lR dfinie par

u(t,x) = sup IE*[e-r(T-t)'l/J(xexp((r - (a 2/2))(r - t)


TE7t.T

+ a(W

Wt)))],

Chapitre 4 Modle de Black-Scholes

94

o Tt,T dsigne l'ensemble des temps d'arrt valeurs dans l'intervalle [t, T]. Il
existe une stratgie~ E Cf>"1, telle que vt(~) = u(t, St), pour tout t E [O, T]. De
plus, pour toute stratgie <f; E Cf>"1, on a vt(<P) 2 u(t, St), pour tout t E [O, T].

Pour viter les difficults techniques, nous donnerons seulement le schma de la


dmonstration, renvoyant Karatzas et Shreve (1988) pour les dtails. On montre
d'abord que le processus (e-rtu(t, St)) est l'enveloppe de Snell (sous IP'*) du processus (e-rt'ljJ(St) ), c'est--dire la plus petite IP'* -sur-martingale continue droite
qui le majore. Or, on peut montrer que la valeur actualise d'une stratgie de
gestion avec consommation est une sur-martingale sous IP'*. On a donc l'ingalit
vt(<f;) 2 u(t,St). pour toute stratgie <f; E Cf>"1. L'obtention d'une stratgie~ telle
que vt(~) = u(t, St) repose sur un thorme de dcomposition des sur-martingales
analogue la Proposition 2.3.1 du Chapitre 2 et sur le Thorme de Reprsentation
des Martingales browniennes.
Il est naturel de considrer que u(t, St) reprsente la valeur de l'option
amricaine l'instant t, puisque c'est la valeur minimale d'une stratgie qui couvre
l'option.
Remarque 4.4.1 Soit T un temps d'arrt valeurs dans [, T]. La valeur l'instant 0 d'une stratgie admissible au sens de la Dfinition 4.3.1 et de valeur
'ljJ(Sr) l'instant Test donne par IE*(e-r 7 'lfl(S7 )), puisque la valeur actualise
de toute stratgie admissible est une martingale sous IP'*. La quantit u(O, S0 ) =
sup 7 Ey,O,T E*(e-rr'lfl(Sr)) est donc bien la richesse initiale minimale permettant de
couvrir tous les exercices possibles.

Comme dans les modles discrets, on constate que le prix du call amricain (sur une
action ne distribuant pas de dividende) est gal au prix du call europen.
Proposition 4.4.4 Si, dans le Thorme 4.4.2, la fonction
(x - K)+, pour tout rel x, alors on a
u(t,x)

'lf1 est donne par 'lfl(x) =

= F(t,x),

o Fest la fonction dfinie par l'galit (4.8) donnant le prix du cal! europen.
Dmonstration. Supposons pour simplifier t = 0 (le raisonnement est le mme
pour t > 0). Alors, il suffit de montrer que, pour tout temps d'arrt T E To,r,

Or, on a

puisque (St) est une martingale sous IP'*. D'o

4.4 Options amricaines

95

puisque r ::::: 0 et, puisque le membre de gauche est positif,

D'o l'ingalit annonce en prenant l'esprance.

4.4.2 Put perptuel, prix critique


Dans le cas du put, le prix de l'option amricaine n'est pas gal celui de l'option europenne et il n'existe pas de formule explicite donnant la fonction u du
Thorme 4.4.2. On doit donc recourir des mthodes de calcul approch qui seront
abordes dans le chapitre 5. Dans cette section, nous nous contenterons de dduire
de la formule

u(t,x)= sup IE*(Ke-r(r-t)_xexp(-a 2 (T-t)/2+a(Wr-Wt)))+ (4.10)


rET,,T

quelques proprits qualitatives de la fonction u. Nous supposerons, pour simplifier


que t = O. En fait, on peut se ramener ce cas, quitte remplacer T par T - t.
L'quation (4.10) s'crit alors

u(O,x) = sup IE*(Ke-rr -xexp(Wr - a 2 T/2))+

(4.11)

rETo.T

Considrons un espace de probabilit (0, F, IP'), sur lequel est dfini un mouvement
brownien standard (Bt)o<t<oo dfini sur~+. On a

u(O,x) = sup IE(I(e-rr -xexp(aBr -(a 2 T/2)))+


rETo,T

en notant To, 00 l'ensemble de tous les temps d'arrt de la filtration de (Bt)t?_o et


l'ensemble des lments de To, 00 valeurs dans [O, T]. Le membre de droite
de l'ingalit (4.12) s'interprte naturellement comme la valeur d'un put "perptuel"
(c'est--dire exerable tout moment sans limite d'chance). La proposition suivante permet d'expliciter le majorant dans (4.12).

To,r

Proposition 4.4.S La fonction

est donne par les formules


00

u (x)=
avec x*

K - x, pour x:::; x*
(K-x*)(;'".)- 1 , pour x>x*,

= K 'Y /(1+1) et 'Y= 2r /a 2

96

Chapitre 4 Modle de Black-Scholes

Dmonstration. On dduit de la formule (4.13) que la fonction u 00 est convexe,


dcroissante sur [, +oo[ et vrifie u 00 (x) 2 (K - x)+. et, pour tout T >
O,u 00 (x) 2 lE(Ke-rT - xexp(aBr - (a 2 T/2)))+. ce qui implique u 00 (x) > 0,
pourtoutx 2 O.Notonsmaintenantx* = sup{x 2 Olu 00 (x) = K-x}.Les
proprits de u 00 que nous venons d'numrer entranent

'Vx::; x*,

u 00 (x) = K - x

et

'Vx > x*

u 00 (x) > (K - x)+

(4.14)

Pour x E [O, +oo[, notons (Xfk::o le processus dfini par

Xf = x exp((r - a 2 /2)t + aBt).


La thorie de l'enveloppe de Snell temps continu (cf. El Karoui (1981), Kushner
(1977), ainsi que le Chapitre 5) permet de montrer que

o Tx est le temps d'arrt dfini par


Tx

= inf{t 201 e-rtu 00 (Xf) = e-rt(K -

Xf)+}

(avec inf0

= +oo).

Le temps d'arrt Tx est donc un temps d'arrt optimal (noter l'analogie avec les
rsultats du Chapitre 2).
Il rsulte de (4.14) que
Tx

= inf{t 2 0 1 Xf :S x*} = inf{t 2 0 1 (r -

a 2 /2)t

+ aBt :S log(x* /x)}.

Introduisons, pour tout nombrez ER+, le temps d'arrt Tx,z dfini par
Tx,z

= inf {t 201 Xf :S z}.

Avec ces notations, le temps d'arrt optimal est donn par


notons </> la fonction de z dfinie par

Tx

Tx,x.

Fixons x et

Puisque Tx,x est optimal, la fonction</> atteint son maximum au point z = x*. Nous
allons calculer </> explicitement, puis nous la maximiserons pour dterminer x* et

u 00 (x) = <f>(x*).
Si z > x, on a videmment Tx,z = 0 et <f>(z) = (K - x)+ Si z ::; x, on a, en
utilisant la continuit des trajectoires de (Xflt>o.
Tx,z

= inf {t 201 Xf = z}

et par consquent

<f>(z)

(K - z)+JE ( e-rTx,z 1{ Tx,z <OO})


(K - z)+JE(e-rTx,z)

97

4.5 Volatilit implicite et modles volatilit locale

= O. En reprenant l'expression de X{ en fonction de

avec, par convention, e-roo


Bt. on voit que, pour z ::; x,

(r-~2 )t+aBt=log(z/x)}

= inf{t20I

Tx,z

inf { t 2 0 1 t
en posant

= r/u

- u

+ Bt =

~ log(z/x)},

/2. Donc, si on note, pour tout rel b,


Tb

= inf {t 2 0 1 t + Bt = b},

on a

(K-x)+

if;(z)= { (K-z)lE(exp~-r1Jog(z/x)/a))

si Z >X
si z E [O, x] n [O, K]
si z E [O, x] n [K, +oo).

Le maximum de if; est donc atteint sur l'intervalle [O, x]


formule suivante (dmontre dans l'exercice 27)

n [O, K].

En utilisant la

on voit que

Vz E [O,x] n [O, K],

if;(z) = (K - z)

(~)',

o = 2r / u 2 . La drive de cette fonction est donne par


z'-1

if;'(z) = - ( K x'

Il en rsulte que, six::; K/b

b + l)z).

+ 1),

maxif;(z)
z

= if;(x) = K - x

et, six> K/b + 1),


maxif;(z)
z

= if;(K/b + 1)),

ce qui donne les formules annonces.

4.5

Volatilit implicite et modles volatilit locale

Un des traits majeurs du modle de Black-Scholes (et une des raisons de son
succs) est le fait que les formules de prix obtenues, de mme que les formules de
couverture, dpendent d'un seul paramtre non directement observable : la volatilit
u (le paramtre de drive disparat sous l'effet du changement de probabilit).
Dans la pratique, deux mthodes sont utilises pour valuer u.

Chapitre 4 Modle de Black-Scholes

98

1. La mthode historique : dans le modle de Black-Scholes, a 2 T est la variance


de log( Sr) et les variables
log( Sr/ Sa), log(S2r/ Sr), ... , log(SNr / s(N-l)r)
sont indpendantes et quidistribues. Ds lors on peut, partir des valeurs du
cours observes dans le pass, estimer a par des voies statistiques (par exemple
en calculant les variances empiriques ; cf. Dacunha-Castelle et Dufto (1986a),
Chapitre 5).
2. La mthode implicite : certaines options sont cotes sur les marchs organiss
et, le prix des options (calls et puts) tant une fonction strictement croissante
de a (cf. Exercice 24 ), on peut associer une volatilit implicite chaque option
cote, par inversion de la formule de Black-Scholes. Le modle ainsi identifi
peut ensuite tre utilis pour les calculs de couverture.
Dans ces questions de volatilit, on se heurte vite aux imperfections du modle de
Black-Scholes. On constate des diffrences importantes entre volatilit historique et
volatilit implicite, et la volatilit implicite semble dpendre du prix d'exercice et
de l'chance. Malgr ces incohrences, le modle constitue une rfrence indispensable pour les praticiens, la volatilit implicite d'une option leur apportant une
meilleure information que son prix.
Une faon de construire un modle cohrent avec les donnes de march consiste
remplacer la volatilit constante a par un processus stochastique (a t), l'quation
(4.2) devenant

dSt = St(dt

+ atdBt)

Si le processus stochastique (at) est adapt la filtration naturelle de (Bt)o<t<r


et born, ainsi que le processus (1/at). l'approche prsente dans ce chapitre peut
tre tendue (cf. Problme 1 pour le cas d'une fonction dterministe du temps et
Problme 5 pour le cas gnral). Plus prcisment, les options europennes peuvent
tre rpliques et les prix d'options peuvent tre calculs en utilisant la probabilit
IP'*, sous laquelle le prix actualis de l'actif est une martingale. Dans le modle
volatilit locale, on a

O"t = a(t, St),


o a est maintenant une fonction dterministe du temps et du prix du sous-jacent. Les
travaux de Dupire (1994) et Derman et Kani (1994) ont montr que, tant donn des
prix de calls, on peut construire un modle volatilit locale produisant les mmes
prix. Plus prcisment, si C(T, K) est le prix de march, observ la date 0, d'un
call de prix d'exercice K et d'chance T, le modle volatilit locale correspondant
est donn par la formule suivante, connue sous le nom de formule de Dupire (cf.
Problme 6 pour une dmonstration dans le cas r = 0).

8C(T K) = a2(T, K)K2 a2c (T K) - Kac (T K)


8T '
2
8K 2 '
r 8K '
.

(4.15)

En pratique, cette formule n'est pas facile mettre en vre, car elle fait intervenir les
drives partielles des prix de march par rapport au prix d'exercice et l'chance,

4.6 Modle de Black-Scholes avec dividendes et symtrie calf/put

99

alors qu'il n'y a qu'un nombre fini d'options cotes. Le modle volatilit locale
pose aussi des problmes d'instabilit, de sorte que les praticiens prfrent utiliser des modles plus sophistiqus combinant volatilit stochastique solution d'une
quation diffrentielle stochastique dirige par un autre mouvement brownien et
modles avec sauts.
Remarque 4.5.1 Le terme de volatilit stochastique fait rfrence aux modles dans
lesquels le processus de volatilit (ut) vrifie une quation diffrentielle stochastique dirige par un autre mouvement Brownien (qui peut tre corrl ou pas avec
le brownien (Bt) de l'quation diffrentielle stochastique du sous-jacent). Le processus de volatilit n'est alors pas adapt la filtration de (Bt). Les marchs dcrits
par un modle volatilit stochastique sont des marchs incomplets, dans lesquels la
rplication des options par une stratgie fonde sur le sous-jacent n'est plus possible.
Voir le Chapitre 7 pour une introduction aux marchs incomplets.

4.6

Modle de Black-Scholes avec dividendes et


symtrie calUput

Dans notre prsentation du modle de Black-Scholes, nous avons suppos implicitement que le sous-jacent ne distribuait pas de dividendes. Nous allons montrer
comment la mthodologie s'tend au cas o des dividendes sont verss en continu
un taux constant o. Cela signifie que, dans un intervalle de temps infinitsimal
[t, t + dt], le dtenteur d'une action reoit Stdt. L'intrt de cette hypothse peu
raliste est qu'elle conduit des formules explicites. L'hypothse est d'ailleurs plus
raliste dans le contexte des options sur taux de change, o le taux de dividende
s'interprte comme le taux d'intrt tranger (voir Problme 2).
Dans le cas d'un actif versant des dividendes, la condition d'auto-financement
prend la forme

et, en quantits actualises,

o-

o Wt = Bt +( + r )t/ u. La probabilit risque-neutre est alors la probabilit lP' 8


sous laquelle (Wt)o<t<T est un mouvement brownien standard. Notons que, sous
lP' 0, le processus (e< 0=ritSt)o<t<T est une martingale (cf. Problme 2 pour plus de
dtails dans le contexte des options de change).
Nous allons tablir une intressante relation de symtrie entre les prix des calls et
des puts. Pour plus de clart, nous noterons Ce(t, x; K, r, o) (resp. Pe(t, x; K, r, o))
le prix l'instant t d'un call (resp. put) europen d'chance T et de prix
d'exercice K, lorsque le prix du sous-jacent est x, le taux d'intrt tant gal
r et le taux de dividende o. Nous noterons de mme Ca(t, x; K, r, o) (resp.
Pa(t, x; K, r, o)) le prix du call (resp. put) amricain. Notons que Ce(t, x; K, r, o) =
JEO e-r(T-t) ( xe<r--(a 2 /2))(T-t)+a(W4--W,5) +.

K)

Chapitre 4 Modle de Black-Scholes

100

Proposition 4.6.1 On a

Ce(t, x; K, r, o) = Pe(t, K; x, o, r)

et

Ca(t, x; K, r, o) = Pa(t, K; x, o, r).

Dmonstration.

Nous donnons la dmonstration dans le cas amricain. Le cas des


options europennes est plus simple. Nous supposons aussi que t = 0 pour simplifier
l'criture. On a

C (0 x K r o) = sup JE 8 e-rr (xe(r-o- "22 )r+o-w: - K)


a

'

'

'

'

rETo,T

Pour T E To,r, on a, avec la notation Wl pour Wt


densit donne par dP8 / dl!1'8 = e""w,f-(0- 2 / 2 )T,

+.

- at et P8 pour la probabilit de

o la dernire galit vient du fait que (e""wt-(0- 2 / 2)t)t>o est une martingale. Par
suite,

Or, sous la probabilit JF8 , le processus (Wt)o<t<rest un mouvement brow8


nien standard, de mme, par symtrie, que le processus (-Wt )o::;t:s;T D'o
-

Ca(t,x;K,r,o) = Pa(t,K;x,o,r).

Notes: La prsentation que nous avons adopte, base sur le Thorme de Girsanov,
s'inspire de Harrison et Pliska (1981) (voir aussi Bensoussan (1984) et la Section 5.8
de Karatzas et Shreve (1988)). L'approche initiale de Black et Scholes (1973) Merton
(1973) consistait dgager, partir d'un raisonnement d'arbitrage et de la formule
d'It, une quation aux drives partielles vrifie par le prix du call comme fonction du temps et du sous-jacent. Pour les mthodes statistiques de dtermination des
paramtres des modles, on pourra se rfrer Dacunha-Castelle et Duflo (1986a) et
Dacunha-Castelle et Duflo (l 986b) et la bibliographie de ces ouvrages.

4.7 Exercices
Exercice 22 Le but de l'exercice est de dmontrer le Thorme de Girsanov (cf.
Thorme 4.2.2) dans le cas o le processus (Bt) est constant. Soit (Bt)o<t<T un
mouvement brownien standard par rapport une filtration (:Ft)o<t<T et soit un
nombre rel. On pose, pour 0:::; t:::; T, Lt = exp(-Bt - ( 2 /2)tf

4. 7 Exercices
1. Montrer que

que IE(Lt) =

101

(Lt)O$t:5T est une martingale par rapport la filtration (:Ft) et

1, pour tout t

[O, T].

2. Soit JP>(L,) la probabilit de densit Lt par rapport la probabilit initiale JP>.


Montrer que les probabilits JP>(LT) et JP>(L,) concident sur la tribu :Ft.
3. Soit Z une variable alatoire .FT-mesurable, borne. Montrer que l'esprance
conditionnelle de Z sachant :Ft, sous la probabilit JP>( LT), est donne par

JE(LT>(z 1 :Ft) = JE(ZLT 1 :Ft).


Lt
Cette galit est parfois appele formule de Bayes pour les esprances conditionnelles.

4. On pose Wt = t + Bt. pour tout t E [O, T]. Montrer que pour tout rel u et
pour tous set t dans [O, T], avec s :=:;: t, on a
JE(LT)

(eiu(W,-W.)l:f's)

= e-u 2 (t-s)/2.

Conclure en utilisant la Proposition A.2.2 del' Appendice.

Exercice 23 Montrer qu'il y a unicit (en prcisant en quel sens) du portefeuille


simulant une option europenne dans le modle de Black-Scholes.
Exercice 24 On considre une option europenne donne par h = f (ST) et on
note F la fonction donnant le prix de l'option en fonction du temps et du cours spot
dans le modle de Black-Scholes (cf. quation (4.7)).
1. Montrer que si f est croissante (resp. dcroissante), F(t, x) est une fonction
croissante (resp. dcroissante) de x.
2. On suppose f convexe. Montrer que F( t, x) est une fonction convexe de x, une
fonction dcroissante de t si r = 0 et une fonction croissante de u dans tous
les cas. (Indication : partir de l'galit (4.7) et utiliser l'ingalit de Jensen :
~(JE(X)) :::; JE(~(X)), pour toute fonction convexe~ et pour toute variable
alatoire X telle que X et ~(X) soient intgrables.)
3. On note Fe (resp. Fp) la fonction F obtenue quand f(x) = (x - K)+ (resp.
f(x) = (K - x)+) Montrer que Fc(t, .) et Fp(t, .) sont strictement positives
pour t < T. tudier les fonctions Fc(t, .) et Fp(t, .) aux voisinages de 0 et

+oo.
Exercice 25 Calculer, sous la probabilit initiale JP>, la probabilit qu'un call europen soit exerce.
Exercice 26 Justifier les formules (4.8) et (4.9) et calculer, pour un call ou un put,
le delta, le gamma, le thta et le vga (cf. Remarque 4.3.3).
Exercice 27 Soit (Bt)t';::o un mouvement brownien standard. Pour tous nombres
rels et b, on pose
Tf: = inf {t 2". 0 1 t + Bt = b},

Chapitre 4 Modle de Black-Scholes

102
avec la convention : inf 0 = oo.

l. En utilisant le Thorme de Girsanov, montrer que l'on a

'Va, t

> O,

JE(e-a(Tt'At)) =JE

(e-o:(T~/\t)eBTg""-~T~/\t).

2. Montrer l'ingalit

'Va,t

<
_e -at .

> 0,

3. Dduire de ce qui prcde et de la Proposition 3.3.6 que

'Va, t

> 0,

4. Calculer IP'(Tt'

JE ( e-aTt' l{Tt'<oo}) =exp (b -

lbl J2a + 2 )

< oo ).

Exercice 28
1. Soit IP' et Q deux probabilits quivalentes sur un espace probabilisable (0, A).
Montrer que si une suite (Xn) de variables alatoires converge en probabilit
sous IP', elle converge en probabilit sous Q vers la mme limite.
2. Les notations et hypothses sont celles du Thorme 4.2.2. Soit (Ht)o<t<T
un processus adapt tel que
H;ds < oo, IP' p.s. L'intgrale stochastiq~e-de
(Ht) par rapport Bt est bien dfinie sous la probabilit IP'. On pose

J;{

Xt =lat HsdBs +lat Hsesds.


Puisque ]p>(L) et IP' sont quivalentes, on a f 0T H;ds
donc dfinir, sous ]p>(L), le processus

< oo, JP>(L)

p.s. et on peut

On demande de montrer que les deux processus X et Y sont gaux. Pour cela,
on traitera d'abord le cas des processus lmentaires et on utilisera le fait que
si (Ht)o~t~T est un processus adapt vrifiant f 0T H;ds < oo p.s., il existe

une suite (Hn) de processus lmentaires telle que 0T (H 8 -H-:) 2 ds converge


vers 0 en probabilit.

Exercice 29 Soit (Bt)o~t9un mouvement brownien standard dfini sur l'intervalle de temps [O, 1]. On note (Ft)o~t9 sa filtration naturelle et on suppose donne
une variable alatoire T de loi exponentielle de paramtre , indpendante de F1.
Pour t E [O, l], on note 9t la tribu engendre par Ft et la variable alatoire r /\ t.
l. Montrer que (t)o<t<1 est une filtration et que (Bt)o~t9 est un (t)mouvement brownien standard.

4.8 Problmes

103

JE ( 1{7 > 1} 19t). Montrer que Mt =


e-(l-t) 1 { 7 > t} p.s. On pourra utiliser le fait suivant : si B1 et B2 sont deux
sous-tribus et X une variable alatoire positive telle que la tribu engendre par
B2 et X soit indpendante de la tribu B1, alors JE(X 1B1 V B2) = JE(X 1B2),
o B1 V B2 dsigne la tribu engendre par B1 et B2.

2. Pour t E [O, 1], on pose Mt

3. Montrer qu'il n'existe pas de processus trajectoires continues (Xt) tel


que, pour tout t E [O, 1], IP'(Mt = Xt) = 1 (remarquer que l'on aurait
ncessairement IP'(\it E [O, 1], Mt= Xt) = 1).
En dduire que la martingale (Mt) ne peut pas se reprsenter comme une
intgrale stochastique par rapport (Bt)
Exercice 30 On pourra utiliser les rsultats de !'Exercice 21 du Chapitre 3. Soit
(Wt)t;:::o un (Ft)-mouvement brownien standard.

1. Montrer que si:::;

et N(d) = J~ 00 exp(-x 2 /2)dx/V'iif, on a

JE(e'Wr1{Wr:5,sup.~r w,;:::}) =exp ( a:T + 2a) N( - ~ aT).


En dduire que si :::; ,

2. Soit H :::; K. On cherche une formule explicite pour

C =JE

(e-rT(Xr - K)+l{ inf Xs?: H }) ,


s:5T

o Xt = x exp((r - a- 2 /2)t + a-Wt) Donnerune interprtation financire de


cette expression et expliciter une probabilit ffe sous laquelle Wt = (r /a- a- /2)t + Wt est un mouvement brownien standard.
3. crire C sous la forme d'une esprance sous ffe d'une variable alatoire fonction uniquement de Wr et SUPo::;s::;T Ws.
4. En dduire une formule explicite pour C.

4.8 Problmes
Problme 1 : Modle de Black-Scholes avec paramtres dpendant du temps On
reprend le modle de Black-Scholes en supposant que les prix des actifs vrifient
(avec les notations du cours)

{ dS2
dSt

r(t)S2dt
St((t)dt + a-(t)dBt),

Chapitre 4 Modle de Black-Scholes

104

o r(t), (t), a(t) sont des fonctions dterministes du temps, continues sur l'intervalle [O, T]. On suppose de plus inftE[O,T] a(t) > O.

1. Montrer que

St =Sa exp

(lot (s)ds +lot a(s)dB

8 -

~lot a 2 (s)ds) .

Indication : on pourra considrer le processus

2.

(a) Soit (Xn) une suite de variables alatoires relles, gaussiennes, centres,
convergeant vers X dans L 2 Montrer que X est une gaussienne.
(b) Montrer, en approchant a par des fonctions en escalier, que J~ a(s)dBs
est une gaussienne et calculer sa variance.

3. Montrer qu'il existe une probabilit IP'* quivalente IP', sous laquelle le prix
actualis de l'action est une martingale et donner sa densit par rapport IP'.
4. Dans la suite, on se propose d'valuer et de couvrir un call d'chance Tet de
prix d'exercice K sur une action.
(a) Soit (Hf, Ht)os,ts,r une stratgie auto-finance, de valeur vt la date t.
Montrer que si (vt/ Sf) est une martingale sous IP'* avec, de plus, Vr =
(Sr - K)+, alors

\:/t E [O, T],

vt = F(t, St),

o F est la fonction dfinie par

F(t, x) =JE* ( xeftT a(s)dW.-! Jt a2(s)ds - K e- Jt r(s)ds) +


et (Wt) est un mouvement brownien standard sous IP'*.
(b) Expliciter la fonction F et faire le lien avec la formule de Black-Scholes.
(c) Construire une stratgie de couverture du call (expliciter Hf et Ht et
vrifier la condition d'auto-financement).
Problme 2: Modle de Garman-Kohlhagen
Le modle de Garman-Kohlhagen (1983) est le modle le plus couramment utilis
pour l'valuation et la couverture des options de change. Il est directement inspir du
modle de Black-Scholes. Pour fixer les ides, nous nous intresserons des options
'dollar contre euro'. Par exemple, un call europen sur un dollar, d'chance Tau
cours d'exercice K, est le droit d'acheter, la date T, un dollar pour un prix Ken
euros.
Nous noterons St le cours du dollar l'instant t, c'est--dire le nombre d'euros
ncessaire l'achat d'un dollar. L'volution de St au cours du temps est modlise
par l'quation diffrentielle stochastique

dSt

8;

dt

+ adWti

4.8 Problmes

105

o (Wt)tE[O,TJ est un mouvement brownien standard sur l'espace (0, F, IP'), et et


des nombres rels, avec > O. On notera (Ft)tE[O,T] la filtration naturelle de
(Wt)tE[O,TJ et on considrera que Ft reprsente l'ensemble des informations disponibles la date t.

1
1. Expliciter St en fonction de 8 0 , t et Wt. Calculer l'esprance de St.
2. Montrer que si

> 0, le processus

(St)tE[O,T] est une sous-martingale.

3. Soit Ut = 1 /St le taux de conversion de l'euro en dollar. Montrer que Ut


vrifie l'quation diffrentielle stochastique

dUt
2
Ut = ( - )dt - dWt.
En dduire que si 0 < < 2 , les processus (St)tE[O,TJ et (Ut)tE[O,TJ sont,
l'un et l'autre des sous-martingales. En quoi cela peut-il sembler paradoxal?

II
On se propose d'valuer et de couvrir un call europen sur un dollar, d'chance T
et de cours d'exercice K, par une dmarche analogue celle du modle de BlackScholes. Le vendeur de l'option, partir de la richesse initiale que reprsente la
prime, construit une stratgie, dfinissant chaque instant t un portefeuille compos
de Hf euros et Ht dollars, de faon produire, la date T, une richesse gale (en
euros) (Sr - K)+
A une date t, la valeur en euros d'un portefeuille contenant Hf euros et Ht dollars
est videmment
(4.16)
On suppose que les euros sont placs ou emprunts au taux r 0 (taux domestique) et
les dollars au taux ri (taux tranger). Une stratgie auto-finance est alors dfinie
par un processus adapt (Hf, Ht)tE[O,T] tel que
(4.17)

lit est dfinie par l'quation (4.16).


1. Quelles conditions d'intgrabilit doit-on imposer aux processus (Hf) et (Ht)
pour que l'galit (4.17) ait un sens ?
2. Soit Vt = e-rotvt la valeur actualise du portefeuille auto-financ (Hf, Ht).
Dmontrer l'galit

dVt = Hte-rot St(+


3.

ri -

ro)dt + Hte-rot StdWt.

(a) Montrer qu'il existe une probabilit


processus

ffe,

quivalente IP', sous laquelle le

+ri - ro
Wt=
t+Wt
(f

est un mouvement brownien standard.

Chapitre 4 Modle de Black-Scholes

106

(b) On dira d'une stratgie auto-finance qu'elle est admissible si sa valeur


actualise Vt est positive pour tout t et si suptE[O,TJ (Vt) est de carr
intgrable sous ffe. Montrer que la valeur actualise d'une stratgie admissible est une martingale sous ffe.
4. Montrer que si une stratgie admissible simule le call, c'est--dire a pour valeur l'instant T, Vr = (Sr - K)+, alors, pour tout t ::::; T, la valeur de la
stratgie l'instant test donne par

Vt = F(t, St),
o

(Le symbole JE dsigne l'esprance sous la probabilit ffe.)


5. Montrer (par un calcul dtaill) que

o N est la fonction de rpartition de la loi normale centre rduite, et


2
d1 -_log(x/K)+(ro-r 1 +(a /2))(T-t)
avT-t
'

d2=d1-avT-t.

6. On demande maintenant de montrer que !'option est effectivement simulable.


(a) On pose St

= e(r, -ro)t St. Montrer l'galit

(b) Soit F la fonction dfinie par F(t, x) = e-rot F(t, xe(ro-r1)t) (F


dsignant la fonction dfinie dans la Question 4). Soit Ct = F(t, St)
et t = e-rotct = F(t, St) Montrer l'galit

(c) En dduire que le call est simulable et expliciter le portefeuille (Hf, Ht)
simulant cette option.
7. crire une relation de parit call-put, analogue celle vue en cours dans le
cas des actions, et donner un exemple d'arbitrage si cette relation n'est pas
vrifie.
Problme 3: Options d'change
On considre un march financier dans lequel il y a deux actifs risqus, de prix
l'instant t, et un actif sans risque de prix Sf = ert l'instant
respectifs Sf et

s;

4.8 Problmes

107

t. L'volution des prix Sf et Sf au cours du temps est modlise par les quations
diffrentielles stochastiques

{ dSf
dSf

Sf(1 dt + 0"1 Bi)


Sf (2dt + 0"2dBf),

o (Bf)tE[O,T] et (Bf)tE[O,TJ sont deux mouvements browniens standards


indpendants, dfinis sur un espace de probabilit (n, F, IP'), i, 2. 0"1 et 0"2 sont des
constantes relles, avec 0" 1 > 0 et 0"2 > O. On note Ft la tribu engendre par les variables alatoires B; et B; pour s :::; t. Les processus (Bf )tE[O,T] et (Bf)tE[O,TJ sont
alors des (Ft)-mouvements browniens et, pour t ~ s, le vecteur (Bf-B;, Bf-B;)
est indpendant de F 8
Nous allons tudier l'valuation et la couverture d'une option donnant le droit
d'changer, la date T, un des actifs risqus contre l'autre.

1
1. On pose (Ji
dfini par

= ( 1 - r)/0" 1 et fh = ( 2 - r)/0"2.
Mt= exp (-e1Bf - B2Bz -

Montrer que le processus

~(Of+ BD t)

est une martingale par rapport la filtration (Ft)tE[O,TJ


2. Soit ffe la probabilit de densit Mr par rapport IP'. On introduit les processus
W 1 et W 2 dfinis par Wl = Bf + B1t et W? = Bf + B2t. Calculer, sous
la probabilit Jii>, la fonction caractristique du couple (Wl, W?}. En dduire
que, pour tout t E [O, T], les variables alatoires Wl et W? sont, sous ffe, des
gaussiennes indpendantes centres de variance t.
Pour la suite, on pourra admettre que, sous la probabilit ffe, les processus
(Wl )o::;t::;T et (W?}o::;t::;r sont des (Ft)-mouvements browniens standards
indpendants et que, pour t ~ s, le vecteur (Wl - W 81 , Wt2 - W.?} est
indpendant de F 8

s;

3. Exprimer Sf et
_en fonction de s~' s5' Wl et W?' et montrer que, sous
les prix actualiss Sf = e-rt Sf, et Sf, sont des martingales.

ffe,

II
On se propose d'valuer et de couvrir une option europenne d'chance T, donnant

son dtenteur le droit d'changer une unit de l'actif 2 contre une unit de l'actif
1. Pour cela, on utilise la mme dmarche que dans le modle de Black-Scholes. Le
vendeur de 1' option, partir de la richesse initiale que constitue la prime, construit
une stratgie dfinissant chaque instant t un portefeuille compos de Hf units de

l'actif sans risque et Hf et Hf units des actifs 1 et 2, respectivement, de faon


produire, la date T, une richesse gale (S} - S:} )+Une stratgie de gestion est
donc dfinie par les trois processus H 0 , H 1 et H 2 .

Chapitre 4 Modle de Black-Scholes

108

1. Dfinir de faon prcise les stratgies auto-finances et montrer que, si Vt


e-rtyt est la valeur actualise d'une stratgie auto-finance, on a

dVt = Hle-rt Sl<J1dWl

+ H(e-rt S'f <J2dWl.

2. Montrer que si les processus (Hl )o::;t::;T et (Ht)o::;t::;T d'une stratgie autofinance sont uniformment borns (ce qui signifie qu'il existe C > 0, tel que,
pour tout (t,w) E [,T] x D, IHl(w)I::; C, po~r i = 1,2), alors la valeur
actualise de la stratgie est une martingale sous lP'.
3. Montrer que si une stratgie auto-finance vrifie les hypothses de la question
prcdente et a pour valeur terminale Vr = (S} - Sf )+, sa valeur tout
instant t < T est donne par

vt = F(t, Bl, S'f),

(4.18)

o la fonction F est dfinie par

F(t, X1' x2) = J ( X1ea1(Wj-W,1)-;.(T-t)

- x2ea2(Wi-W,2)-;i(T-t)) +'

(4.19)
le symbole JE dsignant l'esprance sous lP'. L'existence d'une stratgie autofinance ayant cette valeur sera montre plus tard. On considrera dans la suite
que la valeur de l'option (S} - Sf )+ la date test donne par F(t, Sl, Sl).
4. Montrer une relation de parit entre la valeur de l'option (S} - Sf) + et celle
de l'option symtrique (Sf - S})+, analogue la relation de parit call-put,
et donner un exemple d'arbitrage possible, si cette relation n'est pas vrifie.

III
Le but de cette partie est d'expliciter la fonction F dfinie par (4.19) et de construire
une stratgie simulant !'option.
1. Soit 9 1 et 9 2 deux gaussiennes centres rduites indpendantes et soit >. un
nombre rel.
(a) Montrer que, sous la probabilit JP'(>.), de densit par rapport lP' donne
par
dJP'(>.)

les variables alatoires 9 1 indpendantes.

= e>.91 ->.2 ;2

dlP'
)
>. et 92 sont des gaussiennes centres rduites

(b) En dduire que, pour tous rels y1, y2,

>. 1 et >.2, on a

eYt +>.U2 N

(Y1 - Y2

+ >.i)

J>.i+>.~

-ey2+>.~/2 N ( Y1 - Y2 - >.~)
J>.i + >.~ ,
o N est la fonction de rpartition de la loi normale centre rduite.

4.8 Problmes

109

2. Dduire de la question prcdente une expression de F l'aide de la fonction

N.
3. On pose t

= e-rt F(t, Sf, St). En remarquant que


-

-1

-2

- (

Ct=F(t,St,St)="IE e

-rT

(Sr-Sr)+IFt,

montrer l'galit

F
-1 -2
-rt 1
1
F
-1 -2
-rt 2
2
dCt = -8 (t, St, St )aie St dWt + -8 (t, St, St )a2e St dWt.
X1
X2
On pourra utiliser le fait que si (Xt) est un processus d'It de la forme Xt =
t
t
t
Xa +fa J1dW] +fa J;dw; +fa K 8 ds, et est une martingale sous IP', alors
Kt = 0, dtdffe presque partout.
4. Construire une stratgie de couverture de l'option d'change.
Problme 4 : tude de stratgies avec consommation
On considre un march financier dans lequel il y a un actif sans risque, de prix
Sf = ert l'instant t (avec r ~ 0) et un actif risqu, de prix St l'instant t. Le
modle est tudi sur l'intervalle de temps [O, T] (avec 0 ::::; T < oo). Dans ce qui
suit, (St)a<t<T est un processus stochastique dfini sur un espace de probabilit
(rl, F, IP'), muni d'une filtration (Ft)a$t$T On suppose que (Ft)a$t$T est la filtration naturelle d'un mouvement brownien standard (Bt)a$t$T et que le processus
(St)a<t<T est adapt cette filtration.
Nous allons tudier des stratgies dans lesquelles la consommation est autorise.
L'volution de (St)a$t$T est rgie par le modle de Black-Scholes

dSt

= St(dt + adBt),

avec E lR et a > O. On note IP'* la probabilit de densit exp( -BBr - B2 T /2)


par rapport IP', avec = ( - r)/a. Sous IP'*, le processus (Wt)a9$T dfini par
Wt = ( - r)t/a +Bi. est un mouvement brownien standard.
Une stratgie de consommation est dfinie par trois processus stochastiques
(Hf)a$t$T (Ht)a$t$T et (c(t))a$t$T Les nombres Hf et Ht reprsentent les
quantits d'actif sans risque et d'actif risqu dtenues l'instant t et c(t) reprsente
le taux de consommation l'instant t. On dit qu'une telle stratgie est admissible si
les conditions suivantes sont ralises.

(i) Les processus (Hf)a$t$T (Ht)a$t$T et (c(t))a$t$T sont adapts et vrifient

1r
(ii) Pour tout t E

(IH~I + Ht + lc(t)l)dt < oo,

p.s.

[O, T],
Hgsg

+ HaSa + 1t H~dS~

+ 1t HudSu -1t c(u)du,

p.s.

Chapitre 4 Modle de Black-Scholes

110

[O, T], c(t) 2'. 0 p.s.


[O, T], la variable alatoire Hf Sf + HtSt est positive et

(iii) Pour tout t E

(iv) Pour t E

+ HtSt + ft c( s )ds)

sup (HP s?

lo

tE(O,T)

est de carr intgrable sous la probabilit IP'*.

1. Soit (Hf)o<t<T. (Ht)o<t<T et (c(t))o<t<T trois processus adapts vrifiant

=HP

Sf +HtSt et V,, = e-rtvt. Montrer


la condition-Ci) ci-dessus~ On pose vt
qu'alors la condition (ii) est vrifie si et seulement si on a, pour tout t E [O, T],

1t = Vo +lot HudSu avec Bu

lot (u)du,

p.s.,

= e-rusu et c(u) = e-ruc(u).

2. On suppose que les conditions (i) (iv) sont vrifies et on note encore 1t =
e-rtvt = e-rt (Hf Sf + HtSt). Montrer que le processus ('it)o:s:t:S:T est une
sur-martingale sous la probabilit IP'*.
3. Soit (c( t) )o<t<T un processus adapt, valeurs positives tel que
E*

(J T c(t)d~f
0

<

oo et soit x

> O.

On dit que (c(t))o:s:t:S:T est un pro-

cessus de consommationfinanable partir de la richesse initiale x s'il existe


des processus (Hf)o<t<T et (Ht)o:s:t:S:T tels que les conditions (i) (iv) soient
vrifies avec, de plus, Vo

= H8 sg + HoSo = x.

(a) Montrer que si le processus (c(t))o<t<T est finanable partir de la richesse initiale x, alors E*

(J T e-rt~(;)dt) :s; x.
0

(b) Soit (c(t))o:s:t:S:T un processus adapt, positif, tel que

Montrer que (c( t) )o:s:t:S:T est un processus de consommation finanable


partir de la richesse initiale x. On introduira la martingale (M(t))o<t<T
dfinie par Mt

E* ( x

+ J0T e-rsc(s)ds .Ft)


1

et on lui

appliqu~a-le

Thorme de Reprsentation des Martingales.)


(c) Un investisseur disposant d'une richesse initiale x souhaite consommer
une richesse correspondant la vente de p actifs risqus par unit de
temps tant que St dpasse un certain niveau K (ce qui correspond
c(t) = pStl{s,>I\}). A quelle condition sur pet x cette consommation
est-elle finanable?

Problme 5 : Monotonie des prix d'options par rapport la volatilit


Dans ce problme, on considre un march financier avec un actif sans risque (de
prix Sf = e"t l'instant t) et un actif risqu, de prix St l'instant t. On suppose que

4.8 Problmes

111

le processus (St)o<t<T est solution d'une quation diffrentielle stochastique de la


forme
(4.20)
dSt = St(dt + a(t)dBt),
o E IR et (a( t) )o:s;t:s;r est un processus adapt la filtration naturelle de
(Bt)o:s;t:s;r. vrifiant

'Vt E [O, T],

a(t) :::;

ai :::;

a2,

pour des constantes ai et a2 telles que 0 < ai < a 2 . On considre un call europen
d'chance Tet de prix d'exercice K sur une unit d'actif risqu. On sait (cf. Chapitre 5) que si le processus (a(t))o:s;t:s;r est constant (avec a(t) =a pour tout t), le
prix du call l'instant test C(t, St), o la fonction C(t, x) vrifie

fJC
a 2 x 2 fJ 2 C
{ at(t, x) + - 2- fJx 2 (t, x)
C(T, x) = (x - K)+

fJC

+ rx fJx (t, x) - rC(t, x) = 0,

t E [O,T),x

>0

On note Ci la fonction C correspondant au cas a = ai (i = 1, 2). Nous allons


montrer que le prix du call l'instant 0 dans le modle volatilit stochastique cidessus est compris entre Ci (0, Sa) et C2(0, Sa).
On rappelle que si ( Bt)o<t<T est un processus adapt born, le processus

(Lt)o:s;t:s;r dfini par Lt

=ex~ u~ BsdBs - ~ f~ e;ds)

est une martingale.

1. Montrer (en utilisant les formules de prix sous forme d'esprances) que les
fonctions x f--7 Ci(t, x) (i = 1, 2) sont convexes.
2. Montrer que la solution de l'quation (4.20) est donne par

3. Dterminer une probabilit IP'* quivalente IP', sous laquelle le processus


dfini par Wt = Bt+ J~(-r)/a(s)ds soit un mouvement brownien standard.
4. Expliquer pourquoi le prix du call l'instant 0 est donn par

Co= JE* (e-rT(Sr - K)+).


5. On pose St = e-rt St. Montrer que JE* (

s;) : :; sgea~t.

6. Montrer que le processus dfini par

est une martingale sous la probabilit IP'*.


7. En utilisant la formule d' It et les Questions 1 et 6, montrer que
(e-rtci(t,St)) est une sous-martingale sous la probabilit IP'*. En dduire
que Ci (0, Sa) :::; Ca.
8. Dmontrer l'ingalit C0

:::;

C 2 (0, Sa).

Chapitre 4 Modle de Black-Scholes

112

Problme 6 : Formule de Dupire


On considre un modle volatilit locale, dans lequel le prix de l'actif risqu St
vrifie l'quation
(4.21)
o B = (Btk~o est un mouvement brownien standard, dfini sur (D, A, JP>), :
~+ --+ ~ est une fonction continue (dterministe) et a : ~+ x ~ --+ ~ est une
fonction continue telle que

Vt20,

V(x,y)E~ 2 ,

jxa(t,x)-ya(t,y)j:S:Mjx-yj

et

V(t, x) E ~+ x ~.

a(t, x) 2 m,

o m et M sont des constantes positives. Pour simplifier, on suppose que le taux


la filtration naturelle de (Bt)t>O
d'intrt est nul. On note F = (Ft)t>o
1. Montrer que pour tout x E
vrifiant So = x.

~.

l'quation (4.21) a une et une seule solution

2. Montrer que si S est solution de (4.21), on a, pour t

2 0,

3. Dans tout le problme, on suppose que S est solution de (4.21) et que le prix
initial S 0 est un nombre rel strictement positif (dterministe). Montrer que la
filtration naturelle du processus (Stk:::o est gale F. (Indication : crire Bt
sous forme d'un intgrale stochastique par rapport au processus (St)t>o-)
4. Soit L la martingale dfinie par Lt = exp ( -

Bt = (t)/a(t, St). On fixe l'horizon


note JP>* la probabilit donne par

J; BudBu - ~ J; e'?,, du), avec

du modle (0

~; = Lr. Pour TE

< T < +oo) et on


[O, f'], on dsigne par

C(T, K) le prix d'un call d'chance Tet de prix d'exercice K.


(a) Montrer que, pour (t, x) E ~+ x ~. a(t, x) :S: M. En dduire que, pour
0 :S: t :S:

f'etp 2 l,JE*(Sf) :S: sgexp

(r ;PM t).
2

(b) Justifier brivement l'galit C(T, K)

JE* (Sr - K)+, pour T E

[O,f'].
(c) En utilisant le fait que S est une martingale sous IP'*, montrer que, pour
K 2 0, la fonction T 1---7 C(T, K) est croissante sur [O, f']. Montrer que
la fonction (T, K) 1---7 C(T, K) est continue sur [O, f'] x ~+.
(d) Montrer que
JE* [(Sr - K)+] 2

r+oo C(T, y)dy.

= 2 JK

4.8 Problmes

113

5. On pose Jo(x)

= (x+) 2 et, pour c > 0,


JE(X) = {

~;

if X<
if XE [0, c]
if X> .

x2

EX+

f_

(a) Montrer que, pour > 0, JE est de classe C 2' que limE-+ JE (X)
pour tout x E IR, et que

Vx

:::=:

0,

0 :S JE(x) :S Jo(x),

(b) Montrer que, pour K

:::=:

0 :S J:(x) :S 2x,

0 et TE

= J0 (x)

0 :S J:'(x) :S 2.

[O, f'],

= JE(So - K)

JE* JE(Sr - K)

+~IE* (for J:'(Su - K)S~ 2 (u, Su)du) .


6. On suppose que, pour chaque t E]O, f'], la variable alatoire St a, sous la
probabilit IP'*, une densit p( t, ), avec (t, x) f-t p( t, x) continue sur JO, f'] x
IR+.
(a) Montrer que, pour 0

a2 c

< T :ST et K > 0, p(T, K) = K2 (T, K).

(b) Montrer, en utilisant la Question 5, que

JE* [(Sr - K)+] 2

= (So - K)i
+for (l+oo Y20'2(u, y)p(u, y)dy) du.

(c) Dduire de ce qui prcde, que pour 0

C (T K)
T '

< T :S f' et K > 0, on a

K20'2(T, K) a2c (T K)
2

8K 2

'

Problme 7 : Option sur option


On considre un march financier avec un actif sans risque, de prix Sf = ert l'instant t (avec r :::=: 0), et un actif risqu, de prix St l'instant t. Le modle est tudi sur
l'intervalle de temps [, T] (0 :S T < oo). Soit (St)o<t<r un processus stochastique
dfini sur un espace de probabilit (0, :F, IP'), muni d'une filtration (:Ft)o<t<r On
suppose que (:Ft)o<t<r est la filtration naturelle d'un mouvement brownien standard
(Bt)o<5,t<5,r et que I'~olution de (St)o<5,t<5,r est rgie par le modle de Black-Scholes

dSt = St(dt

+ dBt),

avec E IR et O' > O.


On se propose d'tudier un exemple d'option sur option. On considre une option
d'achat d'chance Ti E (0, T) et de prix d'exercice Ki sur un call d'chance Tet
de prix d'exercice K. La valeur de cette option l'instant Ti est donc

= (C(Ti, Sri) - Ki)+,

o C( t, x) est le prix du call sous-jacent, donn par la formule de Black-Scholes.

114

1.

Chapitre 4 Modle de Black-Scholes


(a) Dessiner le graphe de la fonction x r---+ C(Ti, x ). Montrer que la droite
d'quation y = x - K e-r(T-T,) est une asymptote (on pourra utiliser la
formule de parit call-put).
(b) Montrer que l'quation C(Ti, x) =Ki admet une unique solution xi.

2. Montrer que la valeur un instant t < Ti, de !'option dfinie par h est donne
par G(Ti - t, St), la fonction G tant dfinie par

o g est une gaussienne centre rduite.


3.

(a) Montrer que la fonction x

r---+

G(B, x) est croissante, convexe.

(b) On cherche maintenant expliciter G. On note N la fonction de

rpartition de la loi normale centre rduite et = r - (a 2 /2). Montrer l'galit

G(B, x) =JE [e-r 11 C (Ti, xeli+o-v'eg) l{g > -d} J - Kie-rli N(d),
o

d _ log(x/xi) + (r - a 2 /2)0

aV

(c) Montrer que si gi est une gaussienne centre rduite indpendante de g,


on a, en posant Bi = T - Ti,

G(B, x) + Kie-rli N(d) =JE [ ( xe"(v'eg+ff,g,)- "22 0 - K e-rt)


o

B=

1A] ,

() + Bi et l'vnement A est dfini par

A=

{a( VBg + J"{i;gi) > -

(log(x/ Ki)+

B)

et g

>

-d} .

(d) Dduire de ce qui prcde une expression de G(B, x) l'aide de Net de


la fonction de rpartition N 2 de la loi normale hi-dimensionnelle, dfinie
par

4. Montrer que l'on peut couvrir parfaitement l'option sur option tudie l'aide
d'un portefeuille ne contenant que des actifs sans risque et des calls sur l'actif
risqu sous-jacent.

Problme 8: Comportement du prix critique prs de l'chance


On considre un put amricain d'chance T et de prix d'exercice K sur une
unit d'actif risqu de prix St l'instant t. Dans le modle de Black-Scholes, le prix
un instant t < T de cette option est gal P(t, St), la fonction Ptant dfinie par

P(t,x) =

sup
rETo,T-t

JE* (Ke-rr -xe"wT-"22r)

4.8 Problmes

115

o To,T-t est l'ensemble des temps d'arrt valeurs dans [O, T-t] et (Wt)o$t$T est,
sous ]p>*, un mouvement brownien standard. On suppose aussi r > O. Pour t E [O, T[,
on note s(t) le prix critique l'instant t, dfini par

s(t) = inf{x > 01 P(t,x) > K - x}.


On peut montrer que limt->T s(t) =K.
Le but de ce problme est de prciser ce rsultat et de prouver que
K - s(t)
lim
= +oo.

t->T

../T- t

1. Soit Pe la fonction donnant le prix du put europen d'chance Tet de prix


d'exercice K :

P.e (t ,x ) -_ JE ( e -r(T-t)K _ xe u,/T-tg-

0-

(T-t))

o g est une gaussienne centre rduite. Montrer que, si t E [O, T[, l'quation
Pe(t,x) = K - x a une unique solution dans ]O,K[. On note se(t) cette
solution.
2. Montrer que s(t) ::::; se(t), pour tout t E

[O, T].

3. Montrer que :

- Be(t) 2: JE (l" . f K - Be(t)


1.t->T. f KvT-t
t->T vT-t
lffilll

lffilll

-(}"

K g)

On utilisera le lemme de Fatou : pour toute suite (Xn)nEN de variables


alatoires positives, JE(lim infn->oo Xn) ::::; lim infn->oo JE(Xn).
4.

(a) Montrer que, pour tout nombre rel TJ,


JE(ry - Kag)+

> T/

(b) En dduire que

. K - Be(t)
1im
t->T ../T - t

. K - s(t)
t->T ../T - t

= 1im

= +oo.

Problme 9 : Option sur moyenne


On considre un march financier dans lequel il y a un actif sans risque, de prix
ert l'instant t (avec r 2: 0) et un actif risqu, de prix St l'instant t. Le
modle est tudi sur l'intervalle de temps [O, T] (0 ::::; T < oo). Le processus stochastique (St)o$t$T est dfini sur un espace de probabilit (n, F, P), muni d'une
filtration (Ft)O$t$T On suppose que (Ft)O$t$T est la filtration naturelle d'un mouvement brownien standard (Bt)o<t<T
- - et que l'volution du processus (St)o<t<T
- - est
rgie par le modle de Black-Scholes

sp =

dSt = St(dt

+ adBt),

Chapitre 4 Modle de Black-Scholes

116

avec E lR et a > O. On notera lP'* la probabilit de densit e-OBr- 8 2r par rapport


lP',avecO = (-r)/a.SouslP'*,leprocessus (Wt)a::;t::;r,dfiniparWt = ~t+Bt,
est un mouvement brownien standard.
Nous allons tudier une option dont la valeur la date d'chance Test donne
par

o K est une constante positive. Une telle option est appele option asiatique.

1
1. Rappeler brivement pourquoi la valeur un instant t (t ::::; T) de l'option
asiatique ci-dessus est donne par :

2. Montrer que sur l'vnement

lit

e-r(T-t)
=

{-1' J~ Sudu ::=: K }. on a:

Ja Sudu

1 _ e-r(T-t)

rT

St - K e-r(T-t).

3. On pose St= e-rtst,pourt E [O,T].


(a) Dmontrer l'ingalit

(Indication : conditionner par Ft).


(b) En dduire que

Va::::; IE*[e-rT(Sr - K)+J,


i.e. la valeur de l'option asiatique est plus petite que celle d'un call europen d'chance Tet de prix d'exercice K.
(c) Pour t ::::; u, on note Ct,u la valeur l'instant t d'un call europen
d'chance u et de prix d'exercice K. Montrer l'ingalit:

11t

e-r(T-t)t ( V.t <


T
t

S du - K
u

II
On note (t)a::;t::;r le processus dfini par

) + -1
+

lT e-r(T-u)Ct du.
t

,u

4.8 Problmes

117

1. Montrer que (t)o:::;t:s;T est solution de l'quation diffrentielle stochastique

2.

(a) Montrer que

v, ~ e-"(T-ls,E'

( + ~ {

avec S! =exp ((r - a 2 /2)(u - t)


(b) En dduire que

S!du) /']

+ o-(Wu -

Wt)).

lit = e-r(T-t) StF(t, t). avec

3. Dterminer une stratgie de couverture parfaite del' option tudie. On admettra que la fonction F introduite prcdemment est de classe C 2 sur [O, T[ x!R
et on utilisera la formule d'It.

III
L'objet de cette partie est de proposer une approximation par dfaut de V0 consistant
remplacer la moyenne arithmtique par la moyenne gomtrique. On pose ainsi :

1. Montrer que Vo ~ Vo.


2.

(a) Montrer que, sous JP'*, la variable alatoire


centre de variance

~3

f0T Wtdt est une gaussienne

(b) En dduire que

Vo = e-rTIE ( So exp ( (r - a 2 /2)(T/2)

+ O"/T13g) -

K) +,

o g est une gaussienne centre rduite. Donner un formule explicite pour

V0 l'aide de la fonction de rpartition de la loi normale centre rduite.


3. Dmontrer l'ingalit

Chapitre 5

,,

Evaluation des options et


quations aux drives
partielles
Nous avons vu, au chapitre prcdent, que l'on pouvait obtenir une formule explicite du prix d'une option europenne "vanille" (i.e. un "call" ou un "put"), dans
le cadre du modle de Black et Scholes. Lorsque l'on s'intresse des modles plus
complexes il est, le plus souvent, impossible de trouver des formules explicites pour
les prix d'options. C'est aussi le cas, lorsque l'on cherche calculer des prix d'options amricaines, y compris dans le modle de Black et Scholes. On a alors recours
des mthodes numriques. L'objectif de ce chapitre est d'introduire le lien entre diffusions et quations aux drives partielles et de prsenter des mthodes numriques
utilisant ce lien.
On commence par tablir le lien entre le problme du calcul du prix des options
europennes et une quation aux drives partielles de type parabolique . Ce lien est
fond sur la notion de gnrateur infinitsimal d'une diffusion. On montre comment
rsoudre numriquement le problme parabolique ainsi obtenu.
Le problme du calcul des prix d'options amricaines est plus dlicat, nous ne
l'abordons pas dans sa gnralit, mais uniquement dans le cadre du modle de Black
et Scholes. On montre en particulier le lien naturel entre la notion d'enveloppe de
Snell et un systme d'inquations aux drives partielles de type parabolique, et l'on
indique comment traiter numriquement ce type d'inquation.
Les mthodes d'analyse numrique employes dans ce chapitre tant classiques,
nous n'avons fait que rappeler les rsultats qui nous sont utiles sans chercher les justifier en dtail. On trouvera une introduction la rsolution numrique des quations
aux drives partielles dans Ciarlet et Lions (1990) ou Raviart et Thomas (1983).
119

120

Chapitre 5 valuation des options et quations aux drives partielles

5.1

Calculs de prix d'options europennes pour les


modles de diffusion

Dans le modle de Black et Scholes, la valeur d'une option europenne est


donne par

vt = JE(e-r(T-t) f(Sr)!Ft),

o f(x)

= (x - K)+

(pour un "call"), (K - x)+ (pour un "put"), avec

S T -_ S 0 e(r-a 2 /2)T+aWr
Le calcul du prix d'une option europenne est un cas particulier du problme suivant.
Soit (Xt)t;:'.'. 0 une diffusion valeurs dans lR, solution de
(5.1)
o b et t7 sont des fonctions valeurs relles vrifiant les hypothses du
thorme 3.5.3 du chapitre 3 et r( t, x) une fonction continue borne modlisant le
taux d'intrt sans risque. On cherche calculer

Comme dans le cas du modle de Black et Scholes,

vt s'crit

vt = F(t, Xt),
o

avec

F(t, x) =JE ( e- Jt r(s,X!")ds f (X~x)),

x;,x qui est la solution de (5.l) issue de x l'instant t. Intuitivement on a :


F(t, x) =JE ( e- ft r(s,X,)ds f(Xr )!Xt

=X).

Mathmatiquement, ce rsultat est consquence du thorme 3.5.9 du chapitre 3. Le


calcul de vt se ramne ainsi au calcul de la fonction F(t, x). Cette fonction F(t, x)
peut (sous certaines hypothses de rgularit que nous allons prciser) s'exprimer
comme la solution unique de l'quation aux drives partielles

\ix

IR.,

u(T,x) = f(x)

(u/t + Atu - ru)(t, x) = 0,

Atu(t,x)=

t7 2 (t,x)

\i(t, x) E [O, t) x IR.,

(5.2)

2u
u
x 2 (t,x)+b(t,x) 0 x(t,x).

Avant de prouver ce rsultat, nous commenons par indiquer pourquoi l'oprateur


At intervient de faon naturelle lorsque l'on tudie des solutions d'quations
diffrentielles stochastiques.

5.1 Calculs de prix d'options europennes pour les modles de diffusion

5.1.1

121

Gnrateur infinitsimal d'une diffusion

Nous supposons que b et ne dpendent pas du temps. On note (Xt)t2".0 une


solution de
(5.3)

une fonction de classe C 2 drives bornes et A


l'oprateur diffrentiel qui une fonction f de classe C 2 associe

Proposition 5.1.1 Soient

(Af)(x) = 2~x) J"(x)


Alors, le processus Mt

Dmonstration.

+ b(x)J'(x).

= f(Xt) - J~ Af(Xs)ds est une (:Ft)-martingale.

La formule d'It conduit

D'o

f(Xt)

f(Xo)

+ 1t J'(Xs)(Xs)dWs

+ 1t D 2 (Xs)J"(X + b(Xs)J'(Xs)] ds
8 )

et la proposition rsulte du fait que l'intgrale stochastique J~ J' (X 8 )(Xs)dW8 est


une martingale. En effet, si l'on tient compte du thorme 3.5.3 du chapitre 3 et du
fait que I(x)I est major par K(l + lxl), on obtient

JE (1t IJ'(Xs)i21(Xs)l 2
:::; Ktsup lf'(x)l2
xE~

ds)

(i +JE

(sup IXsl 2 ) ) < +oo.


s~t

Remarque 5.1.1 Si on note X'f la solution de l'quation diffrentielle stochastique


(5.3) telle que X 0 =X, on dduit de la proposition 5.1.1 que

JE(f(Xf)) = f(x) +JE (1t Af(x:)ds) .


De plus, comme les drives de f sont bornes par une constante K f et que
I(x)I :::; K(l + lxl) on a

JE(~~? IAf(x:1)

:::; Kj (

1+JE(~~?1x:1 2 )) < +oo.

1b(x)1 +

122

Chapitre 5 valuation des options et quations aux drives partielles

On peut donc appliquer le thorme de Lebesgue (x


fonctions continues) pour en dduire que :

1-7

Af(x) et s

1-7

X'; sont des

lim JE(~ {t Af (X:) ds) = Af(x).


ddt JE (f (Xf)) lt= = t-o
tk
L'oprateur diffrentiel A est appel le gnrateur infinitsimal de la diffusion. Pour
des complments sur le gnrateur infinitsimal d'une diffusion on pourra consulter
Bouleau (1988) chapitre 8.
La proposition 5.1.1 se gnralise au cas dpendant du temps. On suppose que b et
a vrifient les hypothses du thorme 3.5.3 du chapitre 3 assurant l'existence et
l'unicit des solutions de l'quation diffrentielle stochastique (5.1).

Proposition 5.1.3 Si u(t, x) est une fonction de classe C 1 2 en (t, x) drive en x


borne et Xt est une solution de (5.1), le processus:

Mt = u(t, Xt) - lat (

~~ + A u) (s, Xs)ds
8

est une martingale, As tant l'oprateur diffrentiel (agissant sur la variable x)


dfini par

La dmonstration est analogue celle de la proposition 5.1.1 : on utilise, cette


fois, la formule d'It pour une fonction du temps et d'un processus d'It (voir le
thorme 3.4.10 du chapitre 3).
Pour tudier des quantits actualises, on tend lgrement le rsultat prcdent.

Proposition 5.1.4 Sous les hypothses de la proposition 5.1.3, si r(t, x) est une
fonction continue, borne sur JR+ x R le processus

est une martingale.


Dmonstration.

Cette proposition se dmontre en diffrenciant le produit

e-J; r(s,X.)dsu(t, Xt),


grce la formule d'intgration par parties (voir la proposition 3.4.12 du chapitre 3),
puis en appliquant, comme prcdemment, la formule d'It au processus u(t, Xt).o
Ce rsultat se gnralise aux cas des diffusions valeurs vectorielles. Soit !'quation
diffrentielle stochastique

(5.4)

5.1 Calculs de prix d'options europennes pour les modles de diffusion

123

On suppose que les hypothses du thorme 3.5.5 du chapitre 3 sont vrifies. On


introduit, pour chaque t, l'oprateur diffrentiel At qui une fonction f de classe C 2
de Rn dans fi?. associe la fonction :

(Atf)(x) =

82 f

2L

ai,j(t, x) xx. (x)

i,j=l

+ L bj(t, x) x. (x),
j=l

o aij (t, x) est la matrice dfinie par :


p

%(t, x) =

L aik(t, x)ajk(t, x).


k=l

Avec des notations matricielles a(t, x)


la matrice a(t, x) = (aij(t, x)) t,J
. ..

= a(t, x)a*(t, x), o a* est la transpose de

Proposition 5.1.5 Si (Xt) est une solution du systme (5.4), si u(t, x) est une fonction valeur relle de classe C 1 2 en (t, x) drive en x borne sur fi?.+ x Rn et si
r(t, x) est une fonction continue borne sur fi?.+ x fi?., le processus

est une martingale.


La dmonstration de cette proposition repose sur la formule d'It multidimensionnelle nonce dans la proposition 3.4.18.

Remarque 5.1.2 L'oprateur diffrentiel / t +At est parfois appel oprateur de


Dynkin de la diffusion.

5.1.2

Calculs d'esprances et quations aux drives partielles

Nous allons, maintenant, tablir le lien existant entre le calcul du prix d'une
option europenne et une quation aux drives partielles de type parabolique. On
se donne (Xt)t::::o une diffusion valeurs dans Rn, solution du systme (5.4), f (x)
une fonction de Rn dans fi?., r( t, x) une fonction continue et borne. On cherche
valuer:
lit = lE ( e- Jt r(s,X.)ds J(Xr )l.Ft).
On peut prouver de faon analogue ce que nous avons vu au dbut de ce chapitre,
lorsque n = 1, que

vt = F(t, Xt),
avec, si l'on note xt,x la solution unique de (5.4) issue de x l'instant t,

Le rsultat suivant permet de relier la fonction F une quation aux drives partielles parabolique.

124

Chapitre 5 valuation des options et quations aux drives partielles

Thorme 5.1.7 Soit u une fonction de classe C 1 2 en (t, x) drive en


sur [O, T] X lRn, vrifiant

borne

u(T,x) = f(x)
et

( ~~ + tU -

ru) (t, x) = 0

V'(t, x)

[O, T) x lRn,

alors:

V'(t, x) E [O, T)

u(t, x) = F(t, x) =JE ( e- ft r(s,X!x)ds f (X~x))

lRn,

Dmonstration. Prouvons l'galit u( t, x)


tion 5.1.5, on sait que le processus

= F( t, x)

pour t

O. Par la proposi-

Mt = e- J; r(s,X~x)dsu(t, Xf'x)
est une martingale. En crivant JE(M0 ) = JE(Mr) on obtient:

u(O,x)

JE ( e- ft r(s,X~x)dsu ( T, X~,x))
JE ( e- f 0T r(s,X~x)ds j ( X~,x))

puisque u(T, x)

'

= J(x). La dmonstration est similaire lorsque t >O.

Remarque 5.1.3 Le thorme 5. 1. 7 suggre la mthode suivante pour calculer

F(t, x) =JE ( e-ft r(s,X!"')ds J (Xix))

tant donne, il suffit de rsoudre le problme

{ au
at + tU - ru = 0
u(T, x) = f(x),

dans [O, T)
E

X ]Rn

(5.5)

!Rn.

Le problme (5,5) est une quation de type parabolique avec condition terminale (la
fonction u(T, .) tant donne).
Pour que ce problme soit bien pos, il faut se placer dans un espace fonctionnel adquat (voir Raviart et Thomas (1983)). Une fois ce cadre dfini, il existe des
thormes d'existence et d'unicit et on pourra affirmer que la solution u de (5.5)
est gale F si on peut prouver que cette solution est suffisamment rgulire
pour que l'on puisse appliquer la proposition 5 .1.4. Ce genre de rsultats s'obtient
gnralement sous une hypothse d'ellipticit pour l'oprateur At, de la forme, pour
tout (t,x) E [O,T] x ]Rn,

V'(i,. . .,n)

E lRn,

.L::Uij(t,x)ij
y

~C

(te).

(5.6)

=l

et sous des hypothses de rgularit sur b et a.


En l'absence d'hypothse d'ellipticit et pour des fonctions de "payoff" f
irrgulire, une notion de solution faible peut tre utilise pour caractriser F
(voir Fleming et Soner (2006)).

5.1 Calculs de prix d'options europennes pour les modles de diffusion

5.1.3

125

Application au modle de Black et Scholes

On se place sous la probabilit IP'* pour laquelle le processus (Wt)t>o est un


mouvement brownien standard et telle que le prix St de l'actif risqu vrifie

= St(rdt + adWt)

dSt

L'oprateur At est alors indpendant du temps et vaut

On peut vrifier (par un calcul direct) que le prix du "call" donn par la formule
F(t, x) = xN(d 1 ) - Ke-r(T-t) N(d 1 - aJT - t) avec
log(x/ K)

+ (r + a 2 /2)(T -

t)

aJT-t
N(d)
est solution de l'quation

~~ + A~s -

ru

=0

[O, T) x [O, +oo)


'Vx E [O, +oo).

in

u(T, x) = (x - K)+,

On a un rsultat analogue pour le put.


L'oprateur Abs ne vrifie pas la condition d'ellipticit (5.6). On peut, cependant,
se ramener un oprateur elliptique en introduisant le processus Xt = log (St), qui
est solution de

puisque

St -_

cr e(r-a 2 /2)t+aw,
00
.

Le gnrateur infinitsimal du processus Xt, s'crit:

Abs-Iog

Il est manifestement elliptique (a 2

,4bs-log

a2 32
2 8x 2

+ (r -

a2) ~.
2 8x

> 0) et, de plus, coefficients constants. On note:

a2 32
2 8x 2

+ (r -

a2) ~ - r.
2 8x

(5.7)

Le lien entre le problme parabolique associ ,4bs-Iog et le calcul du prix d'une


option dans le modle de Black et Scholes s'exprime de la faon suivante. Si l'on

Chapitre 5 valuation des options et quations aux drives partielles

126

cherche calculer le prix F(t,x) d'une option sur f(Sr) l'instant t et pour un
cours x et si v est une solution rgulire de

{
alors F(t, x)

5.1.4

~~ (t, x) + bs-Iogv(t, x) = 0
v(T,x) = J(ex),

XE

in [0, t] x lR.

(5.8)

lR.,

= v(t, log(x)).

quation aux drives partielles sur un ouvert born et calcul d'esprance

Nous allons supposer, dans tout ce qui suit, que l'actif volue dans lR. et que b( x),
o-(x) et r(x) ne dpendent pas du temps. Le nombre r(x) reprsente le taux d'intrt
sans risque et A est !'oprateur diffrentiel

(Af)(x) = !a-(x)2 a2f~x)


2
X
On note f(x)

+ b(x) j(x).
X

= Af(x) - r(x)f(x) l'oprateur actualis. L'quation (5.5) s'crit


u
{ t (t, x) + Au(t, x) = 0 sur [O, T) x JR.
u(T,x) = f(x), \:lx ER

(5.9)

Lorsque l'on se pose le problme (5.9) non plus sur lR. tout entier mais sur 0 =
]a, b[, il faut alors imposer des conditions aux limites aux extrmits a et b. Nous
allons nous intresser plus particulirement au cas o !'on impose des conditions aux
limites nulles (on appelle ce type de condition aux limites condition de Dirichlet). On
cherche, alors, rsoudre :

~~(t,x) + u(t,x) = 0 sur (O,T) x 0


{ u(t, a) = u(t, b) = 0, \ft E (0, T)

u(T, x) = f(x),

\fx

(5.10)

O.

Une solution rgulire de (5.10) peut aussi s'interprter en terme de diffusion. On


note Xt,x Ja solution de (5.3) issue de X l'instant t.

Thorme 5.1.9 Soit u une fonction de classe C 1 2 en (t, X) drive en X borne


de l'quation (5.10), alors:

\:/ (t, X ) E [0, T l X 0,

u (t, X ) =JE

(1{\fsE[t,TJ,X!"'EO}e -J,Tr(X'"')ds
t
s
f ( x-;.tx)) .

Nous dmontrons le rsultat lorsque t = 0, la dmonstration est


similaire dans les autres cas. Pour viter les complications techniques, nous supposons que l'on peut prolonger u de [O, T] x 0 [O, T] x JR., en conservant le caractre

Dmonstration.

5.1 Calculs de prix d'options europennes pour les modles de diffusion

127

C 1 2 de u. On continue noter u un tel prolongement. Par la proposition 5.1.4, on


sait que le processus :
Mt

e- f~ r(x.~x)dsu(t, X~'x)

-lat e-f;r(x~x)dv (~~+Au-ru) (s,X~x)ds


est une martingale. De plus, le temps

Tx = inf{O :::; s :::; T, X~x fj. O} /\ T avec la convention, inf 0 = +oo,


est un temps d'arrt born, car Tx

r,x
l

= T:f /\ Tf: /\ T

= inf{O <
s -< T ' xt,x
= l}
s

et les T{ sont des temps d'aiTt (la dmonstration est identique celle de la proposition 3.3.6 du chapitre 3). En crivant, le thorme d'arrt entre 0 et Tx, on obtient
IE(Mo) = IE(M7 x), soit en tenant compte du fait que sis E [O, Tx], Af(X~x) = 0:

u(O,x)

Mais, d'une part f(x) = u(T, x) et d'autre part, sur l'vnement

Ceci prouve le rsultat pour t

= O.

Remarque 5.1.4 Une option de payoff donn par la variable alatoire Fr-mesurable

a un valeur nulle ds que le cours sort de l'ouvert O. Lorsque l'actif suit le modle de
Black et Scholes et que 0 est de la forme ]O, l[ ou ]l, +oo[, on connait des formules
explicites pour ces options (voir l'exercice 30 du chapitre 4 pour le calcul du prix
d'une option "down and out" et Cox et Rubinstein (1985) ou Shreve (2004) pour des
complment sur les options barrires, voir aussi l'exercice 30 du chapitre 4).

128

Chapitre 5 valuation des options et quations aux drives partielles

5.2

Rsolution numrique des quations paraboliques

Nous avons vu que l'on peut interprter le prix d'une option europenne comme
la solution de l'quation aux drives partielles (5.9). Nous allons maintenant introduire une mthode de calcul numrique qui permet d'approcher une solution de
(5.9) : la mthode des diffrences finies. Cette mthode n'est videmment pas utile
dans le cas du modle de Black et Scholes (puisque il y a une formule explicite)
mais elle est indispensable pour des modles de diffusion plus gnraux. Nous ne
ferons qu'noncer les rsultats importants. Pour une tude dtaille on consultera
Glowinsky et al. (1976) et Raviart et Thomas (1983).

5.2.1

Localisation

Le problme (5.9) se pose sur R Pour le discrtiser, on va devoir se restreindre


tout d'abord un ouvert born du type 01 =] - l, l[, l tant une constante choisir
soigneusement si l'on veut que l'algorithme soit efficace. Il faut de plus imposer des
conditions aux limites au bord (i.e. en l et -l). On utilise soit des conditions de type
Dirichlet (i.e. on impose u(l) = u( -l) = 0 ou une autre valeur plus pertinente) soit
des conditions de type Neumann (i.e. on impose (8u/8x)(l) = (8u/8x)(-l) = 0
ou, l aussi, toute autre valeur non nulle pertinente). On obtient, par exemple, dans le
cas o l'on impose des conditions de type Dirichlet, l'quation aux drives partielles

8u(t,x)
at
+ Au(t, x) = 0 sur (0, T) x 0 1
u(t, l) = u(t, -l) = 0 si t E (0, T)

u(T, x) = f(x) six E 01.


Nous allons montrer comment on peut estimer l'erreur commise lorsque l'on se restreint 01. Nous nous intresserons uniquement au modle de Black et Scholes
(aprs changement de variable logarithmique), l'actif Xt est donc solution de
l'quation

dXt = (r - a 2 /2)dt + adWt.


On cherche calculer le prix d'une option sur une variable alatoire de la forme
f(Sr) = f(SoeXr). On note /(x) = f(ex). On impose, pour simplifier, des conditions de type Dirichlet. On peut prouver que, dans ce cas, la solution u de (5.9) et
les solutions u1 de (5.10) sont suffisamment rgulires pour que l'on puisse affirmer
que:

u(t, x) = E ( e-r(T-t) f (X~x))


et:

u1(t, x) = E ( l{'v'sE[t,T),IX!"'l<l}e-r(T-t) f

(X~x)) ,

o x;,x = xexp((r - a 2 /2)(s - t) + a(Ws - Wt)). Nous supposons, enfin, que


la fonction f (et donc/) est borne par une constante Met que r ~ O. Il est alors
facile de se convaincre que :

Ju(t, x) - u1(t, x)I ~ MIP' (3s E [t, T], IX!,xl ~ l).

5.2 Rsolution numrique des quations paraboliques


Mais, si r'

129

= r - u 2 /2,

{sup

t"5_s"5_T

lx+r'(s-t)+u(W8 -Wt)l~z}

sup lx+ u(Ws - Wt)I

~ l-

lr'TI}.

sup lx+ u(Ws - Wt)I

~ l-

lr'TI)

t$_s"5_T

D'o:

< MIP' (

lu(t,x) - u1(t,x)I

MIP' (

t"5_s"5_T

sup

0$_s"5_T-t

lx+ uWsl

< MIP' ( sup lx+ uWsl


0"5_s"5_T

~ l-

~ l-

lr'TI)

lr'TI).

Or on a tabli la proposition 3.3.6 que si Ta = inf { s > 0, W8 = a}, alors


IE(exp(-Ta)) = exp(-VV:lal). On en dduit que si a> 0, pour tout.> 0,
1P' (sup Ws

s"5_T

a) = IP'(Ta : : :'. T) : : :'. e>.TIE( e->.Ta) : : :'. e>.T e-aVV..

En minimisant en , cela donne


1P'

(!~? W ~ a) : : '. exp ( - ~ )


8

On en dduit facilement que

IP'

(!~?(x + uW ~ a)
8 )

: : '. exp (-lau~;l 2 )

puis que, comme (-W8 )s>o est encore un mouvement brownien,

IP'

(s"5_T
inf (x + uW

8 )

:::::'.

-a

) :::::'.exp ( la+u 2Txl


) = IP' (sup(-x
- uWs)
s"5_T
~a

2)

Ces deux rsultats donnent


1P'

(!~?lx+ uWsl ~a)

:::::'.exp

(-lau~;l 2 ) +exp (-lau~;l 2 ).

On peut donc affirmer que :

lu(t,x) - u1(t,x)I : : :'.

_Il
M (
exp (

lr'TI - xl 2 )
u2T

Il - lr'TI + xl 2 ) )
+exp ( u2T
.
Ceci prouve que pour t et x fixs Iim1__,+=u1(t,x) = u(t,x). La convergence est
mme uniforme en t et en x si x reste dans une partie compacte de R

130

Chapitre 5 valuation des options et quations aux drives partielles

Remarque 5.2.1
1. On peut montrer que IP'(sups<T Ws ?: a) = 21P'(Wr ?:
a) (voir exercice 21 du chapitre 3), ceci permet d'obtenir une estimation
lgrement meilleure que celle calcule plus haut.
2. L'intrt de cette mthode de localisation est qu'elle peut se gnraliser au cas
amricain et que, dans ce cas, le recours une mthode numrique est incontournable. L'estimation prcdente donne, alors, une indication sur la faon
de choisir le domaine dans lequel on rsoudra numriquement l'quation. Ce
choix est crucial dans !'efficacit de !'algorithme de calcul.

5.2.2

La mthode des diffrences finies

Une fois le problme localis on obtient, par exemple, dans le cas o l'on impose
des conditions de type Dirichlet le systme diffrentiel suivant :
8 u~~,x)

(E)

+ .u(t, x) = 0 sur [, T)

01

= u(t, -l) = 0 si t E [O, T]


u(T, x) = f(x) six E 01.
u(t, l)

La mthode des diffrences finies consiste en une discrtisation en temps et en espace


de l'quation (E) .
On commence par discrtiser l'oprateur diffrentiel A sur 01. Pour cela on remplace une fonction (f(x))xEOi appartenant un espace de dimension infinie, par
un vecteur (fih<i<N de dimension finie. On procde de la faon suivante, on pose
Xi = -l + 2il/(N + 1), pour 0 :::; i :::; N + 1, chaque fi est cens approximer
f (xi) On approxime les conditions aux limites par fo = 0, f N+i = 0 dans le cas
de conditions de Dirichlet et fo = Ji, fN = fN+l dans le cas de conditions de
Neumann.
On note h = 2l/(N + 1). La version discrtise de l'oprateur A sera donne
par l'oprateur Ah dfini sur !RN de la faon suivante. Il faut interprter le vecteur
u1i = (uhh::O:i::O:N de !RN comme l'approximation discrte de la fonction u, i.e. uh:::::;
u(xi) et la drive partielle 8 ~;;) est remplace par
i

OhUh

U i+l _ ui-1
h
h

2h

De faon analogue, la drive seconde 82;~~;) est remplace par


u;l+1_u;i

u;i-u;i-1

a~uh = __,_,- - - -1-'-

h
Le vecteur .1i u1i est, alors, dfini par

5.2 Rsolution numrique des quations paraboliques

131

Remarque 5.2.2 Pour le modle de Black et Scholes, aprs le changement de variable logarithmique usuel,
2 2 u(x)
A-bs-log u ( x ) -- -0' -2 x 2

2)

+ (r -

u(x)
- - ru ()
x ,
x

-0'
2

on obtient
-

(Ahuh)i

(J'

+1

2 h 2 (u~

+ u}; ) + (r - 22)

. 1

- 2uj,

(J'

+1

2h (u~

. 1

- u}; ) - ruj,.

L'oprateur Ah est reprsent par la matrice tridiagonale suivante, en tenant compte


des conditions aux limites nulles de type Dirichlet,

( (Ah)ij )i:S;i,j:S;N

f3 'Y
a f3

0
'Y

f3

0
0
0

0
0

0
0
'Y

0
0
0

f3

'Y

f3

{~

=
=

2-

u2

2h

1 (
2h

u2)

r- 2

u2

2 - ~ (
~f
u2)
2h 2 + 2h r - 2

Si on impose des conditions aux limites nulles de type Neumann, Ah prend la forme

f3 +a 'Y
a
f3

0
'Y

f3

0
0
0
0

0
0

0
0
'Y

a
0

0
0
0
(5.11)

f3

'Y

f3 +'Y

Cette discrtisation en espace permet de ramener (E) une quation diffrentielle


ordinaire (Eh) :

(E1i)

du,,(t)
dt

+ Ahuh(t) = 0

si 0 <_ t <_ T,

u1i(T) = fh
o f1i = (fj) l<i<N dsigne le vecteur f1~ = f(xi)
On discrtise-alors cette quation en temps grce ce que !'on appelle des Bschmas. Cela signifie que l'on se donne() E [O, 1], k un pas de temps tel que T =

Chapitre 5 valuation des options et quations aux drives partielles

132

Mk et que l'on approxime la solution uh de (Eh) l'instant nk par uh,k solution de


M
U hk

(E

h,k

-f
- h

n dcroissant, on rsout pour chaque n :


n+l

uh,k - uh,k

+ BAhuh,k + (1 -

n+l

B)A1iuh,k

= 0,

si 0 ::; n ::; M - 1.

Remarque 5.2.3
1. Lorsque (} = 0, le schma prcdent porte le nom de schma
explicite, car u/,,k se calcule en fonction de u~i 1 . Lorsque(} > 0, par contre,
on doit rsoudre chaque tape un systme du type Ru/,,k = v, avec :

o R est une matrice tridiagonale. Ceci est videmment plus complexe (et
donc plus long informatiquement). Cependant ces schmas sont les plus utiliss dans la pratique, car ils ont de bonnes proprits de convergence comme
on le verra plus tard.
2. Lorsque (} = 1/2, on parle de schma de Crank et Nicholson. Ce schma est
souvent utilis pour la rsolution de systmes de type (E) lorsque b = 0 et a
est constante.
3. Lorsque(}= 1, on parle de schma totalement implicite.
Donnons maintenant des rsultats de convergence de la solution u1i,k de (E1i,k) vers

u( t, x) solution de (E) sous hypothse d'ellipticit. Nous renvoyons Raviart et Thomas (1983) et Glowinsky et al. (1976) pour une dmonstration. On notera u~ (t, x)
la fonction
u~(t,x)

= (u/,,k)i

Nous noterons aussi


par

pournk-k::; t < nk, Xi - h/2::; x <Xi+ h/2.

ocp l'oprateur de drivation approche d'une fonction cf>, dfini


1

(ocp)(x) = h(cf>(x + h/2) - cf>(x - h/2)),

x E 0 1

Dans ce qui suit, le produit scalaire hilbertien sur l'espace L 2 (01) est not
(., .)L2(oi) et la norme associe J.JL2(0i)
Thorme 5.2.4 On suppose que b et a sont lipschitziennes et que r est une fonction
continue et positive. Rappelons que .f (x) vaut dans ce cas
1
2f
2a(x) 2 x 2 (x)

f(x)

+ b(x)----a;;- - r(x)f(x).

On suppose que l'oprateur . est elliptique, i.e. il existe une constante


que pour toute fonction u de classe C 2 support compact dans 01,
(-Au, u)L2(oi) ~

Alors

(JuJL2(oi)

+ Ju'JL2(oi)),

E:

> 0 telle

5.2 Rsolution numrique des quations paraboliques

133

1. lorsque 1/2 ::; () ::; 1 si h, k tendent vers 0 on a


lim u~ = u dans l'espace L 2 ([O, T] x 01)
limou~ = ~~ dans l'espace L 2 ([O, T] x 01)

2. lorsque 0 ::; ()

< 1/2, si h, k tendent vers 0 et si de plus lim k/h 2

0 on a

lim u~ = u dans l'espace L 2 ([O, T] x 01)


limou~ = ~~ dans l'espace L 2 ([O, T] x 0 1)

Remarque 5.2.4
l. Dans le cas 0 ::; () < 1/2 on parle de schma conditionnellement convergent, la convergence n'ayant lieu que si l'on fait tendre h et k
et k/h 2 vers O. Ces schmas sont numriquement dlicats exploiter. Ils sont
peu utiliss dans la pratique, sauf lorsque () = O.
2. Dans le cas 1/2 ::; () ::; 1 on parle de schma inconditionnellement convergent,
la convergence ayant lieu sans restriction, si l'on fait tendre h et k vers O.
Nous allons maintenant voir comment on rsout algorithmiquement l'quation
(Eh,k) A chaque pas de temps non cherche une solution de RX = G, o

uh: k

{~

(I '+ (1 - B)kAh)u~t 1
I - k()Ah
'

Rest une matrice tridiagonale. L'algorithme suivant (il s'agit en fait de la mthode
de Gauss) permet de rsoudre ce systme en utilisant un nombre de multiplications
proportionnel N. Posons X= (xih<i<N,
G = (gih<i<N
et
- - -

R=

bl

C1

a2

C2

b2
a3

b3

C3

0
0
0

0
0

aN-1

0
0
0

bN-1
aN

CN-1

bN

On procde alors de la faon suivante : on rend la matrice R triangulaire infrieure


par la mthode du pivot en partant du bas de la matrice.

Remonte:
b~ = bN
g~ =gN

Pour 1 ::; i ::; N - 1, i dcroissant,

134

Chapitre 5 valuation des options et quations aux drives partielles

Aprs cette transformation, on obtient un systme quivalent de la forme R' X = G',


avec

R'=

b'1

a2

b'2
a3

0
0
b~

0
0
0

0
0

0
0
0

aN-1

0
0
0

b'rv-1

aN

b'N

Il suffit, alors, de calculer X en partant du haut de la matrice.

Descente:
X1

= gUb~

Pour 2 ::; i ::; N,

i croissant

Xi = (g~ - aiXi-1)/b~.
Remarque 5.2.5 Lorsque R n'est pas inversible, l'algorithme prcdent peut conduire des rsultats errons.
La matrice R n'est pas forcment inversible. Cependant on peut prouver qu'elle
l'est, si pour tout i, lail + lcil ::; lbil
Il est facile de vrifier que la condition prcdente d'inversibilit est remplie,
dans le cas du modle de Black et Scholes, si Ir - a 2 /21 ::; a 2 / h, en particulier si h
est suffisamment petit.

5.3 Les options amricaines


5.3.1

Formulation du problme

La thorie des options amricaines pour les modles temps continu est dlicate.
Pour le modle de Black et Scholes, on a obtenu la formule suivante pour la valeur
d'un "call" (f(x) = (x - K)+) ou d'un put (f(x) = (K - x)+) amricain:

vt = <I>(t, St),
avec

<I>(t,x) = sup JE* (e-r(r-t)f (xe<r-a 2 /2)(r-t)+a(W -Wt))),


7

rETi,T

o, sous IP'*, (Wtk~o est un mouvement brownien standard et Tt,r l'ensemble des
temps d'arrt valeurs dans [t, T]. Dans le cas du "call" amricain (sur une action
sans dividende), on obtient la mme expression que pour le "call" europen, mais,
pour le put amricain, il n'y a pas de formule explicite et les mthodes numriques
sont invitables.
Le problme rsoudre est un cas particulier du problme suivant : tant donne
une "bonne" fonction f et une diffusion (Xt)t>o valeurs dans !Rn, solution du

5.3 Les options amricaines

135

systme (5.4), calculer la fonction

4'(t, x) = sup JE ( e-ft r(s,X!")ds f

(x;x)) .

rE7t,T

Notons, en utilisant le temps d'arrt T

= t, que l'on a 4>(t, x)

f(x) et (en prenant

t = T) 4'(T, x) = f(x).
Remarque 5.3.1 On peut alors dmontrer (voir le chapitre 2 pour l'analogie avec
les modles discrets et le chapitre 4 dans le cas du modle de Black et Scholes) que
le processus
e- JcJ r(s,X.)dsq,(t, Xt)
est la plus petite sur-martingale majorant tout instant le processus f (Xt)
On a vu que le calcul du prix d'une option europenne est reli une quation aux
drives partielles de type parabolique. Dans le cas d'une option amricaine, on a
un rsultat similaire, mais qui fait intervenir un systme d'inquations aux drives
partielles parabolique. Le thorme suivant prcise ce lien. Ce thorme est nonc
de faon volontairement informelle (voir la remarque 5.3.2 ce sujet).

Thorme 5.3.2 Supposons que u soit une "solution rgulire" du systme


d'inquations aux drives partielles suivant:

u
t

+ Atu - ru :::; 0,

( ~; + Atu - ru)
u(T,x)
Alors:

u(t, x)

u~f

(f - u)

=0

= f(x)

= 4'(t, x) =

dans

[O, T)

!Rn

dans

[O, T)

!Rn

dans

!Rn.

sup E ( e- It r(s,X!")ds f

(5.13)

(x;x)).

rET,,T

Dmonstration.

Nous n'allons pas donner une dmonstration prcise de ce rsultat,


mais simplement ses grandes lignes. Pour une dmonstration dtaille, on consultera
Bensoussan et Lions (1978) (chapitre 3 section 2) et Jaillet et al. (1990) (section 3).
On se ramne au cas o t = 0 (la dmonstration tant pratiquement identique lorsque
t > 0). On note Xf la solution de (5.4) issue de x en O. La proposition 5.1.3 permet
d'affirmer que le processus:

Mt

= e- JcJ r(s,x:)dsu (t, Xf)


-1t e- JC: r(v,X~)dv (

~; + Asu -

ru) (s, x:) ds

est une martingale. En appliquant le thorme d'arrt (thorme 3.3.4 du chapitre 3)


cette martingale entre 0 et r, un temps d'arrt plus petit que Ton obtient E(Mr) =
E(Mo), et, comme u/t + A 8 u - ru:::; 0,

u(O, X) ~ E ( e- J; r(s,x:)dsu (T,

x:)) .

136

Chapitre 5 valuation des options et quations aux drives partielles

Mais u(t, x) 2'. f(x), donc

(X:)) .

u(O, X) 2'. JE ( e- J; r(s,x:)ds f


Ce qui prouve que

u(O, x) 2'. sup JE ( e- J; r(s,x:)ds f

(X:)) = <I>(O, x ).

rETo.T

Maintenant, si on pose Topt = inf{O ::::: s ::::: T, u (s, x;) = f (X;)}, on peut
montrer que Topt est un temps d'arrt. D'autre part, pour s entre 0 et Topt on a
(u/t + A 8 u - ru) (s, X;')= O. On en dduit, grce au thorme d'arrt, que

u(O ' x) =JE

(e- J;opt r(s,x:)dsu (r.

opt'

xx )) .
Topt

u(O, x) =JE ( e- 1;opt r(s,x:)ds f ( x:opt)).


Ce qui prouve que u(O,x) :::; F(O,x), puis que u(O,x) = F(O,x). On a mme
"dmontr" que Topt est un temps d'arrt optimal (i.e. qui ralise le supremum parmi
D
tous les temps d'arrt).

Remarque 5.3.2 La formulation prcise du systme (5.13) est dlicate, car mme
pour f rgulire, la solution u n'est pas de classe C 2 en gnral. La bonne mthode
consiste introduire une formulation variationnelle du problme (voir Bensoussan et
Lions (1978)). La dmonstration qui est esquisse plus haut est rendue difficile par
le fait que l'on ne peut pas appliquer directement la formule d'It une solution de
l'inquation prcdente.

5.3.2

Le put amricain dans le modle de Black et Scholes

Nous quittons le cas gnral pour nous occuper du calcul du put amricain dans
le cas du modle de Black et Scholes.
On se place sous la probabilit IP'* pour laquelle le processus (Wt)t;:::o est un
mouvement brownien standard, et telle que le prix de l'actif St vrifie :

dSt = St(rdt + o-dWt).


On a vu au paragraphe 5.1.3 que l'on peut se ramener une diffusion ayant pour
gnrateur infinitsimal un oprateur elliptique en introduisant le processus

Xt =log( St) = log(So) +

(r - ~2 )

t + o-Wt.

Le gnrateur infinitsimal de Xt. A est alors indpendant du temps et


_Abs-Iog

Abs-log _

r=

0-

82

2 x 2

(r _

2
0- )

!..__ _ r.
x

5.3 Les options amricaines

137

Si l'on note <f>(x) = (K - ex)+, l'inquation aux drives partielles associe au


calcul du prix de put amricain s'crit
~~ (t, x)

+ A_bs-Iogv(t, x)

:S 0

v(t,x) 2 </>(x)
(v(t, x) - cp(x)) ( ~~ (t, x)

p.p. dans

[O, T) x lR

p.p. dans

[O, T] x lR

+ A_bs-logv(t, x)) = 0 p.p. dans

[O, T) x lR

v(T, x) = <f>(x).
(5.14)
Le thorme suivant donne un rsultat d'existence et d'unicit pour l'inquation
aux drives partielles (5.14) et tablit le lien avec le prix du put amricain <I>(t, x ).

Thorme 5.3.4 L'inquation (5.14) admet une solution unique v(t, x) continue et
borne telle que les drives au sens des distributions g~, ~~, ~ soient localement
bornes. De plus cette solution vrifie :

v(t,Iog(x)) = <f>(t,x) = sup JE* (e-r(r-t)f (xe(r-u 2 /2)(r-t+u(WT-W,))).


rET,,T

Pour une dmonstration de ce rsultat on consultera Jaillet, Lamberton, et Lapeyre ( 1990).

Rsolution numrique de l'inquation


Nous allons voir comment on peut rsoudre l'inquation (5.14) par une mthode
numrique. On procde essentiellement de la mme faon que dans le cas europen.
On commence par localiser le problme pour se ramener une inquation dans
01 =] - l, l[. On doit alors imposer des conditions aux limites en l. Par souci
de simplicit, nous crivons, ici, l'inquation avec des conditions de type Neumann
en annulant les drives en x en l 1 :

av
-b 1
at (t, x) +A s- ogv(t, x) :S 0 p.p. dans
v(t, x) 2 <f>(x)

(A)

p.p. dans

(v - </>) ( ~~ (t, x)

[O, T] x 01

[O, T] x 01

+ A_bs-Iogv(t, x)) = 0

p.p. dans

[O, T] x 01

v(T,x) = <f>(x)
av
ax (t, l)

=o.

Nous allons maintenant discrtiser l'inquation (A) l'aide de la mthode des


diffrences finies. On reprend les notations du paragraphe 5.2.2. En particulier, M
est un nombre entier tel que Mk = T, fh est le vecteur donn par f1~ = <f>(xi), o
1En

pratique, on impose plutt les conditions aux limites suivantes, plus naturelles,

v(t, -l) = </>(-l).

ov (t, l)

8x

= 0 et

Chapitre 5 valuation des options et quations aux drives partielles

138

Xi = -l + 2il/(N + 1) et Ah est donn par (5.11). On note, si u et v sont deux


vecteurs de !Rn, u :::;; v pour : \7'1 :::;; i :::;; n, ui :::;; Vi. La dmarche est alors formellement similaire celle du cas europen : par discrtisation en espace et en temps, on
se ramne l'inquation en dimension finie

M
U h,k

--fh

et si 0 :::;; n :::;; M - 1,

(Ah,k)

u.,k ~ fh

u~t1 - uh,k + k ( BAhuh,k + (1 - B)Ahu~t 1 )

:::;;

+ k ( BAhuh,k + (1 - B)Ahu~t 1 ) , uh,k - fh) = 0,

( u~t1 - uh,k

o (x, y) est le produit scalaire des vecteurs x et y de JRN et Ah est donne par (5.11).
Si on note

I - kBA1t

uh,k

(I

fit,

B)A1t) u~t 1

+ k(l -

on a rsoudre, chaque pas de temps n, le systme d'inquations

(AD) {

RX~G
X~

(RX - G, X - F)

= 0,

o R est la matrice tridiagonale :

c
b
a

0
0
0

0
0

a+b
a

R=

c
b

0
0
0

b
a

c
b+c

c
a

avec

Bk

1:

(-{:2 + 2~ (r -

1 +Bk ( ~~

-Bk

";))

+ r)

({:2 +A (r -

";))

5.3 Les options amricaines

139

(AD) est une inquation en dimension finie. On sait rsoudre de tels systmes
d'inquations la fois thoriquement et algorithmiquement, si la matrice Rest coercive (c'est dire si X.RX 2 a.X.X, avec a. > 0). On peut d'autre part vrifier que,

Ir - ';_ I: ;

AJr - ';_ I

2
2
~: et si
< 1. En
dans notre cas, R vrifie cette hypothse si
effet, cette condition implique que a et e sont ngatifs, et donc, en utilisant l'ingalit
2lxyl S x 2 + y 2 ,

x.Rx

n-1

L axi-1Xi + L bxI + L exiXi+i


i=2

i=l

+ axi +ex;

i=l

> (a/2) L(xL 1 + xI)


i=2
n

n-1

+ L bxI + (e/2) L(xI + XI+ 1) + axi +ex;


i=l

i=l
n

2
2
'""' 2
-a-e
2-(x1 - xn) +(a+ b + e) L..,,xi
i=l

Sous cette hypothse de coercivit, on peut prouver qu'il existe une solution unique
pour le problme (Ah,k) (voir exercice 31).
Le thorme suivant prcise la nature de la convergence d'une solution de (Ah,k)
vers la solution de (A). On note
M

u~(t, x)

LL

(uh,k)i

l(x;-h/2,x;+i/2j(x) X l((n-l)k,nkj(t).

n=l i=l

Thorme 5.3.5 Si u est une solution de (A),

1. si e < l la conve1gence est conditionnelle: si h et k tendent vers 0 et si k/h 2


tend vers 0, alors
lim u~ = u dans l'espace L 2 ([O, T] x 01)
lim ou~= g~ dans l'espace L2 ([0, T] x 01)

2. si = 1 la convergence est inconditionnelle : la convergence prcdente a


lieu si h et k tendent vers 0 sans restriction.
On trouvera la dmonstration de ce rsultat dans Glowinsky et al. (1976) et Zhang
(1997).

Remarque 5.3.3 Dans la pratique, on utilise surtout l'algorithme correspondant


1, cause de ses proprits de convergence inconditionnelle.

e=

140

Chapitre 5 valuation des options et quations aux drives partielles

Rsolution algorithmique de l'inquation en dimension.finie


Dans le cas du put amricain, et lorsque le pas h est suffisamment petit, on sait
rsoudre le systme (AD) trs efficacement en modifiant l'algorithme de rsolution
des systmes d'quations tridiagonaux. On procde comme suit (on note b la diagonale (b 1 , ... , bN) de la matrice R :
Remonte:
b'tv = bN
g'tv = gN
Pour 1 :::; i :::; N - 1, i dcroissant,
b~ = bi - ca/b~+I
1
/b'i+l
gi1 = gi - cgi+I
Descente 'Amricaine' :
X1

= gUbi

Pour 2 :::; i :::; N, i croissant,


Xi = (g~ - axk-1)/b~
xi= sup(xi, fi)
On trouvera la preuve que, sous les hypothses prcdentes, cet algorithme calcule
bien une solution de l'inquation (AD) dans Jaillet, Lamberton, et Lapeyre (1990).
Remarque 5.3.4 L'algorithme est exactement le mme que dans le cas europen en
dehors de l'tape Xi = sup(xi, fi) Ceci le rend trs efficace.
Il existe d'autres algorithmes permettant de rsoudre les inquations en dimension finie, on trouvera une description de certaines de ces mthodes dans Jaillet, Lamberton, et Lapeyre (1990) (pour des mthodes exactes) et Glowinsky et al. (1976)
(pour des mthodes itratives).
Remarque 5.3.5 Lorsque l'on fait() = 1 dans (A1i,k), que l'on impose des conditions aux limites du type Neumann et que l'on applique l'algorithme de rsolution
prcdent, la mthode de rsolution porte le nom d' "algorithme de Brennan et
Schwartz" (voir Brennan et Schwartz (1977)).
Il faut bien noter que l'algorithme prcdent ne calcule la solution correcte du
systme d'inquations (AD) que sous les hypothses soulignes plus haut, en particulier, il est spcifique au cas du put amricain. Il existe des cas o le rsultat calcul
par cet algorithme n'est pas la solution de (AD), comme on s'en convainc aisment
sur l'exemple suivant :

-1
1

0
L'algorithme donne

5.4 Exercices

141

qui n'est pas une solution de (AD).

5.3.3

La mthode binomiale pour le calcul du put amricain

Nous allons prsenter une autre mthode d'approximation du prix du put


amricain pour le modle de Black et Scholes. Soient r, a, b des nombres rels,
tels que 0 < 1 + a < 1 + r < 1 + b. Soit (Sn)n;:::o le modle binomial dfini
par, Bo = x et Sn+l = SnTn, o (Tn)n;:::o est une suite de variables alatoires
indpendantes et quidistribues, telles que IP'(Tn = 1 +a) = p = (b - r)/(b - a)
et IP'(Tn = 1 + b) = 1 - p = (r - a)/(b - a). On a vu au chapitre 2, exercice 7 que
le prix du put amricain, dans le modle de Cox-Ross-Rubinstein, s'crivait sous la
forme:
Pn = Pam(n, Sn),
et que la fonction Pam (n, x) pouvait se calculer l'aide de la relation de rcurrence :

Pam(n,x) =max

((K -

x)+,

(5.15)

pPam(n + 1,x(l +a))+ (1- p)Pam(n + 1,x(l

+ b)))

l+r
et de la valeur finale, Pam(N,x) = (K - x)+. D'autre part, le problme corrig
du chapitre 1 paragraphe 1.4 prouve que si les paramtres sont choisis de la faon
suivante:
r
{ 1 +a
1+b
p

= RT/N
=
=

exp(-aJTTN)
exp( +aJTTN)

(5.16)

= (b-r)/(b-a),

le prix d'une option europenne dans ce modle binomial approxime le prix pour le
modle de Black et Scholes, pour un taux d'intrt R et une volatilit a. Cela suggre
la mthode de calcul suivante pour le calcul du put amricain.
On se donne une valeur de N, on fixe les valeurs de r, a, b, p !'aide de (5.16)
et on utilise la relation de rcurrence (5.15) pour calculer le prix associ cette
0 ::::; i ::::; n. Il semble
discrtisation P!,(n, .) aux points x(l + ar-i(l +
naturel de penser que P!, (0, x) est une approximation du prix amricain dans le
modle de Black et Scholes P(O, x).
On peut, effectivement, dmontrer que limN__,+ 00 Pam(O, x) = P(O, x). Le
rsultat prcdent est dlicat justifier. Nous renvoyons Kushner (1977), Lamberton et Pags (1990) ou Amin et Khanna (1994) pour sa preuve.
La mthode que nous venons de dcrire porte le nom de mthode de Cox-RossRubinstein. Elle est dcrite dans Cox et Rubinstein (1985).

W,

5.4 Exercices
Exercice 31 On note (X, Y) le produit scalaire de deux vecteurs X = (xih:S::i:S::n
et Y = (Yih:S::i:S::n de !Rn. La notation X 2: Y signifie que pour tout i entre 1 et n,

142
Xi

o:

2".

Chapitre 5 valuation des options et quations aux drives partielles


Yi

On suppose que R vrifie, pour tout X de !Rn (X, RX) 2". o:(X, X) avec

> O. Nous allons tudier le systme :


RX2".G
{

X>F
(RX - G, X - F) =O.

1. Dmontrer que ce problme est quivalent trouver X 2". F tel que

V'V 2". F,

(RX - G, V - X) 2". O.

(5.17)

2. Dmontrer l'unicit d'une solution de (5.17).


3. Dmontrer que si M est la matrice identit, alors il existe une solution unique
(5.17).
4. Soit p un nombre positif, on note Sp(X) l'unique Y 2". F tel que:

V'V 2". F,

(Y - X+ p(RX - G), V - Y) 2". O.

Montrer que, si p est assez petit, Sp est une application contractante.


5. En dduire l'existence d'une solution de (5.17).
On cherche approximer le prix u( t, x) du put amricain dans le
modle de Black et Scholes. On rappelle que u est solution de l'inquation aux
drives partielles :

Exercice 32

au
-b
at(t,x)+A su(t,x) :::;o p.p.dans

[O,T] X [0,+oo)
u(t, x) 2". (K - x)+ p.p. dans [O, T] x [O, +oo)
(u - (K - x)+) (

~~ (t, x) + .bsu(t, x))

= 0 p.p. dans [O, T] x [O, +oo[

u(T, x) = (K - x)+,
avec
-bs

0"2 x2 fJ2

f)

= - - - -2 +rx- -r.
2 fJx

ax

1. On note ue(t, x) la valeur du put europen pour le modle de Black-Scholes.


crire le systme d'inquations vrifi par v = u - Ue.
2. On va approximer la solution v = u - Ue de cette inquation en la discrtisant
uniquement en temps et en utilisant un seul pas de temps. Lorsqu'on utilise une
mthode totalement implicite, montrer que l'approximation v(x) de v(O, x)
vrifie :

-v(x) + T .Absv(x) :::; 0 p.p. dans

[O, +oo[

{ v(t, x) 2". ;/;(x) = (K - x)+ - Ue(O, x)

p.p. dans

(v(x) - ;/;(x))(-v(x) + T .Absv(x)) = O p.p. dans


o ;/J(x)

= (K - x)+ - ue(O, x).

[O, +oo[
[O, +oo[,

(5.18)

5.4 Exercices

143

3. Trouver l'unique valeur ngative de a telle que v(x)


-v(x) +T.b"v(x) =O.

= x0

soit solution de

4. On va chercher une solution continue drive continue de (5.18) sous la


forme

v(x) =

x 0 six > x*
{i;(x) sino~.

(5.19)

crire les quations que doivent vrifier >. et a pour que soit continue et
drive continue en x*. En dduire, que si est continue et drive continue,
alors x* est solution de f (x) = x o

()

fx =
et u~(t, x)

K-ue(O,x)

au~(O,x)+l+lal

1 1

= (ue(t, x)/x).

5. En utilisant la formule explicite de ue(O, x) (voir chapitre 4, quation (4.9)),


dmontrer que f (0) > 0, que f (K) < K (on pourra utiliser la convexit de
la fonction Ue) et que f (x) - x est dcroissante. En dduire qu'il existe une
solution unique f(x) = x.
6. Dmontrer que v(x ), dfinie par (5.19), o x*, est la solution unique de f (x)
x est une solution de (5.18).

7. Proposer un algorithme itratif (utilisant une mthode de dichotomie) permettant de calculer x*, avec une prcision arbitraire.
8. crire un algorithme informatique implmentant une approximation du put
amricain partir de ce qui prcde.
L'algorithme que nous venons de dcrire est une version (lgrement diffrente)
de l'algorithme de Mac Millan (voir MacMillan (1986) ainsi que Barone-Adesi et
Whaley (1987)) et Chevance (1990)).

Chapitre 6

Modles de taux d'intrt


Les modles de taux d'intrt sont utiliss principalement pour "pricer" et couvrir des obligations et des actions sur obligations. Jusqu' prsent, aucun modle
n'a pu s'imposer comme modle de rfrence au mme titre que le modle de
Black-Scholes pour les options sur actions. Dans les quinze dernires annes, la recherche sur ce sujet a t trs active et une prsentation exhaustive des modles et
des techniques dpasserait le cadre de ce livre. Dans ce chapitre, nous allons tenter de prciser les principes de base de la modlisation (en suivant essentiellement
Artzner et Delbaen ( 1989) ), prsenter les notions de mesure forward et de changement de numraire, puis nous illustrerons la thorie par l'tude de quelques modles
particuliers.

6.1

Principes de la modlisation

6.1.1

Notion de courbe des taux

Dans la plupart des modles que nous avons tudis, le taux d'intrt est suppos
constant. Dans la ralit, on observe que le taux d'intrt d'un prt dpend la fois
de la date t d'mission du prt et de la date T d'chance ou de maturit du prt.
Une personne empruntant un euro la date t, jusqu' une maturit T, devra
rembourser une somme F(t, T) la date T, ce qui quivaut un taux d'intrt (instantan) moyen R(t, T) donn par l'galit

F(t, T)

= e<T-t)R(t,T).

Si on se place en environnement certain, c'est--dire si on suppose que tous les taux


d'intrt (R(t, T))t'.5,T sont connus, alors, en l'absence d'opportunit d'arbitrage, la
fonction F doit vrifier

'Vt < u < s,

F(t, s) = F(t, u)F(u, s).

11 est facile en effet de construire des arbitrages lorsque cette galit n'est pas vrifie
(exercice!). De cette relation et de l'galit F(t, t) = 1, on dduit que, si F est
145

Chapitre 6 Modles de taux d'intrt

146
rgulire, il existe une fonction r(t) telle que

F(t,T) =exp (1T r(s)ds),

pourO:; t

< T,

et par consquent

R(t, T) =-Tl {T r(s)ds.


- t

lt

La fonction r(s) s'interprte comme le taux d'intrt instantan.


En environnement incertain, ce raisonnement n'est plus possible. A la date t, les
taux d'intrt futurs R(u, T), pour T > u > t, ne sont pas connus. Nanmoins, on
conoit qu'il y ait des liaisons entre les diffrents taux, le but de la modlisation tant
de les prciser.
Le problme se pose concrtement en termes de pricing des obligations. Nous
appellerons obligation zro-coupon un titre donnant droit 1 euro une date
d'chance T et nous noterons P(t, T) la valeur de ce titre l'instant t. On a
videmment P(T, T) = 1 et, en environnement certain,

P(t, T) = e- J,r r(s)ds.

6.1.2

(6.1)

Courbe des taux en avenir incertain

En avenir incertain, il faut penser le taux instantan comme un processus


alatoire : entre les instants t et t + dt, il est possible d'emprunter au taux r(t)
(dans la pratique, c'est un taux court terme, par exemple le taux au jour le
jour). Pour prciser la modlisation, nous nous plaons sur un espace de probabilit filtr (0, F, IP', (Ft)o<t<T ). Notons qu'ici, l'horizon est not T car nous aurons
considrer toutes les chances T telles que 0 :; T :; f. Nous supposons que
la filtration (Ft)o<t<T est la filtration naturelle du mouvement brownien standard
(Wt)o<t<T et que-fr = F. Comme dans les modles tudis prcdemment, nous
introduisons un actif dit sans risque, dont le prix la date t est donn par
s~

ef~ r(s)ds'

Jt

o (r(t))o::;t::;'I' est un processus adapt vrifiant


lr(t)ldt < oo, presque
srement. L'appellation d'actif sans risque peut sembler trange pour un actif dont
le prix dpend du hasard. Nous verrons plus loin en quoi cet actif est moins "risqu"
que les autres. Les actifs risqus sont ici les obligations zro-coupon d'chance
infrieure ou gale l'horizon f. Pour une chance TE [O, f], nous notons P(t, T)
le prix l'instant t (0 :; t :; T) de l'obligation zro-coupon d'chance T. Notons
que P(T, T) = 1. On suppose que le processus de prix (P(t, T))o<t<T, est adapt.
Dans le Chapitre l, nous avons caractris, dans le cadre des modles discrets,
l'absence d'opportunits d'arbitrage par l'existence d'une probabilit quivalente
sous laquelle les prix actualiss des actifs sont des martingales. L'extension de ce
type de rsultat des modles temps continu est dlicate (cf. Harrison et Kreps

6.1 Principes de la modlisation

147

(1979), Harrison et Pliska (1981), Stricker (1990), Delbaen et Schachermayer (1994,


2006), Artzner et Delbaen ( 1989) ), mais nous avons pu constater, dans le Chapitre 4,
qu'une telle probabilit existe dans le modle de Black-Scholes. Ces considrations
nous conduisent prendre comme point de dpart de la modlisation l'hypothse
suivante.
(H) Il existe une probabilit JP'* quivalente JP', sous laquelle, pour tout T E [O, f'J,
le processus (F(t, T))o$t$T dfini par

F(t, T) = e- f~ r(s)ds P(t, T)


est une martingale.
Cette hypothse entrane un certain nombre de consquences intressantes. En effet,
la proprit de martingale sous JP'* donne, en utilisant l'galit P(T, T) = 1,

et, en supprimant l'actualisation,


(6.2)
Cette galit, qu'il est intressant de comparer la formule (6.1), montre que les
prix P(t, T) ne dpendent que du comportement du processus (r(s))o<s<f' sous la
probabilit JP'*. L'hypothse que nous avons faite sur la filtration (Ft)o-::t~'.t permet
de prciser la densit de la probabilit JP'* par rapport JP'. Notons Lr cette densit.
Pour toute _variable alatoire positive X, on a JE*(X) = JE(X Lr ), et, si X est Fr
mesurable, JE*(X) = lE(XLt), en posant Lt = lE(LrlFt) La variable alatoire Lt
est donc la densit de la restriction de JP'* Ft par rapport JP'.

Proposition 6.1.1 Il existe un processus adapt (q(t))o<t<'.t tel que, pour tout t E

[O, f'J,

- -

(6.3)

Dmonstration. Le processus (Lt)o<t<'.t est une martingale par rapport (Ft),


qui est la filtration naturelle du mouvement brownien standard (Wt). Il en rsulte
(cf. Chapitre 4, Section 4.2.3) qu'il existe un processus adapt (Ht) 0 $t$'.t vrifiant

J:

Hfdt < oo p.s. et, pour tout t E [O, f'],


Lt = Lo + 1t HsdWs

p.s.

Puisque Lr est une densit de probabilit, on a JE( Lr) = 1 = Lo et, puisque


JP'* est quivalente JP', on a Lr > 0 p.s. et plus gnralement IP'(Lt > 0) = 1
quel que soit t. Pour obtenir la formule (6.3), on est conduit appliquer la formule

Chapitre 6 Modles de taux d'intrt

148

d'It formula avec la fonction logarithme. Pour cela, on a besoin de vrifier que

IP' ( \:/t E [O, f'], Lo + J~ H 8 dW8 > 0) = 1. Cette vrification, qui utilise de manire
cruciale la proprit de martingale fait l'objet de l'exercice 33. Ce point tant acquis,
la formule d'It donne
p.s.,
ce qui entrane l'galit (6.3) avec q(t)

= Ht/ Lt.

Corollaire 6.1.2 Le prix l'instant t de l'obligation zro-coupon d'chance T 2: t


peut s'crire

P(t, T) =JE (exp (- lT r(s)ds + lT q(s)dW8

~ lT q(s) ds) J.Ft) .


2

(6.4)

Dmonstration.

Cela rsulte immdiatement de la Proposition 6.1.1 et de la formule suivante, facile vrifier pour toute variable alatoire positive X (voir Chapitre
4, Exercice 22, formule de Bayes pour les esprances conditionnelles):
(6.5)
D

La proposition suivante permet de donner une interprtation du processus (q(t)) (cf.


Remarque 6.1.1 ci-dessous).

Proposition 6.1.3 Pour chaque chance T, il existe un processus adapt


(af)os_ts_T tel que

dP(t, T)
T
T
P(t, T) = (r(t) - at q(t))dt + at dWt,

pour 0 ::=:; t ::=:; T.

(6.6)

Puisque le processus (F(t, T))o<t<T est une martingale sous IP'*,


le processus (F(t, T)Lt)os_ts_r est une martingale ;o~s IP' (cf. Exercice 34). De plus,
on a F(t, T)Lt > 0 p.s., pour tout t E [O, T]. Alors, par le mme raisonnement que
dans la Proposition 6.1.1, on voit qu'il existe un processus adapt (B'[)o<t<T tel que
for (fJ'[) 2 dt < oo et
- -

Dmonstration.

F(t, T)Lt = F(O, T)ef~ Il'[ dW,-!j~(ll'[) 2 ds.


D'o, en explicitant Lt et en supprimant l'actualisation,

P(t, T)

P(O, T) exp

(1t r(s)ds + 1t (BI' - q(s)) dW

-~ 1t ( (B'I')

q(s) 2 ) ds).

6.1 Principes de la modlisation

149

En appliquant la formule d'It avec la fonction exponentielle, on obtient

dP(t, T)
P(t,T)

r(t)dt + (e[ - q(t)) dWt -

~ ( (ei) 2 -

q(t) 2 ) dt

+ 21 (etT - q(t)) 2 dt
(r(t) + q(t) 2 - e[ q(t)) dt+ (e[ - q(t)) dWt,
ce qui donne (6.6) en posant a'{=

er - q(t).

Remarque 6.1.1 La formule (6.6) est rapprocher de l'galit dSP = r(t)SPdt,


vrifie par l'actif dit sans risque. C'est la prsence du terme en dWt qui rend les
obligations plus risques. De plus, pour l'intuition, l'expression r(t) - a'[ q(t) apparat comme le rendement moyen (i.e. en esprance) de l'obligation l'instant t
(car les accroissements du brownien sont centrs) et l'expression -a'[ q(t) apparat
comme la diffrence entre le rendement moyen de l'obligation et le taux sans risque.
D'o l'interprtation de -q(t) comme une prime de risque. Sous la probabilit IP'*,
le processus (Wt) dfini par Wt = Wt q(s)ds est un mouvement brownien
standard (Thorme de Girsanov), et on a

J;

dP(t, T)
T P(t, T) = r(t)dt + at dWt.

(6.7)

Ainsi, sous IP'*, le rendement moyen instantan des obligations est gal au taux
d'intrt. Pour cette raison, la probabilit IP'* est appele probabilit risque-neutre.
Notons que, en rsolvant l'quation (6.7), on obtient

P(t, T)

6.1.3

P(O, T)ef~ r(s)ds exp

(lot a'.; dW

8 -

~lat (a'.;) 2 ds) .

(6.8)

Options sur obligations

Pour fixer les ides, considrons d'abord une option europenne d'chance e sur
l'obligation zro-coupon d'chance T, avec 0 :::;
T:::; T. S'il s'agit d'un call de
prix d'exercice K, la valeur de l'option l'instante est videmment (P(e, T)-K)+
et il semble raisonnable de couvrir ce call avec un portefeuille constitu de certaines quantits d'actif sans risques et d'obligations zro-coupon d'chance T. Une
stratgie (sur l'intervalle de temps [, e]) est alors dfinie par un processus adapt
(HP, Ht)O~.t'5JJ valeurs dans JR 2 , HP reprsentant la quantit d'actif sans risque
et Ht le nombre d'obligations zro-coupon d'chance T dtenues en portefeuille
l'instant t. La valeur du portefeuille l'instant test donne par

e :::;

et la condition d'auto-financement s'crit, comme dans le Chapitre 4, sous la forme

Chapitre 6 Modles de taux d'intrt

150

Pour que cette galit ait un sens, on impose, compte-tenu de la Proposition 6.1.3, les
IHfr(t) ldt < oo et (HtaT) 2 dt < oo p.s. Comme
conditions d'intgrabilit
dans le Chapitre 4, on dfinit les stratgies admissibles de la faon suivante.

1:

1:

Dfinition 6.1.5 Une stratgie cp = ((Hf, Ht) )o:5,_t:5,_T est admissible si elle est autofinance et si la valeur actualise Vt (cp) = Hf + HJ>( t, T) du portefeuille correspondant est, pour tout t, positive et telle que suptE[o,e] Vt est de carr intgrable sous
IP'*.
La proposition suivante montre que, sous des hypothses convenables, on peut couvrir toutes les options europennes d'chance < T.

Proposition 6.1.6 On suppose SUPo<t<T lr(t)I < oo p.s. et a[ f= 0 p.s. pour tout
t E [O, B]. Soit e < T et soit h une- variable alatoire Fe-mesurable telle que
he- Ji r(s)ds soit de carr intgrable sous IP'*. Alors, il existe une stratgie admissible dont la valeur l'instante est gale h. La valeur un instant t ~ e d'une

telle stratgie est donne par

Dmonstration.

La mthode est la mme que dans le Chapitre 4. On observe


est la valeur actualise l'instant t d'une stratgie admissible
(Hf, Ht)o:5,_t:5,_T, on a, en utilisant la condition d'auto-financement, la formule de
diffrentiation d'un produit et la Remarque 6.1.1 (cf. quation (6.7)),
d'abord que si

Vt

Vt est de carr intgrable sous IP'*,


(Vt) est une martingale sous IP'*. On a donc, pour t E [O, B],

On en dduit, compte-tenu du fait que suptE[,T]


que

et, si on impose la condition Ve

= h, on obtient

vt = eJ~ r(s)dsE* ( e- g dshlFt) .


Pour achever la dmonstration, il suffit de trouver une stratgie admissible ayant
chaque instant cette valeur. Pour cela, on montre qu'il existe un processus ( lt)o<t<e
tel que
Jfdt < oo p.s. et
- -

1:

he- Ji r(s)ds

= E* ( he- Ji r(s)ds) + 1e lsdWs.

Noter que cette proprit ne rsulte pas directement du Thorme de Reprsentation


des Martingales car on ne sait pas si la martingale JE* ( he- g r(s)ds 1 Ft) est adapte

6.1 Principes de la modlisation


la filtration naturelle de
suffit de poser

H t --

151

W (voir ce sujet l'exercice 35). Ce point tant acquis, il

Jt
T
P(t, T)at

pour t ::; (). On vrifie facilement que (Hf, Ht)o<t<O dfinit une stratgie admissible (l'hypothse supo<t<f' lr(t)I < oo p.s. permet d'assurer la condition

J; lr(s)H~lds < oo) dont l; v~leur l'instant Best bien gale h.

Au vu de la Proposition 6.1.6, il est naturel de dfinir le juste prix de !'option h


l'instant t comme la quantit

Remarque 6.1.2 Nous ne nous sommes pas poss la question de l'unicit de la probabilit IP'* et il n'est pas clair que le processus (q(t)) soit dfini sans ambigut. En
fait, on peut montrer (cf. Artzner et Delbaen (1989)) que IP'* est l'unique probabilit
quivalente lP' sous laquelle (F(t, T))o<t<T soit une martingale si et seulement si le
processus (a[) vrifie a[ -=f. 0, dtdlP' presque partout. Cette condition, lgrement
plus faible que l'hypothse de la Proposition 6.1.6, est exactement ce qu'il faut pour
pouvoir couvrir les options avec des obligations zro-coupon d'chance T, ce qui
n'est pas tonnant si l'on songe la caractrisation des marchs complets que nous
avons donne dans le Chapitre 1.
Remarque 6.1.3 La mise en uvre des stratgies admissibles au sens de la
Dfinition 6.1.5 n'est pas tout fait claire car les transactions dans l'actif sans risque
peuvent tre impossibles ou inadaptes. Dans la pratique, la couverture d'une option
d'chance () sur une obligation zro-coupon d'chance T fera plutt intervenir des
obligations zro-coupon des deux chances() et T. Voir la Remarque 6.1.6 et l'exercice 36.
Remarque 6.1.4 Pour l'valuation des options sur des obligations avec coupons, on
pourra consulter Jamshidian (1989) et El Karoui et Rochet (1989).

6.1.4 Mesures de probabilit forward et changement de


numraire
Dfinition 6.1.6 tant donn une date d'chance TE [, 1'], on appelle probabilit
T-forward la mesure de probabilit IP'T quivalente IP'*, dfinie par

dJP>T

e- foT r(s)ds

d!P'*

P(O, T)

Noter que JP>T est une mesure de probabilit parce que

P(O, T) =JE* ( e- g

r(s)ds) .

Chapitre 6 Modles de taux d'intrt

152

Comme la densit d!P'T j d!P'* est strictement positive, la probabilit IP'T est bien
quivalente IP'* (et IP'). On peut aussi rcrire (6.2) sous la forme
JE* (d!P'T

d!P'*

:F)t = P(O,
F(t,T)
T)'

~ t ~ T.

La proposition suivante peut tre utilise pour calculer la valeur d'une option
d'chance en passant par la probabilit B-forward (cf. Remarque 6.1.5 ci-dessous
pour plus de commentaires).

Proposition 6.1.7 Soit

eune date d'chance (0 ~ e ~ T).

1. Si h est une variable alatoire positive, on a, pour t E [O, B],

2. Si (Xt)o<t<O est un processus stochastique adapt, le processus


(Xt/Sf)o;_t;_o est une IP'*-martingale si et seulement si (Xtf P(t,B))o<t<O
est une IP' 11-:m~rtingale.
- Dmonstration. La premire assertion rsulte de la formule de Bayes pour les
esprances conditionnelles :
JE 11 (h I Ft)

= JE*

(h~! I :Ft)

avec

Lr

= F(t, B)j P(O, B).

Pour la seconde assertion, on remarque que (Mt)o<t<O est une IP' 11 -martingale si et
o
seulement si (MtLno<t<o est une IP'*-martingale (cf.-Exercice 34).
Remarque 6.1.5 La Proposition 6.1. 7 a une interprtation intressante en termes
de changement de numraire. Un numraire est un actif financier utilis comme
unit de prix. Si (St) est le processus de prix d'un actif, le prix actualis (St/ Sf)
peut tre vu comme le prix de l'actif quand on prend l'actif sans risque comme
numraire. Si on choisit pour numraire l'obligation zro-coupon d'chance B, le
prix de l'actif l'instant t (t ~ B) devient Fs(t, B) = St/ P(t, B). C'est ce qu'on
appelle le prix B-forward de l'actif. On sait que le prix actualis d'un actif risqu est
une martingale sous la probabilit risque-neutre. Il rsulte de la seconde assertion
de la Proposition 6.1. 7 que le prix B-forward est une martingale sous la probabilit
B-forward. La premire assertion signifie que la valeur B-forward d'une option europenne d'chance est l'esprance conditionnelle sous la probabilit B-forward
du profit permis par l'exercice de l'option. Notons que le prix forward Fs(t, B) est
la valeur l'instant t d'une option d'chance eet de valeur Se l'chance, ce qui
correspond une option offrant une unit de l'actif considr la date e.

Considrons un call d'chance et de prix d'exercice K sur une obligation zrocoupon d'chance T. On a alors h = (P(B, T) - K)+ Pour calculer le prix Bforward de cette option l'instant t, on a besoin de la loi conditionnelle de P(B, T)

6.1 Principes de la modlisation

153

sachant Ft sous la probabilit 0-forward. Notons P 0 (t, T) le prix 0-forward de


l'obligation zro-coupon d'chance T. Remarquons que P(O, T) = P 0 (0, T). Le
rsultat suivant prcise la dynamique du processus ( pe (t, T)) sous la probabilit
0-forward.

Proposition 6.1.8 tant donn deux chances 0 et T, le prix 0-fmward pe (t, T) =


P(t, T)/ P(t, 0) de l'obligation zro-coupon d'chance T vrifie
dP 0 (t, T)
( T
IJ)
IJ
pe(t, T) = at - at dWt,
-

pour 0 ::::; t ::::; 0 A T,

(6.9)

o Wf = Wt - Io a~ds, et le processus (Wt)o::;t'.S'.IJ est un (Ft)-mouvement brownien standard sous la probabilit 0-forward JP> 0.
Dmonstration.

On dduit de (6.8) que

o Wf = Wt - I~ a~ds. On obtient aisment (6.9) en appliquant la formule d'It. Il


reste montrer que, sous JP> 0 , (Wt)o'.S'.t'.S'.IJ est un (Ft)-mouvement brownien standard.
e- - 1
te2)

Notons Lte =exp (IotasdWs


2 I 0 (as) ds = P(t,O)/P(O,O). On a, en ut1hsant l'galit P(O, 0) = 1, dlP' 0 /dlP'* = L~, et on sait, d'aprs (H), que (Lr)o'.':'.t'.':'.IJ
est une martingale. Il suffit alors d'appliquer le Thorme de Girsanov.
D

Remarque 6.1.6 Il rsulte de la Proposition 6.1.8 que, si les volatilits des obligations zro-coupon, a[ at, sont dterministes, le prix 0-forward d'un call europen
d'chance 0 et de prix d'exercice K sur l'obligation zro-coupon d'chance T, est
donn par

cf

E0 ((P 0 (o, T) - K)+ 1 Ft)


E0 ((P 0 (t,T)(t,IJ) - K)+ / Ft),

lJ
T
IJ
IJ
Z(t, 0) = t (as - as) dWS -

(T
2111J
t as

0::::; t::::; 0,

IJ)2 ds.

- as

Notons que, sous JP> 0 , la variable alatoire Z(t, 0) est indpendante de Ft et suit la
loi normale de moyenne -~~ 2 (t, 0) et de variance ~ 2 (t, 0), o

Chapitre 6 Modles de taux d'intrt

154

On a donc, en utilisant la Proposition A.2.5 de l' Appendice,

Cf= B(t, P 9 (t, T)),

(6.10)

avec

B(t, x)

IE*(xeZ(t,O) - K)+

xN(d1(t,x)) - KN(d2(t, x)),


o N est la fonction de rpartition de la loi normale centre rduite,

d (
1

+ (L: 2 (t,B)/2)
L:(t,e)

) _ log(x/K)

t,x -

et

d2(t,x) = di(t,x)- L:(t,e).

La formule ci-dessus (qui correspond la formule de Black-Scholes avec taux


d'intrt nul) est connue sous le nom de formule de Black. En revenant (6.10),
on peut crire la valeur du cal! l'instant t sous la forme

Ct

P(t, B)Cf
P(t, B)B(t, P 9 (t, T))
P( t, T)H'{ + P( t, B)Hf,

o H[ = N(d 1(t,P 9 (t,T)) et Hf= -KN(d2(t,P 9 (t,T)). Dans ce cadre, on


peut couvrir l'option en dtenant H[ obligations zro-coupon d'chance Tet Hf
obligations zro-coupon d'chance l'instant t (cf. Exercice 36).

6.2

Quelques modles classiques

Les quations (6.2) et (6.4) montrent que pour calculer le prix des obligations,
on a besoin de connatre soit l'volution de (r(t)) sous IP'*, soit l'volution du
couple (r(t), q(t)) sous IP'. Les premiers modles que nous allons examiner dcrivent
l'volution de r(t) sous IP' par une quation de diffusion et choisissent la forme de
q( t) de faon conserver le mme type d'quation sous IP'*. Les prix des obligations et des options dpendent alors explicitement de paramtres de risque difficiles
estimer. Une des vertus du modle de Heath-Jarrow-Morton, que nous prsentons
brivement dans la Section 6.2.3, est de fournir des formules de prix dpendant uniquement de paramtres rgissant l'volution des taux sous IP'.

6.2.1

Modle de Vasicek

Dans ce modle, on suppose que le processus r(t) vrifie

dr(t) = a(b - r(t))dt + crdWt,

(6.8)

o a, b, cr sont des constantes positives. On suppose aussi que le processus q(t) est
constant: q(t) = -.>.,avec.>. E R On a alors

dr(t) = a(b* - r(t))dt + crdWt,

(6.9)

6.2 Quelques modles classiques

155

o b* = b - >.a/ a et Wt = Wt + >.t. Avant de calculer le prix des obligations selon


ce modle, donnons quelques consquences de l'quation (6.8). Si on pose

Xt = r(t) - b,
on voit que (Xt) est solution de l'quation diffrentielle stochastique

ce qui signifie que (Xt) est un processus d'Ornstein-Uhlenbeck (cf. Chapitre 3, Section 3.5.2). On en dduit que r(t) peut s'crire

et que, pour chaque t, la variable alatoire r(t) est une gaussienne de moyenne et
variance donnes par
JE(r(t))

= r(O)e-at + b(l - e-at),

Var(r(t))

= a 2 (1

- e- 2 at)/2a.

Il en rsulte que r(t) peut tre ngatif avec une probabilit strictement positive, ce
qui n'est pas trs satisfaisant (sauf si cette probabilit reste trs faible). Noter que,
quand t tend vers l'infini, r(t) converge en loi vers une gaussienne de moyenne b et
de variance a 2 /(2a).
Pour calculer le prix des zro-coupons, on se place sous la probabilit IP'* et on
utilise l'quation (6.9). D'aprs l'galit (6.2), on a

P(t, T)

JE* ( e- Jt r(s)ds

IFt)

e-b*(T-t)JE* (e-ft

x;dsl.rt),

(6.11)

en posant x; = r(t) - b*. Comme (Xt) est solution de l'quation de diffusion


coefficients indpendants du temps
(6.12)
on peut crire
(6.13)

= JE* ( e- g x: ds), ( Xf) tant !'unique


solution de l'quation (6.12) qui vrifie xg =X (cf. Chapitre 3, Remarque 3.5.4).
o F est la fonction dfinie par F ((), x)

Le calcul de F(B, x) peut tre compltement explicit. On sait (cf. Chapitre


3) que le processus (Xf) est gaussien, trajectoires continues. Il en rsulte que

J: x:ds

est une gaussienne, puisque l'intgrale est limite de sommes de Riemann

Chapitre 6 Modles de taux d'intrt

156

qui sont gaussiennes. On a donc, d'aprs l'expression de la transforme de Laplace


d'une gaussienne,

De l'galit JE*(X;)

= xe-as, on dduit
1 - e-al:i

=x---

Pour le calcul de la variance, on crit


Cov

(11:1x:ds,11:1 x:ds)

11:1 11:1 Cov(Xf,X~)dudt.

(6.14)

Cov(Xf,X~)

et, en reportant dans (6.14),

En revenant (6.11) et (6.13), on obtient la formule

P(t, T)

= exp[-(T - t)R(T - t, r(t))],

o R(T - t, r(t)), qui s'interprte comme le taux d'intrt moyen sur la priode
[t, T], est donn par

R(B, r) = Roo - al(} [(R00

r)(l - e-al:i) - ::2 (1 - e-al:i) 2 ]

avec R 00 = lim1:1__, 00 R(B, r) = b* - a 2 /(2a 2 ). Le taux R 00 s'interprte comme


un taux long terme. Notons qu'il ne dpend pas du taux instantan spot r. Cette
dernire proprit est considre comme un dfaut du modle par les praticiens.
Dans le modle de Vasicek , les volatilits des obligations zro-coupon sont
dterministes, ce qui permet d'obtenir des formules explicites pour l'valuation et
la couverture des options sur obligations (cf. Exercice 36).

6.2 Quelques modles classiques

157

Remarque 6.2.1 Dans la pratique, se pose le problme de l'estimation des paramtres et du choix de la valeur de r. Pour r, on peut choisit un taux court (par
exemple, le taux au jour le jour ou jj). On peut ensuite, en plincipe, caler les paramtres b, a, a par des mthodes statistiques sur les donnes historiques du taux
instantan, puis dterminer partir des donnes de march en inversant la formule
de Vasicek. En fait, les praticiens dterminent souvent les paramtres, y compris r,
en ajustant au mieux la formule de Vasicek aux donnes de march.

6.2.2 Modle de Cox-Ingersoll-Ross


Cox, lngersoll et Ross (l 985) proposent de modliser l'volution du taux
d'intrt instantan par l'quation

dr(t) =(a - br(t))dt

+ a-/rTt)dWt,

(6.15)

avec a et a positifs, b E IR, le processus (q( t)) tant pris de la forme q( t) =


-aJT(t}, avec a E R Notons qu'on ne peut pas appliquer cette quation le
thorme d'existence et d'unicit que nous avons donn au Chapitre 3, puisque la
fonction racine carre n'est dfinie que sur JR+ et n'est pas lipschitzienne. Cependant, grce au caractre h6lderien de la fonction racine carre, on peut montrer le
rsultat suivant.

Thorme 6.2.3 Soit (Wt) un mouvement brownien standard dfini sur [O, oo ). Pour
tout rel x ?: 0, il existe un unique processus continu adapt (Xt), valeurs dans
JR+, vrifiant Xo = x et
dXt

= (a -

bXt)dt

+ a#tdWt

sur [O, oo ).

(6.16)

Pour une dmonstration de ce rsultat, nous renvoyons Ikeda et Watanabe ( 1981 ), p.


221. Avant d'tudier le modle de Cox-Ingersol-Ross, nous allons donner quelques
proplits de cette quation. Nous noterons (Xf) la solution de (6.16) issue de x et
r 0 le temps d'arrt dfini par

r = inf {t ?: o Xf = o},
1

avec, comme d'habitude, inf0

Proposition 6.2.4

1. Si a

= oo.

?: a 2 /2, on a lP' (r 0 = oo) = 1, pour tout x > O.

a< a 2 /2etb?: 0, onalP'(r0 < oo) = l,pourtoutx >O.


Si 0 :::; a < a 2 /2 et b < 0, on a 0 < lP' (r 0 < oo) < 1, pour tout x > O.

2. SiO:::;

3.

La dmonstration de cette proposition fait l'objet de l'exercice 37.


La proposition suivante, qui permet de caractriser la loi du couple

(X[, J~ x; ds) , est


Ingersoll-Ross .

la cl de tous les calculs de prix dans le modle de Cox-

Chapitre 6 Modles de taux d'intrt

158
Proposition 6.2.5 Pour tous rels positifs

et , on a

E ( e->.x: e-J; x:ds) = exp(-a<P.x,(t)) exp(-x1/!.x,(t)),


o les fonctions <P>., et 1/1>., sont donnes par

et

1/1,,(t)
avec ' = Jb 2

(' + b + e1 t(' - b)) + 2(e't - 1)


a2(eit - 1) + ' - b + eit(' + b) '

+ 2a2 .

Dmonstration. Le fait que l'esprance calculer puisse se mettre sous la forme


e-atf>(t)-x,P(t) rsulte d'une proprit d'additivit du processus (Xt) par rapport au
paramtre a et la condition initiale x (cf. Ikeda et Watanabe (1981), p. 225, ou
Revuz et Yor (1990), Chapitre XI). Si, fixant et, on considre la fonction F(t, x)
dfinie par
F(t, x) = E ( e->.x: e- J; x:ds) ,
(6.17)
il est naturel de chercher F comme solution du problme

F a 2 2F
x{ -t = 2 8x 2
F(O, x) = e->.x.

F
+ (a-bx)-xF
x

En effet, si F vrifie ces quations et a des drives bornes, la formule d'It permet
de montrer que, pour tout T > 0, le processus (Mt)o::;t::;r, dfini par

Mt= e-J; x:ds F (T- t, Xf),


est une martingale et l'galit E( Mr) = Mo donne (6.17). Si F est de la forme
F(t, x) = e-atf>(t)-x,P(t), les quations ci-dessus se traduisent par </i(O) = 0, 1/1(0) =
et
-1/l'(t) = <122 1/J 2 (t) + b1j!(t) -

<P'(t)

= 1/!(t).

La rsolution de ces deux quations diffrentielles donne les expressions de <Pet 1/J.D
Quand on applique la Proposition 6.2.5 avec
Laplace de Xf sous la forme

b
(a 2 /2)(l - e-bt)

+b

2a/a

0, on obtient la transforme de

exp

1
(
L( )
(2L + 1) 2a/a 2 exp - 2L + 1 '

be-bt
-x (a 2 /2)(l - e-bt)

+b

6.2 Quelques modles classiques

159

en posant L = (a 2 /4b)(l - e-bt) et ( = 4xb/(a 2(ebt - 1)). Avec ces notations,


la transforme de Laplace de Xf /Lest donne par g4a;a2,, o la fonction 9, est
dfinie par

90,(>.) = (2>. +11)8/2 exp (-

2>.)..~ 1) .

Cette fonction est la transforme de Laplace d'une loi connue sous le nom de loi du
chi-deux dcentre degrs de libert, de paramtre de dcentrage ((voir ce sujet
l'exercice 38). La densit de cette loi est la fonction Ja,, dfinie par

f , (X ) -_

e-/ 2
-x/2 8/4-1/2!
( )
2(8/4-1/2 e
X
8/2-1 V X!,

o I,, est la fonction de Bessel modifie d'ordre

11,

> ,

dfinie par

(x/2)
(2X)" ~ n!r(11+n+1)"
2n

00

I,,(x) =

pour X

On trouvera de nombreuses proprits des fonctions de Bessel et des formules d'approximation des fonctions de rpartition de lois du chi-deux dcentres dans Abramowitz et Stegun (1992), Chapitres 9 et 26.
Revenons maintenant au modle de Cox-lngersoll-Ross. Avec les hypothses
faites sur les processus (r(t)) et (q(t)), on a

dr(t) =(a - (b + aa)r(t))dt + av1r{t)dWt,


o, sous la probabilit lP'*, le processus (Wt)os;ts;T est un mouvement brownien standard. Le prix d'une obligation zro-coupon d'chance Test alors donn, l'instant
0, par

JE* ( e- g

P(O,T)

r(s)ds)

e-acf>(T)-r(O),P(T),

(6.18)

o les fonctions cp et 'ljJ sont donnes par les formules


tb*+b*)
21*e~-2~

cp(t)

= - a2

log

1* - b*

+ er*t(1 + b*)

et

2(e''t - 1)
'l/;(t) = 1* - b* + er*t(1*
avec b*

+ b*)'

= b + aa et 1* = J(b*) 2 + 2a 2 . Le prix l'instant test donn par


P(t, T)

exp(-acp(T - t) - r(t)'l/;(T - t)).

Calculons maintenant le prix d'un call europen d'chance B et de prix d'exercice


K, sur une obligation zro-coupon d'chance T. Le prix du call l'instant 0 est
donn par
C0 = P(O,B)JE 8 [(P(B,T) - K)+],

160

Chapitre 6 Modles de taux d'intrt

o IP' 6 est la probabilit B-forward (cf. Proposition 6.1. 7). Notons que

{P(B, T) > K} = {e-a</>(T-O)-r(O),P(T-O) > K} = {r(B) < r*},


o r* est dfini par
*
r

=-

+ log(K)
'lj;(T- B)
.

acp(T - B)

D'o

Co

P(O, B)lE 6 (P( B, T)l{r(O)<r*}) - K P(O, B)IP'6 (r( B) < r*)


P(O,B)JE6 (P(B,T))IP' 6r(r(B) < r*) - KP(O,B)IP' 6 (r(B) < r*),

o nous avons introduit la probabilit IP' 9T, dfinie par

diP' 9 T
diP'e

P(B, T)
IE9 (P(B, T))"

Remarquons que le processus (P( t, T)/ P(t, B) )o<t<e est une IP'11 -martingale, car
(F(t, T) )o<:::,t<:::,6 est une IP'* -martingale (cf. Propositio~ 6.1.7). Donc

!Ee (P(B T))

'

= P(O, T)

P(O, B).

On peut maintenant crire le prix de l'option sous la forme

Co= P(O,T)IP'6T(r(B) < r*) - KP(O,B)IP' 6(r(B) < r*).


On peut montrer (cf. Exercice 39) que, si on pose

Le= 0"2

(e'"r*ll - 1)

2 "f* ( ei 11 + 1) + b* (ei 6

1)

et

0"2
(e111 - 1)
L6,T = - - - - - - - - - - - - - - - 2 1*(e111+1) + (2'1j;(T- B) + b*)(eie - 1)'
la loi de r(B)/L 6 sous IP' 6 (resp. r(B)/L 9 T sous IP' 6T) est une loi du chi-deux
dcentre 4a/ 0" 2 degrs de libert et de paramtre gal (e (resp. (e,T ), o
8r(O)'y* 2e1" 6
(o = 0"2(eie - l)("f*(eie + 1) + b*)(eie - 1))
et

8r(O)'y* 2e1 9
(o,T = 0"2(eio - l)("f*(e111+1) + (2'1j;(T- B) + b*)(eio - 1))
Avec ces notations, en introduisant la fonction de rpartition Fo,( de la loi du chideux dcentre 8 degrs de libert, de paramtre de dcentrage (, on a

Co= P(O, T)F4a/a2,(o,r

(Ze~r) -

KP(O, B)F4a/a2,(o

(~:).

6.2 Quelques modles classiques

161

Remarque 6.2.2 Dans le modle de Cox-Ingersoll-Ross, le prix d'une obligation zro-coupon est l'exponentielle d'une fonction affine du taux d'intrt (cf.
quation (6.18)). Cette proprit est galement vrifie par le modle de Vasicek, et
est lie au fait que les coefficients du gnrateur infinitsimal des diffusions (6.9) et
(6.16) sont des fonctions affines du taux d'intrt (voir, plus gnralement, la notion
de modle affine dans Duffi.e, Filipovi, et Schachermayer (2003)).

6.2.3

L'approche de Heath-Jarrow-Morton

Les modles de Vasicek et Cox-Ingersoll-Ross ont pour principal dfaut de donner des prix qui sont des fonctions explicites du taux d'intrt instantan spot et ne
permettent donc pas d'intgrer, dans la structure des prix, l'observation de toute la
courbe des taux.
Certains auteurs ont introduit des modles hi-dimensionnels pour mieux rendre
compte des disparits entre taux court et taux long (cf.Brennan et Schwartz (1979),
Schaefer et Schwartz (1984) et Courtadon (1982)). Ces modles plus complexes ne
dbouchent pas sur des formules explicites et ncessitent la rsolution d'quations
aux drives partielles. Plus rcemment, Ho et Lee (1986) ont propos un modle
temps discret dcrivant l'volution de l'ensemble de la courbe des taux. Le modle
temps continu que nous allons prsenter maintenant est bas sur la mme ide et a
t introduit par Heath, Jarrow, et Morton (1992) (voir aussi Morton (1989)).
On dfinit tout d'abord les taux d'intrt instantansforward f(t, s), pour t 2: s,
caractriss par l'galit

P(t,T) =exp

(-1T

f(t,s)ds),

0:::; t :ST,

(6.19)

pour toute chance T. Le nombre f(t, s) reprsente donc le taux d'intrt instantan la date s, tel que le march le voit la date t. Pour chaque T, le processus (f(t, T))o<t<T doit donc tre un processus adapt et il est naturel de poser
f(t, t) = r(t)~ On impose galement l'application (t, s) r--+ f(t, s), dfinie pour
t:::; s, d'tre continue. La modlisation consiste ensuite supposer que, pour chaque
chance T, le processus (f(t, T))o::;t::;T vrifie une quation de la forme

f(t, T)

f(O, T)

1t

a(v, T)dv

1t

{J(v, T)dWv,

(6.20)

o (a( t, T) )o<t<T et ((3( t, T) )o<t<T sont des processus continus adapts. Nous supposerons en fait-qu'il y a contimit par rapport au couple (t, T).
Il faut alors s'assurer que ce modle est compatible avec l'hypothse (H). Cela
impose des conditions sur les processus a et (3. Pour les faire apparatre, on calcule
la diffrentielle dP(t, T)/ P(t, T) et on la compare l'quation (6.6). Posons Xt =

Chapitre 6 Modles de taux d'intrt

162

- Jt f(t, s)ds. On a P(t, T) =ex' et, d'aprs (6.20),


Xt

= 1T(-f(s,s)+f(s,s)-f(t,s))ds
-1T f(s, s)ds + 1T (1 a(v, s)dv) ds
8

+ 1T (1 /3(v, s)dWv) ds
-1T f(s, s)ds + 1T (1T a(v, s)ds) dv

+ 1T (1T /3(v, s)ds) dWv


Xo

(6.21)

+ 1t f(s, s)ds -1t (1T a(v, s)ds) dv

-1t (1T /3(v, s)ds) dWv.


Noter que l'interversion des intgrales dans (6.21) est justifie par l'exercice 40. On
a donc

dXt = (f(t,t)-1T a(t,s)ds) dt- (1T /3(t,s)ds) dWt


et, par la formule d'It,

dP(t, T)
P(t, T)

dXt

(1

+ 2,d(X, X)t

(t, t) - (

(t, s )ds)

+ (

f3(t, s)ds

dt

- (1T /3(t, s)ds) dWt.


Si l'hypothse (H) est vrifie, on doit avoir, d'aprs la Proposition 6.1.3 et l'galit

f(t, t) = r(t),

a[~ -

/3(t,s)ds

ot

(t

a[q(t)

/3(t, s)ds

(t,s)ds)-

(t

f3(t,s)ds)'

D'o

a(t, s)ds =

- q(t) 1

f3(t, s)ds

6.2 Quelques modles classiques

163

et, en drivant par rapport T,

o:(t, T)

f3(t, T) (lT (3(t, s)ds - q(t)) .

L'quation (6.20) s'crit alors, sous forme diffrentielle,

df(t, T) = (3(t, T) (lr (3(t, s)ds) dt+ (3(t, T)dWt.


Un point important est que la dynamique des taux d'intrt instantans forward sous

IP'* ne dpend pas du processus o:. Le modle peut tre prcis en imposant la forme
suivante pour f3 :

(3(t, T) = a(f(t, T)),


o a : ~ ---> ~ est une fonction continue (qui pourrait aussi dpendre du temps, cf.
Morton (1989)). Dans ce cas, le processus deux paramtres (f(t, T))o<t<T doit
vrifier l'quation diffrentielle stochastique

df(t, T)

a(f(t, T)) (lT a(f(t, s))ds) dt+ a(f(t, T))dWt.

(6.22)

Le thorme suivant, d Heath, Jarrow, et Morton (l 992), donne des conditions


suffisantes sous lesquelles l'quation (6.22) a une solution unique.

Thorme 6.2.6 Si la fonction a est lipschitzienne et borne, pour toute fonction


continue </J de [O, f'] dans ~+, il existe un unique processus continu deux paramtres (f(t, T))o<t<T<T tel que, pour tout T, le processus (f(t, T))o<t<T soit
adapt et vrifie (6.22[ avec f(O, T) = </J(T).
- On voit que, pour tout processus continu adapt ( q(t) ), on peut construire un modle
de la forme (6.20). Il suffit de prendre une solution de (6.22) et de poser ensuite

o:(t, T) = a(f(t, T)) (lT a(f(t, s))ds - q(t)) .


Ce qui est remarquable dans ce modle, c'est que la loi des taux d'intrt forward
sous IP'* ne dpend que de la fonction a. C'est une consquence de l'quation (6.22),
qui ne fait apparatre que a et (Wt). Il en rsulte que les prix des options ne dpendent
que de la fonction a. On est ainsi dans une situation analogue celle du modle de
Black-Scholes. Notons que si a est une constante, les volatilits des zro-coupons
(a[), 0 '.: '.'. t '.: '.'. T) sont dterministes, de sorte que la Remarque 6.1.6 s'applique (voir
l'exercice 41). Signalons que la condition de bornitude sur a est essentielle puisque,
pour a( x) = x, il n'y a pas de solution (cf. Heath, Jarrow, et Morton ( 1992); Morton
(1989)).

164

Chapitre 6 Modles de taux d'intrt

6.2.4

Modle Forward Libor ou BGM

L'approche de Heath-Jarrow-Morton est centre sur la dynamique des taux forward instantans. Dans la pratique, ces taux ne sont pas directement observables.
En ralit, les produits drivs de taux d'intrt font intervenir des taux forward sur
des priodes de temps finies. Dans cette section, nous prsentons le forward LIBOR
(London Inter Bank Offered Rate) et le modle forward LIBOR, galement appel
modle BGM, car il a t introduit par Brace, Gatarek, et Musiela (1997).
Le LIBOR forward d'chance T peut tre vu comme un taux d'intrt sur la
priode [T, T + o], o o est appel tenor. Sa valeur L(t, T) l'instant t (0 ::::; t ::;: T)
est relie aux taux forward instantans ou aux prix des zro-coupons par les relations
1 + oL(t, T) =exp

ou encore

{T+
)
P(t, T)
( Jr
f(t, s)ds = P(t, T + o),

L(t T) = P(t, T) - P(t, T + o).


'
oP(t,T+o)

Un exemple typique d'option sur taux d'intrt est le cap/et, qui paye la date T +
la diffrence entre le LIBOR et un taux fixe K. Plus prcisment, la richesse fournie
l'instant T + est donne par

o (L(T, T) - K)+.
Un agent qui emprunte un euro la date T devra payer 1 + oL(T, T) l'instant
T +o. S'il dtient un caplet de prix d'exercice K, il paiera l'instant T + o une
somme nette donne par

1 + oL(T, T) - o (L(T, T) - K)+

= 1 + omin(L(T, T), K).

En d'autres termes, le taux d'intrt est rduit min(L(T, T), K). Dans le cas de
Tn =Ta+ no, le taux d'intrt peut
plusieurs dates de paiement, T 1 = Ta+
tre maintenu au niveau K, grce un cap, c'est--dire une collection de caplets. Le
dtenteur d'un cap reoit (L(Ti_ 1 , Ti_i) - K)+ aux instants Ti, i = 1, ... , n.
Notons Ct le prix l'instant t d'un caplet qui paye (L(T, T) - K)+ l'instant
T + a. On a, en utilisant la Proposition 6.1. 7,

a, ... ,

Ct = P(t, T

+ o)IET+o (a (L(T, T) -

K)+

Ft),

pour 0::::;

t::::; T +o.

Notons que le processus (L(t, T))a<;t<;T est une martingale sous la probabilit (T +
o)-forward car 1 + oL(t, T) est le prix (T + o)-forward de l'obligation zro-coupon
d'chance T (cf. Proposition 6.1.7 et Remarque 6.1.6).
Si on suppose que la dynamique de (L(t, T))a<;t<;T est donne par

dL(t, T) = ( T)dWT+o
L(t,T)
"(t,
t'

0::::; t::::; T,

(6.23)

o 'Y(t, T) est une fonction dterministe borne, et wr+o un mouvement brownien


standard sous IP'T+o, alors on a une formule explicite pour Ct, qui est la formule de

6.3 Exercices

165

Black pour les caplets (voir Remarque 6.1.6 et Exercice 42). Le rsultat principal
de Brace, Gatarek, et Musiela (1997) (voir aussi Musiela et Rutkowski (2005)) est
qu'il est possible de construire un modle cohrent dans lequel la dynamique de
chacun des processus (L(t, Ti))o:s;t:s;T;+ (Ti = To + i, i = 1, ... , n) est de la
forme (6.23), avec une volatilit dterministe 'Y(t, Ti) Dans ce modle, les prix de
caps sont faciles calculer, comme sommes de prix de caplets. Pour des options plus
complexes, comme les swaptions, qui font intervenir la loi conjointe de LIBORs
d'chance diffrentes, L(t, Ti), avec Ti = i, i = 1, ... n, on peut avoir besoin de
la dynamique de L(t, Ti) sous une autre probabilit forward (cf. Exercice 42).

Remarques bibliographiques : Nous avons limit notre prsentations des modles


conduits par un seul mouvement brownien. Les rsultats principaux de la Section 6.1
s'tendent aux modles multifacteurs, o le mouvement brownien sous-jacent est
multi-dimensionnel. Nous renvoyons Brigo et Mercurio (2006) pour un expos exhaustif des modles de taux d'intrt et une discussion approfondie des problmes
pratiques. Comme nous !'avons signal, le modle BGM ne fournit pas de formules
simples pour les swaptions. Jamshidian (1997) propose un modle dans lequel les
swaptions peuvent tre prices avec la formule de Black. Ce modle n'est pas compatible avec le modle BGM. La premire prsentation systmatique des techniques
de changement de numraire est due Geman, El Karoui, et Rochet (1995). Ces
techniques peuvent s'appliquer dans beaucoup de situations en dehors des modles
de taux d'intrt. En particulier, certains problmes du Chapitre 4 peuvent tre traits
par ces techniques (notamment, le problme sur le modle de Garman-Kohlagen et
celui sur les options asiatiques, voir Shreve (2004), Chapitre 9).

6.3

Exercices

Soit (Mt)o<t<T une martingale continue telle que, pour tout t


[O, T], IP'(Mt > 0) = 1. O~p~se

Exercice 33

(inf{t E [O, T]IMt

= O}) /\ T.

1. Montrer que Test un temps d'ant.


2. En utilisant le thorme d'arrt, montrer que

JE(Mr) = JE(Mrl{r=T})
En dduire que lP' ({\it E [O, T], Mt

> O}) = 1.

Exercice 34 Soit (D, F, (:Ft)o:s;t:s;r, IP') un espace de probabilit filtr et soit Q


une mesure de probabilit absolument continue par rapport IP'. On note Lt la densit de la restriction de Q :Ft. Soit (Mt)o<t<T un processus adapt. Montrer que
(Mt)o:s;t:s;T est une martingale sous Q si et seulement si le processus (LtMt)o:s;t:s;T
est une martingale sous IP'.
Exercice 35 Les notations sont celles de la Section 6.1.3. Soit (Mt)o:s;t:s;T un processus adapt la filtration (Ft). On suppose que (Mt) est une martingale sous IP'*.

166

Chapitre 6 Modles de taux d'intrt

En utilisant l'exercice 34, montrer qu'il existe un processus adapt (Ht)o<t<T tel
- que for Hf dt < oo p.s. et

Mt= Mo+ lat HsdWs

0 :::'.: t :::'.: T.

a.s.,

Exercice 36 On suppose que les volatilits des zro-coupons (a'[, 0 :::; t :::; T :::; T)
sont dterministes. On note Ct la valeur l'instant t d'un call d'chance e et de
prix d'exercice K sur une obligation zro-coupon d'chance T > e. On utilise les
mmes notations que dans la Remarque 6.1.6.

1. Montrer que

o
o
ftB
o
o
Ct = C0 + Jo x (t, P (t, T))dP (t, T),

o::::: t::::: e.

Indication : utiliser la formule d'It et le fait que (Cf )o<t<O est une IP'9 martingale.
2. Montrer que (B/x)(t,x)

= N(d 1 (t,x)).

3. On pose H[ = N(d 1 (t, P 9 (t, T))) et Hf= -KN(d2 (t, P 9 (t, T)). Montrer
que dCt = H[ dP( t, T) + Hf dP( T). Expliquer pourquoi on peut couvrir
l'option en dtenant H[ (resp. Hf) obligations zro-coupon d'chance T
(resp. 0) l'instant t.

e,

4. Dans le cadre du modle de Vasicek, montrer que a'[= -a(l-e-a(T-t})/a,


o a est le paramtre de retour la moyenne (cf. (6.8)). Calculer la valeur du
call et les taux de couverture.

Exercice 37 Le but de cet exercice est de montrer la Proposition 6.2.4. Pour


x, M > 0, on introduit le temps d'arrt r%1 = inf{ t ;=:: OIXf = M}.

1. Soit s la fonction dfinie sur JO, oo[ par


s(x)

=lx

e2by/a2 y-2a/a2 dy.

Montrer que s vrifie

a 2 d2 s
2 dx 2

ds
dx

-x-+(a-bx)- =0.
2. Pour 0 < c
t > 0, on a

< x < M, on pose r:,M = r; /\ r'Af. Montrer que, pour tout

En dduire, en prenant la variance et en utilisant le fait que s' est borne


infrieurement sur l'intervalle [c, M], que E (r:,M) < oo, ce qui implique
que r:,M est fini p.s.

6.3 Exercices

167

3. Montrer que sic< x < M, s(x) = s(c)IP'(T; < T'fff) +s(M)IP'(T;' > Tf,1).
4. On suppose a?: a 2 /2. Montrer que limx-+O s(x) = -oo. En dduire que

< TNJ) =
pour tout M > 0, puis que IP' (To < oo) = O.
JP'(To

5. On suppose maintenant 0 ::::; a < a 2 /2 et on pose s(O)


Montrer que, pour tout M > x, on a

s(x)

= s(O)IP'(To <

Tf1)

limx-+O s(x).

+ s(M)IP'(To > Tf1),

et achever la dmonstration de la Proposition 6.2.4.

Exercice 38 Soit d un entier strictement positif et soit X 1 ,. .. ,Xd, d gaussiennes


indpendantes de variance 1 et de moyennes respectives m 1 , m 2 , .. ., md. Montrer
que la variable alatoire X = 2:1= 1X[ suit une loi du chi-deux dcentre d degrs
de libert, de paramtre de dcentrage (

2:1=1 mr.

Exercice 39 En utilisant la Proposition 6.2.5, calculer, dans le modle de Coxlngersoll-Ross, la loi der( B) sous les probabilits JP>8 et IP'8 T, introduites la fin de
la Section 6.2.2.
Exercice 40 Soit (n, F, (Ft)o<t<T, IP') un espace de probabilit filtr et soit
(Wt)o::;t::;r un mouvement brownien standard par rapport (Ft) On considre un
processus deux indices ( H (t, s) )o::;t,s::;T vrifiant les proprits suivantes : pour
tout w En, l'application (t, s) r-+ H(t, s)(w) est continue et, pour touts E [O, T], le
processus (H(t, s) )o::;t::;T est adapt. On se propose de justifier l'galit

Pour simplifier, on suppose que

JrlE (J;[ H 2 (t, s)dt) ds <

oo (ce qui est suffisant

pour justifier (6.21 )).


1. Montrer que

En dduire que l'intgrale 0T

(J T H(t, s)dWt) ds a un sens.

2. Soit 0 = ta < t 1 < < tN


Montrer que

Tune subdivision de l'intervalle [O, T].

Chapitre 6 Modles de taux d'intrt

168

et justifier le passage la limite conduisant 1' galit souhaite.

Exercice 41 Dans le modle de Heath-Jarrow-Morton, on prend pour fonction a


une constante strictement positive.
1. Montrer que la solution de (6.22) est donne par f (t, T) = f(O, T)

t/2)

+ a 2t(T-

+ aWt.

2. Calculer les volatilits des zro-coupons (a'[, 0 :::; t :::; T).

3. Calculer le prix l'instant 0 d'un call d'chance


sur une obligation zro-coupon d'chance T > e.

eet de prix d'exercice K,

Exercice 42
1. On se place dans le cadre du modle BGM et on suppose qu'on a (6.23), avec
'Y dterministe et borne. Montrer que le prix l'instant t du caplet qui paye
o(L(T, T) - K)+ la date T + o est donn par

Ct

= oP(t, T + o) [L(t, T)N(di(t, L(t, T))) - KN(d2(t, L(t, T)))],

Jt

log(x/ K) + ~
'Y 2 (s, T)ds
di (t, X ) = ----:========---

VJt "( (s, T)ds


2

et d2(t, x) =di (t, x) -

JJt "(

2 (s,

T)ds.

2. On note (a( t, T) )o::;t::;r le processus de volatilit de !'obligation zro-coupon


d'chance T. Montrer que

T
T+o O"((t, T)L(t, T)
at - at
= 1 + oL(t, T) .
3. Soit n un entier strictement positif, et, pour i = 0, ... , n, soit Ti = io. On
suppose qu'on a (6.23) pour T =Ti> i = 1, ... , n, avec des fonctions 'Y(t, Ti)
dterministes, bornes, positives. Montrer que, pour i = 1, ... , n - 1, et 0 :::;
t :S

Ti,

dL(t T) = "'(t T)L(t T) [,

'

L.....,
j=i+i

O"f(t, Tj)L(t, Tj) dt+ dWTn+o] .


1 + oL(t T-)
t
,

Chapitre 7

Modles d'actifs avec sauts


Dans le modle de Black-Scholes, le prix de l'actif sous-jacent est une fonction continue du temps. Or, certains vnements rares (publication d'un chiffre
conomique, modification soudaine de la conjoncture internationale) peuvent entraner des variation brutales des cours. Pour modliser ce type de phnomne, on
est amen introduire des processus stochastiques trajectoires discontinues.
Ces modles "avec sauts" ont, pour la plupart, une caractristique marquante
qui les diffrencie du modle de Black-Scholes : ce sont des modles de marchs
incomplets, dans lesquels il n'y a pas de couverture parfaite des options. L'valuation
des options par la construction d'un portefeuille de rplication n'y est donc plus
possible, et l'ensemble des mesures de probabilit sous lesquelles le prix actualis
du sous-jacent est une martingale est infini. Dans ce contexte, l'approche usuelle de
l'valuation consiste choisir une de ces probabilits et la prendre comme mesure
de pricing.
Dans ce chapitre, nous nous limitons aux modles avec sauts les plus simples.
La description de ces modles ncessite un expos des principales proprits du processus de Poisson, qui fait l'objet de la premire section. Nous tudions ensuite la
dynamique de !'actif risqu, puis le calcul du prix des options europennes, et nous
examinons ensuite les stratgies de couverture qui minimisent le risque quadratique
sous la mesure de pricing.

7.1

Processus de Poisson

Dfinition 7.1.1 Soit (Ti)i>I une suite de variables alatoires indpendantes


quidistribues, de loi exponentielle de paramtre (> 0), c'est--dire de densit
donne par X t-+ >.e->.x1{ X > o} On pose Tn = L::~=l Ti. On appelle processus de
Poisson d'intensit le processus Nt dfini par
Nt=

L
n<:'.l

l{Tn~t} =

L nl{r,,~t<r,,+i}
n<:'.l

Remarque 7.1.1 Notons que Nt reprsente le nombre de points de la suite (rn)n>I


169

Chapitre 7 Modles d'actifs avec sauts

170
qui sont infrieurs ou gaux t. On a aussi

Tn = inf{t?: O,Nt = n}.


La proposition suivante explicite la loi de la variable alatoire Nt pour t

> O.

Proposition 7.1.1 Si (Nt)t?.O est un processus de Poisson d'intensit alors, pour


tout t > 0, la variable alatoire Nt suit la loi de Poisson de paramtre t, ce qui
s'crit

IP'(Nt = n) = e->.t (t~n,


n.

pourn EN.

On a en particulier

JE(Nt) = >.t,
De plus, pour s

Var( Nt)= JE (Nl) - (JE(Nt)) 2

= t.

> 0,
JE(sNt) = exp[>.t(s - 1)].

Dmonstration. On remarque tout d'abord que la loi de Tn est la loi Gamma de


paramtres (n, ), dont la densit est donne par
->.x (>.x)n-1
e
(n - 1)!'

pour x >O.

En effet, la transforme de Laplace de T1 est donne par

JE(e- 0 T 1 ) =

~a'

pour a> 0,

de sorte que

JE(e-<>Tn) = (1E(e-<>T1)f = (--)n


>.+a
On reconnat la transforme de Laplace de la loi Gamma de paramtres (n, ) (cf.
Bouleau (1986), Chapitre 6, Section 7.12). On a alors, pour n?: 1,

IP'(Nt = n)

IP'(Tn :S: t) - IP'(Tn+i :S: t)

e->.x (x)n-1 dx e->.x (x)n dx


(n-1)!
}0
n!
(t)n >.t
--,-e .
n.

Jo

Proposition 7.1.2 Soit (Nt)t?.O un processus de Poisson d'intensit et :Ft


a(N8 ; s::::; t). Le processus (Nt)t?.O est un processus accroissements indpendants
et stationnaires, ce qui s'crit :

indpendance : pour tous s, t ?: 0, la variable alatoire Nt+s - Nt est


indpendante de la tribu :Ft.

7.2 volution de l'actif risqu

171

stationnarit : pour tous s, t ;:::: 0, la loi de Nt+s - Nt est gale la loi de

Ns -No= N 8
Remarque 7.1.2 Il est facile de voir que les temps de saut Tn sont des temps d'arrt
de la filtration naturelle du processus (Nt). On a en effet {r n :::; t} = {Nt ;:::: n} E
Ft. Une variable alatoire T de loi exponentielle vrifie

IP'(T;:::: t + slT;:::: t) = IP'(T;:::: s), pour tous s, t;:::: O.


On dit que la loi exponentielle est sans mmoire. L'indpendance des accroissements
est une consquence de cette proprit d'absence de mmoire de la loi exponentielle.
Remarque 7.1.3 La loi d'un processus de Poisson d'intensit >. peut tre caractrise par l'une ou l'autre des deux proprits suivantes.

(Ntk?.o est un processus de Markov homogne continu droite et limit


gauche, tel que

IP'(Nt

= n) = e->.t (>.tr,
n.

t > 0, n EN.

(Nt)t?.O est un processus accroissements indpendants et stationnaires,


continu droite, croissant, ne croissant que par sauts d'amplitude 1, vrifiant
No= 0 et JE(N1) = >..
Pour la premire caractrisation, voir Bouleau (1988), Chapitre 3 ; pour la seconde,
voir Dacunha-Castelle et Dufto (1986a), Section 6.3.

7.2 volution de l'actif risqu


Le but de cette section est de modliser un march financier dans lequel l'actif
sans risque a pour prix sp = ert' l'instant t, et un actif risqu, dont le prix prsente
des sauts de valeurs relatives U1 , ... , U1 , ... , des instants r 1 , ... , r1 , ... et qui, entre
deux instants de saut, suit le modle de Black-Scholes. Nous supposerons de plus que
les r1 sont les temps de saut d'un processus de Poisson. Pour prciser cela, plaonsnous sur un espace de probabilit (D, A, IP') sur lequel sont dfinis un mouvement
brownien standard (Wt)t?.O un processus de Poisson d'intensit >. (Nt)t?.O et une
suite (U1 )1?. 1 de variables alatoires indpendantes quidistribues valeurs dans
] - 1, +oo[. On supposera que les tribus engendres respectivement par (Wt)t>o.
(Nt)t?.O (U1 )1?.1 sont indpendantes.
Pour chaque t ;:::: 0, notons Ft la tribu engendre par les variables alatoires
Ws, Ns pour s :::; t et U1 l{j:<;Nt} pour j 2:: 1. On vrifie que (Wt)t?.O est un mouvement brownien standard par rapport la filtration (Ft)t?.O que (Nt)t?.O est (Ft)adapt et que, pour tout t > s, la variable alatoire Nt - Ns est indpendante de la
tribu F 8 La prise en compte des variables alatoires U1 l{j:<;Nt} dans la dfinition
de Ft signifie qu' l'instant t, les valeurs relatives des sauts ayant eu lieu avant t
sont connues. Notons aussi que les r1 sont des temps d'arrt de (Ft)t?.O puisque

{r1:::; t} ={Nt 2:: j} E Ft.

Chapitre 7 Modles d'actifs avec sauts

172

L'volution de Xt, prix de l'actif risqu la date t, peut maintenant tre dcrite
de la faon suivante. Le processus (Xt)t>o est un processus continu droite adapt
vrifiant les proprits suivantes.
Sur les intervalles de temps

[Tj, Tj+l [,

o a et sont des constantes, avec a > O.


A l'instant Tj, le saut de Xt est donn par

ce qui implique X 7 i
On a, pour t E

[O, T 1 [,

X 7 :- (1
J

X t -_ X 0 e(-a 2/2)t+aw, .

La limite gauche de X en

T1

X T1
et

Xr1
Puis, pour t E

+ Uj ).

est donc donne par

= Xoe(-(a2 /2))ri +aWT1


>

= Xo(l + U1)e(-(a2/2))r1+aWT1.

[T1, T2 [,

e(-(a 2/2))(t-T1)+a(Wt-WT1)

X _ (1

'

+ Ui )e(-(a 2/2))(t-r1)+a(Wt-WT

1 )

Tl

Xo(l

+ U1)e(-(a2 /2))t+aWt.

On obtient ainsi de proche en proche

avec la convention f1= 1 = 1.


Le processus (Xt)t>o ainsi dfini est videmment continu droite, adapt et a
un nombre fini de discontinuits sur chaque intervalle [O, t]. On peut montrer qu'il
vrifie, pour tout t ::=: 0,
(7.1)
Ce modle est appel modle de diffusion avec sauts. Sous forme diffrentielle, (7 .1)
s'crit
dXt
Xt- = dt + adWt + dZt,
o Zt

= 2:f,! 1 Uj. Le processus (Zt)

est appel processus de Poisson compos.

7.3 Martingales dans un modle de diffusion avec sauts

173

7.3 Martingales dans un modle de diffusion avec


sauts
Dans cette section, nous donnons quelques rsultats techniques sur les martingales dans un modle de diffusion avec sauts. Nous commenons par une condition
ncessaire et suffisante sur les paramtres pour que le processus du prix actualis soit
une martingale.

Proposition 7.3.1 On suppose IEjU1 1 < oo. Le processus (Xt


alors une martingale si et seulement si

=r-

= e-rt Xt)o:::;t:::;r

.(U1).

est

(7.2)

Pour calculer IE(Xt!Fs), nous aurons besoin du lemme suivant, dont la signification intuitive est que les amplitudes relatives des sauts ayant lieu aprs l'instant s
ainsi que les accroissements de W et N aprs s sont indpendants de la tribu Fs.
~ 0, on note Ys la tribu engendre par les variables alatoires
1, Wt+s-Ws, Nt+s-Ns, t ~ O. Les tribus Ys et Fs sont indpendantes.

Lemme 7.3.1 Pour s

UN.+i j

Notons W. (resp. N.) la tribu engendre par les variables alatoires Wu


(resp. Nu), pour 0 :::; u :::; s. Nous aurons aussi besoin de la tribu Ws (resp. N.), engendre
par les variables alatoires Wt+s - W. (resp. Nt+ - N.), t 2: O.
Pour tablir l'indpendance des tribus 9s et :F., on doit montrer que IP'(A n E) =
IP'(A)IP'(E), o A (resp. E) est lment d'une classe stable par intersection finie engendrant
. (resp. :F.). Posons

Dmonstration.

A= Aw n AN n {(UN.+1, ... , uN.+k) E F}'


o Aw E

W., AN

EN., k est un entier strictement positif, Fun borlien de ffitk, et

E = Ew n EN n {(U1, ... , Ud) E G} n {d::::: N.},


o Ew E W., EN EN., d est un entier strictement positif et G un borlien de ffitd.
On a alors, en utilisant l'indpendance des processus (Wt)t2'.0, (Nt)t2'.0 et de la suite

(Uj)j2'.1
IP'(A n E) = IP'(Aw n Ew )IP'(AN n EN n C),

(7.3)

o
Ona

+oo
IP'(AN n EN n C)

= LIP'(AN n EN n Cp n {N. = p}),


p=d

o Cp = {(Up+1, ... , Up+k) E F} n {(U1, ... , Ud) E G}. En utilisant l'indpendance de


(Nt )t2'. 0 et de la suite (Uj) j2'. l, et l'ingalit p 2: d, on a, avec la notation Ej:,, = EN n { N. =

p},
IP'(AN n EN n Cp n {N.

= p}) =

= IP'(AN n Ej:,, )IP' ((Up+1,. . ., Up+k) E F, (U1,. . ., Ud) E G)


= IP' (AN n Ej:,,) IP' ((Up+1,. . ., Up+k) E F) IP' ((U1,. . ., Ud) E G)
=

IP'(AN)IP'(Ej:,,)IP'((U1,. . .,Uk) E F)IP'((U1,. . .,Ud) E G),

Chapitre 7 Modles d'actifs avec sauts

174

o on a utilis l'indpendance des tribus N. et .!f. D'o

+oo
= lP'(AN)lP'((U1, ... 'Uk)

E F) LlP'((U1, ... 'Ud) E G) lP'(BN

n {Ns

p})

p=d

En revenant (7.3) et en remarquant que Aw et Bw sont indpendants, on a

lP'(A

n B)

lP'(Aw )lP'(Bw )lP'(AN) x

xlP' ((U1, ... , Uk) E F) lP' ((U1, ... , Ud) E G) lP' (EN
lP'(Aw)lP'(AN)lP'((U1, ... ,Uk) E F) x
xlP'((U1, ... , Ud) E G) lP'(BN n Bw n {Ns 2 d}).

n {Ns 2

d})

Il est clair alors que lP'(A n B) = lP'(A)lP'(B). Notons qu'une consquence de cette
dmonstration est le fait que la suite (UN.+i )i?.l a mme loi que la suite (Uj )j?_l
D

Dmonstration de la Proposition 7.3.1. On a

o on a utilis le Lemme 7.3.1. Donc, en utilisant le fait que la suite (UN.+j)j?_l a


mme loi que (Uj)j?_l,

Xse(-r)(t-s)JE (.

fi

(1

+ Uj ))

J=N,+l

Xse(-r)(t-s)e>.(t-s)IE(U 1 ),

o la dernire galit rsulte de l'exercice 43. Il est clair alors que (Xt) est une
martingale si et seulement si= r - IE(U1 ).
D
Pour traiter les termes dus aux sauts dans les stratgies de couverture, nous aurons besoin de deux autres lemmes, dont les dmonstrations peuvent tre omises en
premire lecture. On dsigne par v la loi commune des variables alatoires Uj.
Lemme 7.3.2 Soit <I>(y, z) une fonction mesurable de !Rd x lR dans IR, telle que pour
tout rel z la fonction y f---; <I>(y, z) soit continue sur !Rd, et soit (Yt)t::;o un processus.

7.3 Martingales dans un modle de diffusion avec sauts

175

continu gauche, valeurs dans JRd, adapt la filtration (Ftk:::o On suppose que,
pour tout t > 0,

JE

(lat J

v(dz)<I> 2 (Y8 ,z)) < +oo.

ds

Alors, le processus Mt dfini par

est une martingale de carr intgrable et

est une martingale.


Noter que par convention ~~=l

Dmonstration.

= 1.

On suppose d'abord <I> borne et on pose

C =

sup

j<l>(y, z)j.

(y,z)EJRd xlR

)1

IJ; J v(dz)<l>(Y., z)I S Ct. Donc, Mt est de carr

On a alors 12=~~ 1 <l>(YT;, Uj S CNt et


intgrable. Fixons maintenant s et t, avec s

< t, et posons

Nt

z=

<l>(YTj>Uj)

j=N +1
8

tant donn une subdivision p = (so = s


introduit la variable alatoire

< s1 < <

m-1

Nsi+l

i=O

j=Nsi +1

zP = L

Sm

= t) de l'intervalle

[s, t], on

<l>(Ys,, Uj)

Notons IPI = max1:s:;:s:m(si - Si-1). La continuit gauche de (Yi)t::::o et la continuit de


<I> par rapport y impliquent que ZP converge presque srement vers Z quand IPI ----> O. De
C(Nt - N.), de sorte que, quand IPI----> 0, ZP converge vers Z dans L 2 .
plus, IZPI
Ona

(7.4)

avec
Nai+l -Nsi

<l>(Ys;,Uj) =

<l>(Ys;,UN,i+j)

j=l

En utilisant le Lemme 7 .3.1 et le fait que Ys; est Fs; -mesurable, on peut appliquer la Proposition A.2.5 de l'appendice pour voir que

Chapitre 7 Modles d'actifs avec sauts

176
o <>i est dfinie par

<>i(Y) est ainsi l'esprance d'une somme alatoire de variables alatoires et, d'aprs l'exercice 44,
<>i(Y) = >.(si+l - si)

j dv(z)iP(y, z).

En revenant l'quation (7.4), on en dduit que

Le passage la limite quand

IPI

--->

0 donne

ce qui montre que Mt est une martingale. Posons maintenant ZP =


peut crire

zP =

m-1

m-1

i=O

i=O

L <>i(Y.J = L >.(si+l -

Si)

dv(z)iP(Ys;i z).

De plus,

E ((Z' - Z'l'l.r.) ~ E [ (~1z,., - E(z,+,1.r.J1)'


=JE

(~[ZH1 -

I:Z:;01 JE(Zi+1l.Fs;). On

JE(ZH1l.FsJ) 2 1.Fs)

+ 2 LJE ((Zi+l -

JE(Zi+1l.Fs;))(Zj+1 - JE(ZH1l.Fs 3 ))1.Fs)

i<j

En prenant l'esprance conditionnelle sachant .F. 3 et en utilisant le fait que Zi+ 1 est .Fsi+ 1
donc .F.3 -mesurable, on voit que la deuxime somme est nulle. D'o

JE(~ (ZH1 - JE(ZH1!.F.J)21.Fs)


JE

(~JE ( [Zi+1 -

Utilisant de nouveau le Lemme 7.3.1, on obtient

o la fonction V est dfinie par

JE(ZH1 l.Fs; )] 2

Fs;) /.Fs) .

7.3 Martingales dans un modle de diffusion avec sauts

177

et, d'aprs l'exercice 44,

V(y) = (s;+1 - s;) / dv(z)<I> 2 (y, z).


Donc

et, en faisant tendre

IPI vers 0,

Comme (Mt)t~o est une martingale de carr intgrable, on a

M.) 2 1.r.]

E [(Mt -

= E

(Mt+ M; - 2MtMslFs) = E (Mt -

l;

M;1.r.),

et (7.5) implique que Ml - du dv(z)<I> 2 (Y,,, z) est une martingale.


Si on ne suppose pas <I> borne, mais

E (lat ds / dv(z)<I> 2 (Ys, z))

< +oo,

pour tout t, on peut introduire les fonctions bornes q,n dfinies par <I>n(y, z)
inf(n, sup(-n, <I>(y, z))), et les martingales (M[')t~o dfinies par

Il est facile de voir que E (

l; ds l

dv( z) (q,n (Ys, z) - <I> (Ys, z)) 2 ) tend vers 0 quand n

---->

L2,

oo. Il en rsulte que la suite ( M[') n> 1 est de Cauchy dans


et comme Mi' converge vers
Mt p.s., lvft est de carr intgrable el, en passant la limite, on obtient le lemme pour <I>. D

Lemme 7.3.3 On conserve les hypothses et les notations du Lemme 7.3.2. Soit

(Atk::.:o un processus adapt tel que JE


Lt =

J; A dW
8

(J; A;ds)

< +oo pour tout t > O. Soit

et, comme dans le Lemme 7.3.2,

Alors, le produit (LtMtk~.o est une martingale.


Dmonstration.

Il suffit de montrer le lemme pour <I> borne (le cas gnral se traitant en
approchant <I> par q,n = inf(n, sup(-n, <I> )), comme dans la dmonstration du Lemme 7.3.2).
Fixons s < t et notons p = (so = s < s 1 < < Sm = t) une subdivision de l'intervalle
[s, t]. On a

E(Lt111t - L.M.IFs) = E

[~ E (Ls;+1M;+1 -

Ls;Ms;

1.r.;) l.rs].

Chapitre 7 Modles d'actifs avec sauts

178

D'autre part, puisque (Ltk~o et (Mt)t?.O sont des martingales,

JE (Lsi+ 1Msi+ 1 - L.,M., 1 F.,) =JE ((Ls;+i - L.;)(JYI.i+ 1 -111.;)l:F.,).


D'o

JE(LtMt - LsMs 1 :Fs) = JE(AP 1 :Fs),


avec

m-1

AP =

L (Lsi+l -

Ls,)(Ms;+i - M.;).

i=O

Ona

m-1

IAPI :::;

IL;+1 -

sup

Ls, 1

0:5i:5m-1

IM;+1 -

Ms, I

i=O

Remarquons que
m-1

IMs;+1 - Ms; 1

i=O

avec C = supy,z l<I>(y, z)I. En utilisant la continuit de t


presque srement vers 0 quand IPI ----> O. De plus,

IAPI :::; 2C

sup

s::=;u::=;t

!Lui (Nt -

Ns

f->

Lt, on voit que AP converge

+ >.(t -

s)).

La variable alatoire sups<u<t ILul est dans L2 (cf. ingalit de Doob, Chapitre 3,
Thorme 3.3.7). On a aussi Nt - Ns E L 2 On en dduit que AP converge vers 0 dans
L 1 , et par consquent
JE (LtMt - L.M. 1 :F.) =O.
0

7.4

valuation des options dans un modle de diffusion avec sauts

Nous reprenons le modle de diffusion avec sauts introduit dans la Section 7.2,
avec pour objectif l'valuation et la couverture d'options europennes d'chance T.
Notons tout d'abord que sous la probabilit IP'* de densit
dJP'*
llW
=e T
d!P'

_ i:_y
2

() = r - - >.1E(U1)
(J

le processus de prix actualis (Xt)t::=:o = (e-rt Xt)t::=:o est une martingale. En effet,
sous IP'*, le processus (Wt)o<t<T dfini par Wt = Wt - ()t est un mouvement
brownien standard. De plus, sous IP'*, les processus (Wt)o::;t::;r. (Nt)o::;t::;T et la
suite (U1,j 2'. 1) sont indpendants, et les lois de (Nt)o::;t::;r et des U1 restent
inchanges. On a d'autre part

Xt = Xo

(fi
J=l

(1 +

U1))

e(*-(cr2/2))t+crW,*,

Options et diffusion avec sauts

179

avec* = + aB, de sorte que* = r - IE(U1) = r - IE*(U1), et la proprit


de martingale sous IP* rsulte de la Proposition 7. 3.1.
Il s'avre que, dans un modle de diffusion avec sauts gnral, il y a une infinit
de probabilits quivalentes la probabilit initiale sous lesquelles le processus des
prix actualiss est une martingale (voir l'exercice 46). Dans toute cette section, nous
supposerons que l'on a

= r - .XIE(U1) = r -

j zdv(z).

(7.6)

En d'autres termes, nous choisissons une probabilit risque-neutre particulire sous


laquelle le sous-jacent suit un modle de diffusion avec sauts. Le but de cette section
est de dfinir des prix d'option et de proposer des stratgies de couverture en rapport
avec une probabilit risque-neutre particulire. Pour des raisons techniques, nous
supposerons aussi que les variables alatoires Uj sont de carr intgrable. Notons
que

E(Xi)

~xJIE (exp ((- ~') t+uw,) ll.(l+U;))'

et par consquent, en utilisant l'exercice 43,

JE (Xl) = X5 exp((a 2 + 2r)t) exp (.Xt!E (Ut)).


Le processus (Xt)o::;t::;T est donc une martingale de carr intgrable.

7.4.1

Stratgies admissibles

Dans la suite, nous fixons un horizon fini T. Une stratgie de gestion de portefeuille sera dfinie, comme dans le modle de Black-Scholes, par un processus
adapt <P = ((HP, Ht) )o::;t::;r. valeurs dans IR. 2 , reprsentant les quantits d'actifs
dtenues au cours du temps. Cependant, la prsence de sauts dans les trajectoires du
prix de l'actif risqu nous conduit imposer que les processus (HP) et (Ht) soient
continus gauche. Comme le processus (Xt) est, lui, continu droite, cela signifie,
intuitivement, qu'on ne peut ragir aux sauts qu'aprs coup. Cette condition est
rapprocher de la condition de prvisibilit qui intervient dans les modles discrets
(cf. Chapitre 1), et qui est un peu plus dlicate dfinir en temps continu.
La valeur l'instant t de la stratgie <Pest donne par vt = Hpert + HtXt. et la
stratgie est dite auto-finance si

ce qui, compte-tenu de l'quation (7.1), signifie qu'on a dvt = HPrertdt +


HtXt(dt + adWt) entre les instants de saut, et que, un instant de saut Tj, le processus V saute c!'une quantit .6. Vri = Hri .6.X,.i = Hri UjX7 :-. De faon prcise,
3

Chapitre 7 Modles d'actifs avec sauts

180

la condition d'auto-financement s'crit

(7.7)
Pour que cette quation ait un sens, il suffit, compte tenu du fait que s
presque srement borne, d'imposer la condition

1--+

X 8 est

En fait, pour assurer que la valeur d'une stratgie de couverture soit de carr
intgrable, nous imposerons une condition d'intgrabilit plus forte au processus
(Ht)a~t~T en restreignant la classe des stratgies admissibles de la faon suivante.
Dfinition 7.4.1 Une stratgie admissible est dfinie par un processus

adapt, continu gauche, valeurs dans


tel que far

IH~I ds < +oo

IB( 2 ,

vrifiant (7.7) p.s. pour tout t E [, T],

IP' p.s. et JE (Jar H'1X'1ds)

< +oo.

Noter que nous n'imposons pas de condition de positivit sur la valeur des stratgies
admissibles. La proposition suivante est l'analogue de la Proposition 4.1.2 du Chapitre 4.
Proposition 7.4.1 Soit (Ht)a<t<T un processus adapt, continu gauche tel que

et soit Va E R Il existe un unique processus (Hf) a<t<T tel que le couple


( (Hf, Ht) )a~t~T dfinisse une stratgie admissible de val;u-; initiale Va. La valeur
actualise l'instant t de cette stratgie est donne par

Si le couple (Hf,Ht)a<t<T dfinit une stratgie admissible, sa


valeur l'instant test donne par vt = Y~+ Zt. avec yt = Va + J~ H~rer 8 ds +

Dmonstration.

J~ H 8 X 8 (ds + <TdW8 ) et Zt = I:f~ 1 HriUJXr-:- On a donc, en diffrenciant le


J
produit e-rtyt,
e-rtvt =Va+ 1t (-re-rs)Ysds

+ 1t e-rsdYs + e-rt Zt.

(7.8)

Options et diffusion avec sauts

181

De plus, le produit e-rt Zt peut s'crire sous la forme

En reportant dans (7.8) et en explicitant dY8 , on obtient

Vt

Va+ lat (-re-r 8 )V8 ds +lat H~rds +lat H 8 X 8 (ds

+ O"dW

8 )

N,

+ LHrjUJXr-:j=l

Va - lat r ( H~

+ HsXs) ds +lat H~rds +lat H X (ds + O"dWs)


8

N,

+ LHriUJXr-:j=l

ce qui, compte tenu de l'galit (7.6), donne

Il est clair alors que si on se donne Va et (Ht). l'unique processus (HP) tel que

Chapitre 7 Modles d'actifs avec sauts

182

( (H2, Ht) )a:s:t:S:T soit une stratgie admissible de valeur initiale Va est donn par

Sur cette formule, on voit que le processus (H2) est adapt et admet une limite
gauche en tout point, et que H2 = H2_. C'est clair, en effet, si t n'est pas un des
temps de saut Tj, et si test l'un des Tj, on a

Il est clair aussi que far 1H2 I dt

Hf ert + HtXt = ert ( H2

<

+ HtXt)

oo presque srement. De plus, en crivant

et en intgrant par parties comme ci-dessus, on

voit que le couple ( H2, Ht) a<t<T dfinit une stratgie admissible de valeur initiale

Va.

- -

Remarque 7.4.1 La condition JE (far H'; X';ds)

<

oo implique que la valeur ac-

tualise (Vt) d'une stratgie admissible est une martingale de carr intgrable. Cela
rsulte del' expression obtenue dans la Proposition 7.4.1 et du Lemme 7 .3.2, appliqu
avec le processus continu gauche valeurs dans IR. 2 dfini par yt = (Ht, Xt-) (noter que dans l'intgrale par rapport ds, on peut remplacer X8 _ par Xs car il n'y a
qu'un nombre fini de discontinuits).

7.4.2 Pricing
Considrons une option europenne d'chance T, dfinie par une variable
alatoire h, .Fr-mesurable et de carr intgrable. Prenons, pour fixer les ides, le
point de vue du vendeur de l'option. Il vend l'option un prix Va l'instant 0 et
suit ensuite une stratgie admissible entre les instants 0 et T. D'aprs la Proposition 7.4.1, cette stratgie est compltement dtermine par le processus (Ht)a<t<T
des quantits d'actif risque. Si dsigne la valeur de cette stratgie l'instant t, le
dfaut de couverture l'chance est donn par h - Vr. Si cette quantit est positive,
le vendeur perd de l'argent, sinon il en gagne. Une faon d'valuer le risque consiste
introduire la quantit

vt

Puisque, d'aprs la Remarque 7.4.1, la valeur actualise (Vt) est une martingale, on
a JE( e-rT Vr) = Va. Appliquant l'identit JE( Z 2 ) = (JE( Z)) 2 + JE( [Z - JE( Z) ]2) la
variable alatoire Z = e-rT (h - Vr), on obtient

Options et diffusion avec sauts

183

La Proposition 7.4.1 montre que la quantit Vr - V0 dpend seulement du processus


(Ht) (et pas de Vo). Si le vendeur de l'option cherche minimiser le risque R'f;, il est
amen faire payer V0 = JE(e-rTh). La grandeur JE(e-rTh) apparat ainsi comme
la valeur initiale de toute stratgie visant minimiser le risque l'chance et c'est
cette grandeur que nous prendrons comme dfinition du prix del' option associe h.
Par un raisonnement analogue, on voit qu'un agent qui vend l'option une date t > 0
et cherche minimiser la quantit R[ =JE ((e-r(T-t)(h- Vr)) 2 1Ft), est amen
proposer le prix vt = JE( e-r(T-t) hlFt) C'est cette quantit que nous prenons
comme dfinition de la valeur de l'option l'instant t.

7.4.3 Prix des calls et des puts


Avant d'aborder le problme de la couverture, nous allons tenter d'expliciter le
prix d'un call ou d'un put de prix d'exercice K. Nous supposons donc que h est de la
forme f(Xr ), avec f (x) = (x - K)+ ou f(x) = (K -x)+ D'aprs ce qui prcde,
le prix de l'option l'instant test donn par

JE( e-r(T-t) f (Xr) IFt)


JE (e-r(T-t) f (xte(-(o-2/2))(T-t)+o-(Wr-Wt).

Il

(1 +

Uj))

IFt)

J=N,+1

E (,-(T-<) f

( x,,(-(' /'))(T-<)+(W,-W.)

Nxr (1 +UN,+;)) i.r,) .

Du Lemme 7.3.1 et de cette galit, on dduit que

JE (e-r(T-t) f(Xr)IFt) = F(t,Xt),


avec

F(t,x)

(!+

E ( ,-(T-<) f

( xe(-(' /') )(T-<)+uw,_, ~tr

JE ( ,-(T-<) f

( xe(-AE(U,)-(' /'))(T-<)+uw,_,

U;)) )

If(!+ U;))) .

Notons que si l'on introduit la fonction

Fo(t, x) =JE ( e-r(T-t) f ( xe<r-(o- 2/2))(T-t)+o-Wr-t)) ,


qui donne le prix de l'option dans le modle de Black-Scholes, on a

(7.10)

Chapitre 7 Modles d'actifs avec sauts

184

Puisque la variable alatoire Nr-t est indpendante des Ui, et suit la loi de Poisson
de paramtre >..(T - t), on peut aussi crire

F(t,x)=~lE
CXl

Fo

n
) ) ->.(T-t) >.,n(T t)n
t,xe->.(T-t)E(Ui)}](l+Uj)
e
n!
-

Chaque terme de cette srie peut se calculer numriquement ds que l'on sait simuler
la loi des Ui. Pour certaines lois, l'esprance mathmatique qui intervient dans la
formule peut tre calcule explicitement (cf. Exercice 47).

7.4.4

Couverture des calls et des puts

Examinons maintenant le problme de la couverture d'une option h = f(Xr ),


avec f(x) = (x- K)+ ouf (x) = (K -x)+ Nous avons vu que la valeur initiale de
toute stratgie admissible visant minimiser le risque R'{; l'chance tait donne
par V0 = lE(e-rTh) = F(O, X 0 ). Pour une telle stratgie, l'galit (7.9) donne

R'[; = lE(e-rTh - Vr) 2 .


Nous allons maintenant dterminer un processus (Ht)o<t<T des quantits d'actif
risque dtenues en portefeuille permettant de minimise~ R'{;. Pour cela, nous nous
appuierons sur la proposition suivante.
Proposition 7.4.2 Soit vt la valeur l'instant t d'une stratgie admissible
(HP, Ht)o<t<T On suppose que la valeur initiale vrifie V0 = lE(e-rT f(Xr )) =
F(O, X 0 ). Al~rs, le risque quadratique l'chance R'{; = JE(e-rT(J(Xr) - Vr )) 2
est donn par la formule

Dmonstration.

D'aprs la Proposition 7.4.1, on a, pour t

On a, d'autre part,
dfinie par

h=

T,

crT f(Xr) = e-rT F(T, Xr ). Introduisons la fonction F


F(t,x) = e-rtF(t,xert),

de sorte que F(t, Xt)


JE(h 1 :Ft) La quantit F(t, Xt) apparat ainsi comme
le prix actualis de l'option l'instant t. On dduit facilement (exercice) de la formule (7.10) que F( t, x) est de classe C 2 sur [O, T) x JR+ et, en crivant la formule

Options et diffusion avec sauts

185

d'It entre les instants de sauts, on obtient

Remarquons que la fonction F( t, x) est lipschitzienne de constante de Lipschitz 1


par rapport x, puisque, avec les notations a= r - E(U1 ) - (<J 2 /2), e = T- t et

Pt= f1f~ 1 (1

+ Uj). on a

IF(t, x) - F(t, y)I

< E (e-r 11 jJ (xe"'ll+ W Po) - f (ye"'ll+ Wo Po)j)


< lx - YI E ( e<7Wr-t-(C72 /2)(T-t)e->.JE(U1)(T-t) Pr-t)
17

17

lx-yl.
Il en rsulte que

E (lat ds

dv(z)(F(s, XAl + z)) - F(s, X8 )) 2 )

:::; E (lat dsx;

j dv(z)z 2) < +oo,

ce qui, d'aprs le Lemme 7.3.2, implique que le processus


N,

Mt

L F(Tj, Xrj) j=l

lat

ds

F(T;, Xr:-)
3

(F(s, X8 (l

+ z)) -

F(s, X8 ))dv(z)

est une martingale de carr intgrable. On sait aussi que F(t, Xt) est une martingale.
Le processus F(t, Xt) - Mt est donc galement une martingale et, d'aprs (7.12),
c'est un processus d'It. D'aprs l'exercice 19 du Chapitre 3, il s'crit sous la forme
d'une intgrale stochastique. D'o

- -

F(t, Xt) - Mt = F(O, Xo)

En runissant les galits (7.11) et (7.13), on obtient

h - Vr = Mr + Mr,
avec

- -

+ Jo x (s, Xs)Xs<JdWs.

(7.13)

Chapitre 7 Modles d'actifs avec sauts

186
et
N,

2: (P(Tj, XTj) -

!tlt

j=l

F(Tj, XTj-) -

1t J
ds

dv(z)(F(s, Xs(l

HTjUJX-rj-)

+ z)) - F(s, Xs) -

H 8 zX8 ).

D'aprs le Lemme 7.3.3, Mt!tlt est une martingale et par consquent

D'o

et, par une nouvelle application du Lemme 7.3.2,

Le risque l'chance est donc donn par

Il rsulte de la Proposition 7.4.2 que le risque minimal est obtenu quand Hs vrifie,
IP-presque srement,

- - Hs ) Xsa
-2 2
( aP
ax (s, Xs)
+

dv(z) ( F(s, Xs(l

+ z)) - F(s, Xs) -

H 8 zX8 ) zXs =O.

Il suffit en effet de minimiser la quantit intgre par rapport ds. Cela donne,
puisque (Ht)o5,t5,T doit tre continu gauche,

187

7.5 Exercices

avec

\Id ()

A( s,x ) = _!_
( (l 2 F(
A2
s,x ) + /\

o 2

JE

Cl

a2

(J0T H;x;ds)

+ Af dv(z)z 2

1/

z z (F(s,x(l

+ z)) - F(s,x))) ,
X

On obtient ainsi un processus vrifiant

< +oo, et qui dtermine donc une stratgie admissible minimi-

sant le risque l'chance. Noter que s'il n'y a pas de sauts (A = 0), on retrouve
la formule de couverture dj obtenue dans le modle de Black-Scholes et on sait
que, dans ce cas, la couverture est parfaite, c'est--dire que Rij = O. Mais, quand il
y a des sauts, le risque minimal est en gnral strictement positif (cf. Exercice 48 et
Chateau (1997)).
Remarque 7.4.2 En pratique, les paramtres du modle (dont la loi des Ui) doivent
tre identifis. Comme pour la volatilit dans la modle de Black-Scholes, on peut
utiliser deux approches : ( 1) une approche statistique, utilisant des donnes historiques, et (2) une approche implicite, utilisant des donnes de march comme
les prix d'options cotes sur les marchs organiss. Dans la seconde approche, les
modles avec sauts, qui font intervenir plusieurs paramtres, donnent une meilleure
adquation aux prix de march que le modle de Black-Scholes.
Remarques bibliographiques : Les modles financiers avec sauts ont t introduits
par Merton (1976). L'approche adopte dans ce chapitre est base sur FOllmer et
Sondermann (1986), CERMA (1988) et Bouleau et Lamberton (1989). Dans notre
prsentation, le critre de couverture consiste minimiser la variance sous une probabilit risque-neutre. Les stratgies minimisant le risque sous la probabilit historique
ont t tudies par FOllmer et Schweizer (1991), Schweizer (1992, 1994, 1995), et
plus rcemment par Gourieroux, Laurent, et Pham (1998). L'utilisation de la variance
comme mesure de risque est discutable (notamment parce qu'elle pnalise les gains
autant que les pertes), et d'autres critres peuvent tre proposs (voir par exemple El
Karoui et Quenez (1995), FOllmer et Leukert (1999, 2000)). Les annes rcentes ont
vu le dveloppement en modlisation financire de l'utilisation des processus accroissements indpendants stationnaires gnraux, appels processus de Lvy (voir
la monographie rcente de Cont et Tankov (2004)).

7.5 Exercices
Exercice 43 Soit (Vn)n~l une suite de variables alatoires positives,
indpendantes, quidistribues, et soit N une variable alatoire valeurs dans
N, suivant une loi de Poisson de paramtre , indpendante de la suite (Vn)n>I
Montrer que

JE

(fi

Vn) =exp (A(JE(Vi) - 1)).

Exercice 44 Soit (Vn)n>I une suite de variables alatoires indpendantes,


quidistribues, intgrables et soit N une variable alatoire valeurs dans N,

Chapitre 7 Modles d'actifs avec sauts

188

intgrable et indpendante de la suite (Vn)n>I On pose

(avec la convention L~=l = 0).


1. Montrer que S est intgrable et que JE(S) = lE(N)lE(V1).
2. On suppose N et Vi de carr intgrable. Montrer que S est de carr intgrable
et que sa variance est donne par
Var(S) = JE(N)Var(Vi)

+ Var(N)(JE(Vi)) 2 .

3. En dduire que si N suit une loi de Poisson de paramtre , JE(S) = >.JE(Vi)


et Var(S) =>.JE (vi2).

Exercice 45 Les hypothses et les notations sont celles de !'exercice 44. On suppose que les Vj sont valeurs dans {a, ,B}, avec a, ,B, E lR, et on pose p = IP'(Vi =
a) = 1 - IP'(Vi = ,B). Montrer que Sa mme loi que aN1 + ,BN2 , o N 1 et N 2 sont
deux variables alatoires indpendantes suivant des lois de Poisson de paramtres
respectifs p et >.(1 - p).
Exercice 46 On considre un espace de probabilit (n, A, IP'), sur lequel sont
dfinis un mouvement brownien standard (Wt)t::::o. un processus de Poisson d'intensit > 0 (Nt)t::::o et une suite (Uj)j2I de variables alatoires indpendantes,
quidistribues, intgrables. On suppose que les tribus W, Net U, respectivement
engendres par (Wt)o:::;t:::;r, (Nt)t::::o et (Uj )j:;::I sont indpendantes. Pour t ~ 0, on
dfinit la tribu :Ft comme dans la Section 7.2. Pour E ~et u > -1, on pose

1. Montrer que (ztu)t>o est une martingale.


2. On fixe T > 0 et on introduit la probabilit lP de densit dlP / d!P' = z~u.
Montrer que, sous JP, les tribus W, Net U demeurent indpendantes, et que le
processus (Nt)ostsT est un processus de Poisson d'intensit 5. = >.(1 + u).
3. Dans le modle de diffusion avec sauts, le prix actualis de l'actif l'instant
t est donn par Xt = Xoe(-r-(cr 2 / 2 ))t+crw, I1f~1 (1 + uj ). Montrer que

(Xt)o:::;t:::;r est une JP-martingale si et seulement si

Si O"

+ 0"8 =

r - >.(1

+ u)JE(U1).

> 0 et JE(U1) -:/:- 0, cette galit est satisfaite pour une infinit de couples

(8, u). L'ensemble des probabilits risque-neutres est donc infini.

7.5 Exercices

189

Exercice 47
1. On suppose, avec les notations de la Section 7.4, que la variable alatoire U1
est valeurs dans {a, b}, et on pose p = IP( U1 = a) = 1 - IP( U1 = b). Mettre
la formule de prix (7.10) sous la forme d'une srie dont chaque terme se calcule partir des formules de Black-Scholes. On pourra utiliser l'exercice 45.

2. On suppose maintenant que U1 a mme loi que eu -1, o g est une gaussienne
de moyenne met de variance a 2 crire la formule de prix (7.10) sous la
forme d'une srie double dont chaque terme se calcule partir des formules
de Black-Scholes (avec des taux d'intrt et des volatilits que l'on prcisera).
Exercice 48 L'objet de cet exercice est de montrer qu'il n'y a pas de stratgie de
couverture parfaite des calls et des puts dans les modles avec sauts que nous avons
tudis dans ce chapitre. On considre un modle dans lequel a > 0, >. > 0 et

IP(U1

=f. 0) > O.

1. En utilisant la Proposition 7.4.2, montrer que, s'il existe une stratgie de couverture parfaite, alors, pour ds-presque touts et pour dv-presque tout z, on

a
IP-p.s.,
2. Montrer que, pour s > 0, la variable alatoire Xs a une densit strictement
positive sur [O, oo ). On pourra remarquer que si Y a une densit g, et si Z est
une variable alatoire indpendante de Y, valeurs dans (0, oo), la variable
alatoire YZ admet pour densit la fonction y 1---+ d(z)(l/z)g(y/z), o
est la loi de Z.)

3. Sous les mmes hypothses qu' la premire question, montrer qu'il existe
z =f. 0 tel que, pour s E [O, T) et x E (0, oo ),

F(

) _ F(s,x(l

- s,x X

+ z)) ZX

F(s,x)

En dduire (en utilisant la convexit de F par rapport x) que, pour s E


la fonction x 1---+ F(s, x) est linaire.

[O, T],

4. Conclure. On pourra remarquer que, dans le cas du put, la fonction x


F(s, x)est positive et dcroissante sur JO, oo[.

1---+

Chapitre 8

Modles de risque de crdit


Dans les annes rcentes, le march des produits drivs de crdit s'est
considrablement dvelopp (jusqu'au tout rcent coup d'arrt li la crise financire). Ce chapitre propose une introduction sommaire aux principes de base de la
modlisation du risque de crdit. Ce type de risque est associ la notion de risque de
dfaut. Dans la premire section, nous prsentons les modles dits structurels, dans
lesquels le temps de dfaut est dfini comme un temps d'arrt par rapport la filtration de la valeur de lafirme. Dans la seconde section, nous introduisons les modles
intensit, qui considrent le temps de dfaut comme un temps alatoire exogne,
caractris par un taux de dfaut (hasard rate en anglais). Nous abordons ensuite
l'valuation des credit default swaps (CDS). La dernire section est consacre la
notion de copule, qui est trs utile dans les modles o interviennent plusieurs temps
de dfaut. Pour une prsentation plus complte des modles de risque de crdit, nous
renvoyons la deuxime dition de Brigo et Mercurio (2006) et, pour les aspects
thoriques, Bielecki et Rutkowski (2002).

8.1

Modles structurels

Les modles structurels (aussi appels modles de valeur de la firme) proposent


de modliser l'occurrence d'un dfaut en le reliant la valeur de la firme. Nous
limiterons notre prsentation au modle de Merton (cf. Merton (1974)), qui apparat
comme le modle pionnier pour cette approche.
Dans ce modle, la valeur totale vt de l'entreprise (ou firme) l'instant t est dcrit
par un mouvement brownien gomtrique. La dette de la compagnie est modlise
par une obligation zro-coupon d'chance T et de valeur faciale L > O. Plus
prcisment, on suppose que

dvt

= vt ((r - k)dt + dWt),

Vo > 0,

(8.1)

o (Wt)t:::;:o est un mouvement brownien standard sous la probabilit risque-neutre,


que, dans cette section, nous notons lP'. La constante r est le taux d'intrt instantan
et la constante k est le taux de dpense. La volatilit O" > 0 est aussi suppose
191

Chapitre 8 Modles de risque de crdit

192

constante. Dans ce modle, on considre que la compagnie fait dfaut si, la date
T, la valeur de la firme est plus petite que sa dette. En cas de dfaut, les cranciers
(reprsents par le dtenteur de l'obligation) prennent le contrle de la compagnie.
En d'autres termes, le dtenteur de l'obligation reoit l'chance la richesse Vr/\L.
La valeur l'instant t < T de cette obligation avec risque de dfaut, qui peut tre
vue comme la valeur de la dette de la firme, est donne par

Ici, la filtration (.Ft)o::;t::;r est la filtration naturelle du processus (vt)o::;t::;r (et aussi
la filtration naturelle du mouvement brownien). Notons que, puisque Vr /\ L = L (L - Vr)+, on a

Dt= Le-r(r-t) - JE (e-r(r-t)(L- Vr)+ l Ft),


ce qui montre que le calcul de Dt est quivalent au calcul du prix d'un put sur la
valeur de la firme (cf. Exercise 50). Dans ce cadre, la valeur boursire (equity value) de l'entreprise la date T (note Er) est la diffrence entre la valeur totale de
l'entreprise et la valeur de la dette,

Er= Vr - Vr /\ L = (Vr - L)+,


et les actionnaires peuvent ainsi tre reprsents par un dtenteur d'un call sur la
valeur totale de l'entreprise.
Dans le modle de Merton, le dfaut ne peut se produire qu' la date dterministe
T. Dans les modles de premier passage, le dfaut a lieu quand la valeur totale de
l'entreprise franchit une barrire dpendant ventuellement du temps H (t). Le temps
de dfaut est alors donn par
T

= inf{t :'.'.'.

Vt

H(t)}.

(8.2)

Black et Cox (1976) proposent un modle dans lequel H(T)


L et H(t) =
Le-1<r-t), pour t E [O, T[, o L < Let"( est une constante strictement positive. Ce
choix implique que l'entreprise a plus de souplesse pour viter de faire dfaut avant
l'chance. Dans ce modle, le calcul du prix d'une obligation zro-coupon avec
risque de dfaut est similaire au calcul d'une option barrire (voir Exercice 51).

8.2 Modles intensit


8.2.1

Taux de dfaut

Proposition 8.2.1 Soit T une variable alatoire relle vrifiant IP'( T > 0) = 1 et
IP'( T > t) > 0 pour tout t > O. Si la fonction de rpartition de T est de classe C 1' il
existe une et une seule fonction continue positive ,\ telle que

'Vt > 0,

IP'(T

> t) = e-f~ >.(s)ds.

8.2 Modles intensit


La fonction

193

est appele taux de dfaut de la variable alatoire T.

Dmonstration. Soit F la fonction de rpartition de T. On a IP'(T > t) = 1 F( t). La fonction t 1--t ln( 1 - F( t)) est continment diffrentiable et croissante et la
fonction est ncessairement donne par

d
F'(t)
(t) = - dt ln(l - F(t)) = l _ F(t),
Avec cette dfinition de , on a bien, en utilisant IP'( T

IP'( T > t) =

eln(l-F(t))

t :::'.'.O.

> 0) =

1,

= e- J~ >.(s)ds.
D

Notons que pour que la variable alatoire T soit finie, il est ncessaire que le taux
de dfaut vrifie 0+00 (t)dt = +oo. On a aussi, pour > 0,

IP'(T < t+ 1 T > t) = IP'(t < T :=:; t+) = 1-e-f.'+li >.(s)ds


JP'(T > t)
'
de sorte que

'( ) _ .
/\ t - 1Jill

0--->0

JP'( T

:::;

t + 1 T > t)
J:

Lorsque T modlise un temps de dfaut, la quantit (t)dt peut tre vue comme la
probabilit conditionnelle que le dfaut survienne entre les instants t et t+dt, sachant
qu'il ne s'est pas produit avant l'instant t.
Remarque 8.2.1 Un temps alatoire T suit une loi exponentielle si et seulement si
son taux de dfaut est constant. Par ailleurs, si est une variable alatoire de loi
exponentielle de paramtre 1, et si est une fonction continue positive sur [O, +oo[,
la variable alatoire
(8.3)

vrifie

IP'(T :=:; t) = 1P'

(lat (s)ds : :'.'. ) = 1-ef~

>.(s)ds,

si bien que le taux de dfaut de T est donn par la fonction , et (8.3) fournit une
mthode de construction d'un temps alatoire ayant un taux de dfaut donn.

8.2.2

Intensit et obligations zro-coupon avec risque de dfaut

Le cadre gnral des modles intensit peut tre dcrit de la faon suivante.
Soit (D, A, IP') un espace de probabilit. L'information relative au march sans dfaut
est reprsente par une filtration (.Ft)t>O Typiquement, cette filtration prend en

Chapitre 8 Modles de risque de crdit

194

compte l'histoire des taux d'intrt, et par consquent, si on note (Sf) le processus de prix de 1' actif sans risque et (r( t)) le taux d'intrt instantan (rappelons que
Sf = exp(f~ r(s)ds)), ces deux processus sont (Ft)-adapts.
Le temps de dfaut est modlis par une variable alatoire T, qui n'est en gnral
pas un temps d'arrt de la filtration (Ft). Ceci constitue une diffrence avec l'approche structurelle. Dans les modles intensit, le temps de dfaut apparat comme
une variable exogne et le dfaut peut survenir de manire compltement inopine.
Cependant, un instant donn t, les investisseurs savent s'il y a eu dfaut auparavant ou pas. L'information totale accessible la date t peut donc tre dcrite
par la tribu 9t, engendre par Ft et tous les vnements de la forme {T :::; s}, pour
s E [, t]:
Yt = Ft V a( {T :::; s }, s :::; t).
Notons que T est un temps d'arrt de la filtration Wt) Dans ce contexte, une mesure de pricing est une mesure de probabilit IP'*, quivalente IP', sous laquelle les
prix actualiss des actifs risqus sont des (Qt)-martingales. Notons que les prix des
actifs risqus qui peuvent tre affects par le dfaut sont adapts la filtration (Qt).
Considrons maintenant une obligation zro-coupon d'chance T avec risque de
dfaut, qui, l'instant T, paye un euro s'il n'y a pas eu dfaut et rien, s'il y a eu
dfaut avant la date T. La valeur de ce produit driv la date T est donne par
1 { r>T}. Sa valeur un instant t :::; T doit donc tre donne par 1' esprance conditionnelle du payoff actualis sachant 9t. sous la mesure de pricing, soit

La proposition suivante fait le lien entre esprance conditionnelle sachant Yt et


esprance conditionnelle sachant Ft.
Proposition 8.2.2 Pour toute variable alatoire positive X, on a, presque srement,

Dmonstration.

Remarquons que, sur 1' ensemble {T


E* (l{r>t}

> t}, on a

Ft) > 0

presque srement (cf. Exercice 49), de sorte que la variable alatoire

y - 1 { } _E*_(~X_l~{r_>~t}_l_.r,~t)
.- r>t E* (l{r>t} 1 Ft)
est bien dfinie et est 9t-mesurable (comme produit de deux variables alatoires
mesurables). On a, d'autre part,

9r

8.2 Modles intensit


car {T

195

> t} E 9t Pour montrer que Y= JE*(Xl{.,.>t} 1 9t). il suffit de montrer que

o C est une classe d'lments de 9t. stable par intersections finies qui engendre la
tribu 9t (voir, par exemple, Jacod et Protter (2003), Chapitre 6). Soit C la classe des
vnements A de la forme

A={r::;s}nB,
o B E :Ft et s E (0, t] U { +oo }. La classe C est stable par intersections finies et engendre 9t Pour s E (0, t], on a JE* (Xl{.,.>t} 1{.,.:::;s}nB) = 0 et JE* (Yl{.,.:::;s}nB) =
O. Pour s = oo, on a A = B et, puisque B E :Ft.

On a aussi
JE*(YlB)

Supposons maintenant que nous connaissions le taux de dfaut conditionnel sachant


la filtration sans dfaut (:Ft) Plus prcisment, supposons qu'il existe un processus
(:Ft)-adapt (.X(t))t;:::o tel que, pour tout t ;::: 0,
JP>*(r

> t 1 :Ft) =JE* (1{.,.>t} 1 :Ft) = e-f~ >.(s)ds.

En utilisant la Proposition 8.2.2 avec X= 1{.,.>T}e-It r(s)ds, on obtient la valeur


avant dfaut du zro-coupon avec risque de dfaut sous la forme
JE* ( 1{.,.>T}e- Jt r(s)dsl{.,.>t} 1 :Ft)
=

l{.,.>t}

JE* (1{.,.>t} 1 :Ft)


JE* ( 1{.,.>T}e- Jt r(s)ds 1 :Ft)

1{.,.>t}

e-

J~ >.(s)ds

JE* ( e- foT >.(s)dse- Jt r(s)ds 1 :Ft)


1{.,.>t}

e-

J~ >.(s)ds

'

o la dernire galit rsulte du conditionnement par rapport :Fr et de la :Frmesurabilit de e-It r(s)ds. Nous avons ainsi prouv le rsultat suivant.

Chapitre 8 Modles de risque de crdit

196

Proposition 8.2.3 La valeur l'instant t, avant dfaut, d'une obligation zrocoupon d'chance T avec risque de dfaut est donne par

J(t, T) =JE* ( e-

f,T(r(s)+>.(s))ds

Ft),

0::; t::; T,

(8.4)

o (>.( t)) est le taux de dfaut conditionnel sachant la filtration sans dfaut.

Le processus ( (t)) est aussi appel intensit du dfaut. Rappelons qu'en l'absence
de risque de dfaut, la valeur la date t du zro-coupon d'chance Test donne par

P(t, T) =JE* ( e- Jt r(s)ds 1 Ft) '


si bien que l'intensit apparat comme un terme additionnel s'ajoutant au taux
d'intrt dans (8.4). Pour cette raison, >.(t) est aussi appel spread de crdit l'instant t. Dans le cas d'une intensit dterministe, on a

D(t, T) = e-

ft >.(s)ds P(t, T).

Remarque 8.2.2 L'intensit est dterministe si et seulement si, pour tout t ~ 0,


l'vnement {T > t} est indpendant de Ft. C'est le cas, en particulier, si la variable alatoire T est indpendante de toutes les tribus Ft. Cette hypothse est souvent utilise en pratique. Des modles plus ralistes supposent que la dynamique
du couple (r(t), >.(t)) est rgie par une quation diffrentielle stochastique, ce qui
permet de calculer les prix des obligations avec risque de dfaut en utilisant (8.4).
Notons que, partir d'un processus continu positif (Ft) adapt = (>.(t)) donn,
on peut construire un temps alatoire d'intensit en utilisant la formule (8.3), dans
laquelle on prend pour une variable alatoire indpendante de la filtration sans
dfaut.

8.2.3

valuation des CDS

Un swap de dfaut ou CDS (de l'anglais credit default swap) est un produit deriv
de crdit qui offre une protection contre le risque de dfaut. Un investisseur A, qui
veut se protger contre le dfaut, convient de l'accord suivant avec une banque B.
Aux dates T 1 ,. .. , Tn, A verse des paiements fixs B, tant qu'il n'y a pas eu dfaut.
En contrepartie, en cas de dfaut avant la date Tn. B devra verser une certaine somme
A. Les flux verss respectivement par A et B sont reprsents par la jambe fixe et
la jambe variable ou jambe de protection, dfinies de la faon suivante.
- jambe fixe: flux sN(Ti - Ti-1)l{r>Ti} aux instants Ti, i = 1,. .. , Tn (avec
la convention T0 = 0). Le nombre N est appel nominal du swap, et s est le
spread du swap.
- jambe variable: flux N(l - R)l{r~Tn} l'instant T, o Rest le taux de recouvrement. L'ide est que l'agent A dtient une obligation de nominal N,
mise par une entreprise C qui peut faire dfaut et qu'en cas de dfaut, le
dtenteur de l'obligation reoit N R, au lieu de of N. Le paiement de protection doit donc tre N(l - R). En pratique, le taux de recouvrement rel n'est
pas connu : la convention habituellement utilise par les praticiens consiste
prendre R = 403.

8.2 Modles intensit

197

Remarque 8.2.3 Dans la jambe fixe, nous avons omis la prime de rgularisation
(accrual premium) s(r - Tf3(r)), qui couvre la priode entre la dernire date de
paiement avant le dfaut et la date de dfaut ((3( r) = i - 1 if Ti-1 ::; r < Ti). Voir
Brigo et Mercurio (2006) ou Overhaus et al. (2007) pour plus de dtails.
La jambe fixe peut tre value l'instant 0 en prenant l'esprance des flux actualiss
sous la mesure de pricing

De mme, la valeur de la jambe variable l'instant 0 est donne par

La valeur d'arbitrage du spread doit rendre ces deux quantits gales, ce qui donne

JE*

(Cl - R)l

{r~T,.}

e- J; r(s)ds)

En conditionnant par rapport Fr; et en utilisant le processus d'intensit, on a

JE* ( l{r>T;}e- Jti r(s)ds) =JE* ( e- f 0Ti

(s)dse- Jti r(s)ds) .

De mme, on peut montrer (voir Exercice 52) que

Il en rsulte que la valeur du spread est donne par

(1 - R)
s=

1Tn JE* (

(u)e- fou((v)+r(v))dv) du

(8.5)

L(Ti - Ti-1)JE* ( e- foTi (>.(s)+r(s))ds)


i=l

Dans le cas d'une intensit dterministe, on a, en introduisant les prix des obligations
zro-coupon sans dfaut,
e- foTi (s)ds P(O, Ti)

IP'* (T

> Ti)P(O, Ti)

et

JE* ( (u)e-f0u(>.(v)+r(v))dv) = (u)e-fou >.(s)ds P(O, u).

Chapitre 8 Modles de risque de crdit

198
D'o

En reportant dans (8.5), on obtient

{T,.

(1 - R) Jo
S

(u)e- fou >.(s)ds P(O, u)du

--n--~----------

(8.6)

~)Ti - Ti-1)1P'*(r > Ti)P(O, Ti)


i=l
Remarque 8.2.4 Les CDS tant les produits drivs de crdit les plus liquides, ils
sont souvent utiliss des fins de calibration. Dans la pratique, on estime des probabilits de dfaut implicites partir de spreads de CDS de diverses maturits. Notons
Sj le spread d'un swap de dates de paiement T 1 ,. .. , Tj et crivons l'galit suivante,
variante de (8.6) :
j

Sj

(1 - R) L (IP'*(r > Ti-1) - IP'*(r >Ti)) P(O, Ti)


i=l
j

L(Ti - Ti-1)1P'*(r

(8.7)

> Ti)P(O, Ti)

i=l
Remarquons que, dans (8.7), le numrateur peut tre vu comme la discrtisation de
l'intgrale apparaissant dans le numrateur de (8.6), puisque

IP'*(r > Ti-1) - IP'*(r >Ti)=

1t'

(u)e-fou >.(s)dsdu.

ti-1

A partir des valeurs des spreads sj (j = 1, ... , n ), on peut calculer IP'* (T > Ti) pour
i = 1, ... , n et dfinir un taux de dfaut dterministe constant par morceaux. En
fait, on peut aussi voir (8.7) comme le spread, en supposant que, en cas de dfaut, le
paiement de protection ne s'effectue pas l'instant T, mais la date de paiement qui
suit (cf. Exercice 53).

8.3

Copules

Une copule est la fonction de rpartition d'un vecteur de variables alatoires


uniformment distribues sur l'intervalle [O, l].

Dfinition 8.3.1 Une fonction C : [O, l]m ------> [O, l] est appele copule s'il existe
un vecteur alatoire (U1 , ... , Um) dont toutes les coordonns Ui sont uniformment
distribues sur [O, l] et qui vrifie

C(u1, ... , Um) = IP'(U1 ::=; u1, ... , Um ::=; Um),

pour tout (u1, ... , Um) E [O, l]m.

8.3 Copules

199

Le rsultat suivant, connu sous le nom de Thorme de Sklar, montre que la loi d'un
vecteur alatoire peut tre caractrise par la donne d'une part de ses lois marginales
et, d'autre part, d'une copule.

Thorme 8.3.1 Soit X = (X1 , ... , Xm)un vecteur alatoire valeurs dans !Rm.
Pour i = 1, ... , m, on note Fi la fonction de rpartition de la variable alatoire Xi
(Fi(x) = lP'(Xi :::; x)). Il existe une copule C telle que, pour tout (x 1, ... , Xm) E
]Rm

'

lP'(X1 :::; X1, ... , Xm :::; Xm)

= C (F1 (x1), ... , Fm(Xm)).

De plus, si les fonctions Fi sont continues, la copule C est unique.


Pour la dmonstration du Thorme de Sklar, nous commenons par tablir le lemme
suivant.

Lemme 8.3.1 Si X est une variable alatoire relle dont la fonction de rpartition
Fest continue sur IR, la variable alatoire F(X) est uniformment distribue sur
l'intervalle [, 1].

Dmonstration.

Pouru E]O, l[, posons


G(u)

= inf{x

E lR

F(x) ::'.'. u}.

Notons que G(u) est bien dfini car


lim F(x)

X----t-cx::>

= 0 et

lim F(x)

X----t+<X>

= 1.

Par continuit droite de F, on a F(G(u)) ::'.'. u. En fait, comme Fest suppose


continue, on a F(G(u)) = u (si on avait l'ingalit stricte F(G(u)) > u, on aurait
F(x) > u pour x voisin de G(u) et infrieur G(u), ce qui contredirait la dfinition
de G(u)). Par ailleurs, il est facile de montrer que F(x) ::'.'. u si et seulement si
x ::'.'. G(u). On a donc, en utilisant l'galit lP'(X = G(u)) = 0,
lP'(F(X) ::'.'. u)

lP'(X ::'.'. G(u))


lP'(X

> G(u))

1 - lP'(X:::; G(u))
1 - F(G(u))

l -u,
ce qui prouve que F(X) est uniformment distribue sur [,

1].

Dmonstration du Thorme 8.3.1. Nous nous limitons, pour simplifier, au cas o


les fonctions de rpartition des coordonnes sont continues. Voir Sklar ( 1996) pour le
cas gnral. D'aprs le Lemme 8.3.1, nous savons qu'alors, les variables alatoires
Fi(Xi) sont uniformment distribues sur [, 1]. Considrons la copule C, dfinie
pour(u1,. . .,um) E [,l]m,par
C(u1, ... , Um)

= lP'(F1(X1):::;

U1, ... , Fm(Xm):::; Um),

Chapitre 8 Modles de risque de crdit

200

c {Fi(Xi) ::::; Fi(xi)}. De plus


xi)= Fi(xi) = IP'(Fi(Xi)::::; Fi(xi)),

Comme Fi est croissante, on a {Xi ::::; xi}


lP'(Xi::::;

la dernire galit venant du Lemme 8.3.1. Les vnements {Xi ::::; xi} et {Fi (Xi) ::::;
Fi (Xi)} sont donc presque srement identiques et on a
IP'(X1::::; X1, ... ,Xm::::; Xm)

IP'(F1(X1)::::; Fi(x1), ... ,Fm(Xm)::::; Fm(Xm))


C(F1(x1), ... , Fm(xm)).

Notons que l'unicit de C rsulte du fait que, les fonctions Fi tant continues, tout vecteur (u 1,. . .,um) avec 0 < ui < 1 peut s'crire sous la forme
(F1(x1), ... , Fm(Xm)), avec des Xi dans R
D
Proprits des copules
- Si (X1, .. ., Xm) admet C pour copule et si fi, ... .fm sont des fonctions
continues, strictement croissantes, le vecteur (!1(X1), ... , f m (Xm)) admet
galement C comme copule.
- Les variables alatoires X 1,... ,Xm sont indpendantes si et seulement si
le vecteur (X1, ... ,Xm) admet pour copule la fonction C dfinie par
C(u1, ... , Um) = rr::1 Ui.
- Si X 1 = = Xm, le vecteur (X1, ... ,Xm) a pour copule la fonction C
dfinie par C( U1, ... , Um) = min1::;i::;m Ui.
- Bornes de Frchet-Hoeffding (cf. Exercice 54). Pour toute copule C, on a
c-(u1, ... ,um)::::; C(u1, ... ,um)::::; c+(u1, ... ,um),
o c-(u1, ... ,um) = :::1Ui-(m-1))+ et c+(u1, ... ,um)
min 1::;i:Sm ui. Notons que, pour m 2:: 3, la fonction
n'est pas une copule.

c-

Remarque 8.3.1 Les copules sont utilises pour valuer les produits drivs de
crdit sensibles au risque de dfaut de plusieurs entreprises. Les modles permettant
de traiter ces produits font intervenir les temps de dfaut T1, ... ,Tm correspondant
aux diffrents noms d'entreprises concernes. Typiquement, un contrat au premier
dfaut fera intervenir la loi de min( T1, ... , Tm). Les lois marginales de T1,. .. ,Tm sont
en gnral connues (par calibration sur les CDS portant sur les noms individuels),
et on utilise une copule pour construire la loi conjointe. Les CDO (collateralized
debt obligations) sont des exemples importants de drivs de crdit ncessitant des
modles plusieurs temps de dfaut (voir, par exemple, Brigo et Mercurio (2006)).
Dans la pratique, il est important de disposer de familles paramtriques de copules
permettant un ajustement aux donnes de march. En finance, la famille des copules
gaussiennes (qui sont simplement des copules de vecteurs gaussiens) est largement
utilise. On peut caractriser les copules gaussiennes par la matrice de covariance
du vecteur gaussien associ. Notons que l'on peut supposer que les coordonnes
du vecteurs sont des gaussiennes centres rduites, puisque la copule est invariante
par transformations croissantes des coordonnes. Les coefficients diagonaux de la
matrice peuvent donc tre pris gaux 1. Quand on prend tous les coefficients hors
diagonale gaux un mme paramtre p, on obtient la copule gaussienne un facteur.
Remarquons que si la copule est m-dimensionnelle, le paramtre p doit vrifier p E
[-1/(m - 1), 1] (voir Exercice 55).

8.4 Exercices

201

8.4 Exercices
Exercice 49 Soit (n, A, IP') un espace de probabilit et soit B une sous-tribu de A.
Soit A E A et X = JE(lA 1 B). Montrer que IP'(A n {X > O}) = IP'(A), de sorte
que, sur l'vnement A, X > 0 presque srement.
Exercice 50 Montrer que, dans le modle de Merton, la valeur la date 0 del' obligation zro-coupon avec risque de dfaut est donne par

o N est la fonction de rpartition de la loi normale centre rduite et

In(Va/L)

+ (r -

avlr

~ )T

Exercice 51 On considre un modle structurel de premier passage, dans lequel


la valeur de l'entreprise vrifie (8.1) et le temps de dfaut est donn par (8.2), avec
H(t) = H fort < Tet H(T) = L > H. Le dtenteur de l'obligation avec risque
de dfaut reoit, l'chance, la richesse Dr = Vrl{r<T} + Vr /\ Ll{r2:T} =
Vr /\ L + (Vr - L)+l{r<T} On suppose Va > H.
1. Montrer que pour tous nombres rels p et a, et pour toute fonction positive
borlienne f sur ~.
JE

(ePWr-~T f(Wr )l{info$$T w,::;a})

o Wf

=JE (!(wn1{info 9 $r wf::;a}),

= pt+ Wt.

2. En utilisant l'exercice 30, montrer que la valeur l'instant 0 de l'obligation


zro-coupon avec risque de dfaut est donne par

o D~1 est la valeur de l'obligation zro-coupon avec risque de dfaut dans le


modle de Merlon,

et

II2 = Le-rT

( VaH)~-1 N(d_),

o N est la fonction de rpartition de la loi normale centre rduite et

ln (H 2 /LVa)

+ (r - k "-i )T
2

avlr

Chapitre 8 Modles de risque de crdit

202

3. Expliquer comment la formule doit tre modifie dans le cas du modle de


Black-Cox (o on a H(t) = Le-1(T-t), H(T) = L).
Exercice 52 Dans le cadre de la Section 8.2, on considre un processus (Xt)
continu, positif (Ft)-adapt et on pose At=
(s)ds, pour t ~O.

J;

1. Montrer que si t 0 = 0

< t 1 < ... < tn = T, on a

JE* (Xt;_1 l{t;-1 <r$t;})

= JE*

( Xt;-1 ( e-A';-1 - e-A,;)) .

2. En dduire l'galit
JE*(Xrl{r::;T})

1T

JE* ( Xu(u)e- fou >.(s)ds) du.

Exercice 53 On considre un CDS stipulant que, en cas de dfaut, la quantit


N(l - R) est paye la premire date de paiement suivant l'instant de dfaut.

1. Montrer que la valeur du spread est donne par


s

JE* ( L~=l (1 - R)l{T;-1 <r$Ti}e- foT; r(s)ds)


~---'-~~~~~~~~~~~~~~--'-

JE*

(2=~=l (Ti - Ti-1)l{r>T;}e- foT; r(s)ds)

2. On suppose que la variable alatoire T est indpendante de toutes les tribus


Ft. Montrer que le processus d'intensit est dterministe et justifier la formule (8.7).
Exercice 54 Soit U1, .. ., Umm variables alatoires uniformment distribues sur
l'intervalle [O, 1] et soit C la copule associe, dfinie par
C(u1, ... , Um) = IP'(U1 ~ U1, ... , Um ~ Um)
1. Montrer que C( u1, ... , um) ~ min1::;i$m Ui.
2. Montrer que C(u1,. . .,um) ~ c-(u1,. . .,um), o c-(u1,. . .,um)
(2=Z:, 1 Ui - (m - 1))+. (Indication : remarquer que pour tous vnements
A1,. .. .Am. on a, en posant A= nZ:, 1 Ai> lA ~ 2=Z:, 1 1A; - (m - 1).)
3. On suppose m = 2. Montrer que
est la fonction de rpartition du vecteur
(U, 1 - U), o U est uniformment distribue sur [O, 1].

c-

c-

4. Montrer que, pour m ~ 3,


n'est pas une copule. (Indication : sic- tait
la fonction de rpartition de (U1 , ... , Um). tout couple (Ui, Uj), avec i f:. j,
aurait la loi de (U, 1 - U), o U est uniformment distribue sur [O, l].)
Exercice 55 tant donn un nombre rel p et un entier m ~ 2, on considre la
matrice rP = (aij)i$i,j$m avec aii = 1 et aij = p pour i f:. j. Montrer que
r P est une matrice symtrique positive si et seulement si p E [-1 / (m - 1), 1].
Montrer que, si p ~ 0, r Pest la matrice de covariance du vecteur (X1, ... , Xm), o
Xi = y'PY + vr=/:}Zi, les variables alatoires Y, Z 1,. .. ,Zm tant des gaussiennes
centres rduites indpendantes.

Chapitre 9

Simulation et algorithmes pour


les modles financiers
9.1

Simulation et modles financiers

Nous allons dcrire, dans ce chapitre, des mthodes permettant la simulation


des modles financiers. Ces mthodes sont souvent utiles, dans le contexte des
mathmatiques financires, car elles permettent de calculer le prix de n'importe
quelle option pour peu que l'on sache l'exprimer sous forme de l'esprance d'une variable alatoire que l'on sait simuler. Dans ce cas, la mthode de Monte-Carlo dcrite
plus loin permet alors d'crire trs rapidement un algorithme permettant l'valuation
de cette option. Ces mthodes sont malheureusement peu efficaces et on ne les utilise que si !'on ne sait pas expliciter le prix de !'option sous forme analytique. De
mme, quand on se pose des questions complexes sur une stratgie de gestion de portefeuille (par exemple, quelle sera la loi dans un mois d'un portefeuille couvert selon
un stratgie donne), la rponse est, le plus souvent, inaccessible analytiquement.
Les mthodes de simulation sont alors incontournables.

9.1.1

La mthode de Monte-Carlo

La mthode de Monte-Carlo utilise la loi forte des grands nombres pour calculer
une esprance. On considre une variable alatoire X de loi (dx) et l'on suppose
que !'on sait simuler une suite de tirages indpendants X 1, ... , Xn, ... telle que les
Xn suivent la loi ( dx). Lorsque ces hypothses sont satisfaites, on peut appliquer
la loi forte des grands nombres pour affirmer que, si E(lf(X)i) < +oo, alors:
lim _!_

n-->

+oo n

""'
L._.,

f (Xk) = E (f (X)) .

(9.1)

1$k$n

Pour implmenter cette mthode sur un ordinateur, on procde de la faon suivante. On suppose que l'on sait construire une suite de nombres (Un)n~l qui ralise
203

204

Chapitre 9 Simulation et algorithmes pour les modles financiers

une suite de variables alatoires indpendantes, suivant une loi uniforme sur l'intervalle [O, 1] et l'on cherche une fonction (u 1 , ... , up) 1-+ F( u 1 , , up) telle que la
loi de la variable alatoire F(U1, , Up) soit la loi cherche (dx). La suite de
variables alatoires (Xn)n21 o Xn = F(U(n-l)p+l> , Unp) est alors une suite
de variables alatoires indpendantes suivant la loi de X. On peut, alors, appliquer
(9 .1 ), aux fonctions f (x) = x et f (x) = x 2 pour estimer les moments d'ordre 1 et 2
de X (sous rserve que 1E(IXl 2 ) soit fini).
La suite (Un)n 21 est obtenue en pratique par des appels successifs un
gnrateur de nombres pseudo-alatoires. La plupart des langages disponibles sur
les ordinateurs modernes possdent une fonction alatoire, dj programme, qui retourne soit un nombre pseudo alatoire compris entre 0 et 1, soit un entier alatoire
dans un intervalle fix (voir, par exemple, la fonction rand () de la librairie C
stdlib).

Remarque 9.1.1 La fonction F peut dans certains cas (en particulier lorsque l'on
cherche simuler des temps d'arrt), dpendre de toute la suite (Un)n 21 , et non
plus d'un nombre fixe de Ui. La mthode prcdente est encore utilisable si l'on sait
simuler X l'aide d'un nombre presque srement fini de Ui, ce nombre pouvant
dpendre du hasard. C'est le cas, par exemple, de l'algorithme de simulation d'une
variable alatoire poissonienne (voir page 207).
Vitesse de convergence de la mthode de Monte-Carlo Considrons
(X1 , ... ,Xn, ... ) des tirages indpendants selon la loi d'un variable alatoire
X. Dfinissons l'erreur En de la mthode de Monte-Carlo par:

1
En= IE(X) - -(X1
n

+ + Xn)

Cette erreur peut tre estime l'aide du thorme de la limite centrale, qui dcrit le
comportement asymptotique de la loi de VnEn pour n grand.
Thorme 9.1.1 (Thorme de la limite centrale) Soit (Xi, i ?: 1) une suite de
variables alatoires indpendantes identiquement distribues telle que IE(Xt) <
+oo. Notons 0' 2 la variance (suppose strictement positive) de X 1 :

Alors

(~En)

converge en loi vers G,

o G est une variable alatoire gaussienne de moyenne nulle et de variance 1.


Remarque 9.1.2 De ce thorme on peut dduire que pour tout c1
,

hm lP'

n-++oo

(J'

;;;:;-cl ~

En

(J'

;;;:;-c2

1C2 e _

;2_
2

c1

< c2

dX
rrc..

27!'

En pratique, on interprte ce rsultat de la faon suivante : on considre que pour


n assez grand, la variable alatoire En suit une loi gaussienne centre de variance
0'2

/n.

205

9.1 Simulation et modles financiers

Bien sr, comme le support d'une telle variable alatoire gaussienne est lR en entier, il
est alors impossible de borner l'erreur en utilisant le thorme de la limite centrale.
Cependant, l'observation prcdente permet de dfinir un intervalle de confiance
pour l'erreur. Pour cela, on remarque que, pour G une variable alatoire gaussienne
centre rduite IP'(IGI :::; 1.96) = 0.95. Donc, avec une probabilit proche de 0.95,
pour n assez grand, on a :

Comment estimer la variance? La remarque prcdente montre qu'il est crucial


de savoir estimer l'cart-type O" de la variable alatoire. Ceci est ais raliser en
utilisant les mmes tirages que pour l'estimation de l'esprance.
Soit X une variable alatoire et (X 1 , ... , Xn) un chantillon tir selon la loi de
X. On note par Xn, l'estimateur empirique de l'esprance JE(X) :

Un estimateur classique de la variance est donn par

-2 = -1- l:n (Xi - Xn


- )2 .
O"n
n-l

a;

i=l

est souvent appel l' estimateur empirique de la variance de l'chantillon. On peut


peut se rcrire sous la forme
noter que

a;

a2 = _
n (_!_ ~ x2 - x2) .
n-l nL.,.;
n

i=l

a;

Ces formules montrent que Xn et


peuvent tre calcules en utilisant uniquement
L:~=l xi et L:~=l x;' ce qui peut tre exploit dans l'implmentation informatique.
= 2,
De plus on peut prouver que, lorsque JE(X 2 ) < +oo, limn_,+ 00
2
presque srement, et que JE (a;) = 0" (on dit que cet estimateur est sans biais).
Ceci conduit un intervalle de confiance approximatif en remplaant O" par an dans
l'intervalle de confiance standard. On peut, encore, montrer que avec une probabilit
proche de 0.95, JE (X) appartient l'intervalle alatoire donn par

a;

X
l.96an]
[X-n _ l.96an
,jn ' n+ ,jn
Ainsi, en utilisant trs peu de calculs supplmentaires (on doit simplement calculer
an l'aide de l'chantillon dj disponible) on est en mesure de donner une estimation de l'erreur que l'on commet lorsque l'on approxime JE(X) par Xn. Le fait de
pouvoir estimer cette erreur un cot informatique quasi nul est une proprit trs
utile et remarquable de la mthode de Monte-Carlo.

206

9.1.2

Chapitre 9 Simulation et algorithmes pour les modles financiers

Simulation d'une loi uniforme sur [, 1]

Nous allons montrer comment l'on peut construire des gnrateurs de nombres
alatoires au cas o les gnrateurs de la machine ne donneraient pas entire satisfaction.
La mthode la plus simple et la plus souvent utilise est la mthode des
congruences linaires. On gnre une suite (xn)n>o de nombres entiers compris
entre 0 et m - 1 de la faon suivante :

x 0 =valeur initiale E {O, 1, ... , m - 1}


Xn+l = axn + b( modulo m),

a, b, m tant des entiers qu'il faut choisir soigneusement si l'on veut que les
caractristiques statistiques de la suite soient satisfaisantes. Sedgewick ( 1987)
prconise le choix suivant :

{~

31415821
1

108.

Cette mthode permet de simuler des entiers pseudo alatoires entre 0 et m - 1 ; pour
obtenir un nombre rel alatoire entre 0 et 1 on divise l'entier alatoire ainsi gnr
par m.
Le gnrateur prcdent fournit des rsultats acceptables dans les cas courants.
Cependant sa priode (ici m = 108 ) se rvle souvent insuffisante. Il faut, alors,
utiliser des gnrateurs de nombres alatoires de priode plus longue en augmentant
m.
Le lecteur intress trouvera des renseignements sur les gnrateurs de
nombres alatoires et la faon de les programmer sur un ordinateur, par
exemple, dans Knuth (1981) et L'Ecuyer (1990) ou sur le site Web :
ht tp: / / random. mat. sbg. ac. at/ links/ consacr ce sujet.

9.1.3

Simulation des variables alatoires

Les lois que nous avons utilises pour les modlisations financires sont essentiellement des lois gaussiennes (dans le cas des modles continus) et des lois exponentielles et poissoniennes (dans le cas des modles avec sauts). Nous allons donner
des mthodes permettant de simuler chacune de ces lois.

Simulation de variables gaussiennes


Une mthode classique pour simuler les variables alatoires gaussiennes repose
sur la constatation (voir l'exercice 56 pour une preuve) que, si (U1 , U2 ) sont deux
variables alatoires uniformes sur [O, 1] indpendantes
J-2 log(U1 ) cos(2nU2 )
suit une loi gaussienne centre et rduite (i.e. de moyenne nulle et de variance 1) .
Pour simuler des gaussiennes de moyenne m et de variance 0' 2 il suffit de poser
X = m + O"g, o g est une gaussienne centre rduite.

207

9.1 Simulation et modles.financiers

Simulation d'une loi exponentielle


Rappelons qu'une variable alatoire X suit une loi exponentielle de paramtre,\
si sa loi vaut
l{x;::: O}e-.>.xdx.
On peut simuler X en constatant que, si U suit une loi uniforme sur
alatoire _ IoglU) suit une loi exponentielle de paramtre .

[O, l], la variable

Remarque 9.1.3 Ce moyen de simulation de la loi exponentielle est une cas particulier de la mthode de !"'inverse de la fonction de rpartition" (voir ce sujet
l'exercice 57).

Simulation d'une variable alatoire poissonienne


Une variable alatoire poissonienne est une variable valeurs dans N telle que :

>,n

= n) = e->- 1 , n;::: O.

IP'(X

n.

On a vu au chapitre 7 que si (Ti)i>l est une suite de variables alatoires exponentielles de paramtre , alors la loi de

Nt=

L nl{T1++Tn'.'Ot<T1+ .. +Tn+d

n;::o:l

est un loi de Poisson de paramtre t. N 1 a donc mme loi que la variable X que l'on
cherche simuler. D'autre part, on peut toujours mettre les variables exponentielles
Ti sous la forme - log(Ui) /, o les (Ui)i;::o:l sont des variables alatoires suivant la
loi uniforme sur [O, 1] et indpendantes. N 1 s'crit alors:

N1 =

nl{U1U2 ... Un+1'.'0e-<U1U2 ... Un}'

n;::.:1

Ceci conduit un algorithme de simulation d'une variable alatoire de Poisson.


Pour la simulation d'autres lois que nous n'avons pas cites, ou pour d'autres
mthodes de simulation des lois prcdentes, on pourra consulter, par exemple, Rubinstein (1981).

Simulation de vecteurs gaussiens


Lorsque l'on construit des modles o interviennent plusieurs actifs (par exemple
lorsque l'on cherche modliser des paniers d'actifs comme un indice boursier), on
est amen considrer des processus gaussiens valeurs dans !Rn. Le problme de
la simulation des vecteurs gaussiens (voir le paragraphe A.1.2 de l'appendice pour la
dfinition d'un vecteur gaussien) est alors essentiel. Nous allons donner une mthode
de simulation de ce type de variables alatoires.
Nous supposerons que l'on cherche simuler un vecteur gaussien (X1 , , Xn)
dont la loi est caractrise par le vecteur des moyennes m = (m 1 , , mn) =

208

Chapitre 9 Simulation et algorithmes pour les modles financiers

(JE(X1), ,JE(Xn)) et la matrice de covariance r = ('yijh:5i:5n,1:::;j:::;n o /ij =


JE(XiXj) - JE(Xi)JE(Xj). La matricer est dfinie positive et nous supposerons, de
plus, qu'elle est inversible. On peut trouver une racine carre der, c'est dire une
matrice A, telle que A X t A= r (o t A dsigne la transpose de la matrice A).
Comme r est inversible, A l'est galement, et on peut considrer le vecteur Z =
A - I (X - m). Il est facile de vrifier que ce vecteur est un vecteur gaussien, centr.
De plus sa matrice de covariance vaut :

L1:::;k::;n,l:5l:5nJE(AU,1(Xk - mk)Aj/(X1 - m1))


L1:::;k:::;n,l:5!:5nJE ( AU,1Aj/ rkl)
(A-1r(tA)-1)ij = (A-1AtA(tA)-1)ij =Id.

Z est donc un vecteur gaussien centr de matrice de covariance identit. La loi du


vecteur Z est celle de n gaussiennes centres rduites indpendantes. La loi du vecteur X = m + AZ, peut donc tre simule de la faon suivante :
1. Calcul d'une racine carre r de la matrice A,
2. Simulation de n gaussiennes centres rduites indpendantes G
(91,'' '9n),
3. Retour de m + AG.
Remarque 9.1.4 Pour calculer la racine carre der, on peut supposer A triangulaire
suprieure, il y a alors une seule solution l'quation A x t A = r. En explicitant
cette quation, on obtient facilement les coefficients de A. Cette mthode de calcul
de la racine carre s'appelle la mthode de Cholevsky (pour un algorithme complet
voir Ciarlet (1988) ou Press et al. (1992)).

9.1.4

Simulation de processus stochastiques

Les mthodes dcrites prcdemment permettent de simuler une variable


alatoire, en particulier la valeur d'un processus stochastique un instant donn. On
a parfois besoin de savoir simuler toute la trajectoire d'un processus (par exemple,
lorsque on tudie l'volution au cours du temps de la valeur d'un portefeuille d'option, voir l'exercice 47). Ce paragraphe propose quelques procds lmentaires permettant de simuler des trajectoires de processus.

Simulation du mouvement brownien


Nous allons prsenter deux mthodes permettant de simuler un mouvement
brownien (Wtk:::o La premire consiste "renormaliser" une marche alatoire.
Soit (Xi)i>O une suite de variables alatoires indpendantes et quidistribues de
loi lP (Xi :::;- 1) = 1/2, lP (Xi = -1) = 1/2. On a alors JE (Xi) = 0 et JE (Xl) = 1.
On pose Sn = X 1 + + Xn. on peut alors "approximer" le mouvement brownien
par le processus (Xt)t?,o o

9.1 Simulation et modles financiers

209

o [x] dsigne la partie entire de x. On trouvera un dbut de justification cette


faon de simuler le mouvement brownien dans l'exercice 48.
Dans la deuxime mthode, on remarque que, si (gi)i>O est une suite de gaussiennes centres rduites indpendantes, si t > 0 et si l'on pose

alors la loi de ( $tS0 , $tS1 , , V!SJ,Sn) est identique celle de:

(Wo, Wllt, W2Llt, ... , Wnllt)


On peut approximer le mouvement brownien par Xf

= $tS[t/ LltJ.

Simulation des quations diffrentielles stochastiques


Il existe de nombreuses mthodes, certaines trs sophistiques, pour simuler la
solution d'un quation diffrentielle stochastique, on pourra consulter, pour un panorama de ces mthodes Pardoux et Talay (1985) ou Kloeden et Platen (1992). Nous ne
parlerons ici que de la mthode la plus lmentaire : la "mthode d'Euler alatoire".
Le principe en est le suivant : considrons une quation diffrentielle stochastique :

{ Xo
dXt

= b(Xt)dt + cr(Xt)dWt.

On se fixe un pas de discrtisation en temps 6.t. On peut alors construire un processus temps discret (Sn)n>o approximant la solution de l'quation diffrentielle
stochastique aux instant n!::l.t, en posant :
X

{b(Sn)t + cr(Sn)(W(n+l)Llt - Wnllt)}.


Si Xf

B[t/Llt]

(Xf k~.o approxime (Xt)t;:::o au sens suivant:

Thorme 9.1.2 Pour tout T > 0 :


E (sup IX;' - Xtl 2 )

:::;

Cr!::l.t,

t<;_T

Cr tant une constante dpendant uniquement de T.

On trouvera la dmonstration de ce rsultat (ainsi que d'autres schmas de


discrtisation des quations diffrentielles stochastiques) dans le chapitre 7 de Gard
(1988).
La loi de de la famille (W(n+l)Llt - Wnllt)n>O est identique celle d'une famille de gaussiennes indpendantes centres et de variance 6.t. Dans une simulation,
on remplace (W(n+l)Llt - Wnllt) par GnV!SJ,, o (Gn)n;:::o est une suite de gaussiennes centres rduites indpendantes. La suite approximante (S~)n;:::o est dans ce
cas dfinie par

{ Sb

8~+1

S~

+ 6.t b(S~) +cr (S~) Gn.JlSJ,.

210

Chapitre 9 Simulation et algorithmes pour les modles financiers

Remarque 9.1.5 On peut substituer la suite de variables alatoires gaussiennes


indpendantes (gi)i>O
une suite de variables alatoires indpendantes (Ui)i>o,
telle
que IP'(Ui = 1) = IP'(Ui = -1) = 1/2. Il faut, cependant, noter que, dans ce cas, on
n'a pas le mme type de convergence que dans le thorme 9 .1.2 : dans ce cas, il faut
interprter la convergence comme une convergence faible (ou convergence en loi,
la diffrence de la convergence forte (ou trajectorielle) du thorme 9.1.2.
On pourra consulter Kushner (1977) et Pardoux et Talay (1985) pour des
prcisions sur la convergence faible et des rsultats sur les discrtisations en loi des
quations diffrentielles stochastiques.

Une application au modle de Black et Scholes


Dans le cas du modle de Black et Scholes, il s'agit de simuler la solution de
l'quation

Nous allons voquer deux mthodes de simulation. La premire consiste utiliser la


mthode d'Euler alatoire, qui consiste poser :
X

= Sn(l + r6.t + o-GnVM),


et simuler Xt par X['
explicite de la solution

S[t/b.t]

L'autre mthode consiste utiliser la forme

et simuler le mouvement brownien par une des mthodes cites prcdemment.


Dans le cas o l'on simule le mouvement brownien par JM L~=I Gi> on obtient
(9.2)
On approxime toujours Xt par X['

S[t/ b.t].

Remarque 9.1.6 On peut aussi substituer aux variables alatoires gaussiennes Gi


des variables de Bernoulli valant +1 ou -1 avec probabilit 1/2 dans (9.2), on obtient un modle de type binomial proche du modle de Cox Ross Rubinstein utilis
dans le paragraphe 1.4 du chapitre 1.

Simulation des modles avec sauts


On a considr au chapitre 7 une extension du modle de Black et Scholes comportant des sauts, nous allons dcrire une mthode permettant de simuler ce processus. On reprend les notations et les hypothses du chapitre 7, paragraphe 7.2. Le

9.2 Introduction aux mthodes de rduction de variance

211

processus (Xtk:::o servant de modle d'actif s'crit

Xt

=X

(fi

(1

+ Uj )) e(-a.2 /2)t+aw,'

(9.3)

J=l

o (Wt)t>o
est un mouvement brownien standard , (Nt)t>o
est un processus de
Poisson d'intensit>., et (U1 )r:?_l est une suite de variables alatoires indpendantes
quidistribues, valeurs dans] - 1, +oo[, de loi (dx). Les tribus engendres par
(Wtk::o, (Nt)t20. (U1)121 sont supposes indpendantes.
Pour simuler ce processus aux instants nb.t, notons que !'on a :

Xnt:>.t

=X X

(Xt:;.t/x)

(X2t:;.t/ Xt:;.t)

X X

(Xnt:;.t/ X(n-l)t:>.t)

Si l'on note Yk = (Xkt:>.t/ X(k-l)t:>.t), on peut prouver, l'aide des proprits de


(Nt)t20. (ll't)t20 et (U1)121 que la suite des (Yk)k21 forme une suite de variables
alatoires indpendantes de mme loi.
Comme Xnt:>.t = xY1 ... Yn, la simulation de X aux instants nb.t se ramne
celle de la suite (Yk )k 21 . Cette suite tant indpendante quidistribue, il suffit de
savoir simuler Y1 = Xt:;.t/x. On procde, alors, comme suit:
- On simule une variable alatoire gaussienne centre rduite G.
- On simule une variable alatoire poissonienne de paramtre >.!::.t : N.
- Si N = n, on simule n variables alatoires selon la loi( dx) : U1 , ... , Un.
Toutes ces variables sont supposes indpendantes. Alors, il est facile de se
convaincre en utilisant l'quation (8.3) que la loi de:

(, (1+ U;))

e{-'

i')~<+u./iiiG

est identique celle de Y1.

9.2 Introduction aux mthodes de rduction de variance


Les rsultats du paragraphe prcdent montrent que le quotient O' /fa est
reprsentatif de la prcision de la mthode de Monte-Carlo utilisant n simulations.
Une consquence vidente de cette constatation est que l'on a toujours intrt rcrire la quantit calculer sous la forme de l'esprance d'une autre variable alatoire
de variance infrieure. C'est l'ide de base d'un mthode de rduction de variance.
Pour un traitement complet du sujet nous renvoyons Kalos et Whitlock ( 1986),
Hammersley et Handscomb (1979), Rubinstein (1981) et Ripley (1987) pour des
livres gnraux sur la simulation et Glasserman (2004) pour un livre consacr plus
directement aux applications financires.
Supposons que l'on veuille calculer JE (X). Nous cherchons trouver une autre
reprsentation cette esprance de la forme
JE(X)

= lE(Y) + C,

212

Chapitre 9 Simulation et algorithmes pour les modles financiers

en utilisant une variable alatoire Y de variance infrieure, C tant une constante


connue.
De nombreuses techniques existent, nous allons nous contenter ici de donner une
introduction aux plus simples d'entre elles.

9.2.1

Variables de contrle

L'ide, trs simple, d'un variable de contrle, est d'crire une esprance E(X)
sous la forme :
E(X) = E(X - Y)+ E(Y),
o E(Y) doit pouvoir tre calcule explicitement et Var(X - Y) est infrieure
Var( X). Dans ces circonstances, on peut utiliser une mthode de Monte-Carlo classique pour estimer E(X - Y) puis ajouter la valeur exacte de E(Y). Nous allons
illustrer cette ide sur des exemples financiers.

Utilisation de la relation de parit "call-put" pour rduire la variance Notons


St le prix l'instant t d'un actif risqu et C, le prix d'une option d'achat (ou "call")
europenne sur cette actif, donn par

lP' tant une probabilit "risque-neutre". Notons aussi par P le prix d'une option de
vente (ou "put") europenne :

La formule de parit "call-put" donne

C - P = E (e-rT (Sr - K)) =Sa - Ke-rT.


Cette formule permet de ramener le calcul du prix d'une option de vente celui d'une
option d'achat, puisque

Remarque 9.2.1 Pour le modle de Black et Scholes, des formules explicites pour la
variance du "payoff" des options d'achat et vente peuvent tre obtenues. La variance
de l'option de vente est souvent (mais pas systmatiquement) infrieure celle de
l'option d'achat. Il est ainsi souvent prfrable de calculer le prix de l'option de
vente mme si l'on cherche calculer le prix d'une option d'achat.
La mthode de Kemna et Vorst pour les options asiatiques Le prix d'une option
europenne sur moyenne (ou asiatique) de "strike" fixe est donn par l'esprance

9.2 Introduction aux mthodes de rduction de variance


o (St, t

:=:::

213

0) est le processus de Black Scholes:

Lorsque a et r sont "petits'', on peut esprer que

Cet argument heuristique suggre d'utiliser Y,

o Z = ~ J0T log(Ss)ds comme variable de contrle. Comme la variable alatoire


Z est gaussienne, on peut calculer explicitement

en utilisant une formule du type de celle de Black et Scholes :


E ( (K O

)+) = K N(-d) -

elE(Z)+! Var(z) N(-d - JVar(Z)),

d = IE(Z)-log(K).

y!Var(Z)
Cette mthode est propose par Kemna et Vorst (1990) et est trs efficace pour
des valeurs raisonnables der et a (a :::::J 0.3 par an, r :::::J 0.1 par an et T :::::J 1 an sont
des valeurs typiques pour une application financire). Pour des valeurs de a et r plus
grande, la variable de contrle est moins efficace, mais elle reste toujours utile.
Les options sur panier Une ide similaire peut tre utilise pour calculer le prix
d'une option sur panier (ou indice). Le modle le plus simple, dans ce cas, est le
modle de Black et Scholes multi-dimnensionnel que nous dcrivons maintenant.
Soit a une matrice n x d et (Wt, t :=::: 0) un mouvement brownien d-dimensionnel.
Notons (St, t :=::: 0) la solution unique de

dS[
{
dSf
o [adWt]i = 2=~=I ijdW/. Remarquons que cette quation diffrentielle stochastique se rsout explicitement de la faon suivante :

214

Chapitre 9 Simulation et algorithmes pour les modles financiers

On pose, de plus, It pour la valeur du panier :


n

It =~ais:,
i=l

o (a1, ... , an) est un vecteur de valeurs relles positives tel que E~=l ai = 1.
Supposons que l'on cherche calculer le prix d'un put europen dont le "payoff"
l'instant Test donn par
h = (K - Ir)+.
En s'inspirant du paragraphe prcdent, on va approximer

a1X1
a13Wri
-Ir -- - e r1r+"'v-1
L...3m
m
o m = a1x1 + + adxd et ri
variable alatoire log-normale

= r-

+ -adXd
- erdr+"'v-1 ad1Wri
m

Ej=l

L..3_

'

a}j, l'aide de Y, o Y est la

Ceci permet de calculer explicitement

JE [(K - mY)+] ,
par une formule de type Black et Scholes et d'utiliser la variable alatoire Z
(K - mY)+ comme variable de contrle. Il reste alors chantillonner la variable
alatoire (K - X)+ - (K - mY)+ (voir le paragraphe 9.4.5 pour plus de dtails).

9.2.2

Techniques de fonction d'importance

La technique de fonction d'importance est une mthode de rduction de variance


qui utilise un changement de la loi simule pour rduire la variance.
Nous commenons par introduire cette mthode dans un contexte simple. Supposons que l'on veuille calculer

JE(f(X)),
X tant une variable alatoire relle dont la loi admet une densit p( x) sur JR, alors

JE(f(X)) =

f(x)p(x)dx.

Supposons maintenant que jj est une autre densit telle que jj(x)
1. On a, bien sr

> 0 et JJR jj( x )dx =

JE(f(X)) = { f(:)p(x) jj(x)dx =JE (f(~)p(Y)) ,


}IR p( x)
p(Y)
o Y est une variable alatoire suivant la loi jj( x )dx sous lP'. On peut alors approximer
JE(f(X)) l'aide de !'estimateur
1 (f(Y1)p(Y1)

jj(Y1)

+ ... +

f(Yn)p(Yn))
jj(Yn)
'

9.2 Introduction aux mthodes de rduction de variance

215

o (Y1 , ... , Yn) sont des copies indpendantes suivant la loi de Y.


Posons Z = f(Y)p(Y)/p(Y). Ce nouvel estimateur amliorera l'estimateur
classique si Var(Z) < Var(f(X)).
Il est facile de calculer la variance de Z :
Var(Z) =

j!R

J2(~)p 2 (x) dx p(x)

JE(f(X)) 2 .

On remarque alors, partir de cette expression que si f (x) > 0 et p( x) =


f(x)p(x)/JE(f(X)), alors Var(Z) = 0 ! Bien sr ce rsultat est d'un intrt limit
en pratique puisqu'il suppose de disposer de la valeur de JE(f (X)), que l'on cherche
justement calculer. On peut cependant, en dduire une approche heuristique, en
posant :

q(x)
p(x) = f!Rq(x)dx'
o q(x) est une approximation de lf(x)p(x)I, choisie de faon ce que p(x) puisse
tre chantillonn simplement.

Un exemple financier lmentaire Supposons que G soit une variable alatoire


gaussienne centre rduite, et que l'on cherche calculer
JE (f(G))'
pour une fonction

borne. Nous allons choisir pour nouvelle densit de simulation,

p(x), la densit de la loi de G = G + m, m tant une constante relle choisir de


faon adquate. On a
JE (f(G)) =JE

(!(a):~~~) =JE (!(G)e-m+ "'-i

2
).

Cette galit peut se rcrire


JE (f(G)) =JE

(!(a+ m)e-m 0 -"'-i

).

(9.4)

Pour tre plus prcis, supposons que l'on cherche valuer une option d'achat europenne dans le modle de Black et Scholes. On a donc

f(G) =

(-\eo-G -

K)+.

Supposons, de plus, que < < K. Dans ce cas, IP'( eo-G > K) est trs petit et il
est trs peu probable que l'option soit exerce. Ce fait peut conduire une erreur
relative trs grande lorsque l'on utilise une mthode de Monte-Carlo classique. Pour
augmenter la probabilit d'exercice, on peut utiliser l'galit (9.4):

Chapitre 9 Simulation et algorithmes pour les modles financiers

216
et choisir m

= m 0 avec eamo = K, puisque


IP' ( ea(G+mo)

>

K) = ~

Ce choix de m n'est certainement pas optimal, mais il peut drastiquement amliorer


l'efficacit de la mthode de Monte-Carlo quand < < K (voir l'exercice 58 ce
sujet).

Le cas d'un vecteur gaussien Les mthodes de Monte-Carlo sont vraiment utiles
pour des problmes faisant intervenir un grand nombre d'actifs sous-jacents. Nous
allons voir comment la mthode prcdente peut tre tendue au cas multidimensionnel.
On considre le modle de Black et Scholes multidimensionnel dj introduit
page 213. Soit une matrice n x d et (Wt, t 2: 0) un mouvement brownien ddimensionnel. Notons (St, t 2: 0), le vecteur des prix donn par

cr

S~ = S~exp ( (r - ~ J=l
tcrr1) T + J=l
tcri1w?) ,
et dsignons par It la valeur de l'indice It = I:~=l ais;, o a 1, ... , an sont des
nombres rels positifs tels que L~=l ai = 1. Supposons que l'on veuille calculer
le prix d'une option europenne dont le "payoff" l'instant T vaut h = f (Ir).
Clairement, il existe une fonction cf> telle que

h=ef>(G1, ... ,Gd),

1 w?

o G =
//T sont des variables gaussiennes indpendantes centre et de variance 1.
Le prix de cette option s'crit donc sous la forme JE (ef>(G)), o G =
(G 1 , ... , Gd) est un vecteur gaussien centr de dimension d de matrice de covariance gale l'identit.
Comme en dimension 1, il est facile de prouver (par un changement de variable)
que, si m = (m1, ... , md),

JE (ef>(G)) = E ( ef>(G + m)e-m.G- 1n;12) ,

(9.5)

o m.G = I:~=l miGi et lml 2 = I:~=l m;. En utilisant l'quation (9.5), la variance V (m) de la variable alatoire
JmJ2

Xm = ef>(G + m)e-m.G--2peut tre mise sous la forme :

V(m)

E ( c/>2(G + m)e-2m.G-lml2) - E (ef>(G))2,


E ( c/>2(G + m)e-m.(G+m)+~ e-m.c-1n;1 2) _ E (ef>(G))2,

= E (ct>2(G)e-m.c+1";12)-E(ef>(G))2.

9.2 Introduction aux mthodes de rduction de variance

217

Nous renvoyons le lecteur Glasserman, Heidelberger, et Shahabuddin (1999) pour


une faon quasi-optimale de choisir le vecteur des paramtres m utilisant cette
reprsentation et Arouna (2003/4) pour une mthode utilisant des algorithmes stochastiques permettant de calculer le vecteur des paramtres optimaux.
Nous allons maintenant tendre ces techniques aux cas de fonction dpendant de
la trajectoire ("path-dependent" dans la littrature anglo-saxonne). On utilise dans ce
cas le thorme de Girsanov 4.2.2.

Le thorme de Girsanov et les options "path-dependent"


solution de l'quation diffrentielle stochastique

dSt

Soit (St, t 2". 0) la

= St (rdt + udWt), Sa = x,

o (Wt. t 2". 0) est un mouvement brownien sous un probabilit IP'. On cherche


calculer le prix de !'option "path-dependent" de "payoff" donn par :

Des exemples typiques de cette situation se trouvent pour


- des options asiatiques, de "payoff" donn par f(Sr, for S 5 ds ),
- des options sur maximum de "payoff" f (Sr, maxs::;r Ss)
Nous commenons par considrer un exemple lmentaire de technique de fonction
d'importance. Pour un nombre rel donn>., on peut dfinir le processus (W/', t ::::;
T) comme:

W/' := Wt

+ >..t.

Le thorme de Girsanov (voir le thorme 4.2.2 du chapitre 4) permet d'affirmer


que (W/', t ::::; T) est un mouvement brownien sous la probabilit JP' dfinie par :

o L~ = e-,\WT-"'~T. On note JE l'esprance sous cette nouvelle probabilit IP'.x.


On rappelle que, pour toute variable alatoire Fr-mesurable borne ou positive,

On a donc, pour toute fonctionnelle borne 'lj; de la trajectoire,

Soit
(9.6)
Par exemple, si l'on cherche calculer le prix d'un option asiatique "strike" fixe,
de "payoff" donn par

218

Chapitre 9 Simulation et algorithmes pour les modles financiers

on peut utiliser l'galit (9.6) pour obtenir:

Cette reprsentation peut tre utilise dans le cas d'une option trs en dehors de la
monnaie (i.e. quand x < < K). Alors peut tre choisi en rsolvant l'quation :

pour augmenter la probabilit d'exercice.

9.2.3

Variables antithtiques

L'utilisation de variables antithtiques est largement rpandue dans les mthodes


de Monte-Carlo. Cette mthode peut tre efficace mais ses gains sont, souvent, moins
spectaculaires que d'autres mthodes de rduction de variance. Nous commenons
par illustrer l'ide de base de cette mthode sur un exemple trs simple.
On cherche calculer, pour U une variable alatoire uniforme sur l'intervalle
[, 1] et f, une fonction borne de [O, 1] dans IR,

I = "JE(f(U)) =

fo

f(x)dx.

Comme 1 - U suit la mme loi que U, on a :

I ="JE

(~(f(U) + f(l -

U))).

On peut donc tirer n variables alatoires indpendantes U1 , ... , Un selon la loi de


U, et approximer I par

Il convient alors de comparer l'efficacit de ce nouvel estimateur avec celui que l'on
utilise classiquement dans la mthode de Monte-Carlo, l'issue de 2n tirages :

Pour cela, il suffit de comparer les variances de hn et Ign. On doit noter que l'on
suppose implicitement en faisant cette comparaison que l'essentiel de la difficult

9.2 Introduction aux mthodes de rduction de variance

219

numrique rside dans l'valuation de f et que le temps consacr la simulation


des variables alatoires est ngligeable, ce qui est, le plus souvent, une hypothse
raliste.
Un calcul simple prouve que la variance de !'estimateur classique est donne par
1
Var(Jgn) = -Var(f(U1)),

2n

alors que:
Var(I2n)

=~Var (~(f(U1) + f(l -

U1)))

1
= 4n (Var(f(U1)) + Var(f(l - U1)) + 2Cov(f(U1), f(l - U1)))
1
= 2n (Var(f(U1) + Cov(f(U1), f(l - U1))).

Il est donc clair que Var(I2n) ::::; Var(Jgn) si et seulement si Cov(f (U1), f (1-U1)) ::::;
O. Il est possible de prouver que si f est une fonction monotone, cela est toujours vrai.
La mthode de Monte-Carlo utilisant les variables antithtiques est donc alors plus
efficace que la mthode classique.
Cette ide peut tre gnralise en dimension suprieure 1, en utilisant la transformation
(U1, ... , Ud) -> (1 - U1, ... , 1 - Ud)
Plus gnralement, si X est une variable alatoire prenant ses valeurs dans JRd et T
une transformation de JRd telle que la loi de T(X) est identique celle de X, on peut
construire un estimateur utilisant des variables antithtiques gnralises en utilisant
l'galit
E(f(X)) =

~E (f(X) + f(T(X))).

Plus prcisment, si (X 1, ... , Xn) sont indpendantes, tires selon la loi de X, on


peut dfinir le nouvel estimateur en posant :
1

+ f(T(X1)) + + f(Xn) + f(T(Xn)))

+ f(X2)) + + f(X2n-i) + f(X2n)).

I2n = 2n (f(X1)
et le comparer :
0

I2n = 2n (f(X1)

Les mmes calculs que prcdemment prouvent que !'estimateur I 2 n amliore l'estimateur classique 1gn si et seulement si Cov(f(X), f(T(X))) ::::; O. Nous donnons
maintenant quelques exemples qui peuvent tre utiles en finance.

Une exemple lmentaire Soit G une variable alatoire gaussienne centre, de


variance unit, on considre un prix de "call" s'exprimant sous la forme:

E ( (>.eac

- K)+).

Chapitre 9 Simulation et algorithmes pour les modles financiers

220

Comme la loi de -Gest identique celle de G, on peut utiliser la transformation

T(x) = -x. Comme le "payoff" de l'option est une fonction croissante, on peut
montrer que !'estimateur utilisant des variables antithtiques:
1

hn = 2n (f(Gi)

+ J(-Gi) + + f(Gn) + J(-Gn)),

o f(x) = (>.eo-x - K)+, rduit certainement la variance.


Extension aux options "path-dependent" L'exemple prcdent peut tre tendu
une option europenne "path-dependent" dont le "payoff" est donn par :

'ljJ (Ws, s :::; T) .


On peut utiliser le fait que la loi de (Wt. t :::; T) et celle de (-Wt, t :::; T) sont
identiques pour construire une mthode de variables antithtiques. Plus prcisment,
on pose
1

2n ('l/;(Wl, s :::; T)

+ 'l/J( -

w;, s :::; T)

+ .. + 'l/J(W;', s:::; T) + 'l/J(-W;', s:::; T)),


o W 1 , ... ,

9.2.4

wn sont des tirages browniens indpendants.

Mthode de valeur moyenne ou de conditionnement

Cette mthode utilise la proprit bien connue que !'esprance conditionnelle


rduit la variance. En effet pour toute variable alatoire intgrable Z, on a
JE(Z) = JE(JE(Z[Y)),
o Y est une autre variable alatoire dfinie sur le mme espace de probabilit que
Z. Il est bien connu que JE(Z[Y) peut se rcrire sous la forme
JE(Z[Y) =</>(Y),
o </> est une fonction mesurable. Si l'on suppose, de plus, que Z est de carr
intgrable, comme l'esprance conditionnelle est une projection dans l'espace de
Hilbert L 2 , on a:
et donc Var( </>(Y)) :::; Var( Z).
Bien sur, l'efficacit pratique de la simulation de cette mthode repose sur le fait
que l'on a une formule explicite pour la fonction</>. Ceci est facile raliser si l'on
suppose que Z = f (X, Y), o X et Y sont des variables alatoires indpendantes,
puisque l'on a, dans ce cas,
JE(f(X, Y)/Y) =</>(Y),
o </>(y) = JE(f(X, y)) (voir la proposition A.2.5).

9.3 Exercices

221

Un exemple lmentaire. Supposons que l'on cherche calculer IP' (X :::; Y), o
X et Y sont des variables alatoires indpendantes. Cette situation peut apparatre
en finance, par exemple, lorsque l'on cherche calculer la couverture d'une option
d'change (ou le prix d'une option d'change digitale). On a, dans ce cas,

IP' (X:::; Y)= JE (F(Y)),


o F est la fonction de rpartition de X. La rduction de variance peut tre significative, particulirement lorsque la probabilit IP' (X :::; Y) est petite.

9.3 Exercices
Exercice 56 Soit X et Y deux variables alatoires gaussiennes centres rduites.
Calculer la loi du couple de variables alatoires (R, 8) o R = y'X 2 + Y 2 et 8 =
arctg(Y/X)) dsigne l'angle polaire. En dduire que si U1 et U2 sont deux variables
alatoires uniformes sur [, 1] et indpendantes, les variables alatoires

sont indpendantes et suivent une loi gaussienne centre rduite.

Exercice 57
telle que

Soit f une fonction de lR dans JR, telle que f(x)

>

0 pour tout x, et

J!";: f(x)dx = 1. On veut simuler une variable alatoire X de loi f(x)dx.

On pose F(u) = J~00 f(x)dx. Dmontrer que si U est une variable alatoire uniforme sur [, l], alors la loi de p- 1 (U) est f(x)dx. En dduire une mthode de
simulation de X.

Exercice 58 Soit et K deux nombres rels positifs tels que


la variable alatoire :
Xm

et

= ( ea(G+m)

a;, sa variance.

< K.

On note Xm

K) + e-mG- "'22 .
a;,

Donner une expression de la drive de


par rapport
sous la forme d'une
esprance et en dduire que a;, est une fonction dcroissante de m pour tout m :::;
mo = Iog(K/>.)/a.

Exercice 59 Soit (Wt)t?.O un mouvement brownien et (Ui)i?.1 une suite de variables alatoires indpendantes prenant pour valeurs+ 1 ou -1 avec probabilit 1/2.
On dfinit Sn= X1 + + Xn.
1. Montrez que, pour un instant t
vers Wt.

>

0, si X['

S[nt] /

,jn, X['

converge en loi

2. Soit t et s deux nombres rels positifs ; en utilisant le fait que la variable alatoire Xt'+s - X[' est indpendante de X[', montrer que le couple
(Xt'+s X[') converge en loi vers (Wt+s, Wt).

Chapitre 9 Simulation et algorithmes pour les modles financiers

222
3. Soit 0

< t 1 < < tp, montrer que


(X~,

9.4

... ,X!;,)

converge en loi vers (Wt,, ... , Wtv).

Exprimentations informatiques

Dans cette section, nous proposons des expriences numriques illustrant certaines des ides les plus importantes dveloppes dans ce livre. Des solutions crites
dans un langage la syntaxe proche de MatLab, sont disponibles sur:

http://cermics.enpc.fr/-bl/scilab
Des implmentations libres d'interprteur de ces langages sont accessibles aux
adresses suivantes :

NSP:
SCICOSLAB:
SCILAB:

http://cermics.enpc.fr/-jpc/nsp-tiddly
http://www.scicoslab.org
http://www. scilab. org

Toutes trois permettent de tester et d'excuter ces codes.

9.4.1

Prix et couvertures dans le modle de Cox-Ross-Rubinstein

Nous nous intressons au modle de Cox-Ross-Rubinstein. Ce modle est dcrit


en dtail au paragraphe 1.4 du chapitre 1. Rappelons que, pour ce modle, on note
Sn le prix l'instant n de l'actif risqu, et que, pour tout entier n 2 0, on a

o (Tn, n 2 1) est une suite de variables alatoires indpendantes telles que IP(Tn =
u) = pet IP(Tn = d) = 1 - p, o 0 < u < d et p sont des nombres rels avec
O<p<l.
On note S~ la valeur l'instant n d'un modle de Cox-Ross-Rubinstein partant
de x l'instant 0 :
S~

= xT1 ... Tn.

On note, de plus, S~ le prix de l'actif sans risque, que l'on suppose donn par S~

(1 +Rr.
Choix des paramtres du modle Dans ce qui suit, nous allons choisir les paramtres du modle de la faon suivante:
- pour le taux d'intrt sans risque annuel : r = 5%,
- pour la valeur initiale de l'actif risqu : S0 = 40,
- comme "strike" : K = 40 (ou plus gnralement n'importe quelle valeur
proche de So),
- pour le nombre de pas de temps : N = 10,
- la date d'chance: T = 4 mois.

9.4 Exprimentations informatiques

223

Les valeurs de u et d seront choisies de faon ressembler un modle de Black et


Scholes, plus prcisment
- 6.t = T / N sera le pas de temps du modle discret,
- R = exp(r * 6.t) - 1 sera le taux d'intrt sans risque sur une priode.
Les choix de u et d sont relis la discrtisation d'un modle de Black et Scholes
de volatilit a. Les nombres d et u peuvent tre choisis de la faon suivante (voir le
chapitre 1, paragraphe 1.4 pour une justification) :

+ R) *exp (-a* JKt),


- u= (1 + R) *exp (+a * JKt).
- d = (1

On supposera que a= 0.2 (par anne).

Couverture dans le modle de Cox-Ross-Rubinstein


1. Dcrire une mthode de simulation de la trajectoire (8 0 , ... , SN).
Tracer une trajectoire typique du modle de Cox-Ross-Rubinstein pour
diffrentes valeurs de p (de 0.10.9). Noter que le prix des options ne dpend
pas de cette valeur de p (voir le chapitre 1).
2. On suppose que d ::::: R
R)n) = 1 est donn par:

< u, montrer que l'unique p* tel que IE(Sn/(1 +

u - (1 + R)
u- d .

Pourquoi doit-on calculer le prix d'une option sur S comme une esprance en
considrant que p = p* quelle que soit la valeur de p?
3. crire un algorithme itratif calculant le prix d'un "call" de strike K l'instant
0, comme fonction de N,K,R,u,d,x:
Prix_en_zero (N, K, R, u, d, x).

Par un argument de changement de temps crire une fonction


Prix ( n, N, K, R, u, d, x) qui calcule le prix l'instant n, lorsque la
valeur du prix de l'actif risqu cet instant vaut x.
4. Calculer le ratio de couverture Couverture (n, N, K, R, u, d, x) l'instant n quand le prix de !'actif risqu vaut x en utilisant la fonction
Prix(n,N,K,R,u,d,x).
5. Simuler une trajectoire (Sn, 0 :::; n :::; N) et vrifier que la procdure de
couverture rplique parfaitement le "payoff" quelle que soit la valeur de p,
strictement comprise entre 0 et 1.

Le "call" asiatique dans le modle de Cox-Ross-Rubinstein


"call" asiatique dont le "payoff" l'instant N est donn par

On prendra N

10 dans les exemples numriques.

On considre un

Chapitre 9 Simulation et algorithmes pour les modles financiers

224

1. En utilisant les rsultats du chapitre 1, montrer que le prix l'instant n de


l'option est donn par

En dduire que, si

u(n, x, m) = IE* ( (l

+ ~)N-n f(SN-n m + S' + + SN-n-1))

alors Vn = u(n, Sn, Sa+ S1

+ + Sn-1).

2. Montrer que u est l'unique solution de

u(n,x,m)

- R [p*u(n + 1, xu, m
1+

+ x)

+ (1-p*)u(n+ 1,xd,m+x)] ,n < N,x,m E IR,

{
u(N,x,m)

(X - ~)+,X, m E JR.

3. crire un algorithme rcursif qui calcule u(O, x, 0). Quelle est la complexit de
cet algorithme en fonction de N? Peut-on rduire la complexit de ce calcul?
4. Montrer que la quantit d'actif risqu qu'il faut dtenir, entre les instants n
et n + 1, pour constituer un portefeuille de rplication exacte est donne par
Hn+l = h(n + 1, Sn, Sa++ Sn-1), O

h(

- u(n+l,xu,m+x)-u(n+l,xd,m+x)
x(u _ d)
.

+ 1, x, m ) -

5. Implmenter cette procdure de couverture et vrifier par simulation qu'elle


conduit une rplication parfaite.

9.4.2

Prix et couverture dans le modle de Black-Scholes

Le but de cette exprience numrique est d'tudier l'influence de la frquence de


couverture sur la qualit du portefeuille de couverture dans le modle de Black et
Scholes.

Simulation du modle de Black et Scholes L'actif risqu est dcrit dans le modle
de Black et Scholes par la solution de

{ dSt
Sa

x,

o (Wt)t2'.a est un mouvement brownien, O" la volatilit annuelle, la drive de


l'actif risqu et r le taux d'intrt sans risque. Dans ce qui suit nous choisirons r =
0, 05%/anne, (j = 20%/ vanne= 0.2 et X = 100. La valeur de l'actif sans risque
= ert.
est suppose tre donne par

sp

9.4 Exprimentations informatiques

225

1. Expliquer comment l'on simule une suite de variables alatoires gaussiennes


centres, de variance 1 et indpendantes.
En utilisant cette suite, pour un pas de temps h donn, implmenter un algorithme de simulation de la trajectoire du mouvement brownien et du modle
de Black et Scholes aux instants kh, k = 1, ... , n.
2. Pour des ralisations communes du mouvement brownien, tracer les trajectoires correspondantes du modle de Black et Scholes pour diverses valeurs de
( = 0, = 0.10, = 0.20 par exemple), a restant constant. Le paramtre
n'a pas d'influence sur le prix des options (pourquoi?).
Tracer ces mmes trajectoires en faisant varier le valeur de a (a = 0.1, a =
0.3, a= 0.9 par exemple). Ce paramtre a une influence sur le prix de l'option.

Couverture approximative d'une option La thorie du modle de Black et


Scholes suggre de changer la composition du portefeuille de couverture tout instant. Ceci est, bien sr, impossible en pratique.
Nous suggrons ici une technique de couverture approximative dans laquelle
nous changeons la composition du portefeuille des instants discrets rgulirement
espacs k6.t, k = 0, 1, ... (des valeurs typiques de 6.t tant 1 heure, 1 jour ou 1
mois).
Nous commenons par considrer le cas d'un "call" de "strike" K = Sa = 100
et de date de maturit T = 1 an. Nous fixons 6.t 1 mois.
1. Implmenter la formule de Black et Scholes donnant le prix d'un "call". Tracer
le graphe du prix de cette option comme fonction de Sa, puis de K, de a et de

r.
2. Implmenter la procdure de couverture approximative, qui consiste dfinir
la quantit d'actif risqu par celle qui est donne par la formule de couverture
de Black et Scholes au dbut de l'intervalle [k6.t, (k + 1)6.t].
Simuler la valeur de ce portefeuille l'instant T (qui est compltement
dtermine si l'on tient compte de la condition d'autofinancement).
3. Pour une stratgie de couverture, on appelle risque rsiduel la diffrence entre
la valeur finale du portefeuille de couverture et le "payoff" de l'option. Ce
risque rsiduel est identiquement nul lorsque l'on utilise une couverture parfaite. La variance du risque rsiduel peut servir de mesure pour la qualit d'une
couverture approximative.
Nous allons nous intresser, lorsque 6.t tend vers 0, l'tude par simulation
du risque rsiduel de la stratgie de couverture prcdemment dfinie.
Simuler des ralisations du risque rsiduel, sous la probabilit neutre au risque
(i.e. quand = r). Tracer l'histogramme de ces ralisations et en calculer
la moyenne et la variance empirique. Comparer la moyenne empirique la
moyenne thorique (qui vaut 0 quand= r; pourquoi?).
4. Nous proposons d'tudier le risque rsiduel pour les stratgies suivantes :
(a) Aucune couverture : on vend l'option, on en rcupre le prix, on attend
jusqu' l'chance o l'on tient compte de l'exercice de l'option pour
valuer la valeur finale du portefeuille,

Chapitre 9 Simulation et algorithmes pour les modles financiers

226

(b) Couverture immdiatement aprs la vente de l'option, puis le portefeuille


reste inchang jusqu' l'chance,
(c) Couverture immdiatement aprs la vente de l'option, puis tous les mois,
(d) Couverture immdiatement aprs la vente de l'option, puis tous les IO
jours,
(e) Couverture immdiatement aprs la vente de l'option, puis tous les jours.
Calculer, par simulation, la moyenne et la variance de la valeur finale du risque
rsiduel actualis de ces stratgies de couverture.
5. Refaire les simulations prcdentes lorsque > r et < r. Existe-t-il des
opportunits d'arbitrages?
Qu'arrive t-il la variance du risque rsiduel lorsque D..t tend vers 0?
6. Tester ces mmes stratgies de couverture pour des combinaisons de "put"
et de "calls". Nous suggrons de choisir l'une des combinaisons d'options
classiques suivantes et d'tudier la variance du risque rsiduel des stratgies
de couverture prcdentes :
Bull spread : acheter un "call" de "strike" 90 (not dans la suite call-90)
et vendre un call-110 de mme maturit.
Strangle: vendre un put-90 et vendre un call-110.
Condor : vendre un call-90, acheter un call-95 et un call-105, et finalement acheter un call-110.
Put ratio backspread: vendre un put-110 et acheter 3 puts-90.

9.4.3 Prix et couverture des options sur obligations dans le


modle de Vasicek
Simulation du taux d'intrt court terme Le modle de Vasicek est prsent
au chapitre 6. Le taux d'intrt court terme rt est suppos suivre l'quation
diffrentielle stochastique

(9.7)

dr(t) =a (b - r(t)) dt+ adWt,

o a, b, a sont des constantes positives et W un mouvement brownien sous la


probabilit IP'. Dans les expriences numriques, on pourra choisir a = 10/an,
ro = b = 0.05/an, a = 0.1/ fo.

r(h) suit une loi gaussienne de moyenne b + e-ah(ro - b) et de


variance a 2 l-e- 2 "'

1. Montrer que

2a

2. Quelle est la loi conditionnelle de r(t + h) sachant r(t)

= r?

3. Dcrire une mthode de simulation exacte du vecteur (r(kh), 0 ~ k ~ N).


4. Implmenter cet algorithme et tracer la trajectoire de (r(kh), 0 ~ k ~ N)
pour h = 1 heure, h = 1 jour, h = 1 semaine et N = 100.

9.4 Exprimentations informatiques

227

Simulation de la dynamique des obligations "zro-coupon" On note P( t, T) le


prix l'instant t d'une obligation "zro-coupon" d'chance T. On suppose que IP'
est une probabilit sous laquelle les valeurs actualises de ces obligations

F(t, T) = e- f~ r.ds P(t, T),


sont des martingales.
1. On peut alors montrer (voir le chapitre 6) que le prix de l'obligation "zrocoupon" peut s'crire sous la forme

P(t, T) =exp [-(T - t)R(T - t, r(t))],


o

R(B, r) = R 00

(R 00

:() (

r)

(1 -

e-all) -

:u

2
2

(1 -

e-all) 2 )

et Roo = lim11_, 00 R( (), r) = b - ;a22


Simuler la trajectoire discrtise du prix de l'obligation de maturit T
(P(kh, T), 0:::; k:::; N), o h = 1 jour et N est tel que Nh = 1 an.

= 1

Prix de l'option sur obligation "zro-coupon" Nous considrons un "call" dans


le modle de Vasicek, de maturit(), sur une obligation "zro-coupon" de maturit T,
T > ().Nous cherchons implmenter une stratgie de couverture pour cette option.
1. Montrer en utilisant les rsultats du chapitre 6, que

o
T
(J

1 - e-a(T-s)
-(J-----

2. Montrer, en utilisant la proposition 6.1.8, que le prix Ct du "call" l'instant t


est donn par

Ct

P(t,T))
= P(t, B)B ( t, P(t, B) ,

B(t,x) = xN(d 1(t,x)) - KN(d2(t,x)),


et N dsigne la fonction de rpartition de la loi gaussienne centre rduite,

d ( ) _ log(x/ K) + (E 2 (t, B)/2)


i t,x E(t,B)
et

E 2 (t, B)

et

= 111
t (a 8T

d2(t,x) = d1(t,x)- E(t,()),

a 811)2 ds.

Implmenter cette formule et tracer le prix de l'option l'instant 0 en fonction


du "strike" K.

Chapitre 9 Simulation et algorithmes pour /es modles financiers

228

3. En utilisant l'exercice 36, montrer que

Ct = P(t, T)H'[

+ P(t, B)Hf,

avec:

HtT = N

P(t,T))) et Hte = -KN ( d2 ( t, P(t,T)))


P(t, B)
.

d 1 t, P(t, B)

Implmenter ces formules et tracer les valeurs de H'f et Hg en temps que


fonction du "strike" K.
Proposer une stratgie de couverture parfaite du "call" utilisant comme instruments de couverture l'obligation "zro-coupon" de maturit Tet l'obligation
"zro-coupon" de maturit B.
4. On s'intresse l'approximation discrte suivante du portefeuille de couverture parfaite compos d'une quantit f{[ d'obligation "zro-coupon" de maturit T maintenue constante sur l'intervalle [kh, (k + l)h] et gale H'{h.
la quantit d'obligation "zro-coupon" de maturit B, sera dtermine en
utilisant la condition d'autofinancement discrte l'instant kh.
Pour un h donn (ayant successivement pour valeur h = 1 jour, h = 1 semaine, h = 1 mois) simuler le risque rsiduel de ce portefeuille de couverture approche. Tracer un histogramme du risque rsiduel simul et tudier sa
moyenne et sa variance comme fonction de h lorsque h tend vers O.

fl!,

9.4.4

Mthodes de Monte-Carlo et prix d'options

Simulation gaussienne
1. crire une fonction qui simule un vecteur de variables alatoires gaussiennes
indpendantes de moyenne nulle et de variance 1.
Tracer un histogramme de ce vecteur et le comparer avec la densit de la loi
de cette gaussienne.
2. On cherche calculer JE(e.BG) en utilisant une mthode de Monte-Carlo, o
G est une gaussienne centre et de variance 1. On rappelle que JE( e.BG) =
exp(,6 2 /2).
Calculer JE( e.BG) par simulation pour ,6 = 2, 4, 6, 8, 10 .... Donner un intervalle de confiance dans chaque cas. Pour quelles valeurs de ,6 vous parat-il
raisonnable d'utiliser une mthode de Monte-Carlo?

Le modle de Black et Scholes

On s'intresse au modle de Black et Scholes:

St =Sa exp (

(r - ~2 )

Dans la suite, on supposera que Sa = 100,


0.05 (le taux sans risque instantan).

O"

+ Wt) .
0.3 (la volatilit annuelle) et r

9.4 Exprimentations informatiques


1. Tracer un histogramme de la loi de Sr (T

229

1, a

= 0.3, r = 0.05).

2. On veut calculer le prix du "call" de "strike" K = 100. Calculer ce prix en


utilisant une mthode de Monte-Carlo avec un nombre de tirages gal N =
100,1000,10000. Donner un intervalle de confiance dans chaque cas.
3. Nous allons utiliser la variable alatoire Sr comme une variable de contrle.
Vrifier que E(Sr) = err S 0 (quelle est l'interprtation financire de ce
rsultat?).
crire un programme utilisant Sr comme variable de contrle. Comparer la
prcision de cette mthode avec celle de la mthode prcdente pour diverses
valeurs de K et Sa.
En quoi cette mthode est elle relie la relation de parit "call-put".
4. On veut calculer le prix d'un "call" de "strike" K lorsque S 0 est petit par
rapport K.
Montrer, par simulation, que la prcision relative du calcul dcrot lorsque
So/ K dcrot (prendre So = 100 et K = 100, 150, 200, 250, 400).
5. Montrer que:

Lorsque So = 100 et K = 150, proposer une valeur de susceptible de


rduire la variance. Vrifier empiriquement que la variance est bien rduite
par ce choix.

9.4.5

Option sur panier et variables de contrle

On considre un modle de panier faisant intervenir d actifs sous-jacents. Soit


(Wl, ... , Wtd, t :'.'.'. 0) un vecteur de mouvements browniens standards indpendants,
~une matrice d x d, et dfinissons ai par

et

wi par

(Wf, t :'.'.'. 0) est encore un mouvement brownien standard (le vrifier) et nous supposerons que chacun des d actifs risqus a un prix Sf donn par un modle de Black et
Scholes, guid par le mouvement brownien Wi :

Dans les expriences numriques, on prendra d = 10 et Xi

100 pour i

1, ... , d.

Chapitre 9 Simulation et algorithmes pour les modles financiers

230

1. Montrer que JE ( Wtiwl)

= Pijt. o:

Vrifier que p est une matrice symtrique et positive (positive signifie que
.p 2': 0, pour tout E JRd).
2. Dans les exemples, on supposera que la matrice p est donne par p 0 , o P?j =
0.5 si i -=/=jet P?i = 1.
Vrifier en utilisant Sc il ab que p 0 est une matrice positive.
Dterminer (en utilisant Scilab) une matrice~ telle que ai = a? = 0.3 pour
i = 1, ... , d et p = p0 (ce qui est quivalent rsoudre l'quation ~~* =

(a?P?jaJ)ij).
3. Calculer la matrice de variance-covariance du vecteur (W/, ... , Wtd). Proposer une mthode de simulation pour les vecteurs (Wj., ... , W~) et

(S}, ... , si).


4. On considre le "call" sur un panier It donn par

It = aiSf
o ai

> 0 et L~=l ai

+ + adSf,

= 1 (dans les applications on prendra a 1 = =

ad =

l/d).
Calculer, en utilisant une mthode de Monte-Carlo, le prix d'un "call" de
"payoff" donn l'instant T par

(Ir - K)+,
et donner une estimation de l'erreur pour diffrentes valeurs de K (K
K = Io, K = l.2Io, K = l.5Io).
Faire les mmes calculs pour un "put" de "payoff" (K - Sr)+.

= 0.8I0 ,

5. Montrer que IE(Ir) = Io exp(rT). Comment peut-on utiliser Ir comme une


variable de contrle ? Expliquer le rapport de cette mthode avec la relation de
parit "call-put". Tester l'efficacit de cette mthode pour diverses valeurs de

K.
6. En supposant r et a petits, justifier heuristiquement l' approximation de
log(ft/ Io) par:

Montrer que la variable alatoire Zr suit une loi gaussienne, de moyenne

8.

~ a,J, (r -a~/2)
T~
.
i=l

1 d d

T 12 ~
~~J
et de vanance
~ iPij JJ
0 i=l j=l

9.4 Exprimentations informatiques


o Ji

231

= aiSbi.

En utilisant une formule de type Black et Scholes, donner un expression expli-

+)

et proposer une variable de contrle pour le calcul


cite pour JE ( ( ezT - K)
du prix de 1' option.
Comparer cette nouvelle mthode de calcul avec la mthode de Monte-Carlo
classique pour diffrentes valeurs de K.

Appendice
A.1

Variables alatoires gaussiennes

Dans cette section, nous rappelons les principales proprits des gaussiennes. On
trouvera les dmonstrations des rsultats dans Bouleau ( 1986), Chapitre 6, Section
9, ou Jacod et Protter (2003), Chapitre 16.

A.1.1

Gaussiennes relles

Une variable alatoire relle X est appele gaussienne centre rduite si elle
admet pour densit la fonction n dfinie par

n(x)

1 exp ( - x2) ,
J27f
2

pourx ER

Si X est une gaussienne centre rduite, et m et a deux nombres rels, la variable


alatoire Y = m + a X est appele gaussienne de paramtres m et a 2 . La loi de
Y est la loi normale de paramtres m et a 2 . On la note N (m, a 2 ) (cette loi ne
dpend pas du signe de a car X et - X ont mme loi). Les paramtres m et a 2 sont
respectivement la moyenne et la variance de Y. Si a -1- 0, la densit de Y est donne
par

~exp (- (x

y27f

-:n)2).

2a

Si a = 0, la loi de Y est la mesure de Dirac en met n'a donc pas de densit : on


parle parfois de gaussienne dgnre.
Si X est une gaussienne centre rduite, pour tout nombre complexez, on a
.2

IE(ez ) = eT.
La fonction caractristique de X est donc donne par</> x (u) = e-u 2 12 et, pour Y =
m + a X, </>y (u) = eiume-u 2 a 2 12 . Il est utile de savoir que si X est une gaussienne
233

Appendice

234
centre rduite, on a IP'(IXI > 1, 96 ... ) = 0, 05 et IP'(IXI > 2, 6 ... )
les grandes valeurs de t > 0, on a l'estimation intressante
IP'(X

1=
V2n

> t) = -1-

A.1.2

1=
tV'in
1

e-x 12 dx::; - -

xe-x 12 dx

= 0, 01. Pour

e-t2/2
=-.

tV'in

Approximation de la fonction de rpartition d'un gaussienne

On a souvent besoin, dans les calculs de prix d'options, de la fonction de


rpartition de la loi normale centre rduite, dfinie par

N(x) = IP'(G::; x),


o Gest une gaussienne centre rduite. On a videmment

L'intgrale ne se calcule pas explicitement, mais peut tre approche de diverses


manire. Nous donnons deux formules d'approximation, tirs d' Abramowitz et Stegun (1970). La premire approximation est exacte 10- 7 prs, mais utilise la fonction exponentielle. Pour x > 0, on a

avec
0.231 641 900
0.319 381 530
-0.356 563 782
1.781477937
-1.821255978
1.330 274 429
1/(1 +px).

bi
b2
b3
b4
b5
t

La seconde approximation induit une erreur de !'ordre de 10- 3 , mais ne fait intervenir qu'une fraction rationnelle, moins coteuse en tant de calcul que la fonction
exponentielle. Pour x > 0,

avec
C1

C2
C3

C4

0.196854
0.115194
0.000344
0.019 527.

A.2 Esprance conditionnelle

235

A.1.3 Vecteurs gaussiens


Dfinition A.1.1 Un vecteur alatoire X = (Xi, ... , Xd), valeurs dans JRd
est un vecteur gaussien si, pour tous rels ai, ... , ad, la variable alatoire relle
L:=i aiXi est une gaussienne (ventuellement dgnre).
Les coordonnes Xi, ... , Xd d'un vecteur gaussien sont videmment des gaussiennes relles, mais il ne suffit pas que les coordonnes d'un vecteur alatoire soient
gaussiennes pour que le vecteur soit gaussien. En revanche, si Xi, X 2 , ... , Xd sont
des gaussiennes relles indpendantes, alors le vecteur (Xi, ... , Xd) est gaussien.
La matrice de covariance d'un vecteur alatoire X = (Xi, ... , Xd) est la matrice
f(X) = ('ij )i~i,j~d dont les coefficients sont donns par

'Yij = cov(Xi, Xj) = IE[(Xi - IE(Xi))(Xj - IE(Xj))J.


On sait que si les variables alatoires Xi, ... , Xd sont indpendantes, la matrice
r(X) est diagonale, et que la rciproque est fausse en gnral, mais vraie dans le cas
d'un vecteur gaussien.
Thorme A.1.2 Soit X = (Xi, ... , Xd) un vecteur gaussien valeurs dans JRd.
Les variables alatoires Xi, ... , Xd sont indpendantes si et seulement si la matrice
de covariance du vecteur X est diagonale.
Nous renvoyons Bouleau (1986), Chapitre VI, p. 155, ou Jacod et Protter (2003),
Chapitre 16, pour une dmonstration de ce rsultat.
Remarque A.1.1 L'importance des gaussiennes pour la modlisation est lie au
Thorme de Limite Centrale (cf. Bouleau (1986), Chapitre VII, Section 4, ou Jacod et Protter (2003), Chapitre 21). La simulation des gaussiennes, relles ou vectorielles, est aborde dans le Chapitre 9. Nous renvoyons Dacunha-Castelle et Dufto
( l 986a), Chapitre 5, pour les aspects statistiques.

A.2 Esprance conditionnelle


A.2.1

Exemples de sous-tribus

Considrons un espace probabilisable (0, A) et n vnements Bi, B 2 , ... , Bn


de A formant une partition de O. L'ensemble B des lments de A qui sont vides ou
de la forme

est une sous-tribu finie de A. c'est la sous-tribu engendre par les Bi.
Rciproquement, toute sous-tribu finie B de A est engendre par une partition
(Bi, ... , Bn) de 0, avec des Bi dans A. Les vnements Bi, ... , Bn sont les
lments non vides de B qui ne contiennent pas d'autre lment de B qu'eux-mmes
et l'ensemble vide. On les appelle atomes de B. Il y a ainsi une correspondance biunivoque entre les sous-tribus finies de A et l'ensemble des partitions finies den par

Appendice

236

des lments de A. Notons que si B est une sous-tribu finie de A, une application
de n dans lR (muni de sa tribu borlienne) est B-mesurable si et seulement si X est
constante sur chacun des atomes de B.
Considrons maintenant une variable alatoire X, dfinie sur (!1, A), valeurs
dans un espace mesurable (E, ). La tribu engendre par X est la plus petite soustribu sur n rendant l'application X mesurable. On la note (X). C'est videmment
une sous-tribu de A et il est facile de vrifier qu'un vnement A E A est dans (X)
si et seulement si A = x- 1 (B) = {X E B} pour un ensemble B E [.On peut
montrer qu'une variable alatoire Y, dfinie sur (!l,A), valeurs dans un espace
mesurable (F, :F) est (X)-mesurable si et seulement si elle est de la forme

Y= f oX,
o f est une fonction mesurable sur (E, ), valeurs dans (F, :F). (cf. Jacod et
Protter (2003), Chapitre 23). En d'autres termes, les variables alatoires (X)mesurables sont exactement les fonctions mesurables de X.

A.2.2

Proprits de l'esprance conditionnelle

Soit (!1, A, IP') un espace de probabilit et soit B une sous-tribu de A. La


dfinition de l'esprance conditionnelle repose sur le thorme suivant (pour une
dmonstration, voir Jacod et Protter (2003), Chapitre 23).

Thorme A.2.1 Pour toute variable alatoire relle intgrable X, il existe une variable alatoire intgrable B-mesurable Y telle que
't:/B E B,

lE(XlB)

= lE(YlB)

Si Y est une autre variable alatoire vrifiant ces proprits, on a Y

= Y IP' p.s.

La variable alatoire Y (unique aux vnements de probabilit nulle prs) est appele
esprance conditionnelle de X sachant B et note IE(X 1 B).
Si B est une sous-tribu finie, d'atomes B 1 , ... , Bn. on a

la somme tant limite aux atomes de probabilit non nulle. Ainsi, sur chaque atome
B;, la valeur de JE(X 1 B) est la valeur moyenne de X sur Bi. Dans le cas de la tribu
triviale (B = {0, !1} ), on a JE(X 1 B) = IE(X).
Le maniement des esprances conditionnelles repose sur les proprits suivantes.

1. Si X est B-mesurable, JE(X B)


1

2. IE(IE(X 1 B))

= X, p.s.

= JE(X).

3. Pour toute variable alatoire Z, borne et B-mesurable,


IE(ZJE(X 1 B))

= lE(ZX).

A.2 Esprance conditionnelle

237

4. Linarit : pour tous rels


JE(>.X +Y

et ,

B) = >.JE(X 1 B)

+ JE(Y B) p.s.
1

5. Positivit: si X 2 0, alors JE(XIB) 2 0 p.s. et, plus gnralement, X 2 Y=?


JE(XIB) 2 JE(YJB) p.s. On dduit de cette proprit que
JJE(XIB)I :::; JE(IXllB) p.s.,
et donc que llJE(XIB)llu(n) S llXllu(n)
6. Si C est une sous-tribu de B, on a
JE (JE(X 1 B) 1 C)

= JE(X

C) p.s.

= ZJE(X 1 B) p.s.
1 B) = JE(X) p.s.

7. Si Z est B-mesurable et borne, JE(ZX 1 B)


8. Si X est indpendante de B, alors JE(X

La rciproque de la dernire proprit n'est pas vraie, mais on a le rsultat suivant.

Proposition A.2.2 Une variable alatoire relle X est indpendante de la tribu B


si et seulement si

Vu E ~,

JE ( eiuX 1 B)

= JE( eiuX) p.s.

(8)

Dmonstration.

Compte tenu de la proprit 8 ci-dessus, il suffit de montrer que


(8) implique que X est indpendante de B. Or, si JE(eiuXIB) = JE(eiuX), on a, par
dfinition de l'esprance conditionnelle, JE (eiuX1B) = JE(eiuX)IP'(B), pour tout
B E B. Si IP'(B) f= 0, on peut crire
JE (eiuX

IP'~~))

= JE(eiuX).

Cette galit signifie que la fonction caractristique de X est la mme sous la probabilit lP' et sous la probabilit IP'B de densit par rapport lP' gale lB/IP'(B).
L'galit des fonctions caractristiques implique l'galit des lois et, par consquent,

pour toute fonction borlienne borne f, ce qui entrane l'indpendance.

Remarque A.2.1 Si X est de carr intgrable, il en est de mme de JE(X 1 B),


et JE(X 1 B) concide avec la projection orthogonale de X sur L 2 (D., B, IP'), qui
est un sous-espace ferm de l'espace de Hilbert L 2 (D., A, IP'), muni du produit scalaire (X, Y) f-7 JE(XY) (cf. Bouleau (1986), Chapitre VIII, Section 2 ou Jacod et
Protter (2003), Chapitre 23). Ainsi, l'esprance conditionnelle de X sachant B apparat comme la meilleure approximation (au sens des moindres carrs) de X par
une variable alatoire B-mesurable. En particulier, si B est la tribu engendre par
une variable alatoire , l'esprance conditionnelle JE(XIB) (note JE(XI)) , est la
meilleure approximation de X par une fonction de , puisque les variables alatoires
a-()-mesurables sont les fonctions (mesurables) de . Noter que l'on a (en utilisant
le thorme de Pythagore!) llJE(XIB)llL2(n) S llXllL2(n)

Appendice

238

Remarque A.2.2 On peut aussi dfinir l'esprance conditionnelle JE(X 1 B) pour


toute variable alatoire positive X (ventuellement non intgrable). On a alors
JE(X Z) = JE(JE(X/B)Z), pour toute variable alatoire B-mesurable positive Z et
les rgles de calcul sont essentiellement les mmes que dans le cas intgrable (cf.
Dacunha-Castelle et Dutlo (l 986a), Chapitre 6, ou Jacod et Protter (2003)).

A.2.3

Calculs d'esprances conditionnelles

La proposition suivante est trs souvent utilise dans ce livre.

Proposition A.2.5 Soit X et Y deux variables alatoires valeurs dans (E, E)


et (F, F) respectivement. On suppose que X est B-mesurable et que Y est
indpendante de B. Alors, pour toute fonction <I> positive (ou borne), borlienne
sur (E x F, E Q9 F), la fonction <p dfinie par

cp(x) = JE(<I>(x, Y)),

pour x E E,

est borlienne sur (E, E) et on a, presque srement,


JE(<I>(X, Y)/B)

= cp(X).

La signification de cette proposition est que, sous les hypothses nonces, on peut
calculer
JE( <I>( X, Y) / B)
comme si X tait une constante.

Dmonstration.

Notons IP'y la loi de Y. On a

cp(x)

<I>(x,y)dlP'y(y)

et la mesurabilit de <p est une consquence du Thorme de Fubini. Soit maintenant


Z, une variable alatoire positive B-mesurable (par exemple, Z = lB, avec BE B).
Si on note IP'x,z la loi du couple (X, Z), on a, en utilisant l'indpendance de Y et du
vecteur (X, Z),
JE( <I>(X, Y)Z)

j j <I>(x, y)zdlP'x,z(x, z)dlP'y(y)

j (j

<I>(x,y)dlP'y(y)) zdlP'x,z(x,z)

j cp(x)zdlP'x,z(x, z)
JE(cp(X)Z),
ce qui entrane le rsultat annonc.

A.3 Thorme de sparation des convexes

239

Remarque A.2.3 Dans le cadre gaussien, le calcul d'une esprance conditionnelle


est particulirement simple. En effet, si (Y, X 1 , X 2 , ... , Xn) est un vecteur gaussien
( valeurs dans JRn+ 1 ), l'esprance conditionnelle Z = IE(YIX1 , ... ,Xn) est de la
forme
n

Z = co

+ I:ciXi,
i=l

o co, ... , Cn sont des nombres rels. Cela signifie que la fonction des Xi qui approche au mieux Y (au sens des moindres carrs) est une fonction affine. On peut
donc calculer Z en projetant la variable alatoire Y sur le sous-espace vectoriel de
L 2 engendr par la constante 1 et les Xi (cf. Bouleau (1986), Chapitre 8, Section 5).

A.3

Thorme de sparation des convexes

Dans cette section, nous donnons la version du thorme de sparation des


convexes utilise dans le chapitre 1. Pour plus de dtails sur ces questions, on pourra
consulter Dudley (2002).
Thorme A.3.1 Soit C un convexe ferm non vide de !Rn ne contenant pas l'origine. Il existe une forme linaire sur !Rn et o: > 0 tels que

\:/x E C,

L'hyperplan d'quation

(x)?: o:.

(x) = 0 ne rencontre donc pas C.

Dmonstration. Soit xo un lment fix de C. On pose = llxoll (o li li dsigne


la norme euclidienne). Notons B() la boule ferme de centre l'origine et de rayon
. L'ensemble C n B() est ferm et born, donc compact. Soit x* un point en
lequel la fonction x r-+ llxll atteint son minimum sur C n B(). Pour x dans le
complmentaire de B(), on a llxll >= llxoll?: llx*ll, de sorte que
\:/x E C,

llxll ?: llx* Il

Le vecteur x* n'est autre que la projection de l'origine sur le convexe ferm C. Soit
maintenant x E C. On a, pour tout t E [O, 1], x* + t(x - x*) E C, puisque C est
convexe. En dveloppant les deux membres de l'ingalit

llx* + t(x - x*)ll 2 ?: llx*ll 2 ,


et, en notant x* .x le produit scalaire de x* et x, on obtient x* .x
tout x E C, ce qui donne immdiatement le rsultat souhait.

?: llx* 11 2 > 0, pour


D

Thorme A.3.2 Soit K un convexe compact et V un sous-espace vectoriel de !Rn.


Si V et K sont disjoints, il existe une forme linaire sur !Rn, vrifiant les conditions
suivantes:

1. \:/x E K,
2. \:/x EV,

(x) >O.
(x) =O.

240

Appendice

Le sous-espace V est donc contenu dans un hyperplan qui ne rencontre pas K.

Dmonstration.

L'ensemble

C = K - V= {x E !Rn 1 3(y, x) E K x V, x =y - z}
est convexe, ferm (car V est ferm et K est compact) et ne contient pas l'origine.
D'aprs le Thorme A.3.1, on peut donc trouver une forme linaire sur !Rn et
a> 0 tels que
\:/x E C, (x) :'.'.:a.
D'o
\:/y E K,

\:/z E V,

(y) - (z) :'.'.: a.

(2)

En prenant z = 0, on obtient (y) :'.'.: a pour y E K. En fixant y E K et en appliquant


(2) z au lieu de z, avec rel arbitraire, on voit que (z) =O.
o

Bibliographie
M. ABRAMOWITZ et 1. A. STEGUN, diteurs. Handbook ofmathematicalfunctions
with formulas, graphs, and mathematical tables. Dover Publications Inc., New
York, 1992. Reprint of the 1972 edition.
K.I. AMIN et A. KHANNA : Convergence of American option values from discrete
to continuous-time financial models. Mathematical Finance, 4:289-304, 1994.
B. AROUNA : Robbins-Monro algorithms and variance reduction in finance. The
Journal of Computational Finance, 7 (2), 2003/4.

B. AROUNA : Adaptive Monte Carlo method, a variance reduction technique. Monte


Carlo Methods and Applications, 10(1):1-24, 2004.
P. ARTZNER et F. DELBAEN : Term structure of interest rates : The martingale
approach. Advances inApplied Mathematics, 10:95-129, 1989.

L. BACHELIER : Thorie de la spculation. Annales Scientifiques del' Ecole Normale


Suprieure, 17:21-86, 1900.
G. BARONE-ADESI et R. WHALEY : Efficient analytic approximation of American
option values. Journal of Finance, 42:301-320, 1987.

A. BENSOUSSAN : On the theory of option pricing. Acta Applicandae Mathematicae, 2:139-158, 1984.
A. BENSOUSSAN et J.-L. LIONS : Applications des inquations variationnelles en
contrle stochastique. Dunod, Paris, 1978. Mthodes Mathmatiques de l'informatique, No. 6.
T. R. BIELECKI et M. RUTKOWSKI: Credit risk: modelling, valuation and hedging.
Springer Finance. Springer-Verlag, Berlin, 2002.

F. BLACK et J. C. Cox: Valuing corporate securities: some effects of bond indenture


provisions. Journal of Finance, 31:351-367, 1976.
F. BLACK et M. SCHOLES : The pricing of options and corporate liabilities. Journal
of Political Economy, 81:635-654, 1973.
N. BOULEAU: Probabilits de l'ingnieur. Hermann, Paris, 1986.
241

242

Bibliographie

N. BOULEAU: Processus Stochastiques et Applications. Hermann, Paris, 1988.


N. BOULEAU et D. LAMBERTON : Residual risks and hedging strategies in Markovian markets. Stochastic Processes and their Applications, 33: 131-150, 1989.
A. BRACE, D. GATAREK et M. MUSIELA : The market model of interest rate dynamics. Mathematical Finance, 7:127-155, 1997.
M.J. BRENNAN et E.S. SCHWARTZ : The valuation of the American put option.
Journal of Finance, 32:449-462, 1977.
M.J. BRENNAN et E.S. SCHWARTZ : A continuous time approach to the pricing of
bonds. Journal of Banking and Finance, 3:133-155, 1979.
D. BRIGO et F. MERCURIO : Interest rate models-theory and practice. Springer
Finance. Springer-Verlag, Berlin, deuxime dition, 2006.
CERMA : Sur les risques rsiduels des stratgies de couverture d'actifs conditionnels. Comptes Rendus de l'Acadmie des Sciences, 307:625-630, 1988.
O. CHATEAU : Quelques remarques sur les processus accroissements indpendants
et stationnaires, et la subordination au sens de Bochner. Thse de doctorat, Universit de Paris VI, 1997.
D. CHEVANCE : Rsolution numrique des quations diffrentielles stochastiques
rtrogrades. Thse de doctorat, Universit d'Aix-Marseille 1, 1990.
P.G. CIARLET: Une Introduction l'analyse numrique matricielle et l'optimisation. Masson, Paris, 1988.
P.G. CIARLET et J.-L. LIONS, diteurs. Handbook of numerical analysis. Vol. /.
Handbook of Numerical Analysis, 1. North-Holland, Amsterdam, 1990.
R. CONT et P. TANKOV : Financial modelling with jump processes. Chapman &
Hall/CRC Financial Mathematics Series. Chapman & Hall/CRC, Boca Raton, FL,
2004.
G. COURTADON: The pricing of options on default-free bonds. Journal of Financial
and Quantitative Analysis, 17:301-329, 1982.
J.C. Cox, J.E. INGERSOLL et S.A. Ross : A theory of the term structure of interest
rates. Econometrica, 53:385-407, 1985.
J.C. Cox et M. RUBINSTEIN: Options markets. Prentice-Hall, London, 1985.
D. DACUNHA-CASTELLE et M. DUFLO : Probability and statistics, volume 1.
Springer-Verlag, New-York, 1986a.
D. DACUNHA-CASTELLE et M. DUFLO
Springer-Verlag, New-York, 1986b.

Probability and statistics, volume 2.

Bibliographie

243

R.C. DALANG, A. MORTON et W. WILLINGER : Equivalent martingale measures


and no-arbitrage in stochastic securities market models. Stochastics and Stochastics Reports, 29(2): 185-202, 1990.

F. DELBAEN et W. SCHACHERMAYER: A general version of the fondamental theorem of asset pricing. Mathematische Anna/en, 300:463-520, 1994.
F. DELBAEN et W. SCHACHERMAYER : The mathematics of arbitrage. Springer
Finance. Springer-Verlag, Berlin, 2006.
E. DERMAN et 1. KAN!: Riding on a smile. R/SK, 7:32-39, 1994.

R. M. DUDLEY : Real analysis and probability, volume 74 de Cambridge Studies in


Advanced Mathematics. Cambridge University Press, Cambridge, 2002. Revised
reprint of the 1989 original.
D. DUFFIE: Security markets, stochastic models. Academic Press, New York, 1988.
D. DUFFIE, D. FILIPOVI et W. SCHACHERMAYER: Affine processes and applications in finance. The Annals of Applied Probability, 13(3):984-1053, 2003.
B. DUPIRE: Pricing with a smile. RISK, 7:18-20, 1994.
N. EL KAROUI : Les aspects probabilistes du contrle stochastique, volume 876 de
Lecture Notes in Mathematics, pages 72-238. Springer-Verlag, New York, 1981.
N. EL KAROUI et M.C. QUENEZ : Dynamic programming and pricing of contingent
claims in an incomplete market. S.I.A.M. Journal Control and Optimization, 33:
29-66, 1995.
N. EL KAROUI et J.C. ROCHET : A pricing formula for options on coupon-bonds.
Cahier de recherche du GREMAQ-CRES, 8925, 1989.
W. H. FLEMING et H. M. SONER: Controlled Markov processes and viscosity solutions, volume 25 de Stochastic Modelling and Applied Probability. SpringerVerlag, New York, deuxime dition, 2006.

H. FOLLMER et P. LEUKERT: Quantile hedging. Finance and Stochastics, 3(3):251273, 1999. ISSN 0949-2984.
H. FOLLMER et P. LEUKERT : Efficient hedging : cost versus shortfall risk. Finance
and Stochastics, 4(2): 117-146, 2000.
H. FLLMER et A. SCHIED : Stochastic finance, volume 27 de de Gruyter Studies
in Mathematics. Walter de Gruyter & Co., Berlin, extended dition, 2004. An
introduction in discrete time.
H. FOLLMER et M. SCHWEIZER : Hedging of contingent claims under incomplete
information. In M.H.A. DAVIS et R.J. ELLIOTT, diteurs: Applied Stochastic Analysis, volume 5 de Stochastics Monographs, pages 389-414. Gordon and Breach,
New York, 1991.

Bibliographie

244

H. FLLMER et D. SONDERMANN : Hedging of non redundant contingent claims. ln


W.HILDEBRAND et A. MAS-COLELL, diteurs : Contributions to Mathematical
Economies in Honor of Gerard Debreu. North-Holland, Amsterdam, 1986.

A. FRIEDMAN: Stochastic differential equations and applications. Academic Press,


New York, 1975.
T. GARD: Introduction to stochastic differential equations. Marcel Dekker, 1988.
H. GEMAN, N. EL KAROUI et J.-C. ROCHET : Changes of numraire, changes
of probability measure and option pricing. Journal of Applied Probability, 32

(2):443-458, 1995.
1.1. GIHMAN et A.V. SKOROHOD
Alatoires. Mir, 1980.

Introduction la Thorie des Processus

P. GLASSERMAN : Monte Carlo methods in financial engineering, volume 53 de


Applications of Mathematics. Springer-Verlag, New York, 2004.
P. GLASSERMAN, P. HEIDELBERGER et P. SHAHABUDDIN : Asymptotically optimal importance sampling and stratification for pricing path dependent opions.
Mathematical Finance, 9(2):117-152, April 1999.
R. GLOWINSKY, J.L. LIONS et R. TRMOLIRES
inquations variationnelles. Dunod, 1976.

Analyse numrique des

C. GOURIEROUX, J. P. LAURENT et H. PHAM


Mean-variance hedging and
numraire. Mathematical Finance, 8(3): 179-200, 1998.
J. HAMMERSLEY et D. HANDSCOMB : Monte Carlo methods. Chapman and Hall,
London, 1979.
M.J. HARRISON et D.M. KREPS : Martingales and arbitrage in multiperiod securities
markets. Journal of Economie The01y, 29:381-408, 1979.
M.J. HARRISON et S.R. PLIS KA : Martingales and stochastic integrals in the theory
of continuous trading. Stochastic Processes and Their Applications, 11 :215-260,

1981.
M.J. HARRISON et S.R. PLISKA : A stochastic calculus model of continuous trading: complete markets. Stochastic Processes and Their Applications, 15:313-

316, 1983.
D. HEATH, A. JARROW et A. MORTON : Bond pricing and the term structure of
interest rates: a new methodology. Econometrica, 60:77-105, 1992.
T.S. Ho et S.B. LEE : Term structure movements and pricing interest rate contingent
claims. Journal of Finance, 41: 1011-1029, 1986.
C.F. HUANG et R.H. LITZENBERGER : Foundations for financial economics. NorthHolland, New-York, 1988.

Bibliographie

245

N. IKEDA et S. WATANABE : Stochastic differential equations and diffusion processes. North-Holland, Tokyo, 1981.
J. JACOD et P. PROTTER : Probability essentials. Universitext. Springer-Verlag,
Berlin, deuxime dition, 2003.
P. JAILLET, D. LAMBERTON et B. LAPEYRE : Variationnal inequalities and the
pricing of American options. Acta Applicandae Mathematicae, 21 :263-289, 1990.
F. JAMSHIDIAN : An exact bond pricing formula. Journal of Finance, 44:205-209,
1989.
F. JAMSHIDIAN : Libor and swap market models and measures (*). Finance and
Stochastics, 1(4):293-330, 1997.
M.H. KALOS et P.A. WHITLOCK : Monte Carlo methods. John Wiley & Sons, 1986.
1. KARATZAS : On the pricing of American options. Applied Mathematics and
Optimization, 17:37-60, 1988.
1. KARATZAS : Optimization problems in the theory of continuous trading. SIAM
Journal on Control an Optimization, 27: 1221-1259, 1989.
1. KARATZAS et S.E. SHREVE: Brownian motion and stochastic calculus. SpringerVerlag, New York, 1988.

A.G.Z KEMNA et A.C.F. VORST : A pricing method for options based on average
asset values. Journal of Banking and Finance, pages 113-129, March 1990.
P.E. KLOEDEN et E. PLATEN : Numerical solution of stochastic differential equations. Springer-Verlag, New York, 1992.
D.E. KNUTH : The Art of Computer Programming, Vol. 2, Seminumerical Algorithms. Addison-Wesley, Reading, Mass., 1981.
H.J. KUSHNER: Probability Methodsfor Approximations in Stochastic Control and
for Elliptic Equations. Academic Press, New York, 1977.
D. LAMBERTON et G. PAGS : Sur l'approximation des rduites. Annales de !'/HP,
26:331-355, 1990.
P. L'ECUYER: Random numbers for simulation. Communications of the ACM, 33,
10 1990.
L. MACMILLAN : Analytic approximation for the american put price. Advances in
Futures and Options Research, 1: 119-139, 1986.

R.C. MERTON : Theory of rational option pricing. The Bell Journal of Economies
and Management Science, 4:141-183, 1973.
R.C. MERTON : On the pricing of corporate debt : The risk structure of interest rates.
Journal of Finance, 29:449-470, 1974.

246

Bibliographie

R.C. MERTON : Option pricing when underlying stock returns are discontinuous.
Journal of Financial Economies, 3: 125-144, 1976.
M. MINOUX: Programmation mathmatique, 2 tomes. Dunod, 1983.
A.J. MORTON : Arbitrage and Martingales. Thse de doctorat, Cornell University,
1989.
M. MUSIELA et M. RUTKOWSKI: Martingale methods infinancial modelling, volume 36 de Stochastic Modelling and Applied Probability. Springer-Verlag, Berlin, deuxime dition, 2005.
J. NEVEU: Martingales temps discret. Masson, Paris, 1972.
M. VERHAUS, A. BERMUDEZ, H. BUEHLER, A. FERRARIS, C. JORDINSON et
A. LAMNOUAR : Equity hybrid derivatives. Wiley Finance Series. John Wiley
and Sons, 2007.
E. PARDOUX et D. TALAY : Discretization and simulation of stochastic differential
equations. Acta Applicandae Mathematicae, 3:23-47, 1985.
G. PESKIR et A. SHIRYAEV: Optimal stopping andfree-boundary problems. Lectures in Mathematics, ETH Zurich. Birkhauser, Berlin, 2006.
S.R PLISKA : Introduction to mathematicalfinance: discrete time models. Blackwell, Malden, 1997.

W. H. PRESS, Saul A. TEUKOLSKY, W. T. VETTERLING et Brian P. FLANNERY :


Numerical receipes in C. Cambridge University Press, Cambridge, deuxime
dition, 1992. The art of scientific computing.
P.A. RAVIART et J.M. THOMAS : Introduction l'analyse numrique des quations
aux drives partielles. Masson, Paris, 1983.
D. REVUZ et M. YOR: Continuous Martingale Calculus. Springer-Verlag, Berlin,
1990.
B.D. RIPLEY : Stochastic Simulation. Wiley, New York, 1987.
L. C. G. ROGERS : Equivalent martingale measures and no-arbitrage. Stochastics
Stochastics Rep., 51(1-2):41-49, 1994. ISSN 1045-1129.
L.C.G. ROGERS et D. WILLIAMS : Diffusions, Markov processes and martingales,
Tome 2, It calculus. John Wiley and Sons, New York, 1987.
R.Y. RUBINSTEIN : Simulation and the Monte Carlo method. Wiley Series in Probabilities and Mathematical Statistics. John Wiley & Sons, New York, 1981.
S. SCHAEFER et E.S. SCHWARTZ :. A two-factor model of the term structure : an
approximate analytical solution. Journal of Financial and Quantitative Analysis,
19:413-424, 1984.

Bibliographie

247

M. SCHWEIZER : Option hedging for semi-martingales. Stochastic Processes and


their Applications, 1989.
M. SCHWEIZER : Mean-variance hedging for general claims. Annois of Applied
Probability, 2:171-179, 1992.
M. SCHWEIZER : Approximating random variables by stochastic integrals. Annois
of Probability, 22(3):1536-1575, 1994.
M. SCHWEIZER : On the minimal martingale measure and the Foellmer-Schweizer
decomposition. Stochastic Analysis and Applications, 13(5):573-599, 1995.
R. SEDGEWICK: Algorithms. Addison-Wesley, Reading, MA, 1987.

A. N. SHIRYAEV: Optimal stopping rules. Springer-Verlag, New York, 1978. Translated from the Russian by A. B. Aries, Applications of Mathematics, Vol. 8.
S. E. SHREVE : Stochastic calculus for finance. Il. Springer Finance. SpringerVerlag, New York, 2004. Continuous-time models.
A. SKLAR: Random variables, distribution functions, and copulas-a personal look
backward and forward. In Distributions with fixed marginais and related topics
(Seattle, WA, 1993), volume 28 de IMS Lecture Notes Monogr. Ser., pages 1-14.

Institute of Mathematical Statistics, Hayward, CA, 1996.


C. STRICKER : Arbitrage et lois de martingales. Annales del' Institut Henri Poincar,
26:451-460, 1990.
D. TALAY : Simulation of stochastic differential systems. In Paul KRE et Walter
WEDIG, diteurs : Probablistic methods in applied physics, volume 451 de Lecture
Notes in Physics, pages 54-96, Berlin, Heidelberg, 1995. Springer-Verlag.
D. WILLIAMS : Probability with martingales. Cambridge Mathematical Textbooks.
Cambridge University Press, Cambridge, 1991. ISBN 0-521-40455-X; 0-52140605-6.
X. L. ZHANG : Numerical analysis of American option pricing in a jump-diffusion
model. Mathematics of Operations Research, 22(3):668-690, 1997.

Index
Actif
conditionnel, 23
financier, 15
risqu, 15
sans risque, 15, 146
Adapt(e), 18
Algorithme
de Brennan et Schwartz, 140
de Cox Ross Rubinstein, 141
Approximation de la fonction de
rpartition de la loi normale,
234
Arbitrage, 18
Atome, 235

Equations aux drives partielles


rsolution numrique, 130
sur un ouvert born, 126
Equations diffrentielles
stochastiques, 69-72
Equations diffrentielles stochastiques,
69
Esprance conditionnelle, 235
cas gaussien, 239
d'une variable alatoire positive,
238
et projection orthogonale, 237
par rapport une variable alatoire,
237

Calcul d'It, 63
Caplet, 164
Complet, 23
Copules, 198
Courbe de taux, 161
Courbe des taux, 145
Couverture
approximative, 225
call, 30, 184
calls et puts, 91
d'une option sur obligation "zrocoupon", 228
imparfaite, 189
put, 184
put amricain, 47

Filtration, 50
naturelle, 50
Fonction de Bessel, 159
Formule d'intgration par parties, 66
Formule d'It, 64
multidimensionnelle, 68
Formule de Black, 153
Formule de Dupire, 98
Gnrateur infinitsimal, 136
Gnrateurs de nombres alatoires, 206
Gamma, 92
Gaussienne
centre rduite, 233
relle, 233
Ingalit de Doob, 55
Inquation, 138
aux drives partielles, 135
en dimension finie, 139, 140
mthode numrique, 137
Inquations

Dcomposition de Doob, 41
Delta, 92
Enveloppe de Snell, 39
Equations aux drives partielles
paraboliques, 119, 123
249

Index

250
aux drives partielles, 137
Intgrale stochastique, 56
Loi
chi-deux dcentr, 159
exponentielle, 169, 171
Gamma, 170
log-normale, 84
Loi normale, 233
Mthode numrique
algorithme de Cox Ross Rubinstein,
141
Mthode de Cox Ross Rubinstein,
141
Mthode de
Kemna et Vorst, 212
Mthode de Monte-Carlo, 203
Modle de Black et Scholes, 228
Options sur panier, 229
variables de contrle, 230
Mthode numrique
algorithme de Brennan et Schwartz,
140
de Barone-Adesi et Waley, 142
de MacMillan, 142
inquation, 137, 140
inquation en dimension finie, 140
Mthodes numriques
diffrences finies, 130
mthode de Gauss, 133
March
complet, 23
incomplet, 33, 169, 189
viable, 20
Martingale, 19
temps continu, 52
exponentielle, 53, 68
Modle
temps discret, 15
volatilit locale, 97
avec sauts, 187
avec sauts, 169
BGM, 164
Cox-Ingersoll-Ross, 157-161
de Black et Scholes, 68, 210, 224

de Black-Scholes, 83
de Cox-Ross-Rubinstein, 27, 222
de Heath-Jarrow-Morton, 161
de Vasicek, 226
modle forward LIBOR, 164
Vasicek, 154-157
Modle de taux d'intrt, 145-168
Mouvement brownien, 51
simulation, 208
Normale
densit,233
Numraire, 16, 35, 151, 152, 160, 164,
165
Obligation
avec risque de dfaut, 193
zro-coupon, 146
Oprateur de Dynkin, 123
Option
asiatique, 23, 212
europenne,23
simulable, 88
simulable, atteignable, 23
sur moyenne, 212
sur panier, 213
Prvisible, 16, 19
Prix
call, 183
call amricain, 46, 94
call europen, 91
call sur obligation, 160
Heath-Jarrow-Morton, 168
d'une option sur obligation "zrocoupon", 227
dans le modle de Black et Scholes,
225
obligation zro-coupon, 148, 156,
159
option europenne, 25
option amricaine, 26
Option europenne, 89
option europenne, 183
option on obligation, 150
put, 183

Index
put europen, 91
put perptuel, 95
Probabilits
quivalentes, 20, 86
forward, 151
Processus
temps continu, 50
d'Ornstein-Ulhenbeck, 72
de Poisson, 169
Processus d'It, 63
Proprit de Markov, 74-77
Put
inquation, 137
perptuel, 95
Put amricain, 47
Rduction de variance
fonction d'importance, 214
Valeur moyenne, 220
variables antithtiques, 218
Variables de contrle, 212
Rduction de variance rduction
et thorme de Girsanov, 217
Relation d'arbitrage "Cali-Put", 29
Risque de crdit
CDS, 196
modle intensit, 192
modles structurels, 191
taux de dfaut, 192
Sparation des convexes, 239
Simulation
de variable poissonienne, 207
du modle de Black et Scholes, 210
d'quations diff. stochastiques, 209
de gaussienne, 206
de modle avec sauts, 210
de processus alatoires, 208
de variable exponentielle, 207
de variables alatoires, 206
de vecteur gaussien, 207
du mouvement brownien, 208
Sous-martingale, 19
Sous-tribu, 235
Stratgie, 16
admissible, 18, 88, 150, 180

251
auto-finance, 16, 84, 149, 179
de consommation, 47, 93
Suite arrte, 38
Sur-martingale, 19
Sur-rplication, 33
Taux d'intrt forward, 161
Temps d'arrt, 37, 51, 54
optimal, 40
Temps d'atteinte, 54
Thorme
d'arrt, 54
de Girsanov, 86, 100, 217
de Radon-Nikodym, 86
de reprsentation des martingales,
87
Theta, 92
Transforme de martingale, 19
Valeur du portefeuille, 16
Vega,92
Vente dcouvert, 18
Viable, 20
Volatilit, 97
implicite, 98
stochastique, 99

Cet ouvrage a t achev d'imprimer en fvrier 2012


dans les ateliers de Nonnandie Roto Impression s.a.s.
61250 Lonrai (Orne)
N d'impression: 120628
Dpt lgal : fvrier 2012
Imprim en France

www.editions-ellipses.fr