Académique Documents
Professionnel Documents
Culture Documents
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
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.
15
15
18
23
27
32
37
37
38
41
42
43
46
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
Principes de la modlisation
Quelques modles classiques
Exercices . . . . . . .
Processus de Poisson . . . . . . . . . . . . . . . .
volutiondel'actifrisqu . . . . . . . . . . . . .
Martingales dans un modle de diffusion avec sauts
valuation des options dans un modle de diffusion avec sauts
Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Modles structurels
Modles intensit
Copules .
Exercices . . . . .
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.
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
Introduction
11
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.
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
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
1.1.1
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
16
<P~
Vn(</J) = </Jn.Sn =
L </J~S~.
i=O
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).
ou encore
17
Vn(</J) = Vo(</J)
+L
</Jj b.Sj,
j=l
Vn(</J) = Vo(</J) +
L </Jj b.Sj,
j=l
Dmonstration.
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.
"Pn
+ 'f'n
,1..l 31 + ... + ,1..d d
n
'Pn n
18
ce qui dtermine </J~. La seule chose vrifier est la prvisibilit de <f; 0 , qui rsulte
immdiatement de l'galit
1.1.3
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}.
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.
1.2.1
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.
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
= IE(Mo).
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,
20
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)
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
21
G(cj_) = (Gn(</J
Au processus prvisible p_
</Jd))os,nS,N dfini par
1 , ... ,
'l/J~(w) =
{ 0
lA(w)</J~(w)
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*.
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 (w)X(w) >O.
w
IP' ({w})
=L
(w)
(w')
w'E!1
23
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
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.
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.
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,
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;,,
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
La suite (Vn (<P) )o<n<N est une IP* -martingale, et par consquent
= 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
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
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
Dans le cas d'un taux d'intrt constant gal r sur chaque priode
et
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
27
Dmonstration.
De l'galit
D'o
0
1.4
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
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,
29
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
Ki Fn)
+ r)-(N-n>,
la dernire galit rsultant du fait que (Sn) est une martingale sous
IP'*.
Cn
= (1
+ r)-(N-n)IE* ((sn
._fi Ti - K) /Fn)
i-n+l
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!.
+r
30
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)) -
r = RT/N,
log((l
log((l
Xf
{-aJT!N, aJT!N},
sont indpendantes,
31
II JE (exp (ixJ"))
j=l
()
(1
+ RT/N)-NJE*
JE*
((1 + RT/N)-N K -
( K - Sa
,. Tn) +
Soexp(YN)) +
VTTfi}
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.
-OO
prcisment pour pouvoir travailler avec une fonction borne que nous avons d'abord tudi le
32
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.
-=
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.
!Rd,
1.5 Exercices
33
e,
Sn(l +a)
Sn+l
= { Sn(l + b)
Sn(l
+ c).
= 1 et r = O. Montrer, en
donnant un exemple d'option non simulable, que le march n'est pas complet.
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.
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).
1. Montrer que si ffe est une probabilit quivalente lP', sous laquelle (Sn
~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)
(1.5)
JP'P1,p2,p3(Tn
]p>P1,p2,p3(Tn =
4. Montrer que
V; > v;
0 -
CRR
=JE p* ,0,1-p*
f (SN) )
(l
+ r)N
'
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
'
E
(1.6)
l+r
A(
u
n + 'x
)= v(n+l,xu)-v(n+l,xd)
x(u - d)
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.
36
2. Montrer que, pour n = 1, ... , N,
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
sr;..
(b) Montrer que le juste prix l'instant n d'une option h est donne par
Chapitre 2
2.1
{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.
37
38
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)
= Xv(w)/\n(w),
= j}, on a
sij::::; n
sij > n.
1, on a
Xv/\n = Xo
+ L<l>j(Xj -
Xj-1),
j=l
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
39
= 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
= 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
110 },
et par consquent
car { n + 1 ::;
D'o
110 }
110 }
est { 110
::;
n}).
- u:;,0 )IFn) = 0,
40
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
Dmonstration.
Ua =
Par ailleurs, si v E
IFa)
= IE(Zva 1 Fa).
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
{ Zv
Uv
(2.2)
41
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
Un = !Vln - An,
o (!Vln) est une martingale et (An) est un processus croissant, prvisible, nul en O.
= 0 est !Vlo = Uo
et
et
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
2.4
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
43
X1, .. ,
Xn-1. x, y de
JE(f(Xn+i)IFn)
Pf(Xn),
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 =
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
EE
N - 1,
44
2.5.1
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
IE*(VN(<!>)IFn)
IE*(J\INIFn)
Mn,
et par consquent
D'o
= inf{j, Aj+l
-/:-
O}
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
Cn
= Cn
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.
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.
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)
,
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.
IE(XIFv) =
L l{v=j}JE(XIFj)
j=O
N).
Exercice 5 Soit (Un) l'enveloppe de Snell d'une suite adapte (Zn) Montrer, sans
supposer F 0 triviale, que
47
2.6 Exercices
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
f(n+ 1,x))
Pam(n,x) =max ( (K - x)+,
,
l+r
avec
f(n
+ 1, x)
+ b))
+ rt(K -
xVv)+),
vETo,N
r-+
4. On suppose a
48
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
j=l
j=l
j=l
j=l
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
50
3.1
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
Ft.
51
On associe un temps d'arrt rune_ tribu que l'on note Fn dfinie par
Fr= {A
Ft}
52
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
'
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
Remarque 3.2.2
3.3
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
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
2. (Xf -
= 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
De plus, si s <
t,
E(e"X1-a2t/2IFs) = eaX,-a2tf2E(e"(X,-X,)IFs)
54
IE(ea(X,-X.))
JE(eaXt-)
IE(eagy't=S)
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 :
{Tas;t}=
n {supXs>a-}= n n
e:E<Qi+
s$t
{Xs>a-}.
Ce dernier ensemble est dans Ft, ce qui prouve le rsultat. On notera dans ce qui suit
x /\y= inf(x, y).
55
~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
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.
Va+
LHj(Sj - Bi-d
j=l
56
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
l;
(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
I(H)t =
<Pi(Wti/\t - Wti-11\t),
l~i~p
l; H dW
8
pour
57
- (J; HdWs)
- E ( ([
- E
H,d';)';) ~
E ([
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
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
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
< j,
58
J;
(J; H.dw.)
t~O
'}-{ = { (Ht)ostsr.
< +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
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
59
I. On a:
(3.3)
Dmonstration.
Nous admettrons que si (Hs)s$T est dans 11., il existe une suite (H;')s$T
de processus lmentaires tels que :
lim JE (
n-++oo
Jo{T IHs -
H;'j 2
ds) =O.
On trouvera une dmonstration de ce rsultat dans Karatzas et Shreve (1988) (page 134
problme 2.5).
Si H E 1f. et (Hn)n?.O est une suite de processus lmentaires convergeant vers H, au
sens prcdent, on a :
La srie de fonctions de terme gnral I(H<f>(n+I)) - I(H<f>(n)) est donc, presque srement,
uniformment convergente. Donc I (H<f>(n) )t converge vers une fonction continue qui sera par
dfinition t ,_. J(H)t. En passant la limite dans (3.5), on obtient:
Ceci entrane que (J(H)t)o$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:
4JE
(J
0T
ds) ,
60
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
J0T
:::;
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:
il dans
61
On note toujours
J0t H
- -
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.,
{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
1t HsdWs
62
f->
H s 1 {8
::; TN} :
H;-
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
JE ( sup (
tE(O,T)
t
la
H 8 dW8 )
2
)
< +oo,
(3.7)
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
avec
- Xo Fa-mesurable.
- (Kt)o<t<T et (Ht)o<t<T des processus adapts :Ft.
+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.
alors:
Xt = Xo
+ lot K
ds + lot HsdWs =
64
alors
Xo = Xb
H8 =
dlP' p.s.
H~
K~
K8 =
ds x dlP' p.p.
ds X dlP' p.p.
+ J~ K ds + J~ H dW
8
8,
f(Xt) = f(Xo)
lo
o, par dfinition,
f(t, Xt)
+
3.4.3
la
rt
W? = 2 la W 8 dWs
On obtient
+ "2 la
2ds.
= x 2 et Xt = Wt. on
65
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.
puis
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
66
= t, on peut crire
et finalement
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.
(Xt
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
67
Bo
Zt
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,
Xt
= xozt- 1 = St.
+ 1t Ss (ds + adWs).
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.
3.4.4
Dfinition 3.4.16 On appelle .Ft-mouvement brownien p-dimensionnel un processus valeurs dans JRP, (Wt)t>o adapt .Ft. avec
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:
- f0T
- Jt
69
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
+L
i=l
t {)
+!
82 f (s,x;,. . .,X';)d(Xi,Xj)s
r:i
2 i,J.. _ 1 lo UXiXj
J;
3.5
(3.l)
70
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
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) -
0$s$T
< +oo.
Posons :
t: =
(Xs)o~s~T,
tel que E
(~~~ IX.
1 )
< +oo}.
71
Jw..
<I>(X)t = Z
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:
2 ( sup
o:::;t:::;T
t
lo
sup 1 t(a(s,X,)-a(s,Y,))dW,1
o:::;t:::;T lo
2
),
(~~~ J<I>(X)t -
<I>(Y)tJ 2)
::::; 2E ( sup (
o:::;t:::;T lo
+BE
Yil 2).
D'o
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:
72
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) + 2(K 2T + 4K 2 )
X
1t (1+JE(supO:'Ou:'OsATn1Xul 2))ds).
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.
J; f(s)ds. On a
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].
dXt
Xo
= Xtect
et crivons la formule
73
= cectdt,
(X,)t =O.
JE(Xt) = 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)
(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
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
74
(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:
+ lxl),
Alors il existe une solution unique l'quation (3.11 ). De plus cette solution vrifie,
pour toutT,
JE ( sup
o::;s::;T
3.5.4
solutions
d'quations
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
75
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 :
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.
~S.
x;.x,
pour
0
76
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 :
= c/>(Xs),
Dmonstration.
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
avec
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,
3.6 Exercices
Exercice 9 Soit (Mt)t?.O une martingale, telle que pour tout t, JE(Mf)
Dmontrer que, si s :::; t,
<
+oo.
:::;
t}
E Ft}
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.
78
(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.
Jt
1. Soit ai E IR, et 0
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.
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')
3. En dduire que, si s :S t,
--+
Ms/\t est
80
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
(b) Soit
ap
Ht = ax (t, Wt),
montrer que
Exercice 19
= +oo.
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
E
En dduire Mr
(t (
Mt'i - Mt':_,)
= E(M.f. - M5).
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.
s T,
Mt
= O.
+ l; K
ds avec
l; H;ds <
Exercice 20
tique
{ dXt
Xo
=
=
+ a')dWt
s; 1 .
2. Montrer que
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
V,
E(exp(iz(Wv+s - Wu+s))l:Fu+s)
= exp(-z 2 (v - u)/2).
E(YrlB)
= E(Yi)lt=T
82
inf{s
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,
6. Dmontrer que, si
2 et
2 0,
2 0,
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
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)
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) ,
4.1.2
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
1T IH~ldt <
Alors, l'intgrale
+oo p.s.
et
1T Hf<
+oo p.s.
85
puisque la fonction t
srement.
1-+
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?
[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.
dVt(</>)
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.
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.
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; (}
(Lt)o~t~T
87
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
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
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.
88
4.3
4.3.1
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)
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
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.
Vt
Vo
+ lat HudSu
Vo +lat HuaSudWu.
Sous la probabilit IP'*, suptE(O,TJ
Vt
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
't:/t E
[O, T],
Mt = Mo
+ lat KsdWs
p.s.
90
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,
Vt
vt = F(t, St),
avec
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)
e= T -
+ (r + a 2 /2)8
d1 -_ log(x/ K) aV
t.
r;:,
et d2 =di - uve.
91
F(t,x)
N(d) = _l_
V2K
Jd
e-x2;2dx.
-OO
(4.9)
Pour des mthodes de calcul efficaces de N (d) on pourra se reporter l'appendice.
4.3.3
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
92
De l'galit dSt
= StdWi, on dduit
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
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;
2. H2Sf
t E
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.
+ a(W
Wt)))],
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].
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)
= 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
95
(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
To,r
u (x)=
avec x*
K - x, pour x:::; x*
(K-x*)(;'".)- 1 , pour x>x*,
96
'Vx::; x*,
u 00 (x) = K - x
et
'Vx > x*
(4.14)
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
a 2 /2)t
Introduisons, pour tout nombrez ER+, le temps d'arrt Tx,z dfini par
Tx,z
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)
97
(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)},
= 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).
n [O, K].
En utilisant la
on voit que
if;(z) = (K - z)
(~)',
if;'(z) = - ( K x'
b + l)z).
+ 1),
maxif;(z)
z
= if;(x) = K - x
= if;(K/b + 1)),
4.5
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.
98
dSt = St(dt
+ atdBt)
(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,
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
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
o-
K)
100
Proposition 4.6.1 On a
Ce(t, x; K, r, o) = Pe(t, K; x, o, r)
et
Dmonstration.
'
'
'
'
rETo,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,
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
1, pour tout t
[O, T].
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.
+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},
102
avec la convention : inf 0 = oo.
'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,
'Va, t
> 0,
4. Calculer IP'(Tt'
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;{
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
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
C =JE
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),
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
8 -
~lot a 2 (s)ds) .
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
vt = F(t, St),
dSt
8;
dt
+ adWti
4.8 Problmes
105
1
1. Expliciter St en fonction de 8 0 , t et Wt. Calculer l'esprance de St.
2. Montrer que si
> 0, le processus
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)
ri -
ffe,
+ri - ro
Wt=
t+Wt
(f
106
Vt = F(t, St),
o
d2=d1-avT-t.
(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
1
1. On pose (Ji
dfini par
= ( 1 - r)/0" 1 et fh = ( 2 - r)/0"2.
Mt= exp (-e1Bf - B2Bz -
~(Of+ BD t)
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
108
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
(4.18)
- 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'(>.)
= e>.91 ->.2 ;2
dlP'
)
>. et 92 sont des gaussiennes centres rduites
>. 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
N.
3. On pose t
-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),
1r
(ii) Pour tout t E
p.s.
[O, T],
Hgsg
+ HaSa + 1t H~dS~
p.s.
110
(iv) Pour t E
+ HtSt + ft c( s )ds)
sup (HP s?
lo
tE(O,T)
=HP
lot (u)du,
p.s.,
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.
= 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
E* ( x
et on lui
appliqu~a-le
4.8 Problmes
111
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
t E [O,T),x
>0
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
s;) : :; sgea~t.
:::;
C 2 (0, Sa).
112
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,
~.
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 ( -
du modle (0
~; = Lr. Pour TE
(r ;PM t).
2
[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
= 2 JK
4.8 Problmes
113
5. On pose Jo(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),
:::=:
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)
a2 c
= (So - K)i
+for (l+oo Y20'2(u, y)p(u, y)dy) du.
C (T K)
T '
K20'2(T, K) a2c (T K)
2
8K 2
'
dSt = St(dt
+ dBt),
114
1.
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
r---+
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
B=
1A] ,
A=
(log(x/ Ki)+
B)
et g
>
-d} .
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.
P(t,x) =
sup
rETo,T-t
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
t->T
../T- t
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 :
lffilll
-(}"
K g)
> T/
. K - Be(t)
1im
t->T ../T - t
. K - s(t)
t->T ../T - t
= 1im
= +oo.
sp =
dSt = St(dt
+ adBt),
116
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 :
lit
e-r(T-t)
=
Ja Sudu
1 _ e-r(T-t)
rT
St - K e-r(T-t).
11t
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
2.
v, ~ e-"(T-ls,E'
( + ~ {
S!du) /']
+ o-(Wu -
Wt)).
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 :
~3
+ O"/T13g) -
K) +,
Chapitre 5
,,
120
5.1
vt = JE(e-r(T-t) f(Sr)!Ft),
o f(x)
= (x - K)+
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
vt s'crit
vt = F(t, Xt),
o
avec
=X).
\ix
IR.,
u(T,x) = f(x)
Atu(t,x)=
t7 2 (t,x)
(5.2)
2u
u
x 2 (t,x)+b(t,x) 0 x(t,x).
5.1.1
121
Dmonstration.
+ b(x)J'(x).
D'o
f(Xt)
f(Xo)
+ 1t J'(Xs)(Xs)dWs
+ 1t D 2 (Xs)J"(X + b(Xs)J'(Xs)] ds
8 )
JE (1t IJ'(Xs)i21(Xs)l 2
:::; Ktsup lf'(x)l2
xE~
ds)
(i +JE
JE(~~? IAf(x:1)
:::; Kj (
1b(x)1 +
122
1-7
Af(x) et s
1-7
~~ + A u) (s, Xs)ds
8
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
(5.4)
123
(Atf)(x) =
82 f
2L
i,j=l
+ L bj(t, x) x. (x),
j=l
%(t, x) =
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
5.1.2
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
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)
lRn,
= 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)
'
{ 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
5.1.3
125
= St(rdt + adWt)
dSt
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
in
u(T, x) = (x - K)+,
puisque
St -_
cr e(r-a 2 /2)t+aw,
00
.
Abs-Iog
,4bs-log
a2 32
2 8x 2
+ (r -
a2) ~.
2 8x
a2 32
2 8x 2
+ (r -
a2) ~ - r.
2 8x
(5.7)
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)).
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
+ b(x) j(x).
X
(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 :
u(T, x) = f(x),
\fx
(5.10)
O.
u (t, X ) =JE
(1{\fsE[t,TJ,X!"'EO}e -J,Tr(X'"')ds
t
s
f ( x-;.tx)) .
Dmonstration.
127
e- f~ r(x.~x)dsu(t, X~'x)
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)
= 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
5.2
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
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)
u1(t, x) = E ( l{'v'sE[t,T),IX!"'l<l}e-r(T-t) f
(X~x)) ,
129
= r - u 2 /2,
{sup
t"5_s"5_T
lx+r'(s-t)+u(W8 -Wt)l~z}
~ l-
lr'TI}.
~ 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
~ l-
~ l-
lr'TI)
lr'TI).
s"5_T
IP'
(!~?(x + uW ~ a)
8 )
IP'
(s"5_T
inf (x + uW
8 )
:::::'.
-a
2)
:::::'.exp
_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
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
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
OhUh
U i+l _ ui-1
h
h
2h
u;i-u;i-1
h
Le vecteur .1i u1i est, alors, dfini par
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,.
( (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
(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 =
132
(E
h,k
-f
- h
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
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).
Alors
(JuJL2(oi)
+ Ju'JL2(oi)),
E:
> 0 telle
133
2. lorsque 0 ::; ()
0 on a
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
Remonte:
b~ = bN
g~ =gN
134
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
Descente:
X1
= gUb~
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.
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
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
135
(x;x)) .
rE7t,T
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).
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.
Mt
~; + Asu -
x:)) .
136
(X:)) .
(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
opt'
xx )) .
Topt
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
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 :
(r - ~2 )
t + o-Wt.
Abs-log _
r=
0-
82
2 x 2
(r _
2
0- )
!..__ _ r.
x
137
+ 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
[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 :
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.
pratique, on impose plutt les conditions aux limites suivantes, plus naturelles,
ov (t, l)
8x
= 0 et
138
M
U h,k
--fh
et si 0 :::;; n :::;; M - 1,
(Ah,k)
u.,k ~ fh
:::;;
( 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 -
(AD) {
RX~G
X~
(RX - G, X - F)
= 0,
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 -
";))
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
i=l
+ axi +ex;
i=l
n-1
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
e=
140
= gUbi
-1
1
0
L'algorithme donne
5.4 Exercices
141
5.3.3
Pam(n,x) =max
((K -
x)+,
(5.15)
+ 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".
On suppose que R vrifie, pour tout X de !Rn (X, RX) 2". o:(X, X) avec
X>F
(RX - G, X - F) =O.
V'V 2". F,
(RX - G, V - X) 2". O.
(5.17)
V'V 2". F,
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)+) (
u(T, x) = (K - x)+,
avec
-bs
0"2 x2 fJ2
f)
= - - - -2 +rx- -r.
2 fJx
ax
[O, +oo[
p.p. dans
[O, +oo[
[O, +oo[,
(5.18)
5.4 Exercices
143
= x0
soit solution de
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).
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
6.1
Principes de la modlisation
6.1.1
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).
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
146
rgulire, il existe une fonction r(t) telle que
pourO:; t
< T,
et par consquent
lt
6.1.2
(6.1)
ef~ r(s)ds'
Jt
147
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)
J:
p.s.
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.
(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
dP(t, T)
T
T
P(t, T) = (r(t) - at q(t))dt + at dWt,
(6.6)
Dmonstration.
P(t, T)
P(O, T) exp
-~ 1t ( (B'I')
q(s) 2 ) ds).
149
dP(t, T)
P(t,T)
~ ( (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).
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
(lot a'.; dW
8 -
(6.8)
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 :::;
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
Dmonstration.
Vt
= h, on obtient
1:
he- Ji r(s)ds
H t --
151
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
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).
dJP>T
e- foT r(s)ds
d!P'*
P(O, T)
P(O, T) =JE* ( e- g
r(s)ds) .
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).
= JE*
(h~! I :Ft)
avec
Lr
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)
153
(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.
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
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
154
(6.10)
avec
B(t, x)
IE*(xeZ(t,O) - K)+
d (
1
+ (L: 2 (t,B)/2)
L:(t,e)
) _ log(x/K)
t,x -
et
Ct
P(t, B)Cf
P(t, B)B(t, P 9 (t, T))
P( t, T)H'{ + P( t, B)Hf,
6.2
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
(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
(6.9)
155
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))
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)
J: x:ds
156
De l'galit JE*(X;)
= xe-as, on dduit
1 - e-al:i
=x---
(11:1x:ds,11:1 x:ds)
(6.14)
Cov(Xf,X~)
P(t, T)
o R(T - t, r(t)), qui s'interprte comme le taux d'intrt moyen sur la priode
[t, T], est donn par
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.
+ a-/rTt)dWt,
(6.15)
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)
r = inf {t ?: o Xf = o},
1
Proposition 6.2.4
1. Si a
= oo.
2. SiO:::;
3.
158
Proposition 6.2.5 Pour tous rels positifs
et , on a
et
1/1,,(t)
avec ' = Jb 2
+ 2a2 .
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
<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
159
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!,
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
JE* ( e- g
P(O,T)
r(s)ds)
e-acf>(T)-r(O),P(T),
(6.18)
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*)'
160
o IP' 6 est la probabilit B-forward (cf. Proposition 6.1. 7). Notons que
=-
+ log(K)
'lj;(T- B)
.
acp(T - B)
D'o
Co
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
'
= P(O, T)
P(O, B).
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
(Ze~r) -
KP(O, B)F4a/a2,(o
(~:).
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 =
162
= 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
(6.21)
dP(t, T)
P(t, T)
dXt
(1
+ 2,d(X, X)t
(t, t) - (
(t, s )ds)
+ (
f3(t, s)ds
dt
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
163
o:(t, T)
IP'* ne dpend pas du processus o:. Le modle peut tre prcis en imposant la forme
suivante pour f3 :
df(t, T)
(6.22)
164
6.2.4
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),
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
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)
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).
6.3
Exercices
Exercice 33
= O}) /\ T.
JE(Mr) = JE(Mrl{r=T})
En dduire que lP' ({\it E [O, T], Mt
> O}) = 1.
166
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
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,
=lx
a 2 d2 s
2 dx 2
ds
dx
-x-+(a-bx)- =0.
2. Pour 0 < c
t > 0, on a
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
s(x)
= s(O)IP'(To <
Tf1)
limx-+O s(x).
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
168
t/2)
+ a 2t(T-
+ aWt.
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
Jt
log(x/ K) + ~
'Y 2 (s, T)ds
di (t, X ) = ----:========---
JJt "(
2 (s,
T)ds.
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,
'
L.....,
j=i+i
Chapitre 7
7.1
Processus de Poisson
L
n<:'.l
l{Tn~t} =
L nl{r,,~t<r,,+i}
n<:'.l
170
qui sont infrieurs ou gaux t. On a aussi
> O.
pourn EN.
On a en particulier
JE(Nt) = >.t,
De plus, pour s
= t.
> 0,
JE(sNt) = exp[>.t(s - 1)].
pour x >O.
JE(e- 0 T 1 ) =
~a'
pour a> 0,
de sorte que
IP'(Nt = n)
Jo
171
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'(Nt
= n) = e->.t (>.tr,
n.
t > 0, n EN.
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 [,
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 ).
= 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.
173
=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.
UN.+i j
Dmonstration.
W., AN
(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)
p},
IP'(AN n EN n Cp n {N.
= p}) =
174
+oo
= lP'(AN)lP'((U1, ... 'Uk)
n {Ns
p})
p=d
lP'(A
n B)
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
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.
175
continu gauche, valeurs dans JRd, adapt la filtration (Ftk:::o On suppose que,
pour tout t > 0,
JE
(lat J
ds
Dmonstration.
= 1.
C =
sup
j<l>(y, z)j.
(y,z)EJRd xlR
)1
< t, et posons
Nt
z=
<l>(YTj>Uj)
j=N +1
8
m-1
Nsi+l
i=O
j=Nsi +1
zP = L
Sm
= t) de l'intervalle
[s, t], on
<l>(Ys,, Uj)
(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
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).
IPI
--->
0 donne
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,
(~[ZH1 -
I:Z:;01 JE(Zi+1l.Fs;). On
JE(ZH1l.FsJ) 2 1.Fs)
+ 2 LJE ((Zi+l -
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 ( [Zi+1 -
JE(ZH1 l.Fs; )] 2
Fs;) /.Fs) .
177
IPI vers 0,
M.) 2 1.r.]
E [(Mt -
= E
l;
M;1.r.),
< +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
l; ds l
---->
L2,
Lemme 7.3.3 On conserve les hypothses et les notations du Lemme 7.3.2. Soit
J; A dW
8
(J; A;ds)
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].
178
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
IAPI :::; 2C
sup
s::=;u::=;t
!Lui (Nt -
Ns
f->
+ >.(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
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,*,
179
= r - .XIE(U1) = r -
j zdv(z).
(7.6)
E(Xi)
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
180
(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
IB( 2 ,
< +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
Dmonstration.
(7.8)
181
Vt
+ O"dW
8 )
N,
+ LHrjUJXr-:j=l
Va - lat r ( H~
N,
+ LHriUJXr-:j=l
Il est clair alors que si on se donne Va et (Ht). l'unique processus (HP) tel que
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
<
+ HtXt)
voit que le couple ( H2, Ht) a<t<T dfinit une stratgie admissible de valeur initiale
Va.
- -
<
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
183
Il
(1 +
Uj))
IFt)
J=N,+1
E (,-(T-<) f
( x,,(-(' /'))(T-<)+(W,-W.)
F(t,x)
(!+
E ( ,-(T-<) f
JE ( ,-(T-<) f
( xe(-AE(U,)-(' /'))(T-<)+uw,_,
U;)) )
If(!+ U;))) .
(7.10)
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
Dmonstration.
On a, d'autre part,
dfinie par
h=
T,
185
Pt= f1f~ 1 (1
+ Uj). on a
17
lx-yl.
Il en rsulte que
E (lat ds
Mt
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
- -
h - Vr = Mr + Mr,
avec
- -
+ Jo x (s, Xs)Xs<JdWs.
(7.13)
186
et
N,
2: (P(Tj, XTj) -
!tlt
j=l
F(Tj, XTj-) -
1t J
ds
dv(z)(F(s, Xs(l
HTjUJX-rj-)
H 8 zX8 ).
D'o
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)
+
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
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
188
+ Var(N)(JE(Vi)) 2 .
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
Si O"
+ 0"8 =
r - >.(1
+ u)JE(U1).
> 0 et JE(U1) -:/:- 0, cette galit est satisfaite pour une infinit de couples
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)
[O, T],
1---+
Chapitre 8
8.1
Modles structurels
dvt
Vo > 0,
(8.1)
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
= inf{t :'.'.'.
Vt
H(t)}.
(8.2)
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
193
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,
'( ) _ .
/\ 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
>.(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
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
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
Dmonstration.
> t}, on a
Ft) > 0
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
195
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)
l{.,.>t}
1{.,.>t}
e-
J~ >.(s)ds
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.
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
D(t, T) = e-
8.2.3
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.
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
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)
(1 - R)
s=
1Tn JE* (
(u)e- fou((v)+r(v))dv) du
(8.5)
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
et
198
D'o
{T,.
(1 - R) Jo
S
--n--~----------
(8.6)
Sj
L(Ti - Ti-1)1P'*(r
(8.7)
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
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
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
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
'
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.
= inf{x
E lR
X----t-cx::>
= 0 et
lim F(x)
X----t+<X>
= 1.
> G(u))
1 - lP'(X:::; G(u))
1 - F(G(u))
l -u,
ce qui prouve que F(X) est uniformment distribue sur [,
1].
= lP'(F1(X1):::;
200
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)
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
In(Va/L)
+ (r -
avlr
~ )T
o Wf
= pt+ Wt.
et
II2 = Le-rT
( VaH)~-1 N(d_),
ln (H 2 /LVa)
+ (r - k "-i )T
2
avlr
202
J;
1. Montrer que si t 0 = 0
= JE*
2. En dduire l'galit
JE*(Xrl{r::;T})
1T
JE*
c-
c-
Chapitre 9
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
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)
hm lP'
n-++oo
(J'
;;;:;-cl ~
En
(J'
;;;:;-c2
1C2 e _
;2_
2
c1
< c2
dX
rrc..
27!'
/n.
205
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 :
a;
i=l
a;
a2 = _
n (_!_ ~ x2 - x2) .
n-l nL.,.;
n
i=l
a;
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
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 :
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
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.
207
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).
>,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 =
n;::.:1
208
9.1.4
209
= $tS[t/ LltJ.
{ 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[t/Llt]
:::;
Cr!::l.t,
t<;_T
{ Sb
8~+1
S~
210
S[t/b.t]
S[t/ b.t].
211
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)
(, (1+ U;))
e{-'
i')~<+u./iiiG
= lE(Y) + C,
212
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.
lP' tant une probabilit "risque-neutre". Notons aussi par P le prix d'une option de
vente (ou "put") europenne :
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
:=:::
213
)+) = K N(-d) -
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
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_
'
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
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
jj(Y1)
+ ... +
f(Yn)p(Yn))
jj(Yn)
'
215
j!R
JE(f(X)) 2 .
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.
2
).
).
(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):
216
et choisir m
>
K) = ~
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
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),
(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
V(m)
= E (ct>2(G)e-m.c+1";12)-E(ef>(G))2.
217
dSt
= St (rdt + udWt), Sa = x,
W/' := Wt
+ >..t.
Soit
(9.6)
Par exemple, si l'on cherche calculer le prix d'un option asiatique "strike" fixe,
de "payoff" donn par
218
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 :
9.2.3
Variables antithtiques
I = "JE(f(U)) =
fo
f(x)dx.
I ="JE
(~(f(U) + f(l -
U))).
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
219
2n
alors que:
Var(I2n)
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))).
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.
E ( (>.eac
- K)+).
220
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)
2n ('l/;(Wl, s :::; T)
+ 'l/J( -
w;, s :::; T)
9.2.4
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,
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
Exercice 57
telle que
>
0 pour tout x, et
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.
et
= ( ea(G+m)
a;, sa variance.
< K.
On note Xm
K) + e-mG- "'22 .
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).
222
3. Soit 0
9.4
... ,X!;,)
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
9.4.1
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~
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.
223
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).
On prendra N
On considre un
224
En dduire que, si
u(n, x, m) = IE* ( (l
+ + Sn-1).
u(n,x,m)
- R [p*u(n + 1, xu, m
1+
+ x)
{
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 ) -
9.4.2
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,
sp
225
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,
226
(9.7)
1. Montrer que
2a
= r?
227
R(B, r) = R 00
(R 00
:() (
r)
(1 -
e-all) -
:u
2
2
(1 -
e-all) 2 )
= 1
o
T
(J
1 - e-a(T-s)
-(J-----
Ct
P(t,T))
= P(t, B)B ( t, P(t, B) ,
E 2 (t, B)
et
= 111
t (a 8T
a 811)2 ds.
228
Ct = P(t, T)H'[
+ P(t, B)Hf,
avec:
HtT = N
d 1 t, P(t, B)
fl!,
9.4.4
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?
St =Sa exp (
(r - ~2 )
O"
+ Wt) .
0.3 (la volatilit annuelle) et r
229
1, a
= 0.3, r = 0.05).
9.4.5
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 :
100 pour i
1, ... , d.
230
= 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
It = aiSf
o ai
> 0 et L~=l ai
+ + adSf,
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 ,
K.
6. En supposant r et a petits, justifier heuristiquement l' approximation de
log(ft/ Io) par:
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
231
= aiSbi.
+)
Appendice
A.1
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
~exp (- (x
y27f
-:n)2).
2a
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
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.
235
Exemples de sous-tribus
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
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)
= 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.
2. IE(IE(X 1 B))
= X, p.s.
= JE(X).
= lE(ZX).
237
et ,
B) = >.JE(X 1 B)
+ JE(Y B) p.s.
1
= JE(X
C) p.s.
= ZJE(X 1 B) p.s.
1 B) = JE(X) p.s.
Vu E ~,
JE ( eiuX 1 B)
(8)
Dmonstration.
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,
Appendice
238
A.2.3
pour x E E,
= 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.
cp(x)
<I>(x,y)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.
239
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
\:/x E C,
L'hyperplan d'quation
(x)?: o:.
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
1. \:/x E K,
2. \:/x EV,
(x) >O.
(x) =O.
240
Appendice
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,
(2)
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.
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.
242
Bibliographie
Bibliographie
243
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.
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
(2):443-458, 1995.
1.1. GIHMAN et A.V. SKOROHOD
Alatoires. Mir, 1980.
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.
Bibliographie
247
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.
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
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
www.editions-ellipses.fr