Vous êtes sur la page 1sur 15

Introduction

Au chapitre 1, on prsente les dirents types de modles financiers ainsi que le risque associ la
modlisation. On introduit aussi dirents concepts thoriques entourant les rendements
financiers. Puis, on dresse un historique des modles financiers ayant men lutilisation de la
distribution de Laplace asymtrique gnralise.

Au chapitre 3, on prsente la mthode du point de selle qui permet deectuer lapproximation de


la densit et de la fonction de rpartition lorsquelles nont pas de forme analytique. On applique
ensuite cette mthode la distribution de Laplace asymtrique gnralise.

Au chapitre 4, on prsente la mthode des moments gnralise ainsi que son utilisation dans le
cadre de lestimation sous contraintes. On prsente ensuite certains tests dhypothse para-
mtriques.

Au chapitre 5, on prsente la mthode des quations destimation optimales ainsi quune version
lgrement modifie qui diminue la quantit de calcul ncessaire.

Au chapitre 6, on applique les mthodes destimation des deux chapitres prcdents la


distribution de Laplace asymtrique gnralise. On prsente en premier lieu une mthode qui
permet dobtenir un point de dpart pour lalgorithme doptimisation. Puis, on dtaille les rsultats
obtenus.

Au chapitre 7, on prsente les tests de normalit de Shapiro-Wilk et dEpps-Pulley, puis ceux


dadquation du 2 de Pearson, celui de Kolmogorov-Smirnov ainsi quun autre bas sur la fonction
gnratrice des moments.

Au chapitre 8, on prsente direntes mthodes pour lvaluation doptions. On prsente dabord


quelques notions lies aux produits drivs, puis on dtaille trois mthodes pou-vant tre utilises
avec la distribution de Laplace asymtrique gnralise. Enfin, on prsente quelques particularits
lies certains titres financiers.

Au chapitre 9, on prsente un exemple dapplication des outils dvelopps aux chapitres 3 8 avec
un ensemble de donnes.

Enfin, on prsente en annexe certaines notions de thorie des probabilits et de statistique.

Chapitre 1 Les modles de rendements financiers

1.1 Lutilisation de modles en finance

On doit considrer les implications de lutilisation de modles en finance avant dentreprendre leur
tude. On doit aussi prendre connaissance des dirents types ainsi que les risques lis chacun
dentre eux. Pour ce faire, on se rfre la note Model Risk publie par Derman (1996).

Durant les dernires dcennies, plusieurs modles sont apparus afin de fournir une approche
fondamentale aux concepts de tarification, dore et de demande et darbitrage aux interve-nants
des milieux financiers. Au cours des annes 1970, on se proccupe particulirement des
fluctuations des taux dintrt, un phnomne qui marque cette poque. Les notions de dura-tion
et de convexit font alors leurs dbuts. Sur les marchs de capitaux propres, on sintresse la
discordance entre le prix ngoci des contrats terme et le prix raisonnable calcul selon une
perspective thorique.

Puis, la confiance dveloppe envers le modle de tarification doptions de Black et Scholes (1973)
et ses extensions a favoris la croissance du march des produits drivs. La puissance de calcul
croissante des ordinateurs a aussi permis llaboration et lutilisation de modles de plus en plus
sophistiqus. La dpendance qui peut se dvelopper envers ceux-ci apporte son lot de
considrations. On doit donc se rappeler lutilisation dsire par les auteurs de ceux-ci et le risque
associ leur usage grande chelle.

1.1.1 Dirents types de modles

Toujours selon Derman, un modle financier peut tre class parmi au moins trois catgories :

1. Le modle fondamental, bas sur un systme de postulats et de donnes, entre lesquels on


peut tablir direntes relations. Le modle de Black-Scholes en est un exemple.

1. Le modle phnomnologique, qui prsente une description ou une analogie, afin dillustrer
quelque chose qui ne peut tre directement observ. Cest un modle moins fondamental,
bas aussi sur des liens de cause eet. Un modle qui chercherait expliquer limpact du
retrait du porteur de parts majoritaire dune entreprise sur la valeur des actions de celle-ci
serait phnomnologique.

2. Le modle statistique, bas sur une rgression ou un rglage optimal entre di rents
ensembles de donnes. On ne cherche pas ici expliquer une dynamique, mais dcrire
une tendance ou une corrlation. Le modle dvaluation des actifs financiers et celui des
trois facteurs de Fama et French (1993) en sont des exemples.

Un modle financier est en partie bas sur des variables qui reprsentent des opinions et des
anticipations, et non seulement des quantits mesurables. Ces variables peuvent tre, entre
autres, le rendement et la volatilit future esprs. Cette considration sera importante notamment
lorsque lon voudra dterminer le prix raisonnable dun produit driv. En eet, un modle de
tarification est essentiellement un moyen de reflter lintuition des acteurs du march propos de
ces variables sous la forme dun prix exprim dans une unit montaire. Un bon modle doit
faciliter lextrapolation de ce prix sous certaines conditions de march.

Contrairement la physique classique, un principe fondamental en finance est lincertitude. On ne


peut anticiper la valeur dun titre un moment donn dans le futur avec la mme prcision quon
peut prvoir la position dun objet cet instant. Les outils mathmatiques principa-lement utiliss
seront alors les processus stochastiques, les statistiques et les distributions de probabilits, en plus
du calcul direntiel et intgral.

1.1.2 Le risque de modlisation

Plusieurs risques inhrents la modlisation en finance existent. Quelques-uns dentre eux seront
dcrits dans cette section.

La modlisation peut tout simplement ne pas tre applicable la situation tudie. Lexemple le
plus probant serait de tenter de prvoir les mouvements du prix dun titre financier court terme.

Un modle peut tre incorrect pour plusieurs raisons. Entre autres, il peut ignorer certains facteurs
ou poser une hypothse dterministe inapproprie sur ceux-ci. Il peut aussi considrer une
dynamique incorrecte pour un des facteurs ou encore une relation inapproprie entre ceux-ci.
Enfin, il peut ntre applicable que sous certaines conditions bien prcises ou encore que son
utilisation soit limite court terme, notamment lorsquil ncessite un temps de calibration pour
tre statistiquement valable. Il peut aussi tre inutilisable par une mauvaise estimation des
paramtres.

Un modle peut aussi tre correct, mais avoir une solution errone. Cela se produit notamment
lorsquon tente de driver une solution analytique ou que lon doit utiliser des mthodes
numriques pour obtenir celle-ci. On se doit, dans ce cas, de connatre lerreur maximale possible
de la mthode utilise. Un modle correct peut aussi tre utilis dans le mauvais contexte. Par
exemple, on pourrait avoir recours des paramtres inadquats de simulation, ou encore rutiliser
le modle dans une autre situation sans tenir compte des conditions de validit de celui-ci.

Son utilisation peut gnrer des prix draisonnables ; on parle alors darbitrage de modle. Par
exemple, si un titre est valu laide du modle dvaluation des actifs financiers, son prix sera
dirent de celui qui serait obtenu avec la rgression trois facteurs de Fama et French. Un
investisseur peut alors faire du profit en achetant le titre celui qui demande le prix le plus faible
pour le revendre celui qui ore le plus lev.

Lutilisation de donnes instables peut produire des rsultats dirents selon la priode tu-die. La
possibilit quune estimation base sur des donnes historiques soit errone doit tre considre.

Enfin, comme la plupart des modles financiers sont implments sous forme de logiciels,
dirents bogues informatiques peuvent se retrouver dans le code source. On considre entre
autres des erreurs darrondissement, de logique et de clart du code, ainsi que des particularits
du matriel qui nauraient pas t prises en compte par le programmeur. Ces erreurs peuvent tre
diciles dtecter, cest pourquoi un grand nombre de tests devraient tre eectus avant de
publier un logiciel de modlisation financire.

1.2 Les rendements financiers

Le rendement est dfini comme tant le gain ou la perte de valeur dun actif sur une priode
donne. Il est constitu des revenus occasionns et des gains en capitaux dun investissement et
est habituellement reprsent sous la forme dun pourcentage. Ces derniers peuvent prendre la
forme de coupons pour les titres revenus fixes et de dividendes pour les actions changes sur
les marchs boursiers. On ne considrera, dans ce texte, que les titres boursiers sans dividende,
dont le rendement est li uniquement aux gains en capitaux.

1.2.1 Dfinitions et notations

On dfinit le prix S(t) > 0 dun titre financier observ au temps t. Implicitement, le prix considr
est celui la fermeture. On dfinit aussi le taux de rendement eectif R(t) sur une priode
comprise dans lintervalle de temps [t 1; t]. Cest le taux compos continument, aussi appel force
dintrt, qui aurait occasionn les mmes gains ou pertes sur un montant dpos en banque au
cours de la priode concerne. Le taux de rendement est la variable dintrt dans le contexte de la
modlisation financire.

On associe le taux de rendement eectif la dirence entre le logarithme du prix initial et final.
Dans la situation o le taux de rendement est dterministe et non alatoire, on obtient lquation
direntielle suivante :

dS(t)
= R(t) S(t): dt

On peut interprter cette quation en armant que la variation du prix dS(t) sur un intervalle de
temps infiniment petit dt est proportionnelle la valeur actuelle S(t). Cette quation direntielle a
pour solution gnrale :

S(t) = S(0)eR(t) t: (1.2.1)

Afin de dfinir les proprits de lchantillon slectionn, on pose comme hypothse :

Hypothse 1.1. Le rendement R(t) est constant durant la priode dfinie par lintervalle de temps [t
1; t], mais il est dirent dune lautre : R(s) 6= R(t); s 6= t.

On peut alors reprsenter le rendement R(t) comme tant la dirence entre les logarithmes des
prix observs au temps t et t 1, ou encore le logarithme du quotient de ces mmes prix :

R(t) = ln (S(t)) ln (S(t 1))


S(t)

= ln S(t 1) : (1.2.2)

On dfinit aussi le rendement cumul L(t). Il correspond la somme des rendements e ectifs
observs sur lintervalle [0; t] :

T X L(t) = R(i)

i=1 = [ln (S(i) ln (S(i 1))]

i=1

= ln (S(t)) ln (S(0))

S(t)

= ln S(0) : (1.2.3)

Cette reprsentation permet dexprimer le prix actuel S(t) en fonction de la valeur initiale

S(0) sous une forme similaire la solution (), mais tenant compte de lhypothse mise
prcdemment :

e L(t) =
S(t)

S(0)

S(t) = S(0) eL(t)

X
i

= S(0) exp t R(i)! : (1.2.4)

1.2.2 Rendements cumuls

On pose lhypothse suivante :

Hypothse 1.2. Les rendements R(i); i 2 1; : : : ; t sont indpendants, mais pas ncessairement
identiquement distribus.

On peut alors obtenir la distribution du rendement cumul L(t) en utilisant le produit de convolution
(). Considrons R(i)( ) la fonction caractristique dun rendement R(i) et L(t)( ) celle du cumul L(t).
On obtient alors que cette dernire est gale au produit des fonctions caractristiques des
rendements eectifs sur chacune des priodes de lintervalle

[0; t] :

Yi

L(t) ( ) =R(i)( ): (1.2.5)

=1

On considre la situation o lon posera plutt lhypothse suivante :

Hypothse 1.3. Les rendements R(i); i 2 1; : : : ; t sont la fois indpendants et identiquement


distribus.

Alors, la fonction caractristique des rendements est gale pour chaque priode :

R()= R(1) ()=:::= R(t) ( ): (1.2.6)

On peut donc simplifier lexpression () pour obtenir la fonction caractristique :

L(t) ( ) = [ R( )]t : (1.2.7)

Considrer une distribution qui est ferme sous la convolution pour modliser les rendements sur
une priode R(i) peut alors tre intressant. Le rendement cumul L(t) pourra aussi tre modlis
laide de la mme distribution. Pour ce faire, on modifie un paramtre dchelle en fonction de la
longueur t de lintervalle de temps considr.

1.2.3 Donnes disponibles

Les donnes disponibles auprs des fournisseurs dinformations financires prennent habituel-
lement la forme de sries chronologiques discontinues. Celles-ci incluent les prix louverture, le
plus bas et le plus lev au courant de la journe ainsi qu la fermeture, pour chaque jour o les
marchs financiers sont en activit. Afin de mesurer le rendement quotidien dun titre, seuls les
prix la fermeture seront considrs.

1.3 Les premiers modles

1.3.1 Le modle de Bachelier

Un des premiers modles proposs afin de reprsenter les rendements financiers a t celui de
Bachelier (1900) .
Le prix dun titre peut varier, durant une priode, de nimporte quelle valeur comprise dans
lintervalle [ S(t); 1]. Il propose donc que cet intervalle soit remplac par lensemble du domaine
rel R. La probabilit que le titre atteigne une valeur nulle ou ngative ou que celle-ci double
devrait donc tre ngligeable. Il ajoute aussi que la variation est indpendante du prix actuel du
titre S(t) et que la distribution de probabilits de celle-ci est symtrique et centre en ce point.

Il utilise le principe selon lequel la probabilit que deux vnements indpendants conscutifs aient
lieu est le produit de celles que chacun dentre eux se ralise, pour tablir la distribution des
variations du prix. Par exemple, la variation du prix sur une premire priode prend la valeur x et
celle sur une seconde, z x, comme illustr la figure 1.1.

S(0) S(0) + x S(0) + z

0 t1 t1 + t2

Figure 1.1: Modle de Bachelier : probabilit compose

On dfinit f(x; t) la fonction de densit de la variation du prix S(t) par rapport au niveau initial
S(0). Alors, selon le principe prcdent, on obtient lexpression

f(z; t1 + t2) = Z
1 f(x; t1) f(z x; t2) dx: (1.3.1)

La solution propose est que la densit de probabilit soit de la forme f(x; t) = A exp B 2x2 :

Afin que la fonction f(x; t) soit une densit de probabilit, la condition suivante doit tre
respecte :

Z
1

A exp B2x2 dx = 1: (1.3.2)

Ceci implique que

B=A :

En posant x = 0, on a A = f(0; t) et lon en dduit :

f(x; t) = f(0; t) expf(0; t)2 x2 : (1.3.3)

On reconnaitra que cette densit est, un changement de variable prs, une loi normale. La
dmarche suggre quil recherchait une distribution qui tait ferme sous la convolution, une
proprit souhaitable pour un modle cohrent des rendements financiers.

Ce modle implique un processus de Wiener-Bachelier selon lequel les incrments, ou les chan-
gements de prix, suivent une distribution normale :

S(T ) S(t) N 0; 2
(T
t) : (1.3.5)

On doit noter que ce modle implique que la variance des fluctuations nest pas proportionnelle au
prix initial. Une premire correction sera apporte au modle afin de considrer le logarithme du
prix. Ce changement permettra dobtenir un modle o elle est dsormais proportionnelle au prix
initial. Le processus du prix suivra alors un mouvement brownien gomtrique :

S(T ) S(t) LN (0; (T t)) : (1.3.6)

Le logarithme du prix suivra alors un processus de Wiener-Bachelier :

ln (S(T )) ln (S(t)) N (0; (T t)) : (1.3.7)

Un des principaux avantages du processus de Bachelier modifi est que le rendement cumul

L(t) est aussi une variable alatoire gaussienne. Cette proprit est appele L-stabilit ou
invariance sous laddition. La distribution gaussienne est la seule ayant cette proprit o le second
moment est fini. Le sujet des distributions L stables sera aussi abord la section 1.3.2.

Quelques annes aprs sa publication, ce modle est lobjet de critiques de la part dconomistes et
de financiers. En se rfrant Mitchell (1916), on observe que, sur une base annuelle, les
variations ngatives par rapport la moyenne (149) sont plus frquentes que celles qui sont
positives (126), pour un ensemble de 40 titres boursiers, entre 1890 et 1915 (figure 1.2). Une
asymtrie ngative des rendements sera alors prsente.

100 0 100 200 300

Rendements annuels (%)

Figure 1.2: Distribution des rendements annuels de 40 titres boursiers, de 1890 1915, Table
XVIII de Mitchell (1916)

De plus, les variations extrmes sont plus frquentes que ne pourrait le prdire un modle bas sur
un mouvement brownien. La distribution des rendements aurait donc des queues plus paisses 1
que la normale. On doit trouver un modle qui permet de tenir compte de ces

1. traduction de langlais heavy tailed particularits.

1.3.2 Proposition de Mandelbrot

Mandelbrot (1963) propose un modle qui vise combler les lacunes du processus brownien
gomtrique (1.3.6). Il explique que les distributions empiriques des changements de prix sont
habituellement trop pointues pour tre considres comme des chantillons dune population
gaussienne.
Il identifie direntes caractristiques quun bon modle des rendements financiers devrait
possder :

1. Il doit tenir compte de la frquence des grands changements de prix. Il doit donc tre bas
sur une distribution leptocurtique, plus pointue au centre que la normale.

2. Il doit permettre des changements instantans et imprvisibles de toute amplitude.

3. Il doit admettre une probabilit non nulle que plusieurs changements conscutifs semblent
corrls.

4. Il doit admettre un processus de prix non stationnaire, car la variance chantillonnale


prend direntes valeurs travers le temps.

La famille de distributions L stables semble tre celle qui rpond le mieux lensemble de ces
conditions (). Lquation suivante dfinit la proprit de L-stabilit de la distribution de la variable
alatoire des rendements sur une priode R :

(a1R1 + b1) + (a2R2 + b2) = aR + b (1.3.8)

8a1; a2 > 0; 8b1; b2: (1.3.9)

La solution gnrale de cette quation a t dcouverte par Lvy en 1925. Le logarithme de la


fonction caractristique de celle-ci prend la forme suivante :

ln ( R( )) = ij j 1+ i
jj tan 2 (1.3.10)

Table 1.1: Domaine et rle des paramtres de la distribution L stable de Mandelbrot produits
drivs pour cette raison, tant donn que lon devra tre en mesure de quantifier la volatilit.

Lapproche classique, selon Mandelbrot, pour expliquer les grands changements de prix a t de
considrer un mlange de deux distributions normales, dont une pour les fluctuations rgulires et
une qui a une variance plus importante, pour les discontinuits. Il remarque que pour expliquer
adquatement le comportement des donnes empiriques, on doit introduire un mlange de
plusieurs distributions normales, ce qui rendrait le modle plus complexe. Par contre, on retrouve
une approche intressante avec le modle prsent la section suivante.

1.3.3 Le modle de Press

Press (1967) propose un modle statistique bas sur un processus de Poisson compos auquel on
ajoute un mouvement brownien W (t). Cest donc dun processus ayant des incrments sta-
tionnaires et indpendants. Il prsente donc les caractristiques dun processus de Lvy. Press
utilise aussi la transformation logarithmique (1.3.6) afin que la variation soit proportionnelle au
prix. Il remarque aussi que le modle logarithmique de Bachelier est inadquat, car il ne tient pas
compte des queues de la distribution empirique des rendements qui sont plus paisses que celles
de la normale. Il ajoute que le modle propos par Mandelbrot est discutable, car il ne trouve
aucune vidence, partir des donnes observes, que la distribution de la population aurait une
variance infinie.

Le processus de Poisson fN(t)g de paramtre t est un processus de comptage qui dtermine les
occurrences des sauts Yk; k = 1; : : : ; N(t). Ces sauts surviennent gnralement lorsquune
information importante est rendue publique par rapport un titre. Ceux-ci sont aussi de
distribution normale, mais leur esprance nest pas nulle et leur variance est di rente de celle du
processus W (t). Cette composante que lon ajoute au modle de Bachelier modifi permet
dexpliquer les variations plus importantes et moins frquentes observes empiriquement.

Le processus du logarithme du prix fs(t)g fln (S(t))g est donc reprsent par lquation suivante :

N(t)

s(t) = s(0) + Yk + W (t): (1.3.11)

k=1

On dfinit les direntes variables alatoires composant le processus comme suit :

Yk N( ; 2
2
) W (t) N(0; 1
2
t)

N(t) P oisson( t)

Comme pour la plupart des processus de Lvy, on ne peut obtenir une forme explicite pour la
fonction de densit, car celle-ci se prsente sous la forme dune srie infinie. On reprsente alors
ces processus par leur fonction caractristique, forme par le produit de celles de leurs direntes
composantes.

La distribution du logarithme du prix s(t) est dfinie par la fonction caractristique s(t)( ), qui est le
produit de celle de la constante et celles des processus de Wiener et de Poisson compos :

Afin destimer le modle, on sintressera plutt la distribution dun incrment s(t) = s(t) s(t 1)
de ce processus. La fonction caractristique s(t)( ) de cette variable alatoire peut tre facilement
identifie partir de celle du processus (). Essentiellement, on pose s(0) = 0 et t = 1, pour
obtenir :

s(t) ( ) = E ei s(t)

= exp 1 +
h
e i ( 2
22
=2) i
1 : (1.3.13)

2
Pour estimer les paramtres du modle, on privilgie la mthode des cumulants, qui est simi-laire
la mthode des moments. Considrons les quatre premiers cumulants de la distribution

k)dt + dW + dq:

de lincrment s(t) :

K
1 = (1.3.14a)

2 = 1
2
+ ( 2
+ 2
2
) (1.3.14b)

K
3 = ( 2
+3 2
2
) (1.3.14c)

K
4 = ( 4
+6 2
2
2
+3 2
4
): (1.3.14d)

En utilisant les quatre premiers cumulants empiriques (), on obtient les quations sui-vantes :

En rsolvant numriquement lquation (1.3.15a) pour le , puis par substitutions successives dans
les quations (1.3.15), on obtient des estimateurs convergents pour les quatre paramtres du
modle.

Un modle similaire a aussi t prsent par Merton (1976), cependant, il inclut un paramtre de
drive , et considre que les sauts Y , qui sont des facteurs multiplicatifs, peuvent suivre une autre
distribution que la normale. Il prsente le modle sous la forme dune quation di rentielle
stochastique :

La constante k reprsente lesprance de la variation relative si un saut se produit et q, le


processus de Poisson compos. La solution de cette quation est, selon le lemme dIt :

S(t) = S~(0)
exp ( 2
2
k)t + W (t) (1.3.17)

o
S(0) = 8 <S(0)

P
N(t)

S(0)
:
k=1 Yk

si N(t) = 0 si N(t) 1:

En spcifiant un paramtre de drive = 12 2 k et en considrant que les sauts Y sont de distribution


lognormale, on peut rcrire la fonction caractristique dun incrment ()

Lutilisation de ce modle prsente deux dsavantages. Lestimation du modle est dicile lorsque
la moyenne sapproche de 0, car le quotient (1.3.15b) tend alors vers une indtermina-tion. De
plus, contrairement dautres modles, il est dicile didentifier le rle des paramtres par rapport
un moment en particulier (classification de Pearson), contrairement ce quon po urra observer
avec la distribution de Laplace asymtrique gnralise.

1.3.4 Le modle de Praetz

Praetz (1972) propose un modle inspir par la physique des particules. Il pose comme hy-pothse
que deux intervalles qui ne se chevauchent pas forment une marche alatoire, et que les lments
qui composent la squence des rendements financiers fR(t)g sont mutuellement indpendants. Il
considre quun tat stable existe o les rendements suivent une loi normale de paramtres et 2.

Cependant, cet tat stable nest jamais rellement atteint, et la fonction de densit empirique
gnralement observe suppose une distribution symtrique concave, pointue au centre et ayant
des queues paisses. Il fait une analogie entre la temprature dun gaz et le niveau dactivit sur
les marchs, o la variance du mouvement brownien est proportionnelle ces deux quantits. Il
propose que le paramtre de variance de la normale 2 suive une distribution g( 2) ayant un support
pIl propose comme solution acceptable pour la densit g( 2), la distribution gamma inverse de
paramtres m et s2 :

s 2m(m 1) me (m 1) s2

g( 2) = : (1.3.21)

2(m 1) (m)

Cette distribution a pour moyenne s 2 et variance ms2 2 . La distribution non conditionnelle des
rendements hR(t) est approximativement une Student avec 2m degrs de libert un facteur

(y )2 1+
s2(2m 2)

Dautres distributions pourraient tre utilises au lieu de la gamma inverse. En utilisant la loi
gamma, on obtient la distribution de Laplace asymtrique gnralise, qui sera lobjet dune tude
approfondie aux chapitres suivants. Il propose enfin dutiliser aussi la distribution a priori gamma
inverse pour le paramtre . Par contre, il remarque quil obtient aussi une distribution similaire
celle de Student. Cette gnralisation nest donc pas ncessaire.

1.4 Conditions essentielles de Madan et Seneta

Inspirs par les travaux de Mandelbrot, Press et Praetz, Madan et Seneta (1990) prsentent un
ensemble de conditions considres essentielles dans llaboration dun modle de rendements
financiers. Ils se baseront sur celles-ci pour proposer le modle Variance Gamma :
1. La distribution des rendements R doit avoir une queue paisse. Ainsi, la probabilit que
cette variable alatoire ait une valeur suprieure r + t avec un t petit, sachant quelle est
suprieure r, doit tendre vers 1, ce qui signifie que la fonction de survie converge lorsque
cette quantit est grande.

rlim P [R > r + tjR > r] = 1 (1.4.1)

!1 r!1

F (r + t) F (r);

1. La distribution doit possder des moments finis pour les n premires puissances des
rendements R. tant donn que lon cherche modliser la queue de la distribution, on fixe
n = 4.

h i

E
Rk < 1;k 2 f1; 2; 3; 4g (1.4.2)

1. a) Le modle doit proposer un processus de temps continu ayant des accroissements


stationnaires et indpendants.

2. Les distributions des accroissements doivent appartenir la mme famille, quelle que soit
leur longueur. Cette condition est essentielle afin de permettre lchan-tillonnage et
lanalyse des sries chronologiques.

3. Le modle doit permettre une extension multivarie avec une distribution elliptique afin de
conserver la validit du modle dvaluation des actifs financiers.

Chacun des modles prsents prcdemment respecte la majorit ou toutes ces conditions. Les
rsultats se retrouvent la table.

Conditions

Modles

Mouvement brownien de Bachelier

Distribution stable symtrique de Mandelbrot

Processus de Poisson compos de Press


Mlange gaussien/inverse gamma de Praetz

Modle Variance Gamma de Madan et Seneta

Table 1.2: Respect des conditions mises par Madan et Seneta pour les dirents modles
prsents

On remarque que le modle de Press remplit toutes les conditions mises par Madan et Seneta.
Cependant, ils remarqueront que ce nest pas un processus de sauts, car il contient aussi une
composante de diusion (Section A.4.1), ce qui va lencontre de lintuition derrire la continuit
de la trajectoire du prix. Cest cette dernire observation qui les incitera proposer le modle
Variance Gamma, qui est un processus de sauts. Ce modle, aussi tudi sous le nom de
distribution de Laplace asymtrique gnralise par Kotz et al. (2001), a acquis beaucoup de
notorit dans le domaine de la finance mathmatique. De plus, avec le dveloppement de
linformatique et des mthodes numriques, on peut maintenant utiliser de manire e cace la
fonction caractristique dans le cadre de la calibration, des tests statistiques et de la tarification
doptions. Cest pourquoi un intrt particulier est apport cette distribution dans ce texte.

Table des matires

Rsum iii

Abstract v

Table des matires vii

Liste des tableaux xi

Liste des figures xiii

Remerciements xvii

Introduction 1

1 Les modles de rendements financiers 3

1.1 Lutilisation de modles en finance . . ....... . . . . 3

1.1.1 Diffrents types de modles ......... 3

1.1.2 Le risque de modlisation ......... . 4

1.2 Les rendements financiers ..........5

1.2.1 Dfinitions et notations ......... . . 5

1.2.2 Rendements cumuls ......... . . . . 7

1.2.3 Donnes disponibles ......... . . . . 8


1.3 Les premiers modles ........... . . 8

1.3.1 Le modle de Bachelier ......... . . 8

1.3.2 Proposition de Mandelbrot ......... 11

1.3.3 Le modle de Press ..........12

1.3.4 Le modle de Praetz ......... . . . . 15

1.4 Conditions essentielles de Madan et Seneta ....... . 16

2 La distribution de Laplace asymtrique gnralise 19

2.1 Le processus de Laplace ........... 19

2.1.1 Le processus gamma ......... . . . . 20

2.1.2 Le processus de Wiener ......... . . 21

2.1.3 Le processus de Laplace est un processus subordonn ... . . . . 22

2.2 Distribution de Laplace asymtrique gnralise ......25

2.2.1 Fonction caractristique ......... . . 25

2.2.2 Invariance dchelle ..........26

2.2.3 Fonctions gnratrices ......... . . . 28

2.2.4 Moments et rle des paramtres ....... . . . . 28

2.2.5 Changement dchelle et de localisation ......30

2.2.6 Reprsentation alternative et simulation ......32

2.2.7 Fonction de Bessel et densit ........33

2.3 Cas particuliers ............35

2.3.1 Distribution de Laplace asymtrique ....... . 35

2.4 Relation avec le modle de Madan et Seneta (1990) ..... . . . 37

3 Approximation de la densit et de la fonction de rpartition 39

3.1 Lapproximation de Laplace ......... . . . . 39

3.2 Lapproximation de Temme ......... . . . . 41

3.3 La mthode du point de selle ......... . . . 42

3.3.1 Approximation de la densit ......... 42

3.3.2 Unicit du point de selle ......... . . 44


3.3.3 Approximation de la fonction de rpartition ..... . . . 44

3.3.4 Quelques proprits des approximations ......45

3.4 Application de la mthode du point de selle ....... . 46

3.4.1 Approximation de la densit ......... 46

3.4.2 Approximation de la fonction de rpartition ..... . . . 47

4 Mthode des moments gnralise 49

4.1 Introduction ............. . 49

4.1.1 Mthode classique des moments ....... . . . . 50

4.2 Mthode des moments gnralise ......... . 50

4.2.1 Dfinition ........... . . . . 51

4.2.2 Convergence ........... . . 52

4.2.3 Matrice de pondration optimale ....... . . . 53

4.2.4 Mthode des moments gnralise itrative ..... . . . 55

4.2.5 Distribution asymptotique des estimateurs ..... . . . . 55

4.3 Estimation sous contraintes ......... . . . . 58

4.3.1 Distribution asymptotique des estimateurs contraints ... . . . . 59

4.4 Tests dhypothses paramtriques ......... . 61

4.4.1 Test de Wald ........... . . 61

4.4.2 Test du multiplicateur de Lagrange ....... . . 62

4.4.3 Test bas sur la statistique de mtrique de distance ....63

4.4.4 En rsum ........... . . . . 63

<p style="text-align: j