Académique Documents
Professionnel Documents
Culture Documents
Introduction Au Calcul Stochastique Appliqué À La Finance PDF
Introduction Au Calcul Stochastique Appliqué À La Finance PDF
appliqu la finance
Introduction 9
1 Le problme des options . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2 La notion darbitrage et la relation de parit call-put . . . . . . . . . . . . . . . 10
3 Le modle de Black-Scholes et ses extensions . . . . . . . . . . . . . . . . . . 11
4 Plan du livre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
5 Remerciements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1 Modles discrets 13
1 Le formalisme des modles discrets . . . . . . . . . . . . . . . . . . . . . . . 13
1.1 Les actifs financiers . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2 Les stratgies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.3 Stratgies admissibles et arbitrage . . . . . . . . . . . . . . . . . . . . 15
2 Martingales et arbitrages . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.1 Martingales et transformes de martingales . . . . . . . . . . . . . . . 16
2.2 Marchs financiers viables . . . . . . . . . . . . . . . . . . . . . . . . 17
3 Marchs complets et valuation des options . . . . . . . . . . . . . . . . . . . 19
3.1 Marchs complets . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2 Evaluation et couverture des actifs conditionnels dans les marchs com-
plets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.3 Premire approche des options amricaines . . . . . . . . . . . . . . . 22
4 Problme corrig : le modle de Cox, Ross et Rubinstein . . . . . . . . . . . . 23
5
6 TABLE DES MATIRES
Appendice 161
1 Variables alatoires gaussiennes . . . . . . . . . . . . . . . . . . . . . . . . . 161
1.1 Gaussiennes relles . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
1.2 Vecteurs gaussiens . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
2 Esprance conditionnelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162
2.1 Exemples de sous-tribus . . . . . . . . . . . . . . . . . . . . . . . . . 162
2.2 Proprits de lesprance conditionnelle . . . . . . . . . . . . . . . . . 163
2.3 Calculs desprances conditionnelles . . . . . . . . . . . . . . . . . . 164
3 Thorme de sparation des convexes . . . . . . . . . . . . . . . . . . . . . . 165
Bibliographie 167
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 quelques annes, des outils mathmatiques de plus en plus sophistiqus
(martingales, intgrale stochastique) pour la description des phnomnes et la mise au point de
mthodes de calcul.
En ralit, lintervention du calcul des probabilits en modlisation financire nest pas r-
cente : cest en tentant de btir une thorie de la spculation que Bachelier [Bac00] a dcou-
vert, au dbut du sicle, lobjet mathmatique appel aujourdhui mouvement brownien. Mais
elle a pris une dimension nouvelle partir de 1973, avec les travaux de Black-Scholes [BS73]
et Merton [Mer73] sur lvaluation (pricing en anglais) et la couverture des options. Depuis,
tandis que se dveloppaient les marchs doptions, les mthodes de Black-Scholes et Merton ont
t perfectionnes, tant au niveau de la gnralit que de la clart et de la rigueur mathmatique
et la thorie parat suffisamment avance pour tenter de la rendre accessible des tudiants.
le prix dexercice, qui est le prix (fix davance) auquel se fait la transaction en cas dexer-
cice de loption.
Loption, elle mme, a un prix, appel la prime. Lorsque loption est cote sur un march or-
ganis, la prime est donne par le march. En labsence de cotation, le problme du calcul de
la prime se pose. Et, mme pour une option cote, il peut tre intressant de disposer dune
formule ou dun modle permettant de dtecter dventuelles anomalies de march.
Examinons, pour fixer les ides, le cas dun call europen, dchance T , sur une action, dont
le cours la date t est donn par St . Soit K le prix dexercice. Il est clair que si, lchance T ,
le prix K est suprieur au cours ST , le dtenteur de loption na pas intrt exercer. Par contre,
si ST > K, lexercice de loption permet son dtenteur de raliser un profit gal S T K, en
achetant laction au prix K et en la revendant sur le march au cours S T . On voit qu lchance,
la valeur du call est donne par la quantit :
Pour le vendeur de loption, il sagit, en cas dexercice, dtre en mesure de fournir une action au
prix K, et, par consquent de pouvoir produire lchance une richesse gale (S T K)+ . Au
moment de la vente de loption, quon prendra pour origine des temps, le cours S T est inconnu
et deux questions se posent :
1. Combien faut-il faire payer lacheteur de loption, autrement dit comment valuer
linstant t = 0 une richesse (ST K)+ disponible la date T ? Cest le problme du
pricing.
2. Comment le vendeur, qui touche la prime linstant 0, parviendra-t-il produire la ri-
chesse (ST K)+ la date T ? Cest le problme de la couverture.
Ct Pt > St Ker(T t) .
A linstant t, on achte une action et un put et on vend un call. Cette opration dgage, linstant
t, un profit net gal
Ct P t S t .
INTRODUCTION 11
Si cette somme est positive, on la place au taux r jusqu la date T , sinon, on lemprunte au
mme taux. A la date T , deux cas peuvent se prsenter :
ST > K : alors, le call est exerc, on livre laction, on encaisse la somme K et on solde
lemprunt ou le prt, de sorte quon se retrouve avec une richesse gale : K+e r(T t) (Ct
Pt St ) > 0.
ST K : alors, on exerce son put et on solde comme prcdemment, de sorte quon se
retrouve encore avec une richesse gale : K + er(T t) (Ct Pt St ).
Dans les deux cas, on a ralis un profit positif sans mise de fond initiale : cest un exemple
darbitrage.
On trouvera de nombreux exemples de relations darbitrage telles que la relation de parit
ci-dessus dans le livre de Cox et Rubinstein [CR85]. Nous ne passerons pas en revue toutes ces
relations darbitrage, mais nous montrerons comment on peut caractriser mathmatiquement
les marchs o il ny a pas darbitrage.
4 Plan du livre
Les deux premiers chapitres sont consacrs ltude des modles discrets. On y voit le lien
entre la notion mathmatique de martingale et la notion conomique darbitrage, 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 [HP81] et nous avons repris lessentiel des rsultats de
[HP81] dans le chapitre 1 en prenant comme exemple le modle de Cox-Ross-Rubinstein. Le
chapitre 2 traite des options amricaines laide de la thorie de larrt optimal temps discret
qui relve de mthodes lmentaires et contient toutes les ides transposer dans le cas 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
12 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
5 Remerciements
Ce livre est issu dun cours enseign lEcole Nationale des Ponts et Chausses depuis 1988.
La mise en uvre de ce cours naurait pas t possible sans les encouragements de N. Bouleau.
Sous son impulsion, le CERMA (centre de mathmatiques appliques de lE.N.P.C.) stait
engag dans ltude des modles financiers ds 1987, avec le soutien de la Banque Indosuez,
et, plus rcemment, de la Banque Internationale de Placement. Nous avons bnfici, depuis,
de discussions nombreuses et stimulantes avec G. Pags, ainsi quavec dautres chercheurs du
CERMA, en particulier O. Chateau et G. Caplain.
Plusieurs personnes ont bien voulu lire les premires versions de notre travail et nous faire
part de leurs remarques : S. Cohen, O. Faure, C. Philoche, M. Picqu, X. Zhang. Enfin, nous
remercions les collgues de luniversit ou de lI.N.R.I.A. qui nous ont aids de leurs conseils
ou de leurs encouragements : N. El Karoui, T. Jeulin, J.F. Le Gall, D. Talay.
Chapitre 1
Modles discrets
Le but de ce chapitre est de prsenter les principales ides de la thorie des options dans le
cadre mathmatiquement trs simple des modles discrets. Nous y reprenons essentiellement la
premire partie de [HP81]. 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.
est constitu au vu des informations disponibles la date (n1) et conserv tel quel au moment
des cotations la date n.
14 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
ou encore
Vn+1 () Vn () = n+1 .(Sn+1 Sn ).
A linstant n + 1, la valeur du portefeuille est n+1 .Sn+1 et la diffrence n+1 .Sn+1 n+1 .Sn
reprsente le gain (net) d la variation des cours entre les instants n et n + 1. Une stratgie
autofinance est donc une stratgie pour laquelle les variations de valeur du portefeuille viennent
uniquement des gains ds lagitation des cours.
La proposition suivante permet de prciser cette remarque en termes de quantits actuali-
ses.
Proposition 1.2 Les conditions suivantes sont quivalentes :
i) La stratgie est autofinance.
ii) Pour tout n {1, . . . , N},
n
X
Vn () = V0 () + j Sj ,
j=1
Cette proposition montre que, pour une stratgie autofinance, la valeur actualise (et, donc,
la valeur tout
court) duportefeuille est compltement dtermine par la richesse initiale et le
processus 1n , . . . , dn des quantits dactifs risques dtenues (cela vient simplement
0nN
du fait que S0j = 0). Plus prcisment, on peut noncer la proposition suivante :
Proposition 1.3 Pour tout processus prvisible 1n , . . . , dn et pour toute variable
0nN
V0 F0 -mesurable, il existe un et un seul processus prvisible 0n tel que la stratgie
0nN
= 0 , 1 , . . . , d soit autofinance et de valeur initiale V0 .
Vn () = 0n + 1n S1n + + dn Sdn
Xn
= V0 + 1j S1j + + dj Sdj
j=1
Ce qui dtermine 0n . La seule chose vrifier est la prvisibilit de 0 , qui est immdiate
partir de lgalit :
n1
X
0n = V0 + 1j S1j + + dj Sdj + 1n S1n1 + + dn Sdn1
j=1
Dfinition 1.4 Une stratgie est dite admissible si elle est autofinance et si V n () 0 pour
tout n {0, 1, . . . , N}.
Linvestisseur doit donc tre en mesure de rembourser ses emprunts tout instant.
La notion darbitrage (ralisation dun profit sans prendre de risques) est alors formalise
de la faon suivante :
Dfinition 1.5 Une stratgie darbitrage est une stratgie admissible de valeur initiale nulle et
de valeur finale non nulle.
La plupart des modles excluent toute possibilit darbitrage et lobjet de la section suivante est
de donner une caractrisation de ces modles grce la notion de martingale.
16 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
2 Martingales et arbitrages
Afin dexaminer les liens entre martingales et arbitrage, nous allons tout dabord introduire
la notion de martingale sur un espace de probabilit fini. Pour cela, lusage de lesprance
conditionnelle est indispensable et nous renvoyons le lecteur lappendice pour un expos des
principales proprits de cet outil.
Dfinition 2.1 Une suite adapte (Mn )0nN de variables alatoires relles est :
une martingale si E (Mn+1 |Fn ) = Mn pour tout n N 1.
une surmartingale si E (Mn+1 |Fn ) Mn pour tout n N 1.
une sousmartingale si E (Mn+1 |Fn ) Mn pour tout n N 1.
Ces dfinitions stendent aux variables alatoires vectorielles : on dit par exemple quune suite
(Mn )0nN de variables alatoires valeurs dans Rd est une martingale si chaque composante
du vecteur Mn dfinit une martingale relle.
Dans un modle financier, dire que le cours (Sin )0nN de lactif i est une martingale revient
dire que, tout instant n, la meilleure estimation (au sens des moindres carrs) que lon puisse
faire de Sin+1 , partir des informations disponibles la date n, est donne par S in .
Les proprits suivantes, qui se dduisent aisment de la dfinition qui prcde, consti-
tueront pour le lecteur de bons exercices de maniement de lesprance conditionnelle.
1. (Mn )0nN est une martingale si et seulement si :
E (Mn+j |Fn ) = Mn j 0
Dfinition 2.2 Une suite adapte (Hn )0nN de variables alatoires est prvisible si, pour tout
n 1, Hn est Fn1 mesurable.
Proposition 2.3 Soit (Mn )0nN une martingale et soit (Hn )0nN une suite prvisible par
rapport la filtration (Fn )0nN . On pose Mn = Mn Mn1 . La suite (Xn )0nN dfinie
par :
X0 = H 0 M 0
Xn = H0 M0 + H1 M1 + + Hn Mn pour n 1
(Xn ) est parfois appele transforme de la martingale (Mn ) par la suite (Hn ). Une cons-
quence de cette proposition et de la proposition 1.2 est que, dans les modles financiers o les
prix actualiss des actifs sont des martingales, toute stratgie autofinance conduit une valeur
Ch.1 MODLES DISCRETS 17
La proposition suivante donne une caractrisation des martingales qui nous sera utile par la
suite.
Proposition 2.4 Une suite adapte de variables alatoires relles (M n ) est une martingale si
et seulement si pour toute suite prvisible (Hn ), on a :
N
X
E Hn Mn = 0
n=1
Dmonstration : Si (Mn ) est une martingale, il enP est de mme, par la proposition 2.3, de la
suite (Xn ) dfinie par : X0 = 0 et, pour n 1, Xn = N n=1 Hn Mn , pour toute suite prvisible
(Hn ). On a donc E(XN ) = E(X0 ) = 0. Rciproquement, on remarque que si j {1, . . . , N},
tout vnement Fj -mesurable A, on peut associer la suite (Hn ) dfinie par Hn = 0 pour n 6= j+
PN
1 et Hj+1 = 1A . Il est clair que la suite (Hn ) est prvisible et lgalit E n=1 Hn Mn = 0
donne :
E (1A (Mj+1 Mj )) = 0
et par consquent E (Mj+1 |Fj ) = Mj .
Dmonstration :
a) Supposons quil existe une probabilit P quivalente P sous laquelle les actifs ac-
tualiss sont des martingales. Alors, pour toute stratgie autofinance ( n ), on a, daprs la
proposition 1.2 :
X n
Vn () = V0 () + j .Sj .
j=1
1
Rappellons que deux probabilits P1 et P2 sont quivalentes si et seulement si, pour tout vnement A,
P1 (A) = 0 P2 (A) = 0. Ici, P quivalente P signifie simplement que, pour tout , P ({}) > 0.
18 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
On en dduit, grce la proposition 2.3, que Vn () est une martingale sous P . Donc VN ()
a mme esprance sous P que V0 () :
E VN () = E V0 () .
Si la stratgie est admissible et de valeur initiale nulle, on a donc E VN () = 0, avec
VN () 0. Do, VN () = 0 puisque P ({}) > 0, pour tout .
b) La dmonstration de la rciproque est plus dlicate. Soit le cne convexe des variables
alatoires positives et non nulles. Le march est viable si et seulement si pour toute stratgie
admissible on a : V0 () = 0 VN () / .
b1) A tout processus prvisible (n , . . . , dn ), on associe le processus dfini par :
1
n
X
Gn () = 1j S1j + + dj Sdj .
j=1
Cest le processus des gains actualiss cumuls dans toute stratgie autofinance suivant les
quantits dactifs risqus 1n ,. . ., dn . Daprs la proposition 1.3, il existe un (unique) processus
(0n ) tel que la stratgie ((0n , 1n , . . . , dn )) soit autofinance et de valeur initiale nulle. Gn ()
est alors la valeur actualise linstant n de cette stratgie et lhypothse de viabilit du march
entrane que si cette valeur est positive tout instant, cest--dire si Gn () 0, pour tout
n = 1, . . . , N, alors GN () = 0. Le lemme suivant montre que, mme sans lhypothse de
positivit des Gn (), on a encore GN () / .
Lemme 2.7 Si le march est viable, tout processus prvisible (1 , . . . , d ) vrifie :
GN ()
/ .
Alors, on voit que Gj () 0 pour tout j {0, . . . , N} et que GN () > 0 sur A ce qui
contredit la viabilit et achve la dmonstration du lemme.
b2) Il est clair que lensemble V des variables alatoires de la forme GN (), avec pr-
visible valeurs dans Rd , est un sous-espace vectoriel de lespace R de toutes les variables
alatoires relles dfinies sur . Daprs
P le lemme 2.7, le sous-espace V ne rencontre pas , ni
le convexe compact K = {X | X() = 1}, qui est contenu dans . Il en rsulte, par le
thorme de sparation des convexes (voir lappendice), quil existe ( ()) tel que :
Ch.1 MODLES DISCRETS 19
X
1. X K, ()X() > 0
est quivalente P.
De plus, si on note E lesprance par rapport la probabilit P , la proprit 2 signifie que,
pour tout processus prvisible (n ) valeurs dans Rd :
N
X
E j Sj = 0.
j=1
On en dduit immdiatement que pour tout indice i {1, . . . , d} et toute suite prvisible ( in ),
valeurs relles, on a :
XN
E ij Sij = 0,
j=1
ce qui entrane, grce la proposition 2.4 que, sous P , les prix actualiss (S1n ), . . . , (Sdn ) sont
des martingales.
Dfinition 3.1 On dit que lactif conditionnel dfini par h est simulable (ou atteignable 3) sil
existe une stratgie admissible dont la valeur linstant N est gale h.
2
ou plus gnralement un bien contingent (contingent claim) ou actif conditionnel.
3
attainable dans certains articles amricains.
20 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
Remarque 3.2 Dans un march viable, pour que loption h soit simulable, il suffit quil existe
une stratgie autofinance de valeur gale h linstant N. En effet, si est une stratgie
autofinance et si P est uneprobabilit
quivalente P sous laquelle les prix actualiss sont des
martingales, alors, sous P , Vn () est une martingale (en tant que transforme de martingale).
On a donc, pour n {0, . . . , N} Vn () = E VN ()|Fn . Il est clair alors que, si VN () 0
(en particulier si VN () = h), la stratgie est admissible.
Dfinition 3.3 On dit que le march est complet si tout actif conditionnel est simulable.
Supposer quun march financier est complet est une hypothse restrictive dont la justifica-
tion conomique est moins claire que celle de lhypothse de viabilit. Lintrt des marchs
complets est quils se prtent une thorie trs simple de lvaluation et de la couverture des
actifs conditionnels. Le modle de Cox-Ross-Rubinstein, que nous tudierons plus loin, fournit
un exemple de modle de march complet dune grande simplicit. Le thorme suivant donne
une caractrisation des marchs viables et complets.
Thorme 3.4 Un march viable est complet si, et seulement si, il existe une seule probabilit
P quivalente P sous laquelle les prix actualiss des actifs soient des martingales.
La probabilit P apparatra dans la suite comme loutil de calcul des formules de prix et de
couverture.
Dmonstration :
a) Supposons le march viable et complet. Alors, toute variable alatoire h F N -mesurable
et positive peut scrire h = VN () o est une stratgie admissible, qui simule lactif condi-
tionnel h. Puisque est une stratgie autofinance on a :
X N
h
0
= VN () = V0 () + j .Sj .
SN j=1
Alors, siP1
et P2 sont deux probabilits sous lesquelles les prix actualiss sont des martingales,
Vn () est une martingale la fois sous P1 et sous P2 . Do pour i = 1 ou 2 :
0nN
Ei VN () = Ei (V0 ()) = V0 () ,
et, comme h est arbitraire, P1 = P2 sur la tribu FN , que lon a suppose gale F .
b) Supposons le march viable et non complet. Alors il existe une variable alatoire h 0
non simulable. Notons V lespace des variables alatoires de la forme :
N
X
U0 + n .Sn , (1.1)
n=1
avec U0 F0 -mesurable et 1n , . . . , dn prvisible, valeurs dans Rd . Il rsulte de la
0nN
proposition 1.3 et de la remarque 3.2 que la variable alatoire h/S 0n nappartient pas V. V
est donc un sous-espace strict de lespace de toutes les variables alatoires dfinies sur (, F ).
Ch.1 MODLES DISCRETS 21
Alors, si P est une probabilit quivalente P sous laquelle les prix actualiss sont des martin-
gales et si lon munit lespace des variables alatoires du produit scalaire (X, Y) 7 E (XY), on
voit quil existe une variable alatoire X non nulle et orthogonale au sous-espace V.
Posons alors : !
X()
P ({}) = 1 + P ({})
2kXk
o kXk = sup |X()|. On dfinit ainsi une probabilit (car E (X) = 0) qui est quivalente
P, et distincte de P . On a de plus
N
X
E n .Sn = 0
n=1
pour tout processus prvisible 1n , . . . , dn , ce qui entrane, par la proposition 2.4,
0nN
que (Sn )0nN est une P -martingale.
Noter que, contrairement au cas europen, la valeur actualise de loption amricaine ne dfinit
pas ncessairement une martingale sous P .
Dmonstration : De la relation :
Un1 = max Zn1 , E Un |Fn1 ,
on dduit que (Un )0nN est une surmartingale majorant (Zn )0nN . Soit maintenant une sur-
martingale (Tn )0nN majorant (Zn )0nN . Alors TN UN et si Tn Un on a :
Tn1 E Tn |Fn1 E Un |Fn1
et donc :
Tn1 max Zn1 , E Un |Fn1 = Un1 .
Ce qui dmontre que (Tn ) majore (Un ), par rcurrence descendante sur n.
Ch.1 MODLES DISCRETS 23
Le cours initial S0 est donn. Lespace naturel des rsultats possibles est donc = {1 + a, 1 +
b}N , chaque N-uple reprsentant les valeurs successives de Sn+1 /Sn , n = 0, 1, . . . , N 1. On
prend naturellement : F0 = {, }, et F = P(). La tribu Fn sera, pour n = 1, . . . , N, la tribu
(S1 , . . . , Sn) engendre par les variables alatoires S1 ,. . .,Sn . Lhypothse dfinissant P une
quivalence prs est que tous les singletons de ont une probabilit non nulle.
Introduisons les variables alatoires Tn = Sn /Sn1 , pour n = 1, . . . , N. Si (x1 , . . . , xN )
est un lment de , on a P{(x1 , . . . , xN )} = P(T1 = x1 , . . . , TN = xN ). La connaissance de
P quivaut donc celle de la loi du N-uple (T1 , T2 , . . . , TN ). Notons aussi que, pour n 1,
Fn = (T1 , . . . , Tn ).
1. Montrer que le prix actualis (Sn ) est une martingale sous P si et seulement si
E(Tn+1 |Fn ) = 1 + r, n {0, 1, . . . , N 1}.
La relation E(Sn+1 |Fn ) = Sn est quivalente E(Sn+1 /Sn |Fn ) = 1, puisque Sn est Fn -
mesurable et cette dernire galit quivaut E(T n+1 |Fn ) = 1 + r.
2. En dduire que, pour que le march soit viable, il est ncessaire que r appartienne
lintervalle ]a, b[.
Si le march est viable, il existe une probabilit P quivalente P, sous laquelle (Sn ) est une
martingale. On a donc, daprs la question 1 :
E (Tn+1 |Fn ) = 1 + r
et par consquent E (Tn+1 ) = 1 + r. Comme Tn+1 est valeurs dans {1 + a, 1 + b} et prend ces
deux valeurs avec une probabilit non nulle, on a ncessairement : (1 + r) ]1 + a, 1 + b[.
3. Donner des exemples darbitrages possibles si la condition ncessaire de viabilit obtenue
en 2 nest pas vrifie.
Supposons par exemple r a. En empruntant une somme S 0 linstant 0, on peut acheter une
unit dactif risqu. A la date N, on rembourse lemprunt et on revend lactif risqu. Le profit
ralis SN S0 (1 + r)N est toujours positif ou nul, puisque S N S0 (1 + a)N , et strictement
positif avec une probabilit non nulle. On a donc bien un arbitrage. Quand r b, larbitrage
sobtient en vendant lactif risqu dcouvert.
4. Pour toute la suite, on suppose que r ]a, b[ et on pose p = (b r)/(b a). Montrer
que (Sn ) est une martingale sous P si et seulement et si les variables alatoires T 1 , T2 ,
. . ., TN sont indpendantes quidistribues, leur loi commune tant donne par : P(T 1 =
1 + a) = p = 1 P(T1 = 1 + b). En dduire que le march est viable et complet.
Si les Ti sont indpendantes et vrifient P(Ti = 1 + a) = p = 1 P(Ti = 1 + b), on a :
6. Montrer que la stratgie de couverture parfaite dun call est dfinie par une quantit dactif
risqu Hn = (n, Sn1) dtenir linstant n, o est une fonction que lon exprimera
partir de la fonction c.
Notant H0n la quantit dactif sans risque dans le portefeuille simulant le call, on a :
H0n (1 + r)n + Hn Sn = c(n, Sn )
Puisque H0n et Hn sont Fn1 -mesurables, ce sont des fonctions de S 1 , . . .,Sn1 seulement et, Sn
tant gal Sn1 (1 + a) ou Sn1 (1 + b), lgalit ci-dessus implique :
H0n (1 + r)n + Hn Sn1 (1 + a) = c(n, Sn1 (1 + a))
et
H0n (1 + r)n + Hn Sn1 (1 + b) = c(n, Sn1 (1 + b))
Do, par soustraction,
c(n, x(1 + b)) c(n, x(1 + a))
(n, x) = .
x(b a)
7. On utilise maintenant le modle pour pricer un call ou un put dchance T sur une
action. Pour cela, on fait tendre N vers linfini
en imposant les relations suivantes
:
r = RT/N, log((1 + a)/(1 + r)) = / N et log((1 + b)/(1 + r)) = / N. Le
rel R sinterprte comme le taux dintrt instantan entre les instants 0 et T , puisque
eRT = limN (1 + r)N , et 2 comme la variance limite, sous la probabilit P , de la va-
riable alatoire log(SN ), quand N tend vers linfini, SN reprsentant le cours de laction
la date T .
(a) Montrer que si (YN )N1 est une suite de variables alatoires de la forme :
YN = X N N N
1 + X2 + . . . + X N
P
o YN = N n=1 log(Tn /(1 + r)). Avec les hypothses
delnonc, les variables alatoires
N
Xj = log(Tj /(1 + r)) sont valeurs dans {/ N, / N}, et indpendantes quidistri-
bues sous la probabilit P . On a de plus :
2 e/ N e/ N
E
(XN
j ) = (1 2p) =
N e/ N e/ N N
La suite (YN ) est donc du type tudi dans la question 7a, avec = 2 /2. Si on pose
(y) = (KeRT S0 ey )+ , on peut crire :
(N)
|P0 E ((YN )) |
N YN RT YN
= E
(1 + RT/N) K S0 e ) Ke S0 e
+ +
K (1 + RT/N)N eRT
Do, en utilisant la convergence en loi de (Y N ) et le fait que la fonction est continue bor-
ne (cest prcisment pour avoir une fonction borne que nous avons tudi le put dabord) :
Z +
(N) 1 2 2
lim P
= lim E ((YN )) = (KeRT S0 e /2+y )+ ey /2 dy.
N 0 N 2
Lintgrale obtenue sexprime, aprs un calcul lmentaire, laide de la fonction de rpar-
tition F de la loi normale centre rduite, de sorte que :
(N)
lim P0 = KeRT F(d2 ) S0 F(d1 ),
N
o d1 = (log(x/K) + RT + 2 /2)/, d2 = d1 et
Zd
1 2 /2
F(d) = ex dx.
2
(N)
Pour le call, on obtient, en utilisant la relation de parit put-call : lim N C0 = S0 F(d1 )
KeRT F(d2 ).
Remarque 4.1 Dans les formules obtenues, le seul paramtre qui nest pas directement obser-
vable sur le march est . Linterprtation de comme variance suggre de lestimer par des
voies statistiques. Nous reviendrons sur cette question dans le chapitre 4.
Indications bibliographiques Nous avons suppos, dans ce chapitre, quil ny avait pas de
distribution de dividendes. En fait, on peut utiliser les mmes ides pour traiter les marchs
avec dividendes (cf. [HL88], chapitre 8). Le thorme de caractrisation des marchs complets
peut tre tendu des espaces de probabilit infinis (cf. [DMW90], [Mor89]). A temps continu,
la formulation du problme est dlicate (cf. [HK79], [Str90] et [DS94]). La thorie des marchs
complets temps continu est dveloppe dans [HP81] et [HP83]. On trouvera une prsentation
lmentaire du modle de Cox-Ross-Rubinstein dans [CR85].
Chapitre 2
Problme darrt optimal et options amricaines
Remarque 1.2 Comme dans le chapitre prcdent, nous supposerons que F = P() et
P({}) > 0, . Cette hypothse nest dailleurs pas essentielle : si elle nest pas v-
rifie, les rsultats exposs dans ce chapitre restent vrais condition de prendre les galits au
sens presque sr. Par contre, nous ne ferons pas les hypothses F 0 = {, } et FN = F , sauf
dans le contexte purement financier du paragraphe 5.
Remarque 1.3 On pourra vrifier, titre dexercice, que est un temps darrt si et seulement
si, pour tout n {0, 1, , N} :
{ n} Fn .
Cette dfinition quivalente du temps darrt est celle qui se gnralise au temps continu.
Introduisons maintenant la notion de suite arrte un temps darrt. Soit (X n )0nN une
suite adapte la filtration (Fn )0nN et soit un temps darrt. La suite arrte linstant
est dfinie par :
Xn () = X()n ()
cest dire que, sur lensemble { = j} on a :
Xj si j n
Xn =
Xn si j > n.
2 Enveloppe de Snell
Dans ce paragraphe, on se donne une suite (Zn )0nN adapte, et on se propose dtudier
la suite (Un )0nN dfinie par les relations :
UN = Z N
Un = max (Zn , E (Un+1 |Fn )) n N 1.
Cette tude est motive par notre premire approche des options amricaines (paragraphe 3.3
du chapitre 1). Nous savons dj, par la proposition 3.6 du chapitre 1, que (U n )0nN est la
plus petite surmartingale majorant la suite (Zn )0nN . On lappelle enveloppe de Snell de la
suite (Zn )0nN .
La relation de rcurrence dfinissant (Un ) montre qu chaque instant, Un est au dessus de
Zn (avec galit pour n = N) et que, tant que lingalit est stricte, Un = E(Un+1 |Fn ). Cela
suggre quen arrtant convenablement la suite (Un ), on puisse obtenir une martingale, comme
le montre la proposition suivante.
Proposition 2.1 La variable alatoire dfinie par :
0 = inf {n 0|Un = Zn }
est un temps darrt et la suite arrte (Un0 )0nN est une martingale.
{0 = 0} = {U0 = Z0 } F0 ,
et pour k 1 :
Pour montrer que (Un0 ) est une martingale, on crit, comme dans la dmonstration de la
proposition 1.4 :
Xn
Un0 = Un0 = U0 + j Uj
j=1
Ch.2 PROBLME DARRT OPTIMAL ET OPTIONS AMRICAINES 29
Un+1
0
Un0 = n+1 (Un+1 Un )
= 1{n + 1 } (Un+1 Un )
0
Un+1
0
Un0 = 1{n + 1 } (Un+1 E (Un+1 |Fn ))
0
et, en conditionnant :
E Un+1
0
Un0 |Fn = 1{n + 1 } E ((Un+1 E (Un+1 |Fn ))| Fn )
0
Dans la suite, nous noterons Tn,N lensemble des temps darrt qui prennent leurs valeurs dans
{n, n + 1, , N}. Remarquons que, puisque est suppos fini, Tn,N est un ensemble fini. La
proprit de martingale de la suite U0 permet de montrer le rsultat suivant, qui fait le lien
entre enveloppe de Snell et problme darrt optimal.
Si Zn sinterprte comme la somme des gains dun joueur aprs n parties dun jeu de hasard,
on voit que sarrter de jouer linstant 0 permet de maximiser le gain moyen sachant F0 .
Dmonstration : Puisque U0 est une martingale, on a :
Un = sup E (Z |Fn )
Tn,N
= E (Zn |Fn ) ,
o n = inf {j n|Uj = Zj }.
30 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
Dfinition 2.4 On appelle temps darrt optimal pour la suite (Zn )0nN tout temps darrt
tel que :
E (Z |F0 ) = sup E (Z |F0 )
T0,N
Il rsulte de ce qui prcde que 0 est un temps darrt optimal. Le rsultat suivant donne une
caractrisation des temps darrt optimaux qui montre que 0 est le plus petit temps darrt
optimal.
Thorme 2.5 Un temps darrt est optimal si et seulement si :
Z = U
(2.1)
et (Un )0nN est une martingale.
Dmonstration : Si la suite arrte U est une martingale, on a U0 = E(U |F0 ) et par cons-
quent, si (2.1) est vrifi, U0 = E(Z |F0 ), ce qui, compte tenu du corollaire 2.2, entrane
loptimalit de .
Rciproquement, si est optimal, on a :
U0 = E (Z |F0 ) E (U |F0 ) .
E (U |F0 ) U0 .
Do :
E (U |F0 ) = E (Z |F0 )
et puisque U Z , U = Z .
De lgalit E (U |F0 ) = U0 et des ingalits :
(qui rsultent du fait que (Un ) est une surmartingale) on dduit aussi :
Proposition 3.1 Toute surmartingale (Un )0nN peut scrire de faon unique sous la forme :
Un = M n A n
et
Mn+1 Mn = Un+1 E (Un+1 |Fn ) .
(Mn ) et (An ) sont ainsi dtermins de manire unique et on voit que (Mn ) est bien une mar-
tingale et que (An ) est bien prvisible et croissant (parce que (Un ) est une surmartingale).
Supposons maintenant que (Un ) soit lenveloppe de Snell dune suite adapte (Zn ). On peut
alors caractriser le plus grand temps darrt optimal pour (Zn ) laide du processus croissant
(An ) intervenant dans la dcomposition de Doob de (Un ) :
Proposition 3.2 Le plus grand temps darrt optimal pour (Zn ) est donn par :
N si AN = 0
max =
inf {n, An+1 6= 0} si AN 6= 0.
Dmonstration : On voit facilement que max est un temps darrt en utilisant le fait que
(An )0nN est prvisible. De lgalit Un = Mn An et du fait que Aj = 0, pour j max , on
dduit que Umax = Mmax ce qui entrane que Umax est une martingale. Pour avoir loptimalit, il
suffit par consquent de montrer lgalit :
Umax = Zmax .
Or :
N1
X
Umax = 1{ = j} Uj + 1{ = N} UN
max max
j=0
N1
X
= 1{ = j} max (Zj , E (Uj+1 |Fj )) + 1{ = N} ZN ,
max max
j=0
On a E (Uj+1 |Fj ) = Mj Aj+1 et, sur lensemble {max = j}, Aj = 0 et Aj+1 > 0, donc
Uj = Mj et E (Uj+1 |Fj ) = Mj Aj+1 < Uj . Par suite Uj = max (Zj , E (Uj+1 |Fj )) = Zj . Do
finalement :
Umax = Zmax .
Il reste dmontrer que cest le plus grand temps darrt optimal. Cela rsulte du fait que si
est un temps darrt vrifiant max et P( > max ) > 0, alors
La chane est dite homogne si le nombre P(x, y) = P (Xn+1 = y|Xn = x) ne dpend pas de n.
La matrice P = (P(x, y))(x,y)EE , indexe par E E, est alors appele matrice de transition
P
de la chane. La matrice P a des coefficients positifs ou nuls et vrifie : yE P(x, y) = 1,
pour tout x E ; on dit que cest une matrice
stochastique. Lorsquon travaille sur un espace de
probabilit filtr , F , (Fn )0nN , P , on dfinit la notion de chane de Markov par rapport
la filtration :
Dfinition 4.1 Une suite (Xn )0nN de variables alatoires valeurs dans ensemble E est une
chane de Markov homogne de matrice de transition P par rapport la filtration (F n )0nN
si (Xn ) est adapte et si pour toute fonction f de E dans R, on a :
Noter que si lon interprte les fonctions de E dans R comme des matrices unicolonnes indexes
par E, Pf est bien le produit des deux matrices P et f. On vrifie failement quune chane de
Markov au sens lmentaire est une chane de Markov par rapport sa filtration naturelle, dfinie
par : Fn = (X0 , . . . , Xn ).
La proposition suivante est une consquence immdiate de la dfinition prcdente et de la
dfinition de lenveloppe de Snell.
Proposition 4.2 Soit (Zn ) une suite adapte dfinie par Zn = (n, Xn ), o (Xn ) est une
chane de Markov homogne de matrice de transition P, valeurs dans E et une fonction de
NE dans R. Alors, lenveloppe de Snell (Un ) de la suite (Zn ) est donne par Un = u(n, Xn ),
o la fonction u est dfinie par les relations suivantes :
u(N, x) = (N, x) x E
et, pour n N 1,
u(n, ) = max ((n, ), Pu(n + 1, )) .
La suite (Un ) dfinie par Un = Un /S0n (valeur actualise de loption) est donc lenveloppe de
Snell sous P de la suite (Zn ). Il rsulte du paragraphe 2 ci-dessus que lon a :
Un = sup E Z |Fn
Tn,N
et par consquent : !
Z
Un = S0n sup E
|Fn .
Tn,N S0
Daprs le paragraphe 3, on peut crire :
Un = Mn An ,
o (Mn ) est une P martingale et (An ) est un processus croissant prvisible nul en 0. Puisque
le march est complet, il existe une stratgie autofinance telle que :
VN () = S0N MN ,
cest dire VN () = MN . Comme la suite Vn () est une P -martingale, on a :
Vn () = E VN ()|Fn
= E MN |Fn
= Mn ,
constitue un portefeuille dont la valeur est strictement plus grande que celle de loption aux
instants max + 1, max + 2, , N. On impose donc, comme seconde condition max , ce qui
permet de dire que U est une martingale. La conclusion de ce qui prcde est que les dates
dexercice optimales sont les temps darrt optimaux pour la suite ( Zn ), sous la probabilit
P . Pour prciser ce point, reprenons le point de vue du vendeur de loption. Si celui-ci se
couvre suivant la stratgie dfinie plus haut et si lacheteur exerce un instant qui nest pas
optimal, on a U > Z ou A > 0. Dans les deux cas, le vendeur ralise un profit V () Z =
U + A Z , qui est strictement positif.
cn = C n n {0, 1, . . . , N}.
Lingalit Cn cn est bien naturelle puisque loption amricaine donne plus de droits que
loption europenne.
Dmonstration : Puisque la valeur actualise Cn est une surmartingale sous P , on a :
Cn E CN |Fn = E (cN |Fn ) = cn
Do, lingalit : Cn cn .
Si on a cn Zn , pour tout n, alors la suite (cn ), qui est une martingale sous P , apparat
comme une surmartingale (sous P ) majorant la suite (Zn ) et par consquent :
Cn cn n {0, 1, . . . , N}
Do lgalit.
Remarque 5.2 On vrifiera sans peine que si les relations de la proposition 5.1 ntaient pas
vrifies, il y aurait des opportunits darbitrage par des transactions sur les options.
Pour illustrer la proposition qui prcde, plaons-nous dans le cas dun march avec un seul
actif risqu, de prix Sn linstant n et un taux dintrt sans risque constant, gal r 0 sur
chaque priode, de sorte que S0n = (1 + r)n . Alors si, avec les notations de la proposition 5.1,
on prend Zn = (Sn K)+ , cn est le prix, la date n, dun call europen dchance N et de
prix dexercice K sur une unit dactif risqu et Cn est le prix du call amricain correspondant.
On a :
Cette proprit nest pas vrifie dans le cas du put, ni dans le cas de calls sur devises ou sur
actions distribuant des dividendes.
Remarque bibliographique : Pour des complments sur lenveloppe de Snell et larrt optimal,
on pourra consulter [Nev72] (chapitre VI) et [DCD83] (chapitre 5, paragraphe 1). Pour la thorie
de larrt optimal temps continu, voir [Kar81].
6 Exercices
Exercice 1 Soit un temps darrt par rapport une filtration (Fn )0nN . On note F len-
semble des vnements A tels que A { = n} Fn , pour tout n {0, . . . , N}.
1. Montrer que F est une sous-tribu de FN . F est souvent appele tribu des vnements
antrieurs .
2. Montrer que la variable alatoire est F -mesurable.
3. Soit X une variable alatoire relle. Montrer lgalit :
N
X
E(X|F ) = 1{ = j} E(X|Fj )
j=0
Exercice 4 Lobjet de cet exercice est dtudier le put amricain dans le modle de Cox-Ross-
Rubinstein. Les notations sont celles du chapitre 1.
1. Montrer que le prix Pn , linstant n, du put amricain dchance N, de prix dexercice
K sur une action peut scrire :
Pn = Pam (n, Sn )
o Pam (n, x) est dfinie par Pam (N, x) = (K x)+ et, pour n N 1
!
f(n + 1, x)
Pam (n, x) = max (K x)+ , ,
1+r
br
avec f(n + 1, x) = pPam (n + 1, x(1 + a)) + (1 p)Pam (n + 1, x(1 + b)) et p = ba
.
36 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
2. Dans toute la suite, on suppose le march viable et complet et on note P lunique pro-
babilit sous laquelle les prix actualiss des actifs sont des martingales. Montrer que si le
couple (, ) dfinit une stratgie de gestion avec consommation, alors ( Vn ()) est une
surmartingale sous P .
Ch.2 PROBLME DARRT OPTIMAL ET OPTIONS AMRICAINES 37
3. Soit (Un ) une suite adapte telle que (Un ) soit une surmartingale sous P . Montrer, en
utilisant la dcomposition de Doob, quil existe une stratgie de gestion avec consomma-
tion (, ) telle que Vn () = Un , pour tout n {0, . . . , N}.
4. Soit (Zn ), une suite adapte. On dit quune stratgie de gestion avec consommation (, )
couvre loption amricaine dfinie par (Zn ) si Vn () Zn , pour tout n {0, 1, . . . , N}.
Montrer que la valeur (Un ) de loption amricaine est la valeur dau moins une stratgie
de gestion avec consommation qui couvre (Zn ) et que toute stratgie de gestion avec
consommation (, ) qui couvre (Zn ) vrifie Vn () Un , pour tout n {0, 1, . . . , N}.
5. Soit x un nombre positif, reprsentant la richesse initiale dun investisseur et soit =
(n )1nN une suite prvisible valeurs dans R+ . On dira que le processus de consom-
mation (n ) est finanable partir de la richesse initiale x sil existe un processus pr-
visible valeurs dans Rd+1 tel que le couple (, ) dfinisse une stratgie de gestion
avec consommation, avec, de plus : V0 () = x et Vn () 0, pour tout n {0, . . . , N}.
P que (n ) est finanable partir de la richesse initiale x, si et seulement si :
Montrer
N 0
E j=1 j /Sj1 x.
Chapitre 3
Mouvement brownien et quations diffrentielles
stochastiques
Les deux premiers chapitres de ce livre ont t consacrs ltude de modles temps
discret. On a vu cette occasion limportance des notions de martingales, de stratgies au-
tofinances. . . Nous allons tendre ces notions au cas du temps continu. En particulier, nous
introduirons les outils mathmatiques permettant de construire des modles dvolution dac-
tif et de calculer les prix doptions. 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 lon veut modliser : les variations des cotations sur les marchs organiss
sont en pratique tellement frquentes quun modle temps discret peut difficilement en rendre
compte. Dautre part les modles continus conduisent des mthodes de calcul plus explicites
que les modles discrets, mme sil 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 lavons signal dans lintroduction,
les liens entre processus stochastiques et finance ne sont pas nouveaux : en 1901, Bachelier
(voir [Bac00]) dans un mmoire intitul Thorie de la spculation est, non seulement lun des
premiers sintresser 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 mo-
dles temps continu. En particulier, nous introduirons le mouvement brownien, qui est lou-
til majeur du modle de Black et Scholes et sert construire la plupart des modles dactifs
en finance. Puis nous tendrons la notion de martingale au cas du temps continu, enfin nous
construirons lintgrale stochastique dIt et nous introduirons le calcul diffrentiel qui lui est
associ : le calcul dIt.
Certaines dmonstrations sont rdiges en petits caractres, ce sont des dmonstrations tech-
niques quil est conseill de sauter lors dune premire lecture.
Dfinition 1.1 On appelle processus stochastique temps continu et valeurs dans un espace
E muni dune tribu E , une famille (Xt )tR+ de variables alatoires sur un espace de probabilit
(, A, P) valeurs dans (E, E).
Dfinition 1.3 Soit (, A, P) un espace de probabilit, une filtration (Ft )t0 est une famille
croissante de sous tribus de A.
Remarque 1.4 Dans la suite, les filtrations que lon considrera, auront la proprit suivante :
Ceci exprime que Ft contient tous les ensembles de mesure nulle de A. Le but de cette hypo-
thse technique est de permettre daffirmer que si X = Y P p.s. et que Y est F t -mesurable
alors X est aussi Ft -mesurable.
On peut construire une filtration partir dun processus (Xt )t0 en posant Ft = (Xs , s
t). Cette filtration ne vrifie pas, en gnral, lhypothse prcdente. Cependant si on remplace
la tribu Ft par la tribu Ft engendre par Ft et N , lensemble des ensembles de probabilit nulle
(on dit aussi ngligeables) de A, on obtient une filtration vrifiant la condition souhaite. On
appelle cette filtration la filtration naturelle du processus (Xt )t0 . Quand on parle de filtration
pour un processus sans autres prcisions, il sagit de sa filtration naturelle. Un processus est
bien sr adapt sa filtration naturelle.
La notion de temps darrt nous sera utile comme dans le cas discret. Un temps darrt
modlise un temps alatoire qui dpend du processus de facon non anticipante ( un instant
donn t on sait si un temps darrt est plus petit que t). Formellement, la dfinition est la
suivante :
Dfinition 1.5 On appelle temps darrt par rapport une filtration (F t )t0 une variable ala-
toire valeurs dans R+ {+} telle que, pour tout t 0 :
{ t} Ft
On associe un temps darrt une tribu que lon note F , dfinie par :
F = {A A, pour tout t 0 , A { t} Ft } .
Cette tribu reprsente les informations disponibles avant linstant alatoire . On dmontre que
(voir exercices 8,9,10, 11,14) :
2 Le mouvement brownien
Un exemple particulirement important de processus stochastique est le mouvement brow-
nien. Il servira de base pour la construction de la plupart des modles dactifs financiers et de
taux dintrt.
Dfinition 2.1 On appelle mouvement brownien un processus stochastique (X t )t0 valeurs
relles, qui est un processus accroissements indpendants et stationnaires dont les trajectoires
sont continues. Ce qui signifie que :
continuit : P p.s. la fonction s 7 Xs () est une fonction continue.
indpendance des accroissements : Si s t, Xt Xs est indpendant de la tribu Fs =
(Xu , u s).
stationnarit des accroissements : si s t, la loi de Xt Xs est identique celle de
Xts X0 .
Cette dfinition permet de caractriser la loi de la variable alatoire Xt . Ce rsultat est dlicat
tablir, nous renvoyons [GS80] pour sa dmonstration.
Thorme 2.2 Si (Xt )t0 est un mouvement brownien, alors Xt X0 est une variable alatoire
gaussienne de moyenne rt et de variance 2 t, r et tant des constantes relles.
Remarque 2.3 Un mouvement brownien est dit standard si :
X0 = 0 P p.s. E (Xt ) = 0, E X2t = t.
Dans la suite, lorsque lon parlera de mouvement brownien, sans autre prcision, il sagira dun
mouvement brownien standard. Dans ce cas, la loi de Xt prend la forme :
1 x2
e 2t dx,
2t
dx tant la mesure de Lebesgue sur R.
On peut dmontrer une proprit prcisant le caractre gaussien du mouvement brownien.
On vient de voir que pour tout t, Xt est une variable alatoire gaussienne. On a une proprit
plus forte :
Thorme 2.4 Si (Xt )t0 est un mouvement brownien, si 0 t1 < . . . < tn alors
(Xt1 , . . . , Xtn ) est un vecteur gaussien.
On pourra consulter lappendice page 161 pour des prcisions sur les vecteurs gaussiens.
Dmonstration : Soit 0 t1 < . . . < tn , alors le vecteur alatoire (Xt1 , Xt2 Xt1 , , Xtn
Xtn1 ) est compos de variables alatoires gaussiennes (daprs le thorme 2.2) et indpen-
dantes (par dfinition du mouvement brownien), ce vecteur est donc un vecteur gaussien. Il en
est donc de mme pour (Xt1 , . . . , Xtn ).
On aura besoin dune dfinition lgrement plus prcise dun mouvement brownien par rapport
une tribu Ft .
Dfinition 2.5 On appellera Ft mouvement brownien un processus stochastique valeurs
relles et trajectoires continues qui vrifie :
Pour tout t 0, Xt est Ft -mesurable.
Si s t, Xt Xs est indpendant de la tribu Fs .
Si s t, la loi de Xt Xs est identique celle de Xts X0 .
Remarque 2.6 Le premier point de la dfinition prcdente prouve que (X u , u t) Ft .
De plus, il est facile de vrifier quun Ft -mouvement brownien est un mouvement brownien par
rapport sa filtration naturelle.
42 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
Dfinition 3.1 Soit (, A, P) un espace probabilis et (Ft )t0 une filtration de cet espace. Une
famille adapte (Mt )t0 de variables alatoires intgrables, (cest--dire vrifiant E(|M t |) <
+ pour tout t) est :
une martingale si, pour tout s t, E (Mt |Fs ) = Ms .
une surmartingale si, pour tout s t, E (Mt |Fs ) Ms .
une sousmartingale si, pour tout s t, E (Mt |Fs ) Ms .
Remarque 3.2 On dduit de cette dfinition que, si (Mt )t0 est une martingale, alors E(Mt ) =
E(M0 ), pour tout t.
Donnons des exemples de martingales que lon peut construire partir du mouvement brownien.
mais comme (Xt )t0 est une martingale E (Xt Xs |Fs ) = 0, et donc :
E X2t X2s |Fs = E (Xt Xs )2 |Fs .
Pour dmontrer le dernier point, rappelons, tout dabord, que, si g est une gaussienne centre
rduite, on a : Z +
x2 dx
2
E e g
= ex e 2 = e /2 .
2
De plus, si s < t :
2 t/2
2 t/2
E eXt |Fs = eXs E e(Xt Xs ) |Fs
Ch.3 MOUVEMENT BROWNIEN, QU. DIFF. STOCHASTIQUES 43
Si (Mt )t0 est une martingale, la relation E (Mt |Fs ) = Ms , peut tre tendue des temps
alatoires si ces temps sont des temps darrt borns. Ce rsultat est une extension de lexercice
1 du chapitre 2 au cas continu et porte le nom de thorme darrt. Nous admettons ce thorme
et renvoyons [KS88] page 19 pour sa dmonstration.
Thorme 3.4 (Thorme darrt.) Si (Mt )t0 est une martingale continue par rapport une
filtration (Ft )t0 , et si 1 et 2 sont deux temps darrt tels que 1 2 K, K tant une
constante relle finie, alors M2 est intgrable et :
Remarque 3.5 Ce rsultat entrane que, si est un temps darrt born, alors E(M ) =
E(M0 ) (il suffit dappliquer le thorme darrt avec 1 = 0, 2 = et de prendre lesp-
rance des deux membres).
Si Mt est une sousmartingale, on a le mme thorme en remplacant lgalit prcdente
par :
E (M2 |F1 ) M1 P p.s.
Nous allons donner un exemple dapplication de ce rsultat au calcul des temps datteinte dun
point par le mouvement brownien.
Proposition 3.6 Soit (Xt )t0 un Ft -mouvement brownien. Notons, si a est un nombre rel,
Ta = inf {s 0, Xs = a}, ou + si cet ensemble est vide.
Alors, Ta est un temps darrt fini presque srement, dont la loi est caractrise par sa
transforme de Laplace :
E eTa = e 2|a| .
Ce dernier ensemble est dans Ft , ce qui prouve le rsultat. On notera dans ce qui suit x y =
inf(x, y).
Nous allons appliquer le thorme darrt la martingale Mt = exp Xt (2 /2)t . On
ne peut pas appliquer le thorme darrt Ta (qui nest pas born). Cependant, si n est un
entier positif, Ta n est encore un temps darrt (voir proposition 1.6), qui est born, on peut
donc appliquer le thorme darrt. On obtient ainsi :
E (MTa n ) = 1.
44 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
2
Mais MTa n = eXTa n 2 (Ta n) exp(a). De plus, si Ta < +, limn+ MTa n = MTa
et si Ta = +, on a pour tout t, Xt a, do limn+ MTa n = 0. Le thorme de Lebesgue
donne donc E(1{T < +} MTa ) = 1, soit, comme XTa = a si Ta < + :
a
2
2 Ta
E 1{T < +} e = ea .
a
En faisant tendre vers 0 on obtient que P(Ta < +) = 1 (ce qui signifie que le mouvement
brownien atteint la valeur a presque srement) puis :
2
E e T
2 a = ea .
Le thorme darrt permet aussi dobtenir des estimations pour le maximum dune martingale.
Si Mt est une martingale, on peut borner le moment dordre 2 de sup 0tT |Mt |. Cette ingalit
est connue sous le nom dingalit de Doob.
Thorme 3.7 (Ingalit de Doob) Si (Mt )0tT est une martingale continue, on a :
!
2
E sup |Mt | 4E(|MT |2 ).
0tT
Cette valeur apparat comme une transforme de martingale sous une probabilit pour laquelle
le prix de lactif actualis (Sn )0nN est une martingale. Dans le cas des modles temps
Rt
continu, nous allons gnraliser cette formule laide dintgrales du type 0 Hs dSs .
Cependant les modles utiliss couramment pour dcrire lactif sont obtenus partir du
mouvement brownien. Or, une des proprits importantes du mouvement brownien est que
presque srement ses trajectoires sont nulle part diffrentiables. Autrement dit, si X t est un
mouvement brownien, il nexiste pas de points t de R+ tels que dX dt
t
ait un sens. On ne peut
donc pas dfinir lintgrale prcdente par :
Zt Zt
dXs
f(s)dXs = f(s) ds.
0 0 ds
On peut donner, cependant, un sens prcis ce type d intgrales par rapport au mouvement
brownien. Cest ce que nous allons faire dans ce paragraphe. On appelle ces intgrales des
intgrales stochastiques.
Ch.3 MOUVEMENT BROWNIEN, QU. DIFF. STOCHASTIQUES 45
Dmonstration
R : Pour dmontrer
cette proposition nous allons utiliser des processus temps discret. En effet,
t
pour tablir que 0 Hs dWs est une martingale, il suffit de prouver que, pour tout t > s :
Z t Zs
E Hu dWu |Fs = Hu dWu
0 0
Rt
Si lon ajoute s et t la subdivision t0 = 0 < t1 < . . . < tp = T , et si on pose Mn = 0n Hs dWs et Gn = Ftn
pour 0 n p, il suffit de vrifier que Mn est une Gn -martingale. Pour dmontrer ceci, remarquons que :
Z tn n
X
Mn = Hs dWs = i (Wti Wtii )
0 i=1
avec i qui est Gi1 -mesurable. Dautre part Xn = Wtn est une Gn -martingale (en effet, (Wt )t0 est un mouve-
ment brownien). (Mn )n[0,p] apparat donc comme une transforme de la martingale (Xn )n[0,p] . La proposition
2.3 du chapitre 1 prouve alors que cest une martingale. Le deuxime point sobtient, en remarquant que :
!2
Xn
E(M2n ) = E i (Xi Xi1 )
i=1
n X
X n
= E (i j (Xi Xi1 )(Xj Xj1 ))
i=1 j=1
46 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
De plus, si i < j, on a :
Comme Xj est une martingale, on a E(Xj Xj1 |Gj1 ) = 0. On en dduit que, si i < j :
et finalement :
E (Xi Xi1 )2 Gi1 = E (Wti Wti1 )2 = ti ti1 .
Rt
La continuit de t Hs dWs est claire sur sa dfinition. Le troisime point est une consquence de lingalit
0 R
t
de Doob (3.7) applique la martingale continue 0 Hs dWs .
t0
On vient de dfinir et donner des proprits de lintgrale stochastique pour les processus l-
mentaires, nous allons maintenant tendre cette intgrale une classe de processus adapts :
ZT !
2
H = (Ht )0tT , processus adapt (Ft )t0 , E Hs ds < + .
0
Proposition 4.4 Soit (Wt )t0 un Ft -brownien. Alors il existe une unique application linaire J
de H dans lespace des Ft -martingales continues dfinies sur [0, T ], telle que :
1. Si (Ht )tT est un processus lmentaire, P p.s. pour tout 0 t T J(H) t = I(H)t .
Zt !
2 2
2. Si t T , E J(H)t = E Hs ds .
0
Cette application linaire est unique au sens suivant, si J et J 0 sont deux prolongements linaires
vrifiant les proprits prcdentes alors :
Dmonstration : Nous admettrons que si (Hs )sT est dans H, il existe une suite (Hns )sT de processus
lmentaires tels que :
ZT !
2
lim E |Hs Hn
s| ds = 0.
n+ 0
On trouvera une dmonstration de ce rsultat dans [KS88] (page 134 problme 2.5).
Si H H et (Hn )n0 est une suite de processus lmentaires convergeant vers H, au sens prcdent, on a :
! ZT !
2
E sup |I(Hn+p )t I(Hn )t |2 4E Hn+p Hn
s s
ds . (3.4)
tT 0
La srie de fonctions de terme gnral I(H(n+1) ) I(H(n) ) est donc, presque srement, uniformment conver-
gente, do I(H(n) )t converge vers une fonction continue qui sera par dfinition t 7 J(H)t . En passant la
limite dans (3.4), on obtient :
! Z T
!
2
E sup |J(H)t I(Hn )t |2 4E |Hs Hn
s | ds . (3.5)
tT 0
Ceci entrane que (J(H)t )0tT ne dpend pas de la suite approximante. (J(H)t )0tT est une martingale, en
effet :
E (I(Hn )t |Fs ) = I(Hn )s .
De plus pour tout t limn+ I(Hn )t = J(H)t en norme L2 (, P) et la continuit dans L2 (, P) de lesprance
conditionnelle permet de conclure.
RT 2
R
T
De (3.5) et de E(I(Hn )2t ) = E 0 |Hn 2
s | ds on dduit que E(J(H)t ) = E 0
|Hs |2 ds . De mme de (3.5)
R
T 2
et de E(suptT I(Hn )2t ) 4E 0 |Hn s | ds , on dduit (3.2).
Lunicit du prolongement rsulte de la densit des processus lmentaires dans H.
Nous allons maintenant dmontrer (3.3). On remarque dabord que (3.1) reste valable si H H. Il suffit pour
cela dutiliser la densit des processus lmentaires dans H et (3.5). P
On va ensuite dmontrer le rsultat pour des temps darrt de la forme = 1in ti 1Ai , o 0 < t1 <
< tn = T , les Ai tant disjoints et Fti mesurables. On a dans ce cas :
ZT ZT X
1{s > } Hs dWs = 1Ai 1{s > t } Hs dWs ,
i
0 0 1in
mais chaque 1{s > t } 1Ai Hs est adapt (Ce processus est nul si s ti et vaut 1Ai Hs sinon) et donc dans H. On
i
en dduit que :
RT X ZT
1
0 {s > } sH dW s = 1Ai 1{s > t } Hs dWs
i
1in 0
X ZT ZT
= 1 Ai Hs dWs = Hs dWs ,
1in ti
48 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
RT R
puis que 0 1{s } Hs dWs = 0 Hs dWs .
Pour gnraliser ce rsultat, remarquons quun temps darrt quelconque peut tre approxim par une suite
dcroissante de temps darrt du type prcdent en posant :
X (k + 1)T
n =
2n
1 kT (k + 1)T .
0i2n <
2n 2n
R n
n converge presque srement vers en dcroissant. On en dduit que presque srement 0 Hs dWs tend vers
R Rt
H dWs par continuit de t 7 0 Hs dWs . Dautre part :
0 s
2
Z T ZT ZT !
2
E 1{s } Hs dWs 1{s } Hs dWs = E 1{ < s } Hs ds
0 n n
0 0
RT
Ce dernier terme tend vers 0 par convergence domine, donc 0 1{s } Hs dWs tend dans L2 (, P) (et presque
n
RT
srement pour une sous suite) vers 0 1{s } Hs dWs . Ceci permet dobtenir lgalit (3.3) pour tout temps
darrt.
Nous aurons besoin dun rsultat permettant de relaxer lhypothse dintgrabilit portant sur
(Hs ). Posons :
ZT
H = (Hs )0sT est un processus adapt (Ft )t0 , H2s ds < + P p.s. .
0
Proposition 4.6 Il existe une unique application linaire J de lespace H dans lespace vecto-
riel des processus continus dfinis sur [0, T ], telle que :
1. Proprit de prolongement. Si (Ht )0tT est un processus lmentaire alors :
t T t = J(Hn )t .
J(H)
t est presque srement continu, par dfinition. La proprit de prolongement est vrifie
Le processus t 7 J(H)
Pour cela remarquons que :
par construction. Il reste donc prouver la proprit de continuit de J.
R
T 1
J(H)t P 0 H2s ds N
P suptT
+P 1Z T sup
J(H)t .
tT
1
H2u du <
0 N
Rs
R
1 T 1
Si lon note N = inf s T, 0 H2u du N (+ si cet ensemble est vide), alors sur 0
H2u du < N ,
lgalit (3.3) prouve que, pour tout t T :
Zt Zt Zt
t = J(H1 )t =
Hs dWs = J(H) H1s 1{s N } dWs = Hs 1{s } dWs .
N
0 0 0
Nous allons rsumer les conditions dexistence de lintgrale stochastique par rapport un
mouvement brownien, et les hypothses qui permettent daffirmer quil sagit dune martingale.
Rsum :
Soit (Wt )t0 un Ft -mouvement brownien et (Ht )0tT un processus Ft -adapt. On peut dfinir
Rt RT
lintgrale stochastique ( 0 Hs dWs )0tT ds que 0 H2s ds < + P p.s. . Le processus
Rt RT
( 0 Hs dWs )0tT est une martingale si E 0 H2s ds < +. Cette condition nest cependant
R
T
pas ncessaire. Remarquons, toutefois, que la condition E 0 H2s ds < + est quivalente :
Zt !2
E sup Hs dWs < +,
t[0,T ] 0
50 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
avec :
X0 F0 -mesurable.
(Kt )0tT et (Ht )0tT des processus adapts Ft .
RT
0 |Ks |ds < + P p.s.
RT
0 |Hs |2 ds < + P p.s.
On peut dmontrer (voir exercice 16) le rsultat suivant, qui prcise lunicit de la dcomposi-
tion prcdente.
Proposition 4.9 Soit (Mt )0tT est une martingale continue telle que :
Zt ZT
Mt = Ks ds, avec P p.s. , |Ks |ds < +,
0 0
alors :
P p.s. t T, Mt = 0.
Ceci entrane que :
Ch.3 MOUVEMENT BROWNIEN, QU. DIFF. STOCHASTIQUES 51
alors :
La formule dIt prend la forme suivante (nous ladmettons sans dmonstration et nous ren-
voyons [Bou88] pour une dmonstration lmentaire dans le cas du brownien ou [KS88]
pour une dmonstration complte) :
De mme si (t, x) f(t, x) est une fonction deux fois diffrentiable en x et une fois diffren-
tiable en t, ces drives tant continues en (t, x) (on dit dans ce cas que f est de classe C 1,2 ),
on a :
Zt
f(t, Xt ) = f(0, X0 ) + fs0 (s, Xs )ds
0
Zt Z
0 1 t 00
+ fx (s, Xs )dXs + f (s, Xs )d < X, X >s .
0 2 0 xx
Faisons tout dabord un calcul formel, posons Yt = log(St ) o St est une solution de lquation
prcdente. St est un processus dIt avec Ks = Ss et Hs = Ss . Appliquons la formule
dIt f(x) = log(x) (au moins formellement car f(x) nest pas de classe C 2 !). On obtient en
supposant que St est positif :
Zt Z
dSs 1 t 1 2 2
log(St ) = log(S0 ) + + Ss ds,
0 Ss 2 0 S2s
soit, en utilisant (3.8) :
Zt Zt
2
Yt = Y 0 + /2 dt + dWt .
0 0
On en dduit que :
Yt = log(St ) = log(S0 ) + 2 /2 t + Wt .
St = f(t, Wt)
Zt
= f(0, W0 ) + fs0 (s, Ws )ds
0
Zt Z
0 1 t 00
+ fx (s, Ws )dWs + f (s, Ws )d < W, W >s .
0 2 0 xx
Mais, comme < W, W >t = t :
Zt Zt Z
2
1 t
St = x0 + Ss /2 ds + Ss dWs + Ss 2 ds,
0 0 2 0
et finalement : Zt Zt
St = x 0 + Ss ds + Ss dWs .
0 0
Ch.3 MOUVEMENT BROWNIEN, QU. DIFF. STOCHASTIQUES 53
(Xt + Yt )2 = (X0 + Y0 )2
Rt
+2 0 (Xs + Ys )d(Xs + Ys )
Rt
+ 0 (Hs + Hs0 )2 ds
Rt Rt
X2t = X20 + 2 0 Xs dXs + 0 H2s ds
Rt Rt
Yt2 = Y02 + 2 0 Ys dYs + 0 H 0 2s ds.
est une solution de (3.7) et supposons que (Xt )t0 en soit une autre. On va chercher exprimer
la diffrentielle stochastique de Xt S1
t . Posons :
S0
Zt = = exp + 2 /2 t Wt ,
St
0 = + 2 et 0 = . Alors Zt = exp 0 0 2 /2 t + 0 Wt et le calcul fait prc-
demment prouve que :
Zt Z t
Zt = 1 + Zs ( ds + dWs ) = 1 + Zs + 2 ds dWs .
0 0
0 0
Ici, on a : Z. Z. Zt
< X, Z >t =< Xs dWs , Zs dWs >t = 2 Xs Zs ds.
0 0 0
On en dduit que :
d(Xt Zt ) = Xt Zt + 2 dt dWt + Xt Zt (dt + dWt ) Xt Zt 2 dt = 0
t 0, P p.s. Xt = x0 Z1
t = St .
P p.s. t 0, Xt = x0 Z1
t = St .
Remarque 4.14 Le processus St que lon vient dexpliciter servira de modle standard
pour le prix dun actif financier. On lappelle modle de Black et Scholes.
Lorsque = 0, St est une martingale (voir proposition 3.3), ce type de processus porte le
nom de martingale exponentielle.
Remarque 4.15 Soit un ouvert de R et (Xt )0tT un processus dIt qui vrifie, pour tout
t T , Xt . Si, de plus, f est une fonction deux fois continment diffrentiable de louvert
dans R, on peut justifier rigoureusement lextension de la formule dIt dans ce cas :
Zt Z
1 t 00
0
f(Xt ) = f(X0 ) + f (Xs )dXs + f (Xs )H2s ds.
0 2 0
Ce rsultat permet en particulier de justifier lapplication de la formule dIt, pour un processus
strictement positif et pour la fonction log.
o :
Kt et les (Hit ) sont adapts (Ft ).
RT
0 |Ks |ds < + P p.s. .
RT 2
0 His ds < + P p.s. .
La formule dIt prend alors la forme suivante :
Proposition 4.18 Soient (X1t , . . . , Xnt ) n processus dIt :
Zt Xp Zt
i i i
Xt = X0 + Ks ds + Hi,j j
s dWs
0 j=1 0
alors si f est une fonction deux fois diffrentiable en x et une fois diffrentiable en t, ces drives
tant continues en (t, x) :
Zt
1 n 1 n f
f(t, Xt , . . . , Xt ) = f(0, X0 , . . . , X0 ) + (s, X1s , . . . , Xns )ds
0 s
Xn Zt
f
+ (s, X1s , . . . , Xns )dXis
i=1 0
x i
n Z
1 X t 2 f
+ (s, X1s , . . . , Xns )d < Xi , Xj >s
2 i,j=1 0 xi xj
o : P
dXis = Kis ds + pj=1 Hi,j j
s dWs ,
P
d < Xi , Xj >s = pm=1 Hi,m j,m
s Hs ds.
Remarque 4.19 Si (Xs )0tT et (Ys )0tT sont deux processus dIt, on peut dfinir formelle-
ment le crochet de X et Y (que lon a not < X, Y >s ) par les rgles suivantes :
< X,R. Y >t est bilinaire et symtrique.
< 0 Ks ds, X. >t = 0 si (Xt )0tT est un processus dIt.
R. R.
< 0 Hs dWti , 0 Hs0 dWtj >t = 0 si i 6= j
R. R. Rt
< 0 Hs dWti , 0 Hs0 dWti >t = 0 Hs Hs0 ds
Cette dfinition permet de retrouver la formule du crochet donne dans la proposition prc-
dente.
On appelle ces quations des quations diffrentielles stochastiques. Une solution de (3.9)
porte le nom de diffusion. Ces quations permettent de construire la plupart des modles
dactifs utiles en finances, aussi bien lorsque lon cherche modliser des actifs que des taux
dintrt. Nous allons tudier quelques proprits des solutions de ces quations.
Dfinition 5.1 On se place sur un espace de probabilit (, A, P) muni dun filtration (F t )t0 .
On se donne, b : R+ R R, : R+ R R, Z une variable alatoire F0 -mesurable et
(Wt )t0 un Ft -mouvement brownien. Trouver une solution lquation (3.9) signifie trouver
un processus stochastique (Xt )t0 continu Ft -adapt, qui vrifie :
Rt Rt
Pour tout t 0, les intgrales 0 b(s, Xs )ds et 0 (s, Xs )dWs ont un sens :
Zt Zt
|b(s, Xs )|ds < + et |(s, Xs )|2 ds < + P p.s. .
0 0
Le thorme suivant donne des conditions suffisantes sur b et pour avoir un rsultat dexis-
tence et dunicit pour (3.9).
Thorme 5.3 Si b et sont des fonctions continues, telles quil existe K < +, avec :
1. |b(t, x) b(t, y)| + |(t, x) (t, y)| K|x y|
2. |b(t, x)| + |(t, x)| K(1 + |x|)
3. E(Z2 ) < +
alors, pour tout T 0, (3.9) admet une solution unique dans lintervalle [0, T ]. De plus cette
solution (Xs )0sT vrifie : !
2
E sup |Xs | < +
0sT
Lunicit signifie que si (Xt )0tT et (Yt )0tT sont deux solutions de (3.9), alors :
P p.s. 0 t T, X t = Yt .
Dmonstration : Posons :
!
2
E= (Xs )0sT , processus continu et Ft -adapt, tel que E sup |Xs | < +
sT
Ch.3 MOUVEMENT BROWNIEN, QU. DIFF. STOCHASTIQUES 57
q
E muni de la norme kXk = E sup0sT |Xs |2 est un espace vectoriel norm complet. Pour dmontrer lexis-
tence nous allons utiliser un argument dexistence dun point fixe pour une application contractante. Soit lap-
plication qui un processus (Xs )0sT associe un processus ((X)s )0sT dfini par :
Zt Zt
(X)t = Z + b(s, Xs )ds + (s, Xs )dWs .
0 0
Si X est dans E, (X) est bien dfinie, de plus si X et Y sont deux lments de E en utilisant le fait que, (a + b)2
2(a2 + b2 ) on obtient :
R 2
t
|(X)t (Y)t |2 2 sup0tT 0 (b(s, Xs ) b(s, Ys ))ds
R 2
t
+ sup0tT 0 ((s, Xs ) (s, Ys ))dWs
p
Do k(X) (Y)k 2(K2 T 2 + 4K2 T )kX Yk. De plus, on a (on note 0 pour le processus identiquement
nul) :
Z t 2 Z t 2 !
2 2
|(0)t | 3 Z + sup b(s, 0)ds + sup (s, 0)dWs
0tT 0 0tT 0
Rt Rt
Dmonstration : Posons u(t) = ebt 0 f(s)ds. On a u 0 (t) = ebt (f(s) b 0 f(s)ds) aebt . Par intgra-
tion, on obtient u(T ) a/b et f(T ) a(1 + ebT ).
On en dduit ici que fn (T ) < K < +, K tant une constante fonction de T mais indpendante de n. Le lemme
de Fatou donne alors , en passant la limite en n, que pour tout T :
!
E sup |Xs |2 < K < +.
0sT
58 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
X est donc dans E. Ceci termine la dmonstration dans le cas o T est petit.
Pour conclure pour T quelconque, il suffit de prendre n assez grand et de raisonner successivement sur les
intervalles [0, T/n], [T/n, 2T/n], ,[(n 1)T/n, T ].
On peut expliciter cette solution. En effet, posons Yt = Xt ect et crivons la formule dintgra-
tion par parties :
dYt = dXt ect + Xt d(ect ) + d < X, ec. >t .
Mais < X, ec. >t = 0 car d(ect ) = cect dt. On en dduit que dYt = ect dWt puis que :
Zt
ct ct
Xt = xe + e ecs dWs .
0
o il faut comprendre que lon cherche un processus (Xt )0tT valeurs dans Rn adapt
(Ft )t0 et tel que P p.s. , pour tout t et pour tout i n, on a presque srement :
Zt p Zt
X
Xit i
=Z + i
b (s, Xs )ds + i,j (s, Xs )dWsj .
0 j=1 0
Thorme
P 5.5 Si x Rn , |x| est la norme euclidienne de x et si Rnp , ||2 =
2
1in, 1jp i,j . On suppose que :
1. |b(t, x) b(t, y)| + |(t, x) (t, y)| K|x y|
2. |b(t, x)| + |(t, x)| K(1 + |x|)
3. E(|Z|2 ) < +
alors il existe une solution unique lquation (3.10). De plus cette solution vrifie, pour tout
T: !
E sup |Xs |2 < +
0sT
Nous allons noncer dans ce paragraphe la proprit de Markov pour une solution de (3.9). On
notera (Xt,x x
s , s t) la solution de lquation (3.9) partant de x linstant t et X = X
0,x
la
t,x
solution de lquation partant de x linstant 0. X vrifie pour s t :
Zs Zs
Xs = x + b u, Xu du + u, Xt,x
t,x t,x
u dWu .
t t
A priori, Xt,x
. est dfini pour tout (t, x) presque srement. On peut cependant, sous les hypo-
thses du thorme 5.3, construire un processus dpendant de (t, x, s) qui est P p.s. continu
en ces trois variables et tel que Xt,x
s soit solution de lquation prcdente. Cest un rsultat
dlicat dmontrer (on trouvera sa dmonstration dans [RW87]) que nous allons admettre.
La proprit de Markov est une consquence dune proprit de flot vrifie par les solu-
tions dune quation diffrentielle stochastique. Cest une gnralisation de la proprit de flot
des quations diffrentielles ordinaires.
Dmonstration : Nous ne donnons que lide gnrale de cette dmonstration. On a, pour tout x :
Zs Zs
P p.s. Xt,x b u, Xt,x u, Xt,x
s =x+ u du + u dWu .
t t
puis que : Zs Zs
t,Xx t,Xx t,Xx
Xs t
= Xxt + b u, Xu t du + u, Xu t dWu .
t t
Ces rsultats sont intuitifs, mais pour les justifier en dtail il faut utiliser la continuit de y 7 Xt,y
. . Nous laissons
de cot les dtails de leurs dmonstrations. Cela admis, on remarque que X xs est aussi solution de lquation
prcdente, en effet, si t s :
Rs Rs
Xxs = x + 0Rb (u, Xxu ) du + 0R (u, Xxu ) dWu
s s
= Xxt + t b (u, Xxu ) du + t (u, Xxu ) dWu .
Thorme 5.7 Soit (Xt )t0 une solution de (3.9). Cest un processus de Markov par rapport
la filtration (Ft )t0 du mouvement brownien. Plus prcisment, on a, pour toute fonction
borlienne borne f :
P p.s. E (f (Xt ) |Fs ) = (Xs ),
o (x) = E (f(Xs,x
t )).
Dmonstration : Nous ne donnerons quune esquisse de la dmonstration. Pour une dmonstration complte
on pourra consulter [Fri75].
s,Xx
La proprit de flot prouve que, si s t, X xt = Xt s . Dautre part, on peut dmontrer que Xs,x
t sexprime
de facon mesurable en fonction des accroissements du brownien (Ws+u Ws , u 0) et de x (ce rsultat est
naturel mais dlicat justifier en dtail (voir [Fri75])). Si lon admet ce rsultat, pour un s et un t fixs on a
Xs,x
t = (x, Ws+u Ws ; u 0) et donc :
avec Xxs qui est Fs mesurable et (Ws+u Ws )u0 qui est indpendant de Fs .
Si on applique le rsultat de la proposition 2.5 de lappendice X s , (Ws+u Ws )u0 , et Fs , on obtient :
Le rsultat prcdent se gnralise des fonctions des trajectoires de la diffusion aprs linstant
s. En particulier, le thorme suivant est utile dans les calculs lis aux taux dintrt.
Thorme 5.9 Soit (Xt )t0 une solution de (3.9) et r(s, x) une fonction mesurable positive. On
a, si t > s : Rt
P p.s. E e s r(u,Xu )du f (Xt ) |Fs = (Xs )
avec : Rt
r(u,Xs,x
(x) = E e s u )du f(Xs,x
t ) .
Remarque 5.10 On peut en fait dmontrer un rsultat plus gnral que celui nonc prcdem-
ment. Si on omet les dtails techniques, on peut affirmer que, si est une fonction de toute la
trajectoire de Xt aprs s :
Remarque 5.11 Lorsque b et ne dpendent que de x (on dit que la diffusion est homogne
dans ce cas), on peut montrer que la loi de Xs,x 0,x
s+t est identique celle de Xt , ce qui signifie que
si f est une fonction mesurable et borne :
E (f(Xs,x 0,x
s+t )) = E f(Xt ) .
6 Exercices
Exercice 6 Soit (Mt )t0 une martingale, telle que pour tout t, E(M2t ) < +. Dmontrer que
si s t :
E (Mt Ms )2 |Fs = E M2t M2s |Fs .
Exercice 7 Soit Xt un processus
accroissements indpendants et stationnaires nul en linstant
0 et tel que, pour tout t, E X2t < +. On supposera, de plus, que la fonction t 7 E X2t est
continue. Dmontrer que E (Xt ) = ct et que Var(Xt ) = c 0 t, c et c 0 tant des constantes.
Exercice 8 Dmontrer que, si est un temps darrt :
F = {A A, pour tout t 0 , A { t} Ft }
dfinit une tribu.
Exercice 9 Soit S un temps darrt, dmontrer que S est FS mesurable.
Exercice 10 Soit S et T deux temps darrt, tels que S T P p.s. . Dmontrer que F S FT .
Exercice 11 Soient S un temps darrt, fini presque srement, et (X t )t0 un processus adapt
et presque srement continu.
1. Dmontrer que, P p.s., pour tout s :
X
Xs = lim 1[k/n,(k+1)/n[ (s)Xk/n ()
n+
k0
Ce type dintgrale sappelle intgrale de Wiener et cest un cas particulier de lintgrale dIto
qui est introduite au paragraphe 4. P
On rappelle que lensemble H des fonctions de la forme 0iN1 ai 1]ti ,ti+1 ] , avec ai R,
et t0 = 0 t1 tN est dense dans L2 (R+ , dx) muni de la norme kfkL2 =
q R+
0
f2 (s)ds.
P
1. Soit ai R, et 0 = t0 t1 tN , et f = 0iN1 ai 1]ti ,ti+1 ] . On pose :
X
Ie (f) = ai (Xti+1 Xti ).
0iN1
Dmontrer que Ie (f) est une variable alatoire gaussienne dont on calculera la moyenne
et la variance. Dmontrer en particulier que :
E(Ie (f)2 ) = kfk2L2 .
Ch.3 MOUVEMENT BROWNIEN, QU. DIFF. STOCHASTIQUES 63
2. En dduire quil existe une unique application linaire de L2 (R+ , dx) valeurs dans
L2 (, F , P), I, telle que I(f) = Ie (f), si f est dans H et E(I(f)2 ) = kfkL2 , pour tout
f dans L2 (R+ ).
3. Dmontrer que, si (Xn )n0 est une suite de variables alatoires gaussiennes centres qui
convergent dans L2 (, F , P) vers X, alors X est une variable alatoire gaussienne centre.
2 +
R+si 2f L (R , dx) alors I(f) est une variable alatoire gaussienne centre
En dduire que
de variance 0 f (s)ds.
Rt R
4. Soit f L2 (R+ , dx), on note Zt = 0 f(s)dXs = 1]0,t] (s)f(s)dXs , dmontrer que Zt
est un processus adapt Ft , et que Zt Zs est indpendant de Fs (commencer par traiter
le cas f H).
Rt Rt
5. Dmontrer que les processus Zt , Z2t 0 f2 (s)ds, exp(Zt (1/2) 0 f2 (s)ds) sont des
Ft -martingales.
Exercice 13 Soient T un rel positif et (Mt )0tT une Ft -martingale continue. On suppose que
E(M2T ) est fini.
1. Dmontrer que (|Mt |)0tT une sous-martingale.
2. Montrer que, si M = sup0tT |Mt | :
P (M ) E |MT |1{M }
3. En dduire que, si s t :
E MSt 1{S > s} |Fs = Ms 1{S > s} ,
4. En utilisant le fait que MSs est Fs mesurable, montrer que t MSt est une Ft mar-
tingale.
64 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
RT
Exercice 15 1. Soit (Ht )0tT un processus mesurable adapt tel que 0 H2t dt < , p.s..
Rt
On pose Mt = 0 s
H dWs , (o (Wt )0tT est un mouvement brownien standard). Mon-
R T
trer que si E sup0tT M2t < , alors E 0 H2t dt < . On pourra introduire la
Rt 2
suite de temps darrt
R
dfinie par n = inf{t 0 | H ds = n} et montrer que
0 s
T n
2 2
E(MT n ) = E 0 Hs ds .
1
2. On pose p(t, x) = 1t exp(x2 /2(1 t)), pour 0 t < 1 et x R, et p(1, x) = 0.
Soit (Mt )0t1 le processus dfini sur [0, 1] par Mt = p(t, Wt).
(a) Montrer que Zt
p
Mt = M 0 + (s, Ws )dWs .
0 x
R1 R
1
(b) Soit Ht = (p/x)(t, Wt). Montrer que 0 H2t dt < , p.s. et E 0 H2t dt =
+.
Rt
Exercice 16 Soit (Mt )0tT une Ft -martingale continue telle que Mt = 0 Ks ds, o
RT
(Kt )0tT est un processus Ft -adapt tel que P p.s. 0 |Ks |ds < +.
RT
1. On suppose, de plus, que P p.s. 0 |Ks |ds C < +. Dmontrer que si tni = Ti/n
pour 0 i n, alors :
Xn 2
lim E Mtni Mtni1 = 0.
n+
i=1
Exercice 18 Soit (Wt )t0 un Ft -mouvement brownien. Le but de cet exercice est de calculer
la loi du couple (Wt , supst Ws ).
1. Soit S un temps darrt born. En utilisant le thorme darrt pour la martingale M t =
exp(izWt + z2 t/2), o z est un nombre rel, dmontrer que, si 0 u v :
z2
E eiz(Wv+SWu+S ) |Fu+S = e 2 (vu) .
et que si et 0 :
(2y x)2
!
2(2y x)
1{0 y} 1{x y} exp dxdy.
2t3 2t
Chapitre 4
Modle de Black et Scholes
Le problme trait par Black et Scholes dans [BS73] est lvaluation et la couverture dune
option de type europen (call ou put) sur une action ne distribuant pas de dividendes. La m-
thode 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 aujourdhui couram-
ment 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 du modle sont prsentes dans les problmes.
1 Description du modle
1.1 Lvolution des cours
Le modle propos par Black et Scholes pour dcrire lvolution des cours est un modle
temps continu avec un actif risqu (une action de prix St linstant t) et un actif sans risque (de
prix S0t linstant t). On suppose lvolution de S0t rgie par lquation diffrentielle (ordinaire)
suivante :
dS0t = rS0t dt (4.1)
o r est une constante positive. Cela signifie que le taux dintrt sur le march des placements
sans risque est constant et gal r (noter que r est ici un taux dintrt instantan, ne pas
confondre avec le taux sur une priode des modles discrets). On posera S 00 = 1, de sorte que
S0t = ert , pour t 0.
On suppose que lvolution du cours de laction est rgie par lquation diffrentielle sto-
chastique suivante :
dSt = St (dt + dBt ) (4.2)
o et sont deux constantes et (Bt ) un mouvement brownien standard.
Le modle est tudi sur lintervalle [0, T ] o T est la date dchance de loption tudier.
Comme nous lavons vu (cf. chapitre 3, paragraphe 4.3), lquation (4.2) se rsout, explicite-
ment :
2
!
St = S0 exp t t + Bt ,
2
o S0 est le cours observ la date 0. Il en rsulte en particulier que, selon ce modle, la loi de
St est une loi log-normale (cest dire que son logarithme suit une loi normale).
Plus prcisment, on voit que le processus (St ) vrifie une quation du type (4.2) si et
seulement si le processus (log(St )) est un mouvement brownien (non ncessairement standard).
Compte tenu de la dfinition 2.1 du chapitre 3, cela signifie que le processus (S t ) vrifie les
proprits suivantes :
continuit des trajectoires,
indpendance des accroissements relatifs : si u t, St /Su ou (ce qui revient au mme),
laccroissement relatif (St Su )/Su est indpendant de la tribu (Sv , v u),
stationnarit des accroissements relatifs : si u t, la loi de (St Su )/Su est identique
celle de (Stu S0 )/S0 .
68 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
Ces trois proprits traduisent de facon concrte les hypothses de Black et Scholes sur lvo-
lution du cours de laction.
Vt () = H0t S0t + Ht St .
Dans les modles discrets, nous avons caractris les stratgies autofinances par lgalit :
Vn+1 () Vn () = n+1 .(Sn+1 Sn ) (cf. chapitre 1, remarque 1.1). La transposition de cette
galit temps continu conduit crire la condition dautofinancement sous la forme suivante :
Alors lintgrale :
ZT ZT
H0t dS0t = H0t rert dt
0 0
est bien dfinie, ainsi que lintgrale stochastique :
ZT ZT ZT
Ht dSt = (Ht St ) dt + Ht St dBt ,
0 0 0
puisque la fonction t 7 St est continue, donc borne sur [0, T ], presque srement.
Dfinition
1.1 Une stratgie autofinance est dfinie par un couple de processus adapts
H0t et (Ht )0tT vrifiant :
0tT
ZT ZT
1. |Ht |dt + H2t dt < + p.s.
0
0 0
Zt Zt
0 0 0 0 0 0
2. Ht St + Ht St = H0 S0 + H0 S0 + Hu dSu + Hu dSu p.s., pour tout t [0, T ].
0 0
Nous noterons St = ert St le cours actualis de lactif risqu. La proposition suivante est
lanalogue de la proposition 1.2 du chapitre 1.
Proposition 1.2 Soit = ((H0t , Ht ))0tT un processus adapt valeurs dans R2 , vrifiant
RT 0 RT
0
|Ht |dt + 0 H2t dt < + p.s. On pose : Vt () = H0t S0t + Ht St et Vt () = ert Vt ().
Alors, dfinit une stratgie autofinance si et seulement si :
Zt
Vt () = V0 () + Hu dSu p.s. (4.3)
0
qui rsulte de la diffrenciation du produit des processus (ert ) et (Vt ()) (noter que le terme
de crochets d < er. , V. () >t est nul), on dduit :
dVt () = rert H0t ert + Ht St dt + ert H0t d(ert ) + ert Ht dSt
= Ht rert St dt + ert dSt
= Ht dSt .
Remarque 1.3 Nous navons pas impos de condition de prvisibilit sur les stratgies, contrai-
rement ce que nous avons fait dans le chapitre 1. En fait, on peut dfinir une notion de proces-
sus prvisible temps continu mais, dans le cas de la filtration dun mouvement brownien, cela
ne restreint pas la classe des processus adapts de facon significative (en raison de la continuit
des trajectoires du mouvement brownien).
Dans notre tude des modles discrets complets, nous avons t amens nous placer sous une
loi de probabilit quivalente la probabilit initiale et sous laquelle les prix actualiss des
actifs sont des martingales, puis nous avons construit des stratgies autofinances simulant les
options. Le paragraphe suivant prsente les outils qui permettent de transposer ces mthodes au
temps continu.
A A P (A) = 0 Q (A) = 0.
Thorme 2.1 Q est absolument continue par rapport P si, et seulement si, il existe une
variable alatoire Z valeurs positives ou nulles sur (, A) telle que :
Z
A A Q(A) = Z()dP(),
A
dQ
Z est appele densit de Q par rapport P et parfois note dP
.
Lquivalence dmontrer est vidente dans un sens, la rciproque est une version du thorme
de Radon-Nikodym (cf. par exemple [DCD82], tome 1).
Les probabilits P et Q sont dites quivalentes si chacune delles est absolument continue
par rapport lautre. Noter que si Q est absolument continue par rapport P, de densit Z, alors
P et Q sont quivalentes si et seulement si P (Z > 0) = 1.
70 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
soit une martingale. Alors, sous laRprobabilit P(L) de densit LT par rapport P, le processus
t
(Wt )0tT dfini par Wt = Bt + 0 s ds, est un mouvement brownien standard.
Remarque 2.3
RUne condition suffisante pour que (Lt )0tT soit une martingale est que lon
1 T 2
ait : E exp 2 0 t dt < (cf. [KS88], [DCD82]). La dmonstration du thorme de Gir-
sanov dans le cas o (t ) est constant fait lobjet de lexercice 19.
Noter que cette reprsentation nest possible que pour les martingales de la filtration naturelle
du mouvement brownien (cf. exercice 26).
Il rsulte du thorme que si U est une variable alatoire FT -mesurable de carr intgrable,
on peut lcrire sous la forme :
ZT
U = E (U) + Hs dBs p.s.
0
R
T
o (Ht ) est une processus adapt tel que E 0 H2t ds < +. Il suffit pour cela de considrer
la martingale Mt = E (U|Ft ). On dmontre aussi (cf., par exemple [KS88]) que si (Mt )0tT
est une martingale (non ncessairement de carr intgrable)
RT 2 il existe une reprsentation du type
(4.4) mais avec un processus vrifiant seulement 0 Ht ds < , p.s. Nous utiliserons dailleurs
ce rsultat dans le chapitre 6.
Ch.4 MODLE DE BLACK ET SCHOLES 71
Nous reprenons maintenant le modle introduit au paragraphe 1. Nous allons montrer quil
existe une probabilit quivalente la probabilit initiale P, sous laquelle le prix actualis St =
ert St de laction est une martingale. Utilisant lquation diffrentielle stochastique vrifie par
(St ) on a :
St = S0 exp(Wt 2 t/2).
3.2 Pricing
Dans ce paragraphe, nous nous limiterons aux options europennes. Une option europenne
sera dfinie par une variable alatoire FT -mesurable, positive h. Le plus souvent, h est de la
forme f(ST ), (f(x) = (x K)+ , dans le cas dun call, f(x) = (K x)+ dans le cas dun put).
Comme dans le cas discret, nous allons dfinir la valeur de loption en la simulant. Pour des
raisons techniques, nous limiterons la classe des stratgies admissibles de la facon suivante :
Dfinition 3.1 Une stratgie = H0t , Ht est admissible si elle est autofinance et si la
0tT
valeur actualise Vt () = H0t + Ht St du portefeuille correspondant est, pour tout t, positive
et telle que supt[0,T ] Vt est de carr intgrable sous P .
On dira quune option est simulable si sa valeur lchance est gale la valeur finale dune
stratgie admissible. Il est clair que pour que loption dfinie par h soit simulable, il est nces-
saire que h soit de carr intgrable sous P . Dans le cas du call (h = (ST K)+ ), cette proprit
est bien vrifie puisque E (S2T ) < ; notons que dans le cas du put, h est mme borne.
Thorme 3.2 Dans le modle de Black et Scholes, toute option dfinie par une variable ala-
toire h, positive, FT -mesurable et de carr intgrable sous la probabilit P est simulable et la
valeur linstant t de tout portefeuille simulant est donne par :
Vt = E er(T t) h|Ft .
72 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
La valeur de loption
linstant t est donc dfinie de facon naturelle par lexpression
r(T t)
E e h|Ft .
Dmonstration : Supposons tout dabord quil existe une stratgie admissible (H 0 , H), simu-
lant loption. La valeur linstant t du portefeuille (H0t , Ht ) est donne par :
Vt = H0t S0t + Ht St
Vt = H0t + Ht St .
Sous la probabilit P , supt[0,T ] Vt est de carr intgrable, daprs la dfinition des stratgies
admissibles, et lgalit qui prcde fait apparatre le processus (Vt ) comme une intgrale sto-
chastique par rapport (Wt ). Il en rsulte (cf. chapitre 3, quation (3.6) et proposition 4.4) que
(Vt ) est, sous P , une martingale de carr intgrable. Do :
Vt = E VT |Ft ,
et par consquent :
Vt = E er(T t) h|Ft . (4.6)
Nous avons ainsi montr que si le portefeuille (H0 , H) simule loption dfinie par h, sa
valeur est donne par lgalit (4.6). Pour achever la dmonstration du thorme, il reste
dmontrer que loption est bien simulable, cest--dire trouver des processus (H 0t ) et (Ht )
dfinissant une stratgie admissible et tels que :
H0t S0t + Ht St = E er(T t) h|Ft .
Or, sous la probabilit P , le processus dfini par Mt = E (erT h|Ft ) est une martingale de
carr intgrable. La filtration (Ft ), filtration naturelle de (Bt ), est aussi la filtration naturelle
de (Wt ) et, daprs le thorme de reprsentation
R des martingales browniennes, il existe un
T 2
processus adapt (Kt )0tT tel que E K ds < + et :
0 s
Zt
t [0, T ] Mt = M0 + Ks dWs p.s..
0
La stratgie = (H0 , H), avec Ht = Kt /(St ) et H0t = Mt Ht St , est alors, daprs la pro-
position 1.2 et lgalit (4.5), une stratgie autofinance, dont la valeur linstant t est donne
par :
Vt () = ert Mt = E er(T t) h|Ft
et il est clair sur cette expression que Vt () est une variable alatoire positive, que
supt[0,T ] Vt () est de carr intgrable sous P et que VT () = h. On a donc bien une stra-
tgie admissible simulant h.
Ch.4 MODLE DE BLACK ET SCHOLES 73
Remarque 3.3 Lorsque la variable alatoire h est de la forme h = f(ST ), on peut expliciter la
valeur Vt de loption linstant t comme une fonction de t et St . On a en effet :
Vt = E er(T t) f(ST )|Ft
2 /2)(T t)
= E er(T t) f St er(T t) e(WT Wt )( Ft
Remarque 3.4 Un des traits majeurs du modle de Black-Scholes (et une des raisons de son
succs) est que les formules de prix obtenues, de mme que les formules de couverture que
nous donnerons plus loin, dpendent dun seul paramtre non directement observable : le para-
mtre , appel volatilit par les praticiens (le paramtre de drive disparat sous leffet du
changement de probabilit). Dans la pratique, deux mthodes sont utilises pour valuer :
1. la mthode historique : dans le cadre du modle, 2 T est la variance de log(ST ) et les
variables log(ST /S0 ), log(S2T /ST ), . . ., log(SNT /S(N1)T ) sont indpendantes quidistri-
bues. Ds lors, on peut, partir des valeurs du cours observes dans le pass, estimer
par des voies statistiques (par exemple laide de variances empiriques ; cf. [DCD82],
chapitre 5).
2. la mthode implicite : certaines options sont cotes sur des marchs organiss et le
prix des options (calls et puts) tant une fonction strictement croissante de (cf. exercice
21), chaque option cote, on peut associer une volatilit implicite, par inversion de
la formule de Black-Scholes. Le modle ainsi identifi peut ensuite tre utilis pour les
calculs de couverture.
Dans ces questions de volatilit, on se heurte vite aux imperfections du modle de Black-
Scholes : on constate des diffrences importantes entre volatilit historique et volatilit im-
plicite et la volatilit implicite semble dpendre du prix dexercice et de lchance. Malgr ces
incohrences, le modle constitue une rfrence indispensable pour les praticiens.
o F est la fonction dfinie par lgalit (4.7). Sous des hypothses trs larges sur f (et, en
particulier, dans les cas du call et du put o on dispose des formules explicites de la remarque
3.3), on voit que la fonction F est de classe C sur [0, T [R. Si on pose :
F(t, x) = ert F t, xert .
ce qui fait apparatre F t, St sous la forme suivante :
Zt Zt
F
F t, St = F 0, S0 + u, Su Su dWu + Ku du.
0 x 0
Comme on sait que F(t, St) est une martingale sous P , le processus Ku est ncessairement nul
(cf. chapitre 3, exercice 16). Do :
Z t F
F t, St = F 0, S0 + u, Su Su dWu
0 x
Z t
F
= F 0, S0 + u, Su dSu .
0 x
F F
Ht = t, St = (t, St) .
x x
Si on pose H0t = F t, St Ht St , le portefeuille (H0t , Ht ) est autofinanc et sa valeur actualise
est bien Vt = F t, St .
Remarque 3.5 Le raisonnement qui prcde montre quon peut traiter les options de la forme
f(ST ) sans utiliser le thorme de reprsentation des martingales browniennes.
Remarque 3.6 Dans le cas du call, on a, avec les notations de la remarque 3.3,
F
(t, x) = N(d1 ).
x
et dans le cas du put :
F
(t, x) = N(d1 ).
x
On pourra le vrifier en exercice (la facon la plus simple de faire le calcul est de driver sous le
signe desprance). Cette quantit est souvent appele le delta de loption par les praticiens.
Plus gnralement, lorsque la valeur linstant t dun portefeuille peut scrire (t, S t), la
quantit (/x)(t, St), qui mesure la sensibilit du portefeuille aux variations du cours
linstant t, est appele le delta du portefeuille. On parle de gamma pour la drive seconde
(2 /x2 )(t, St), de thta pour la drive par rapport au temps et de vga pour la drive
de par rapport la volatilit .
5 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. Cest partir
de stratgies de gestion avec consommation que nous allons tudier les options amricaines dans
le modle de Black-Scholes.
Dfinition 4.1 Une stratgie de gestion avec consommation est la donne dun processus
adapt = ((H0t , Ht ))0tT , valeurs dans R2 , vrifiant les proprits suivantes :
ZT ZT
1. 0
|Ht |dt + H2t dt < + p.s.
0 0
Zt Zt
2. H0t S0t + H t St = H00 S00 + H 0 S0 + H0u dS0u + Hu dSu Ct pour tout t [0, T ], o
0 0
(Ct )0tT est un processus croissant continu adapt nul en t = 0, Ct reprsentant la
consommation cumule jusqu linstant t.
Une option amricaine est naturellement dfinie par un processus adapt, valeurs positives
(ht )0tT . Pour simplifier, nous nous limiterons des processus de la forme h t = (St ), o
est une fonction continue de R+ dans R+ , vrifiant : (x) A + Bx, x R+ , pour des
constantes A et B positives. Pour un call, on a : (x) = (x K)+ et pour un put : (x) =
(K x)+ .
Nous dirons que la stratgie de gestion avec consommation = ((H 0t , Ht ))0tT couvre
loption amricaine dfinie par ht = (St ) si, en notant Vt () = H0t S0t + Ht St , on a :
Notons lensemble des stratgies de gestion avec consommation qui couvrent loption am-
ricaine dfinie par ht = (St ). Si le vendeur de loption suit une stratgie , il dispose,
chaque instant t, dune richesse au moins gale (St ), qui est la somme fournir en cas
dexercice de loption linstant t. Lnonc suivant fait apparatre la valeur minimale dune
stratgie de couverture dune option amricaine :
o Tt,T dsigne lensemble des temps darrt valeurs dans [t, T ]. Il existe une stratgie
telle que Vt () = u(t, St), pour tout t [0, T ]. De plus, pour toute stratgie , on
a : Vt () u(t, St), pour tout t [0, T ].
Pour viter les difficults techniques, nous donnerons seulement le schma de la dmonstration
de ce thorme, renvoyant [Kar88, Kar89] pour les dtails.
On montre dabord que le processus (ert u(t, St)) est lenveloppe de Snell du processus
rt
(e (St )), cest--dire la plus petite surmartingale qui le majore, sous P . Or, on peut montrer
que la valeur actualise dune stratgie de gestion avec consommation est une surmartingale
sous P . On a donc lingalit : Vt () u(t, St), pour toute stratgie . Lobtention
dune stratgie telle que Vt () = u(t, St) repose sur un thorme de dcomposition des
surmartingales analogue la proposition 3.1 du chapitre 2 et sur le thorme de reprsentation
des martingales browniennes.
Il est naturel de considrer que u(t, St) reprsente la valeur de loption amricaine linstant
t, puisque cest la valeur minimale dune stratgie qui couvre loption.
Ch.4 MODLE DE BLACK ET SCHOLES 77
Remarque 4.3 Soit un temps darrt valeurs dans [0, T ]. La valeur linstant 0 dune stra-
tgie admissible au sens de la dfinition 3.1 et de valeur (S ) linstant est donne par
E (er (S )), puisque la valeur actualise de toute stratgie admissible est une martingale
sous P . La quantit u(0, S0) = supT0,T E (er (S )) est donc bien la richesse initiale per-
mettant de couvrir exactement tous les exercices possibles.
Comme dans les modles discrets, on constate que le prix du call amricain (sur une action ne
distribuant pas de dividende) est gal au prix du call europen :
Proposition 4.4 Si, dans le thorme 4.2, est donne par (x) = (x K) + , pour tout rel
x, alors on a :
u(t, x) = F(t, x)
o F est la fonction dfinie par la relation (4.8) donnant le prix du call europen.
Dmonstration : Supposons pour simplifier t = 0 (le raisonnement est le mme pour t > 0).
Alors, il suffit de dmontrer que pour tout temps darrt ,
Or, on a :
E (ST erT K)+ |F E (ST erT K)|F = S erT K
Considrons un espace de probabilit (, F , P), sur lequel est dfini un mouvement brownien
standard (Bt )0t< dfini sur R+ . Alors, on a :
u(0, x) = sup E Ker x exp B (2 /2)
T0,T +
r 2
sup E Ke x exp B ( /2) 1{ < } (4.12)
T0, +
en notant T0, lensemble de tous les temps darrt de la filtration de (Bt )t0 et T0,T lensemble
des lments de T0, valeurs dans [0, T ]. Le membre de droite de lingalit (4.12) sinterprte
naturellement comme la valeur dun put perptuel (cest--dire exercable tout moment sans
limite dchance). La proposition suivante permet dexpliciter la majoration (4.12).
u (x) = K x pour x x
x
u (x) = (K x ) pour x > x
x
K 2r
avec x = 1+
et = 2
.
Par ailleurs, la thorie de lenveloppe de Snell temps continu (cf. [Kar81], [Kus77], ainsi
que le chapitre 5) permet de montrer que :
rx 2
u (x) = E Ke x exp Bx ( x /2) 1{ < }
+ x
o x est le temps darrt dfini par x = inf{t 0|ert u (Xxt ) = ert (K Xxt )+ } (avec
2
inf = ), le processus (Xxt ) tant dfini par : Xxt = xe(r 2 )t+Bt . Le temps darrt x est
donc un temps darrt optimal (noter lanalogie avec les rsultats du chapitre 2).
Il rsulte des relations (4.14) que
x 2
x = inf{t 0|Xt x } = inf t 0|(r )t + Bt log(x /x)
2
Avec ces notations, le temps darrt optimal est donn par x = x,x . Le nombre x tant fix,
notons la fonction de z dfinie par :
(z) = E erx,z 1{ x
< } K Xx,z .
x,z +
Puisque x,x est optimal, la fonction admet son maximum au point z = x . Nous allons
calculer explicitement, puis nous la maximiserons pour dterminer x et u (x) = (x ).
Si z > x, on a videmment x,z = 0 et (z) = (K x)+ . Si z x, on a, en utilisant la
continuit des trajectoires de (Xxt )t0 ,
et par consquent
(z) = (K z)+ E erx,z 1{ < }
x,z
= (K z)+ E (erx,z )
on a :
(K x)+ si z > x
(z) = (K z)E erTlog(z/x)/ si z [0, x] [0, K]
0 si z [0, x] [K, +[.
Le maximum de est donc atteint sur lintervalle [o, x] [0, K]. En utilisant la formule suivante
(dmontre dans lexercice 24) :
q
Tb
E e = exp b |b| 2 + 2 ,
on voit que
z
z [0, x] [0, K] (z) = (K z) ,
x
2r
en posant = 2
. La drive de cette fonction est donne par
z1
0 (z) = (K ( + 1)z) .
x
K K K
Il en rsulte que si x +1 , maxz (z) = (x) = K x et si x > +1
, maxz (z) = +1
,
ce qui donne les formules annonces.
80 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
Remarque 4.6 Revenons au put amricain dchance T finie. En raisonnant comme au dbut
de la dmonstration de la proposition 4.5, on voit que, pour chaque t [0, T [, il existe un rel
s(t) vrifiant :
Compte-tenu de lingalit (4.12), on a s(t) x , pour tout t [0, T [. Le rel s(t) sinterprte
comme le prix critique linstant t : si le prix de lactif sous-jacent linstant t est infrieur
s(t), le dtenteur de loption a intrt exercer immdiatement son option ; dans le cas contraire,
il a intrt la conserver.
Remarque bibliographique : La prsentation que nous avons utilise, base sur le thorme
de Girsanov, est inspire de [HP81] (voir aussi [Ben84], et le paragraphe 5.8 de [KS88]). Lap-
proche historique de [BS73] et [Mer73] consistait dgager, partir dun raisonnement darbi-
trage et de la formule dIt, une quation aux drives partielles vrifie par la fonction donnant
le prix du call en fonction du temps et du cours spot. Pour les mthodes statistiques de d-
termination des paramtres des modles, on pourra se rfrer [DCD82] et [DCD83] et la
bibliographie de ces ouvrages.
5 Exercices
Exercice 19 Le but de lexercice est de montrer le thorme de Girsanov 2.2 dans le cas o le
processus (t ) est constant. Soit (Bt )0tT un mouvement brownien standard par rapport une
2
filtration (Ft )0tT et soit un nombre rel. On pose, pour 0 t T , Lt = eBt ( /2)t .
1. Montrer que (Lt )0tT est une martingale par rapport la filtration (Ft ) et que E(Lt ) = 1,
pour tout t [0, T ].
2. On note P(Lt ) la probabilit de densit Lt par rapport la probabilit initiale P. Montrer
que les probabilits P(LT ) et P(Lt ) concident sur la tribu Ft .
3. Soit Z une variable alatoire borne FT -mesurable. Montrer que lesprance condition-
nelle de Z, sous la probabilit P(LT ) , sachant Ft , est donne par :
E (ZLT |Ft )
E(LT ) (Z|Ft ) = .
Lt
4. On pose Wt = t + Bt , pour tout t [0, T ]. Montrer que pour tout rel u et pour tous s
et t dans [0, T ], avec s t, on a :
2 (ts)/2
E(LT ) eiu(Wt Ws ) Fs = eu
Exercice 20 Montrer quil y a unicit (en prcisant en quel sens) du portefeuille simulant une
option europenne dans le modle de Black-Scholes.
2. On suppose f convexe. Montrer que F(t, x) est une fonction convexe de x, une fonction
dcroissante de t si r = 0 et une fonction croissante de dans tous les cas (partir de
lquation (4.7) et utiliser lingalit de Jensen : (E(X)) E ((X)), valable pour
toute fonction convexe et pour toute variable alatoire X telle que X et (X) soient
intgrables).
3. On note Fc (resp. Fp ) la fonction F obtenue quand f(x) = (xK)+ (resp. f(x) = (Kx)+ ).
Montrer que Fc (t, .) et Fp (t, .) sont strictement positives pour t < T . Etudier les fonctions
Fc (t, .) et Fp (t, .) au voisinage de 0 et +.
Exercice 22 Calculer, sous la probabilit initiale P, la probabilit quun call europen soit
exerc.
Exercice 23 Justifier les formules 4.8 et 4.9 et calculer, pour un call et un put le delta, le gamma,
le thta et le vga (cf. remarque 3.6).
Exercice 24 Soit (Bt )t0 un mouvement brownien standard. Pour tous nombres rels et b,
on pose :
Tb = inf{t 0 | t + Bt = b}
avec la convention : inf = .
1. En utilisant le thorme de Girsanov, montrer lgalit suivante :
2 !
0
(Tb t) (Tb0 t) BTb0 t 2 Tb t
, t > 0 E e =E e e .
2. Montrer lingalit :
2 !
0
(Tb0 t) BTb0 t 2 Tb t et .
, t > 0 E e e 1 0
t < Tb
3. Dduire de ce qui prcde et des rsultats du chapitre 3 (proposition 3.6) que :
Tb b|b| 2+2
> 0 E e 1{T < } = e .
b
Exercice 26 Soit (Bt )0t1 un mouvement brownien standard dfini sur lintervalle de temps
[0, 1]. On note (Ft )0t1 sa filtration naturelle et on suppose donne une variable alatoire
de loi exponentielle de paramtre , indpendante de F1 . Pour t [0, 1], on note Gt la tribu
engendre par Ft et la variable alatoire t.
1. Montrer que (Gt )0t1 est une filtration et que (Bt )0t1 est un mouvement brownien par
rapport (Gt ).
2. Pour t [0, 1], on pose Mt = E 1{ > 1} |Gt . Montrer que :
En dduire que si :
!
2 T
+2 2 + T
E eWT 1
=e 2 N .
WT , inf Ws
T
sT
2
r 2 t+Wt
o Xt = xe . Donner une
interprtation
financire de cette valeur et expliciter
1 2
la probabilit P qui fait de Wt = r 2 t + Wt un mouvement brownien standard.
3. Ecrire C sous la forme dune esprance sous P dun variable alatoire fonction unique-
ment de WT et sup0sT Ws .
Ch.4 MODLE DE BLACK ET SCHOLES 83
o r(t), (t), (t) sont des fonctions dterministes du temps, continues sur [0, T ]. On suppose,
de plus, inft[0,T ] (t) > 0
1. Montrer que :
Zt Zt Zt !
1
St = S0 exp (s)ds + (s)dBs 2 (s)ds
0 0 2 0
2. (a) Soit (Xn ) une suite de variables alatoires relles, gaussiennes, centres, conver-
geant en moyenne quadratique vers X. Montrer que X est gaussienne.
Rt
(b) Montrer, en approchant par des fonctions en escalier, que 0 (s)dBs est une
gaussienne et calculer sa variance.
3. Montrer quil existe une probabilit P quivalente P, sous laquelle le prix actualis de
laction est une martingale et donner sa densit par rapport P
4. Dans la suite, on se propose dvaluer et de couvrir un call dchance T et de prix dexer-
cice K sur une action.
(a) Soit (H0t , H1t ) une stratgie autofinance, de valeur Vt linstant t. Montrer que si
(Vt /S0t ) est une martingale sous P avec, de plus, VT = (ST K)+ , alors :
un call europen, dchance T , sur un dollar au cours dexercice K, est le droit dacheter, la
date T , un dollar pour K francs.
Nous noterons St le cours du dollar linstant t, cest--dire le nombre de francs nces-
saires lachat dun dollar. Lvolution de St au cours du temps est modlise par lquation
diffrentielle stochastique suivante :
dSt
= dt + dWt
St
o (Wt )t[0,T ] est un mouvement brownien standard sur un espace de probabilit (, F , P),
et des nombres rels, avec > 0. On notera (Ft )t[0,T ] la filtration engendre par (Wt )t[0,T ]
et on considrera que Ft reprsente lensemble des informations disponibles la date t.
Partie I
1. Expliciter St en fonction de S0 , t et Wt . Calculer lesprance de St .
2. Montrer que si > 0, le processus (St )t[0,T ] est une sous-martingale.
3. Soit Ut = 1/St le taux de conversion des francs en dollars. Montrer que Ut vrifie
lquation diffrentielle stochastique suivante :
dUt
= (2 )dt dWt
Ut
En dduire que si 0 < < 2 , les processus (St )t[0,T ] et (Ut )t[0,T ] sont, lun et lautre,
des sous-martingales. En quoi cela peut-il sembler paradoxal ?
(b) On dira dune stratgie autofinance quelle est admissible si sa valeur actualise Vt
Montrer
est, pour tout t, positive et si supt[0,T ] Vt est de carr intgrable sous P.
que la valeur actualise dune stratgie admissible est une martingale sous P.
4. Montrer que si une stratgie admissible simule le call, cest--dire a pour valeur linstant
T , VT = (ST K)+ , alors pour tout t T la valeur de la stratgie linstant t est donne
par :
Vt = F(t, St)
o 1
2 /2))(T t)+(W
F(t, x) = E xe(r1 +( T Wt )
Ker0 (T t)
+
5. Montrer (par un calcul dtaill) que
F(t, x) = er1 (T t) xN(d1 ) Ker0 (T t) N(d2 )
o N est la fonction de rpartition de la loi normale centre rduite, et :
log(x/K) + (r0 r1 + (2 /2))(T t)
d1 =
T t
log(x/K) + (r0 r1 (2 /2))(T t)
d2 =
T t
6. On demande maintenant de montrer que loption est effectivement simulable.
(a) On pose St = e(r1 r0 )t St . Montrer lgalit :
dSt = St dWt
(b) Soit Fla fonction dfinie par F(t,
x) = er0 t F(t, xe(r0r1 )t ) (F dsignant la fonction
dfinie dans la question 4). On pose Ct = F(t, St) et Ct = er0 t Ct = F(t, St).
Montrer lgalit :
F
dCt = (t, St)er0 t St dWt
x
(c) En dduire que le call est simulable et expliciter le portefeuille ((H0t , Ht )) simulant
cette option.
7. Ecrire une relation de parit call-put, analogue celle vue en cours pour les actions et
donner un exemple darbitrage possible lorsque cette relation nest pas vrifie.
Problme 3 Options dchange
On considre un march financier dans lequel il y a deux actifs risqus de prix respectifs S 1t et
S2t linstant t et un actif sans risque de prix S0t = ert linstant t. Lvolution des prix S1t et
S2t au cours du temps est modlise par les quations diffrentielles stochastiques suivantes :
dS1t = S1t 1 dt + 1 dB1t
dS2t = S2t 2 dt + 2 dB2t
o (B1t )t[0,T ] et (B2t )t[0,T ] sont deux mouvements browniens standards indpendants dfinis sur
un espace de probabilit (, F , P), 1 , 2 , 1 et 2 des nombres rels, avec 1 > 0 et 2 > 0.
On notera Ft la tribu engendre par les variables alatoires B1s et B2s pour s t. Les processus
(B1t )t[0,T ] et (B2t )t[0,T ] sont alors des (Ft )-mouvements browniens et, pour t s, le vecteur
(B1t B1s , B2t B2s ) est indpendant de Fs .
Nous allons tudier lvaluation et la couverture dune option donnant le droit dchanger,
la date T , un des actifs risqus contre lautre.
1
Le symbole Edsigne lesprance sous la probabilit P.
86 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
Partie I
1. On pose 1 = (1 r)/1 et 2 = (2 r)/2 . Montrer que le processus dfini par :
1 2 1 2 2
Mt = e1 Bt 2 Bt 2 (1 +2 )t ,
2. Montrer que si les processus (H1t )0tT et (H2t )0tT dune stratgie autofinance sont
uniformment borns (ce qui signifie : C > 0, (t, ) [0, T ] , |Hit ()| C, pour
i = 1, 2), alors la valeur actualise de la stratgie est une martingale sous P.
3. Montrer que si une stratgie autofinance vrifie les hypothses de la question prcdente
et a pour valeur terminale VT = (S1T S2T )+ , sa valeur tout instant t < T est donne par
le symbole E dsignant lesprance sous P. Lexistence dune stratgie ayant cette valeur
sera dmontre dans ce qui suit. On considrera dans la suite que la valeur de loption
(S1T S2T )+ linstant t est donne par F(t, S1t, S2t ).
4. Montrer une relation de parit entre la valeur de loption (S1T S2T )+ et celle de loption
symtrique (S2T S1T )+ , analogue la relation de parit call-put vue en cours et donner
un exemple darbitrage possible lorsque cette relation nest pas vrifie.
Ch.4 MODLE DE BLACK ET SCHOLES 87
Partie III Le but de cette partie est dexpliciter la fonction F dfinie par (4.19) et de
construire une stratgie simulant loption.
1. Soient g1 et g2 deux variables alatoires gaussiennes centres rduites indpendantes et
soit un nombre rel.
(a) Montrer que sous la probabilit P() , de densit par rapport P donne par :
dP() 2
= eg1 2 ,
dP
les variables alatoires g1 et g2 sont des gaussiennes centres rduites indpen-
dantes.
(b) En dduire que pour tous rels y1 , y2 , 1 et 2 , on a
E ey1 +1 g1 ey2 +2 g2 =
+
2 2
y1 + 21 y1 y2 +2 2 y1 y2 2
=e N 1
e y2 + 2 N 2
,
2 2
1 +2 2 2
1 +2
montrer lgalit :
F F
dCt = (t, S1t, S2t )1 ert S1t dWt1 + (t, S1t, S2t )2 ert S2t dWt2 .
x1 x2
On
Rt 1pourra
1
utiliser Rt si (Xt ) est un processus dIt de la forme Xt = X0 +
R t 2 le 2fait que
J dWs + 0 Js dWs + 0 Ks ds et est une martingale sous P, alors Kt = 0, dtdP-
0 s
presque partout.
4. Construire une stratgie de couverture de loption dchange.
Partie I
1. Soient (H0t )0tT , (Ht )0tT et (c(t))0tT , trois processus adapts vrifiant la condition
i) ci-dessus. On pose Vt = H0t S0t + Ht St et Vt = ert Vt . Montrer qualors la condition
ii) est vrifie si et seulement si on a, pour tout t [0, T ],
Zt Zt
Vt = V0 + Hu dSu c(u)du, p.s.
0 0
(c) Un investisseur disposant dune richesse initiale x souhaite consommer, une richesse
correspondant la vente de actifs risqus par unit de temps, chaque instant o
St dpasse un certain niveau K. (ce qui correspond c(t) = St 1{S > K} ). A quelle
t
condition sur et x cette consommation est-elle finanable ?
t [0, T ] 1 (t) 2 ,
avec des constantes 1 et 2 telles que 0 < 1 < 2 . On considre un call europen dchance
T et de prix dexercice K sur une unit dactif risqu. On sait que si le processus ((t)) 0tT
est constant (avec (t) = pour tout t) le prix du call linstant t est C(t, S t ), o la fonction
C(t, x) vrifie
C 2 x 2 2 C C
(t, x) + 2
(t, x) + rx (t, x) rC(t, x) = 0 sur [0, T []0, [
t 2 x x
C(T, x) = (x K)+
avec R et > 0.
Nous alllons tudier un exemple doption sur option. On considre une option dachat
dchance T1 ]0, T [ et de prix dexercice K1 sur un call dchance T et de prix dexercice K
sur une unit dactif risqu. La valeur de cette option lchance T 1 est donc :
h = (C(T1 , ST1 ) K1 )+ ,
o
2
log(x/x1 ) + r 2
d= .
(c) Montrer que, si g1 est une gaussienne centre rduite indpendante de g, on a, en
posant 1 = T T1 ,
2
r ( g+ 1 g1 ) 2 (+1 ) r(+1 )
G(, x) + K1 e N(d) = E xe Ke 1A ,
4. Montrer que lon peut couvrir parfaitement loption sur option tudie laide dun por-
tefeuille ne contenant que des actifs sans risque et des calls sur lactif risqu sous-jacent.
o T0,T t est lensemble des temps darrt valeurs dans [0, T t] et (Wt )0tT est, sous P , un
mouvement brownien standard. On suppose r > 0. Pour t [0, T [, on note s(t) le prix critique
linstant t, dfini par
s(t) = inf{x > 0 | P(t, x) > K x}.
On rappelle que limtT s(t) = K.
1. Soit Pe la fonction donnant le prix du put europen dchance T et de prix dexercice K :
2
+
T tg 2 (T t)
Pe (t, x) = E er(T t) K xe ,
o g est une gaussienne centre rduite. Montrer que, si t [0, T [, lquation P e (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 [0, T [.
3. Montrer que !+
K se (t) K se (t)
lim inf E lim inf Kg .
tT T t tT T t
On utilisera le lemme de Fatou : pour toute suite (Xn )nN de variables alatoires positives,
E(lim infn Xn ) lim infn E(Xn ).
4. (a) Montrer que, pour tout nombre rel ,
E( Kg)+ > .
2 T
avec R et > 0. On notera P la probabilit de densit eBT 2 par rapport P, avec
= ( r)/. Sous P , le processus (Wt )0tT , dfini par Wt = r
t + Bt , est un mouvement
brownien standard.
Nous allons tudier une option dont la valeur la date dchance T est donne par
ZT !+
1
h= St dt K ,
T 0
o K est une constante positive. Une telle option est appele option asiatique.
Partie I
1. Rappeler brivement pourquoi la valeur un instant t (t T ) de loption asiatique ci-
dessus est donne par
ZT !+
1
Vt = E er(T t)
St dt K Ft .
T 0
R
1 t
2. Montrer que sur lvnement T 0
Su du K , on a
Zt
er(T t) 1 er(T t)
Vt = Su du + St Ker(T t) .
T 0 rT
(Conditionner par Ft ).
(b) En dduire que h i
V0 E erT (ST K)+ ,
cest--dire que la valeur de loption asiatique linstant 0 est plus petite que celle
dun call europen dchance T et de prix dexercice K.
(c) Pour t u, on note Ct,u la valeur linstant t dun call europen dchance u et
de prix dexercice K. Montrer lingalit :
Zt !+ ZT
er(T t) t 1 1
Vt Su du K + er(T u) Ct,u du.
T t 0 T t
Partie III Lobjet de cette partie est de proposer une approximation par dfaut de V 0
consistant remplacer la moyenne arithmtique par la moyenne gomtrique. On pose ainsi :
ZT ! !+
1
V^0 = erT E exp ln(St )dt K .
T 0
erT 1
!
V0 V^0 S0 e rT
exp (rT/2) 2 T/12 .
rT
Chapitre 5
Evaluation des options et quations aux drives partielles
Nous avons vu, au chapitre prcdent, que lon pouvait obtenir une formule explicite du prix
dune option europenne, dans le cadre du modle de Black et Scholes. Lorsque lon sintresse
des modles plus complexes ou que lon veut calculer des prix doptions amricaines, on ne
connait pas de formule explicite. On a, dans ce cas, le plus souvent recours des mthodes
numriques. Lobjectif de ce chapitre est de donner une introduction ces moyens de calcul.
On commence par tablir le lien entre le problme du calcul du prix des options europennes
et une quation aux drives partielles de type parabolique . Ce lien est fond sur la notion
de gnrateur infinitsimal dune diffusion. On montre comment rsoudre numriquement le
problme parabolique ainsi obtenu.
Le problme du calcul des prix doptions amricaines est plus dlicat, nous ne labordons
pas dans sa gnralit, mais uniquement dans le cadre du modle de Black et Scholes. On montre
en particulier le lien naturel entre la notion denveloppe de Snell et un systme dinquations
aux drives partielles de type parabolique, et lon indique comment traiter numriquement ce
type dinquations.
Les mthodes danalyse numrique employes dans ce chapitre tant classiques, nous
navons fait que rappeler les rsultats qui nous sont utiles sans chercher les justifier en dtail.
On trouvera une introduction la rsolution numrique des quations aux drives partielles
dans [RT83].
ST = x0 e(r
2 /2
)T +WT
Le calcul du prix dune option europenne est un cas particulier du problme suivant. Soit
(Xt )t0 une diffusion valeurs dans R, solution de :
o b et sont des fonctions valeurs relles vrifiants les hypothses du thorme 5.3 du
chapitre 3 et r(t, x) une fonction continue borne modlisant le taux dintrt sans risque. On
cherche calculer : R
tT r(s,Xs )ds
Vt = E e f(XT )|Ft .
Vt = F(t, Xt)
96 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
o : RT
r(s,Xt,x
F(t, x) = E e t s )ds
f(Xt,x
T ) ,
avec Xt,x
s qui est la solution de (5.1) issue de x linstant t. Intuitivement on a :
RT
r(s,Xs )ds
F(t, x) = E e t f(XT )|Xt = x .
o :
2 (t, x) 00
(At f) (x) = f (x) + b(t, x)f 0(x).
2
Avant de prouver ce rsultat, nous commenons par indiquer pourquoi loprateur A t intervient
de faon naturelle lorsque lon tudie des solutions dquations diffrentielles stochastiques.
Remarque 1.2 Si on note Xxt la solution de lquation diffrentielle stochastique (5.3) telle que
Xx0 = x, on dduit de la proposition 1.1 que :
Zt !
x x
E (f (Xt )) = f(x) + E Af (Xs ) ds .
0
De plus, comme les drives de f sont bornes par une constante K f et que |b(x)| + |(x)|
K(1 + |x|) on a :
! !!
E sup |Af(Xxs )| Kf0 1+E sup |Xxs |2 < +.
sT sT
Loprateur diffrentiel A est appel le gnrateur infinitsimal de la diffusion. Pour des com-
plments sur le gnrateur infinitsimal dune diffusion on pourra consulter [Bou88] chapitre
8.
Proposition 1.3 Si u(t, x) est une fonction de classe C1,2 en (t, x) drive en x borne, et Xt
est une solution de (5.1), le processus :
Zt !
u
Mt = u(t, Xt ) + As u (s, Xs )ds
0 t
est une martingale, o As est loprateur (agissant sur la variable x) dfini par :
2 (s, x) 2 u u
(As u) (x) = + b(s, x) .
2 x2 x
La dmonstration est analogue celle de la proposition 1.1 : on utilise, cette fois, la formule
dIt pour une fonction du temps et dun processus dIt (voir le thorme 4.10 du chapitre 3).
Pour tudier des quantits actualises, on tend lgrement le rsultat prcdent.
Proposition 1.4 Sous les hypothses de la proposition 1.3, si r(t, x) est une fonction continue,
borne sur R+ R, le processus :
Zt R !
0s r(v,Xv )dv u
R
0t r(s,Xs )ds
Mt = e u(t, Xt ) e + As u ru (s, Xs )ds
0 t
grce la formule dintgration par parties (voir la proposition 4.12 du chapitre 3), puis en
appliquant, comme prcdemment, la formule dIt au processus u(t, X t ).
Ce rsultat se gnralise aux cas des diffusions valeurs vectorielles. Soit lquation diff-
rentielle stochastique :
Pp j
1 1
dXt = b (t, Xt ) dt + j=1 1j (t, Xt ) dWt
.. .. .. (5.4)
. . .
P p j
dXnt = bn (t, Xt ) dt + j=1 nj (t, Xt ) dWt .
On suppose que les hypothses du thorme 5.5 du chapitre 3 sont vrifies. On introduit, pour
chaque t loprateur diffrentiel At qui une fonction f de classe C2 de Rn dans R associe la
fonction : n n
1X 2 f X f
(At f) (x) = ai,j (t, x) (x) + bj (t, x) (x),
2 i,j=1 xi xj j=1
x j
Pp
o aij (t, x) est la matrice dfinie par aij (t, x) = k=1 ik (t, x)jk (t, x). Avec des nota-
tions matricielles a(t, x) = (t, x) (t, x) o est la transpose de la matrice (t, x) =
(ij (t, x))i,j .
Proposition 1.5 Si (Xt ) est une solution du systme (5.4), si u(t, x) est une fonction valeur
relle de classe C1,2 en (t, x) drive en x borne sur R+ Rn et si r(t, x) est une fonction
continue borne sur R+ R, le processus :
Zt R !
Rt s u
Mt = e 0 r(s,Xs )ds u(t, Xt ) e 0 r(v,Xv )dv + As u ru (s, Xs )ds
0 t
est une martingale.
La dmonstration de la proposition 1.5 repose sur la formule dIt multidimensionnelle non-
ce page 55.
Remarque 1.6 Loprateur diffrentiel /t + At est parfois appel oprateur de Dynkin de la
diffusion.
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 lon note Xt,x la solution unique de (5.4) issue de x linstant t :
RT
r(s,Xt,x
s )ds
F(t, x) = E e t f(Xt,x
T ) .
Le rsultat suivant permet de relier la fonction F une quation aux drives partielles parabo-
lique.
Ch.5 EVALUATION DES OPTIONS ET QUATIONS AUX DRIVES PARTIELLES 99
Thorme 1.7 Soit u une fonction de classe C1,2 en (t, x) drive en x borne sur [0, T ]Rn ,
vrifiant :
x Rn u(T, x) = f(x),
et !
u
+ At u ru (t, x) = 0 (t, x) [0, T ] Rn
t
Alors :
RT
n r(s,Xt,x
s )ds
(t, x) [0, T ] R u(t, x) = F(t, x) = E e t f(Xt,x
T ) .
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 [RT83]). Une fois ce cadre dfini, il existe des thormes dexistence et dunicit 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 lon puisse appliquer la proposition 1.4. Ce genre de rsultats
sobtient gnralement sous une hypothse dellipticit pour loprateur A t , de la forme :
2 2 2
At = Abs = x 2
+ rx .
2 x x
log(x/K) + (r + 2 /2)(T t)
d1 =
1
R d x2 /2T t
N(d) =
2
e dx,
2
!
dXt = r dt + dWt ,
2
2 /2)t+W
puisque St = S0 e(r t
. Le gnrateur infinitsimal du processus Xt , scrit :
2 2 2
!
bslog
A = + r .
2 x2 2 x
2 2 2
!
bslog
A = + r r. (5.7)
2 x2 2 x
Le lien entre le problme parabolique associ Abslog et le calcul du prix dune option dans
le modle de Black et Scholes sexprime de la faon suivante. Si lon cherche calculer le prix
dune option sur f(ST ) linstant t et pour un cours x : F(t, x) et si v est une solution rgulire
de :
v
(t, x) + Abslog v(t, x) = 0 dans [0, T ] R
t (5.8)
v(T, x) = f(ex ), x R,
alors, on a F(t, x) = v(t, log(x)).
Ch.5 EVALUATION DES OPTIONS ET QUATIONS AUX DRIVES PARTIELLES 101
1.4 Equation aux drives partielles sur un ouvert born et calcul desp-
rance
Nous allons supposer, dans tout ce qui suit, que lactif volue dans R et que b(x), (x)
et r(x) ne dpendent pas du temps. r(x) est le taux dintrt sans risque et A est loprateur
diffrentiel :
1 2 f(x) f(x)
(Af)(x) = (x)2 2
+ b(x) .
2 x x
On note Af(x) = Af(x) r(x)f(x). Lquation (5.5) scrit :
u
(t, x) + Au(t, x) = 0 dans [0, T ] R
t (5.9)
u(T, x) = f(x), x R.
Lorsque lon se pose le problme (5.9) non plus sur R tout entier mais sur O =]a, b[, il faut
alors imposer des conditions aux limites en a et b. Nous allons nous intresser plus particuli-
rement au cas o lon impose des conditions aux limites nulles (on appelle ce type de condition
aux limites condition de Dirichlet). On cherche, alors, rsoudre :
u
(t, x) + Au(t, x) = 0 dans [0, T ] O
t (5.10)
u(t, a) = u(t, b) = 0 t T
u(T, x) = f(x) x O.
Une solution rgulire de (5.10) peut aussi sinterprter en terme de diffusion. On note X t,x la
solution de (5.3) issue de x linstant t.
Thorme 1.9 Soit u une fonction de classe C1,2 en (t, x) drive en x borne de lquation
(5.10), alors :
RT
e r(Xt,x
s )ds
(t, x) [0, T ] O u(t, x) = E 1 t f(Xt,x
T ) .
s [t, T ], Xt,x
s O
sont des temps darrt (la dmonstration est identique celle de la proposition 3.6 du chapitre
3). En crivant, le thorme darrt entre 0 et x , on obtient E(M0 ) = E(Mx ), soit en tenant
compte du fait que si s [0, x ], Af(X0,x
s ) = 0:
R x
r(s,X0,x
u(0, x) = E e 0 s )ds u(x , X0,x
x )
RT
r(s,X0,x
= E 1 e 0 s )ds
u(T, X0,x
T )
s [t, T ], Xt,x
s O
R x
r(s,X0,x
+E 1 e 0 s )ds
u( x
, X0,x
x ) .
s [t, T ], Xt,x
s 6 O
102 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
Mais, dune part f(x) = u(T, x) et dautre part, sur lvnement {s [t, T ], X t,x
s 6 O},
x 0,x
u( , Xx ) = 0, donc :
RT
e r(s,X0,x
s )ds
u(0, x) = E 1 0 f(X0,x
T ) .
s [t, T ], Xt,x
s O
2.1 Localisation
Le problme (5.9) se pose sur R. Pour le discrtiser on va devoir se restreindre tout dabord
un ouvert born du type Ol =]l, l[, l tant une constante choisir soigneusement si lon veut
que lalgorithme soit efficace. Il faut de plus imposer des conditions aux limites au bord (i.e. en l
et l). On utilise soit des conditions de type Dirichlet (i.e. on impose u(l) = u(l) = 0 ou une
autre valeur plus pertinente) soit des conditions de type Neumann (i.e. on impose (u/x)(l) =
(u/x)(l) = 0 ou, l aussi, toute autre valeur non nulle pertinente). On obtient, par exemple,
dans le cas o lon impose des conditions de type Dirichlet lquation aux drives partielles
suivante :
u(t, x)
+ Au(t, x) = 0 dans [0, T ] Ol
t
u(t, l) = u(t, l) = 0 si t [0, T ]
u(T, x) = f(x) si x Ol
Nous allons montrer comment on peut estimer lerreur commise lorsque lon se restreint
Ol . Nous nous intresserons uniquement au modle de Black et Scholes (aprs changement de
variable logarithmique), lactif Xt est donc solution de lquation :
On cherche calculer le prix dune option sur une variable alatoire de la forme f(S T ) =
= f(ex ). On impose, pour simplifier, des conditions de type Dirichlet.
f(S0 eXT ). On note f(x)
Ch.5 EVALUATION DES OPTIONS ET QUATIONS AUX DRIVES PARTIELLES 103
On peut prouver que, dans ce cas, la solution u de (5.9) et les solutions u l de (5.10) sont
suffisamment rgulires pour que lon puisse affirmer que :
t,x
u(t, x) = E er(T t) f(X T )
et
ul (t, x) = E 1 t,x
er(T t) f(X
T ) .
s [t, T ], |Xt,x
s | < l
o Xt,x 2
s = x exp((r /2)(s t) + (Ws Wt )). Nous supposons, enfin, que la fonction f (et
est borne par une constante M et que r 0. Il est alors facile de se convaincre que :
donc f)
|u(t, x) ul (t, x)| MP s [t, T ], |Xt,x
s | l .
Mais, si r 0 = r 2 /2 :
{s [t, T ], |Xt,x 0
s | l} suptsT |x + r (s t) + (Ws Wt )| l
suptsT |x + (Ws Wt )| l |r 0 T | .
Donc :
|u(t, x) ul (t, x)| MP suptsT |x + (Ws Wt )| l |r 0 T |
= MP sup0sT t |x + Ws | l |r 0 T |
MP sup0sT |x + Ws | l |r 0 T | .
|ax|2 |a+x|2
Ces deux rsultats donnent P supsT |x + Ws | a e 2 T + e 2 T . On peut donc
affirmer que : !
|l|r 0 T |x|2 |l|r 0 T |+x|2
|u(t, x) ul (t, x)| M e 2 T +e 2 T . (5.11)
Ceci prouve que pour t et x fixs liml+ ul (t, x) = u(t, x). La convergence est mme uni-
forme en t et en x si x reste dans une partie compacte de R.
104 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
La mthode des diffrences finies ralise une discrtisation en temps et en espace de lquation
(E) .
On commence par discrtiser loprateur diffrentiel A sur Ol . Pour cela on remplace une
fonction (f(x))xOl appartenant un espace de dimension infinie, par un vecteur (f i )1iN
de dimension finie. On procde de la faon suivante, on pose x i = l + 2il/(N + 1), pour
0 i N + 1, chaque fi est cens approximer f(xi ). On approxime les conditions aux limites
par f0 = 0, fN+1 = 0 dans le cas de conditions de Dirichlet et f0 = f1 , fN = fN+1 dans le cas
de conditions de Neumann.
On note h = 2l/(N + 1) et uh = (uih )1iN un vecteur de RN . Pour discrtiser loprateur
A par un oprateur Ah sur RN , on substitue :
u(xi ) ui+1
h uh
i1
b(xi ) : b(xi )
x 2h
et :
ui+1 uih uih ui1
2 u(x) h
h
ui+1 i i1
h 2uh + uh
2 (xi ) : 2 (xi ) h h
= .
x2 h h2
On obtient ainsi un oprateur Ah sur RN .
Remarque 2.2 Pour le modle de Black et Scholes (aprs changement de variable logarith-
mique) :
2 2 u(x) 2 u(x)
!
bslog
A u(x) = + r ru(x),
2 x2 2 x
on obtient :
2 i+1 2
!
i i1
1 i+1
(Ah uh )i = u 2u + u + r uh ui1 . ruih
2h2 h h h
2 2h h
Ah est donc reprsent par la matrice tridiagonale suivante, en tenant compte des conditions
Ch.5 EVALUATION DES OPTIONS ET QUATIONS AUX DRIVES PARTIELLES 105
o :
2 1 2
= 2h2
2h
r 2
2
= h2 r
= 2 + 1 r 2
2h2 2h 2
+ 0 0
0
0 0
0 0
. (5.12)
.. . . . . . . ..
0 . . . . .
0 0
0 0 0 +
Cette discrtisation en espace permet de ramener (E) une quation diffrentielle ordinaire
(Eh ) :
duh (t)
(Eh ) + Ah uh (t) = 0 si 0 t T
dt
uh (T ) = fh
o fh = (fih )1iN est le vecteur fih = f(xi ).
On discrtise alors cette quation en temps grce ce que lon appelle des -schmas. Cela
signifie que lon se donne [0, 1], k un pas de temps tel que T = Mk et que lon approxime
la solution uh de (Eh ) linstant nk par uh,k solution de :
uM = f h
h,k
n dcroissant, on rsout pour chaque n :
(Eh,k )
un+1 n
h,k uh,k
+ Ah unh,k + (1 )Ah un+1
h,k = 0 si 0 n M 1
k
Remarque 2.3 Lorsque = 0 le schma prcdent porte le nom de schma explicite,
car uh,k se calcule en fonction de un+1
n
h,k . Lorsque > 0, par contre, on doit rsoudre
n
chaque tape un systme du type Tuh,k = b, avec :
T = I kAh
b = I + (1 ) kAh un+1
h,k
o T 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.
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 est constante.
106 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
Nous allons maintenant voir comment on rsout algorithmiquement lquation (E h,k ). A chaque
pas de temps n on cherche une solution de TX = G o :
n
X = u h,k
G = I + (1 )kAh un+1 h,k
T = I kAh .
T est une matrice tridiagonale. Lalgorithme suivant (il sagit en fait de la mthode de Gauss)
permet de rsoudre ce systme en utilisant un nombre de multiplications proportionnel N.
Posons X = (xi )1iN , G = (gi )1iN et :
b1 c 1 0 0 0
a 2 b2 c 2 0 0
0 a 3 b3 c3 0
T=
.. . . .. .. ..
0 . . . . .
0 0 aN1 bN1 cN1
0 0 0 aN bN
Ch.5 EVALUATION DES OPTIONS ET QUATIONS AUX DRIVES PARTIELLES 107
b10 0 0
0 0
a2 b20 0 0 0
0
0 a 3 b3 0 0
T0 = .
.. . . .. .. ..
0 . . . . .
0
0 0 aN1 bN1 0
0
0 0 0 a N bN
Remarque 2.6 La matrice T nest pas forcment inversible. Cependant, si elle vrifie, pour tout
i, |ai | + |ci | |bi |, on peut prouver quelle lest. Lorsque T nest pas inversible, lalgorithme
prcdent peut conduire des rsultats errons. Il est facile de vrifier que la condition prc-
dente dinversibilit est remplie, dans le cas du modle de Black et Scholes si |r 2 /2| 2 /h,
cest dire si h est suffisamment petit.
Vt = (t, St )
o :
f xe(r /2)(t)+(W Wt )
2
r(t)
(t, x) = sup E e
Tt,T
o, sous P , (Wt )t0 est un mouvement brownien standard et Tt,T lensemble des temps darrt
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 ny a pas de formule
explicite et les mthodes numriques sont invitables.
108 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
Le problme rsoudre est un cas particulier du problme suivant : tant donne une bon-
ne fonction f et une diffusion (Xt )t0 valeurs dans Rn , solution du systme (5.4), calculer la
fonction : R
(t, x) = sup E e t r(s,Xs )ds f Xt,x
t,x
.
Tt,T
Dmonstration : Nous nallons pas donner une dmonstration prcise de ce rsultat, mais sim-
plement ses grandes lignes. Pour une dmonstration dtaille, on consultera [BL78] (chapitre 3
section 2) et [JLL90] (section 3). On se ramne au cas o t = 0 (la dmonstration tant pratique-
ment identique lorsque t > 0). On note Xxt la solution de (5.4) issue de x en 0. La proposition
1.3 permet daffirmer que le processus :
Zt R !
R
0t r(s,Xx )ds x s
r(v,X x )dv u
Mt = e s
u(t, Xt ) e 0 v
+ As u ru (s, Xxs )ds
0 t
est une martingale. En appliquant le thorme darrt (thorme 3.4 du chapitre 3) cette mar-
tingale entre 0 et , un temps darrt plus petit que T on obtient E(M ) = E(M0 ), et comme
u
t
+ As u ru 0 : R
x
u(0, x) E e 0 r(s,Xs )ds u(, Xx ) .
R
r(s,Xx
Mais u(t, x) f(x), donc u(0, x) E e 0 s )ds f(Xx ) . Ce qui prouve que :
R
r(s,Xx
u(0, x) sup E e 0 s )ds
f(Xx ) = F(0, x).
T0,T
Maintenant, si on pose opt = inf{0 s T, u(s, Xxs ) = f(Xxs )}, on peut montrer que opt est
un temps darrt. Dautre part, pour s entre 0 et opt , on a :
!
u
+ As u ru (s, Xxs ) = 0.
t
Ch.5 EVALUATION DES OPTIONS ET QUATIONS AUX DRIVES PARTIELLES 109
Ce qui prouve que u(0, x) F(0, x), puis que u(0, x) = F(0, x). On a mme dmontr que
opt est un temps darrt optimal (i.e. qui ralise le supremum parmi tous les temps darrt).
Remarque 3.3 La formulation prcise du systme (5.13) est dlicate, car mme pour f rgu-
lire, la solution u nest pas de classe C2 en gnral. La bonne mthode consiste introduire
une formulation variationnelle du problme (voir [BL78]). La dmonstration qui est esquisse
plus haut est rendue difficile par le fait que lon ne peut pas appliquer directement la formule de
It une solution de linquation prcdente.
avec :
2 1
2
a = k 2h 2 + r
2 2h 2
b = 1 + k h2 + r
2
1
2
c = k 2h 2 + 2h r 2
(AD) est une inquation en dimension finie. On sait rsoudre de tels systmes dinquations
la fois thoriquement et algorithmiquement, si la matrice T est coercive (cest dire si X.TX
X.X,
avec
> 0). On peut dautre
part vrifier que, dans notre cas, T vrifie cette hypothse si
2 2 k 2
r 2 h et si 2h r 2 < 1. En effet, cette condition implique que a et c sont ngatifs,
n
X n
X n1
X
x.Tx = axi1 xi + bx2i + cxi xi+1 + ax21 + cx2n
i=2 i=1 i=1
n
X n
X n1
X
2 2 2
(a/2) xi1 + xi + bxi + (c/2) x2i + x2i+1 + ax21 + cx2n
i=2 i=1 i=1
Xn n
2 X 2
! !
1 2 k
a + b + c |a c| xi 1 r x .
2 i=1 i
2 i=1
2h
Sous cette hypothse de coercivit on peut prouver quil existe une solution unique pour le
problme (Ah,k ) (voir exercice 28).
Le thorme suivant prcise la nature de la convergence dune solution de (Ah,k ) vers la
solution de (A). On note :
M X
X N
ukh (t, x) = (unh,k )i 1]xi h/2,xi +i/2] 1](n1)k,nk] .
n=1 i=1
Remarque 3.6 Dans la pratique on utilise surtout = 1, cause de ses proprits de conver-
gence inconditionnelle.
Dans le cas du put amricain, et lorsque le pas h est suffisamment petit, on sait rsoudre le
systme (AD) trs efficacement en modifiant lalgorithme de rsolution des systmes dqua-
112 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
On trouvera la preuve que, sous les hypothses prcdentes, cet algorithme calcule bien une
solution de linquation (AD) dans [JLL90].
Remarque 3.7 Lalgorithme est exactement le mme que dans le cas europen en dehors de
ltape xi = sup(xi , fi ). Ceci le rend trs efficace.
Il existe dautres algorithmes permettant de rsoudre les inquations en dimension finie,
on trouvera une description de certaines de ces mthodes dans [JLL90] (pour des mthodes
exactes) et [GLT76] (pour des mthodes itratives).
Remarque 3.8 Lorsque lon fait = 1 dans (Ah,k ), que lon impose des conditions aux limites
du type Neumann et que lon applique lalgorithme de rsolution prcdent, la mthode de
rsolution porte le nom d algorithme de Brennan et Schwartz [BS77].
Il faut bien noter que lalgorithme prcdent ne calcule la solution correcte du systme din-
quations (AD), que sous les hypothses soulignes plus haut, en particulier, il est spcifique
au cas du put amricain. Il existe des cas o le rsultat calcul par cet algorithme nest pas la
solution de (AD), comme on sen convainc aisment sur lexemple suivant :
1 1 0 1 0
M = 1 0 , F = 2 , G = 0 .
0 0 1 0 1
4 Exercices
Exercice 28 On note (X, Y) le produit scalaire de deux vecteurs X = (x i )1in et Y =
(yi )1in de Rn . La notation X Y signifie que pour tout i entre 1 et n, xi yi . On sup-
pose que M vrifie, pour tout X de Rn (X, MX) (X, X) avec > 0. Nous allons tudier le
systme :
MX G
XF
(MX G, X F) = 0
1. Dmontrer que ce problme est quivalent trouver X F tel que :
V F (MX G, V X) 0. (5.17)
3. Dmontrer que si M est la matrice identit, alors il existe une solution unique (5.17).
4. Soit un nombre positif, on note S (X) lunique Y F tel que :
V F (Y X + (MX G), V Y) 0.
o :
2 x 2 2
Abs = + rx r.
2 x2 x
1. On note ue (t, x) la valeur du put europen pour le modle de Black Scholes. Ecrire le
systme dinquations vrifi par v = u ue .
2. On va approximer la solution v = uue de cette inquation en la discrtisant uniquement
en temps et en utilisant un seul pas de temps. Lorsque on utilise une mthode totalement
implicite, montrer que lapproximation v(x) de v(0, x) vrifie :
bs
v(x) + T A v(x) 0 p.p. dans ]0, +[
v (t, x) (x)
= (K x)+ ue (0,x) p.p. dans ]0, +[ . (5.18)
v(x) (x) v(x) + T Abs v(x) = 0 p.p. dans ]0, +[
3. Trouver lunique valeur de telle que v(x) = x soit solution de v(x) + T Abs v(x) = 0
et telle que limx+ u(x) = 0
4. On va chercher une solution continue drive continue de (5.18) sous la forme :
x si x x
v(x) = (5.19)
(x) sinon.
Ecrire les quations que doivent vrifier et pour que v soit continue et drive
continue en x . En dduire, que si v est continue et drive continue, alors x est solution
de f(x) = x o :
K ue (0, x)
f(x) = || 0 ,
ue (0, x) + 1 + ||
et ue0 (t, x) = (ue (t, x)/x).
5. En utilisant la formule explicite de ue (0, x) (voir chapitre 4 quation 4.9) dmontrer que
f(0) > 0, que f(K) < K (on pourra utiliser la convexit de la fonction u e ) et que f(x) x
est dcroissante. En dduire quil existe une solution unique f(x) = x.
6. Dmontrer que v(x) dfinie par (5.19) o x est la solution unique de f(x) = x est une
solution de (5.18).
Ch.5 EVALUATION DES OPTIONS ET QUATIONS AUX DRIVES PARTIELLES 115
Les modles de taux dintrt sont utiliss principalement pour pricer et couvrir des obli-
gations et des options sur obligations. Jusqu prsent, aucun modle na pu simposer comme
modle de rfrence au mme titre que le modle de Black-Scholes pour les options sur actions.
Dans ce chapitre, nous tentons de prsenter les principes de base de la modlisation (en suivant
essentiellement [AD89]) puis, nous illustrons la thorie par ltude de trois modles particuliers.
1 Principes de la modlisation
1.1 Notion de courbe des taux
Dans la plupart des modles que nous avons introduits jusqu prsent, le taux dintrt est
suppos constant. Dans la ralit, on observe que le taux dintrt dun prt dpend la fois de
la date t dmission du prt et de la date T dchance ou de maturit du prt.
Une personne empruntant 1 franc linstant t, jusqu lchance T , devra rembourser une
somme F(t, T ) la date T , ce qui quivaut un taux dintrt moyen R(t, T ) donn par lgalit
Si on se place en environnement certain, cest dire si on suppose que tous les taux dint-
rt (R(t, T ))tT sont connus, alors, en labsence dopportunit darbitrage, la fonction F doit
vrifier :
t < u < s F(t, s) = F(t, u)F(u, s).
Il est facile en effet dexhiber des arbitrages possibles lorsque cette galit nest pas vrifie
(exercice !). Cette relation, jointe lgalit F(t, t) = 1, entrane, si F est rgulire, lexistence
dune fonction r(t) telle que :
ZT !
t < T F(t, T ) = exp r(s)ds
t
Cette galit, quil est intressant de comparer la formule (6.1), montre que les prix P(t, u) ne
dpendent que du comportement du processus (r(s))0sT sous la probabilit P . Lhypothse
que nous avons faite sur la filtration (Ft )0tT permet de prciser la forme de la densit de la
probabilit P par rapport P. Notons LT cette densit. Pour toute variable alatoire positive X,
on a : E (X) = E(XLT ) et, si X est Ft -mesurable : E (X) = E(XLt ), en posant Lt = E(LT |Ft ).
La variable alatoire Lt est donc la densit de la restriction de P Ft par rapport P.
Proposition 1.1 Il existe un processus adapt (q(t))0tT tel que, pour tout t [0, T ],
Zt Z
1 t
!
Lt = exp q(s)dWs q(s)2 ds p.s. (6.3)
0 2 0
Ch.6 MODLES DE TAUX DINTRT 119
Dmonstration : Le processus (Lt )0tT est une martingale par rapport (Ft ), qui est la
filtration naturelle du mouvement brownien (Wt ). Il en rsulte (cf. paragraphe 2.3 du chapitre 4)
RT
quil existe un processus adapt (Ht )0tT vrifiant 0 H2t dt < p.s. et, pour tout t [0, T ] :
Zt
Lt = L 0 + Hs dWs p.s.
0
Puisque LT est une densit de probabilit, on a E(LT ) = 1 = L0 et, puisque P est quivalente
P, on a LT > 0 p.s. et plus gnralement P(Lt > 0) = 1 quel que soit t. Pour obtenir la formule
(6.3), on est tent dappliquer laRformule dIto avec la fonction log. Pour cela, on a besoin de
t
vrifier que P t [0, T ], L0 + 0 Hs dWs > 0 = 1. Cette vrification (qui utilise de manire
cruciale la proprit de martingale) fait lobjet de lexercice 30. Ce point tant acquis, la formule
dIto donne : Zt Z
1 1 t 1 2
log (Lt ) = Hs dWs H ds p.s.
0 Ls 2 0 L2s s
Ht
ce qui entrane lgalit (6.3) avec q(t) = Lt
.
E ( XLT | Ft )
E (X|Ft ) = . (6.5)
Lt
Proposition 1.3 Pour chaque chance u, il existe un processus adapt ( ut )0tu tel que, sur
[0, u] :
dP(t, u)
= (r(t) ut q(t))dt + ut dWt (6.6)
P(t, u)
Rt 1
Rt
u
s dWs 2 (u 2
s ) ds
P(t, u)Lt = P(0, u)e 0 0 .
dS0
Remarque 1.4 La formule (6.6) est rapprocher de lgalit S0t = r(t)dt, vrifie par lactif
t
dit sans risque. Cest la prsence du terme en dWt qui rend les obligations plus risques. De
plus, pour lintuition, lexpression r(t) ut q(t) apparat comme le rendement moyen (i.e. en
esprance) de lobligation linstant t (car les accroissements du mouvement brownien sont
de moyenne nulle) et lexpression ut q(t) exprime la diffrence entre le rendement moyen de
lobligation et le taux sans risque. Do linterprtation de q(t) comme
Rt une prime de risque.
Sous la probabilit P , le processus (Wt ) dfini par : Wt = Wt 0 q(s)ds est un mouvement
brownien standard (thorme de Girsanov) et on a :
dP(t, u)
= r(t)dt + ut dWt . (6.7)
P(t, u)
Pour cette raison la probabilit P est souvent appele probabilit corrige du risque ou proba-
bilit risque-neutre.
Proposition 1.6 On suppose sup0tT |r(t)| < p.s. et Tt 6= 0 p.s., pour tout t [0, ].
R
Soit < T et soit h une variable alatoire F mesurable telle que he 0 r(s)ds soit de carr
intgrable sous P . Alors, il existe une stratgie admissible dont la valeur linstant est gale
h. La valeur un instant t dune telle stratgie est donne par :
R
r(s)ds
Vt = E e t h Ft .
Dmonstration : La mthode est la mme que dans le chapitre 4. On observe dabord que si
Vt est la valeur (actualise) linstant t dune stratgie admissible ((H0t , Ht ))0tT , on a, en
utilisant la condition dautofinancement, la formule dintgration par parties et la remarque 1.4
(cf. quation (6.7)) :
dVt = Ht dP(t, T )
= Ht P(t, T )Tt dWt .
On en dduit, compte tenu du fait que supt[0,T ] Vt est de carr intgrable sous P , que (Vt ) est
une martingale sous P . On a donc :
t Vt = E V Ft
Pour achever la dmonstration, il suffit de construire une stratgie admissible ayant chaque
R
instant cette valeur. Pour cela, on montre quil existe un processus (J t )0t tel que 0 J2t < ,
p.s. et : Z
R R
r(s)ds r(s)ds
he 0 =E he 0 + Js dWs .
0
Noter que cette proprit nest pas une R
consquence triviale du thorme de reprsentation des
0 r(s)ds
martingales car on ne sait pas si he est dans la tribu engendre par les Wt , t (on
sait seulement quelle est dans la tribu F qui peut tre plus grande ; voir ce sujet lexercice
32). Ce point tant acquis, il suffit de poser :
Jt R Jt
Ht = et H0t =E
he 0
r(s)ds
Ft
P(t, T )Tt Tt
pour t . On vrifie aisment que ((H0t , Ht ))0t dfinit une stratgie admissible (lhypo-
R
thse sup0tT |r(t)| < p.s. permet dassurer la condition 0 |r(s)H0s |ds < ) dont la valeur
linstant est bien gale h.
Remarque 1.7 Nous ne nous sommes pas poss la question de lunicit de la probabilit P et il
nest pas clair que le processus de risque (q(t)) soit dfini sans ambigut. En fait, on peut mon-
trer (cf. [AD89]) que P est lunique probabilit quivalente P sous laquelle (P(t, T ))0tT
soit une martingale si et seulement si le processus (Tt ) vrifie : Tt 6= 0, dtdP presque partout.
Cette condition, un peu plus faible que lhypothse de la proposition 1.6, est exactement ce
quil faut pour pouvoir couvrir les options avec des obligations dchance T , ce qui nest pas
tonnant si lon songe la caractrisation des marchs complets que nous avons donne dans le
chapitre 1.
122 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
o a, b, sont des constantes positives. On suppose aussi que le processus q(t) est une
constante q(t) = , avec R. Alors :
Xt = r(t) b,
ce qui signifie que (Xt ) est un processus dOrnstein-Uhlenbeck (cf. chapitre 3, paragraphe 5.2).
On en dduit que r(t) peut scrire :
Zt
at at at
r(t) = r(0)e +b 1e + e eas dWs (6.10)
0
et que r(t) suit une loi normale dont la moyenne est donne par E(r(t)) = r(0)e at +
2at
b (1 eat ) et la variance par Var(r(t)) = 2 1e2a . Cela entrane que P(r(t) < 0) > 0,
ce qui pour la pratique nest pas trs satisfaisant (sauf si cette probabilit reste trs faible). Noter
que, quand t tend vers linfini, r(t) converge en loi vers une gaussienne de moyenne b et de
2
variance 2a .
Pour calculer le prix des zro-coupons, on se place sous la probabilit P et on utilise lqua-
tion (6.9). Daprs lgalit (6.2),
RT
P(t, T ) = E e r(s)ds
Ft
t
(T t)
RT
Xs ds
= eb E e t
Ft (6.11)
on peut crire :
RT
Xs ds
= F(T t, Xt ) = F(T t, r(t) b )
E e Ft (6.13)
t
R x
o F est la fonction dfinie par : F(, x) = E e 0 Xs ds , (Xxt ) tant lunique solution de
lquation (6.12) qui vrifie : Xx0 = x (cf. chapitre 3, remarque 5.11).
Le calcul de F(, x) peut se faire compltement. En effet, on sait (cf. chapitre 3) que le pro-
R
cessus (Xxt ) est gaussien, trajectoires continues. Il en rsulte que 0 Xxs ds est une gaussienne,
puisque lintgrale est limite de sommes de Riemann, qui sont gaussiennes. On a donc, daprs
lexpression de la transforme de Laplace dune gaussienne,
R R R
s ds)+ 2 Var(
= eE ( s ds)
1
Xx Xx Xx
E e 0 s ds 0 0 .
notons quil ne dpend pas du taux instantan spot r. Cette dernire proprit est considre
comme un dfaut du modle par les financiers.
124 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
Remarque 2.1 Dans la pratique, se pose le problme de lestimation des paramtres et du choix
de la valeur de r. Pour r on choisira un taux court (par exemple le taux au jour le jour ou
jj), on pourra alors caler les paramtres b, a, par des mthodes statistiques sur les donnes
historiques du taux instantan. Puis on dtermine 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 sur les donnes de march.
Remarque 2.2 Le calcul des options sur obligations se fait facilement dans le modle de Vasi-
cek, grce au caractre gaussien du processus dOrnstein-Uhlenbek (cf. exercice 33).
Thorme 2.3 On suppose que (Wt ) est un mouvement brownien standard dfini sur [0, [.
Pour tout rel x 0, il existe un unique processus continu adapt (X t ), valeurs dans R+ ,
vrifiant X0 = x et
q
dXt = (a bXt ) dt + Xt dWt sur [0, [. (6.16)
Pour une dmonstration de ce rsultat, nous renvoyons [IW81], p. 221. Pour permettre ltude
du modle de Cox-Ingersoll-Ross, nous allons donner quelques proprits de cette quation.
Nous noterons (Xxt ) la solution de (6.16) issue de x et x0 le temps darrt dfini par :
x0 = inf{t 0|Xxt = 0}
et
( + b + et ( b)) + 2 (et 1)
, (t) =
2 (et 1) + b + et ( + b)
q
avec = b2 + 22 .
Dmonstration : Le fait que lesprance calculer puisse se mettre sous la forme e a(t)x(t)
rsulte dune proprit dadditivit du processus (Xxt ) par rapport au paramtre a et la condi-
tion initiale x (cf. [IW81], p.225, [RY90]). Si, fixant et , on considre la fonction F(t, x)
dfinie par : Rt x
x
F(t, x) = E eXt e 0 Xs ds , (6.17)
il est naturel de chercher F comme solution du problme :
F 2 2 F F
= x 2 + (a bx) xF
t 2 x
F(0, x) = e x
x
En effet, si F vrifie ces quations et a des drives bornes, la formule dIt montre que, pour
tout T , le processus (Mt )0tT , dfini par :
Rt
Xx
Mt = e 0 s ds
F(T t, Xxt )
est une martingale et lgalit E(MT ) = M0 donne (6.17). Si F est de la forme : F(t, x) =
ea(t)x(t) les quations ci-dessus se traduisent par : (0) = 0, (0) = et
2
0 (t) = 2 2 (t) + b(t)
0 (t) = (t)
Cette fonction est la transforme de Laplace dune loi connue sous le nom de loi du chi-deux
dcentre degrs de libert, de paramtre de dcentrage (voir ce sujet lexercice 35). La
densit de cette loi est donne par la fonction f, , dfinie par :
e/2 x 1
2 42
f, (x) = 1 e
x I 1 x pour x > 0,
2 4 2 2
et
2 e t 1
(t) =
b + e t ( + b )
q
avec b = b + et = (b )2 + 22 . Le prix linstant t est donn par : P(t, T ) =
exp (a(T t) r(t)(T t)).
Calculons maintenant le prix, linstant 0, dun call europen dchance , de prix dexer-
cice K, sur un zro-coupon dchance T . On peut montrer que les hypothses de la proposition
1.6 sont vrifies ; le prix linstant 0 du call est donc donn par :
R
r(s)ds
C0 = E e 0 (P(, T ) K)+
R
r(s)ds a(T )r()(T )
= E e 0 e K
+
R
= E e 0 r(s)ds
P(, T )1{r() < r }
R
KE e 0
r(s)ds
1{r() < r }
R
Remarquons que E e 0
r(s)ds
P(, T ) = P(0, T ), par la proprit de martingale des prix
R
actualiss. De mme, E e 0 r(s)ds = P(0, ). On peut donc crire le prix de loption sous la
forme :
C0 = P(0, T )P1 (r() < r ) KP(0, )P2 (r() < r )
en notant P1 et P2 les probabilits dont les densits par rapport P sont donnes respectivement
par : R R
dP1 e 0 r(s)ds P(, T ) dP2 e 0 r(s)ds
= et = .
dP P(0, T ) dP P(0, )
On dmontre (cf. exercice 36) que, si on pose
2 e 1
L1 =
2 (e + 1) + ( (T ) + b ) (e 1)
2
et
2 e 1
L2 = ,
2 (e + 1) + b (e 1)
la loi de r()
L1
sous P1 , (resp. de r()
L2
sous P2 ) est une loi du chi-deux dcentre 4a/2 degrs
de libert et de paramtre de dcentrage gal 1 (resp. 2 ), avec
8r(0) 2 e
1 = 2
(e 1) ( (e + 1) + (2 (T ) + b )(e 1))
et
8r(0) 2 e
2 = 2 .
(e 1) ( (e + 1) + b (e 1))
Avec ces notations, en introduisant la fonction de rpartition F, de la loi du chi-deux dcentre
degrs de libert de paramtre de dcentrage , on a donc :
r r
C0 = P(0, T )F4a/2,1 KP(0, )F4a/2,2 .
L1 L2
pour toute chance u. Le nombre f(t, s) reprsente donc le taux dintrt instantan la date
s tel que le march le voit la date t. Pour chaque u, le processus (f(t, u)) 0tu doit donc
tre un processus adapt et il est naturel de poser : f(t, t) = r(t). On impose galement lap-
plication (t, s) 7 f(t, s), dfinie pour t s, dtre continue. La modlisation consiste ensuite
supposer que, pour chaque chance u, le processus (f(t, u)) 0tu vrifie une quation de la
forme : Zt Zt
f(t, u) = f(0, u) + (v, u)dv + (f(v, u))dWv , (6.20)
0 0
avec un processus ((t, u))0tu adapt, lapplication (t, u) 7 (t, u) tant continue et
tant une application continue de R dans R (on peut aussi prendre dpendant du temps, cf.
[Mor89]).
Il faut alors sassurer que ce modle est compatible avec lhypothse (H). Cela impose
des conditions sur les coefficients et du modle. Pour les faire apparatre,
R u on calcule la
dP(t,u)
diffrentielle P(t,u) et on la compare lquation (6.6). Posons : Xt = t f(t, s)ds. On a
P(t, u) = eXt et, daprs lquation (6.20),
Zu
Xt = (f(s, s) + f(s, s) f(t, s)) ds
t
Zu Zu Zs ! Zu Zs !
= f(s, s)ds + (v, s)dv ds + (f(v, s))dWv ds
t t t t t
Zu Zu Zu ! Zu Zu !
= f(s, s)ds + (v, s)ds dv + (f(v, s))ds dWv (6.21)
t t v t v
Zt Zt Zu ! Zt Zu !
= X0 + f(s, s)ds (v, s)ds dv (f(v, s))ds dWv .
0 0 v 0 v
Noter que linterversion dintgrales apparaissant dans lquation (6.21) est justifie par lexer-
cice 37. On a donc :
Zu ! Zu !
dXt = f(t, t) (t, s)ds dt (f(t, s))ds dWt
t t
Si lhypothse (H) est vrifie, on doit avoir, daprs la proposition 1.3 et l galit f(t, t) =
r(t),
Zu Z !2
1 u
!
u
t q(t) = (t, s)ds (f(t, s))ds ,
t 2 t
R
u
avec ut = t (f(t, s))ds . Do :
Zu Zu !2 Zu
1
(t, s)ds = (f(t, s))ds q(t) (f(t, s))ds
t 2 t t
Ch.6 MODLES DE TAUX DINTRT 129
Le thorme suivant, d Heath, Jarrow et Morton [HJM87], [Mor89] donne des conditions
suffisantes pour que lquation (6.22) ait une solution unique.
Thorme 2.6 Si la fonction est lipschitzienne et borne, pour toute fonction continue de
[0, T ] dans R+ il existe un unique processus continu deux indices (f(t, u))0tuT tel que,
pour tout u, le processus (f(t, u))0tu soit adapt et vrifie (6.22), avec f(0, u) = (u).
On voit que, pour tout processus continu (q(t)), on peut alors construire un modle de la forme
(6.20). Il suffit de prendre une solution de (6.22) et de poser ensuite :
Zu !
(t, u) = (f(t, u)) (f(t, s))ds q(t) .
t
Ce qui est remarquable dans ce modle, cest que la loi des taux forward sous P ne dpend
que de la fonction . Cest une consquence de lquation (6.22), qui ne fait apparatre que
et (Wt ). Il en rsulte que le prix des options ne dpendra que de la fonction . On est ainsi
dans une situation analogue celle du modle de Black-Scholes. Le cas o est une constante
est tudi dans lexercice 38. Noter que la condition de bornitude sur est essentielle puisque,
pour (x) = x, il ny a pas de solution (cf. [HJM87], [Mor89]).
Remarque bibliographique : Pour lvaluation des options sur obligations avec coupons, on
pourra consulter [Jam89] et [KR89].
3 Exercices
Exercice 30 Soit (Mt )0tT une martingale continue telle que, pour tout t [0, T ], P(Mt >
0) = 1. On pose :
= (inf{t [0, T ] | Mt = 0}) T.
1. Montrer que est un temps darrt.
2. Montrer, en utilisant le thorme darrt, que E (MT ) = E MT 1{ = T } . En dduire
que P ({t [0, T ] Mt > 0}) = 1.
Exercice 32 Les notations sont celles du paragraphe 1.3. Soit (M t )0tT un processus adapt
la filtration (Ft ). On suppose que (Mt ) est une martingale sous P . Montrer, en utilisant
RT
lexercice 31, quil existe un processus adapt (Ht )0tT tel que 0 H2t dt < p.s. et
Zt
Mt = M0 + Hs dWs p.s.
0
3. Soit (X, Y) un vecteur gaussien valeurs dans R2 sous une probabilit P et soit P la
probabilit absolument continue par rapport P, de densit
dP eX
= .
dP E (eX )
Montrer que, sous P, Y est une gaussienne, dont on prcisera la moyenne et la variance.
4. En utilisant
R
la question
R
prcdente, montrer que sous les probabilits de densits respec-
r(s)ds T r(s)ds
tives e P(0,)
0
et e P(0,T
0
)
par rapport P , la variable alatoire r() est une gaussienne.
En dduire une expression du prix de loption sous la forme C0 = P(0, T )p1 KP(0, )p2,
avec des paramtres p1 et p2 que lon explicitera.
Exercice 34 Le but de cet exercice est de dmontrer la proposition 2.4. Pour x, M > 0, on note
xM le temps darrt dfini par xM = inf{t 0 | Xxt = M}.
1. Soit s la fonction dfinie sur ]0, [ par
Zx
2b 2
s(x) = ey 2 y2a/ dy.
1
2 d2 s ds
Montrer que s vrifie : x
2 dx2
+ (a bx) dx = 0.
2. Pour < x < M, on pose : x,M = x xM . Montrer que, pour tout t > 0, on a :
Z tx
,M q
s Xxtx = s(x) + s 0 (Xxs ) Xxs dWs .
,M
0
En dduire, en prenant les variances et en utilisant le fait que s 0 est borne infrieurement
sur lintervalle [, M], que E (x,M ) < , ce qui entrane que x,M est fini p.s.
3. Montrer que si < x < M, s(x) = s()P (x < xM ) + s(M)P (x > xM ).
4. On suppose a 2 /2. Montrer qualors limx0 s(x) = . En dduire que :
P (x0 < xM ) = 0,
2 T (T )
!
P(0, T )
P(, T ) = exp (T )W .
P(0, ) 2
R
3. Calculer, pour R, E e 0 Ws ds eW . En dduire la loi de W sous les probabilits
P1 et P2 de densits par rapport P respectivement donnes par
R R
dP1 e 0
r(s)ds
P(, T ) dP2 e 0 r(s)ds
= et = .
dP P(0, T ) dP P(0, )
132 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
Dans le modle de Black-Scholes, le prix de laction est une fonction continue du temps et
cette proprit est une des caractristiques du modle. Or, certains vnements rares (publica-
tion dun chiffre conomique, modification de la conjoncture internationale) peuvent entraner
des variations brutales des cours. Pour modliser ce genre de phnomnes, on est amen in-
troduire des processus stochastiques trajectoires discontinues.
Ces modles avec sauts ont, pour la plupart, une caractristique marquante qui les dif-
frencie du modle de Black-Scholes : ce sont des modles de marchs non complets, dans
lesquels il ny a pas de couverture parfaite des options. Lvaluation des options par construc-
tion dun portefeuille simulant ny est donc plus possible. Un approche possible de lvaluation
et de la couverture des options consiste dfinir une notion de risque et choisir le prix et la
couverture de faon minimiser ce risque.
Dans ce chapitre, nous nous limitons aux modles avec sauts les plus simples. La description
de ces modles ncessite un expos des principales proprits du processus de Poisson, qui fait
lobjet du premier paragraphe.
1 Processus de Poisson
Dfinition 1.1 Soit (Ti )i1 une suite de variables alatoires indpendantes quidistribues de
loi commune la loi exponentielle de paramtre , cest dire de loi :
1{x > 0} ex dx
Pn
. On pose n = i=1 Ti . On appelle processus de Poisson dintensit le processus Nt dfini
par : X X
Nt = 1{ t} = n1{ t < } .
n n n+1
n1 n1
Remarque 1.2 Nt reprsente le nombre de points de la suite (n )n1 qui sont infrieurs ou
gaux t. On a :
n = inf{t 0, Nt = n}.
(x)n1
1{x > 0} ex dx.
(n 1)!
Cest dire une loi gamma de paramtres et n. En effet, la transforme de Laplace de T 1 est :
E eT1 = ,
+
donc celle de n = T1 + + Tn vaut :
!n
n
T1 n
E (e )=E e = .
+
P (Nt = n) = P (n t) P (n+1 t)
Zt n1 Zt
x (x) (x)n
= e dx ex dx
0 (n 1)! 0 n!
(t)n t
= e .
n!
Proposition 1.4 Soient (Nt )t0 un processus de Poisson dintensit et Ft = (Ns , s t).
Le processus (Nt )t0 est un processus accroissements indpendants et stationnaires, cest
dire :
indpendance : si s > 0, Nt+s Nt est indpendant de la tribu Ft .
stationnarit : la loi de Nt+s Nt est identique celle de Ns N0 = Ns .
Remarque 1.5 Il est facile de voir que les temps de sauts n sont des temps darrt. En effet,
{n t} = {Nt n} Ft .
Une variable alatoire T de loi exponentielle vrifie P(T t + s|T t) = P(T s). On dit
que les variables exponentielles nont pas de mmoire. Lindpendance des accroissements
est une consquence de cette proprit des lois exponentielles.
Remarque 1.6 La loi dun processus de Poisson dintensit est caractrise par lune des
deux proprits suivantes :
(Nt )t0 est un processus de Markov homogne continu droite et limit gauche, tel
que :
(t)n
P(Nt = n) = et ,
n!
(Nt )t0 est un processus accroissements indpendants et stationnaires, continu droite,
croissant, ne croissant que par sauts de 1.
Pour la premire caractrisation, cf. [Bou88], chapitre III, pour la seconde, cf. [DCD83], para-
graphe 6.3.
Ch.7 MODLES DACTIFS AVEC SAUTS 135
Xj = Xj Xj = Xj Uj ,
donc Xj = Xj (1 + Uj ).
On a donc, pour t [0, 1 [ :
2 /2)t+W
Xt = X0 e( t
,
et par consquent, la limite gauche en 1 est donne par :
2 /2)
X1 = X0 e( 1 +W1
et
2 /2)
X1 = X0 (1 + U1 )e( 1 +W1
.
Puis, pour t [1 , 2 [,
2
Xt = X1 e( /2)(t1 )+(Wt W1 )
2
= X1 (1 + U1 )e( /2)(t1 )+(Wt W1 )
2
= X0 (1 + U1 )e( /2)t+Wt .
Q0
avec la convention j=1 = 1.
136 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
Le processus (Xt )t0 ainsi dfini est videmment continu droite adapt et na quun
nombre fini de discontinuits sur chaque intervalle [0, t]. On peut dmontrer quil vrifie, pour
tout t 0,
Zt XNt
P p.s. Xt = X0 + Xs (ds + dWs ) + Xj Uj (7.1)
0 j=1
Nous verrons que, pour ce type de modles, on ne peut pas, en gnral, couvrir parfaitement les
options. Cette difficult est lie au fait que pour T < +, il existe une infinit de probabilits
quivalentes P sur FT sous lesquelles le prix actualis (ert Xt )0tT est une martingale. Dans
la suite, nous ferons lhypothse que, sous P, le processus (e rt Xt )0tT est une martingale.
Cest une hypothse contraignante, mais elle nous permettra de dterminer simplement des
stratgies de couverture risque minimal. Ltude de la couverture des options, quand cette
hypothse nest pas vrife, est dlicate (voir [Sch89]).
Pour calculer E(Xt |Fs ) nous aurons besoin du lemme suivant, dont la signification intuitive
est que les amplitudes relatives des sauts qui ont lieu aprs linstant s sont indpendantes de la
tribu Fs .
Lemme 2.1 Pour tout s 0, les tribus (UNs +1 , UNs +2 , , UNs +k , ) et Fs sont indpen-
dantes.
De cette galit, on dduit (en prenant C = et B = R d ) que le vecteur (UNs +1 , , UNs +k ) a mme
loi que (U1 , , Uk ), puis que
P ({(UNs +1 , , UNs +k ) A} C {(U1 , , Ud ) B} {d Ns })
= P ((UNs +1 , , UNs +k A) P (C {(U1 , , Ud B)} {d Ns }) .
Do lindpendance annonce.
j=Ns +1
NYt Ns
(r2 /2)(ts)+(W t Ws )
= Xs E e (1 + UNs +j )Fs
j=1
t Ns
NY
(r2 /2)(ts)+(W t Ws )
= Xs E e (1 + UNs +j ) ,
j=1
Ch.7 MODLES DACTIFS AVEC SAUTS 137
= r E(U1 ).
Pour traiter les termes dus aux sauts dans les stratgies de couvertures, nous aurons encore
besoin de deux lemmes, dont les dmonstrations peuvent tre sautes en premire lecture. On
notera la loi commune des variables alatoires Uj .
Lemme 2.2 Soit (y, z) une fonction mesurable de Rd R dans R, telle que pour tout rel z
la fonction y 7 (y, z) soit continue sur Rd , et soit (Yt )t0 un processus continu gauche,
valeur dans Rd , adapt la filtration (Ft )t0 . On suppose que, pour tout t > 0 :
Zt Z !
2
E ds (dz) (Ys , z) < +.
0
m1 Nsi+1
X X
Z = (Ysi , Uj ).
i=0 j=Nsi +1
La continuit gauche de (Yt )t0 et la continuit de par rapport y impliquent que Z converge presque
srement vers Z quand le pas de la subdivision tend vers 0. On a de plus |Z | C(Nt Ns ), ce qui entrane
que la convergence a lieu aussi dans L1 et mme dans L2 .
138 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
On a : !
m1
X
E(Z |Fs ) = E E(Zi+1 |Fsi )Fs (7.2)
i=0
en posant :
Nsi+1 Nsi+1 Nsi
X X
Zi+1 = (Ysi , Uj ) = (Ysi , UNsi +j ).
j=Nsi +1 j=1
En utilisant le lemme 2.1 et le fait que Ysi est Fsi -mesurable, et en appliquant la proposition 2.5 de lappendice,
on voit que :
E(Zi+1 |Fsi ) = i (Ysi ),
o i (y) est dfinie par :
Nsi+1 Nsi
X
i (y) = E (y, UNsi +j ) .
j=1
La quantit i (y) est donc lesprance dune somme alatoire et, daprs lexercice 40 :
Z
i (y) = (si+1 si ) d(z)(y, z).
Pm1
ce qui prouve que Mt est une martingale. Posons maintenant Z = i=0 E(Zi+1 |Fsi ). On peut crire :
m1
X m1
X Z
Z = i (Ysi ) = (si+1 si ) d(z)(Ysi , z).
i=0 i=0
On a de plus :
E (Z Z )2 Fs
m1
!2
X
= E [Zi+1 E(Zi+1 |Fsi )] Fs
i=0
m1
!
X
2
=E [Zi+1 E(Zi+1 |Fsi )] Fs
i=0
X
+2 E (Zi+1 E(Zi+1 |Fsi )) Zj+1 E(Zj+1 |Fsj ) Fs .
i<j
En conditionnant par rapport Fsj et en utilisant le fait que Zi+1 est Fsi+1 donc Fsj -mesurable, on voit que la
deuxime somme est nulle. Do :
m1
!
X 2
2
E (Z Z ) Fs = E (Zi+1 E(Zi+1 |Fsi )) Fs
i=0
m1
!
X
2
= E E [Zi+1 E(Zi+1 |Fsi )] Fsi Fs .
i=0
On a donc :
m1
X Z
!
E (Z Z ) Fs = E 2 2
(si+1 si ) d(z) (Ysi , z)Fs
,
i=0
Rt R
et lgalit (7.3) entrane donc que M2t
0
du d(z)2 (Yu , z) est une martingale.
Rt R
Si on ne suppose plus borne, mais E 0 ds d(z)2 (Ys , z) < +, pour tout t, on peut introduire les
fonctions (bornes) n dfinies par n (y, z) = inf(n, sup(n, (y, z))), et les martingales (Mn
t )t0 dfinies
par :
XNt Zt Z
Mnt = n
(Y j
, U j ) ds (dz)n (Ys , z).
j=1 0
R R
t 2
On voit facilement que E 0 ds (dz) (n (Ys , z) (Ys , z)) tend vers 0 lorsque n tend vers linfini. Il en
rsulte que la suite (Mn 2 n
t )n1 est une suite de Cauchy dans L et comme Mt tend vers Mt p.s., Mt est de carr
intgrable et par passage la limite, le lemme est vrifi pour .
Dmonstration : Il suffit de dmontrer le lemme pour born (le cas gnral se traitant en approchant
par des n = inf(n, sup(n, )), comme dans la dmonstration du lemme 2.2). Fixons s < t et notons
= (s0 = s < s1 < < sm = t) une subdivision de lintervalle [s, t]. On a :
"m1 #
X
E [(Lt Mt Ls Ms )|Fs ] = E E ((Lsi+1 Msi+1 Lsi Msi )|Fsi ) Fs .
i=0
E ((Lsi+1 Msi+1 Lsi Msi )|Fsi ) = E ((Lsi+1 Lsi )(Msi+1 Msi )|Fsi ) .
Do :
E ((Lt Mt Ls Ms )|Fs ) = E( |Fs ).
140 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
avec :
m1
X
= (Lsi+1 Lsi )(Msi+1 Msi ).
i=0
Mais, on a : Pm1
| | sup0im1 |Lsi+1 Lsi | i=0 |Msi+1 Msi |
sup0im1 |Lsi+1 Lsi |
P Nt Rt R
j=Ns +1 |(Yj , Uj )| + s du d(z)|(Ys , z)|
sup0im1 |Lsi+1 Lsi | (C(Nt Ns ) + C(t s)) ,
avec C = supy,z |(y, z)|. En utilisant la continuit de t 7 Lt , on voit que tend presque srement vers 0
quand le pas de la subdivision tend vers 0. On a, de plus :
La variable alatoire supsut |Lu | est dans L2 (par lingalit de Doob, cf. chapitre 3, proposition 3.7), ainsi que
Nt Ns . On en dduit que tend vers 0 dans L1 et par consquent :
E [(Lt Mt Ls Ms )|Fs ] = 0.
2
2
Nt
Y
( 2 )t+Wt
E X2t = X20 E e (1 + Uj )
j=1
La valeur linstant t de la stratgie est donne par Vt = H0t ert + Ht Xt et nous dirons
que la stratgie est autofinance si
la diffrentielle par rapport Xt signifiant, compte tenu de lquation (7.1) que dVt =
H0t rert dt + Ht Xt (dt + dWt ) entre les instants de saut et qu un instant de saut j , Vt
saute dune quantit Vj = Hj Xj = Hj Uj Xj . De faon prcise, la condition dautofi-
nancement scrit :
Zt Zt
0 rt 0 rs
Vt = Ht e + Ht Xt = V0 + Hs re ds + Hs Xs (ds + dWs )
0 0
Nt
X
+ Hj Uj Xj . (7.5)
j=1
RT RT
Pour que cette quation ait un sens, il suffit dimposer la condition 0 |H0s |ds + 0 H2s ds < ,
p.s. (il est facile de voir que s 7 Xs est presque srement born). En fait, pour des raisons
qui apparatront plus loin, nous allons imposer une condition dintgrabilit plus forte sur le
processus (Ht )0tT , en restreignant la classe des stratgies admissibles de la faon suivante :
= ((H0t , Ht ))0tT
RT
adapt,
R
continu gauche valeurs dans R2 tel que 0 |H0s |ds < + P p.s. et
T
E 0 H2s X2s ds < +, vrifiant lgalit (7.5) p.s., pour tout t [0, T ].
Noter que nous nimposons pas de condition de positivit sur la valeur des stratgies admis-
sibles. La proposition suivante est lanalogue de la proposition 1.2 du chapitre 4.
Proposition 3.2 Soit (Ht )0tT un processus continu gauche adapt tel que :
ZT !
E H2s X2s ds < ,
0
et soit V0 R. Il existe un et un seul processus (H0t )0tT tel que le couple ((H0t , Ht ))0tT
dfinisse une stratgie admissible de valeur initiale V0 . La valeur actualise linstant t de
cette stratgie est donne par
Zt Nt
X Zt Z
Vt = V0 + Hs Xs dWs + Hj Uj X
j
dsHs Xs (dz)z.
0 j=1 0
Dmonstration : Si le couple (H0t , Ht )0tT dfinit une stratgie admissible, sa valeur lins-
Rt Rt
tant t est donne par Vt = Yt + Zt , avec Yt = V0 + 0 H0s rers ds + 0 Hs Xs (ds + dWs ) et
P t
Zt = N j=1 Hj Uj Xj . On a donc, en diffrenciant le produit e
rt
Yt ,
Zt Zt
rt rs
e Vt = V 0 + (re )Ys ds + ers dYs + ert Zt . (7.6)
0 0
142 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
Nt
X
= erj Hj Uj Xj
j=1
Nt Z t
X
+ ds1{ s} (rers )Hj Uj Xj
j
j=1 0
Nt
X Zt Ns
X
rj rs
= e Hj Uj Xj + ds(re ) Hj Uj Xj
j=1 0 j=1
Nt
X Zt
rj
= e Hj Uj Xj + (rers )Zs ds.
j=1 0
Il est clair alors que si on se donne V0 et (Ht ), lunique processus (H0t ) possible pour que
((H0t , Ht ))0tT soit une stratgie admissible de valeur initiale V0 est donn par :
H0t = Vt Ht Xt
Zt Nt
X Zt Z
= Ht Xt + V0 + Hs Xs dWs + Hj Uj Xj dsHs Xs (dz)z.
0 j=1 0
Ch.7 MODLES DACTIFS AVEC SAUTS 143
Sur cette formule, on voit que le processus (H0t ) est adapt et admet une limite gauche en tout
point et que lon a H0t = H0t . Cest clair en effet si t nest pas un des instants de saut j et si t
est un des j , on a
H0j H0 = Hj Xj + Hj Uj Xj = 0.
j
RT 0
Il est
clair aussique 0 |Ht |dt < presque srement. De plus, en crivant H0t ert + Ht Xt =
ert H0t + Ht Xt et en intgrant par parties comme ci-dessus on voit que ((H0t , Ht ))0tT dfi-
nit une stratgie admissible de valeur initiale V0 .
R
T
Remarque 3.3 La condition E 0 H2s X2s ds < entrane que la valeur actualise (Vt ) dune
stratgie admissible est une martingale de carr intgrable. Cela rsulte de lexpression obtenue
dans la proposition 3.2 et du lemme 2.2, appliqu avec le processus continu gauche dfini par
Yt = (Ht , Xt ) (noter que dans lintgrale par rapport ds, on peut remplacer Xs par Xs car il
ny a quun nombre fini de discontinuits).
3.2 Pricing
Considrons une option europenne dchance T , dfinie par une variable alatoire h F T -
mesurable et de carr intgrable. Prenons, pour fixer les ides, le point de vue du vendeur de
loption. Il vend loption un prix V0 linstant 0 et suit ensuite une stratgie admissible entre
les instants 0 et T . Daprs la proposition 3.2, cette stratgie est compltement dtermine par
le processus (Ht )0tT des quantits dactif risque. Si Vt dsigne la valeur de cette stratgie
linstant t, le dfaut de couverture lchance est donn par la quantit h V T . Si cette
quantit est positive, le vendeur perd de largent, sinon il en gagne. Une faon dvaluer le
risque consiste introduire la quantit :
2
rT
RT0 =E e (h VT ) .
Puisque,
daprs
la remarque 3.3, la valeur actualise (Vt ) est une martingale,
on a
rT 2 2 2
E e VT = V0 . Appliquant lidentit E(Z ) = (E(Z)) + E [Z E(Z)] la variable
alatoire Z = erT (h VT ), on obtient :
2 2
RT0 = E(erT h) V0 + E erT h E(erT h) (VT V0 ) . (7.7)
La proposition 3.2 montre que la quantit VT V0 ne dpend que de (Ht ) (et pas de V0 ). Si
le vendeur cherche minimiser le risque RT0 , il est amen faire payer V0 = E(erT h). La
grandeur E(erT h) apparat ainsi comme la valeur initiale de toute stratgie visant minimiser
le risque lchance et cest cette grandeur que nous prendrons comme dfinition du prix de
loption associe h. Par un raisonnement analogue, on voit que si on se place un instant
t > 0, un agent qui vend loption linstant t, sil cherche minimiser la quantit R Tt =
2
E er(T t) (h VT ) |Ft , la vendra au prix Vt = E er(T t) h|Ft . Cest cette quantit
que nous prendrons comme dfinition du prix de loption linstant t.
f(x) = (x K)+ ou f(x) = (K x)+ . Daprs ce qui prcde, le prix de loption linstant t
est donn par :
E er(T t) f(XT )|Ft =
Q T
= E er(T t) f Xt e( /2)(T t)+(WT Wt ) N
2
(1 + U ) Ft
j=N t +1 j
r(T t)
(2 /2)(T t)+(WT Wt )
QNT Nt
=E e f Xt e (1 + U Nt +j Ft .
)
j=1
avec
Q T t
F(t, x) = E er(T t) f xe( /2)(T t)+WT t N
2
j=1 (1 + Uj )
Q T t
= E er(T t) f xe(rE(U1 ) /2)(T t)+WT t N
2
j=1 (1 + U j ) .
Puisque NT t est une variable alatoire indpendante des Uj et de loi poissonienne de paramtre
(T t) on peut aussi crire :
X n
Y e(T t) n (T t)n
F(t, x) = E F0 t, xe(T t)E(U1 ) (1 + Uj ) .
n=0 j=1
n!
Chaque terme de cette srie peut se calculer numriquement ds que lon sait simuler la loi
des Uj . Pour certaines lois, lesprance mathmatique qui intervient dans la formule peut tre
calcule explicitement (cf. exercice 42).
Nous allons maintenant dterminer un processus (Ht )0tT des quantits dactif risque dte-
nues en portefeuille permettant de minimiser RT0 . Pour cela, nous nous appuierons sur la propo-
sition suivante.
Ch.7 MODLES DACTIFS AVEC SAUTS 145
Proposition
Vt la valeur linstant t dune stratgie admissible de valeur initiale
3.4 Soit
rT
V0 = E e f(XT ) = F(0, X0 ), dtermine par un processus (Ht )0tT des quantits dactif
2
risque. Le risque quadratique lchance RT0 = E erT (f(XT ) VT ) est donn par la
formule suivante :
R 2
T F
RT0 = E 0 x
(s, Xs ) Hs X2s 2 ds
RT R
+ 0
(dz)e2rs (F(s, Xs (1 + z)) F(s, Xs ) Hs zXs )2 ds .
On a, dautre part, h = erT f(XT ) = erT F(T, XT ). Introduisons la fonction F dfinie par
F(t, Xt ) =
Zt Zt
F F
F(0, X0 ) + (s, Xs )ds +(s, Xs )Xs (E(U1 )ds + dWs )
0 s 0 x
Z Nt
1 t 2 F 2 2
X
+ (s, Xs ) Xs ds + F(j , Xj ) F(j , Xj ). (7.10)
2 0 x2 j=1
Remarquons que la fonction F(t, x) est lipschitzienne de rapport 1 par rapport x, puisque :
F(t, y)|
|F(t, x)
Q T t
E er(T t) f xe(rE(U1 ) /2)(T t)+WT t N
2
(1 + U )
j
Q T tj=1
f ye(rE(U1 ) /2)(T t)+WT t N
2
(1 + U )
j=1 j
Q
|x y|E eE(U1 )(T t) eWT t ( /2)(T t) N
2 T t
j=1 (1 + Uj )
= |x y|.
Il en rsulte que :
Zt Z 2
!
E ds (dz) F(s, Xs (1 + z)) F(s, Xs )
0 Zt Z !
2 2
E dsXs (dz)z
0
< +,
ce qui, daprs le lemme 2.2, implique que le processus :
Nt
X Zt Z
Mt = F(j , Xj ) F(j , Xj ) ds F(s, Xs (1 + z)) F(s, Xs ) d(z)
j=1 0
146 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
est une martingale de carr intgrable. On sait aussi que F(t, Xt) est une martingale. Le proces-
sus F(t, Xt ) Mt est donc aussi une martingale et, daprs lgalit (7.10), cest un processus
dIt. Il scrit donc, daprs lexercice 16 du chapitre 3, comme une intgrale stochastique.
Do : Zt
F
F(t, Xt) Mt = F(0, X0) + (s, Xs )Xs dWs . (7.11)
0 x
En runissant les galits (7.9) et (7.11), on obtient :
(1) (2)
h VT = MT + MT ,
avec :
Zt !
(1) F
Mt = (s, Xs ) Hs Xs dWs
0 x
Nt
X
(2)
et Mt = F(j , Xj ) F(j , Xj ) Hj Uj Xj
j=1
Zt Z
ds d(z) F(s, Xs (1 + z)) F(s, Xs ) Hs zXs .
0
(1) (2)
(1) (2)
Daprs le lemme 2.3, Mt Mt est une martingale et par consquent E Mt Mt =
(1) (2)
M0 M0 = 0. Do :
(1) (2)
E h VT = E((MT )2 ) + E((MT )2 )
R 2
T F (2)
= E 0 x (s, Xs ) Hs Xs ds + E((MT )2 ),
2 2
Il rsulte de ce qui prcde que le risque minimal est obtenu quand H s vrifie P p.s. :
!
F
(s, Xs ) Hs X2s 2
x
R
+ (dz) F(s, Xs (1 + z)) F(s, Xs ) Hs zXs zXs = 0.
Il suffit en effet de minimiser la quantit intgre par rapport ds. Cela donne, puisque (H t )t0
doit tre continu gauche :
Hs = (s, Xs ),
avec :
Z !
1 2 F (F(s, x(1 + z)) F(s, x))
(s, x) = 2 R (s, x) + (dz)z .
+ (dz)z2 x x
Ch.7 MODLES DACTIFS AVEC SAUTS 147
R
T
On obtient ainsi un processus qui vrifie E 0 H2s X2s ds < + et qui dtermine donc une
stratgie admissible minimisant le risque lchance. Noter que sil ny a pas de sauts ( = 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, cest--dire que RT0 = 0. Mais, quand il y a des sauts,
le risque minimal est en gnral strictement positif (cf. exercice 43 et [Cha90]).
Remarque 3.5 Les formules obtenues montrent que les modles avec sauts se prtent assez
bien au calcul. Il reste le problme de lidentification des paramtres et de la loi des U i . Comme
dans le cas de la volatilit pour le modle de Black-Scholes, deux approches sont possibles :
1) une approche statistique, partir des donnes historiques 2) une approche implicite, partir
des donnes de march, cest--dire des prix des options quand elles sont cotes sur un march
organis. Dans cette deuxime approche, les modles avec sauts, qui font intervenir plusieurs
paramtres, permettent de coller davantage aux prix de march.
Remarque bibliographique :Les modles financiers avec sauts ont t introduits par Merton
dans [Mer76]. Lapproche adopte dans ce chapitre est base sur [FS86], [CER88] et [BL89].
La mthode dvaluation que nous avons presente dans ce chapitre repose de manire cru-
ciale sur lhypothse que le prix actualis de lactif sous-jacent est une martingale. Cette hy-
pothse a un caractre assez arbitraire, mme si certaines justifications sont possibles. De plus,
lutilisation de la variance comme mesure du risque est discutable. Ces problmes ont donn
lieu dactives recherches dans les annes rcentes. Le lecteur pourra notamment consulter
[FS91, Sch92, Sch94, Sch95, KQ95].
4 Exercices
Exercice 39 Soit (Vn )n1 une suite de variables alatoires positives indpendantes quidistri-
bues et soit N une variable alatoire valeur dans N, suivant une loi de Poisson de paramtre
, indpendante de la suite (Vn )n1 . Montrer que :
N
Y
E Vn = e(E(V1 )1) .
n=1
Exercice 40 Soit (Vn )n1 une suite de variables alatoires indpendantes, quidistribues, in-
tgrables et soit N une
PNvariable alatoire valeurs P
dans N, intgrable et indpendante de la suite
(Vn ). On pose S = n=1 Vn (avec la convention 0n=1 = 0).
1. Montrer que S est intgrable et que E(S) = E(N)E(V1 ).
2. On suppose N et V1 de carr intgrable. Montrer qualors S est de carr intgrable et que
sa variance est donne par Var(S) = E(N)Var(V1 ) + Var(N) (E(V1 ))2 .
que si N suit une loi de Poisson de paramtre , E(S) = E(V 1 ) et Var(S) =
3. En dduire
E V12 .
Exercice 41 Les hypothses et les notations sont celles de lexercice 40. On suppose que les V j
sont valeurs dans {, }, avec , R et on pose p = P(V1 = ) = 1 P(V1 = ). Montrer
que S a mme loi que N1 + N2 o N1 et N2 sont deux variables alatoires indpendantes
suivant des lois de Poisson de paramtres respectifs p et (1 p).
148 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
Exercice 42 1. On suppose, avec les notations du paragraphe 3, que U 1 est valeurs dans
{a, b}, avec p = P(U1 = a) = 1 P(U1 = b). Mettre la formule de prix (7.8) sous la
forme dune srie double dont chaque terme se calcule partir des formules de Black-
Scholes (on pourra utiliser lexercice 41).
2. On suppose maintenant que U1 a mme loi que eg 1, o g est une gaussienne de
moyenne m et de variance 2 . Mettre la formule de prix (7.8) sous la forme dune s-
rie dont chaque terme se calcule partir des formules de Black-Scholes (avec des taux
dintrt et des volatilits que lon prcisera).
Exercice 43 Le but de cet exercice est de montrer que, dans les modles avec sauts tudis dans
ce chapitre, il ny a pas de couverture parfaite pour les calls et les puts. On considre un modle
dans lequel > 0, > 0 et P (U1 6= 0) > 0.
1. A partir de la proposition 3.4, montrer que, sil existe une stratgie de couverture parfaite,
alors, pour ds presque tout s et pour presque tout z, on a :
F
P p.s. zXs (s, Xs ) = F (s, Xs (1 + z)) F(s, Xs ).
x
2. Montrer que la loi de Xs admet (pour s > 0) une densit strictement positive sur ]0, [.
On pourra remarquer que si Y admet une densit g et si Z est une variable alatoire
indpendante de Y valeurs dans ]0, [, la variable alatoire YZ admet pour densit
R
d(z)(1/z)g(y/z), o est la loi de Z.
3. Sous les mmes hypothses qu la premire question, montrer quil existe z 6= 0 tel que
pour s [0, T [ et x ]0, [,
Pour implmenter cette mthode sur un ordinateur, on procde de la facon suivante. On sup-
pose que lon sait construire une suite de nombres (Un )n1 qui ralise une suite de va-
riables alatoires uniformes sur lintervalle [0, 1], indpendantes, et on cherche une fonction
(u1 , . . . , up ) 7 F(u1 , , up ) telle que la loi de la variable alatoire F(U1 , , Up ) soit la
loi cherche (dx). La suite de variables alatoires (Xn )n1 o Xn = F(U(n1)p+1 , , Unp )
est alors une suite de variables alatoires indpendantes suivant la loi voulue . On peut, par
exemple, appliquer (8.1), aux fonctions f(x) = x et f(x) = x 2 pour estimer les moments dordre
1 et 2 de X (sous rserve que E(|X|2 ) soit fini).
La suite (Un )n1 est ralise concrtement par des appels successifs un gnrateur de
nombres pseudo-alatoires. La plupart des langages disponibles sur les ordinateurs modernes
possdent une fonction alatoire, dja programme, qui retourne soit un nombre pseudo ala-
toire compris entre 0 et 1, soit un entier alatoire dans un intervalle fix (cette fonction porte le
nom de rand() en C ANSI, de random en Turbo Pascal).
Remarque 1.1 La fonction F peut dans certain cas (en particulier lorsque lon cherche simuler
des temps darrt), dpendre de toute la suite (Un )n1 , et non plus dun nombre fixe de Ui . La
mthode prcdente est encore utilisable si lon sait simuler X laide dun nombre presque
srement fini de Ui , ce nombre pouvant dpendre du hasard. Cest le cas, par exemple, de
lalgorithme de simulation dune variable alatoire poissonienne (voir page 151).
150 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
a, b, m tant des entiers quil faut choisir soigneusement si lon veut que les caractristiques
statistiques de la suite soient satisfaisantes. Sedgewick dans [Sed87] prconise le choix suivant :
a = 31415821
b = 1
m = 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 lentier alatoire ainsi gnr par m.
#define m 100000000
#define m1 10000
#define b 31415821
long Mult(long p, long q)
/* Multiplie p par q en evitant les "overflows" */
{
long p1 = p / m1;
long p0 = p % m1;
long q1 = q / m1;
long q0 = q % m1;
return (((p0*q1 + p1*q0) % m1)*m1 + p0*q0) % m;
}
double Random()
{
static long a;
a = (Mult(a, b) + 1) % m;
Random = a/m;
}
Le gnrateur prcdent fournit des rsultats acceptables dans les cas courants. Cependant sa
priode (ici m = 108 ) peut se rvler parfois insuffisante. On peut, alors, obtenir des gnrateurs
de nombres alatoires de priode arbitrairement longue en augmentant m. Le lecteur intress
trouvera des nombreux renseignements sur les gnrateurs de nombres alatoires et la facon de
les programmer sur un ordinateur dans [Knu81] et [LE90].
Rappellons quune variable alatoire X suit une loi exponentielle de paramtre si sa loi
vaut :
1{x 0} ex dx
On peut simuler X en constatant que, si U suit une loi uniforme sur [0, 1] : log(U)
suit une loi
exponentielle de paramtre .
Remarque 1.2 Ce moyen de simulation de la loi exponentielle est une cas particulier de la
mthode de la fonction de rpartition (voir ce sujet lexercice 45).
n
P(X = n) = e , si n 0
n!
On a vu au chapitre 7 que si (TiP )i1 est une suite de variables alatoires exponentielles de
paramtre , alors la loi de Nt = n1 n1{T + + T t < T + + T } est un loi de
1 n 1 n+1
Poisson de paramtre t. N1 a donc mme loi que la variable X que lon cherche simuler.
Dautre part, on peut toujours mettre les variables exponentielles T i sous la forme log(Ui )/,
o les (Ui )i1 sont des variables alatoires suivant la loi uniforme sur [0, 1] et indpendantes.
N1 scrit alors :
X
N1 = n1 .
U1 U2 Un+1 e < U1 U2 Un
n1
Cela conduit lalgorithme suivant pour simuler une variable alatoire de Poisson.
152 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
Pour la simulation dautres lois que nous navons pas cites, ou pour dautres mthodes de
simulation des lois prcdentes, on pourra consulter [Bou86].
Z est donc un vecteur gaussien centr de matrice de covariance identit. La loi du vecteur Z est
celle de n gaussiennes centres rduites indpendantes. La loi du vecteur X = m + AZ, peut
donc tre simule de la facon suivante :
On calcule une racine carre de la matrice , A.
On simule n gaussiennes centres rduites indpendantes G = (g 1 , , gn ).
On calcule m + AG.
Remarque 1.3 Pour calculer la racine carre de , on peut supposer A triangulaire suprieure,
il y a alors une seule solution lquation A t A = . En explicitant cette quation, on
obtient facilement les coefficients de A. Cette mthode de calcul de la racine carre sappelle la
mthode de Cholevsky (pour un alogrithme complet voir [Cia88]).
du temps de la valeur dun portefeuille doption, voir lexercice 47). Ce paragraphe propose
quelques procds lementaires permettant de simuler des trajectoires de processus.
On peut procder de deux facons. La premire consiste utiliser la mthode dEuler alatoire.
On pose :
S0 = x
Sn+1 = Sn (1 + rt + gn t),
et simuler Xt par Xnt = S[t/t] . Lautre mthode consiste utiliser la forme explicite de la
solution :
2
!
Xt = x exp rt t + Wt
2
et simuler le mouvement brownien par une
desP
mthodes cites prcdemment. Dans le cas
o lon simule le mouvement brownien par t ni=1 gi , on obtient
X n
2
Sn = x exp (r /2)nt + t
gi . (8.2)
i=1
Remarque 1.6 On peut aussi substituer aux variables alatoires gaussiennes g i des variables
de Bernouilli valant +1 ou 1 avec probabilit 1/2 dans (8.2), on obtient un modle de type
binomial proche du modle de Cox Ross Rubinstein utilis dans le paragraphe 3.3 du chapitre
5.
Ch.8 SIMULATION ET ALOGRITHMES POUR LES MODLES FINANCIERS 155
o (Wt )t0 est un mouvement brownien standard , (Nt )t0 est un processus de Poisson dinten-
sit , et (Uj )j1 est une suite de variables alatoires indpendantes quidistribues, valeurs
dans ] 1, +[ de loi (dx). Les tribus engendres par (Wt )t0 , (Nt )t0 , (Uj )j1 sont suppo-
ses indpendantes.
Pour simuler ce processus aux instants nt, notons que lon a :
Si lon note Yk = (Xkt /X(k1)t ), on peut prouver, laide des proprits de (Nt )t0 , (Wt )t0
et (Uj )j1 que la suite des (Yk )k1 forme une suite de variables alatoires indpendantes de
mme loi. Comme Xnt = xY1 . . . Yn , la simulation de X aux instants nt se ramne celle
de la suite (Yk )k1 . Cette suite tant indpendante quidistribue, il suffit de savoir simuler
Y1 = Xt /x. On procde, alors, comme suit :
On simule une variable alatoire gaussienne centre rduite g.
On simule une variable alatoire poissonienne de paramtre t : N.
Si N = n, on simule n variables alatoires selon la loi (dx) : U1 , . . . , Un .
Toutes ces variables sont supposes indpendantes. Alors, il est facile de se convaincre en utili-
sant lquation (8.3) que la loi de :
N
Y
2 /2)t+
(1 + Uj ) e( tg
j=1
La premire approximation est prcise 107 prs, mais elle utilise un appel la fonction
exponentielle. Si x > 0 :
p = 0.2316419
b1 = 0.319381530
b2 = 0.356563782
b3 = 1.781477937
b4 = 1.821255978
b5 = 1.330274429
t = 1/(1 + px)
1 x2
N(x) 1 e 2 (b1 t + b2 t2 + b3 t3 + b4 t4 + b5 t5 ).
2
La deuxime approximation est prcise 103 prs mais elle ne fait intervenir quune fraction
rationnelle. Si x > 0 :
c1 = 0.196854
c2 = 0.115194
c3 = 0.000344
c4 = 0.019527
1
N(x) 1 (1 + c1 x + c2 x2 + c3 x3 + c4 x4 )4 .
2
{
vecteur Obst, A, B, C, G;
double alpha, beta, gamma, h, k, vv, temp, r, y, delta, Temps;
long Indice, IndicePrix, IndiceTemps;
double l = 2.0;/* largeur de lintervalle a considerer */
y = log(x);
for (IndicePrix = 1; IndicePrix <= NbrePasPrix; IndicePrix++)
Obst[IndicePrix - 1] = ObstaclePut(y - l + IndicePrix * h, option);
for (IndicePrix = 0; IndicePrix < NbrePasPrix; IndicePrix++)
G[IndicePrix] = Obst[IndicePrix];
/* Exemple :
PutAmericain contrat = {0,360,45};
Modele modele = {0.09,0.3,45};
printf("%f\n",Prix(0,45,contrat,modele));*/
2.3 Lalgorithme de Cox Ross pour le calcul du prix dune option amri-
caine
Une autre facon courante de calculer le prix du put amricain est la mthode de Cox Ross
Rubinstein (voir le paragraphe 3.3 du chapitre 5). Nous en donnons ici une implmentation
informatique.
#include <math.h>
#include <stdio.h>
double TauxAnnuel;
double Sigma;
double T;
double ValeurInitiale;
double K;
} Option;
double plus(double x)
{
return (x>0?x:0);
}
3 Exercices
Exercice 44 Soit X et Y deux variablesalatoires gaussiennes centres rduites, calculer la
loi du couple de variables alatoires ( X2 + Y 2 , arctg(Y/X)). En dduire que si U1 et U2
sont
q deux variables alatoires q uniformes sur [0, 1] et indpendantes, les variables alatoires
2 log(U1 ) cos(2U2 ) et 2 log(U1 ) sin(2U2 ) sont indpendantes et suivent une loi
gaussienne centre rduite.
Exercice 45 Soit f une fonction de R dans R, telle que f(x) > 0 pour tout x, et telle que
R +
f(x)dx = 1. On veut simuler une variable alatoire X de loi f(x)dx. On pose F(u) =
R
u
f(x)dx. Dmontrer que si U est une variable alatoire uniforme sur [0, 1], alors la loi de
1
F (U) est f(x)dx. En dduire une mthode de simulation de X.
Exercice 46 On modlise un actif risque St par lquation diffrentielle stochastique :
dSt = St (dt + dWt )
,
S0 = x,
Ch.8 SIMULATION ET ALOGRITHMES POUR LES MODLES FINANCIERS 159
o (Wt )t0 est un mouvement brownien standard, la volatilit et r est le taux dintrt sans
risques. Proposer une mthode de simulation permettant dapprocher :
ZT ! !
rT 1
E e Ss ds ST .
T 0 +
Exercice 47 Le but de cet exercice est dtudier linfluence de la frquence de couverture sur
la variance dun portefeuille doptions. Lactif par rapport auquel on considre les options est
dcrit par le modle de Black et Scholes :
dSt = St (dt + dWt )
S0 = x
Exercice 48 On suppose que (Wt )t0 est un mouvement brownien standard et que (Ui )i1 est
une suite de variables alatoires indpendantes valant +1 ou 1 avec probabilit 1/2. On pose
Sn = X 1 + + X n .
1. Dmontrer que, si que Xnt = 1 S[nt] , Xnt tend en loi vers Wt .
n
160 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
2. Soient t et s deux rels positifs, en utilisant le fait que la variable alatoire X nt+s Xnt est
indpendante de Xnt , dmontrer que le couple (Xnt+s , Xnt ) tend, en loi, vers (Wt+s , Wt ).
3. Si 0 < t1 < < tp , dmontrer que (Xnt1 , , Xntp ) tend en loi vers (Wt1 , , Wtp ).
Appendice
Les composantes X1 ,. . ., Xd dun vecteur gaussien sont videmment des gaussiennes, mais il
ne suffit pas que les coordonnes dun vecteur soient gaussiennes pour que le vecteur soit gaus-
sien. Par contre, si X1 , X2 ,. . ., Xd sont des gaussiennes relles indpendantes, alors le vecteur
(X1 , . . . , Xd ) est gaussien.
161
162 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
On sait que, si les variables alatoires X1 ,. . ., Xd sont indpendantes, la matrice (X) est diago-
nale, et que la rciproque est fausse en gnral, mais vraie dans le cas gaussien :
Thorme 1.2 Soit X = (X1 , . . . , Xd ) un vecteur gaussien valeurs dans Rd . Les variables
alatoires X1 ,. . ., Xd sont indpendantes si et seulement si la matrice de variance-covariance
du vecteur X est diagonale.
Remarque 1.3 Limportance des gaussiennes pour la modlisation vient notamment du tho-
rme central-limite (cf. [Bou86], chapitre VII, paragraphe 4). Pour lestimation statistiques des
gaussiennes, on pourra se reporter [DCD82] (chapitre 5) et, pour leur simulation, au chapitre
8.
2 Esprance conditionnelle
2.1 Exemples de sous-tribus
Soit (, A) un espace probabilisable et soient B1 , B2 ,. . ., Bn , n lments de la tribu A
formant une partition de . La famille B des lments de A qui sont vides ou de la forme
Bi1 Bi1 Bik , avec i1 ,. . ., ik {1, . . . , n}, forme une sous-tribu finie B de A, qui nest
autre que la tribu engendre par les Bi .
Rciproquement, toute sous-tribu finie B de A, on peut associer une partition finie
(B1 , . . . , Bn ) de par des lments de A, qui engendrent B : les Bi sont les lments non
vides de B qui ne contiennent pas dautre lment de B queux-mmes et la partie vide. On les
appelle les atomes de B. Il y a donc une correspondance biunivoque entre sous-tribus finies de
A et partitions finies de par des lments de A. Noter que si B est une sous-tribu finie de A,
une application de dans R (muni de sa tribu borlienne) est B-mesurable si et seulement si
elle est constante sur chacun des atomes de B.
Soit maintenant une variable alatoire X dfinie sur (, A), valeurs dans un espace mesu-
rable (E, E). La tribu engendre par X est la plus petite tribu rendant lapplication X mesurable :
on la note (X). Cest videmment une sous-tribu de A et il est facile de voir que
(X) = A A|B E, A = X1 (B) = {X B} .
On dmontre quune variable alatoire Y dfinie sur (, A), valeurs dans un espace mesurable
(F, F ) est (X)-mesurable, si et seulement si elle est de la forme
Y = f X,
o f est une application mesurable de (E, E) dans (F, F ) (cf. [Bou86], p.101-102). Autrement
dit, les variables alatoires (X)-mesurables sont exactement les fonctions mesurables de X.
Ch.8 APPENDICE 163
Thorme 2.1 Pour toute variable alatoire relle intgrable X, il existe une variable alatoire
relle, intgrable B-mesurable, Y, unique aux ensembles ngligeables prs, telle que :
B B E(X1B ) = E(Y1B ).
Proposition 2.2 Soit X une variable alatoire relle. X est indpendante de la tribu B si et
seulement si :
u R E eiuX |B = E eiuX p.s.. (8.4)
Cette galit signifie que la fonction caractristique de X est la mme sous la probabilit P
1B
et sous la probabilit de densit P(B) par rapport P. Lgalit des fonctions caractristiques
entrane lgalit des lois et, par consquent,
!
1B
E f(X) = E (f(X)) ,
P(B)
pour toute fonction borlienne borne, ce qui entrane lindpendance.
Remarque 2.3 Si X est de carr intgrable, il en est de mme de E(X|B) et E(X|B) concide
avec la projection orthogonale de X sur L2 (, B, P), considr comme sous-espace ferm de
L2 (, A, P), muni du produit scalaire (X, Y) 7 E(XY) (cf. [Bou86], chapitre VIII, paragraphe
2). Lesprance conditionnelle de X sachant B apparat alors comme la meilleure approximation
de X au sens des moindres carrs par une variable alatoire B-mesurable de carr intgrable. En
particulier, si B est la tribu engendre par une variable alatoire , lesprance conditionnelle
E(X|B), qui est alors note E(X|), est la meilleure approximation de X par une fonction de ,
puisque les variables alatoires ()-mesurables sont les fonctions mesurables de . Noter que
lon a (en utilisant le thorme de Pythagore !) kE(X|B)kL2 () kXkL2 () .
Remarque 2.4 On peut aussi dfinir E(X|B) pour toute variable alatoire X positive (sans
condition dintgrabilit). On a alors E(XZ) = E (E(X|B)Z), pour toute variable alatoire Z
B-mesurable positive et les rgles de calcul sont essentiellement les mmes que dans le cas
intgrable (cf. [DCD82], chapitre 6).
Remarque 2.6 Dans un cadre gaussien, le calcul dune esprance conditionnelle est particuli-
rement simple. En effet, si (Y, X1 , X2 , . . . , Xn ) est un vecteur gaussien ( valeurs dans Rn+1 ),
lesprance conditionnelle Z = E (Y|X1 , . . . , Xn ) est de la forme :
n
X
Z = c0 + c i Xi ,
i=1
o les ci sont des constantes relles. Cela signifie que la fonction des Xi qui approche au mieux
Y est une fonction affine et que lon peut calculer Z en projetant dans L 2 la variable alatoire
Y sur le sous-espace vectoriel linairement engendr par la constante 1 et les X i (cf. [Bou86],
chapitre 8, paragraphe 5).
Thorme 3.1 Soit C un convexe ferm ne contenant pas lorigine. Il existe une forme linaire
sur Rn et > 0 tels que :
x C (x) .
Lhyperplan (x) = 0 ne rencontre donc pas C.
Dmonstration : Soit un rel positif tel que la boule ferme B() centre lorigine et de
rayon rencontre C et soit x0 , ralisant le minimum de la fonction continue x 7 kxk (o k k
est la norme euclidienne) sur le compact C B(). On a immdiatement :
x C kxk kx0 k.
Le vecteur x0 nest autre que la projection de lorigine sur le convexe ferm C. Soit maintenant
x C, on a, pour tout t [0, 1], x0 + t(x x0 ) C, puisque C est convexe. En dveloppant
les deux membres de lingalit
Dmonstration : Lensemble
C = K V = {x Rn | (y, z) K V, x = y z}
est convexe, ferm (car V est ferm et K est compact) et ne contient pas lorigine. Daprs le
thorme 3.1, on peut donc trouver une forme linaire sur R n et > 0 tels que :
x C (x) .
Do :
y K, z V (y) (z) . (8.5)
En fixant y et en appliquant (8.5) z, avec R, on obtient : z V (z) = 0, puis
y K (y) , ce qui achve la dmonstration.
BIBLIOGRAPHIE 167
Bibliographie
[AD89] P. Artzner et F. Delbaen. Term structure of interest rates : The martingale approach.
Advances in Applied Mathematics, 10 :95129., 1989.
[AS70] M. Abramowitz et I.A. Stegun, editeurs. Handbook of Mathematical Functions.
Dover, 9th edition, 1970.
[Bac00] L. Bachelier. Thorie de la spculation. Ann. Sci. Ecole Norm. Sup., 17 :2186,
1900.
[BAW87] G. Barone-Adesi et R. Whaley. Efficient analytic approximation of american option
values. Journal of Finance, 42 :301320, 1987.
[Ben84] A. Bensoussan. On the theory of option pricing. Acta Appl. Math., 2 :139158,
1984.
[BL78] A. Bensoussan et J.L. Lions. Applications des inquations variationnelles en
contrle stochastique. Dunod, 1978.
[BL89] N. Bouleau et D. Lamberton. Residual risks and hedging strategies in markovian
markets. Stoch. Proc. and Appl., 33 :131150, 1989.
[Bou86] N. Bouleau. Probabilits de lIngnieur. Hermann, 1986.
[Bou88] N. Bouleau. Processus Stochastiques et Applications. Hermann, 1988.
[BS73] F. Black et M. Scholes. The pricing of options and corporate liabilities. Journal of
Political Economy, 81 :635654, 1973.
[BS77] M.J. Brennan et E.S. Schwartz. The valuation of the american put option. J. of
finance, 32 :449462, 1977.
[BS79] M.J. Brennan et E.S. Schwartz. A continuous time approach to the pricing of bonds.
J. of Banking and Finance, 3 :133155, 1979.
[CER88] CERMA. Sur les risques rsiduels des stratgies de couverture dactifs condition-
nels. Comptes Rendus de lAcadmie des Sciences, 307 :625630, 1988.
[Cha90] O. Chateau. Quelques remarques sur les processus accroissements indpendants
et stationnaires, et la subordination au sens de Bochner. PhD thesis, Universit de
Paris VI, 1990.
[Cia88] P.G. Ciarlet. Une Introduction lanalyse numrique matricielle et loptimisation.
Masson, 1988.
[CIR85] J.C. Cox, J.E. Ingersoll, et S.A. Ross. A theory of the term structure of interest
rates. Econometrica, 53 :385407, 1985.
[Cou82] G. Courtadon. The pricing of options on default-free bonds. J. of Finan. and Quant.
Anal., 17 :301329, 1982.
[CR85] J.C. Cox et M. Rubinstein. Options Markets. PrencticeHall, London, 1985.
168 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
[Kar88] I. Karatzas. On the pricing of american options. Applied Mathematics and Optimi-
zation, 17 :3760, 1988.
[Kar89] I. Karatzas. Optimization problems in the theory of continuous trading. SIAM J.
Control Optim., 27 :12211259, 1989.
[Knu81] D.E. Knuth. The Art of Computer programming, Vol. 2, Seminumerical Algorithms.
Addison-Wesley, 1981.
[KP92] P.E. Kloeden et E. Platen. Numerical Solution of Stochastic Differential Equations.
Springer Verlag, 1992.
[KQ95] N. EL Karoui et M.C. Quenez. Dynamic programming and pricing of contingent
claims in an incomplete market. S.I.A.M. J. Control and Optimization, 33 :2966,
1995.
[KR89] N. El Karoui et J.C. Rochet. A pricing formula for options on coupon-bonds. Cahier
de recherche du GREMAQ-CRES, 8925, 1989.
[KS88] I. Karatzas et S.E. Shreve. Brownian Motion and Stochastic Calculus. Springer-
Verlag, New-York, 1988.
[Kus77] H.J. Kushner. Probability Methods for Approximations in Stochastic Control and
for Elliptic Equations. Academic Press, New York, 1977.
[LE90] P. LEcuyer. Random numbers for simulation. Communications of the ACM, 33, 10
1990.
[LP90] D. Lamberton et G. Pags. Sur lapproximation des rduites. Annales de lIHP,
26 :331355, 1990.
[Mer73] R.C. Merton. Theory of rational option pricing. Bell J. of Econom. and Management
Sci., 4 :141183, 1973.
[Mer76] R.C. Merton. Option pricing when underlying stock returns are discontinuous. J. of
Financial Economics, 3 :125144, 1976.
[Mil86] Mac Millan. Analytic approximation for the american put price. Advances in Fu-
tures and Options Research, 1 :119139, 1986.
[Min83] M. Minoux. Programmation mathmatique, 2 tomes. Dunod, 1983.
[Mor89] A.J. Morton. Arbitrage and Martingales. PhD thesis, Cornell University, 1989.
[Nev72] J. Neveu. Martingales temps discret. Masson, 1972.
[PT85] E. Pardoux et D. Talay. Discretization and simulation of stochastic differential equa-
tions. Acta Applicandae Mathematicae, 3 :2347, 1985.
[RT83] P.A. Raviart et J.M. Thomas. Introduction lanalyse numrique des quations aux
drives partielles. Masson, Paris, 1983.
[RW87] L.C.G. Rogers et D. Williams. Diffusions, Markov Processes and Martingales,
Tome 2, It Calculus. John Wiley and Sons, New York, 1987.
[RY90] A. Revuz et M. Yor. Continuous Martingale Calculus. Springer-Verlag, 1990.
[Sch89] M. Schweizer. Option hedging for semi-martingales. Stoch. Proc. and Appl., 1989.
[Sch92] M. Schweizer. Mean-variance hedging for general claims. Annals of Applied Pro-
bability, 2 :171179, 1992.
[Sch94] M. Schweizer. Approximating random variables by stochastic integrals. Ann. Pro-
bab., 22(3) :15361575, 1994.
170 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
Actif multidimensionnelle, 54
risques, 13 Formules de Black-Scholes, 73
conditionnel, 19
financier, 13 Gnrateur infinitsimal, 109
sans risque, 13, 118 Gnrateurs de nombres alatoires, 150
sous-jacent, 9 Gamma, 75
Adapt, 16 Gaussienne, 161
Algorithme gaussienne
de Brennan et Schwartz, 112, 156 centre rduite, 161
de Cox Ross Rubinstein, 113, 157 Girsanov (thorme de), 70, 80
Arbitrage, 10
Atome, 162 Ingalit de Doob, 44
Inquation
Bessel (fonction de), 126 aux drives partielles, 108
en dimension finie, 110112
Calcul de It, 50 mthode numrique, 110
Call, 9 Inquations
Complet, 20 aux drives partielles, 109
Courbe des taux, 117, 127 Intgrale stochastique, 45
Couverture, 10
absence de couverture parfaite, 148 Loi
dun call, 25 du chi-deux dcentr, 125
dun put amricain, 36 exponentielle, 133, 134
des calls et des puts, 74, 144147 gamma, 134
log-normale, 67
Dcomposition de Doob, 30
normale, 161
Delta, 75
Echance, 9 Mthode
Enveloppe de Snell, 28 de Monte Carlo, 149
Equations aux drives partielles Mthodes numriques
paraboliques, 95, 98 algorithme de Brennan et Schwartz, 112,
rsolution numrique, 104 156
sur un ouvert born, 101 diffrences finies, 104
Equations diffrentielles fonction de rpartition dune loi gaussienne,
stochastiques, 5658 155
Esprance conditionnelle, 162 inquation, 110
cas gaussien, 165 inquation en dimension finie, 112
dune variable alatoire positive, 164 Mthode de Cox Ross Rubinstein, 113, 157
et projection orthogonale, 164 mthode de Gauss, 106
par rapport une variable alatoire, 164 mthode de Mac Millan et de Barone-Adesi
et Waley, 114
Filtration, 13, 40 March
naturelle, 40 complet, 20
Formule dintgration par parties, 53 non complet, 133, 148
Formule dIt, 51 viable, 17
171
172 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
Martingale, 16 Put, 9
temps continu, 42 inquation aux drives partielles, 109
exponentielle, 42, 54 perptuel, 78
Thorme darrt, 43
Modle Radon-Nikodym (thorme de), 69
avec sauts, 133148 Reprsentation des martingales, 70
simulation, 154
Sparation des convexes, 165
de Black-Scholes, 11, 54, 6783 Simulable, 19
simulation, 154 Simulation de processus, 152
de courbe des taux, 127 quations diff. stochastiques, 153
de Cox-Ingersoll-Ross, 124127 modle avec sauts, 154
de Cox-Ross-Rubinstein, 23 modle de Black-Scholes, 154
de taux dintrt, 117131 mouvement brownien, 153
de Vasicek, 122124 Simulation des variables alatoires, 150
discret, 13 gaussienne, 151
Mouvement brownien, 41 variable exponentielle, 151
Simulation de processus, 153 variable poissonienne, 151
vecteur gaussien, 152
Obligation, 117
Sous-tribu, 162
Oprateur de Dynkin, 98
Sousmartingale, 16
Option, 9 Stratgie, 13
amricaine, 9 admissible, 15, 71, 120, 141
asiatique, 19 autofinance, 14, 68, 120, 141
europenne, 9, 19 de consommation, 36, 76
simulable, 19, 71 Suite arrte, 27
Surmartingale, 16
Parit (relation de parit call-put), 10, 24
Poisson(processus de), 133 Taux dintrt forward, 127
Prvisible, 13, 16 Temps darrt, 27, 40
Pricing, 10 optimal, 30
Prix temps datteinte, 43
critique, 80 Thorme darrt, 43
dexercice, 10 Thta, 75
dun call, 143 Transforme de martingale, 16
dun call amricain, 34
dun call europen, 73, 77 Vga, 75
dun put, 143 Valeur dun portefeuille, 14
dun put amricain, 35 Vente dcouvert, 15
dun put europen, 73 Viable, 17
dun put perptuel, 78 Volatilit, 11, 74
dune obligation, 119, 123, 126 implicite, 74
dune option amricaine, 22
dune option europenne, 21, 72, 143
dune option sur obligation, 121, 129
Probabilits quivalentes, 17, 69
Processus
temps continu, 39
dOrnstein-Ulhenbeck, 58
de Poisson, 133
mouvement brownien, 41
Processus dIt, 50
Proprit de Markov, 5961