Académique Documents
Professionnel Documents
Culture Documents
AU CALCUL
STOCHASTIQUE
,
APPLIQUE
'
A LA FINANCE
INTRODUCTION
AU CALCUL STOCHASTIQUE
APPLIQUÉ À LA FINANCE
www.editions-ellipses.fr
Avant-propos
Nous souhaitons remercier, outre les personnes citées dans l'introduction, un cer-
tain nombre de collègues dont les suggestions ont été utiles à cette nouvelle édition.
Nous sommes, tout particulièrement, reconnaissants à Marie-Claire Quenez, Benja-
min Jourdain, Philip Protter, Marc Yor (qui nous a inspiré l'exercice 18 lié à une
erreur de la première édition) et, pour le chapitre sur le risque de crédit, à Monique
Jeanblanc et Rama Cont (dont les cours nous ont introduits à ce nouveau sujet) et à
Aurélien Alfonsi.
Nous remercions enfin les collègues qui nous ont signalé des erreurs et des co-
quilles. Il en reste hélas sûrement et nous espérons que les lecteurs de cette nouvelle
édition voudront bien nous les signaler.
Table des matières
1 Modèles discrets 15
1.1 Le formalisme des modèles discrets 15
1.2 Martingales et arbitrages . . . . . . 18
1.3 Marchés complets et évaluation des options 23
1.4 Problème corrigé : le modèle de Cox, Ross et Rubinstein 27
1.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . 32
4 Modèle de Black-Scholes 83
4.1 Description du modèle . . . . . . . . . . . . . . . . . . . . . . . . 83
4.2 Changement de probabilité. Théorème de représentation des martin-
gales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
4.3 Évaluation et couverture des options dans le modèle de Black-Scholes 88
4.4 Options américaines . . . . . . . . . . . . . . . . . . . . . . . 93
4.5 Volatilité implicite et modèles à volatilité locale . . . . . . . . 97
4.6 Modèle de Black-Scholes avec dividendes et symétrie call/put 99
4.7 Exercices 100
4.8 Problèmes . . . . . . . . . . 103
7
8 Table des matières
Appendice 233
A.1 Variables aléatoires gaussiennes 233
A.2 Espérance conditionnelle . . . . 235
A.3 Théorème de séparation des convexes 239
Bibliographie 241
Index 249
Introduction
9
10 Introduction
- le prix d'exercice qui est le prix (fixé d'avance) auquel se fait la transaction en
cas d'exercice de l'option.
L'option elle-même a un prix, appelé prime. Lorsque l'option est cotée sur un marché
organisé, la prime est donnée par le marché. En l'absence de cotation, le problème
du calcul de la prime se pose. Et, même pour une option cotée, il peut être intéressant
de disposer d'une formule ou d'un modèle permettant de détecter d'éventuelles ano-
malies de marché.
Examinons, pour fixer les idées, le cas d'un call européen, d'échéance T, sur une
action dont le cours à la date test donné par St. Soit K le prix d'exercice. Il est clair
que si, à l'échéance T, le prix K est supérieur au cours Sr, le détenteur de l'option
n'a pas intérêt à exercer. En revanche, si Sr > K, l'exercice de l'option permet à
son détenteur de faire un profit égal à Sr - K en achetant l'action au prix K et en la
revendant sur le marché au cours Sr. On voit qu'à l'échéance, la valeur du call est
donnée par la quantité
Ct - Pt - St.
Si cette quantité est positive, on la place au taux r jusqu'à la date T, sinon, on l'em-
prunte au même taux. A la date T, deux cas peuvent se présenter:
- Sr > K : alors, le call est exercé, on livre l'action, on encaisse la somme K
et on solde l'emprunt ou le prêt, de sorte qu'on se retrouve avec une richesse
égale à K + er(r-t) (Ct - Pt - St) > O. Le terme er(r-t) vient du fait que r
est un taux d'intérêt instantané.
- Sr :::; K : alors, on exerce son put et on solde comme précédemment, de sorte
qu'on se retrouve encore avec une richesse égale à K +er(r-t) (Ct-Pt-St) >
o.
Dans les deux cas, on a réalisé un profit positif sans mise de fond initiale: c'est
un exemple d'arbitrage.
On trouvera de nombreux exemples de relations d'arbitrage telles que la relation
de parité ci-dessus dans le livre de Cox et Rubinstein (Cox et Rubinstein (1985)).
Nous ne passerons pas en revue toutes ces relations d'arbitrage, mais nous montre-
rons comment on peut caractériser mathématiquement les marchés où il n'y a pas
d'arbitrage.
Plan du livre
Les deux premiers chapitres sont consacrés à l'étude des modèles discrets. On
y voit le lien entre la notion mathématique de martingale et la notion économique
d'arbitrage, la notion de marché complet et l'évaluation des options dans le cadre
des marchés complets. Le formalisme adopté est celui de Harrison et Pliska (1981),
dont nous avons repris !'essentiel des résultats dans le chapitre 1, en prenant comme
exemple le modèle de Cox-Ross-Rubistein (1976). Le chapitre 2 traite des options
américaines à !'aide de la théorie de !'arrêt optimal à temps discret qui relève de
méthodes élémentaires et contient toutes les idées à transposer à temps continu.
Le chapitre 3 introduit le lecteur aux principales notions de calcul stochastique
utilisées dans le modèle de Black-Scholes, qui est étudié en détail au chapitre 4. Ce
modèle donne, pour les options européennes, des formules explicites. Mais, pour
traiter les options américaines ou faire des calculs dans des modèles plus sophis-
tiqués, on doit avoir recours à des méthodes numériques fondées sur le lien entre
évaluation des options et équations aux dérivées partielles : ces questions font l'objet
du chapitre 5.
Le chapitre 6 est une introduction assez succincte aux principaux modèles de
taux d'intérêt et le chapitre 7 examine les problèmes d'évaluation et de couverture
des options dans le cadre de modèles avec sauts très simples. Dans ces modèles, il
n'y a plus de couverture parfaite des options, mais seulement une couverture op-
timale en un sens à préciser. De tels modèles, moins optimistes que le modèle de
Black-Scholes, semblent souvent rendre mieux compte de la réalité des marchés. Le
chapitre 8 est une introduction à la modélisation du risque de crédit.
Enfin, pour permettre aux étudiants d'appliquer la théorie de façon plus concrète,
nous avons inclu un chapitre sur la simulation des modèles financiers et l'usage qu'on
peut faire de l'informatique dans les questions d'évaluation et de couverture des
options. On trouvera également, dans chaque chapitre un certain nombre d'exercices
ou de problèmes.
Ce livre n'est qu'une introduction à un domaine qui a déjà suscité une abon-
dante littérature. Les indications bibliographiques données à la fin de certains cha-
pitres suggèrent au lecteur des pistes de lectures complémentaires sur les sujets
traités. Mais certains aspects importants des mathématiques de la finance ne sont
pas abordés, notamment les questions d'optimisation et les problèmes d'équilibre,
pour lesquels on pourra se reporter à Duffie (1988).
La lecture de ce livre suppose de bonnes connaissances en probabilités. Nous
conseillons les livres de Dudley ( 1989) ou de Williams ( 1991) ou encore le livre
en français Bouleau (1986) dont les sept premiers chapitres correspondent aux
pré-requis à la lecture de ce livre. Cependant, nous avons placé quelques rappels
mathématiques en appendice.
Remerciements
Ce livre est issu d'un cours enseigné à !'Ecole Nationale des Ponts et Chaussées
depuis 1988. La mise en œuvre de ce cours n'aurait pas été possible sans les encou-
Introduction 13
Modèles discrets
Le but de ce chapitre est de présenter les principales idées de la théorie des op-
tions dans le cadre mathématiquement très simple des modèles discrets. Nous y re-
prenons essentiellement la première partie de Harrison et Pliska (1981). Le modèle
de Cox-Ross-Rubinstein est présenté en fin de chapitre sous forme de problème cor-
rigé, pour illustrer la théorie de façon plus concrète.
15
16 Chapitre 1 Modèles discrets
d
Vn(</J) = </Jn.Sn = L </J~S~.
i=O
où f3n = 1/ S~ et Sn = (1, f3nSl;, ... , f3nS~) est le vecteur des prix actualisés
des actifs. Considérer les prix actualisés revient à considérer le prix de l'actif sans
risque comme numéraire (voir l'exercice 3 pour une introduction aux techniques de
changement de numéraire).
On dira qu'une stratégie est auto-financée si la relation suivante est vérifiée pour
tout n E {O, 1, ... , N - 1} :
Cette égalité s'interprète de la façon suivante : à l'instant n, après avoir pris connais-
sance des cours s~' ... ' s~, l'investisseur réajuste son portefeuille pour le faire pas-
ser de la composition <Pn à la composition <Pn+l• le réajustement se faisant aux cours
de la date n, en réinvestissant la valeur totale du portefeuille et rien de plus. Il n'y a
donc ni apports, ni retraits de fonds (en particulier, il n'y a pas de consommation).
ou encore à
1.1 Le formalisme des modèles discrets 17
Cette proposition montre que, pour toute stratégie auto-financée, la valeur actua-
lisée (et, donc, la valeur tout court) du portefeuille est complètement déterminée par
la richesse initiale et le processus (</J;,, ... , </J~)o<n<N des quantités d'actifs risqués
détenues au cours du temps. Cela vient simple~;nt du fait que t::..SJ = 0, pour
j E {O, ... N}. Plus précisément, on peut énoncer la proposition suivante.
Proposition 1.1.3 Pour tout processus prévisible ((</J;,, ... , </J~))o<n<N à valeurs
dans !Rd et pour toute variable V0 :Fa-mesurable, il existe un u~iq-;e processus
prévisible ( </J~)o::;n::;N tel que la stratégie </J = (<P0 , </J 1 , ... , </Jd) soit auto-financée
et de valeur initiale Vo.
,1..0
"Pn
+ 'f'n
,1..l 31 + ... + ,1..d §d
n 'Pn n
18 Chapitre 1 Modèles discrets
ce qui détermine </J~. La seule chose à vérifier est la prévisibilité de <f; 0 , qui résulte
immédiatement de l'égalité
L'investisseur doit donc être en mesure de rembourser ses emprunts à tout instant. La
notion d'arbitrage (réalisation d'un profit sans prendre de risque) est alors formalisée
de la façon suivante.
Définition 1.1.5 Une stratégie d'arbitrage est une stratégie admissible de valeur ini-
tiale nulle et de valeur finale non nulle.
En d'autres termes, un arbitrage part d'une richesse initiale nulle, maintient une ri-
chesse positive au cours du temps, et parvient à une richesse finale qui est strictement
positive avec probabilité non nulle. La plupart des modèles excluent toute possibilité
d'arbitrage et l'objet de la section suivante est de donner une caractérisation de ces
modèles grâce à la notion de martingale.
Définition 1.2.1 Une suite adaptée (Mn)os.nS.N de variables aléatoires réelles est
une
• martingale si IE(Mn+i IFn) =Mn pour tout n S N - 1;
• sur-martingale si IE(Mn+i IFn) S Mn pour tout n S N - 1;
• sous-martingale si IE(Mn+1 IFn) 2 Mn pour tout n S N - 1.
Ces définitions s'étendent aux vecteurs aléatoires : on dit par exemple qu'une suite
(Mn)o<n<N de variables aléatoires à valeurs dans JRd est une martingale si chacune
des coordonnées du vecteur Mn est une martingale réelle.
Dans un contexte financier, dire que le cours (S~)os.nS.N de l'actif i est une
martingale revient à dire que, à tout instant n, la meilleure estimation (au sens des
moindres carrés) que !'on puisse faire de s~+l · à partir des informations disponibles
à la date n, est donnée par s~.
Les propriétés suivantes, qui se déduisent aisément de la définition qui précède,
constitueront pour le lecteur de bons exercices de maniement de l'espérance condi-
tionnelle.
Définition 1.2.2 Une suite adaptée (Hn)os.nS.N de variables aléatoires est dite
prévisible si, pour tout n 2 1, Hn est Fn-1-mesurable.
Xo Ho Mo
Xn HoMo + H1LlM1 + · · · + Hn!:lMn pour n 2 1,
La suite (Xn) est parfois appelée transformée de la martingale (Mn) par la suite
(H n). Une conséquence de cette proposition et de la Proposition 1.1.2 est que, dans
les modèles financiers où les prix actualisés des actifs sont des martingales, toute
stratégie auto-financée conduit à une valeur finale actualisée égale, en moyenne à la
richesse initiale.
20 Chapitre 1 Modèles discrets
Démonstration. Il est clair que (Xn) est une suite adaptée. De plus, pour n ~ 0,
on a
IE(Xn+l - XnlFn)
IE(Hn+i(Mn+l - Mn)IFn)
Hn+ilE(.i\lln+l - .i\!InlFn) car Hn+l est Fn-mesurable
o.
D'où
lE(Xn+1 IFn) = JE(Xn IFn) = Xn,
ce qui prouve que (Xn) est une martingale. D
La proposition suivante donne une caractérisation des martingales qui nous sera utile
par la suite.
Proposition 1.2.4 Une suite adaptée de variables aléatoires réelles (Mn) est une
martingale si et seulement si pour toute suite prévisible (Hn), on a
Définition 1.2.S On dit que le marché est viable s'il n'existe pas de stratégie d'arbi-
trage.
Théorème 1.2.7 Le marché est viable si, et seulement si, il existe une probabilité IP'*
équivalente 1 à IP' sous laquelle les prix actualisés des actifs sont des martingales.
1Rappelons que deux probabilités IP1 et IP2 sont équivalentes si et seulement si, pour tout événement
A, on a IP1 (A) = 0 ~ IP2(A) = O. Ici, IP* équivalente à IP signifie que, pour tout w E n, IP* ({w}) > O.
1.2 Martingales et arbitrages 21
Lemme 1.2.6 Si le marché est viable, pour tout processus prévisible ( </J 1 , ... , </Jd) à
valeurs dans JRd, on a
On a alors n* ::; N - 1 et, pour n E {n* + 1, ... , N}, Ôn(</J) ;::: O. Soit alors le
processus '!!!_ = ('ljJ 1 , ... , 'l/Jd) défini par -
. { 0 sin ::; n*
'l/J~(w) = lA(w)</J~(w) sin> n*,
pour i = 1, ... , d, avec A = {Ôn· (</J) < O}. Comme (</J 1 , ... , </Jd) est prévisible et
A E Fn•, le processus ('ljJ 1 , ... , 'l/Jd)~st aussi prévisible. De plus,
sin ::; n*
sin> n*.
22 Chapitre 1 Modèles discrets
On en déduit que Gn(î/1) 2: 0 pour tout n E {O, ... , N} et GN(î/1) > 0 sur A. On
peut alors associer au processus îf1 une stratégie admissible îf1 de valeur initiale nulle
et de valeur finale non nulle et conclure que le marché n'est pas viable. D
Démonstration du Théorème 1.2.7: (a) Supposons qu'il existe une probabilité IP'*
équivalente à IP' sous laquelle les prix actualisés des actifs sont des martingales. Alors,
pour toute stratégie auto-financée (<Pn), on a, d'après la Proposition l.l.2,
n
Vn(</l) = Vo(</l) +L </lj.b..Sj·
j=l
On en déduit, grâce à la proposition l.2.3, que (Vn (<P)) est une IP'* -martingale et,
donc, que
IE*(VN(<fl)) = IE*(V°o(</l)).
Si la stratégie est admissible et de valeur initiale nulle, on obtient JE* (VN (<P)) = 0,
avec VN(<P) 2: o. D'où VN(<P) = 0, puisque IP'*( {w}) > 0, pour tout w En.
(b) Supposons maintenant le marché viable et notons V l'ensemble des variables
aléatoires de la forme
où <P = (<{J 1 , ... , <Pd) est un processus prévisible à valeurs dans JRd. Il est clair que V
est ~n sous-espace vectoriel de l'espace vectoriel JR11 de toutes les variables aléatoires
réelles.
D'après le Lemme l.2.6, les ensembles V et r ont une intersection vide et si on
pose
K ={XE r 1 LX(w) = 1}
w
De la première propriété, on déduit que À(w) > 0 pour tout w E 0, de sorte que la
probabilité IP'* définie par
* À(w)
IP' ({w}) =L À(w')
w'E!1
1.3 Marchés complets et évaluation des options 23
E* (t<PJ!:l.sJ) =o.
J=l
On en déduit que pour tout indice i E {1, ... , d} et toute suite prévisible ( <P~). à
valeurs réelles, on a
E* (t<P;!:l.sj) = 0,
J=l
ce qui entraîne, d'après la Proposition 1.2.4 que, sous la probabilité Jp>*, les prix
actualisés (S~) •... ,(S~) sont des martingales.
Définition 1.3.1 On dit que l'option européenne d'échéance N, définie par la va-
riable aléatoire h est simulable (ou atteignable) s'il existe une stratégie admissible <P
dont la valeur à l'instant N est égale à h.
Remarque 1.3.1 Dans un marché viable, pour que l'option h soit simulable, il suffit
qu'il existe une stratégie auto-financée de valeur égale à h à l'instant N. En effet,
<P
si est une stratégie auto-financée et si Jp>* est une probabilité équivalente à Jp> sous
laquelle les prix actualisés sont des martingales, alors, sous Jp>*, (Vn (<P)) est une
martingale (comme transformée de martingale). On a donc, pour n E {O, ... , N},
Vn(<P) = E*(lÏN(<P)IFn) :'.:'. 0 dès que VN(<P) :'.:'. 0 (en particulier si VN(<P) = h :'.:'.
0).
Définition 1.3.3 On dit que le marché est complet si toute option européenne
d'échéance N est simulable.
2 0n dit aussi, plus généralement, bien co111i11ge111 (contingent claim) ou actif co11ditio11nel.
24 Chapitre 1 Modèles discrets
Supposer qu'un marché financier est complet est une hypothèse restrictive dont la
justification économique est moins claire que celle de l'absence d'opportunité d'arbi-
trage. L'intérêt des marchés complets est qu'ils se prêtent à une théorie très simple de
l'évaluation et de la couverture des options. Le modèle de Cox-Ross-Rubinstein, que
nous étudierons plus loin, est un exemple de modèle de marché complet d'un grande
simplicité. Le théorème suivant donne une caractérisation des marchés viables et
complets.
Théorème 1.3.4 Un marché viable est complet si, et seulement si, il existe une seule
probabilité IP'* équivalente à IP' sous laquelle les prix actualisés des actifs soient des
martingales.
La probabilité IP'* apparaîtra comme l'outil de calcul des formules de prix et de cou-
verture.
Alors, si IP'1 et IP'2 sont deux probabilités sous lesquelles les prix actualisés sont des
martingales, la suite (Vn(<P))o~n::ôN est une martingale, à la fois sous IP'1 et sous IP'2.
Il en résulte que, pour i = 1, 2,
et, comme h est arbitraire, IP' 1 = IP'2 sur la tribu :FN, qu'on a supposée égale à :F.
(b) Supposons le marché viable et non complet. Alors, il existe une variable
aléatoire h 2: 0 non simulable. Notons V l'espace des variables aléatoires de la
forme
N
Uo +L </Jn.l::..Sn, (1.1)
n=l
où U0 est une variable aléatoire :F0 -mesurable et ( ( </J~, ... , <P~) )o<n<N un proces-
sus prévisible à valeurs dans JR:d. - -
Il résulte de la Proposition 1.1.3 et de la Remarque 1.3.1 que la variable aléatoire
sr;,,
h/ n'appartient pas V. Donc V est un sous-espace strict de l'espace IR'.11 de toutes
les variables aléatoires réelles. Alors, si IP'* est une probabilité équivalente à IP' sous
laquelle les prix actualisés des actifs sont des martingales, et si l'on munit l'espace
1.3 Marchés complets et évaluation des options 25
JR 0 du produit scalaire (X, Y) f-+ JE* (XY), on peut affirmer qu'il existe une variable
aléatoire non nulle X, orthogonale à V.
Posons alors
IP**({w}) = (i + X(w) )
2llXlloo
IP*({w})
où llXlloo = supwEn IX(w)I. On définit ainsi une probabilité sur n (car JE*(X) =
0), qui est équivalente à IP, et distincte de IP*. On a de plus
pour tout processus prévisible ( ( <P~, ... , <P~) )o:o::::n:O::::N' ce qui entraîne, par la Propo-
sition 1.2.4, que (Sn)o:o::::n:O::::N est une IP**-martingale. D
La suite (Vn (<P) )o<n<N est une IP* -martingale, et par conséquent
n = 0,1, . .. ,N.
La valeur à tout instant d'une stratégie admissible simulant h est donc complètement
déterminée par h. Il est naturel d'appeler Vn(<P) la valeur de l'option à l'instant n:
c'est la richesse qu'il faut détenir à la date n pour pouvoir (en suivant la stratégie </J)
produire exactement la richesse h à la date N.
Si, à la date 0, un investisseur vend l'option au prix
JE*(;~),
il a la possibilité, en suivant une stratégie <P simulant l'option, de produire la richesse
promise h à la date N. Il peut ainsi se couvrir parfaitement. Le nombre JE*(h/S~)
est donc la valeur naturelle de la prime à la date 0: c'est le juste prix (fair price en
anglais) de l'option à la date O.
26 Chapitre 1 Modèles discrets
Remarque 1.3.2 Il est important de noter que le calcul du prix d'une option
nécessite seulement la connaissance de IP'* (et non celle de IP'). On aurait pu se conten-
ter de partir de l'espace probabilisable (D, :F), muni de la filtration (Fn), ce qui
revient à définir tous les états du monde possibles ainsi que l'évolution de l'infor-
mation au cours du temps. Dès que l'espace (n, :F) et la filtration sont spécifiés, il
est inutile, pour évaluer des options par simulations, de déterminer les vraies proba-
bilités des divers états possibles (en utilisant notamment une approche statistique).
L'étude du modèle de Cox-Ross-Rubinstein montrera comment, concrètement, les
calculs de prix et de couverture des options peuvent être menés à bien.
Dans le cas d'un taux d'intérêt constant égal à r sur chaque période
et
Un-l =max (zn-1, - 1-IE*(UnlFn-1)).
l+r
Soit Ün = Un/S~ le prix actualisé de l'option américaine.
Proposition 1.3.6 La suite (Ün)0'5.n'5.N est une IP'*-sur-martingale. C'est la plus pe-
tite IP'*-sur-martingale majorant la suite (Zn)0'5.n'5.N·
1.4 Problème corrigé : le modèle de Cox, Ross et Rubinstein 27
Démonstration. De l'égalité
D'où
Sn(l + b)
Sn+l = { Sn(l +a).
Le cours initial S 0 est donné. L'espace naturel des états possibles est donc n
{ (1 + a, 1 + b}N, chaque N-uplet représentant les valeurs successives de Sn+l /Sn,
pour n = 0, 1, ... , N - 1. On pose naturellement :F0 = {0, f!} et :F = P(Sl). Pour
n = 1, ... , N, la tribu :Fn est la tribu engendrée par les variables aléatoires Si. ... ,
Sn : :Fn = u(S1 , ... , Sn)· En faisant l'hypothèse que chaque singleton den a une
probabilité non nulle, nous définissons la probabilité lP' à l'équivalence près.
Introduisons les variables aléatoires Tn = Sn/ Sn-l • pour n = 1, ... , N. Si
(x1, ... , XN) est un élément de f!, JP'{ (x1, ... , XN)} = JP'(T1 = X1, ... , TN = XN ).
La connaissance de lP' équivaut donc à celle de la loi du N-uplet (T1 , T2 , ... , TN ).
Notons aussi que, pour n ;::=: 1, :Fn = u(T1, ... , Tn)·
l. Montrer que le prix actualisé (Sn) est une martingale sous lP' si et seulement si
E(Tn+i IFn) = 1 + r, pour tout n E {O, 1, ... , N - l}.
28 Chapitre 1 Modèles discrets
E* (Tn+l 1 Fn) = 1 + r,
et par conséquent E*(Tn+1) = 1 + r. Comme Tn+l vaut soit 1 +a,
soit 1 + b et prend ces deux valeurs avec une probabilité non nulle, on a
nécessairement (1 + r) E]l +a, 1 + b[.
3. Donner des exemples d'arbitrages possibles si la condition de viabilité obtenue
dans la Question 2 n'est pas satisfaite.
Supposons par exemple r :S a. En empruntant la somme Sa à l'instant
0, on peut acheter une unité d'actif risqué. A l'instant N, on rembourse
l'emprunt et on revend l'actif risqué. Le profit réalisé SN - So(l + r)N
est toujours positif ou nul, puisque SN 2 S 0 (1 + a)N, et strictement
positif avec probabilité non nulle. On a donc bien un arbitrage. Si r 2 b,
larbitrage s'obtient en vendant l'actif risqué à découvert.
4. Pour toute la suite, on suppose que r E]a, b[ et on pose p = (b - r)/(b - a).
Montrer que (Sn) est une JP'-martingale si et seulement si les variables
aléatoires T1, T2, ... , TN sont indépendantes, équidistribuées, leur loi com-
mune étant donnée par 1P'(T1 = 1 +a) = p = 1 - JP'(T1 = 1 + b). En déduire
que le marché est viable et complet.
Si les Ti sont indépendantes et vérifient IP'(Ti = 1 +a) = p = 1 - IP'(Ti =
1 + b), on a
Ainsi, on voit que la condition que (Sn) soit une IP'-martingale détermine
la loi du N-uplet (T1, ... , TN) sous IP', et donc la probabilité IP' elle-même
de façon unique. Le marché est donc viable et complet.
5. On note Cn (resp. Pn) la valeur à l'instant n d'un call (resp. d'un put) européen
sur une unité d'actif risqué, de prix d'exercice K et d'échéance N.
(a) Retrouver, à partir des formules de prix sous forme d'espérances condi-
tionnelles, la relation de parité call-put
c(n,x)
~=IE* ( x_ ITN Ti-K )
(1 + r)-(N-n)
i=n+l +
Y: (N ~
J=Ü
n)pj (1 - p)N-n-j X
où ({) = (!-;)!j!.
(1
c(n, x)
+ r)-(N-n) p!E* (x(l +a) .fi T; - K)
i=n+2 +
6. Montrer que la stratégie de couverture parfaite d'un call est définie par une
quantité d'actif risqué H n = /J,. ( n, Bn-I) à détenir à l'instant n, où /J,. est une
fonction que l'on exprimera à partir de la fonction c.
Notons H~ la quantité d'actif sans risque dans le portefeuille simulant le
call. On a
H~(l + rt + HnSn = c(n, Sn)·
Puisque H~ et Hn sont Fn-1-mesurables, ce sont des fonctions de
Si, ... , Sn-1 seulement et, Sn étant égal à Sn-1 (1 +a) ou Sn-1 (1 + b),
!'égalité précédente implique
r = RT/N,
log((l + a)/(1 + r)) = -a-/T[N,
log((l + b)/(1 + r)) = a-/T[N.
Le nombre R s'interprète comme le taux d'intérêt instantané entre les instants
0 et T, puisque eRT = limN_,=(1 +r)N. Le nombre a 2T peut être vu comme
la variance limite, sous la probabilité IP'*, de la variable aléatoire log(SN),
quand N tend vers l'infini, le nombre a 2 comme une variance par unité de
temps.
(a) Soit (YN )N~I une suite de variables aléatoires de la forme
{-aJT!N, aJT!N},
1.4 Problème corrigé: le modèle de Cox, Ross et Rubinstein 31
II JE (exp (içxJ"))
j=l
p,(N)
0 (1 + RT/N)-NJE* ( K - Sa ,Ü. Tn) +
JE* ((1 + RT/N)-N K - Soexp(YN)) +
IPJN) JE*('l/>(YN))I
IJE*(((l + RT/N)-N K - Soexp(YN))+
-(Ke-RT - Soexp(YN))+)I
< Kl(l + RT/N)-N - e-RTI·
= --
1 j +oo (K e-RT - 8 oe --"-+av'Ty) +e _lL._dy.
2T
2
2
2
-./2-rr -OO
3 C'est précisément pour pouvoir travailler avec une fonction bornée que nous avons d'abord étudié le
put.
32 Chapitre 1 Modèles discrets
Remarque 1.4.1 Dans les formules obtenues ci-dessus, le seul paramètre qui n'est
pas directement observable sur le marché est u. Son interprétation comme écart-type
suggère de l'estimer par des voies statistiques. Nous reviendrons sur cette question
dans le Chapitre 4.
Indications bibliographiques Nous avons supposé, dans ce chapitre, qu'il n'y avait
pas de dividendes. En fait, on peut utiliser les mêmes idées pour traiter les marchés
avec dividendes (voir par exemple Huang et Litzenberger (1988)). Le théorème de
caractérisation des marchés viables peut être étendu à des espaces de probabilité
infinis (cf. Dalang et al. (1990) et Morton (1989)). Une démonstration qui s'étend
à ce cadre est esquissée dans l'exercice 1 ci-dessous, inspiré de Rogers (1994). En
temps continu, la formulation du problème est délicate (cf. Harrison et Kreps (1979),
Stricker (1990), Delbaen et Schachermayer (1994) et le livre récent de Delbaen et
Schachermayer (2006)). La théorie des marchés complets en temps continu a été
développée par Harrison et Pliska (1981) et Harrison et Pliska (1983). On trouvera
une présentation élémentaire du modèle de Cox-Ross-Rubinstein dans le livre de
Cox et Rubinstein (1985). Une généralisation du modèle (dans laquelle le marché
est incomplet) est étudiée dans l'exercice 2. On trouvera d'autres informations sur
les modèles discrets dans Füllmer et Schied (2004) et Pliska (1997).
1.5 Exercices
Exercice 1 Soit X = (X1, ... , Xd) un vecteur aléatoire à valeurs dans !Rd, défini
sur un espace de probabilité fini (0, :F, lP'). On note F : !Rd ___, IR la fonction définie
par F(B) = 1Ee11 ·x.
1. Montrer que si lP'(X 0) < 1, on peut trouver une sous fa-
mille (Xi 1 , . . . , Xik) telle que chaque composante Xi de X soit (presque
sûrement) une combinaison linéaire des variables aléatoires Xi 1 ,. •• ,Xik et,
pour tout (u 1 ,. . ., uk) E JRk ayant au moins une coordonnée non nulle,
lP'(2:7=1 UjXij = 0) < 1.
2. Montrer que si F admet un minimum en un point B* E !Rd, on a !EX e11 ' .x =O.
1.5 Exercices 33
Sn(l +a)
Sn+l = { Sn(l + b)
Sn(l + c).
L'ensemble des états possibles est n = {1+a,1+b,1 + c}N, où chaque N-uplet
représente les valeurs successives de Sn+ if Sn. pour n = 0, 1, ... , N - 1. On sup-
pose également que, pour n = 1, ... , N, :Fn = O'(S1 , ... , Sn), tribu engendrée par
les variables S 1 ,. .. ,Sn. On suppose que lP' charge tous les singletons den, ce qui
détermine JP' à l'équivalence près.
1 Viabilité et complétude
1. A quelle condition sur a, b, cet r ce modèle est-il viable? On suppose dans la
suite que cette condition est remplie.
2. On suppose (dans cette question seulement) que N = 1 et r = O. Montrer, en
donnant un exemple d'option non simulable, que le marché n'est pas complet.
On se propose de montrer que, pour une option donnée par h = f (SN), avec f
convexe, il existe une stratégie de sur-réplication au sens suivant.
On appelle stratégie de sur-réplication de l'option de valeur finale h = f (SN)
toute stratégie auto-financée <P = ((H~, Hn), 0 :::; n :::; N) dont la valeur à la date
N vérifie VN (<P) 2 f (SN) presque sûrement.
34 Chapitre 1 Modèles discrets
4. Montrer que
V; > v; =JE p* ,0,1-p* ( f (SN) )
0 - CRR (l + r)N '
où p* est déterminé par p*a + (1 - p*)c = r (on remarquera, en utilisant
les égalités P1 + P2 + p3 = 1 et p1a + p2b + p3c = r, qu'on peut écrire
P1 sous la forme a(p2) et p 3 sous la forme (3(p 2 ) et que la fonction p 2 f->
JE a(p2),p2,f3(P2) (!(SN))) est continue).
Donner une interprétation de p* et VcRR dans un modèle de Cox-Ross-
Rubinstein dont on précisera les paramètres.
III Calcul d'une stratégie de sur-réplication Le but de cette partie est de montrer
l'existence d'une stratégie de sur-réplication de valeur initiale VcRR si la fonction f
est convexe.
Soit v(n,x) le prix, dans le modèle de Cox-Ross-Rubinstein de paramètres d =
1 +a et u = 1 + c, à l'instant net pour un prix d'actif à cet instant x. Le prix satisfait
1.5 Exercices 35
A( 1 )= v(n+l,xu)-v(n+l,xd)
u n + 'x x(u - d) .
Soit Vn la valeur à l'instant n de l'unique stratégie auto-financée de valeur initiale
Va = VcRR = v(O, Sa), pour laquelle la quantité d'actif risqué détenue à la date n
est 6.( n, Sn)·
1. En utilisant la convexité de f, montrer que si v est solution de (1.6), alors,
v (n, .) est convexe quel que soit n.
2. Soit Vn = Vn/(1 + r)n et Sn= Sn/(1 + rr. Montrer que
Définition 2.1.1 Une variable aléatoire v, à valeurs dans {O, 1, 2, ... , N} est un
temps d'arrêt si, pour tout n E {O, 1, · · · , N},
{v=n}EFn·
37
38 Chapitre 2 Problème d'arrêt optimal et options américaines
Remarque 2.1.2 On pourra vérifier, à titre d'exercice, que v est un temps d'arrêt si
et seulement si, pour tout n E 0, 1, ... , N,
{v ::=:; n} E Fn.
Cette définition équivalente du temps d'arrêt est celle qui se généralise au temps
continu.
Introduisons maintenant la notion de suite arrêtée à un temps d'arrêt. Soit
(Xn)o:s;n:s;N une suite adaptée à la filtration (:Fn)o,:s;n:s;N et soit v un temps d'arrêt.
La suite arrêtée à l'instant v est définie par
X~(w) = Xv(w)/\n(w),
c'est-à-dire que, sur l'ensemble {v = j}, on a
sij::::; n
sij > n.
Proposition 2.1.4 Soit (Xn)une suite adaptée et soit v un temps d'arrêt. La suite
arrêtée (X;;,)o:s;n:s;N est adaptée. De plus, si (Xn) est une martingale (resp. une
sur-martingale), alors (X;;,) est une martingale (resp. une sur-martingale).
ZN
max(Zn,IE(Un+1l:Fn)), n = 0, ... , N - 1.
Cette étude est motivée par notre première approche des options américaines (cf.
Section 1.3.3). Nous savons déjà, par la Proposition 1.3.6, que (Un)o<n<N est la
2.2 Enveloppe de Snell 39
est un temps d'arrêt et la suite arrêtée (Un 11110 )o~n~N est une martingale.
et, pour k ~ 1,
{110 = k} = {Uo > Zo} n ... n {Uk-l > Zk-l} n {Uk = Zk} E Fk.
Pour montrer que (U:;,0 ) est une martingale, on écrit, comme dans la
démonstration de la Proposition 2.1.4,
n
u:;,0 = Un/\110 = Uo +L </Jjtl.Uj,
j=l
On a, par définition, Un =max( Zn, IE(Un+I 1 Fn)) et, surl'ensemble {n+l ::; 110 },
Un> Zn. D'où
et par conséquent
Dans la suite, nous noterons 'Tn,N l'ensemble des temps d'arrêt à valeurs dans
{n, n + 1, ... , N}. Remarquons que, puisque n est supposé fini, l'ensemble 'Tn,N
est également fini. La propriété de martingale de la suite arrêtée uva permet de mon-
trer le résultat suivant, qui fait le lien entre enveloppe de Snell et problème d'arrêt
optimal.
Si Zn représente la somme des gains d'un joueur après n parties d'un jeu de hasard,
on voit que s'arrêter à l'instant va permet de maximiser le gain moyen sachant Fa.
Un sup IE(ZvlFn)
vETn,N
Définition 2.2.4 Un temps d'arrêt v* est dit optimal (pour la suite (Zn)a::;n::;N) si
Il résulte de ce qui précède que le temps d'arrêt va est optimal. Le résultat suivant
donne une caractérisation des temps d'arrêt optimaux qui montre que va est le plus
petit temps d'arrêt optimal.
{ Zv = Uv
(2.2)
et (Uv/\n)a::;n::;N est une martingale.
2.3 Décomposition des sur-martingales 41
D'où
(qui résultent du fait que (U;:,)) est une sur-martingale) on déduit aussi
Mais on a Uv/\n ::'.'. IE(U..,IFn), donc Uv/\n = IE(UvlFn), ce qui prouve que (U;:,) est
une martingale. D
Démonstration. Il est clair que le seul choix possible pour n = 0 est !Vlo = Uo et
A 0 = O. On doit ensuite avoir
et
42 Chapitre 2 Problème d'arrêt optimal et options américaines
Les suites (Mn) et (An) sont ainsi déterminées de manière unique, et on voit que
(Mn) est une martingale et que le processus (An) est bien prévisible et croissant
(parce que (Un) est une sur-martingale). D
Supposons maintenant que (Un) soit l'enveloppe de Snell d'une suite adaptée (Zn)·
On peut alors caractériser le plus grand temps d'arrêt optimal pour (Zn) à l'aide du
processus croissant (An) intervenant dans la décomposition de Doob de (Un)·
Proposition 2.3.2 Le plus grand temps d'arrêt optimal pour (Zn) est donné par
si AN= 0
si AN t'= 0.
Démonstration. On voit facilement que V max est un temps d'arrêt en utilisant le fait
que (An)o::;n::;N est prévisible. De l'égalité Un = Mn - An et du fait que Aj = 0,
pOUr j ::; Vmax> On déduit que UVmax = f\![Vmax, Ce qui entraîne que UVmax est Une
martingale. Pour montrer l'optimalité, de Vmax• il suffit par conséquent de montrer
l'égalité
UVn1ax --ZVmax '
Or
N-1
Uvmax L l{vmax=j}Uj + l{vmax=N}UN
j=O
N-1
L l{v.nax=j} max(Zj,lE(Uj+1IFj)) + l{Vmax=N}ZN,
j=O
UVinax -Z
- ll111ax '
Il reste à montrer que c'est le plus grand temps d'arrêt optimal. Cela résulte du fait
que si v est un temps d'arrêt vérifiant v 2: Vmax et IP'(v > Vmax) > 0, alors
et par conséquent uv ne peut pas être une martingale et v ne peut pas être optimal.D
de Markov si, pour tout entier n ~ 1 et pour tous éléments xo, X1, .•. , Xn-1. x, y de
E,ona
IP'(Xn+l =Y 1 Xo = Xo, ... ,Xn-1 = Xn-1,Xn = x) = IP'(Xn+l =Y 1 Xn = x).
LachaîneestditehomogènesilenombreP(x,y) = IP'(Xn+l =y 1 Xn = x)
ne dépend pas de n. La matrice P = (P(x, y))(x,y)EExE, indexée par E x E,
est alors appelée matrice de transition de la chaîne. Notons que la matrice P a des
coefficients positifs ou nuls et vérifie I:,yEE P(x, y) = 1 pour tout x E E; on dit
que c'est une matrice stochastique. Lorsqu'on travaille sur un espace de probabilité
filtré (n, F, (Fn)o~n~N, IP'), on définit la notion de chaîne de Markov par rapport à
la filtration de la façon suivante.
(Xn)o~n~N de variables aléatoires à valeurs dans E est
Définition 2.4.1 Une suite
une chaîne de Markov homogène de matrice de transition P par rapport à la filtration
(Fn)o~n~N, si (Xn) est adaptée et si, pour toute fonction f de E dans JR, on a
JE(f(Xn+i)IFn) = Pf(Xn),
où P f désigne la fonction qui à x E E associe
Pf(x) = L P(x,y)f(y).
yEE
Noter que, si l'on interprète les fonctions de E dans lR comme des matrices uni-
colonnes indexées par E, le nombre P f est bien le produit des deux matrices P
et f. On vérifie facilement qu'un chaîne de Markov au sens élémentaire défini plus
haut est une chaîne de Markov par rapport à sa filtration naturelle, définie par Fn =
cr(Xo, ... , Xn)·
La proposition suivante est une conséquence immédiate de la définition
précédente et de la définition de l'enveloppe de Snell. C'est la clé du calcul effectif
du prix des options américaines dans les modèles discrets (cf. Exercice 7).
Proposition 2.4.2 Soit (Zn) une suite adaptée définie par Zn = 1/J(n, Xn), où (Xn)
est chaîne de Markov homogène à valeurs dans E, de matrice de transition P par
rapport à la filtration (Fn)o~n~N, et soit 1f; une application de N x E dans R
Alors, l'enveloppe de Snell (Un) de la suite (Zn) est donnée par Un = u(n, Xn), où
la fonction u est définie par les relations suivantes
u(N,x) = 1/J(N,x) \lx EE
et, pour n ~ N - 1,
u(n, ·) = max('lj;(n, ·), Pu(n + 1, ·)).
La suite (Ün) définie par Ün = Un/ S~ (valeur actualisée de l'option) est donc
l'enveloppe de Snell, sous lP'*, de la suite (Zn)· Il résulte de la Section 2.2 que
Ün = sup IE*(ZvlFn)
vETn,N
et par conséquent
Un = S~ sup IE* (
vET,.,N
~~ IFn) .
V
IE*(VN(<!>)IFn)
IE*(J\ÏINIFn)
Mn,
et par conséquent
D'où
Un= Vn(</>) - An,
où An = S~Ân. On déduit de cette expression que le vendeur de l'option peut se
couvrir parfaitement, puisque, en encaissant la prime U0 = V0 ( </>), il peut produire
une richesse à l'instant n égale à Vn(</>) qui majore Un et a fortiori Zn.
Quelle est la date optimale d'exercice de l'option? La date d'exercice est à choi-
sir parmi tous les temps d'arrêt. Le détenteur de l'option n'a pas intérêt à exercer à
l'instant n tant que Un > Zn, car il perdrait un actif de valeur Un (l'option) pour une
richesse égale à (Zn) (venant de l'exercice de l'option). Donc, une date T d'exercice
optimal vérifie Ur = Zr. Par ailleurs, il n'a pas intérêt à exercer après l'instant
(qui est égal à inf{j, Â.H 1 =/:- O}) car, à cet instant, en vendant l'option, il peut
se contenter une richesse égale à Uvmax = Vvm.J </>) et, en suivant la stratégie ef> à
partir de cet instant, il se constitue un portefeuille dont la valeur est strictement plus
grande que celle del' option aux instants V max+ 1, V max+ 2, ... , N. On impose donc
comme seconde condition, T ::; Vmax, ce qui permet d'affirmer que la suite arrêtée
ür est une martingale. La conclusion de cette discussion est que les dates d'exercice
optimales sont les temps d'arrêt optimaux pour la suite (Zn), sous la probabilité lP'*.
Pour préciser ce point, reprenons le point de vue du vendeur de l'option. Si celui-ci
se couvre selon la stratégie ef> définie ci-dessus, et si l'acheteur de l'option exerce à
un instant T qui n'est pas optimal, on a U7 > Z 7 ou A 7 > O. Dans les deux cas, le
vendeur réalise un profit V7 (</>) - Z7 = U7 + A 7 - Zn qui est strictement positif.
Démonstration. Puisque la valeur actualisée (Cn) est une sur-martingale sous lP'*,
ona
D'où Cn 2 Cn·
Si Cn 2 Zn pour tout n, la suite (en), qui est une martingale sous lP'*, apparaît
comme une sur-martingale (sous lP'*) majorant la suite (Zn) et par conséquent
D'où l'égalité. D
Remarque 2.5.1 On vérifiera sans peine que si les relations de la Proposition 2.5. l
n'étaient pas vérifiées, il y aurait des opportunités d'arbitrage par des transactions
sur les options.
call européen d'échéance Net de prix d'exercice K sur une unité d'actif risqué, et
Cn est le prix du call américain con-espondant. On a
ën (1 + r)-NIE*((SN - K)+IFn)
> IE* (Sn - K(I + r )-N IFn)
- -N
Sn-K(l+r) ,
en utilisant la propriété de martingale de (Sn)· D'où Cn 2 Sn - K(I + r)-(N-n) 2
Sn - K, puisque r 2 O. Comme Cn 2 0, on a aussi Cn 2 (Sn - K)+ et, par la
Proposition 2.5. 1, Cn = en. II y a donc égalité entre le prix du call européen et le
prix du call américain de même échéance et même prix d'exercice.
Cette propriété n'est pas vérifiée dans le cas du put, ni dans celui de calls sur
devises ou sur des actions distribuant des dividendes.
Remarque bibliographique : Pour des compléments sur !'enveloppe de Snell et
I'an-êt optimal, on peut consulter Neveu (1972), Chapitre VI, et Dacunha-Castelle
et Dufto (l 986b ), Chapitre 5, Section 1. Pour la théorie de !' an-êt optimal à temps
continu voir El Karoui (1981 ), Shiryaev (1978) et Peskir et Shiryaev (2006).
2.6 Exercices
Exercice 4 Soit v un temps d'an-êt de la filtration (Fn)o<n<N· On note Fv l'en-
semble des événements A tels que A n { v = n} E Fn pour tout n E { 0, ... , N}.
1. Montrer que Fv est une sous-tribu de F N. La tribu Fv est appelée tribu des
événements antérieurs à v.
2. Montrer que la variable aléatoire v est Fv-mesurable.
3. Soit X une variable aléatoire réelle. Montrer l'égalité
N
IE(XIFv) = L l{v=j}JE(XIFj)·
j=O
Exercice 5 Soit (Un) l'enveloppe de Snell d'une suite adaptée (Zn)· Montrer, sans
supposer F 0 triviale, que
IE(Uo) = sup IE(Zv),
vETo,N
Exercice 7 L'objet de cet exercice est d'étudier le put américain dans le modèle de
Cox-Ross-Rubinstein. Les notations sont celles du Chapitre 1.
1. Montrer que le prix Pn. à l'instant n, du put américain d'échéance N et de
prix d'exercice K sur une action peut s'écrire
(2.3)
Une stratégie de gestion avec consommation est donc définie par un couple ( </;, î'), où
<f; est un processus prévisible à valeurs dans JRd+ 1, représentant les quantités d'actifs
détenues au cours du temps, et î' = bnh <n<N est un processus prévisible à valeurs
dans JR+, représentant la richesse consom~é~ à chaque instant. La relation (2.3) liant
<Pet î' remplace la condition d'auto-financement du Chapitre 1.
1. Soit <P un processus prévisible à valeurs dans JRd+ 1 et soit î' un processus
prévisible à valeurs dans JR+. On pose Vn(<P) = cPn·Sn et Vn(<P) = cPn·Bn·
Montrer que les conditions suivantes sont équivalentes.
(a) Le couple ( </;, î') définit une stratégie de consommation.
(b) Pour tout n E {1, ... , N},
n n
j=l j=l
j=l j=l
2. Dans toute la suite, on suppose le marché viable et complet et on note IP'*
l'unique probabilité sous laquelle les prix actualisés des actifs sont des martin-
gales. Montrer que si le couple ( </;, î') définit une stratégie de consommation,
alors (Vn ( <P)) est une sur-martingale sous IP'*.
3. Soit (Un) une suite adaptée telle que (Ün)soit une sur-martingale sous IP'*.
Montrer, en utilisant la décomposition de Doob, qu'il existe une stratégie de
consommation(</;, î') telle que Vn(<P) =Un pour tout n E {O, ... , N}.
4. Soit (Zn) une suite adaptée. On dit qu'une stratégie de consommation (</J,î')
couvre l'option américaine définie par la suite (Zn)si Vn(<P) 2 Zn pour tout
n E {O, 1, ... , N}. Montrer que la valeur (Un) de l'option américaine est la
valeur d'au moins une stratégie de consommation qui couvre (Zn) et que toute
stratégie de consommation(</;,')') qui couvre (Zn) vérifie Vn(<P) 2 Un, pour
tout n E {O, 1, ... , N}.
5. Soit x un nombre réel positif représentant la richesse initiale d'un investisseur
et soit 'Y = bnh::;n::;N une suite prévisible à valeurs dans JR+. On dit que le
processus de consommation (î'n) estfinançable à partir de la richesse initiale
x s'il existe un processus prévisible </J, à valeurs dans JRd+l, tel que le couple
(</;, î') définisse une stratégie de consommation, avec, de plus, V0 ( <P) = x et
Vn(<P) 2 0, pour tout n E {O, ... , N}. Montrer que (î'n) est finançable à
SJ_
partir de la richesse initiale x si et seulement si JE* (2::f= 1 î'j / 1 ) ::::; x.
Chapitre 3
Mouvement brownien et
équations différentielles
stochastiques
Les deux premiers chapitres de ce livre ont été consacrés à l'étude de modèles
à temps discret. On a vu à cette occasion l'importance des notions de martingales,
de stratégies autofinancées et d'enveloppe de Snell. Dans ce chapitre, nous allons
étendre ces notions au cas du temps continu. En particulier, nous introduirons les
outils mathématiques permettant de construire des modèles d'évolution d'actif et de
calculer les prix d'options. Les outils techniques sont plus délicats à utiliser en temps
continu mais les idées essentielles diffèrent peu de celles du temps discret.
Pourquoi considère-t-on des modèles à temps continu? La première motiva-
tion vient des phénomènes que l'on veut modéliser : les variations des cotations
sur les marchés organisés sont en pratique tellement fréquentes qu'un modèle à
temps discret peut difficilement en rendre compte. D'autre part, les modèles conti-
nus conduisent à des méthodes de calcul plus explicites que les modèles discrets,
même s'il faut parfois avoir recours à des méthodes numériques. Ainsi, le modèle le
plus utilisé dans la pratique (le modèle de Black et Scholes) est un modèle à temps
continu qui conduit à une formule simple. Comme nous l'avons signalé dans l'in-
troduction, les liens entre processus stochastiques et finance ne sont pas nouveaux :
en 190 l, Bachelier (voir Bachelier (l 900)) dans un mémoire intitulé Théorie de la
spéculation est, non seulement l'un des premiers à s'intéresser mathématiquement
aux propriétés du mouvement brownien, mais aussi à donner des formules de calcul
de prix pour certaines options.
Nous donnons quelques éléments mathématiques nécessaires à la compréhension
des modèles à temps continu. En particulier, nous introduirons le mouvement brow-
nien, qui est l'outil majeur du modèle de Black et Scholes et sert à construire la
plupart des modèles d'actifs en finance. Puis nous étendrons la notion de martin-
gale au cas du temps continu, enfin nous construirons l'intégrale stochastique d'Itô
et nous introduirons le calcul différentiel qui lui est associé : le calcul d'Itô.
49
50 Chapitre 3 Mouvement brownien et équations différentielles stochastiques
Définition 3.1.3 Une filtration sur un espace de probabilité (il, A, JP>) est une famille
croissante (Ftk::o de sous tribus de A.
Remarque 3.1.2 Dans la suite, les filtrations quel' on considérera auront la propriété
suivante:
s'agit de sa filtration naturelle. Un processus est bien sûr adapté à sa filtration natu-
relle.
La notion de temps d'arrêt nous sera utile comme dans le cas discret. Un temps
d'arrêt modélise un temps aléatoire qui dépend du processus de façon non anticipante
(à un instant donné t on sait si un temps d'arrêt est plus petit que t). Formellement,
la définition est la suivante :
Définition 3.1.5 Un temps d'arrêt par rapport à une filtration (Ft)t>o une variable
aléatoire r à valeurs dans JR+ U { +oo} telle que, pour tout t 2:: 0, -
On associe à un temps d'arrêt rune_ tribu que l'on note Fn définie par
Théorème 3.2.4 Si (Xtk::o est un mouvement brownien, si 0 < ti < ... < tn,
alors (Xt 1 , .•• , Xt,,) est un vecteur gaussien.
On pourra consulter l'appendice page 235 pour des précisions sur les vecteurs gaus-
siens.
Démonstration. Soit 0 :::; t 1 < ... < tn, alors le vecteur aléatoire
Remarque 3.2.2 - Il est facile de vérifier que, si (Xt) est un mouvement brow-
nien standard, c'est aussi un (:Ft)-mouvement brownien, si l'on prend pour
(:Ft) la filtration naturelle de (Xt)·
- Si (Xt) est un mouvement brownien standard, il en est de même des processus
(Xto+t - X1 0 k::o et (,>-Xt;>.2 )t;::o.
Définition 3.3.1 Soit (r!, A, IP') un espace probabilisé et (Ft)t;:::o une filtration de
cet espace. Une famille adaptée (Mt)t;:::o de variables aléatoires intégrables (c'est-
à-dire vérifiant E( 1Mt1) < +oo pour tout t) est :
- une martingale si, pour touts :': '.: t, E (Mt IFs) = Ms.
- une sur-martingale si, pour touts :': '.: t, E (MtlFs) S Ms.
- une sous-martingale si, pour touts:'::'.: t, E (MtlFs) ?: Ms.
Remarque 3.3.1 On déduit de cette définition que, si (Mt)t>o est une martingale,
alors E(Mt) = E(Mo), pour tout t.
Donnons des exemples de martingales que l'on peut construire à partir du mouve-
ment brownien.
E(Xz_s)
t- S.
La dernière égalité est due au fait que Xt suit une loi gaussienne centrée de variance
t. On en déduit que E (Xt - t!Fs) =X'; - s, sis< t.
Pour démontrer le dernier point, rappelons, tout d'abord, que, si g est une gaus-
sienne centrée réduite, on a :
De plus, si s < t,
E(e"X1-a2t/2IFs) = eaX,-a2tf2E(e"(X,-X,)IFs)
54 Chapitre 3 Mouvement brownien et équations différentielles stochastiques
Théorème 3.3.4 ((Théorème d'arrêt)) Si (Mt)t;:::o est une martingale continue par
rapport à une filtration (Ft)t>o, et si T 1 et T2 sont deux temps d'arrêt tels que T1 :::;
T 2 :::; K, K étant une constante réelle finie, alors Nlr2 est intégrable et:
Nous allons donner un exemple d'application de ce résultat au calcul des temps d'at-
teinte d'un point par le mouvement brownien.
{Tas;t}= n {supXs>a-é}= n n
e:E<Qi+• s$t e:E<Qi+• sE<Qi+ ,s$t
{Xs>a-é}.
Ce dernier ensemble est dans Ft, ce qui prouve le résultat. On notera dans ce qui suit
x /\y= inf(x, y).
3.4 Intégrale stochastique et calcul d'Itô 55
où H 1 est la quantité d'actif risqué détenu à l'instant j, si l'on suppose, pour sim-
plifier, qu'il n'y a qu'un seul actif risqué. Cette valeur apparaît comme une trans-
formée de martingale sous une probabilité pour laquelle le prix de l'actif actualisé
(Sn)a~n:S_N est une martingale. Dans le cas des modèles à temps continu, nous allons
généraliser cette formule à l'aide d'intégrales du type l;
H 8 dS8 •
Les modèles utilisés couramment pour décrire l'actif sont obtenus à partir
d'un (ou plusieurs) mouvement brownien. Or, une des propriétés importantes du
mouvement brownien est que presque sûrement ses trajectoires sont nulle part
différentiables. Autrement dit, on peut montrer que, si Xt est un mouvement brow-
nien, il n'existe pas de points t de~+ tels que 1ft ait un sens. On ne peut donc pas
définir l'intégrale précédente par:
t t
dX
la f(s)dXs =la f(s) dss ds.
On peut donner, cependant, un sens précis à ce type d' intégrales par rapport au
mouvement brownien. On appelle ces intégrales des intégrales stochastiques. C'est
ce que nous allons faire dans cette section.
i=l
où 0 =ta < ti < ... < tp =Tet <Pi est Fti-l -mesurable et bornée.
avec <fi; qui est 9;-1-mesurable. D'autre part Xn = Wtn est une 9n-martingale (en effet,
(Wt)t:::o est un mouvement brownien). (Mn)nE[O,pJ apparaît donc comme une transformée
de la martingale (Xn)nE[O,p]. La proposition 1.2.3 du chapitre 1 prouve alors que c'est une
martingale. Le deuxième point s'obtient en remarquant que
JE(M~)
n n
LLJE(<fi;</ij(X; - X;-1)(Xj -Xj-1))
i=l j=l
De plus, si i < j, on a
JE(<fi;</ij(X; - X;-1)(Xj - Xj-1))
JE(JE(<fi;</ij(X; - X;-1)(Xj - Xj-i)l9j-i))
JE(<fi;</ij(X; - X;-1)JE(Xj - Xj-119j-i)).
Comme Xj est une martingale, on a JE(Xj - Xj- 1 l9i-l) =O. On en déduit que, si i < j,
La continuité de t --> J;
H.dW. est claire sur sa définition. Le troisième point est une
conséquence de l'inégalité de Doob (cf. Théorème 3.3.7) appliquée à la martingale continue
(J; H.dw.) t~O
. D
(3.2)
Proposition 3.4.4 Soit (Wt)t;:::o un Frbrownien. Alors il existe une unique applica-
tion linéaire J de'}-{ dans l'espace des Frmartingales continues définies sur [ü, T],
telle que:
1. Si (Ht)t<T est un processus élémentaire, IP' p.s. pour tout 0 ~ t ~ T
J(H)t = I(H)t·
I. On a:
(3.3)
(3.4)
Démonstration. Nous admettrons que si (Hs)s$T est dans 11., il existe une suite (H;')s$T
de processus élémentaires tels que :
lim JE (
n-++oo Jo{T IHs - H;'j 2 ds) =O.
On trouvera une démonstration de ce résultat dans Karatzas et Shreve (1988) (page 134
problème 2.5).
Si H E 1f. et (Hn)n?.O est une suite de processus élémentaires convergeant vers H, au
sens précédent, on a :
La série de fonctions de terme général I(H<f>(n+I)) - I(H<f>(n)) est donc, presque sûrement,
uniformément convergente. Donc I (H<f>(n) )t converge vers une fonction continue qui sera par
définition t ,_. J(H)t. En passant à la limite dans (3.5), on obtient:
Ceci entraîne que (J(H)t)o$t$T ne dépend pas de la suite approximante. (J(H)t)o$t$T est
une martingale, en effet :
JE(I(Hn)tlFs) = I(Hn)s,
De plus pour tout t, limn~+oo I(Hn)t = J(H)t en norme L 2 (0., IP') et la continuité dans
L 2 (0., IP') de l'espérance conditionnelle permet de conclure.
De l'équation (3.6) et de:
4JE (J
0T IH;'l 2 ds ), on déduit (3.3).
L'unicité du prolongement résulte de la densité des processus élémentaires dans 11..
Nous allons maintenant démontrer (3.4). On remarque d'abord que l'équation (3.2) reste
valable si H E 11.. Il suffit pour cela d'utiliser la densité des processus élémentaires dans 1f.
et (3.6).
60 Chapitre 3 Mouvement brownien et équations différentielles stochastiques
On démontre ensuite le résultat pour des temps d'arrêt de la forme T = l:i<i<n t;lA;,
où 0 < t 1 < · · · < tn = T, les A; étant disjoints et :Ft; mesurables. Pour montrer, dans ce
cas, l'égalité (3.4), on remarque, tout d'abord, que
Mais chaque 1{ 8 > t;} lA; Hs est adapté (Ce processus est nul sis :::::; t; et vaut lA, Hs sinon)
et donc dans 1-i. On en déduit que :
Tn= L
Alors, T n converge presque sûrement vers T en décroissant. On en déduit que presque sûrement
J;n HsdW. tend vers J; H 8 dWs par continuité de t >-> J; H.dW•. D'autre part
Ce dernier terme tend vers 0 par convergence dominée, donc J0T 1{ 8 :::; Tn}H.dW. tend dans
L 2 (n,lP') (et, donc, presque sûrement pour une sous suite) vers J0T l{s:::; 7 }H.dW•. Ceci
permet d'obtenir l'égalité (3.4) pour tout temps d'arrêt. D
Pour les besoins de la modélisation, nous aurons besoin de processus satisfaisant une
hypothèse d'intégrabilité plus faible que celle vérifiée par un processus appartenant
à H, c'est pour cela que nous introduisons un nouvel espace il, en posant:
Remarque 3.4.2 Il est important de noter que dans ce cas (J; H dWs) O<t<T n'est
8
fo H';dW.
1
= 1t l{s::;Tn}H;'+ 1 dW.,
Donc sur l'ensemble {f0T H~du < n}, pour tout t:::; T, J(Hn)t = J(Hn+I )t. Comme
on peut définir presque sûrement un processus ](H)t en posant, sur {f0T H~du < n },
Le processus t 1-> ](H) 1 est presque sûrement continu, par définition. La propriété de pro-
longement est vérifiée par construction. Il reste donc à prouver la propriété de continuité de J.
Pour cela remarquons que :
IP'(IrH;ds 21/N)
0
On en déduit que si for H;-2 ds tend vers 0 en probabilité, alors SUPt::;r /](Hn)tl tend vers 0
en probabilité.
Pour prouver la linéarité de J, considérons deux processus de H, H et K et les deux
suites H[' et K[' définies comme au début de la démonstration, telles que f 0T (H-;- - H.)2ds
et J{ (K-;- - K.)2ds tendent en probabilité vers O. On peut alors passer à la limite dans
l'égalité J(>..Hn + µKn)t = >..J(Hn)t + µJ(Kn)t, grâce à la propriété de continuité de J.
On obtient ainsi la linéarité de J.
Enfin, le fait que si H E if. alors f 0T (Ht - H[')2dt tend vers 0 en probabilité et la
propriété de continuité prouvent l'unicité du prolongement. D
Nous allons résumer les conditions d'existence de l'intégrale stochastique par rap-
port à un mouvement brownien, et les hypothèses qui permettent d'affirmer qu'il
s'agit d'une martingale.
Résumé:
Cette condition n'est cependant pas nécessaire. Remarquons, toutefois, que la condi-
tion JE (J T H;ds) < +oo est équivalente à:
0
JE ( sup (
tE(O,T)
t
la
H 8 dW8 )
2
) < +oo,
(3.7)
égale à W? elle serait positive, et une martingale nulle en 0 ne peut être positive que
si elle est nulle.
Commençons par préciser la définition de la classe de processus pour laquelle on
peut énoncer la formule d'Itô.
Définition 3.4.8 Soient (n, :F, (:Ft)t>o, IP') un espace probabilisé muni d'une filtra-
tion et (Wt)t>o un Ft-mouvement brownien. On appelle processus d'Itô, un proces-
sus (Xt)o<t<T à valeurs dans lR tel que
avec
- Xo Fa-mesurable.
- (Kt)o<t<T et (Ht)o<t<T des processus adaptés à :Ft.
-l: IK~lds < +oo p~s. i
- loT IHsl 2 ds < +oo lP' p.s.
On peut démontrer (voir exercice 19) le résultat suivant, qui précise l'unicité de la
décomposition précédente.
alors:
1P' p.s. 'Vt :::; T, Mt = O.
Ceci entraîne que :
- La décomposition d'un processus d'Itô est unique. Ce qui signifie que si, pour
tout t,
alors
et
lat J'(Xs)dXs =lat J'(Xs)K8 dS +lat J'(Xs)HsdW8 •
De même si (t, x) f--7 f(t, x) est une fonction deux fois différentiable en x et une fois
différentiable en t, ces dérivées étant continues en (t, x) (on dit dans ce cas que f
est de classe C 1 •2 ), on a
rt
W? = 2 la W 8 dWs
i
+ "2 la
t 2ds.
On obtient
3.4 Intégrale stochastique et calcul d'Itô 65
Comme E (J~ W,?ds) < +oo, on retrouve le fait que W? - test une martingale.
Nous allons maintenant nous intéresser aux solutions (St)t2'.0 de l'équation
(3.8)
Cela signifie que l'on cherche un processus adapté (St)t>o tel que les intégrales
J~ S 8 ds et J~ SsdWs aient un sens, et qui vérifie, pour chaque t,
Faisons tout d'abord un calcul formel, posons yt =log( St) où St est une solution de
l'équation (3.8). St est un processus d'Itô avec Ks = µSs et Hs = o-88 • Appliquons
la formule d'Itô à f(x) = log(x) (au moins formellement car f(x) n'est pas de
classe 0 2 sur lR !). On obtient en supposant que St est positif:
log(St) = log(So)
t
+ Jo dSs 1t (-1)
Ss + 2 Jo s; a 2 2
8 5 ds.
puis
yt =log( St) = log(So) + (µ - o- 2 /2)t + aWt.
On a ainsi montré que, si (St. t :'.'.: 0) est un processus strictement positif vérifiant
(3.8), on a bien
St= xo exp((µ - o- 2 /2)t + aWt)·
Vérifions maintenant rigoureusement que ce processus est bien solution. On a St =
f(t, Wt). où
f(t, x) = xo exp((µ - o- 2 /2)t + ax).
La formule d'Itô donne
St J(t, Wt)
et finalement
On vient donc de démontrer l'existence d'une solution de (3.8). Nous allons main-
tenant prouver que cette solution est unique. Pour cela, nous allons utiliser une pro-
priété généralisant la formule d'intégration par parties dans le cas des processus
d'Itô.
et
Alors
avec la notation
+ J;(Hs + H~) 2 ds
x2t xg + 2 f~ X.dXs + J; H'f ds
y:2 Y02 + 2 J0 Y.dYs + J; H ;ds.
1
t
D
3.4 Intégrale stochastique et calcul d'Itô 67
est une solution de (3.8) et supposons que (Xt)t>o en soit une autre. On va chercher
à exprimer la différentielle stochastique de XtS~ 1 . Posons
Bo 2
Zt = St =exp((-µ+ a /2)t - aWt),
µ' = -µ + a 2 et a' = -a. Alors Zt = exp ( (µ' - a' 2 /2) t + a'Wt) et le calcul
fait précédemment prouve que
Ici, on a:
On en déduit que
'Vt ~ 0,
Définition 3.4.17 On dit que (Xt)o::;t::;r est un processus d'Itô par rapport à
(Wt, .Ft), où (Wt)t>o est un .Ft-mouvement brownien p-dimensionnel, si
Xt = Xo +ln
t K ds + L lnrt H!dW;
8
p
0 i=l 0
où:
- (Kt) et les (Hf) sont adaptés à (.Ft)·
- f0TIKslds < +oo lP' p.s ..
- Jt (H!) 2 ds < +oo lP' p.s. pour i = 1, ... ,p.
La formule d'Itô prend alors la forme suivante.
3.5 Équations différentielles stochastiques 69
alors si f est une fonction deux fois différentiable en x et une fois différentiable en t,
ces dérivées étant continues en (t, x ), on a
f(t,Xf, ... ,Xf) f(O, XJ, ... , X 0) +lat~; (s, x;, ... , X';)ds
n t {)
+L
i=l
r {)!. (s,x;,. . .,X';)dx;
lo i
+! t t 82 f (s,x;,. . .,X';)d(Xi,Xj)s
r:i
.. _ 1 lo UXiXj
2 i,J-
où
Définition 3.5.1 On se place sur un espace de probabilité (D, A, IP') muni d'un filtra-
tion (.Ft)t>O· On considère deux fonctions b et a, b : ffi.+ x R ---t Ra : ffi.+ x R ---t R,
Z une variable aléatoire .F0 -mesurable et (Wt)t>o un .Ft-mouvement brownien. Une
solution à l'équation (3.10) est un processus stochastique ( Xt)t;:::o continu .Ft-adapté,
qui vérifie :
- Pour tout t :;: : 0, les intégrales 1; 1;
b(s, Xs)ds et a(s, X 8 )dW8 ont un sens
lat lb(s, Xs)lds < +oo et lat la(s, Xs)l 2 ds < +oo 1P' p.s.
Vt 2'.: 0 1P' p.s. Xt = Z +lat b (s, Xs) ds +lat a (s, Xs) dW8 •
Le théorème suivant donne des conditions suffisantes sur b et a pour avoir un résultat
d'existence et d'unicité pour (3.10)).
Théorème 3.5.3 Si b et a sont des fonctions continues, telles qu'il existe K < +oo,
avec
1. lb(t, x) - b(t, y)I + la(t, x) -
a(t, y)I :::; Klx - YI
2. lb(t,x)I + la(t,x)I:::; K(l + lxl)
3. IE(Z 2 ) < +oo,
alors, pour toutT:;:::: 0, l'équation (3.10) admet une solution unique dans l'intervalle
[O, T]. De plus cette solution (Xs)os;s$T vérifie
Démonstration. Posons :
2
+ sup 1 t(a(s,X,)-a(s,Y,))dW,1 ),
o:::;t:::;T lo
::::; 2E ( sup (
o:::;t:::;T lo
r Jb(s, X,) - b(s, Y,)Jds) 2
)
Et donc:
E ( sup J<I>(O)tJ 2) ::::; 3(E(Z 2) + K 2T 2 + 4K 2T) < +oo.
0:5t:5T
On en déduit que <I> est une application de t: dans t: de norme de Lipschitz majorée par
k(T) = J2(K 2T 2 + 4K 2T). Nous commençons par supposer que Test suffisamment petit
pour que k(T) < 1. <I> est alors une application contractante de t: dans ê. Elle admet donc un
point fixe unique dans t: et ce point fixe est une solution de l'équation (3.10). Ce qui prouve
l'existence d'une solution.
D'autre part, une solution de (3.10) qui est dans t: est un point fixe de <I>. Ceci prouve
l'unicité d'une solution de (3.10) dans t:. Pour démontrer l'unicité dans la classe de tous
les processus d'Itô, il suffit de prouver qu'une solution de (3.10) est nécessairement dans t:.
Soit X une solution de (3.10), nous noterons Tn = inf{s ~ 0, JX.J > n} et r(t) =
72 Chapitre 3 Mouvement brownien et équations différentielles stochastiques
JE (sup 0 '.'0s:'OtATn IX.J2). Il est facile de vérifier que fn(t) est une fonction finie et continue.
En faisant le même genre d'estimation que précédemment on obtient
2
JE(supO:'Ou9AT,.IXul 2) ::; 3 ( JE(Z 2) +JE (1tt\Tn K(l + IXs l)ds)
X 1t (1+JE(supO:'Ou:'OsATn1Xul 2))ds).
Lemme 3.5.4 (Lemme de Gronwall) Si f est une fonction continue, telle que pour tout 0 ::;
J;
t::; T, f(t) ::; a+ b f(s)ds, avec b 2 0, alors f(T) ::; a(l + ebT).
D
On en déduit ici que r
(T) < K < +oo, K étant une constante fonction de T mais
indépendante de n. Le lemme de Fatou donne alors , en passant à la limite en n, que pour tout
T
JE ( sup IX. 12) < K < +oo.
0'.'0s:'OT
X est donc dans&. Ceci termine la démonstration dans le cas où Test petit.
Pour conclure pour T quelconque, il suffit de prendre n assez grand et de raisonner suc-
cessivement sur les intervalles [O, T/n], [T/n, 2T/n],. · · ,[(n - l)T/n, T].
dXt
{
Xo
On peut expliciter cette solution. En effet, posons yt = Xtect et écrivons la formule
d'intégration par parties
3.5 Équations différentielles stochastiques 73
En effet JE (J~(é 8 ) 2 ds) < +oo, et donc J~ ec 8 dW8 est une martingale nulle à
l'instant 0 donc de moyenne nulle. De même
À1Xt 1 + .. · + ÀnXtn = t
i=l
Àimi + 1t
0
(t
i=l
Àdi(s))dWs,
qui est bien une variable aléatoire gaussienne (car c'est, comme précédemment, une
intégrale stochastique d'une fonction déterministe du temps).
(3.l 1)
Où il faut comprendre que l'on cherche un processus (Xt)o<t<T à valeurs dans JR.n
adapté à (Ft)t>o et tel que lP' p.s. , pour tout t et pour tout i ::::: n, on a presque
sûrement:
Nous allons énoncer dans ce paragraphe la propriété de Markov pour une solution
de (3.10). On notera (X!•x, s 2 t) la solution de l'équation (3.10) partant de x à
3.5 Équations différentielles stochastiques 75
A priori, x.t.x est défini pour tout (t, X) presque sûrement. On peut cependant, sous
les hypothèses du théorème 3.5.3, construire un processus dépendant de (t, x, s) qui
est lP' p.s. continu en ces trois variables et tel que X!·x soit solution de l'équation
précédente. C'est un résultat délicat à démontrer (on trouvera sa démonstration dans
Rogers et Williams (1987)) que nous allons admettre.
La propriété de Markov est une conséquence d'une propriété de flot vérifiée par
les solutions d'une équation différentielle stochastique. C'est une généralisation de
la propriété de flot des équations différentielles ordinaires.
puis que:
Ces résultats sont intuitifs, mais pour les justifier en détails il faut utiliser la continuité
de y ~ x.t.y. Nous laissons de coté les détails de leurs démonstrations. Cela admis,
on remarque que X'; est aussi solution de l'équation précédente, en effet, si t ~ s
X~·x x + 1 8
b(u, X~)du + 1
8
a(u, X~)dWu
Xf + 1 8 b(u,X~)du+1 8 a(u,X~)dWu.
L'unicité des solutions de cette équation prouve, alors, que X~·x x;.x, pour
t ~S. 0
La propriété de Markov prend dans ce cas la forme suivante.
76 Chapitre 3 Mouvement brownien et équations différentielles stochastiques
Théorème 3.5.7 Soit (Xt)t;:::o une solution de (3.10). C'est un processus de Markov
par rapport à la filtration (Ft)t;:::o du mouvement brownien. Plus précisément, on a,
pour toute fonction borélienne bornée f :
avec X'; qui est Fs mesurable et (Ws+u - Ws)u>o qui est indépendant de F 8 •
Si on applique le résultat de la proposition A.2.5 de l'appendice à X 8 , (Ws+u -
Ws)u>o, <I> et F 8 , on obtient
Théorème 3.5.9 Soit (Xt)t>o une solution de (3.10) et r(s, x) une fonction mesu-
rable positive. On a, si t > s,
avec
Remarque 3.5.3 On peut en fait démontrer un résultat plus général que celui énoncé
précédemment. Si on omet les détails techniques, on peut affirmer que, si if> est "une
fonction de toute la trajectoire" de Xt après s,
1P' p.S. JE( ef>(X[, t :;::: S) /Fs) = JE( ifJ(Xt•x, t :;::: S)) lx=Xs ·
Remarque 3.5.4 Lorsque b et <r ne dépendent que de x (on dit que la diffusion est
homogène dans ce cas), on peut montrer que la loi de x:ft est identique à celle de
x?·x,ce qui signifie que si f est une fonction mesurable et bornée
3.6 Exercices
Exercice 9 Soit (Mt)t?.O une martingale, telle que pour tout t, JE(Mf) < +oo.
Démontrer que, si s :::; t,
Exercice 13 Soit Set T deux temps d'arrêt, tels que S :::; T lP' p.s. . Démontrer
queFs C Fr.
Exercice 14 Soient Sun temps d'arrêt, fini presque sûrement, et (Xt)t>o un pro-
cessus adapté et presque sûrement continu.
78 Chapitre 3 Mouvement brownien et équations différentielles stochastiques
est mesurable.
3. En déduire que si S::::; t, Xs est Ft mesurable, puis que Xs est Fs mesurable.
brownien et f(s) est une fonction mesurable de (IR+, B(IR+)) dans (IR, B(IR)) telle
que:
1+= f 2 (s)ds < +oo.
Ce type d'intégrale s'appelle intégrale de Wiener et c'est un cas particulier de
l'intégrale d'Itô qui est introduite au paragraphe 3.4.
On rappelle que l'ensemble 1i des fonctions de la forme Lo<i<N-l ail]t;,t;+i]'
avec ai E IR, et t 0 = 0 ::::; ti ::::; · · · ::::; tN est dense dans L 2 (i+, dx) muni de la
norme V
ll!llL2 = f 0+= f2(s)ds.
1. Soit ai E IR, et 0 = to ::::; ti ::::; · · · ::::; t N, et :
1= L: ai1(t.,t;+1]·
0:5i:5N-1
On pose:
Ie(f) = L ai(Xt;+i - Xt;).
0:5i:5N-1
Démontrer que I e (!) est une variable aléatoire gaussienne dont on calculera
la moyenne et la variance. Démontrer en particulier que :
2. En déduire qu'il existe une unique application linéaire de L 2 (IR+, dx) à valeurs
dans L 2 (D, F, IP'), I, telle que I(f) = Ie(f), si f est dans 1i et E(I(f) 2 ) =
llJllL2, pour tout f dans L 2 (IR+).
3. Démontrer que, si (Xn)n;:=:o est une suite de variables aléatoires gaussiennes
centrées qui convergent dans L 2 (D, F, IP') vers X, alors X est une variable
aléatoire gaussienne centrée. En déduire que si f E L 2 (IR+, dx) alors I(f) est
une variable aléatoire gaussienne centrée de variance 0+= /2(s)ds. f
3.6 Exercices 79
Zt = 1t f(s)dXs = Jl[o,tJ(s)f(s)dXs.
(Utiliser le fait que (M* /\ A)P = J0!1-'1* /\A pxP- 1dx pour p = 1, 2).
4. Démontrer que, JE ( ( M*) 2 ) est fini et que
Exercice 17
1. Démontrer que si Set S' sont deux Frtemps d'arrêt alors S /\ S' = inf(S, S')
et SV S' = sup(S, S') sont des Ft-temps d'arrêt.
2. En utilisant le temps d'arrêt SV set le théorème d'arrêt démontrer que
3. En déduire que, si s :S t,
4. En utilisant le fait que Ms/\s est Fs mesurable, montrer que t --+ Ms/\t est
une Ft martingale.
80 Chapitre 3 Mouvement brownien et équations différentielles stochastiques
Exercice 18
1. Soit (Ht)o:s.t:S.T un processus mesurable adapté tel que f: Htdt < oo, p.s ..
On pose Mt = f~ H 8 dW8 , (où (Wt)o:s_t:s_T est un mouvement brownien stan-
dard). Montrer que si E (sup 0 $.t$.T Ml) < oo, alors E (J0T Htdt) < oo.
On pourra introduire la suite de temps d'arrêt définie par r n = inf {t ~
0 1 f~ Htds = n} et montrer que E(M.f./\TJ =JE (J0T/\Tn Htds).
2. On pose
1
p(t,x)= ~exp(-x 2 /2(1-t)),
yl-t
pour 0 :::; t < 1 et x E JR, et p(l,x) = O. Soit (Mt)o:s.t:5.1 le processus
défini sur [O, 1] par Mt= p(t, Wt) où (Wt)o:s.t:S.l est un mouvement brownien
standard.
(a) Montrer que
(b) Soit
ap
Ht = ax (t, Wt),
montrer que f01 Htdt < oo, p.s., et E ( f01 Htdt) = +oo.
lim
n-t+oo E (~(Mt" -
~ i
Mt'!i-1 ) 2 ) =O.
i=l
E (t ( Mt'i - Mt':_,)
2
) = E(M.f. - M5).
(ou T si cet ensemble est vide) est un temps d'arrêt. Prouver que
E(YrlB) = E(Yi)lt=T·
On commencera par traiter le cas où Test de la forme LI<i<n tilAi• où
0 < ti < · · · < tn = K, les Ai étant disjoints et B mesurables-:- -
82 Chapitre 3 Mouvement brownien et équations différentielles stochastiques
et que, si À ::; µ et À 2 0,
lP'(Wt ::; µ, Wt 2 >.) = 21P'(Wt 2 >.) - lP'(Wt 2 µ).
2(2y-x) ( (2y-x) 2 )
l{o~y}l{x~y} V'iii3 exp - 2t dxdy.
Chapitre 4
Modèle de Black-Scholes
(4.1)
où r est une constante positive. Cela signifie que le taux d'intérêt sur le marché des
placements sans risque est constant et égal à r (noter que r est ici un taux d'intérêt
instantané, à ne pas confondre avec le taux annuel ou le taux sur une période des
modèles discrets). On pose sg = 1, de sorte que sp = ert pour t ~ O.
On suppose que l'évolution du cours de l'action est régie par l'équation
différentielle stochastique
83
84 Chapitre 4 Modèle de Black-Scholes
Le modèle est étudié sur l'intervalle [O, T], où Test la date d'échéance de l'op-
tion que l'on se propose de traiter. Comme nous l'avons vu (cf. Chapitre 3, Section
3.4.3), l'équation (4.2) a pour solution explicite
Dans les modèles à temps discret, nous avons caractérisé les stratégies auto-financées
par l'égalité Vn+l (</J)- Vn(</J) = </Jn+i·(Sn+l -Sn) (cf. chapitre!, Remarque 1.1.1).
La transposition de cette égalité à temps continu conduit à écrire la condition d'auto-
financement sous la forme
Alors, l'intégrale
4.1 Description du modèle 85
puisque la fonction t 1-+ St est continue, donc bornée sur l'intervalle [O, T], presque
sûrement.
Définition 4.1.1 Une stratégie auto-financée est définie par un couple <P de processus
adaptés (Hf)o<t<T
- - et (Ht)o<t<T
- - vérifiant
1. foT IH?ldt + 1T Htdt < +oo p.s ..
Proposition 4.1.2 Soit <P = (Hf, Ht)O$.t$.T un processus adapté à valeurs dans
R. 2 , vérifiant f 0T IHfldt + f 0T H'fdt < +oo p.s.. On pose lit(</>)= HfSf + HtSt et
Vt(<P) = e-rtllt(</>). Alors, <P définit une stratégie auto-financée si et seulement si
(4.3)
Remarque 4.1.1 Nous n'avons pas imposé de condition de prévisibilité sur les
stratégies, contrairement à ce que nous avons fait dans le chapitre 1. En fait, on
peut définir une notion de processus prévisible à temps continu mais, dans le cas de
la filtration d'un mouvement brownien, cela ne restreint pas les stratégies de manière
significative, en raison de la continuité des trajectoires du mouvement brownien.
86 Chapitre 4 Modèle de Black-Scholes
Dans notre étude des modèles discrets complets, nous avons été amenés à nous pla-
cer sous une probabilité équivalente à la probabilité initiale, sous laquelle les prix
actualisés des actifs sont des martingales, puis nous avons construit des stratégies
auto-financées simulant les options. La section suivante présente les outils qui per-
mettent de transposer ces méthodes au temps continu.
IP'(A) = 0 =? Q(A) = O.
Théorème 4.2.1 Une mesure de probabilité Q est absolument continue par rapport
à lP' si, et seulement si, il existe une variable aléatoire positive Z sur (0, A) telle que
La variable aléatoire Z est appelée densité de Q par rapport à lP' et notée dQ/ dlP'.
Il est clair que si Q admet une densité par rapport à IP', Q est absolument continue par
rapport à IP'. La réciproque résulte du Théorème de Radon-Nikodym (cf. par exemple
Dacunha-Castelle et Duflo (1986a), ou Williams (1991), Section 5.14).
Les probabilités lP' et Q sont dites équivalentes si chacune d'elles est absolument
continue par rapport à l'autre. Noter que si Q est absolument continue par rapport à
IP', de densité Z, alors lP' et Q sont équivalentes si et seulement si IP'(Z > 0) = 1.
brownien standard.
4.2 Changement de probabilité. Théorème de représentation des martingales 87
Remarque 4.2.1 Une condition suffisante pour que (Lt)o~t~T soit une martingale
est que l'on ait
Cette condition est connue sous le nom de critère de Novikov (cf. Karatzas et Shreve
(1988), Dacunha-Castelle et Duflo (1986b)). La démonstration du Théorème de Gir-
sanov dans le cas où le processus (Bt) est constant fait l'objet de l'exercice 22.
Théorème 4.2.3 Soit (Mt)o9~T une martingale de carré intégrable, par rapport à
la.filtration brownienne (Ft)o<t<T· Il existe un processus adapté (Ht)o<t<T tel que
E(f0T H;ds) < +oo et - - - -
Noter que cette représentation n'est possible que pour les martingales de la filtration
naturelle du mouvement brownien (cf. Exercice 29).
Il résulte du théorème que si U est une variable aléatoire FT-mesurable, de carré
intégrable, on peut écrire
où (Ht) est un processus adapté tel que E(f0T Hlds) < +oo. Il suffit, pour mon-
trer cela, de considérer la martingale Mt = E(UIFt). On démontre aussi (cf., par
exemple, Karatzas et Shreve (1988)) que si (Mt)o~t~T est une martingale (non
nécessairement de carré intégrable), il existe une représentation de la forme (4.4),
mais avec un processus H vérifiant seulement J0T Hlds < oo, p.s. Nous utiliserons
d'ailleurs ce résultat dans le Chapitre 6.
88 Chapitre 4 Modèle de Black-Scholes
4.3.2 Pricing
Dans cette section, nous nous limitons à l'étude des options européennes. Une
option européenne est définie par une variable aléatoire positive :Fr-mesurable h.
Le plus souvent, h est de la forme f (Sr) (f (x) = (x - K) + dans le cas du call,
f(x) = (K -x)+ dans le cas du put). Comme dans le cas discret, nous allons définir
la valeur de l'option en la simulant. Pour des raisons techniques, nous limiterons la
classe des stratégies admissibles de la façon suivante.
Définition 4.3.1 Une stratégie</> = (HP, Ht)o<t<r est admissible si elle est auto-
financée et si la valeur actualiséeVt ( </>) = HP +-Ht St du portefeuille correspondant
est, pour tout t, positive et telle que suptE[o,r]Vt est de carré intégrable sous IP'*.
On dira qu'une option est simulable si sa valeur à l'échéance est égale à la valeur
finale d'une stratégie admissible. Il est clair avec cette définition, que, pour que l'op-
tion définie par h soit simulable, il est nécessaire que h soit de carré intégrable sous
IP'*. Dans la cas du call (h = (Sr - K)+). cette propriété est bien vérifiée puisque
JE* (S:f) < oo ; notons que dans le cas du put , h est même bornée.
Théorème 4.3.2 Dans le modèle de Black-Scholes, toute option définie par une va-
riable aléatoire h, positive :Fr-mesurable, de carré intégrable sous la probabilité
4.3 Évaluation et couverture des options dans le modèle de Black-Scholes 89
IP'*, est simulable et la valeur à l'instant t de tout portefeuille simulant est donnée
par
vt = E* ( e-r(T-t) hlFt) .
La valeur de l'option à l'instant test donc définie de façon naturelle par l'expression
E* (e-r(T-t) hlFt).
= H~S~ + HtSt,
vt
et on a, par hypothèse, Vr = h. Soit Vt = vte-rt la valeur actualisée
-
vt = Ht0 + HtSt.
-
Vt Vo + lat HudSu
Vo +lat HuaSudWu.
Il est clair sur cette expression que Vt (<P) est une variable aléatoire positive, que
supo<t< vt(<P) est de carré intégrable sous lP'* et que Vr(<P) = h. On a donc bien
une stratégie admissible simulant h. D
vt = F(t, St),
avec
Le calcul de F peut être poussé plus loin dans le cas des calls et des puts. Si l'on
prend l'exemple du call, avec f(x) = (x - K)+. on a, d'après l'égalité (4.7),
JE ( xe"VOg-a-2012 - Ke-r()) +,
+ (r + a 2 /2)8
d1 -_ log(x/ K) aVë r;:,
et d2 =di - uve.
4.3 Évaluation et couverture des options dans le modèle de Black-Scholes 91
F(t,x)
(4.8)
avec
N(d) = _l_
V2K
Jd
-OO
e-x2;2dx.
(4.9)
Pour des méthodes de calcul efficaces de N (d) on pourra se reporter à l'appendice.
Remarque 4.3.2 Le raisonnement qui précède montre qu'on peut traiter les options
de la forme f (Sr) sans utiliser le Théorème de Représentation des Martingales.
Remarque 4.3.3 Dans le cas du call, on a, avec les notations de la Remarque 4.3.1,
8F
ax (t,x) = N(d1),
On pourra le vérifier en exercice (la façon la plus simple de faire le calcul consiste
à dériver sous le signe d'espérance). Cette quantité est souvent appelée le delta de
l'option par les praticiens. Plus généralement, lorsque la valeur à l'instant t d'un por-
tefeuille peut s'écrire w(t, St), la quantité (8'11 /8x)(t, St). qui mesure la sensibilité
du portefeuille par rapport aux variations du cours à l'instant t, est appelé le delta
w/
du portefeuille. On parle de gamma pour la dérivée seconde (8 2 8x 2 ) ( t, St), thêta
pour la dérivée par rapport au temps et de véga pour la dérivée de w par rapport à la
volatilité O".
4.4 Options américaines 93
Définition 4.4.1 Une stratégie de gestion avec consommation est la donnée d'un
processus adapté <P = (H2, Ht)os_ts_r, à valeurs dans IR2 , vérifiant les propriétés
suivantes :
2. H2Sf J; J;
+ HtSt = H8S8 + HoSo + H~dS~ + HudSu - Ct, pour tout
t E [O, T], où (Ct)o<t<T est un processus croissant continu adapté, nul en
t = 0; Ct représentant la consommation cumulée jusqu'à l'instant t.
Une option américaine est naturellement définie par un processus adapté, à va-
leurs positives (ht)o<t<T· Pour simplifier, nous nous limiterons à des processus de
la forme ht = '1/J(S~),- où 'ljJ est une fonction continue de JR+ dans JR+, vérifiant
'ljJ(x) :::; A + Bx, pour tout x E JR+, où A et B sont des constantes positives. Pour
un call, on a '1/J(x) = (x - K)+ et pour un put '1/J(x) = (K - x)+·
Nous dirons que la stratégie de gestion avec consommation <P = (H2, Ht)o<t<T
couvre l'option américaine définie par ht = 'ljJ (St) si, en notant vt (<P) = H2 Sf+
HtSt. on a
'eft E [O, T], vt(<P) ?:. '1/J(St) p.s.
Notons <I>"' l'ensemble des stratégies de gestion avec consommation qui couvrent
l'option américaine définie par ht = 'ljJ(St). Si le vendeur de l'option suit une
stratégie <P E <I>"', il dispose, à chaque instant t, d'une richesse au moins égale
à '1/J(St). qui est la somme à fournir en cas d'exercice de l'option à la date t. Le
théorème suivant caractérise la valeur minimale d'une stratégie de couverture d'une
option américaine.
où Tt,T désigne l'ensemble des temps d'arrêt à valeurs dans l'intervalle [t, T]. Il
existe une stratégie~ E Cf>"1, telle que vt(~) = u(t, St), pour tout t E [O, T]. De
plus, pour toute stratégie <f; E Cf>"1, on a vt(<P) 2 u(t, St), pour tout t E [O, T].
Remarque 4.4.1 Soit T un temps d'arrêt à valeurs dans [ü, T]. La valeur à l'ins-
tant 0 d'une stratégie admissible au sens de la Définition 4.3.1 et de valeur
'ljJ(Sr) à l'instant Test donnée par IE*(e-r 7 'lfl(S7 )), puisque la valeur actualisée
de toute stratégie admissible est une martingale sous IP'*. La quantité u(O, S0 ) =
sup 7 Ey,O,T E*(e-rr'lfl(Sr)) est donc bien la richesse initiale minimale permettant de
couvrir tous les exercices possibles.
Comme dans les modèles discrets, on constate que le prix du call américain (sur une
action ne distribuant pas de dividende) est égal au prix du call européen.
Proposition 4.4.4 Si, dans le Théorème 4.4.2, la fonction 'lf1 est donnée par 'lfl(x) =
(x - K)+, pour tout réel x, alors on a
u(t,x) = F(t,x),
où Fest la fonction définie par l'égalité (4.8) donnant le prix du cal! européen.
Or, on a
Considérons un espace de probabilité (0, F, IP'), sur lequel est défini un mouvement
brownien standard (Bt)o<t<oo• défini sur~+. On a
00 { K - x, pour x:::; x*
u (x)= (K-x*)(;'".)- 1 , pour x>x*,
Puisque Tx,x• est optimal, la fonction</> atteint son maximum au point z = x*. Nous
allons calculer </> explicitement, puis nous la maximiserons pour déterminer x* et
u 00 (x) = <f>(x*).
Si z > x, on a évidemment Tx,z = 0 et <f>(z) = (K - x)+· Si z ::; x, on a, en
utilisant la continuité des trajectoires de (Xflt>o.
Le maximum de if; est donc atteint sur l'intervalle [O, x] n [O, K]. En utilisant la
formule suivante (démontrée dans l'exercice 27)
on voit que
Vz E [O,x] n [O, K], if;(z) = (K - z) (~)',
où Î = 2r / u 2 . La dérivée de cette fonction est donnée par
zî'-1
if;'(z) = - ( K Î -
xî'
b + l)z).
Il en résulte que, six::; KÎ/b + 1),
maxif;(z) = if;(x) = K - x
z
maxif;(z)
z
= if;(KÎ/b + 1)),
ce qui donne les formules annoncées. D
alors qu'il n'y a qu'un nombre fini d'options cotées. Le modèle à volatilité locale
pose aussi des problèmes d'instabilité, de sorte que les praticiens préfèrent utili-
ser des modèles plus sophistiqués combinant volatilité stochastique solution d'une
équation différentielle stochastique dirigée par un autre mouvement brownien et
modèles avec sauts.
Remarque 4.5.1 Le terme de volatilité stochastique fait référence aux modèles dans
lesquels le processus de volatilité (ut) vérifie une équation différentielle stochas-
tique dirigée par un autre mouvement Brownien (qui peut être corrélé ou pas avec
le brownien (Bt) de l'équation différentielle stochastique du sous-jacent). Le pro-
cessus de volatilité n'est alors pas adapté à la filtration de (Bt). Les marchés décrits
par un modèle à volatilité stochastique sont des marchés incomplets, dans lesquels la
réplication des options par une stratégie fondée sur le sous-jacent n'est plus possible.
Voir le Chapitre 7 pour une introduction aux marchés incomplets.
o-
où Wt° = Bt +(µ + r )t/ u. La probabilité risque-neutre est alors la probabilité lP' 8
sous laquelle (Wt°)o<t<T est un mouvement brownien standard. Notons que, sous
lP' 0, le processus (e< 0=ritSt)o<t<T est une martingale (cf. Problème 2 pour plus de
détails dans le contexte des options de change).
Nous allons établir une intéressante relation de symétrie entre les prix des calls et
des puts. Pour plus de clarté, nous noterons Ce(t, x; K, r, o) (resp. Pe(t, x; K, r, o))
le prix à l'instant t d'un call (resp. put) européen d'échéance T et de prix
d'exercice K, lorsque le prix du sous-jacent est x, le taux d'intérêt étant égal
à r et le taux de dividende à o. Nous noterons de même Ca(t, x; K, r, o) (resp.
Pa(t, x; K, r, o)) le prix du call (resp. put) américain. Notons que Ce(t, x; K, r, o) =
JEO e-r(T-t) ( xe<r-ô-(a 2 /2))(T-t)+a(W4--W,5) - K) +.
100 Chapitre 4 Modèle de Black-Scholes
Proposition 4.6.1 On a
où la dernière égalité vient du fait que (e""wt-(0- 2 / 2)t)t>o est une martingale. Par
suite,
nien standard, de même, par symétrie, que le processus (-Wt )o::;t:s;T· D'où
Ca(t,x;K,r,o) = Pa(t,K;x,o,r). o
Notes: La présentation que nous avons adoptée, basée sur le Théorème de Girsanov,
s'inspire de Harrison et Pliska (1981) (voir aussi Bensoussan (1984) et la Section 5.8
de Karatzas et Shreve (1988)). L'approche initiale de Black et Scholes (1973) Merton
(1973) consistait à dégager, à partir d'un raisonnement d'arbitrage et de la formule
d'Itô, une équation aux dérivées partielles vérifiée par le prix du call comme fonc-
tion du temps et du sous-jacent. Pour les méthodes statistiques de détermination des
paramètres des modèles, on pourra se référer à Dacunha-Castelle et Duflo (1986a) et
Dacunha-Castelle et Duflo (l 986b) et à la bibliographie de ces ouvrages.
4.7 Exercices
Exercice 22 Le but de l'exercice est de démontrer le Théorème de Girsanov (cf.
Théorème 4.2.2) dans le cas où le processus (Bt) est constant. Soit (Bt)o<t<T un
mouvement brownien standard par rapport à une filtration (:Ft)o<t<T et soitµ un
nombre réel. On pose, pour 0:::; t:::; T, Lt = exp(-µBt - (µ 2 /2)tf
4. 7 Exercices 101
1. Montrer que (Lt)O$t:5T est une martingale par rapport à la filtration (:Ft) et
que IE(Lt) = 1, pour tout t E [O, T].
2. Soit JP>(L,) la probabilité de densité Lt par rapport à la probabilité initiale JP>.
Montrer que les probabilités JP>(LT) et JP>(L,) coïncident sur la tribu :Ft.
3. Soit Z une variable aléatoire .FT-mesurable, bornée. Montrer que l'espérance
conditionnelle de Z sachant :Ft, sous la probabilité JP>( LT), est donnée par
Exercice 26 Justifier les formules (4.8) et (4.9) et calculer, pour un call ou un put,
le delta, le gamma, le thêta et le véga (cf. Remarque 4.3.3).
2. Montrer l'inégalité
Puisque ]p>(L) et IP' sont équivalentes, on a f 0T H;ds < oo, JP>(L) p.s. et on peut
donc définir, sous ]p>(L), le processus
On demande de montrer que les deux processus X et Y sont égaux. Pour cela,
on traitera d'abord le cas des processus élémentaires et on utilisera le fait que
si (Ht)o~t~T est un processus adapté vérifiant f 0T H;ds < oo p.s., il existe
J
une suite (Hn) de processus élémentaires telle que 0T (H 8 -H-:) 2 ds converge
vers 0 en probabilité.
4.8 Problèmes
Problème 1 : Modèle de Black-Scholes avec paramètres dépendant du temps On
reprend le modèle de Black-Scholes en supposant que les prix des actifs vérifient
(avec les notations du cours)
{ dS2 r(t)S2dt
dSt St(µ(t)dt + a-(t)dBt),
104 Chapitre 4 Modèle de Black-Scholes
où r(t), µ(t), a(t) sont des fonctions déterministes du temps, continues sur l'inter-
valle [O, T]. On suppose de plus inftE[O,T] a(t) > O.
1. Montrer que
2. (a) Soit (Xn) une suite de variables aléatoires réelles, gaussiennes, centrées,
convergeant vers X dans L 2 • Montrer que X est une gaussienne.
(b) Montrer, en approchant a par des fonctions en escalier, que J~ a(s)dBs
est une gaussienne et calculer sa variance.
3. Montrer qu'il existe une probabilité IP'* équivalente à IP', sous laquelle le prix
actualisé de l'action est une martingale et donner sa densité par rapport à IP'.
4. Dans la suite, on se propose d'évaluer et de couvrir un call d'échéance Tet de
prix d'exercice K sur une action.
(a) Soit (Hf, Ht)os,ts,r une stratégie auto-financée, de valeur vt à la date t.
Montrer que si (vt/ Sf) est une martingale sous IP'* avec, de plus, Vr =
(Sr - K)+, alors
\:/t E [O, T], vt = F(t, St),
où F est la fonction définie par
où (Wt)tE[O,TJ est un mouvement brownien standard sur l'espace (0, F, IP'), etµ et
Œ des nombres réels, avec Œ > O. On notera (Ft)tE[O,T] la filtration naturelle de
(Wt)tE[O,TJ et on considèrera que Ft représente l'ensemble des informations dispo-
nibles à la date t.
1
1. Expliciter St en fonction de 8 0 , t et Wt. Calculer l'espérance de St.
2. Montrer que siµ > 0, le processus (St)tE[O,T] est une sous-martingale.
3. Soit Ut = 1 /St le taux de conversion de l'euro en dollar. Montrer que Ut
vérifie l'équation différentielle stochastique
dUt 2
Ut = (Œ - µ)dt - ŒdWt.
II
(4.17)
3. (a) Montrer qu'il existe une probabilité ffe, équivalente à IP', sous laquelle le
processus
- µ+ri - ro
Wt= t+Wt
(f
Vt = F(t, St),
où
(c) En déduire que le call est simulable et expliciter le portefeuille (Hf, Ht)
simulant cette option.
7. Écrire une relation de parité call-put, analogue à celle vue en cours dans le
cas des actions, et donner un exemple d'arbitrage si cette relation n'est pas
vérifiée.
Problème 3: Options d'échange
On considère un marché financier dans lequel il y a deux actifs risqués, de prix
respectifs Sf ets;
à l'instant t, et un actif sans risque de prix Sf = ert à l'instant
4.8 Problèmes 107
t. L'évolution des prix Sf et Sf au cours du temps est modélisée par les équations
différentielles stochastiques
II
(4.19)
- -
le symbole JE désignant l'espérance sous lP'. L'existence d'une stratégie auto-
financée ayant cette valeur sera montrée plus tard. On considèrera dans la suite
que la valeur de l'option (S} - Sf )+à la date test donnée par F(t, Sl, Sl).
4. Montrer une relation de parité entre la valeur de l'option (S} - Sf) + et celle
de l'option symétrique (Sf - S})+, analogue à la relation de parité call-put,
et donner un exemple d'arbitrage possible, si cette relation n'est pas vérifiée.
III
Le but de cette partie est d'expliciter la fonction F définie par (4.19) et de construire
une stratégie simulant !'option.
1. Soit 9 1 et 9 2 deux gaussiennes centrées réduites indépendantes et soit >. un
nombre réel.
(a) Montrer que, sous la probabilité JP'(>.), de densité par rapport à lP' donnée
par
dJP'(>.) = e>.91 ->.2 ;2
dlP' )
les variables aléatoires 9 1 - >. et 92 sont des gaussiennes centrées réduites
indépendantes.
(b) En déduire que, pour tous réels y1, y2, >. 1 et >.2, on a
- âF -1 -2 -rt 1 1 âF -1 -2 -rt 2 2
dCt = -8 (t, St, St )aie St dWt + -8 (t, St, St )a2e St dWt.
X1 X2
pour des constantes ai et a2 telles que 0 < ai < a 2 . On considère un call européen
d'échéance Tet de prix d'exercice K sur une unité d'actif risqué. On sait (cf. Cha-
pitre 5) que si le processus (a(t))o:s;t:s;r est constant (avec a(t) =a pour tout t), le
prix du call à l'instant test C(t, St), où la fonction C(t, x) vérifie
fJC a 2 x 2 fJ 2 C fJC
{ at(t, x) + - 2- fJx 2 (t, x) + rx fJx (t, x) - rC(t, x) = 0, t E [O,T),x >0
C(T, x) = (x - K)+·
et
V(t, x) E ~+ x ~. a(t, x) 2 m,
où m et M sont des constantes positives. Pour simplifier, on suppose que le taux
d'intérêt est nul. On note F = (Ft)t>o
-
la filtration naturelle de (Bt)t>O·
-
1. Montrer que pour tout x E ~. l'équation (4.21) a une et une seule solution
vérifiant So = x.
2. Montrer que si S est solution de (4.21), on a, pour t 2 0,
3. Dans tout le problème, on suppose que S est solution de (4.21) et que le prix
initial S 0 est un nombre réel strictement positif (déterministe). Montrer que la
filtration naturelle du processus (Stk:::o est égale à F. (Indication : écrire Bt
sous forme d'un intégrale stochastique par rapport au processus (St)t>o-)
(a) Montrer que, pour é > 0, JE est de classe C 2' que limE-+Ü JE (X) = J0 (x)
pour tout x E IR, et que
Vx :::=: 0, 0 :S JE(x) :S Jo(x), 0 :S J:(x) :S 2x, 0 :S J:'(x) :S 2.
(b) Montrer que, pour K :::=: 0 et TE [O, f'],
JE* JE(Sr - K) = JE(So - K)
G(B, x) =JE [e-r 11 C (Ti, xeµli+o-v'eg) l{g > -d} J - Kie-rli N(d),
où
d _ log(x/xi) + (r - a 2 /2)0
- aVë .
(c) Montrer que si gi est une gaussienne centrée réduite indépendante de g,
on a, en posant Bi = T - Ti,
4. Montrer que l'on peut couvrir parfaitement l'option sur option étudiée à l'aide
d'un portefeuille ne contenant que des actifs sans risque et des calls sur l'actif
risqué sous-jacent.
Problème 8: Comportement du prix critique près de l'échéance
où To,T-t est l'ensemble des temps d'arrêt à valeurs dans [O, T-t] et (Wt)o$t$T est,
sous ]p>*, un mouvement brownien standard. On suppose aussi r > O. Pour t E [O, T[,
on note s(t) le prix critique à l'instant t, défini par
1.t->T. f KvT-t
lffilll
- Be(t) 2: JE (l" . f K - Be(t)
~ lffilll
t->T vT-t
~ -(}"
K g)
+
.
. K - Be(t) . K - s(t)
1im = 1im = +oo.
t->T ../T - t t->T ../T - t
2
avecµ E lR et a > O. On notera lP'* la probabilité de densité e-OBr- 8 2r par rapport à
lP',avecO = (µ-r)/a.SouslP'*,leprocessus (Wt)a::;t::;r,définiparWt = ~t+Bt,
est un mouvement brownien standard.
Nous allons étudier une option dont la valeur à la date d'échéance Test donnée
par
où K est une constante positive. Une telle option est appelée option asiatique.
V.t <
-
e-r(T-t)t ( -
T t
11t S du - K
u
) + -1T
lT e-r(T-u)Ct du.
,u
a + t
II
III
L'objet de cette partie est de proposer une approximation par défaut de V0 consistant
à remplacer la moyenne arithmétique par la moyenne géométrique. On pose ainsi :
Nous avons vu, au chapitre précédent, que l'on pouvait obtenir une formule ex-
plicite du prix d'une option européenne "vanille" (i.e. un "call" ou un "put"), dans
le cadre du modèle de Black et Scholes. Lorsque l'on s'intéresse à des modèles plus
complexes il est, le plus souvent, impossible de trouver des formules explicites pour
les prix d'options. C'est aussi le cas, lorsque l'on cherche à calculer des prix d'op-
tions américaines, y compris dans le modèle de Black et Scholes. On a alors recours à
des méthodes numériques. L'objectif de ce chapitre est d'introduire le lien entre dif-
fusions et équations aux dérivées partielles et de présenter des méthodes numériques
utilisant ce lien.
On commence par établir le lien entre le problème du calcul du prix des options
européennes et une équation aux dérivées partielles de type parabolique . Ce lien est
fondé sur la notion de générateur infinitésimal d'une diffusion. On montre comment
résoudre numériquement le problème parabolique ainsi obtenu.
Le problème du calcul des prix d'options américaines est plus délicat, nous ne
l'abordons pas dans sa généralité, mais uniquement dans le cadre du modèle de Black
et Scholes. On montre en particulier le lien naturel entre la notion d'enveloppe de
Snell et un système d'inéquations aux dérivées partielles de type parabolique, et l'on
indique comment traiter numériquement ce type d'inéquation.
119
120 Chapitre 5 Évaluation des options et équations aux dérivées partielles
S T -_ S 0 e(r-a 2 /2)T+aWr ·
Le calcul du prix d'une option européenne est un cas particulier du problème suivant.
Soit (Xt)t;:'.'. 0 une diffusion à valeurs dans lR, solution de
(5.1)
D'où
+ 1t DŒ 2 (Xs)J"(X + b(Xs)J'(Xs)] ds
8 )
De plus, comme les dérivées de f sont bornées par une constante K f et que 1b(x)1 +
IŒ(x)I :::; K(l + lxl) on a
On peut donc appliquer le théorème de Lebesgue (x 1-7 Af(x) et s 1-7 X'; sont des
fonctions continues) pour en déduire que :
Proposition 5.1.4 Sous les hypothèses de la proposition 5.1.3, si r(t, x) est une
fonction continue, bornée sur JR+ x R le processus
(5.4)
5.1 Calculs de prix d'options européennes pour les modèles de diffusion 123
Avec des notations matricielles a(t, x) = a(t, x)a*(t, x), où a* est la transposée de
la matrice a(t, x) = (aij(t, x)) t,J
. ..
Proposition 5.1.5 Si (Xt) est une solution du système (5.4), si u(t, x) est une fonc-
tion à valeur réelle de classe C 1 •2 en (t, x) à dérivée en x bornée sur fi?.+ x Rn et si
r(t, x) est une fonction continue bornée sur fi?.+ x fi?., le processus
Le résultat suivant permet de relier la fonction F à une équation aux dérivées par-
tielles parabolique.
124 Chapitre 5 Évaluation des options et équations aux dérivées partielles
{ au
at + ÀtU - ru = 0 dans [O, T) X ]Rn
(5.5)
u(T, x) = f(x), x E !Rn.
Le problème (5,5) est une équation de type parabolique avec condition terminale (la
fonction u(T, .) étant donnée).
Pour que ce problème soit bien posé, il faut se placer dans un espace fonction-
nel adéquat (voir Raviart et Thomas (1983)). Une fois ce cadre défini, il existe des
théorèmes d'existence et d'unicité et on pourra affirmer que la solution u de (5.5)
est égale à F si on peut prouver que cette solution est suffisamment régulière
pour que l'on puisse appliquer la proposition 5 .1.4. Ce genre de résultats s'obtient
généralement sous une hypothèse d'ellipticité pour l'opérateur At, de la forme, pour
tout (t,x) E [O,T] x ]Rn,
On peut vérifier (par un calcul direct) que le prix du "call" donné par la formule
F(t, x) = xN(d 1 ) - Ke-r(T-t) N(d 1 - aJT - t) avec
log(x/ K) + (r + a 2 /2)(T - t)
aJT-t
N(d)
{
~~ + A~s - ru =0 in[O, T) x [O, +oo)
u(T, x) = (x - K)+, 'Vx E [O, +oo).
puisque
St -_ cr e(r-a 2 /2)t+aw,
00 .
Abs-Iog = a2 32 + (r - a2) ~.
2 8x 2 2 8x
cherche à calculer le prix F(t,x) d'une option sur f(Sr) à l'instant t et pour un
cours x et si v est une solution régulière de
{
~~ (t, x) + Àbs-Iogv(t, x) = 0 in [0, t] x lR.
(5.8)
v(T,x) = J(ex), XE lR.,
Lorsque l'on se pose le problème (5.9) non plus sur lR. tout entier mais sur 0 =
]a, b[, il faut alors imposer des conditions aux limites aux extrémités a et b. Nous
allons nous intéresser plus particulièrement au cas où !'on impose des conditions aux
limites nulles (on appelle ce type de condition aux limites condition de Dirichlet). On
cherche, alors, à résoudre :
Mt e- f~ r(x.~·x)dsu(t, X~'x)
r,x
l
= inf{O <
-
s -< T ' xt,x
s
= l}
et les T{ sont des temps d'aiTêt (la démonstration est identique à celle de la propo-
sition 3.3.6 du chapitre 3). En écrivant, le théorème d'arrêt entre 0 et Tx, on obtient
IE(Mo) = IE(M7 x), soit en tenant compte du fait que sis E [O, Tx], Af(X~·x) = 0:
u(O,x)
Remarque 5.1.4 Une option de payoff donné par la variable aléatoire Fr-mesurable
a un valeur nulle dès que le cours sort de l'ouvert O. Lorsque l'actif suit le modèle de
Black et Scholes et que 0 est de la forme ]O, l[ ou ]l, +oo[, on connait des formules
explicites pour ces options (voir l'exercice 30 du chapitre 4 pour le calcul du prix
d'une option "down and out" et Cox et Rubinstein (1985) ou Shreve (2004) pour des
complément sur les options barrières, voir aussi l'exercice 30 du chapitre 4).
128 Chapitre 5 Évaluation des options et équations aux dérivées partielles
5.2.1 Localisation
Le problème (5.9) se pose sur R Pour le discrétiser, on va devoir se restreindre
tout d'abord à un ouvert borné du type 01 =] - l, l[, l étant une constante à choisir
soigneusement si l'on veut que l'algorithme soit efficace. Il faut de plus imposer des
conditions aux limites au bord (i.e. en l et -l). On utilise soit des conditions de type
Dirichlet (i.e. on impose u(l) = u( -l) = 0 ou une autre valeur plus pertinente) soit
des conditions de type Neumann (i.e. on impose (8u/8x)(l) = (8u/8x)(-l) = 0
ou, là aussi, toute autre valeur non nulle pertinente). On obtient, par exemple, dans le
cas où l'on impose des conditions de type Dirichlet, l'équation aux dérivées partielles
8u(t,x) -
at + Au(t, x) = 0 sur (0, T) x 0 1
{
u(t, l) = u(t, -l) = 0 si t E (0, T)
u(T, x) = f(x) six E 01.
Nous allons montrer comment on peut estimer l'erreur commise lorsque l'on se res-
treint à 01. Nous nous intéresserons uniquement au modèle de Black et Scholes
(après changement de variable logarithmique), l'actif Xt est donc solution de
l'équation
dXt = (r - a 2 /2)dt + adWt.
On cherche à calculer le prix d'une option sur une variable aléatoire de la forme
f(Sr) = f(SoeXr). On note /(x) = f(ex). On impose, pour simplifier, des condi-
tions de type Dirichlet. On peut prouver que, dans ce cas, la solution u de (5.9) et
les solutions u1 de (5.10) sont suffisamment régulières pour que l'on puisse affirmer
que:
u(t, x) = E ( e-r(T-t) f (X~x))
et:
u1(t, x) = E ( l{'v'sE[t,T),IX!·"'l<l}e-r(T-t) f (X~x)) ,
où x;,x = xexp((r - a 2 /2)(s - t) + a(Ws - Wt)). Nous supposons, enfin, que
la fonction f (et donc/) est bornée par une constante Met que r ~ O. Il est alors
facile de se convaincre que :
c {sup
t"5_s"5_T
lx+r'(s-t)+u(W8 -Wt)l~z}
C { sup lx+ u(Ws - Wt)I
t$_s"5_T
~ l- lr'TI}.
D'où:
MIP' ( sup
0$_s"5_T-t
lx+ uWsl ~ l- lr'TI)
1P' (sup Ws
s"5_T
~ a) = IP'(Ta : : :'. T) : : :'. e>.TIE( e->.Ta) : : :'. e>.T e-aVV..
En minimisant en À, cela donne
IP' (s"5_T
inf (x + uW 8 ) :::::'. -a ) = IP' (sup(-x
s"5_T
- uWs) ) :::::'.exp ( la+u 2Txl
~a
2)
·
M ( _Il - lr'TI - xl 2 )
lu(t,x) - u1(t,x)I : : :'. exp ( u2T
Il - lr'TI + xl 2 ) )
+exp ( - u2T .
U i+l _ ui-1
i h h
OhUh = 2h
u;l+1_u;i u;i-u;i-1
a~uh = __,_,- - - -1-'-
h
2 Ô 2 u(x) 2)
A-bs-log u ( x ) -- -0' - -- + (r - -0' âu(x)
- - - ru ()
x ,
2 âx 2 2 âx
on obtient
-
(Ahuh)i =
(J' 2
2 h 2 (u~
+1
- 2uj,
.
+ u}; ) + (r - 22)
. 1 (J' 1
2h (u~
·+1 . 1 .
- u}; ) - ruj,.
f3 'Y 0 0 0
a f3 'Y 0 0
0 a f3 'Y 0
( (Ah)ij )i:S;i,j:S;N =
0
0 0 a f3 'Y
0 0 0 a f3
où
u2)
{~
= u2
2h 2- 1 (
2h r- 2
u2
= 2 - ~ (
~f u2)
2h 2 + 2h r - 2 ·
Si on impose des conditions aux limites nulles de type Neumann, Ah prend la forme
f3 +a 'Y 0 0 0
a f3 'Y 0 0
0 a f3 'Y 0
(5.11)
0
0 0 a f3 'Y
0 0 0 a f3 +'Y
Cette discrétisation en espace permet de ramener (E) à une équation différentielle
ordinaire (Eh) :
M
U hk -f
- h
(E ) { n décroissant, on résout pour chaque n :
h,k n+l n
uh,k - uh,k - n - n+l
k + BAhuh,k + (1 - B)A1iuh,k = 0, si 0 ::; n ::; M - 1.
où R est une matrice tridiagonale. Ceci est évidemment plus complexe (et
donc plus long informatiquement). Cependant ces schémas sont les plus uti-
lisés dans la pratique, car ils ont de bonnes propriétés de convergence comme
on le verra plus tard.
2. Lorsque (} = 1/2, on parle de schéma de Crank et Nicholson. Ce schéma est
souvent utilisé pour la résolution de systèmes de type (E) lorsque b = 0 et a
est constante.
3. Lorsque(}= 1, on parle de schéma totalement implicite.
Donnons maintenant des résultats de convergence de la solution u1i,k de (E1i,k) vers
u( t, x) solution de (E) sous hypothèse d'ellipticité. Nous renvoyons à Raviart et Tho-
mas (1983) et à Glowinsky et al. (1976) pour une démonstration. On notera u~ (t, x)
la fonction
Nous noterons aussi ocp l'opérateur de dérivation approchée d'une fonction cf>, défini
par
1
(ocp)(x) = h(cf>(x + h/2) - cf>(x - h/2)), x E 0 1•
Dans ce qui suit, le produit scalaire hilbertien sur l'espace L 2 (01) est noté
(., .)L2(oi)• et la norme associée J.JL2(0i)·
Théorème 5.2.4 On suppose que b et a sont lipschitziennes et que r est une fonction
continue et positive. Rappelons que Â.f (x) vaut dans ce cas
1 ô 2f ôf(x)
2a(x) 2 ôx 2 (x) + b(x)----a;;- - r(x)f(x).
On suppose que l'opérateur Â. est elliptique, i.e. il existe une constante E: > 0 telle
que pour toute fonction u de classe C 2 à support compact dans 01,
Remarque 5.2.4 l. Dans le cas 0 ::; () < 1/2 on parle de schéma conditionnel-
lement convergent, la convergence n'ayant lieu que si l'on fait tendre h et k
et k/h 2 vers O. Ces schémas sont numériquement délicats à exploiter. Ils sont
peu utilisés dans la pratique, sauf lorsque () = O.
2. Dans le cas 1/2 ::; () ::; 1 on parle de schéma inconditionnellement convergent,
la convergence ayant lieu sans restriction, si l'on fait tendre h et k vers O.
uh: k
{~ (I '+ (1 - B)kAh)u~t 1
I - k()Ah· '
Rest une matrice tridiagonale. L'algorithme suivant (il s'agit en fait de la méthode
de Gauss) permet de résoudre ce système en utilisant un nombre de multiplications
proportionnel à N. Posons X= (xih<i<N,
- - G = (gih<i<N- -
et
bl C1 0 0 0
a2 b2 C2 0 0
0 a3 b3 C3 0
R=
0
0 0 aN-1 bN-1 CN-1
0 0 0 aN bN
Remontée:
b~ = bN
g~ =gN
Pour 1 ::; i ::; N - 1, i décroissant,
134 Chapitre 5 Évaluation des options et équations aux dérivées partielles
b'1 0 0 0 0
a2 b'2 0 0 0
0 a3 b~ 0 0
R'=
0
0 0 aN-1 b'rv-1 0
0 0 0 aN b'N
Descente:
X1 = gUb~
Pour 2 ::; i ::; N, i croissant
Xi = (g~ - aiXi-1)/b~.
Remarque 5.2.5 Lorsque R n'est pas inversible, l'algorithme précédent peut con-
duire à des résultats erronés.
La matrice R n'est pas forcément inversible. Cependant on peut prouver qu'elle
l'est, si pour tout i, lail + lcil ::; lbil·
Il est facile de vérifier que la condition précédente d'inversibilité est remplie,
dans le cas du modèle de Black et Scholes, si Ir - a 2 /21 ::; a 2 / h, en particulier si h
est suffisamment petit.
vt = <I>(t, St),
avec
rETi,T
où, sous IP'*, (Wtk~o est un mouvement brownien standard et Tt,r l'ensemble des
temps d'arrêt à valeurs dans [t, T]. Dans le cas du "call" américain (sur une action
sans dividende), on obtient la même expression que pour le "call" européen, mais,
pour le put américain, il n'y a pas de formule explicite et les méthodes numériques
sont inévitables.
Le problème à résoudre est un cas particulier du problème suivant : étant donnée
une "bonne" fonction f et une diffusion (Xt)t>o à valeurs dans !Rn, solution du
5.3 Les options américaines 135
Notons, en utilisant le temps d'arrêt T = t, que l'on a 4>(t, x) ~ f(x) et (en prenant
t = T) 4'(T, x) = f(x).
Remarque 5.3.1 On peut alors démontrer (voir le chapitre 2 pour l'analogie avec
les modèles discrets et le chapitre 4 dans le cas du modèle de Black et Scholes) que
le processus
e- JcJ r(s,X.)dsq,(t, Xt)
est la plus petite sur-martingale majorant à tout instant le processus f (Xt)·
On a vu que le calcul du prix d'une option européenne est relié à une équation aux
dérivées partielles de type parabolique. Dans le cas d'une option américaine, on a
un résultat similaire, mais qui fait intervenir un système d'inéquations aux dérivées
partielles parabolique. Le théorème suivant précise ce lien. Ce théorème est énoncé
de façon volontairement informelle (voir la remarque 5.3.2 à ce sujet).
Théorème 5.3.2 Supposons que u soit une "solution régulière" du système
d'inéquations aux dérivées partielles suivant:
âu
ât + Atu - ru :::; 0, u~f dans [O, T) X !Rn
( ~; + Atu - ru)
(5.13)
(f - u) =0 dans [O, T) X !Rn
Maintenant, si on pose Topt = inf{O ::::: s ::::: T, u (s, x;) = f (X;)}, on peut
montrer que Topt est un temps d'arrêt. D'autre part, pour s entre 0 et Topt• on a
(ôu/ôt + A 8 u - ru) (s, X;')= O. On en déduit, grâce au théorème d'arrêt, que
Ce qui prouve que u(O,x) :::; F(O,x), puis que u(O,x) = F(O,x). On a même
"démontré" que Topt est un temps d'arrêt optimal (i.e. qui réalise le supremum parmi
tous les temps d'arrêt). D
Remarque 5.3.2 La formulation précise du système (5.13) est délicate, car même
pour f régulière, la solution u n'est pas de classe C 2 en général. La bonne méthode
consiste à introduire une formulation variationnelle du problème (voir Bensoussan et
Lions (1978)). La démonstration qui est esquissée plus haut est rendue difficile par
le fait que l'on ne peut pas appliquer directement la formule d'Itô à une solution de
l'inéquation précédente.
_Abs-Iog = Abs-log _ r= 0-
2
2 ôx 2
82 + (r _ 2
0- )
2
!..__ _ r.
ôx
5.3 Les options américaines 137
Théorème 5.3.4 L'inéquation (5.14) admet une solution unique v(t, x) continue et
bornée telle que les dérivées au sens des distributions g~, ~~, ~ soient localement
bornées. De plus cette solution vérifie :
av -b 1
at (t, x) +A s- ogv(t, x) :S 0 p.p. dans [O, T] x 01
v(t, x) 2 <f>(x) p.p. dans [O, T] x 01
(A) (v - </>) ( ~~ (t, x) + A_bs-Iogv(t, x)) = 0 p.p. dans [O, T] x 01
v(T,x) = <f>(x)
av
ax (t, ±l) =o.
Nous allons maintenant discrétiser l'inéquation (A) à l'aide de la méthode des
différences finies. On reprend les notations du paragraphe 5.2.2. En particulier, M
est un nombre entier tel que Mk = T, fh est le vecteur donné par f1~ = <f>(xi), où
1En pratique, on impose plutôt les conditions aux limites suivantes, plus naturelles, ov (t, l) = 0 et
8x
v(t, -l) = </>(-l).
138 Chapitre 5 Évaluation des options et équations aux dérivées partielles
M
U h,k --fh
et si 0 :::;; n :::;; M - 1,
(Ah,k) uï.,k ~ fh
u~t1 - uh,k + k ( BAhuh,k + (1 - B)Ahu~t 1 ) :::;; 0
R I - kBA1t
X uh,k
G (I + k(l - B)A1t) u~t 1
F fit,
on a à résoudre, à chaque pas de temps n, le système d'inéquations
(AD) {
RX~G
X~ F
(RX - G, X - F) = 0,
où R est la matrice tridiagonale :
a+b c 0 0 0
a b c 0 0
0 a b c 0
R=
0
0 0 a b c
0 0 0 a b+c
avec
Bk (-{:2 + 2~ (r - ";))
1 +Bk ( ~~ + r)
1: -Bk ({:2 +A (r - ";)) ·
5.3 Les options américaines 139
(AD) est une inéquation en dimension finie. On sait résoudre de tels systèmes
d'inéquations à la fois théoriquement et algorithmiquement, si la matrice Rest coer-
cive (c'est à dire si X.RX 2 a.X.X, avec a. > 0). On peut d'autre part vérifier que,
dans notre cas, R vérifie cette hypothèse si 2
Ir - ';_ I: ;
~: et si AJr - ';_ I
2
< 1. En
effet, cette condition implique que a et e sont négatifs, et donc, en utilisant l'inégalité
2lxyl S x 2 + y 2 ,
n n n-1
Sous cette hypothèse de coercivité, on peut prouver qu'il existe une solution unique
pour le problème (Ah,k) (voir exercice 31).
Le théorème suivant précise la nature de la convergence d'une solution de (Ah,k)
vers la solution de (A). On note
M N
e
2. si = 1 la convergence est inconditionnelle : la convergence précédente a
lieu si h et k tendent vers 0 sans restriction.
Remarque 5.3.5 Lorsque l'on fait() = 1 dans (A1i,k), que l'on impose des condi-
tions aux limites du type Neumann et que l'on applique l'algorithme de résolution
précédent, la méthode de résolution porte le nom d' "algorithme de Brennan et
Schwartz" (voir Brennan et Schwartz (1977)).
Il faut bien noter que l'algorithme précédent ne calcule la solution correcte du
système d'inéquations (AD) que sous les hypothèses soulignées plus haut, en parti-
culier, il est spécifique au cas du put américain. Il existe des cas où le résultat calculé
par cet algorithme n'est pas la solution de (AD), comme on s'en convainc aisément
sur l'exemple suivant :
-1
1
0
L'algorithme donne
5.4 Exercices 141
5.4 Exercices
Exercice 31 On note (X, Y) le produit scalaire de deux vecteurs X = (xih:S::i:S::n
et Y = (Yih:S::i:S::n de !Rn. La notation X 2: Y signifie que pour tout i entre 1 et n,
142 Chapitre 5 Évaluation des options et équations aux dérivées partielles
Xi 2". Yi· On suppose que R vérifie, pour tout X de !Rn (X, RX) 2". o:(X, X) avec
o: > O. Nous allons étudier le système :
RX2".G
{ X>F
(RX - G, X - F) =O.
1. Démontrer que ce problème est équivalent à trouver X 2". F tel que
v
Écrire les équations que doivent vérifier >. et a pour que soit continue et à
v
dérivée continue en x*. En déduire, que si est continue et à dérivée continue,
alors x* est solution de f (x) = x où
()
K-ue(O,x)
au~(O,x)+l+lal
1 1
fx =
Les modèles de taux d'intérêt sont utilisés principalement pour "pricer" et cou-
vrir des obligations et des actions sur obligations. Jusqu'à présent, aucun modèle
n'a pu s'imposer comme modèle de référence au même titre que le modèle de
Black-Scholes pour les options sur actions. Dans les quinze dernières années, la re-
cherche sur ce sujet a été très active et une présentation exhaustive des modèles et
des techniques dépasserait le cadre de ce livre. Dans ce chapitre, nous allons ten-
ter de préciser les principes de base de la modélisation (en suivant essentiellement
Artzner et Delbaen ( 1989) ), présenter les notions de mesure forward et de change-
ment de numéraire, puis nous illustrerons la théorie par l'étude de quelques modèles
particuliers.
F(t, T) = e<T-t)R(t,T).
Si on se place en environnement certain, c'est-à-dire si on suppose que tous les taux
d'intérêt (R(t, T))t'.5,T sont connus, alors, en l'absence d'opportunité d'arbitrage, la
fonction F doit vérifier
11 est facile en effet de construire des arbitrages lorsque cette égalité n'est pas vérifiée
(exercice!). De cette relation et de l'égalité F(t, t) = 1, on déduit que, si F est
145
146 Chapitre 6 Modèles de taux d'intérêt
et par conséquent
R(t, T) =-Tl {T r(s)ds.
- t lt
La fonction r(s) s'interprète comme le taux d'intérêt instantané.
En environnement incertain, ce raisonnement n'est plus possible. A la date t, les
taux d'intérêt futurs R(u, T), pour T > u > t, ne sont pas connus. Néanmoins, on
conçoit qu'il y ait des liaisons entre les différents taux, le but de la modélisation étant
de les préciser.
Le problème se pose concrètement en termes de pricing des obligations. Nous
appellerons obligation zéro-coupon un titre donnant droit à 1 euro à une date
d'échéance T et nous noterons P(t, T) la valeur de ce titre à l'instant t. On a
évidemment P(T, T) = 1 et, en environnement certain,
s~ = ef~ r(s)ds'
(6.2)
Cette égalité, qu'il est intéressant de comparer à la formule (6.1), montre que les
prix P(t, T) ne dépendent que du comportement du processus (r(s))o<s<f' sous la
probabilité JP'*. L'hypothèse que nous avons faite sur la filtration (Ft)o-::t~'.t permet
de préciser la densité de la probabilité JP'* par rapport à JP'. Notons Lr cette densité.
Pour toute _variable aléatoire positive X, on a JE*(X) = JE(X Lr ), et, si X est Fr
mesurable, JE*(X) = lE(XLt), en posant Lt = lE(LrlFt)· La variable aléatoire Lt
est donc la densité de la restriction de JP'* à Ft par rapport à JP'.
Proposition 6.1.1 Il existe un processus adapté (q(t))o<t<'.t tel que, pour tout t E
[O, f'J, - -
(6.3)
Lt = Lo + 1t HsdWs p.s.
d'Itô formula avec la fonction logarithme. Pour cela, on a besoin de vérifier que
IP' ( \:/t E [O, f'], Lo + J~ H 8 dW8 > 0) = 1. Cette vérification, qui utilise de manière
cruciale la propriété de martingale fait l'objet de l'exercice 33. Ce point étant acquis,
la formule d'Itô donne
p.s.,
(6.4)
(6.5)
D
La proposition suivante permet de donner une interprétation du processus (q(t)) (cf.
Remarque 6.1.1 ci-dessous).
Proposition 6.1.3 Pour chaque échéance T, il existe un processus adapté
(af)os_ts_T tel que
dP(t, T) T T
P(t, T) = (r(t) - at q(t))dt + at dWt, pour 0 ::=:; t ::=:; T. (6.6)
Démonstration. Puisque le processus (F(t, T))o<t<T est une martingale sous IP'*,
le processus (F(t, T)Lt)os_ts_r est une martingale ;o~s IP' (cf. Exercice 34). De plus,
on a F(t, T)Lt > 0 p.s., pour tout t E [O, T]. Alors, par le même raisonnement que
dans la Proposition 6.1.1, on voit qu'il existe un processus adapté (B'[)o<t<T tel que
for (fJ'[) 2 dt < oo et - -
-~ 1t ( (B'I') 2
- q(s) 2 ) ds).
6.1 Principes de la modélisation 149
dP(t, T)
P(t,T)
r(t)dt + (e[ - q(t)) dWt - ~ ( (ei) 2 - q(t) 2 ) dt
+ 21 (etT - q(t)) 2 dt
(r(t) + q(t) 2 - e[ q(t)) dt+ (e[ - q(t)) dWt,
ce qui donne (6.6) en posant a'{= er - q(t). D
dP(t, T) T -
P(t, T) = r(t)dt + at dWt. (6.7)
Ainsi, sous IP'*, le rendement moyen instantané des obligations est égal au taux
d'intérêt. Pour cette raison, la probabilité IP'* est appelée probabilité risque-neutre.
Notons que, en résolvant l'équation (6.7), on obtient
P(t, T) = P(O, T)ef~ r(s)ds exp (lot a'.; dW8 - ~lat (a'.;) 2 ds) . (6.8)
Pour que cette égalité ait un sens, on impose, compte-tenu de la Proposition 6.1.3, les
conditions d'intégrabilité 1: 1:
IHfr(t) ldt < oo et (HtaT) 2 dt < oo p.s. Comme
dans le Chapitre 4, on définit les stratégies admissibles de la façon suivante.
Définition 6.1.5 Une stratégie cp = ((Hf, Ht) )o:5,_t:5,_T est admissible si elle est auto-
financée et si la valeur actualisée Vt (cp) = Hf + HJ>( t, T) du portefeuille corres-
pondant est, pour tout t, positive et telle que suptE[o,e] Vt est de carré intégrable sous
IP'*.
La proposition suivante montre que, sous des hypothèses convenables, on peut cou-
vrir toutes les options européennes d'échéance < T.e
Proposition 6.1.6 On suppose SUPo<t<T lr(t)I < oo p.s. et a[ f= 0 p.s. pour tout
t E [O, B]. Soit e < T et soit h une- variable aléatoire Fe-mesurable telle que
he- Ji r(s)ds soit de carré intégrable sous IP'*. Alors, il existe une stratégie admis-
sible dont la valeur à l'instante est égale à h. La valeur à un instant t ~ e d'une
telle stratégie est donnée par
On en déduit, compte-tenu du fait que suptE[ü,T] Vt est de carré intégrable sous IP'*,
que (Vt) est une martingale sous IP'*. On a donc, pour t E [O, B],
H t -- Jt
- T
P(t, T)at
pour t ::; (). On vérifie facilement que (Hf, Ht)o<t<O définit une stratégie ad-
missible (l'hypothèse supo<t<f' lr(t)I < oo p.s. permet d'assurer la condition
J; lr(s)H~lds < oo) dont l; v~leur à l'instant Best bien égale à h. D
Au vu de la Proposition 6.1.6, il est naturel de définir le juste prix de !'option h à
l'instant t comme la quantité
Remarque 6.1.2 Nous ne nous sommes pas posés la question de l'unicité de la pro-
babilité IP'* et il n'est pas clair que le processus (q(t)) soit défini sans ambiguïté. En
fait, on peut montrer (cf. Artzner et Delbaen (1989)) que IP'* est l'unique probabilité
équivalente lP' sous laquelle (F(t, T))o<t<T soit une martingale si et seulement si le
processus (a[) vérifie a[ -=f. 0, dtdlP' presque partout. Cette condition, légèrement
plus faible que l'hypothèse de la Proposition 6.1.6, est exactement ce qu'il faut pour
pouvoir couvrir les options avec des obligations zéro-coupon d'échéance T, ce qui
n'est pas étonnant si l'on songe à la caractérisation des marchés complets que nous
avons donnée dans le Chapitre 1.
Remarque 6.1.4 Pour l'évaluation des options sur des obligations avec coupons, on
pourra consulter Jamshidian (1989) et El Karoui et Rochet (1989).
Comme la densité d!P'T j d!P'* est strictement positive, la probabilité IP'T est bien
équivalente à IP'* (et à IP'). On peut aussi récrire (6.2) sous la forme
La proposition suivante peut être utilisée pour calculer la valeur d'une option
e
d'échéance en passant par la probabilité B-forward (cf. Remarque 6.1.5 ci-dessous
pour plus de commentaires).
Pour la seconde assertion, on remarque que (Mt)o<t<O est une IP' 11 -martingale si et
seulement si (MtLno<t<o est une IP'*-martingale (cf.-Exercice 34). o
e
Considérons un call d'échéance et de prix d'exercice K sur une obligation zéro-
coupon d'échéance T. On a alors h = (P(B, T) - K)+· Pour calculer le prix B-
forward de cette option à l'instant t, on a besoin de la loi conditionnelle de P(B, T)
6.1 Principes de la modélisation 153
- t
où Wf = Wt - Io a~ds, et le processus (Wt°)o::;t'.S'.IJ est un (Ft)-mouvement brow-
nien standard sous la probabilité 0-forward JP> 0.
sant l'égalité P(O, 0) = 1, dlP' 0 /dlP'* = L~, et on sait, d'après (H), que (Lr)o'.':'.t'.':'.IJ
est une martingale. Il suffit alors d'appliquer le Théorème de Girsanov. D
Remarque 6.1.6 Il résulte de la Proposition 6.1.8 que, si les volatilités des obliga-
tions zéro-coupon, a[ at, sont déterministes, le prix 0-forward d'un call européen
d'échéance 0 et de prix d'exercice K sur l'obligation zéro-coupon d'échéance T, est
donné par
où
ilJ T IJ IJ
Z(t, 0) = t (as - as) dWS - 2111J (T
t as - as
IJ)2 ds.
Notons que, sous JP> 0 , la variable aléatoire Z(t, 0) est indépendante de Ft et suit la
loi normale de moyenne -~~ 2 (t, 0) et de variance ~ 2 (t, 0), où
154 Chapitre 6 Modèles de taux d'intérêt
avec
Ct P(t, B)Cf
P(t, B)B(t, P 9 (t, T))
P( t, T)H'{ + P( t, B)Hf,
où H[ = N(d 1(t,P 9 (t,T)) et Hf= -KN(d2(t,P 9 (t,T)). Dans ce cadre, on
peut couvrir l'option en détenant H[ obligations zéro-coupon d'échéance Tet Hf
e
obligations zéro-coupon d'échéance à l'instant t (cf. Exercice 36).
Xt = r(t) - b,
ce qui signifie que (Xt) est un processus d'Ornstein-Uhlenbeck (cf. Chapitre 3, Sec-
tion 3.5.2). On en déduit que r(t) peut s'écrire
et que, pour chaque t, la variable aléatoire r(t) est une gaussienne de moyenne et
variance données par
Il en résulte que r(t) peut être négatif avec une probabilité strictement positive, ce
qui n'est pas très satisfaisant (sauf si cette probabilité reste très faible). Noter que,
quand t tend vers l'infini, r(t) converge en loi vers une gaussienne de moyenne b et
de variance a 2 /(2a).
Pour calculer le prix des zéro-coupons, on se place sous la probabilité IP'* et on
utilise l'équation (6.9). D'après l'égalité (6.2), on a
(6.12)
on peut écrire
(6.13)
où F est la fonction définie par F ((), x) = JE* ( e- g x: ds), ( Xf) étant !'unique
solution de l'équation (6.12) qui vérifie xg =X (cf. Chapitre 3, Remarque 3.5.4).
Le calcul de F(B, x) peut être complètement explicité. On sait (cf. Chapitre
3) que le processus (Xf) est gaussien, à trajectoires continues. Il en résulte que
J: x:ds est une gaussienne, puisque l'intégrale est limite de sommes de Riemann
156 Chapitre 6 Modèles de taux d'intérêt
Cov(Xf,X~)
Théorème 6.2.3 Soit (Wt) un mouvement brownien standard défini sur [O, oo ). Pour
tout réel x ?: 0, il existe un unique processus continu adapté (Xt), à valeurs dans
JR+, vérifiant Xo = x et
rü = inf {t ?: o Xf = o},
1
et
À(î' + b + e1 t(î' - b)) + 2µ(e't - 1)
1/1,,µ(t) = a2À(eit - 1) + î' - b + eit(î' + b) '
avec î' = Jb 2 + 2a2 µ.
Démonstration. Le fait que l'espérance à calculer puisse se mettre sous la forme
e-atf>(t)-x,P(t) résulte d'une propriété d'additivité du processus (Xt) par rapport au
paramètre a et à la condition initiale x (cf. Ikeda et Watanabe (1981), p. 225, ou
Revuz et Yor (1990), Chapitre XI). Si, fixant À etµ, on considère la fonction F(t, x)
définie par
F(t, x) = E ( e->.x: e-µ J; x:ds) , (6.17)
âF a 2 â 2F âF
{ -ât = - x-
2 8x 2
+ (a-bx)-
âx
-µxF
F(O, x) = e->.x.
En effet, si F vérifie ces équations et a des dérivées bornées, la formule d'Itô permet
de montrer que, pour tout T > 0, le processus (Mt)o::;t::;r, défini par
2
b ) 2a/a ( Àbe-bt )
(
(a 2 /2)À(l - e-bt) +b exp -x (a 2 /2)À(l - e-bt) +b
1 ( ÀL( )
(2ÀL + 1) 2a/a 2 exp - 2ÀL + 1 '
6.2 Quelques modèles classiques 159
f ô,Ç (X ) -_ e-Ç/ 2
2(8/4-1/2 e
-x/2 8/4-1/2!
X
( ç)
8/2-1 V X!,
.
pour X
O
> ,
où I,, est la fonction de Bessel modifiée d'ordre 11, définie par
I,,(x) =
(2X)" ~ n!r(11+n+1)"
(x/2)
00 2n
e-acf>(T)-r(O),P(T),
(6.18)
où IP' 6 est la probabilité B-forward (cf. Proposition 6.1. 7). Notons que
diP' 9 •T P(B, T)
diP'e IE9 (P(B, T))"
Remarquons que le processus (P( t, T)/ P(t, B) )o<t<e est une IP'11 -martingale, car
(F(t, T) )o<:::,t<:::,6 est une IP'* -martingale (cf. Propositio~ 6.1.7). Donc
8r(O)'y* 2e1" 6
(o = 0"2(ei•e - l)("f*(ei·e + 1) + b*)(ei•e - 1))
et
8r(O)'y* 2e1· 9
(o,T = 0"2(ei•o - l)("f*(e1·11+1) + (Œ2'1j;(T- B) + b*)(ei·o - 1)) ·
Avec ces notations, en introduisant la fonction de répartition Fo,( de la loi du chi-
deux décentrée à 8 degrés de liberté, de paramètre de décentrage (, on a
pour toute échéance T. Le nombre f(t, s) représente donc le taux d'intérêt instan-
tané à la date s, tel que le marché le voit à la date t. Pour chaque T, le proces-
sus (f(t, T))o<t<T doit donc être un processus adapté et il est naturel de poser
f(t, t) = r(t)~ On impose également à l'application (t, s) r--+ f(t, s), définie pour
t:::; s, d'être continue. La modélisation consiste ensuite à supposer que, pour chaque
échéance T, le processus (f(t, T))o::;t::;T vérifie une équation de la forme
où (a( t, T) )o<t<T et ((3( t, T) )o<t<T sont des processus continus adaptés. Nous sup-
poserons en fait-qu'il y a contimÎité par rapport au couple (t, T).
Il faut alors s'assurer que ce modèle est compatible avec l'hypothèse (H). Cela
impose des conditions sur les processus a et (3. Pour les faire apparaître, on calcule
la différentielle dP(t, T)/ P(t, T) et on la compare à l'équation (6.6). Posons Xt =
162 Chapitre 6 Modèles de taux d'intérêt
8
+ 1T (1 /3(v, s)dWv) ds
Noter que l'interversion des intégrales dans (6.21) est justifiée par l'exercice 40. On
a donc
n
P(t, T)
dXt + 2,d(X, X)t
Si l'hypothèse (H) est vérifiée, on doit avoir, d'après la Proposition 6.1.3 et l'égalité
f(t, t) = r(t),
D'où
2
1
T
a(t, s)ds = ~ (
1
T
/3(t, s)ds
)
- q(t) 1
T
f3(t, s)ds
6.2 Quelques modèles classiques 163
Un point important est que la dynamique des taux d'intérêt instantanés forward sous
IP'* ne dépend pas du processus o:. Le modèle peut être précisé en imposant la forme
suivante pour f3 :
(3(t, T) = a(f(t, T)),
où a : ~ ---> ~ est une fonction continue (qui pourrait aussi dépendre du temps, cf.
Morton (1989)). Dans ce cas, le processus à deux paramètres (f(t, T))o<t<T doit
vérifier l'équation différentielle stochastique
df(t, T) = a(f(t, T)) (lT a(f(t, s))ds) dt+ a(f(t, T))dWt. (6.22)
On voit que, pour tout processus continu adapté ( q(t) ), on peut construire un modèle
de la forme (6.20). Il suffit de prendre une solution de (6.22) et de poser ensuite
Ce qui est remarquable dans ce modèle, c'est que la loi des taux d'intérêt forward
sous IP'* ne dépend que de la fonction a. C'est une conséquence de l'équation (6.22),
qui ne fait apparaître que a et (Wt). Il en résulte que les prix des options ne dépendent
que de la fonction a. On est ainsi dans une situation analogue à celle du modèle de
Black-Scholes. Notons que si a est une constante, les volatilités des zéro-coupons
(a[), 0 '.: '.'. t '.: '.'. T) sont déterministes, de sorte que la Remarque 6.1.6 s'applique (voir
l'exercice 41). Signalons que la condition de bornitude sur a est essentielle puisque,
pour a( x) = x, il n'y a pas de solution (cf. Heath, Jarrow, et Morton ( 1992); Morton
(1989)).
164 Chapitre 6 Modèles de taux d'intérêt
{T+ô
( Jr ) P(t, T)
1 + oL(t, T) =exp f(t, s)ds = P(t, T + o),
ou encore
L(t T) = P(t, T) - P(t, T + o).
' oP(t,T+o)
Un exemple typique d'option sur taux d'intérêt est le cap/et, qui paye à la date T + o
la différence entre le LIBOR et un taux fixe K. Plus précisément, la richesse fournie
o
à l'instant T + est donnée par
o (L(T, T) - K)+.
Un agent qui emprunte un euro à la date T devra payer 1 + oL(T, T) à l'instant
T +o. S'il détient un caplet de prix d'exercice K, il paiera à l'instant T + o une
somme nette donnée par
Black pour les caplets (voir Remarque 6.1.6 et Exercice 42). Le résultat principal
de Brace, Gatarek, et Musiela (1997) (voir aussi Musiela et Rutkowski (2005)) est
qu'il est possible de construire un modèle cohérent dans lequel la dynamique de
chacun des processus (L(t, Ti))o:s;t:s;T;+ô (Ti = To + iô, i = 1, ... , nô) est de la
forme (6.23), avec une volatilité déterministe 'Y(t, Ti)· Dans ce modèle, les prix de
caps sont faciles à calculer, comme sommes de prix de caplets. Pour des options plus
complexes, comme les swaptions, qui font intervenir la loi conjointe de LIBORs
d'échéance différentes, L(t, Ti), avec Ti = iô, i = 1, ... n, on peut avoir besoin de
la dynamique de L(t, Ti) sous une autre probabilité forward (cf. Exercice 42).
6.3 Exercices
Exercice 33 Soit (Mt)o<t<T une martingale continue telle que, pour tout t E
[O, T], IP'(Mt > 0) = 1. O~p~se
T = (inf{t E [O, T]IMt = O}) /\ T.
1. Montrer que Test un temps d'anêt.
2. En utilisant le théorème d'arrêt, montrer que
JE(Mr) = JE(Mrl{r=T})·
En déduire que lP' ({\it E [O, T], Mt > O}) = 1.
Exercice 35 Les notations sont celles de la Section 6.1.3. Soit (Mt)o:s;t:s;T un pro-
cessus adapté à la filtration (Ft). On suppose que (Mt) est une martingale sous IP'*.
166 Chapitre 6 Modèles de taux d'intérêt
En utilisant l'exercice 34, montrer qu'il existe un processus adapté (Ht)o<t<T tel
que for Hf dt < oo p.s. et - -
Exercice 36 On suppose que les volatilités des zéro-coupons (a'[, 0 :::; t :::; T :::; T)
sont déterministes. On note Ct la valeur à l'instant t d'un call d'échéance e et de
prix d'exercice K sur une obligation zéro-coupon d'échéance T > e. On utilise les
mêmes notations que dans la Remarque 6.1.6.
1. Montrer que
o o ftâB o o
Ct = C0 + Jo âx (t, P (t, T))dP (t, T), o::::: t::::: e.
Indication : utiliser la formule d'Itô et le fait que (Cf )o<t<O est une IP'9 -
martingale.
2. Montrer que (âB/âx)(t,x) = N(d 1 (t,x)).
3. On pose H[ = N(d 1 (t, P 9 (t, T))) et Hf= -KN(d2 (t, P 9 (t, T)). Montrer
e,
que dCt = H[ dP( t, T) + Hf dP( T). Expliquer pourquoi on peut couvrir
l'option en détenant H[ (resp. Hf) obligations zéro-coupon d'échéance T
(resp. 0) à l'instant t.
4. Dans le cadre du modèle de Vasicek, montrer que a'[= -a(l-e-a(T-t})/a,
où a est le paramètre de retour à la moyenne (cf. (6.8)). Calculer la valeur du
call et les taux de couverture.
a 2 d2 s ds
-x-+(a-bx)- =0.
2 dx 2 dx
2. Pour 0 < c < x < M, on pose r:,M = r; /\ r'Af. Montrer que, pour tout
t > 0, on a
3. Montrer que sic< x < M, s(x) = s(c)IP'(T; < T'fff) +s(M)IP'(T;' > Tf,1).
4. On suppose a?: a 2 /2. Montrer que limx-+O s(x) = -oo. En déduire que
< TNJ) = Ü
JP'(To
pour tout M > 0, puis que IP' (To < oo) = O.
5. On suppose maintenant 0 ::::; a < a 2 /2 et on pose s(O) limx-+O s(x).
Montrer que, pour tout M > x, on a
s(x) = s(O)IP'(To < Tf1) + s(M)IP'(To > Tf1),
et achever la démonstration de la Proposition 6.2.4.
Pour simplifier, on suppose que JrlE (J;[ H 2 (t, s)dt) ds < oo (ce qui est suffisant
pour justifier (6.21 )).
1. Montrer que
Exercice 42
1. On se place dans le cadre du modèle BGM et on suppose qu'on a (6.23), avec
'Y déterministe et bornée. Montrer que le prix à l'instant t du caplet qui paye
o(L(T, T) - K)+ à la date T + o est donné par
169
170 Chapitre 7 Modèles d'actifs avec sauts
À ->.x (>.x)n-1
pour x >O.
e (n - 1)!'
de sorte que
JE(e-<>Tn) = (1E(e-<>T1)f = (-À-)n
>.+a
On reconnaît la transformée de Laplace de la loi Gamma de paramètres (n, À) (cf.
Bouleau (1986), Chapitre 6, Section 7.12). On a alors, pour n?: 1,
Remarque 7.1.2 Il est facile de voir que les temps de saut Tn sont des temps d'arrêt
de la filtration naturelle du processus (Nt). On a en effet {r n :::; t} = {Nt ;:::: n} E
Ft. Une variable aléatoire T de loi exponentielle vérifie
On dit que la loi exponentielle est sans mémoire. L'indépendance des accroissements
est une conséquence de cette propriété d'absence de mémoire de la loi exponentielle.
Remarque 7.1.3 La loi d'un processus de Poisson d'intensité >. peut être ca-
ractérisée par l'une ou l'autre des deux propriétés suivantes.
• (Ntk?.o est un processus de Markov homogène continu à droite et limité à
gauche, tel que
L'évolution de Xt, prix de l'actif risqué à la date t, peut maintenant être décrite
de la façon suivante. Le processus (Xt)t>o est un processus continu à droite adapté
vérifiant les propriétés suivantes.
• Sur les intervalles de temps [Tj, Tj+l [,
ce qui implique X 7 i = X 7 :- (1
J
+ Uj ).
On a, pour t E [O, T 1 [,
X t -_ X 0 e(µ-a 2/2)t+aw, .
La limite à gauche de X en T1 est donc donnée par
X - = Xoe(µ-(a2 /2))ri +aWT1
T1 >
et
Xr1 = Xo(l + U1)e(µ-(a2/2))r1+aWT1.
Puis, pour t E [T1, T2 [,
X e(µ-(a 2/2))(t-T1)+a(Wt-WT1)
~ '
X _ (1 + Ui )e(µ-(a 2/2))(t-r1)+a(Wt-WT 1 )
Tl
(7.1)
Ce modèle est appelé modèle de diffusion avec sauts. Sous forme différentielle, (7 .1)
s'écrit
dXt
Xt- = µdt + adWt + dZt,
Démonstration. Notons W. (resp. N.) la tribu engendrée par les variables aléatoires Wu
(resp. Nu), pour 0 :::; u :::; s. Nous aurons aussi besoin de la tribu Ws (resp. N.), engendrée
par les variables aléatoires Wt+s - W. (resp. Nt+• - N.), t 2: O.
Pour établir l'indépendance des tribus 9s et :F., on doit montrer que IP'(A n E) =
IP'(A)IP'(E), où A (resp. E) est élément d'une classe stable par intersection finie engendrant
Ç. (resp. :F.). Posons
A= Aw n AN n {(UN.+1, ... , uN.+k) E F}'
où Aw E W., AN EN., k est un entier strictement positif, Fun borélien de ffitk, et
Ona
+oo
IP'(AN n EN n C) = LIP'(AN n EN n Cp n {N. = p}),
p=d
+oo
= lP'(AN)lP'((U1, ... 'Uk) E F) LlP'((U1, ... 'Ud) E G) lP'(BN n {Ns = p})
p=d
Il est clair alors que lP'(A n B) = lP'(A)lP'(B). Notons qu'une conséquence de cette
démonstration est le fait que la suite (UN.+i )i?.l a même loi que la suite (Uj )j?_l· D
Xse(µ-r)(t-s)JE (. fi
J=N,+l
(1 + Uj ))
= Xse(µ-r)(t-s)e>.(t-s)IE(U 1 ),
où la dernière égalité résulte de l'exercice 43. Il est clair alors que (Xt) est une
martingale si et seulement siµ= r - ÀIE(U1 ). D
Pour traiter les termes dus aux sauts dans les stratégies de couverture, nous au-
rons besoin de deux autres lemmes, dont les démonstrations peuvent être omises en
première lecture. On désigne par v la loi commune des variables aléatoires Uj.
Lemme 7.3.2 Soit <I>(y, z) une fonction mesurable de !Rd x lR dans IR, telle que pour
tout réel z la fonction y f---; <I>(y, z) soit continue sur !Rd, et soit (Yt)t::;o un processus.
7.3 Martingales dans un modèle de diffusion avec sauts 175
continu à gauche, à valeurs dans JRd, adapté à la filtration (Ftk:::o· On suppose que,
pour tout t > 0,
)1
On a alors 12=~~ 1 <l>(YT;, Uj S CNt et IJ; J v(dz)<l>(Y., z)I S Ct. Donc, Mt est de carré
intégrable. Fixons maintenant s et t, avec s < t, et posons
Nt
z= L <l>(YTj>Uj)·
j=N +18
Étant donné une subdivision p = (so = s < s1 < · · · < Sm = t) de l'intervalle [s, t], on
introduit la variable aléatoire
m-1 Nsi+l
zP = L L <l>(Ys,, Uj)·
i=O j=Nsi +1
(7.4)
avec
Nai+l -Nsi
<l>(Ys;,Uj) = L <l>(Ys;,UN,i+j)·
j=l
En utilisant le Lemme 7 .3.1 et le fait que Ys; est Fs; -mesurable, on peut appliquer la Propo-
sition A.2.5 de l'appendice pour voir que
176 Chapitre 7 Modèles d'actifs avec sauts
<Î>i(Y) est ainsi l'espérance d'une somme aléatoire de variables aléatoires et, d'après l'exer-
cice 44,
<Ï>i(Y) = >.(si+l - si) j dv(z)iP(y, z).
En revenant à l'équation (7.4), on en déduit que
ce qui montre que Mt est une martingale. Posons maintenant ZP = I:Z:;01 JE(Zi+1l.Fs;). On
peut écrire
zP =
m-1
i=O
m-1
L <Ï>i(Y.J = L >.(si+l -
i=O
Si) Jdv(z)iP(Ys;i z).
De plus,
En prenant l'espérance conditionnelle sachant .F. 3 et en utilisant le fait que Zi+ 1 est .Fsi+ 1
donc .F.3 -mesurable, on voit que la deuxième somme est nulle. D'où
Donc
Il est facile de voir que E ( l; ds l dv( z) (q,n (Ys, z) - <I> (Ys, z)) 2 ) tend vers 0 quand n ---->
oo. Il en résulte que la suite ( M[') n> 1 est de Cauchy dans L2,
et comme Mi' converge vers
Mt p.s., lvft est de carré intégrable el, en passant à la limite, on obtient le lemme pour <I>. D
Lemme 7.3.3 On conserve les hypothèses et les notations du Lemme 7.3.2. Soit
(Atk::.:o un processus adapté tel que JE (J; A;ds) < +oo pour tout t > O. Soit
Lt = J; A dW
8 8 et, comme dans le Lemme 7.3.2,
Démonstration. Il suffit de montrer le lemme pour <I> bornée (le cas général se traitant en
approchant <I> par q,n = inf(n, sup(-n, <I> )), comme dans la démonstration du Lemme 7.3.2).
Fixons s < t et notons p = (so = s < s 1 < · · · < Sm = t) une subdivision de l'intervalle
[s, t]. On a
Remarquons que
m-1
L IMs;+1 - Ms; 1
i=O
avec C = supy,z l<I>(y, z)I. En utilisant la continuité de t f-> Lt, on voit que AP converge
presque sûrement vers 0 quand IPI ----> O. De plus,
IAPI :::; 2C sup !Lui (Nt - Ns + >.(t - s)).
s::=;u::=;t
La variable aléatoire sups<u<t ILul est dans L2 (cf. inégalité de Doob, Chapitre 3,
Théorème 3.3.7). On a aussi Nt - Ns E L 2 • On en déduit que AP converge vers 0 dans
L 1 , et par conséquent
JE (LtMt - L.M. 1 :F.) =O.
0
le processus de prix actualisé (Xt)t::=:o = (e-rt Xt)t::=:o est une martingale. En effet,
sous IP'*, le processus (Wt)o<t<T défini par Wt = Wt - ()t est un mouvement
brownien standard. De plus, sous IP'*, les processus (Wt)o::;t::;r. (Nt)o::;t::;T et la
suite (U1,j 2'. 1) sont indépendants, et les lois de (Nt)o::;t::;r et des U1 restent
inchangées. On a d'autre part
Xt = Xo (fi
J=l
(1 + U1)) e(µ*-(cr2/2))t+crW,*,
Options et diffusion avec sauts 179
(7.7)
Pour que cette équation ait un sens, il suffit, compte tenu du fait que s 1--+ X 8 est
presque sûrement bornée, d'imposer la condition
En fait, pour assurer que la valeur d'une stratégie de couverture soit de carré
intégrable, nous imposerons une condition d'intégrabilité plus forte au processus
(Ht)a~t~T· en restreignant la classe des stratégies admissibles de la façon suivante.
adapté, continu à gauche, à valeurs dans IB( 2 , vérifiant (7.7) p.s. pour tout t E [ü, T],
tel que far IH~I ds < +oo IP' p.s. et JE (Jar H'1X'1ds) < +oo.
Noter que nous n'imposons pas de condition de positivité sur la valeur des stratégies
admissibles. La proposition suivante est l'analogue de la Proposition 4.1.2 du Cha-
pitre 4.
Proposition 7.4.1 Soit (Ht)a<t<T un processus adapté, continu à gauche tel que
N,
+ LHrjUJXr-:- 3
j=l
N,
+ LHriUJXr-:- 3
j=l
Il est clair alors que si on se donne Va et (Ht). l'unique processus (HP) tel que
182 Chapitre 7 Modèles d'actifs avec sauts
( (H2, Ht) )a:s:t:S:T soit une stratégie admissible de valeur initiale Va est donné par
Sur cette formule, on voit que le processus (H2) est adapté et admet une limite à
gauche en tout point, et que H2 = H2_. C'est clair, en effet, si t n'est pas un des
temps de saut Tj, et si test l'un des Tj, on a
Il est clair aussi que far 1H2 I dt < oo presque sûrement. De plus, en écrivant
Hf ert + HtXt = ert ( H2 + HtXt) et en intégrant par parties comme ci-dessus, on
voit que le couple ( H2, Ht) a<t<T définit une stratégie admissible de valeur initiale
Va. - - D
Remarque 7.4.1 La condition JE (far H'; X';ds) < oo implique que la valeur ac-
tualisée (Vt) d'une stratégie admissible est une martingale de carré intégrable. Cela
résulte del' expression obtenue dans la Proposition 7.4.1 et du Lemme 7 .3.2, appliqué
avec le processus continu à gauche à valeurs dans IR. 2 défini par yt = (Ht, Xt-) (no-
ter que dans l'intégrale par rapport à ds, on peut remplacer X8 _ par Xs car il n'y a
qu'un nombre fini de discontinuités).
7.4.2 Pricing
Considérons une option européenne d'échéance T, définie par une variable
aléatoire h, .Fr-mesurable et de carré intégrable. Prenons, pour fixer les idées, le
point de vue du vendeur de l'option. Il vend l'option à un prix Va à l'instant 0 et
suit ensuite une stratégie admissible entre les instants 0 et T. D'après la Proposi-
tion 7.4.1, cette stratégie est complètement déterminée par le processus (Ht)a<t<T
vt
des quantités d'actif à risque. Si désigne la valeur de cette stratégie à l'instant t, le
défaut de couverture à l'échéance est donné par h - Vr. Si cette quantité est positive,
le vendeur perd de l'argent, sinon il en gagne. Une façon d'évaluer le risque consiste
à introduire la quantité
Puisque, d'après la Remarque 7.4.1, la valeur actualisée (Vt) est une martingale, on
a JE( e-rT Vr) = Va. Appliquant l'identité JE( Z 2 ) = (JE( Z)) 2 + JE( [Z - JE( Z) ]2) à la
variable aléatoire Z = e-rT (h - Vr), on obtient
Options et diffusion avec sauts 183
JE (e-r(T-t) f (xte(µ-(o-2/2))(T-t)+o-(Wr-Wt). Il
J=N,+1
(1 + Uj)) IFt)
E (,-•(T-<) f ( x,,(•-(•' /'))(T-<)+Œ(W,-W.) Nxr (1 +UN,+;)) i.r,) .
Du Lemme 7.3.1 et de cette égalité, on déduit que
(!+
avec
(7.10)
184 Chapitre 7 Modèles d'actifs avec sauts
Puisque la variable aléatoire Nr-t est indépendante des Ui, et suit la loi de Poisson
de paramètre >..(T - t), on peut aussi écrire
Chaque terme de cette série peut se calculer numériquement dès que l'on sait simuler
la loi des Ui. Pour certaines lois, l'espérance mathématique qui intervient dans la
formule peut être calculée explicitement (cf. Exercice 47).
- À lat ds J
(F(s, X8 (l + z)) - F(s, X8 ))dv(z)
est une martingale de carré intégrable. On sait aussi que F(t, Xt) est une martingale.
Le processus F(t, Xt) - Mt est donc également une martingale et, d'après (7.12),
c'est un processus d'Itô. D'après l'exercice 19 du Chapitre 3, il s'écrit sous la forme
d'une intégrale stochastique. D'où
- -
F(t, Xt) - Mt = F(O, Xo)
t âP - -
+ Jo âx (s, Xs)Xs<JdWs. (7.13)
h - Vr = Mr + Mr,
avec
186 Chapitre 7 Modèles d'actifs avec sauts
et
N,
!Îtlt 2: (P(Tj, XTj) - F(Tj, XTj-) - HTjUJX-rj-)
j=l
-À 1t J
ds dv(z)(F(s, Xs(l + z)) - F(s, Xs) - H 8 zX8 ).
D'où
Il résulte de la Proposition 7.4.2 que le risque minimal est obtenu quand Hs vérifie,
IP-presque sûrement,
( aP - - Hs ) Xsa
ax (s, Xs) -2 2
+
À J
dv(z) ( F(s, Xs(l + z)) - F(s, Xs) - H 8 zX8 ) zXs =O.
Il suffit en effet de minimiser la quantité intégrée par rapport à ds. Cela donne,
puisque (Ht)o5,t5,T doit être continu à gauche,
7.5 Exercices 187
avec
A( s,x ) = _!_
~ A2
Cl
( (l 2 âF(
â s,x ) + /\
X
\Id ()1/ z z (F(s,x(l + z)) - F(s,x))) ,
X
7.5 Exercices
Exercice 43 Soit (Vn)n~l une suite de variables aléatoires positives,
indépendantes, équidistribuées, et soit N une variable aléatoire à valeurs dans
N, suivant une loi de Poisson de paramètre À, indépendante de la suite (Vn)n>I·
Montrer que
Exercice 45 Les hypothèses et les notations sont celles de !'exercice 44. On sup-
pose que les Vj sont à valeurs dans {a, ,B}, avec a, ,B, E lR, et on pose p = IP'(Vi =
a) = 1 - IP'(Vi = ,B). Montrer que Sa même loi que aN1 + ,BN2 , où N 1 et N 2 sont
deux variables aléatoires indépendantes suivant des lois de Poisson de paramètres
respectifs Àp et >.(1 - p).
Exercice 47
1. On suppose, avec les notations de la Section 7.4, que la variable aléatoire U1
est à valeurs dans {a, b}, et on pose p = IP( U1 = a) = 1 - IP( U1 = b). Mettre
la formule de prix (7.10) sous la forme d'une série dont chaque terme se cal-
cule à partir des formules de Black-Scholes. On pourra utiliser l'exercice 45.
2. On suppose maintenant que U1 a même loi que eu -1, où g est une gaussienne
de moyenne met de variance a 2 • Écrire la formule de prix (7.10) sous la
forme d'une série double dont chaque terme se calcule à partir des formules
de Black-Scholes (avec des taux d'intérêt et des volatilités que l'on précisera).
Exercice 48 L'objet de cet exercice est de montrer qu'il n'y a pas de stratégie de
couverture parfaite des calls et des puts dans les modèles avec sauts que nous avons
étudiés dans ce chapitre. On considère un modèle dans lequel a > 0, >. > 0 et
IP(U1 =f. 0) > O.
1. En utilisant la Proposition 7.4.2, montrer que, s'il existe une stratégie de cou-
verture parfaite, alors, pour ds-presque touts et pour dv-presque tout z, on
a
IP-p.s.,
En déduire (en utilisant la convexité de F par rapport à x) que, pour s E [O, T],
la fonction x 1---+ F(s, x) est linéaire.
4. Conclure. On pourra remarquer que, dans le cas du put, la fonction x 1---+
Dans les années récentes, le marché des produits dérivés de crédit s'est
considérablement développé (jusqu'au tout récent coup d'arrêt lié à la crise fi-
nancière). Ce chapitre propose une introduction sommaire aux principes de base de la
modélisation du risque de crédit. Ce type de risque est associé à la notion de risque de
défaut. Dans la première section, nous présentons les modèles dits structurels, dans
lesquels le temps de défaut est défini comme un temps d'arrêt par rapport à la filtra-
tion de la valeur de lafirme. Dans la seconde section, nous introduisons les modèles
à intensité, qui considèrent le temps de défaut comme un temps aléatoire exogène,
caractérisé par un taux de défaut (hasard rate en anglais). Nous abordons ensuite
l'évaluation des credit default swaps (CDS). La dernière section est consacrée à la
notion de copule, qui est très utile dans les modèles où interviennent plusieurs temps
de défaut. Pour une présentation plus complète des modèles de risque de crédit, nous
renvoyons à la deuxième édition de Brigo et Mercurio (2006) et, pour les aspects
théoriques, à Bielecki et Rutkowski (2002).
191
192 Chapitre 8 Modèles de risque de crédit
constante. Dans ce modèle, on considère que la compagnie fait défaut si, à la date
T, la valeur de la firme est plus petite que sa dette. En cas de défaut, les créanciers
(représentés par le détenteur de l'obligation) prennent le contrôle de la compagnie.
En d'autres termes, le détenteur de l'obligation reçoit à l'échéance la richesse Vr/\L.
La valeur à l'instant t < T de cette obligation avec risque de défaut, qui peut être
vue comme la valeur de la dette de la firme, est donnée par
Ici, la filtration (.Ft)o::;t::;r est la filtration naturelle du processus (vt)o::;t::;r (et aussi
la filtration naturelle du mouvement brownien). Notons que, puisque Vr /\ L = L -
(L - Vr)+, on a
ce qui montre que le calcul de Dt est équivalent au calcul du prix d'un put sur la
valeur de la firme (cf. Exercise 50). Dans ce cadre, la valeur boursière (equity va-
lue) de l'entreprise à la date T (notée Er) est la différence entre la valeur totale de
l'entreprise et la valeur de la dette,
d F'(t)
À(t) = - dt ln(l - F(t)) = l _ F(t), t :::'.'.O.
D
Notons que pour que la variable aléatoire T soit finie, il est nécessaire que le taux
J
de défaut À vérifie 0+00 À(t)dt = +oo. On a aussi, pour ô > 0,
IP'(T < t+ô 1 T > t) = IP'(t < T :=:; t+ô) = 1-e-f.'+li >.(s)ds
- JP'(T > t) '
de sorte que
'( ) _ . JP'( T :::; t + Ô 1 T > t)
/\ t - 1Jill J: •
0--->0 u
Lorsque T modélise un temps de défaut, la quantité À(t)dt peut être vue comme la
probabilité conditionnelle que le défaut survienne entre les instants t et t+dt, sachant
qu'il ne s'est pas produit avant l'instant t.
(8.3)
vérifie
IP'(T :=:; t) = 1P' (lat À(s)ds : :'.'. ç) = 1-ef~ >.(s)ds,
si bien que le taux de défaut de T est donné par la fonction À, et (8.3) fournit une
méthode de construction d'un temps aléatoire ayant un taux de défaut donné.
compte l'histoire des taux d'intérêt, et par conséquent, si on note (Sf) le proces-
sus de prix de 1' actif sans risque et (r( t)) le taux d'intérêt instantané (rappelons que
Sf = exp(f~ r(s)ds)), ces deux processus sont (Ft)-adaptés.
Le temps de défaut est modélisé par une variable aléatoire T, qui n'est en général
pas un temps d'arrêt de la filtration (Ft). Ceci constitue une différence avec l'ap-
proche structurelle. Dans les modèles à intensité, le temps de défaut apparaît comme
une variable exogène et le défaut peut survenir de manière complètement inopinée.
Cependant, à un instant donné t, les investisseurs savent s'il y a eu défaut au-
paravant ou pas. L'information totale accessible à la date t peut donc être décrite
par la tribu 9t, engendrée par Ft et tous les événements de la forme {T :::; s}, pour
s E [ü, t]:
Yt = Ft V a( {T :::; s }, s :::; t).
Notons que T est un temps d'arrêt de la filtration Wt)· Dans ce contexte, une me-
sure de pricing est une mesure de probabilité IP'*, équivalente à IP', sous laquelle les
prix actualisés des actifs risqués sont des (Qt)-martingales. Notons que les prix des
actifs risqués qui peuvent être affectés par le défaut sont adaptés à la filtration (Qt).
Considérons maintenant une obligation zéro-coupon d'échéance T avec risque de
défaut, qui, à l'instant T, paye un euro s'il n'y a pas eu défaut et rien, s'il y a eu
défaut avant la date T. La valeur de ce produit dérivé à la date T est donnée par
1 { r>T}. Sa valeur à un instant t :::; T doit donc être donnée par 1' espérance condi-
tionnelle du payoff actualisé sachant 9t. sous la mesure de pricing, soit
y ·- 1 { } _E*_(~X_l~{r_>~t}_l_.r,~t)
.- r>t E* (l{r>t} 1 Ft)
est bien définie et est 9t-mesurable (comme produit de deux variables aléatoires 9r
mesurables). On a, d'autre part,
8.2 Modèles à intensité 195
car {T > t} E 9t· Pour montrer que Y= JE*(Xl{.,.>t} 1 9t). il suffit de montrer que
où C est une classe d'éléments de 9t. stable par intersections finies qui engendre la
tribu 9t (voir, par exemple, Jacod et Protter (2003), Chapitre 6). Soit C la classe des
événements A de la forme
A={r::;s}nB,
où B E :Ft et s E (0, t] U { +oo }. La classe C est stable par intersections finies et en-
gendre 9t· Pour s E (0, t], on a JE* (Xl{.,.>t} 1{.,.:::;s}nB) = 0 et JE* (Yl{.,.:::;s}nB) =
O. Pour s = oo, on a A = B et, puisque B E :Ft.
On a aussi
JE*(YlB)
où (>.( t)) est le taux de défaut conditionnel sachant la filtration sans défaut.
Le processus (À (t)) est aussi appelé intensité du défaut. Rappelons qu'en l'absence
de risque de défaut, la valeur à la date t du zéro-coupon d'échéance Test donnée par
Remarque 8.2.3 Dans la jambe fixe, nous avons omis la prime de régularisation
(accrual premium) s(r - Tf3(r)), qui couvre la période entre la dernière date de
paiement avant le défaut et la date de défaut ((3( r) = i - 1 if Ti-1 ::; r < Ti). Voir
Brigo et Mercurio (2006) ou Overhaus et al. (2007) pour plus de détails.
La jambe fixe peut être évaluée à l'instant 0 en prenant l'espérance des flux actualisés
sous la mesure de pricing
La valeur d'arbitrage du spread doit rendre ces deux quantités égales, ce qui donne
Dans le cas d'une intensité déterministe, on a, en introduisant les prix des obligations
zéro-coupon sans défaut,
D'où
{T,.
(1 - R) Jo À(u)e- fou >.(s)ds P(O, u)du
S = --n--~---------- (8.6)
~)Ti - Ti-1)1P'*(r > Ti)P(O, Ti)
i=l
Remarque 8.2.4 Les CDS étant les produits dérivés de crédit les plus liquides, ils
sont souvent utilisés à des fins de calibration. Dans la pratique, on estime des proba-
bilités de défaut implicites à partir de spreads de CDS de diverses maturités. Notons
Sj le spread d'un swap de dates de paiement T 1 ,. .. , Tj et écrivons l'égalité suivante,
variante de (8.6) :
j
(1 - R) L (IP'*(r > Ti-1) - IP'*(r >Ti)) P(O, Ti)
i=l
Sj = j
(8.7)
L(Ti - Ti-1)1P'*(r > Ti)P(O, Ti)
i=l
Remarquons que, dans (8.7), le numérateur peut être vu comme la discrétisation de
l'intégrale apparaissant dans le numérateur de (8.6), puisque
A partir des valeurs des spreads sj (j = 1, ... , n ), on peut calculer IP'* (T > Ti) pour
i = 1, ... , n et définir un taux de défaut déterministe constant par morceaux. En
fait, on peut aussi voir (8.7) comme le spread, en supposant que, en cas de défaut, le
paiement de protection ne s'effectue pas à l'instant T, mais à la date de paiement qui
suit (cf. Exercice 53).
8.3 Copules
Une copule est la fonction de répartition d'un vecteur de variables aléatoires
uniformément distribuées sur l'intervalle [O, l].
Définition 8.3.1 Une fonction C : [O, l]m ------> [O, l] est appelée copule s'il existe
un vecteur aléatoire (U1 , ... , Um) dont toutes les coordonnés Ui sont uniformément
distribuées sur [O, l] et qui vérifie
C(u1, ... , Um) = IP'(U1 ::=; u1, ... , Um ::=; Um), pour tout (u1, ... , Um) E [O, l]m.
8.3 Copules 199
Le résultat suivant, connu sous le nom de Théorème de Sklar, montre que la loi d'un
vecteur aléatoire peut être caractérisée par la donnée d'une part de ses lois marginales
et, d'autre part, d'une copule.
Théorème 8.3.1 Soit X = (X1 , ... , Xm)un vecteur aléatoire à valeurs dans !Rm.
Pour i = 1, ... , m, on note Fi la fonction de répartition de la variable aléatoire Xi
(Fi(x) = lP'(Xi :::; x)). Il existe une copule C telle que, pour tout (x 1, ... , Xm) E
]Rm
'
lP'(X1 :::; X1, ... , Xm :::; Xm) = C (F1 (x1), ... , Fm(Xm)).
De plus, si les fonctions Fi sont continues, la copule C est unique.
Lemme 8.3.1 Si X est une variable aléatoire réelle dont la fonction de répartition
Fest continue sur IR, la variable aléatoire F(X) est uniformément distribuée sur
l'intervalle [ü, 1].
lim F(x)
X----t-cx::>
= 0 et lim F(x)
X----t+<X>
= 1.
ce qui prouve que F(X) est uniformément distribuée sur [ü, 1]. D
Comme Fi est croissante, on a {Xi ::::; xi} c {Fi(Xi) ::::; Fi(xi)}. De plus
lP'(Xi::::; xi)= Fi(xi) = IP'(Fi(Xi)::::; Fi(xi)),
la dernière égalité venant du Lemme 8.3.1. Les événements {Xi ::::; xi} et {Fi (Xi) ::::;
Fi (Xi)} sont donc presque sûrement identiques et on a
IP'(X1::::; X1, ... ,Xm::::; Xm) IP'(F1(X1)::::; Fi(x1), ... ,Fm(Xm)::::; Fm(Xm))
C(F1(x1), ... , Fm(xm)).
Notons que l'unicité de C résulte du fait que, les fonctions Fi étant conti-
nues, tout vecteur (u 1,. . .,um) avec 0 < ui < 1 peut s'écrire sous la forme
(F1(x1), ... , Fm(Xm)), avec des Xi dans R D
Propriétés des copules
- Si (X1, .. ., Xm) admet C pour copule et si fi, ... .fm sont des fonctions
continues, strictement croissantes, le vecteur (!1(X1), ... , f m (Xm)) admet
également C comme copule.
- Les variables aléatoires X 1,... ,Xm sont indépendantes si et seulement si
le vecteur (X1, ... ,Xm) admet pour copule la fonction C définie par
C(u1, ... , Um) = rr::1 Ui.
- Si X 1 = · · · = Xm, le vecteur (X1, ... ,Xm) a pour copule la fonction C
définie par C( U1, ... , Um) = min1::;i::;m Ui.
- Bornes de Fréchet-Hoeffding (cf. Exercice 54). Pour toute copule C, on a
c-(u1, ... ,um)::::; C(u1, ... ,um)::::; c+(u1, ... ,um),
où c-(u1, ... ,um) = Œ:::1Ui-(m-1))+ et c+(u1, ... ,um)
min 1::;i:Sm ui. Notons que, pour m 2:: 3, la fonction c-
n'est pas une copule.
Remarque 8.3.1 Les copules sont utilisées pour évaluer les produits dérivés de
crédit sensibles au risque de défaut de plusieurs entreprises. Les modèles permettant
de traiter ces produits font intervenir les temps de défaut T1, ... ,Tm correspondant
aux différents noms d'entreprises concernées. Typiquement, un contrat au premier
défaut fera intervenir la loi de min( T1, ... , Tm). Les lois marginales de T1,. .. ,Tm sont
en général connues (par calibration sur les CDS portant sur les noms individuels),
et on utilise une copule pour construire la loi conjointe. Les CDO (collateralized
debt obligations) sont des exemples importants de dérivés de crédit nécessitant des
modèles à plusieurs temps de défaut (voir, par exemple, Brigo et Mercurio (2006)).
Dans la pratique, il est important de disposer de familles paramétriques de copules
permettant un ajustement aux données de marché. En finance, la famille des copules
gaussiennes (qui sont simplement des copules de vecteurs gaussiens) est largement
utilisée. On peut caractériser les copules gaussiennes par la matrice de covariance
du vecteur gaussien associé. Notons que l'on peut supposer que les coordonnées
du vecteurs sont des gaussiennes centrées réduites, puisque la copule est invariante
par transformations croissantes des coordonnées. Les coefficients diagonaux de la
matrice peuvent donc être pris égaux à 1. Quand on prend tous les coefficients hors
diagonale égaux à un même paramètre p, on obtient la copule gaussienne à un facteur.
Remarquons que si la copule est m-dimensionnelle, le paramètre p doit vérifier p E
[-1/(m - 1), 1] (voir Exercice 55).
8.4 Exercices 201
8.4 Exercices
Exercice 49 Soit (n, A, IP') un espace de probabilité et soit B une sous-tribu de A.
Soit A E A et X = JE(lA 1 B). Montrer que IP'(A n {X > O}) = IP'(A), de sorte
que, sur l'événement A, X > 0 presque sûrement.
Exercice 50 Montrer que, dans le modèle de Merton, la valeur à la date 0 del' obli-
gation zéro-coupon avec risque de défaut est donnée par
où Wf = pt+ Wt.
2. En utilisant l'exercice 30, montrer que la valeur à l'instant 0 de l'obligation
zéro-coupon avec risque de défaut est donnée par
et
ln (H 2 /LVa) + (r - k ± "-i )T 2
d± = avlr .
202 Chapitre 8 Modèles de risque de crédit
2. En déduire l'égalité
lim _!_
n--> +oo n
"°"'
L._.,
f (Xk) = E (f (X)) . (9.1)
1$k$n
203
204 Chapitre 9 Simulation et algorithmes pour les modèles financiers
une suite de variables aléatoires indépendantes, suivant une loi uniforme sur l'inter-
valle [O, 1] et l'on cherche une fonction (u 1 , ... , up) 1-+ F( u 1 , · · · , up) telle que la
loi de la variable aléatoire F(U1, · · · , Up) soit la loi cherchée µ(dx). La suite de
variables aléatoires (Xn)n21 où Xn = F(U(n-l)p+l> · · · , Unp) est alors une suite
de variables aléatoires indépendantes suivant la loi de X. On peut, alors, appliquer
(9 .1 ), aux fonctions f (x) = x et f (x) = x 2 pour estimer les moments d'ordre 1 et 2
de X (sous réserve que 1E(IXl 2 ) soit fini).
La suite (Un)n 21 est obtenue en pratique par des appels successifs à un
générateur de nombres pseudo-aléatoires. La plupart des langages disponibles sur
les ordinateurs modernes possèdent une fonction aléatoire, déjà programmée, qui re-
tourne soit un nombre pseudo aléatoire compris entre 0 et 1, soit un entier aléatoire
dans un intervalle fixé (voir, par exemple, la fonction rand () de la librairie C
stdlib).
Remarque 9.1.1 La fonction F peut dans certains cas (en particulier lorsque l'on
cherche à simuler des temps d'arrêt), dépendre de toute la suite (Un)n 21 , et non
plus d'un nombre fixe de Ui. La méthode précédente est encore utilisable si l'on sait
simuler X à l'aide d'un nombre presque sûrement fini de Ui, ce nombre pouvant
dépendre du hasard. C'est le cas, par exemple, de l'algorithme de simulation d'une
variable aléatoire poissonienne (voir page 207).
Alors
(~En) converge en loi vers G,
,
hm lP'
( (J'
;;;:;-cl ~ En ~
(J'
;;;:;-c2
)
=
1C2 e _
;2_
2
dX
rrc..
n-++oo V n V n c1 V 27!'
En pratique, on interprète ce résultat de la façon suivante : on considère que pour
n assez grand, la variable aléatoire En suit une loi gaussienne centrée de variance
0'2 /n.
9.1 Simulation et modèles financiers 205
Bien sûr, comme le support d'une telle variable aléatoire gaussienne est lR en entier, il
est alors impossible de borner l'erreur en utilisant le théorème de la limite centrale.
Cependant, l'observation précédente permet de définir un intervalle de confiance
pour l'erreur. Pour cela, on remarque que, pour G une variable aléatoire gaussienne
centrée réduite IP'(IGI :::; 1.96) = 0.95. Donc, avec une probabilité proche de 0.95,
pour n assez grand, on a :
a2 = _ n (_!_ ~ x2 - x2) .
n n-l nL.,.; • n
i=l
Ainsi, en utilisant très peu de calculs supplémentaires (on doit simplement calculer
an à l'aide de l'échantillon déjà disponible) on est en mesure de donner une estima-
tion de l'erreur que l'on commet lorsque l'on approxime JE(X) par Xn. Le fait de
pouvoir estimer cette erreur à un coût informatique quasi nul est une propriété très
utile et remarquable de la méthode de Monte-Carlo.
206 Chapitre 9 Simulation et algorithmes pour les modèles financiers
{~
31415821
1
108.
Cette méthode permet de simuler des entiers pseudo aléatoires entre 0 et m - 1 ; pour
obtenir un nombre réel aléatoire entre 0 et 1 on divise l'entier aléatoire ainsi généré
par m.
Le générateur précédent fournit des résultats acceptables dans les cas courants.
Cependant sa période (ici m = 108 ) se révèle souvent insuffisante. Il faut, alors,
utiliser des générateurs de nombres aléatoires de période plus longue en augmentant
m.
Le lecteur intéressé trouvera des renseignements sur les générateurs de
nombres aléatoires et la façon de les programmer sur un ordinateur, par
exemple, dans Knuth (1981) et L'Ecuyer (1990) ou sur le site Web :
ht tp: / / random. mat. sbg. ac. at/ links/ consacré à ce sujet.
Remarque 9.1.3 Ce moyen de simulation de la loi exponentielle est une cas par-
ticulier de la méthode de !"'inverse de la fonction de répartition" (voir à ce sujet
l'exercice 57).
est un loi de Poisson de paramètre Àt. N 1 a donc même loi que la variable X que l'on
cherche à simuler. D'autre part, on peut toujours mettre les variables exponentielles
Ti sous la forme - log(Ui) /À, où les (Ui)i;::o:l sont des variables aléatoires suivant la
loi uniforme sur [O, 1] et indépendantes. N 1 s'écrit alors:
N1 = L
n;::.:1
nl{U1U2 ... Un+1'.'0e-À<U1U2 ... Un}'
{ Xo X
{ Sb X
X
= Sn(l + r6.t + o-GnVM),
et à simuler Xt par X[' = S[t/b.t]· L'autre méthode consiste à utiliser la forme
explicite de la solution
(9.2)
Xt =X (fiJ=l
(1 + Uj )) e(µ-a.2 /2)t+aw,' (9.3)
où (Wt)t>o-
est un mouvement brownien standard , (Nt)t>o -
est un processus de
Poisson d'intensité>., et (U1 )r:?_l est une suite de variables aléatoires indépendantes
équidistribuées, à valeurs dans] - 1, +oo[, de loi µ(dx). Les tribus engendrées par
(Wtk::o, (Nt)t20. (U1)121 sont supposées indépendantes.
Pour simuler ce processus aux instants nb.t, notons que !'on a :
JE(X) = lE(Y) + C,
212 Chapitre 9 Simulation et algorithmes pour les modèles financiers
lP' étant une probabilité "risque-neutre". Notons aussi par P le prix d'une option de
vente (ou "put") européenne :
Cette formule permet de ramener le calcul du prix d'une option de vente à celui d'une
option d'achat, puisque
Remarque 9.2.1 Pour le modèle de Black et Scholes, des formules explicites pour la
variance du "payoff" des options d'achat et vente peuvent être obtenues. La variance
de l'option de vente est souvent (mais pas systématiquement) inférieure à celle de
l'option d'achat. Il est ainsi souvent préférable de calculer le prix de l'option de
vente même si l'on cherche à calculer le prix d'une option d'achat.
La méthode de Kemna et Vorst pour les options asiatiques Le prix d'une option
européenne sur moyenne (ou asiatique) de "strike" fixe est donné par l'espérance
9.2 Introduction aux méthodes de réduction de variance 213
OÙ d = IE(Z)-log(K).
y!Var(Z)
Cette méthode est proposée par Kemna et Vorst (1990) et est très efficace pour
des valeurs raisonnables der et a (a :::::J 0.3 par an, r :::::J 0.1 par an et T :::::J 1 an sont
des valeurs typiques pour une application financière). Pour des valeurs de a et r plus
grande, la variable de contrôle est moins efficace, mais elle reste toujours utile.
Les options sur panier Une idée similaire peut être utilisée pour calculer le prix
d'une option sur panier (ou indice). Le modèle le plus simple, dans ce cas, est le
modèle de Black et Scholes multi-dimnensionnel que nous décrivons maintenant.
Soit a une matrice n x d et (Wt, t :=::: 0) un mouvement brownien d-dimensionnel.
Notons (St, t :=::: 0) la solution unique de
dS[
{
dSf
où (a1, ... , an) est un vecteur de valeurs réelles positives tel que E~=l ai = 1.
Supposons que l'on cherche à calculer le prix d'un put européen dont le "payoff"
à l'instant Test donné par
h = (K - Ir)+.
En s'inspirant du paragraphe précédent, on va approximer
a1X1
-Ir -- - - e r1r+"'v-1
L...3-
a13Wri + • • •
+ -adXd
- erdr+"'v-1 ad1·Wri
L..3_ '
m m m
où m = a1x1 + · · · + adxd et ri = r- ~ Ej=l a}j, à l'aide de Y, où Y est la
variable aléatoire log-normale
JE [(K - mY)+] ,
par une formule de type Black et Scholes et d'utiliser la variable aléatoire Z
(K - mY)+ comme variable de contrôle. Il reste alors à échantillonner la variable
aléatoire (K - X)+ - (K - mY)+ (voir le paragraphe 9.4.5 pour plus de détails).
JE(f(X)) = l f(x)p(x)dx.
Supposons maintenant que jj est une autre densité telle que jj(x) > 0 et JJR jj( x )dx =
1. On a, bien sûr
JE (f(G))'
pour une fonction f bornée. Nous allons choisir pour nouvelle densité de simulation,
p(x), la densité de la loi de G = G + m, m étant une constante réelle à choisir de
façon adéquate. On a
Pour être plus précis, supposons que l'on cherche à évaluer une option d'achat eu-
ropéenne dans le modèle de Black et Scholes. On a donc
Supposons, de plus, que À < < K. Dans ce cas, IP'( Àeo-G > K) est très petit et il
est très peu probable que l'option soit exercée. Ce fait peut conduire à une erreur
relative très grande lorsque l'on utilise une méthode de Monte-Carlo classique. Pour
augmenter la probabilité d'exercice, on peut utiliser l'égalité (9.4):
216 Chapitre 9 Simulation et algorithmes pour les modèles financiers
Le cas d'un vecteur gaussien Les méthodes de Monte-Carlo sont vraiment utiles
pour des problèmes faisant intervenir un grand nombre d'actifs sous-jacents. Nous
allons voir comment la méthode précédente peut être étendue au cas multidimen-
sionnel.
On considère le modèle de Black et Scholes multidimensionnel déjà introduit
cr
page 213. Soit une matrice n x d et (Wt, t 2: 0) un mouvement brownien d-
dimensionnel. Notons (St, t 2: 0), le vecteur des prix donné par
S~ = S~exp ( (r - ~ J=l
tcrr1) T + J=l
tcri1w?) ,
et désignons par It la valeur de l'indice It = I:~=l ais;, où a 1, ... , an sont des
nombres réels positifs tels que L~=l ai = 1. Supposons que l'on veuille calculer
le prix d'une option européenne dont le "payoff" à l'instant T vaut h = f (Ir).
Clairement, il existe une fonction cf> telle que
h=ef>(G1, ... ,Gd),
où G =1 w?
riance 1.
//T sont des variables gaussiennes indépendantes centrée et de va-
Le prix de cette option s'écrit donc sous la forme JE (ef>(G)), où G =
(G 1 , ... , Gd) est un vecteur gaussien centré de dimension d de matrice de cova-
riance égale à l'identité.
Comme en dimension 1, il est facile de prouver (par un changement de variable)
que, si m = (m1, ... , md),
où m.G = I:~=l miGi et lml 2 = I:~=l m;. En utilisant l'équation (9.5), la va-
riance V (m) de la variable aléatoire
JmJ2
Xm = ef>(G + m)e-m.G--2-
peut être mise sous la forme :
= E (ct>2(G)e-m.c+1";12)-E(ef>(G))2.
9.2 Introduction aux méthodes de réduction de variance 217
Soit
(9.6)
Par exemple, si l'on cherche à calculer le prix d'un option asiatique à "strike" fixe,
de "payoff" donné par
218 Chapitre 9 Simulation et algorithmes pour les modèles financiers
Cette représentation peut être utilisée dans le cas d'une option très en dehors de la
monnaie (i.e. quand x < < K). Alors À peut être choisi en résolvant l'équation :
I = "JE(f(U)) = fo 1
f(x)dx.
Il convient alors de comparer l'efficacité de ce nouvel estimateur avec celui que l'on
utilise classiquement dans la méthode de Monte-Carlo, à l'issue de 2n tirages :
Pour cela, il suffit de comparer les variances de hn et Ign. On doit noter que l'on
suppose implicitement en faisant cette comparaison que l'essentiel de la difficulté
9.2 Introduction aux méthodes de réduction de variance 219
Il est donc clair que Var(I2n) ::::; Var(Jgn) si et seulement si Cov(f (U1), f (1-U1)) ::::;
O. Il est possible de prouver que si f est une fonction monotone, cela est toujours vrai.
La méthode de Monte-Carlo utilisant les variables antithétiques est donc alors plus
efficace que la méthode classique.
Cette idée peut être généralisée en dimension supérieure à 1, en utilisant la trans-
formation
(U1, ... , Ud) -> (1 - U1, ... , 1 - Ud)·
Plus généralement, si X est une variable aléatoire prenant ses valeurs dans JRd et T
une transformation de JRd telle que la loi de T(X) est identique à celle de X, on peut
construire un estimateur utilisant des variables antithétiques généralisées en utilisant
l'égalité
E(f(X)) = ~E (f(X) + f(T(X))).
Plus précisément, si (X 1, ... , Xn) sont indépendantes, tirées selon la loi de X, on
peut définir le nouvel estimateur en posant :
1
I2n = 2n (f(X1) + f(T(X1)) + · · · + f(Xn) + f(T(Xn)))
et le comparer à :
0 1
I2n = 2n (f(X1) + f(X2)) + · · · + f(X2n-i) + f(X2n)).
Les mêmes calculs que précédemment prouvent que !'estimateur I 2 n améliore l'es-
timateur classique 1gn si et seulement si Cov(f(X), f(T(X))) ::::; O. Nous donnons
maintenant quelques exemples qui peuvent être utiles en finance.
E ( (>.eac - K)+).
220 Chapitre 9 Simulation et algorithmes pour les modèles financiers
On peut utiliser le fait que la loi de (Wt. t :::; T) et celle de (-Wt, t :::; T) sont
identiques pour construire une méthode de variables antithétiques. Plus précisément,
on pose
1
2n ('l/;(Wl, s :::; T) + 'l/J( - w;, s :::; T)
+ .. · + 'l/J(W;', s:::; T) + 'l/J(-W;', s:::; T)),
où W 1 , ... , wn sont des tirages browniens indépendants.
9.2.4 Méthode de valeur moyenne ou de conditionnement
Cette méthode utilise la propriété bien connue que !'espérance conditionnelle
réduit la variance. En effet pour toute variable aléatoire intégrable Z, on a
JE(Z) = JE(JE(Z[Y)),
où Y est une autre variable aléatoire définie sur le même espace de probabilité que
Z. Il est bien connu que JE(Z[Y) peut se récrire sous la forme
JE(Z[Y) =</>(Y),
où </> est une fonction mesurable. Si l'on suppose, de plus, que Z est de carré
intégrable, comme l'espérance conditionnelle est une projection dans l'espace de
Hilbert L 2 , on a:
Un exemple élémentaire. Supposons que l'on cherche à calculer IP' (X :::; Y), où
X et Y sont des variables aléatoires indépendantes. Cette situation peut apparaître
en finance, par exemple, lorsque l'on cherche à calculer la couverture d'une option
d'échange (ou le prix d'une option d'échange digitale). On a, dans ce cas,
9.3 Exercices
Exercice 56 Soit X et Y deux variables aléatoires gaussiennes centrées réduites.
Calculer la loi du couple de variables aléatoires (R, 8) où R = y'X 2 + Y 2 et 8 =
arctg(Y/X)) désigne l'angle polaire. En déduire que si U1 et U2 sont deux variables
aléatoires uniformes sur [ü, 1] et indépendantes, les variables aléatoires
Exercice 57 Soit f une fonction de lR dans JR, telle que f(x) > 0 pour tout x, et
telle que J!";: f(x)dx = 1. On veut simuler une variable aléatoire X de loi f(x)dx.
On pose F(u) = J~00 f(x)dx. Démontrer que si U est une variable aléatoire uni-
forme sur [ü, l], alors la loi de p- 1 (U) est f(x)dx. En déduire une méthode de
simulation de X.
Exercice 58 Soit À et K deux nombres réels positifs tels que À < K. On note Xm
la variable aléatoire :
http://cermics.enpc.fr/-bl/scilab
où (Tn, n 2 1) est une suite de variables aléatoires indépendantes telles que IP(Tn =
u) = pet IP(Tn = d) = 1 - p, où 0 < u < d et p sont des nombres réels avec
O<p<l.
On note S~ la valeur à l'instant n d'un modèle de Cox-Ross-Rubinstein partant
de x à l'instant 0 :
S~ = xT1 ... Tn.
On note, de plus, S~ le prix de l'actif sans risque, que l'on suppose donné par S~ =
(1 +Rr.
Choix des paramètres du modèle Dans ce qui suit, nous allons choisir les pa-
ramètres du modèle de la façon suivante:
- pour le taux d'intérêt sans risque annuel : r = 5%,
- pour la valeur initiale de l'actif risqué : S0 = 40,
- comme "strike" : K = 40 (ou plus généralement n'importe quelle valeur
proche de So),
- pour le nombre de pas de temps : N = 10,
- la date d'échéance: T = 4 mois.
9.4 Expérimentations informatiques 223
* u - (1 + R)
p = u- d .
Pourquoi doit-on calculer le prix d'une option sur S comme une espérance en
considérant que p = p* quelle que soit la valeur de p?
3. Écrire un algorithme itératif calculant le prix d'un "call" de strike K à l'instant
0, comme fonction de N,K,R,u,d,x:
Prix_en_zero (N, K, R, u, d, x).
Par un argument de changement de temps écrire une fonction
Prix ( n, N, K, R, u, d, x) qui calcule le prix à l'instant n, lorsque la
valeur du prix de l'actif risqué à cet instant vaut x.
4. Calculer le ratio de couverture Couverture (n, N, K, R, u, d, x) à l'ins-
tant n quand le prix de !'actif risqué vaut x en utilisant la fonction
Prix(n,N,K,R,u,d,x).
5. Simuler une trajectoire (Sn, 0 :::; n :::; N) et vérifier que la procédure de
couverture réplique parfaitement le "payoff" quelle que soit la valeur de p,
strictement comprise entre 0 et 1.
En déduire que, si
1
u(n,x,m) - R [p*u(n + 1, xu, m + x)
1+
{ + (1-p*)u(n+ 1,xd,m+x)] ,n < N,x,m E IR,
u(N,x,m) (X - ~)+,X, m E JR.
3. Écrire un algorithme récursif qui calcule u(O, x, 0). Quelle est la complexité de
cet algorithme en fonction de N? Peut-on réduire la complexité de ce calcul?
4. Montrer que la quantité d'actif risqué qu'il faut détenir, entre les instants n
et n + 1, pour constituer un portefeuille de réplication exacte est donnée par
Hn+l = h(n + 1, Sn, Sa+···+ Sn-1), OÙ
h( - u(n+l,xu,m+x)-u(n+l,xd,m+x)
n + 1, x, m ) - x(u _ d) .
Simulation du modèle de Black et Scholes L'actif risqué est décrit dans le modèle
de Black et Scholes par la solution de
{ dSt
Sa x,
où
T 1 - e-a(T-s)
(J
s
= -(J-----
a
2. Montrer, en utilisant la proposition 6.1.8, que le prix Ct du "call" à l'instant t
est donné par
P(t,T))
Ct = P(t, B)B ( t, P(t, B) ,
où
B(t,x) = xN(d 1(t,x)) - KN(d2(t,x)),
et N désigne la fonction de répartition de la loi gaussienne centrée réduite,
et wi par
(Wf, t :'.'.'. 0) est encore un mouvement brownien standard (le vérifier) et nous suppo-
serons que chacun des d actifs risqués a un prix Sf donné par un modèle de Black et
Scholes, guidé par le mouvement brownien Wi :
Vérifier que p est une matrice symétrique et positive (positive signifie que
À.pÀ 2': 0, pour tout À E JRd).
2. Dans les exemples, on supposera que la matrice p est donnée par p 0 , où P?j =
0.5 si i -=/=jet P?i = 1.
Vérifier en utilisant Sc il ab que p 0 est une matrice positive.
Déterminer (en utilisant Scilab) une matrice~ telle que ai = a? = 0.3 pour
i = 1, ... , d et p = p0 (ce qui est équivalent à résoudre l'équation ~~* =
(a?P?jaJ)ij).
3. Calculer la matrice de variance-covariance du vecteur (W/, ... , Wtd). Pro-
poser une méthode de simulation pour les vecteurs (Wj., ... , W~) et
(S}, ... , si).
4. On considère le "call" sur un panier It donné par
It = aiSf + · ·· + adSf,
où ai > 0 et L~=l ai = 1 (dans les applications on prendra a 1 = · · · = ad =
l/d).
Calculer, en utilisant une méthode de Monte-Carlo, le prix d'un "call" de
"payoff" donné à l'instant T par
(Ir - K)+,
et donner une estimation de l'erreur pour différentes valeurs de K (K = 0.8I0 ,
K = Io, K = l.2Io, K = l.5Io).
Faire les mêmes calculs pour un "put" de "payoff" (K - Sr)+.
5. Montrer que IE(Ir) = Io exp(rT). Comment peut-on utiliser Ir comme une
variable de contrôle ? Expliquer le rapport de cette méthode avec la relation de
parité "call-put". Tester l'efficacité de cette méthode pour diverses valeurs de
K.
6. En supposant r et a petits, justifier heuristiquement l' approximation de
log(ft/ Io) par:
où Ji = aiSbŒi.
En utilisant une formule de type Black et Scholes, donner un expression expli-
cite pour JE ( ( ezT - K)+) et proposer une variable de contrôle pour le calcul
du prix de 1' option.
Comparer cette nouvelle méthode de calcul avec la méthode de Monte-Carlo
classique pour différentes valeurs de K.
Appendice
X .2
IE(ez ) = eT.
La fonction caractéristique de X est donc donnée par</> x (u) = e-u 2 12 et, pour Y =
m + a X, </>y (u) = eiume-u 2 a 2 12 . Il est utile de savoir que si X est une gaussienne
233
234 Appendice
centrée réduite, on a IP'(IXI > 1, 96 ... ) = 0, 05 et IP'(IXI > 2, 6 ... ) = 0, 01. Pour
les grandes valeurs de t > 0, on a l'estimation intéressante
avec
p 0.231 641 900
bi 0.319 381 530
b2 -0.356 563 782
b3 1.781477937
b4 -1.821255978
b5 1.330 274 429
t 1/(1 +px).
La seconde approximation induit une erreur de !'ordre de 10- 3 , mais ne fait inter-
venir qu'une fraction rationnelle, moins coûteuse en tant de calcul que la fonction
exponentielle. Pour x > 0,
avec
C1 0.196854
C2 0.115194
C3 0.000344
C4 0.019 527.
A.2 Espérance conditionnelle 235
Les coordonnées Xi, ... , Xd d'un vecteur gaussien sont évidemment des gaus-
siennes réelles, mais il ne suffit pas que les coordonnées d'un vecteur aléatoire soient
gaussiennes pour que le vecteur soit gaussien. En revanche, si Xi, X 2 , ... , Xd sont
des gaussiennes réelles indépendantes, alors le vecteur (Xi, ... , Xd) est gaussien.
La matrice de covariance d'un vecteur aléatoire X = (Xi, ... , Xd) est la matrice
f(X) = (î'ij )i~i,j~d· dont les coefficients sont donnés par
On sait que si les variables aléatoires Xi, ... , Xd sont indépendantes, la matrice
r(X) est diagonale, et que la réciproque est fausse en général, mais vraie dans le cas
d'un vecteur gaussien.
Théorème A.1.2 Soit X = (Xi, ... , Xd) un vecteur gaussien à valeurs dans JRd.
Les variables aléatoires Xi, ... , Xd sont indépendantes si et seulement si la matrice
de covariance du vecteur X est diagonale.
Nous renvoyons à Bouleau (1986), Chapitre VI, p. 155, ou Jacod et Protter (2003),
Chapitre 16, pour une démonstration de ce résultat.
est une sous-tribu finie de A. c'est la sous-tribu engendrée par les Bi.
Réciproquement, toute sous-tribu finie B de A est engendrée par une partition
(Bi, ... , Bn) de 0, avec des Bi dans A. Les événements Bi, ... , Bn sont les
éléments non vides de B qui ne contiennent pas d'autre élément de B qu'eux-mêmes
et l'ensemble vide. On les appelle atomes de B. Il y a ainsi une correspondance bi-
univoque entre les sous-tribus finies de A et l'ensemble des partitions finies den par
236 Appendice
des éléments de A. Notons que si B est une sous-tribu finie de A, une application
de n dans lR (muni de sa tribu borélienne) est B-mesurable si et seulement si X est
constante sur chacun des atomes de B.
Considérons maintenant une variable aléatoire X, définie sur (!1, A), à valeurs
dans un espace mesurable (E, ê). La tribu engendrée par X est la plus petite sous-
tribu sur n rendant l'application X mesurable. On la note Œ(X). C'est évidemment
une sous-tribu de A et il est facile de vérifier qu'un événement A E A est dans Œ(X)
si et seulement si A = x- 1 (B) = {X E B} pour un ensemble B E [.On peut
montrer qu'une variable aléatoire Y, définie sur (!l,A), à valeurs dans un espace
mesurable (F, :F) est Œ(X)-mesurable si et seulement si elle est de la forme
Y= f oX,
où f est une fonction mesurable sur (E, ê), à valeurs dans (F, :F). (cf. Jacod et
Protter (2003), Chapitre 23). En d'autres termes, les variables aléatoires Œ(X)-
mesurables sont exactement les fonctions mesurables de X.
Théorème A.2.1 Pour toute variable aléatoire réelle intégrable X, il existe une va-
riable aléatoire intégrable B-mesurable Y telle que
la somme étant limitée aux atomes de probabilité non nulle. Ainsi, sur chaque atome
B;, la valeur de JE(X 1 B) est la valeur moyenne de X sur Bi. Dans le cas de la tribu
triviale (B = {0, !1} ), on a JE(X 1 B) = IE(X).
Le maniement des espérances conditionnelles repose sur les propriétés suivantes.
1. Si X est B-mesurable, JE(X B) 1 = X, p.s.
2. IE(IE(X 1 B)) = JE(X).
3. Pour toute variable aléatoire Z, bornée et B-mesurable,
cp(x) = l <I>(x,y)dlP'y(y)
j cp(x)zdlP'x,z(x, z)
JE(cp(X)Z),
Théorème A.3.1 Soit C un convexe fermé non vide de !Rn ne contenant pas l'ori-
gine. Il existe une forme linéaire Ç sur !Rn et o: > 0 tels que
Démonstration. L'ensemble
C = K - V= {x E !Rn 1 3(y, x) E K x V, x =y - z}
est convexe, fermé (car V est fermé et K est compact) et ne contient pas l'origine.
D'après le Théorème A.3.1, on peut donc trouver une forme linéaire Ç sur !Rn et
a> 0 tels que
\:/x E C, Ç(x) :'.'.:a.
D'où
\:/y E K, \:/z E V, Ç(y) - Ç(z) :'.'.: a. (2)
241
242 Bibliographie
M.J. BRENNAN et E.S. SCHWARTZ : The valuation of the American put option.
Journal of Finance, 32:449-462, 1977.
CERMA : Sur les risques résiduels des stratégies de couverture d'actifs condition-
nels. Comptes Rendus de l'Académie des Sciences, 307:625-630, 1988.
J.C. Cox, J.E. INGERSOLL et S.A. Ross : A theory of the term structure of interest
rates. Econometrica, 53:385-407, 1985.
D. DUFFIE: Security markets, stochastic models. Academic Press, New York, 1988.
M.J. HARRISON et S.R. PLIS KA : Martingales and stochastic integrals in the theory
of continuous trading. Stochastic Processes and Their Applications, 11 :215-260,
1981.
T.S. Ho et S.B. LEE : Term structure movements and pricing interest rate contingent
claims. Journal of Finance, 41: 1011-1029, 1986.
F. JAMSHIDIAN : Libor and swap market models and measures (*). Finance and
Stochastics, 1(4):293-330, 1997.
M.H. KALOS et P.A. WHITLOCK : Monte Carlo methods. John Wiley & Sons, 1986.
1. KARATZAS : On the pricing of American options. Applied Mathematics and
Optimization, 17:37-60, 1988.
A.G.Z KEMNA et A.C.F. VORST : A pricing method for options based on average
asset values. Journal of Banking and Finance, pages 113-129, March 1990.
R.C. MERTON : Theory of rational option pricing. The Bell Journal of Economies
and Management Science, 4:141-183, 1973.
R.C. MERTON : On the pricing of corporate debt : The risk structure of interest rates.
Journal of Finance, 29:449-470, 1974.
246 Bibliographie
R.C. MERTON : Option pricing when underlying stock returns are discontinuous.
Journal of Financial Economies, 3: 125-144, 1976.
R.Y. RUBINSTEIN : Simulation and the Monte Carlo method. Wiley Series in Pro-
babilities and Mathematical Statistics. John Wiley & Sons, New York, 1981.
249
250 Index
Imprimé en France
www.editions-ellipses.fr