Vous êtes sur la page 1sur 65

République Algérienne Démocratique et Populaire

Ministère de l’Enseignement Supérieur et de la Recherche Scientifique

Université A.Mira de Béjaïa


Faculté des Sciences Exactes
Département de Recherche Opérationnelle

Mémoire de fin d’étude


En vue de l’obtention du diplôme de Master en Mathématiques Appliquées
Spécialité
Modélisation Mathématique et Techniques de Décision
Thème

Propagation Analytique de l’Incertitude Épistémique


dans les Options Européennes d’Achat

Réalisé par :
M lle TITOUAH Amel
M. MOUHOUBI Amine

Devant le jury composé de :


Président M. TOUCHE Nassim U.Béjaïa
Rapporteur M. ABBAS Karim U.Béjaïa
Examinateur M. OUAZINE Sofiane U.Béjaïa
Examinatrice M me KENDI-KARA Salima U.Béjaïa

Promotion : 2014-2015
« Dans la vie, rien n’est à craindre, tout est à
comprendre. »
Marie CURIE
Remerciements

Avant de commencer la présentation de ce modeste travail, on profite de l’occasion


pour remercier toutes les personnes qui ont contribué de près ou de loin à la réalisation
de notre projet de fin d’étude.

On tient à remércier le tout puissant de nous avoir donné le courage et la patience


jusqu’a l’achèvement de ce modeste travail.

On tient à exprimer nos vifs remerciements pour notre rapporteur, ABBAS KA-
RIM, d’avoir accepté de nos encadré pour notre projet de fin d’étude, ainsi pour son
soutien, ses remarques pertinentes et son encouragement.

On tient à exprimer notre profonde reconnaissance et toutes nos pensées de gratitude


à M.CHEURFA Fatah et M.OUAZINE Sofiane, qui nous ont accompagnés de prés
durant tout ce travail, pour leurs disponibilités, pour leurs confiances qu’ils ont su nous
accorder et les conseils précieux qu’ils nous ont prodigués tout au long de la réalisation
de ce projet.

On tient à remercier aussi les membres de jury de nous avoir honorés en acceptant
de juger notre modeste travail. Veuillez trouver ici le témoignage de notre respect le plus
profond.

Nos remerciement vont aussi à nos familles, amis et toutes les personnes qui nous ont
soutenus jusqu’au bout, et qui n’ont pas cessé de nous donner des conseils et le courage
pour réaliser ce modeste travail.
Dédicaces

Je dédie ce travail :

A la mémoire de mon grand-père.

A mes très chers parents qui ont toujours été là pour moi, et qui m’ont donné un
magnifique modèle de labeur et de persévérance. J’espère qu’ils trouveront dans ce travail
toute ma reconnaissance et tout mon amour.

A mon chèr frére Amir.

A mes chères sœurs : Hanane, Sonia, Lylia

A toute la famille.

A mes chèrs amis Nacéra, Katia, Massiva, Kahina, Koukou.

A mon binôme Amine et sa famille.

A mes amis de la R.O.

Amel.
Dédicaces

Je dédie ce travail :

A mes parents.

A mes frères et soeurs : Mehdi, Fayçel, Billel, Sonia, Ryma et Kahina.

A mes amis Menad et Katia.

A ma Collègue Amel et sa famille.

A mon prometeur M. Abbas.

A mes enseignants qui m’ont suivi tout au long de ma formation.

A mes amis de la R.O.

A mes amis de JUDO.

Amine.
Table des matières

Table des Matières i

Liste des tableaux iii

Table des figures iv

Introduction générale 1

1 La théorie des options 3


1.1 Quelques notions élémentaires de mathématiques financières . . . . . . . . 3
1.1.1 Marché financier . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.2 Couverture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.3 Produit dérivé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.4 Actif sous-jacent . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Valeurs d’une option et ses déterminants . . . . . . . . . . . . . . . . . . . 5
1.2.1 Définitions et généralités sur les contrats d’options . . . . . . . . . . 5
1.2.2 Valeur d’une option . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.3 Déterminants exogènes de la valeur d’une option . . . . . . . . . . 7
Cours du sous-jacent . . . . . . . . . . . . . . . . . . . . . . . . . . 7
Prix d’exercice d’une option . . . . . . . . . . . . . . . . . . . . . . 8
Taux d’intérêt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
Durée de vie d’une option . . . . . . . . . . . . . . . . . . . . . . . 8
Volatilité de l’action . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3 Prix d’option européenne d’achat . . . . . . . . . . . . . . . . . . . . . . . 9
1.4 Modèle de Black-Scholes-Merton . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4.1 Hypothèses du modèle . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4.2 Formule de Black-Scholes-Merton . . . . . . . . . . . . . . . . . . . 11

i
Table des matières

1.5 Les grecques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11


1.5.1 Delta du Call . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.5.2 Theta du Call . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.5.3 Rho du Call . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.5.4 Gamma du Call . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.5.5 Véga du Call . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

2 Formules de Taylor et technique de simulation 17


2.1 Formule de Taylor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.1.1 Formule de Taylor pour une fonction à une seule variable . . . . . . 18
2.1.2 Formule de Taylor pour une fonction à deux variables . . . . . . . . 19
2.2 Méthode de Monte-Carlo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.2.1 Description de la méthode . . . . . . . . . . . . . . . . . . . . . . . 21
2.3 Simulation de variables aléatoires . . . . . . . . . . . . . . . . . . . . . . . 22
2.3.1 Simulation d’une loi uniforme sur [0, 1] . . . . . . . . . . . . . . . . 23
2.3.2 Simulation d’autres variables aléatoires . . . . . . . . . . . . . . . 24

3 Analyse de l’incertitude èpistémique du modèle de Black- Scholes-


Merton 26
3.1 Nouveau modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.2 Simulation du prix de l’option européenne d’achat . . . . . . . . . . . . . . 28
3.2.1 Règle des trois sigmas . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.2.2 Asymétrie (Skewness) . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.2.3 Value-at-Risk . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.2.4 Les étapes de la simulation . . . . . . . . . . . . . . . . . . . . . . . 31
3.3 Prix de l’option européenne d’achat sous l’incertitude paramètrique . . . . 35
3.3.1 Calcul de la moyenne . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.3.2 Calcul de la variance . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.4 Analyse comparative . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

Conclusion générale 44

Bibliographie vi

Annexe viii

ii
Liste des tableaux

3.1 Les moyennes du prix d’option européenne d’achat en fonction du ρ. . . . . 37


3.2 Les variances des prix d’options européennes d’achat en fonction du ρ. . . . 38
3.3 Les prix d’options d’achat dans le cas ρ = 0. . . . . . . . . . . . . . . . . . 39
3.4 Les prix d’options d’achat dans le cas dépendant. . . . . . . . . . . . . . . 41

iii
Table des figures

1.1 Valeur intrinsèque d’une option d’un Call et Put . . . . . . . . . . . . . . . 6


1.2 Valeur temps. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3 Profit des gains/pertes de l’achat d’un Call. . . . . . . . . . . . . . . . . . 10
1.4 Evolution de Delta par rapport au sous-jacent (S=1,..., 15 ; K=10 ; σ=0.2 ;
T =0.5 ; r=0.05). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.5 Evolution de Theta par rapport au sous-jacent (S=1,..., 15 ; K=10 ; σ=0.2 ;
T =0.5 ; r=0.05). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.6 Evolution de Rho par rapport au sous-jacent (S=1,..., 15 ; K=10 ; σ=0.2 ;
T =0.5 ; r=0.05). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.7 Evolution de Gamma par rapport au sous-jacent (S=1,..., 15 ; K=10 ;
σ=0.2 ; T =0.5 ; r=0.05). . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.8 Evolution de Véga par rapport au sous-jacent (S=1,..., 15 ; K=10 ; σ=0.2 ;
T =0.5 ; r=0.05). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

3.1 Graphe et histogramme du modèle (3.1) avec r̄ = 0.1 et σr = 0.02. . . . . . 27


3.2 Graphe et histogramme du modèle (3.2) avec σ̄ = 0.25 et σσ = 0.07. . . . . 28
3.3 Le bleu foncé est inférieur à un écart-type de la moyenne. Pour la distri-
bution normale, cela représente 68,27 % de l’ensemble ; tandis que le bleu
moyen plus le foncé est inférieur à deux écarts-types de la moyenne, cela
représente 95,45% ; et trois écarts-types (le bleu léger, moyen et foncé) re-
présentent 99,73 %. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.4 Value at Risk à 95% sur 1 jour. . . . . . . . . . . . . . . . . . . . . . . . . 31
3.5 Variation des prix de l’options d’achat simulés avec ρ=0. . . . . . . . . . . 34
3.6 Histogramme des prix de l’options d’achats simulés avec ρ = 0. . . . . . . . 34
3.7 Histogramme des prix d’options simulés avec la moyenne en rouge et le
0.05-quantile en jaune . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

iv
Table des figures

3.8 Histogramme des prix d’options simulés avec la moyenne en rouge et le


0.05-quantile en jaune pour ρ=0.05 . . . . . . . . . . . . . . . . . . . . . . 42
3.9 Prix d’options d’achat par simulation et développement en série de Taylor
en fonction de coefficient de corrélation ρ. . . . . . . . . . . . . . . . . . . 43
3.10 Processus de Wiener. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ix

v
Introduction générale

L’histoire des options se confond, presque avec l’histoire de l’humanité. Depuis la nuit
des temps, en effet, s’échangent des contrats permettant à leurs acquéreurs d’acheter
(option d’achat) ou bien de vendre (option de vente) un actif déterminé, à un prix dit
exercice et à une date future, préalablement fixée, et d’une prime dont le montant est
librement débattu par les co-contractants.
Dans le monde de la finance, une option est un instrument financier qui fait partie
des produits dérivés, qui établit un contrat entre l’acheteur et le vendeur. L’acheteur
de l’option obtient le droit, mais pas l’obligation, d’acheter (Call), ou de vendre (Put)
un actif sous-jacent à un prix fixé à l’avance (prix d’exercice) pendant une période de
temps donnée. Au niveau des marchés, plusieurs types d’option d’achat et de vente sont
disponibles. On trouve des options dites européennes, américaines, exotiques et asiatiques.
Dans notre travail, nous traitons les options européennes d’achat, qui sont des options qui
peuvent être exercées par son propriétaire qu’à sa date de l’échéance.
Durant ces dernières années, plusieurs modèles ont été proposés pour l’évaluation
du prix de l’option européenne d’achat. Particulièrement, en 1973, Fisher Black, Myron
Scholes et Robert Merton [3] ont introduit un modèle de tarification pour les options
européennes connues sous le nom de «modèle de Black-Scholes-Merton» , tout en
se basant sur les travaux d’Itô de la modélisation des processus stochastiques développés
dans les années 1940 et 1950.
Ce mémoire comprend un nouveau modèle basé sur les formules de Black-Scholes-
Merton dans le but de prévoir un prix encore meilleur. En effet, l’inconvénient du modèle
Black-Scholes-Merton est que ses paramètres doivent être prédéfinis. Cependant, le monde
financier a prouvé que rien n’est certain sur le marché boursier. Ainsi, ces paramètres sont
influencés par des facteurs tels que le quotidien de l’inflation ou de nouvelle information.
Par conséquent, ce nouveau modèle présenté dans ce mémoire prend en considération le
facteur de l’incertitude dans la prédiction de certains paramètres, qui sont le taux d’intérêt

1
Introduction générale

sans risque et la volatilité. Cela peut-être justifié par le fait que ces deux derniers ne sont
pas contrôlables. Ils sont appelés paramètres exogènes puisque ils changent au fil du temps.
Cette recherche a un très grand intérêt dans le monde de la finance car il s’agit d’une
tentative pour fournir un meilleur prix d’option européenne d’achat, tout en considérant
l’incertitude paramétrique des deux paramètres que nous avons mentionnés ci-dessus.
Cette nouvelle modélisation rend celle-ci meilleure que la modélisation classique, où le
prix d’une option européenne d’achat est déterminé pour des paramètres fixes (le taux
d’intérêt sans risque et la volatilité).

Ce mémoire est découpé en trois chapitres.


Le chapitre 1 est consacré à la théorie des options. Il comporte cinq sections. En pre-
mière section, on présente quelques notions fondamentales de mathématiques financières à
savoir le produit sous-jacent, produit dérivé et marché financier, etc. La deuxième section,
est consacrée à certaines généralités sur les options et aux principaux déterminants de sa
valeur à savoir le taux d’intérêt sans risque, la volatilité, l’échéance, le prix du sous-jacent
et le prix d’exercice. Les trois dernières sections sont consacrées à l’évaluation des options
européennes d’achat. En effet, dans la troisième section nous allons définir les options
européennes d’achat. Dans la quatrième section, on présentera les hypothèses du modèle
de black-Scholes-Merton, puis formule du modèle de black-Scholes-Merton, qu’est établie
en se basant sur les hypothèses qu’on a présentées précédemment. Dans la dernière sec-
tion, nous allons détérminer les grecques dans le but de comprendre le comportement de
l’option européenne d’achat en fonction de ses différents paramètres.

Le chapitre 2, comporte deux sections. La première est consacrée à la formule de Taylor


avec ses différents restes soit dans le cas d’une fonction à une seule variable réelle, soit
dans le cas d’une fonction à deux variables réelles. La deuxième section est consacrée à
la technique de simulation. Plus précisément, celle de Monte-Carlo. Ces deux approches
nous serviront comme outils d’analyse de l’incertitude épsitémique du nouveau modèle
que nous introduisons dans le chapitre 3.

En fin, dans le dernier chapitre, nous allons présenter le nouveau modèle de Black-
Scholes-Merton. Ce modèle adopte les formules Black-Scholes-Merton mais avec les deux
paramètres à savoir le taux d’intérêt sans risque et la volatilité sont considérés comme des
processus stochastiques. Pour analyser ce nouveau modèle, deux approches seront utilisées
à savoir l’approche simulation et le développement en série de Taylor. Ces deux méthodes
sont programmées sous le logiciel «Matlab».

2
La théorie des options
1
La théorie des options est devenue l’une des pierres angulaires de la finance moderne.
En effet, la notion d’option est apparue à la fin des années 1970, suite aux travaux de
Black, Scholes et Merton [3] pour déterminer le prix d’une option par une nouvelle mé-
thode, dite « portefeuille de couverture ». Cette dernière a révolutionné le monde financier
et le fonctionnement des marchés des options qui a connu un essor considérable grâce à
son introduction. Signe de reconnaissance évidente, leur nouvelle approche, utilisée quo-
tidiennement sur les marchés des options, a valu à Merton et Scholes le prix Nobel de
l’économie en 1997.

1.1 Quelques notions élémentaires de mathématiques


financières
Les mathématiques financières est une branche des mathématiques appliquées. L’ob-
jectif de cette branche est la modélisation, la quantification et la compréhension des phé-
nomènes régissant sur les marchés financiers. Elles sont devenues de nos jours un outil
incontournable dans un monde où l’argent (la monnaie) prend une place prépondérante
dans les affaires. Pour toutes opérations économiques, l’agent économique n’a plus droit

3
Chapitre 1 La theorie des options

à l’erreur. Son raisonnement doit toujours être rationnel afin de lui permettre de prendre
des décisions rentables.

1.1.1 Marché financier


Le marché financier, comme tout marché, est un lieu d’échange entre acheteurs et
vendeurs. De plus, comme dans n’importe quel marché, les prix de vente et d’achat sont
déterminés par le niveau de l’offre et de la demande. Cet échange concerne des produits
ou des instruments financiers [20].

1.1.2 Couverture
La couverture est une pratique qui consiste à se protéger contre un risque non désiré.
C’est un comportement général employé aussi bien par les industriels, qui cherchent à se
prémunir contre les fluctuations des marchés de capitaux, que par les investisseurs sur les
marchés financiers [24].

Le problème de couverture d’une option consiste à trouver une stratégie financière


basée sur les actifs du marché dont la valeur à une certaine date fixée égale au Payoff
(résultat à son échéance) de l’option.

1.1.3 Produit dérivé


Un produit dérivé ou contrat dérivé ou encore "derivative product" est un actif
financier[6] dépendant de la valeur d’autres actifs (actions, obligations, matières premières,
immobilier, etc), mais aussi de variables monétaires, financières ou réelles (taux de change,
taux d’intérêt, indices boursiers, indices climatiques) que l’on appelle le « sous-jacent ».
Ces produits dérivés se répartissent en trois catégories : les swaps, les contrats à terme et
les options.

1.1.4 Actif sous-jacent


C’est un actif ou un indice sur lequel porte une option ou plus largement un pro-
duit dérivé. Ils peuvent être principalement monétaire (devises, TCN), financier (actions,
obligations, indices boursier, etc), ou physique (matière première) [19].

4
Chapitre 1 La theorie des options

1.2 Valeurs d’une option et ses déterminants

1.2.1 Définitions et généralités sur les contrats d’options


Le mot option vient du mot latin « optio » qui signifie droit et non l’obligation. Une
option est donc un contrat qui confère à son détenteur le droit d’acheter ou de vendre
une certaine quantité d’un actif sous-jacent, à un prix prédéterminé, et ce pendant une
période de temps donnée. Un tel contrat représente un droit et non l’obligation pour son
détenteur. En d’autres termes, l’investisseur n’est pas contraint d’acheter ou de vendre
l’actif sous-jacent [14, 10].

Il existe deux types d’options : les options d’achat (Call) et les options de vente (Put).
Un Call est un contrat qui confère à son détenteur le droit d’acheter l’actif sous-jacent
à un prix fixé à l’avance durant une période de temps donnée.
Un Put est un contrat qui confère à son détenteur le droit de vendre l’actif sous-jacent
à un prix fixé à l’avance durant une période de temps donnée.

Les options (Call et Put) peuvent être devisées en deux sous familles, les options dites
à l’européenne et les options dites à l’américaine. La première catégorie peut être exercée
uniquement à une date fixée, l’échéance T. La seconde peut être exercée à tout moment
jusqu’à l’échéance. Les qualificatifs américains et européens n’ont aucun rapport avec
l’emplacement géographique.

Une transaction portant sur une option met face à face un acheteur et un vendeur.
Pour le droit accordé par l’option, l’acheteur paie une somme immédiatement acquise par
le vendeur, que l’option soit exercée ou non. Cette somme constitue le premium ou la
prime.

L’acheteur d’une option d’achat peut exercer son option (en utilisant également l’ex-
pression lever son option), c’est-à-dire acheter le contrat à terme lui servant de support,
mais il n’est jamais obligé de le faire. Il peut choisir d’abandonner son option. Le vendeur
d’une option d’achat doit en revanche obligatoirement livrer au prix fixé l’actif servant de
support à l’option, si l’acheteur l’exige ; il n’a pas le choix. Le raisonnement est identique
pour l’option de vente.

1.2.2 Valeur d’une option


La valeur d’une option (prime) est la somme de deux composantes[12] :

Prime = valeur intrinsèque + valeur temps.

5
Chapitre 1 La theorie des options

• Valeur intrinsèque d’une option :

Dans le cas d’une option d’achat (Call), la valeur intrinsèque est la différence, si elle
est positive, entre le cours sous-jacent et le prix d’exercice :

Valeur intrinsèque d’un Call = max {St − k; 0}.

Dans le cas d’une option de vente (Put), la valeur intrinsèque est la différence, si
elle est positive, entre le prix d’exercice et le cours du sous-jacent :

Valeur intrinsèque d’un Put = max {k − St ; 0}.

Figure 1.1 – Valeur intrinsèque d’une option d’un Call et Put

Exemple 1.2.1. Un Call de prix d’exercice 10 euros portant sur un sous-jacent


coté 15 euros, a une valeur intrinsèque de 5 euros. Au contraire, un Put de mêmes
caractéristiques, a une valeur intrinsèque nulle, car le prix d’exercice est inférieur
au cours du sous-jacent.

• Valeur temps d’une option :

La valeur temps d’une option correspond à la part que représente le temps dans la
prime de l’option avant l’échéance de celle-ci. Mathématiquement, elle est égale à la
différence entre la prime de l’option et la valeur intrinsèque de celle-ci.

Valeur temps = Prime - Valeur intrinsèque.

La valeur temps est souvent positive, car elle représente le prix de l’incertitude, qui
profite à l’investisseur. Plus l’échéance de l’option est lointaine, plus la valeur temps
est susceptible d’être importante. Si l’option est en dehors de la monnaie, la valeur
intrinsèque est nulle ; la valeur temps est alors égale à la prime de l’option.

6
Chapitre 1 La theorie des options

La valeur temps est également appelée la valeur d’espoir. Logiquement, une option
arrivant à l’échéance n’a plus de valeur temps. Son prix est alors composé de la seule
valeur intrinsèque.

Figure 1.2 – Valeur temps.

Exemple 1.2.2. Si on achète une option d’achat sur « Abercrombie » et « Fitch »,


de type européen, de maturité 1 an et avec un prix d’exercice à 30 euros, se négo-
cie actuellement pour 6 euro. Le cours de l’action est, lui, de 35 euros. La valeur
intrinsèque de cette option est de 35 − 30 = 5euros. La valeur temps est égale à
6 − 5 = 1euro.

1.2.3 Déterminants exogènes de la valeur d’une option


La valeur d’une option dépend principalement de cinq déterminants : le cours du sous-
jacent, le prix d’exercice, le taux d’intérêt sans risque, de l’échéance et de la volatilité du
prix de l’action [21].

Cours du sous-jacent

Le cours du sous-jacent agit directement sur la valeur intrinsèque. En cas d’augmen-


tation du cours de l’actif sous-jacent, le Call aura plus de valeur et le Put en perdra.
Inversement, en cas de baisse du cours de l’actif sous-jacent, la valeur du Call diminuera
et celle du Put augmentera.

7
Chapitre 1 La theorie des options

Prix d’exercice d’une option

Un prix d’exercice (ou STRIKE) est le prix auquel le détenteur de l’option peut acheter
ou vendre le sous-jacent. Ce prix est déterminé lors de la négociation initiale de l’option,
il n’est pas modifiable pendant la durée de vie du contrat (jusqu’à l’échéance).

Le prix d’exercice fait varier la dénomination d’une option, elle est dite :

– « À la monnaie » si le prix d’exercice est égal au prix du sous-jacent (ATM) (At the
money) ;
– « Hors de la monnaie » si le prix d’exercice est supérieur au prix du sous-jacent
(OTM) (Out the money) ;
– « Dans la monnaie » si le prix d’exercice est inférieur au prix du sous-jacent(ITM)
(In the money).

Pour une option d’achat, une option avec un prix d’exercice élevé est moins chère
qu’une option à un prix d’exercice faible. Inversement, pour une option de vente, une
option avec un prix d’exercice élevé est plus chère qu’une option à un prix d’exercice
faible.

Taux d’intérêt

Acheter un Call revient à acheter un titre et à le payer plus tard ; ainsi plus le taux
d’intérêt est élevé et plus le Call sera cher. Le raisonnement est inversé pour les Puts :
acheter un put revient à vendre un titre et à encaisser le prix plus tard. Une augmentation
du taux d’intérêt conduit donc à des Puts moins chers.

Du point de vue mathématique, un taux d’intérêt élevé implique une valeur plus faible
du prix d’exercice actualisé. Par contre, la valeur de l’option de vente est d’autant plus
faible que le taux d’intérêt est plus élevé.

Durée de vie d’une option

Par définition, l’échéance d’un contrat est la date à partir de laquelle prend fin la
validité du contrat. Elle joue un rôle dans le calcul de la valeur actuelle d’une option. En
effet, Plus l’échéance d’une option est lointaine, plus l’option sera chère, car plus elle aura
le temps de finir dans la monnaie.

Les options peuvent être classées en fonction de leurs échéances, en option à court
terme qui sont très rarement supérieures à 6 mois, et en option à long terme.

8
Chapitre 1 La theorie des options

Volatilité de l’action

La valeur d’une option dépend aussi de la volatilité du cours de sous-jacent. La vo-


latilité est représentée par l’écart type annualisé des rendements déterminés à partir des
variations relatives des prix de l’actif sous-jacent. On peut la calculer de deux manières
différentes :

– La volatilité historique : est constatée à partir du comportement historique du sous-


jacent ;
– La volatilité implicite : on se sert ici du cours de l’action et de l’option pour déter-
miner par tâtonnement le cours de l’option. Comme il existe plusieurs options sur
la même action, on obtient plusieurs volatilités implicites qui sont composées pour
donner la volatilité implicite.

1.3 Prix d’option européenne d’achat


Dans tout ce qui suit, nous allons utiliser les notations suivantes :

• K Le prix d’exercice ;
• r Le taux d’intérêt ;
• T Le temps qui reste à l’option avant son échéance ;
• σ La volatilité du sous-jacent ;
• S0 la valeur actuelle du prix de sous-jacent.
• P la valeur de la prime.

Le prix théorique d’une option d’achat (Call), qui donne le droit mais pas l’obligation
d’acheter l’actif sous-jacent S à la valeur K à la date T , est caractérisé par son Payoff
(résultat à son échéance) :

(ST − K)+ = max(ST − k; 0). (1.1)

Le résultat d’une option européenne d’achat à son écheance est représenté dans le
graphe (1.3).

9
Chapitre 1 La theorie des options

Figure 1.3 – Profit des gains/pertes de l’achat d’un Call.

1.4 Modèle de Black-Scholes-Merton

1.4.1 Hypothèses du modèle


On présente ici les principales hypothèses sur lesquelles repose le modèle de Black-
Scholes-Merton[10] :

On suppose que le marché :

– Fonctionne continument ;
– Est liquide ;
– Est viable (pas d’opportunité d’arbitrage) ;
– Est parfait (pas de frais de transactions, pas de fiscalité).

On suppose qu’il existe un actif sans risque tel que :

– On peut prêter ou emprunter à un même taux r ;


– Ce taux r est constant.

On suppose que l’action sous-jacent :

– Est divisible ;
– Ne distribue pas de dividendes ;
– Peut être vendue à découvert ;
– Possède un cours qui un mouvement Brownien géométrique :

dSt = µSt dt + σSt dWt , (1.2)

10
Chapitre 1 La theorie des options

où les coefficients constants µ et σ sont appelés respectivement tendance (ou drift) et


volatilité(ou dispersion).

1.4.2 Formule de Black-Scholes-Merton


Sous les hypothèses précédentes, on peut établir la formule de Black-Scholes-Merton
qui permet de calculer la valeur théorique d’une option européenne d’achat à partir des
cinq données S0 , K, σ, r et T [13].
Le prix de l’option d’achat est donné par l’espérance sous la probabilité risque neutre
du Payoff (résultat à son échéance) actualisé :

CT = E(max(ST − K, 0)e−rT ]. (1.3)

Soit la formule de Black-Scholes-Merton :

CT = S0 N (d1 ) − Ke−rT N (d2 ), (1.4)

où N (.) correspond à la fonction de répartition de la loi normale permettant de prendre


en compte l’évolution aléatoire des cours future du sous-jacent.
Z d1
1 z2
N (d1 ) = √ e− 2 dz, (1.5)
−∞ 2π
avec

 
σ2
ln(S0 /K) + r + 2
T
d1 = √ , (1.6)
σ T
et

 
σ2
ln(S0 /K) + r − 2
T √
d2 = √ = d1 − σ T . (1.7)
σ T

1.5 Les grecques


Pour comprendre le comportement des options en fonction des différents paramètres du
modèle, on calcule généralement les sensibilités du prix Black-Scholes-Merton par rapport
à ces paramètres [15, 22].

11
Chapitre 1 La theorie des options

1.5.1 Delta du Call


Le delta mesure la sensibilité du prix de l’option par rapport à la valeur actuelle de
l’actif sous-jacent. C’est-à-dire si le sous-jacent varie de 1 unité monétaire, la prime varie
de « delta » %. Le Delta d’un Call est calculé à partir de la formule de Black-Scholes-
Merton et est égal à :

∂CT
∆= = N (d1 ). (1.8)
∂S0
Le Delta d’une option d’achat varie entre 0 et 1. L’option d’achat dont le sous-jacent
ne verse pas de dividende verra son delta évoluer avec sa valeur ainsi delta tendra vers
0 lorsque l’option sera hors de la monnaie, et tendra vers 1 lorsque l’option sera dans la
monnaie. S = 1,..., 15 ; K = 10 ; σ = 0.2 ; T = 0.5, r = 0.05.

Figure 1.4 – Evolution de Delta par rapport au sous-jacent (S=1,..., 15 ; K=10 ; σ=0.2 ;
T =0.5 ; r=0.05).

1.5.2 Theta du Call


Le theta mesure la sensibilité par rapport au temps. La valeur d’une option diminue
avec le temps, et le résultat est toujours négatif :

12
Chapitre 1 La theorie des options

∂CT S0 n(d1 )σ
Θ= =− √ − rKe−rT N (d2 ) < 0, (1.9)
∂T 2 T

1 −d1
n(d1 ) = √ e 2 . (1.10)

Pour une option d’achat, Theta est proche de 0 lorsque l’option est hors de la monnaie
et large et négatif lorsque l’option est à la monnaie.

Figure 1.5 – Evolution de Theta par rapport au sous-jacent (S=1,..., 15 ; K=10 ; σ=0.2 ;
T =0.5 ; r=0.05).

1.5.3 Rho du Call


Il mesure la sensibilité par rapport au taux d’intérêt :

∂CT
Rho = = KT e−rT N (d2 ). (1.11)
∂r
Un changement dans le taux d’intérêt va entraîner une variation du facteur d’actuali-
sation et ainsi de la valeur de l’option. Cependant, il a un impact relativement faible sur
la valeur de l’option comparée aux autres dérivées partielles.

13
Chapitre 1 La theorie des options

Figure 1.6 – Evolution de Rho par rapport au sous-jacent (S=1,..., 15 ; K=10 ; σ=0.2 ;
T =0.5 ; r=0.05).

1.5.4 Gamma du Call


Le Gamma d’un Call est la dérivée du Delta du Call par rapport au prix du sous-
jacent. C’est donc la dérivée seconde du prix du call par rapport au prix du sous-jacent. Il
a donc la double interprétation de la sensibilité du prix par rapport aux grandes variations
et de la vitesse du changement de delta.

∂ 2 CT ∂N (d1 ) n(d1 )
Γ= 2
= = √ . (1.12)
∂S0 ∂S0 S0 σ T
Le Gamma d’une option est à son maximum lorsque celle-ci est à la monnaie. Lorsque
l’option est hors de la monnaie ou dans la monnaie Gamma tend vers 0.

14
Chapitre 1 La theorie des options

Figure 1.7 – Evolution de Gamma par rapport au sous-jacent (S=1,..., 15 ; K=10 ;


σ=0.2 ; T =0.5 ; r=0.05).

1.5.5 Véga du Call


Il mesure la sensibilité du prix de l’option par rapport aux variations de la volatilité
du sous-jacent :

∂CT √
V= = S0 n(d1 ) T . (1.13)
∂σ
En outre, Véga est une fonction croissante du prix de l’option d’achat puisque qu’une
augmentation de la volatilité implique une hausse de la probabilité d’exercice et produit
l’effet contraire dans le cas d’une option de vente.

15
Chapitre 1 La theorie des options

Figure 1.8 – Evolution de Véga par rapport au sous-jacent (S=1,..., 15 ; K=10 ; σ=0.2 ;
T =0.5 ; r=0.05).

Conclusion
Dans ce premier chapitre, nous avons présenté le modèle paramétrique d’évaluation
des options européenne d’achat. Plus spécifiquement le modèle de Black-Scholes-Merton
se base sur un certain nombre d’hypothèses ainsi qu’à des outils des mathématiques
financières, ainsi à des propriétés des variables d’états qui les déterminent. Ce modèle
sera l’objet de notre analyse dans le chapitre 3 avec quelques modifiquations des hypo-
thèses statiques. dans le chapitre prochain, nous présenterons les approches permettant
d’effectuer cette analyse.

16
Formules de Taylor et technique de
2
simulation

Dans ce deuxième chapitre, nous intéresserons aux développements en séries de Taylor


et leurs restes. Nous considérons le cas d’une fonction réelle à une seule variable réelle
et celui d’une fonction à deux variables réelles. Ensuite, nous présenterons les principes
fondamentaux de la technique de simulation Monte-Carlo. Ces deux approches seront
utilisées ultérieurement au niveau de notre analyse.

2.1 Formule de Taylor


La formule de Taylor, du nom du mathématicien Brook Taylor qui l’établit en 1715 [23],
permet l’approximation d’une fonction suffisamment dérivable au voisinage d’un point par
un polynôme, dont les coefficients dépendent uniquement des dérivées de la fonction en
ce point.

17
Chapitre 2 Formules de Taylor et technique de simulation

2.1.1 Formule de Taylor pour une fonction à une seule variable


Théorème 2.1. [2] (Taylor-Young)
Soient f une fonction définie sur un intervalle ouvert I, n ∈ N∗ et x0 ∈ I. On suppose
que f est (n − 1) fois dérivable sur I et admet une dérivée n-ième en x0 pour tout x ∈ I,
on a :

f 0 (x0 ) f (2) (x0 ) f (n) (x0 )


 
2 n n
f (x) = f (x0 ) + (x − x0 ) + (x − x0 ) + · · · + (x − x0 ) + o (x − x0 ) ,
1! 2! n!
n
f (k) (x0 )
X  
k n
= (x − x0 ) + o (x − x0 ) , (2.1)
k=0
k!
 
n
où Rn (x0 , x) = o (x − x0 ) est le reste de Young relatif au développement en question.
Rn (x0 , x)
Ce reste doit vérifier lim =0
x−→x0 (x − x0 )n
Exemple 2.1.1. Si f (x) = ex . le développement de Taylor de la fonction à lordre n au
voisinage de 0 est de :

x x2 xn
ex = 1 + + + ... + + o(xn ).
1! 2! n!
Théorème 2.2. [2](Taylor-Lagrange)
Soient n un entier naturel et f une fonction numérique n fois continûment dérivable
sur l’intervalle [x0 , x] de R, x0 < x et (n + 1) fois dérivable sur l’intervalle ]x0 , x[. Il existe
alors au moins un point c de l’intervalle ]x0 , x[ tel que :

n
X f (k) (x) f (n+1) (c)
f (x) = (x − x0 )k + (x − x0 )(n+1) , (2.2)
k=0
k! (n + 1)!

f (n+1) (c)
où Rn (x0 , x) = (x − x0 )(n+1) est le reste de Lagrange relatif à ce développement.
(n + 1)!
Remarque 2.1.1. Dans le cas, où x0 = 0 cette formule est appelée formule de Mac-
Laurin.

18
Chapitre 2 Formules de Taylor et technique de simulation

Exemple 2.1.2. Si f (x) = sin(x), pour x0 = 0 et n = 5, nous avons :

x x2 x3 x4 x5
sin(x) = sin(0) + sin(1) (0) + sin(2) (0) + sin(3) (0) + sin(4) (0) + sin(5) (ξ)
1! 2! 3! 4! 5!
x3 x5
= x− + cos(ξ),
6 124
avec ξ est un point entre 0 et x.

Théorème 2.3. [4](Taylor avec reste de Laplace)


Soit f : I → R une fonction de classe C n+1 sur un intervalle ouvert I, Alors, pour
tout (x − x0 ) ∈ R tel que x appartient à I, on a :

n 1
f (k) (x0 ) (x − x0 )n+1
X Z
k
f (x) = (x − x0 ) + (1 − t)n f (n+1) (x0 + t(x − x0 ))dt, (2.3)
k=0
k! n! 0

1
(x − x0 )n+1
Z
où Rn (x0 , x) = (1 − t)n f (n+1) (x0 + t(x − x0 ))dt est le reste de Laplace
n! 0
associé à ce développement.

Remarque 2.1.2. Le reste intégral admet une autre expression, plus précisément, on a
l’égalité :
1 x
(x − x0 )n+1 (x − y)n (n+1)
Z Z
n (n+1)
(1 − t) + f (x0 + t(x − x0 ))dt = f (y)dy. (2.4)
n! 0 x0 n!

qui découle tout simplement d’un changement de variable y 7→ x0 + t(x − x0 ).

Exemple 2.1.3. Si f (x) = ex . Le développement de Taylor de la fonction à l’ordre n au


voisinage de 0 est de :

x
x2 xn (x − t)n t
Z
x x
e =1+ + + ... + + e dt (2.5)
1! 2! n! 0 n!

2.1.2 Formule de Taylor pour une fonction à deux variables


Soit une fonction à deux variables réelles x et y, possèdant au voisinage du point
(x0 , y0 ) des dérivées partielles continues jusqu’à l’ordre (n + 1). Dans ces conditions, dans

19
Chapitre 2 Formules de Taylor et technique de simulation

le voisinage considéré, la focntion f peut se développée sous la forme de Taylor [7] :

∂f ∂f
f (x, y) = f (x0 , y0 ) + (x0 , y0 )(x − x0 ) + (x0 , y0 )(y − y0 )
∂x ∂y
1 ∂ 2f 1 ∂ 2f ∂ 2f
 
2 2
+ (x0 , y0 )(x − x0 ) + (x0 , y0 )(y − y0 ) + 2 (x0 , y0 )(x − x0 )(y − y0 )
2 ∂x2 2 ∂y 2 ∂x∂y
 n
1 ∂ ∂
+ ... + x0 + y0 f (x, y) + Rn (x0 , x, y0 , y), (2.6)
n! ∂x ∂y

où Rn (x0 , x, y0 , y) est le reste du développement de Taylor.

Remarque 2.1.3. Dans notre travail, on a opté pour un reste, qui s’écrit sous la forme
suivante :
n+1 X n+1
X (x − x0 )i (y − y0 )j ∂ (i+j) f
Rn (x0 , x, y0 , y) = (x0 , y0 ). (2.7)
i=0 j=0
i!j! ∂xi ∂y j
i+j≥n+1

Exemple 2.1.4. Le développement de la fonction f (x, y) = −x2 + 2xy + 3y 2 − 6x − 2y


suivant la formule de Taylor au voisinage du point (-2, 1) est donné par la formule suivante :

∂f ∂f
f (x, y) = f (−2, 1) + (−2, 1)(x + 2) + (−2, 1)(y − 1)
∂x ∂y
1 ∂ 2f ∂ 2f ∂ 2f
 
2 2
+ (−2, 1)(x + 2) + 2 (−2, 1)(y − 1) + 2 2 (−2, 1)(x + 2)(y − 1)
2 ∂x2 ∂y ∂y
2 2
= 5 − (x + 2) + 2(x + 2)(y − 1) + 3(y − 1) + R2 (x0 , x, y0 , y),

où R2 (x0 , x, y0 , y) est le reste du développement de Taylor.

2.2 Méthode de Monte-Carlo


La naissance de la méthode Monte-Carlo remonte à 1777 : Comte de Buffon, décrit
une méthode de calcul de π basé sur la réalisation d’expériences répétées. La véritable
dénomination de la méthode date de l’apparition des premiers ordinateurs et de l’uti-
lisation de cette méthode dans le cadre des projets secret américains dans les années
1940-1945, en vue de la conception de la première bombe atomique (article fondateur :
Metropolis-ULam, the Monte- Carlo method, 1949)[18].

Le terme « méthode de Monte-Carlo » désigne toute méthode visant à calculer une


valeur numérique en utilisant des procédés aléatoires, c’est à dire des techniques probabi-
listes. Le nom de ces méthodes fait allusion aux jeux de hasard pratiqués à Monte-Carlo.

20
Chapitre 2 Formules de Taylor et technique de simulation

La méthode de Monte-Carlo est une méthode d’approximation, au sens statistique


du terme. Il n’y a pas de définition précise de ce qu’est une technique de type Monte-
Carlo, mais la description la plus habituelle consiste à dire que les méthodes de ce type
se caractérisent par l’utilisation du hasard pour résoudre des problèmes centrés sur le
calcul d’une valeur numérique. La réponse fournie sera une réponse statistique, de type
«la valeur cherchée I se trouve très probablement (par exemple avec une probabilité au
moins égale à 0.95) dans l’intervalle de confiance ]I1 , I2 [».

La précision est mesurée par la taille I2 − I1 de l’intervalle de confiance. Si


 on utilise

p
n points échantillonnés de manière indépendante, la méthode converge en o 1/ (n) ,
quel que soit la dimension du problème, d’où son intérêt en grande dimension (parfois
pour des fonctions à plusieurs dizaines de variables, la méthode de Monte-Carlo est le
seul outil capable de donner une réponse en un temps raisonnable).

2.2.1 Description de la méthode


Pour utiliser une méthode de Monte-Carlo, on doit tout d’abord mettre sous la forme
d’une espérance la quantité que l’on cherche à calculer. C’est souvent simple (calcul d’in-
tégrale par exemple) mais peut-être plus compliqué (équations aux dérivées partielles par
exemple) [17].

À l’issu de cette étape, il reste à calculer une quantité de la forme E(X), c’est à dire
l’espérance de la variable aléatoire X. Pour calculer E(X), il convient de savoir simuler une
variable aléatoire selon la loi de X. Mathématiquement, cela signifie que l’on suppose que
l’on dispose de la réalisation d’une suite de variables aléatoires indépendantes {Xi , i ≥ 1}
suivants la même loi que X.

Numériquement, on ramène la simulation d’une loi arbitraire à celle d’une suite de


variables aléatoires indépendantes suivant une loi uniforme sur l’intervalle [0, 1] (On trou-
vera dans la section (2.3) d’indications pour simuler certaines lois usuelles). Ce genre de
suite aléatoire est souvent fourni dans les langages de programmation (par exemple rand
avec Matlab). Il ne reste plus alors qu’à approcher E(X) par :

1
E(X) ≈ (X1 + ... + XN ).
N

C’est la loi forte des grands nombres qui permet de justifier la convergence de la
méthode.

21
Chapitre 2 Formules de Taylor et technique de simulation

On
Z désire évaluer l’approximation d’un calcul par Monte-Carlo d’une intégrale de type
I= xf (x)dx = E(X) avec X une variable aléatoire de loi f . Soit Xi les réalisations de
R
X, alors on approche I par
N
¯ 1 X
I= Xi
N i=1
.

Théorème 2.4. [1] (La loi forte des grands nombres) Soit {Xi , i ≥ 1} une suite de
réalisations de la variable aléatoire X. On suppose que E(|X|) < +∞. Alors, pour presque
tout ω(i.e. ∃N ∈ Ω avec p(N ) = 0 et ω ∈
/ N) :

1
E(X) = lim (X1 (ω) + ... + Xn (ω)).
n→+∞ N

Ce théorème impose une limite théorique aux méthodes de Monte-Carlo.

Définition 2.1. [1] (Variance empirique de X)

N  
2 1 X 2 ¯2
σ¯N = Xi − I , (2.8)
N − 1 i=1

avec σ¯N 2 est un estimateur sans biais de σ 2 , c’est à dire que E(σ¯N 2 ) = σN
2
et que la
suite σ¯N 2 converge vers σN
2
presque sûrement quand N → +∞. Cela signifie qu’au cours
d’un calcul Monte-Carlo, on peut simultanément calculer l’approximation de l’espérance
et de sa variance, ce qui permet d’obtenir un intervalle de confiance à 95%.

2.3 Simulation de variables aléatoires


Pour implémenter la méthode de Monte-Carlo sur un ordinateur, on procède de la
façon suivante [16, 9] :

On suppose que l’on sait construire une suite de nombres (Un )n≥i qui réalise une suite
de variables aléatoires uniformes sur l’intervalle [0, 1], indépendantes, et on cherche une
fonction (U1 , ..., Up ) → F (U1 , ..., Up ) telle que la loi de la variable aléatoire F (U1 , ..., Up )
soit la loi cherchée µ(dx).

La suite de variables aléatoires (Xn )n≥i , où Xn = F (U(n−1)p+1 , ..., Unp ) est alors une
suite de variables aléatoires indépendantes suivant la loi voulue µ.

22
Chapitre 2 Formules de Taylor et technique de simulation

La suite (Un )n≥i est réalisée concrètement par des appels successifs à un générateur de
nombres pseudo-aléatoires.

La plupart des langages disponibles sur les ordinateurs modernes possèdent une fonc-
tion aléatoire, déjà programmée, dont la sortie est un nombre pseudo aléatoire compris
entre 0 et 1, soit un entier aléatoire dans un intervalle fixé.

2.3.1 Simulation d’une loi uniforme sur [0, 1]


La méthode la plus simple et la plus couramment utilisée est la méthode des
congruences linéaires.

On génère une suite (xn )n≥0 de nombres entiers compris entre 0 et m − 1 de la façon
suivante :




 x0 =valeur initiale ∈ {0, 1, ..., m − 1};




 xn+1 = axn + b(modulo m),

et a, b, m étant des entiers qu’il faut choisir soigneusement si l’on veut que les caractéris-
tiques statistiques de la suite soient satisfaisantes. Préconise le choix suivant :




 a = 31415821;







 b = 1;






8

 m = 10 .

Cette méthode permet de simuler des entiers pseudos 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 ) peut se révéler parfois insuffisante.

On peut, alors, obtenir des générateurs de nombres aléatoires de période arbitrairement


longue en augmentant m.

23
Chapitre 2 Formules de Taylor et technique de simulation

2.3.2 Simulation d’autres variables aléatoires


• Simulation de variables gaussiennes :

Une méthode classique pour simuler les variables aléatoires gaussiennes repose sur
la constatation que, si (U1 , U2 ) sont deux variables aléatoires uniformes sur [0, 1]
indépendantes :

p p
−2 ln (U1 ) cos (2πU2 ) et −2ln(U1 ) sin (2πU2 ),

est un couple de variables aléatoires indépendantes suivant des lois gaussiennes


centrées et réduites (i.e. de moyenne nulle et de variance 1).

Pour simuler des gaussiennes de moyenne m et de variance σ il suffit de poser


X = m + σg, où g est une variable aléatoire centrée réduite.

• Simulation d’une loi exponentielle :


Rappelons qu’une variable aléatoire X suit une loi exponentielle de paramètre µ si
sa loi vaut :

1{x≥0} µe−µx .

On peut simuler X en constatant que, si U suit une loi uniforme sur [0, 1]. Alors
− log(U )/µ suit une loi exponentielle de paramètre µ.

• Simulation d’une variable aléatoire de Poisson : Une variable aléatoire pois-


sonnienne est une variable à valeurs dans N telle que :

λn
Pr (X = n) = e−λ si n ≥ 0
n!
On peut prouver que si (Ti )i≥1 est une suite de variables aléatoires exponentielles
X
de paramètre λ, alors la loi de Nt = n1{T1 +...+Tn ≤t≤T1 +...+Tn+1 } est une loi de
n≥1
Poisson de paramètre λt. Ainsi, N1 a donc la même loi que la variable X que l’on
cherche à simuler.

Conclusion
Dans ce chapitre, en premier lieu nous avons présenté brièvement la formule de Tay-
lor avec ses différents restes pour l’approximation d’une fonction plusieurs fois dérivable

24
Chapitre 2 Formules de Taylor et technique de simulation

au voisinage d’un point. En deuxième lieu, nous avons pu présenter le principe de la


technique Monte-Carlo. Ces deux approches seront utiles dans l’analyse épistémique du
modèle Black-Scholes-Merton, sous l’incertitude paramètrique, qui sera l’objet du pro-
chain chapitre.

25
Analyse de l’incertitude èpistémique du
3
modèle de Black- Scholes-Merton

Dans ce chapitre, nous considérons l’analyse èpistémique du modèle Black-Scholes-


Merton, où nous étudierons le fait qu’on suppose que les deux paramètres à savoir le
taux d’intérêt et la volatilité intervenants dans la définition du modèle sont des variables
aléatoires, et ce afin de modéliser l’incertitude imposée sur la détermination de ces para-
mètres. Dans ce cas, afin d’évaluer le prix de l’option européenne d’achat selon le modèle
considéré, nous utiliserons les approches introduites dans le chapitre précédent.

3.1 Nouveau modèle


D’après la formule de Black-Scholes-Merton qu’on a présenté précédemment ; voir les
formules {(1.4), (1.6), (1.7)}. En pratique, il s’avère bien que cinq paramètres suffisent
pour déterminer la valeur d’une option, trois d’entre eux sont directement contrôlables, à
savoir le prix du sous-jacent St , le prix d’exercice k, et la durée de vie T . Cependant, les
deux paramètres, le taux d’intérêt r et la volatilité σ, sont des paramètres incontrôlables.

26
Chapitre 3 Analyse de l’incertitude èpistémique du modèle de Black- Scholes-Merton

La prévision de ces deux paramètres est d’une importance cruciale pour la valorisation
des options, puisque ils ne sont pas directement observables sur le marché. C’est pour cette
raison, ces deux paramètres sont considérés comme des paramètres exogènes. Dans notre
analyse, Deux modèles sont introduits pour décrire ces paramètres :

r = r̄ + σr ε1 , ε1 N (0, 1); (3.1)

σ = σ̄ + σσ ε2 , ε2 N (0, 1); (3.2)

où r̄ et σr sont la moyenne et l’écart-type respectivement du taux d’intérêt sans risque r,


σ̄ et σσ sont la moyenne et l’écart-type respectivement de la volatilité σ, ε1 est le bruit
aléatoire infligé à r et ε2 est le bruit aléatoire infligé à σ. Les deux bruits sont appelés
bruits exogènes et suivent la distribution normale centrée et reduite.

0.18 300
Volatilité Volatilité simulé

0.16
250

0.14

200
Nombre d’échantillon

0.12
Volatilité

0.1 150

0.08
100

0.06

50
0.04

0.02 0
0 100 200 300 400 500 600 700 800 900 1000 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18
Nombre d’itération Volatilité

Figure 3.1 – Graphe et histogramme du modèle (3.1) avec r̄ = 0.1 et σr = 0.02.

27
Chapitre 3 Analyse de l’incertitude èpistémique du modèle de Black- Scholes-Merton

0.5 300
Taux d’interêt Taux d’interêt simulé
0.45
250
0.4

0.35
200

Nombre d’échantillon
0.3
Taux d’interêt

0.25 150

0.2
100
0.15

0.1
50
0.05

0 0
0 100 200 300 400 500 600 700 800 900 1000 0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
Nombre d’itération Taux d’interêt

Figure 3.2 – Graphe et histogramme du modèle (3.2) avec σ̄ = 0.25 et σσ = 0.07.

La formules de Black-Scholes-Merton pour l’option d’achat européenne peuvent être


résolue maintenant par rapport aux modèles stochastiques (3.1) et (3.2), ce qui signifie la
résolution par rapport aux bruits exogènes. Plus précisement :

CT (r̄ + σr ε1 , σ̄ + σσ ε2 ) = S0 N (d1 ) − Ke−(r̄+σr ε1 )t N (d2 ), (3.3)

 
(σ̄+σσ ε2 )2
ln(s0 /K) + (r̄ + σr ε1 ) + 2
T
d1 = √ , (3.4)
(σ̄ + σσ ε2 ) T
et

 
(σ̄+σσ ε2 )2
ln(s0 /K) + (r̄ + σr ε1 ) − 2
T √
d2 = √ = d1 − (σ̄ + σσ ε2 ) T . (3.5)
(σ̄ + σσ ε2 ) T

3.2 Simulation du prix de l’option européenne d’achat


Avant d’entamer l’algorithme de simulation du prix de l’option d’achat. Nous devons
d’abord définir quelques outils essentiels dans la simulation et dans finance :

28
Chapitre 3 Analyse de l’incertitude èpistémique du modèle de Black- Scholes-Merton

3.2.1 Règle des trois sigmas


En statistique, la règle 68-95-99.7 (ou règle des trois sigmas ou règle empirique) indique
que pour une distribution normale, presque toutes les valeurs se situent dans un intervalle
centré autour de la moyenne et dont les bornes se situent à 3 écarts-types de part et
d’autre.

Environ 68,27 % des valeurs se situent à un écart-type de la moyenne. De même,


environ 95,45 % des valeurs se situent à 2 écarts-types de la moyenne. La quasi-totalité
(99,73 %) des valeurs se situent à moins de 3 écarts-types de la moyenne.

En notation mathématique, ces faits peuvent être exprimés comme suit, où r ( respec-
tivement σ) est une observations d’une distribution normale d’une variable aléatoire, r̄ (
respectivement σ̄ ) est la moyenne de la distribution, et σr ( respectivement σσ ) est son
écart-type :

Pr(r̄ − σr ≤ r ≤ r̄ + σr ) = Pr(σ̄ − σσ ≤ σ ≤ σ̄ + σσ ) ≈ 0.6827.


Pr(r̄ − 2σr ≤ r ≤ r̄ + 2σr ) = Pr(σ̄ − 2σσ ≤ σ ≤ σ̄ + 2σσ ) ≈ 0.9545.
Pr(r̄ − 3σr ≤ r ≤ r̄ + 3σr ) = Pr(σ̄ − 3σσ ≤ σ ≤ σ̄ + 3σσ ) ≈ 0.9973.

La figure suivante montre le schéma de l’écart-type en fonction de la régle des trois


sigmas et les probabilités mentionées ci-dessus

Figure 3.3 – Le bleu foncé est inférieur à un écart-type de la moyenne. Pour la distribution
normale, cela représente 68,27 % de l’ensemble ; tandis que le bleu moyen plus le foncé est
inférieur à deux écarts-types de la moyenne, cela représente 95,45% ; et trois écarts-types
(le bleu léger, moyen et foncé) représentent 99,73 %.

29
Chapitre 3 Analyse de l’incertitude èpistémique du modèle de Black- Scholes-Merton

3.2.2 Asymétrie (Skewness)


En théorie des probabilités et en statistique, le coefficient d’asymétrie (Skewness en
Anglais) mesure l’écart de la distribution par rapport à la symétrie. Si l’asymétrie est
clairement différente de 0, la distribution est asymétrique, alors que les distributions
normales sont parfaitement symétriques.

Si le coefficient d’asymétrie est négatif, nous avons affaire à une distribution asymé-
trique à gauche ; la distribution est plus étirée à gauche. Si le coefficient d’asymétrie est
positif, nous avons affaire à une distribution asymétrique à droite ; la distribution est
plus étirée à droite. La moyenne est inférieure à la médiane dans une distribution asymé-
trique à gauche ; à l’inverse, la moyenne est supérieure à la médiane dans une distribution
asymétrique à droite.

Définition 3.1. [11] Étant donnée une variable aléatoire réelle X d’ésperance µ et d’écart
type σ. On définit son coefficient d’asymétrie V comme le moment d’ordre 3 de la variable
centrée et réduite :

" 3 #
E[(X − E(X))3 ] X −µ
V= 3 =E . (3.6)
Var(X) 2 σ

3.2.3 Value-at-Risk
La notion de Value-at-Risk (VaR) est apparue pour la première fois dans le secteur
de l’assurance. A la fin des années 1980, la banque Bankers Trust fut l’une des premières
institutions à utiliser cette notion sur les marchés financiers aux Etats-Unis, mais c’est
principalement la banque JP Morgan qui dans les années 90 a popularisée ce concept
notamment grâce à son système RiskMetrics [8]. La Value-at-Risk est ensuite devenue, en
moins d’une dizaine d’années, une mesure de référence du risque sur les marchés financiers.

De façon générale, la Value-at-Risk est définie comme la perte maximale potentielle qui
ne devrait être atteinte qu’avec une probabilité donnée sur un horizonn temporel donné
(un jour, une semaine, ou un mois). La VaR répond à l’affirmation suivante :

« Nous sommes certain, à X % (seuil de confiance), que nous n’allons pas perdre plus de
V euros (VaR) sur les N prochains jours (Horizon temporel). »

Voici par exemple une illustration de la Value at Risk à 95 % sur 1 jour, avec un
portefeuille suivant une distribution normale [5] :

30
Chapitre 3 Analyse de l’incertitude èpistémique du modèle de Black- Scholes-Merton

Figure 3.4 – Value at Risk à 95% sur 1 jour.

On lit ainsi sur le graphique que la VaR (95%, 1 jour) correspond à une perte ap-
proximative de 1,65 million d’euros.
La VaR d’un portefeuille dépend essentiellement de trois paramètres :
– La distribution des résultats des portefeuilles : la plupart du temps, cette dis-
tribution est supposée normale.
– Le niveau de confiance choisi (95% ou 99% en général). C’est la probabilité de
pertes éventuelles du portefeuille ou de l’actif ne dépassant pas la VaR.
– L’horizon temporel choisi. Ce paramètre est très important car plus l’horizon est
long, plus les pertes peuvent être importantes. Pour une distribution normale de

rendements, il suffit de multiplier la Value at Risk à un jour par N pour avoir la
Value at Risk sur N jours.

3.2.4 Les étapes de la simulation

1) Entrées :
• S0 : Prix initial de sous-jacent.
• K : Prix d’exercice.
• T : Date d’échéance.
• r̄ : La moyenne du taux d’intérêt sans risque.
• σ̄ : La moyenne de la Volatilité.

31
Chapitre 3 Analyse de l’incertitude èpistémique du modèle de Black- Scholes-Merton

• σr : Écart type du taux d’intérêt sans risque.


• σσ : Écart type de la volatilité.
• Q : Nombre d’échantillon à simuler.
• ρ : Coefficient de corrélation.
2) La règle des 3-sigmas qui est utilisée de manière à déterminer si les valeurs choisies
pour l’écart du bruit sont réalisables.
3) Procédure de simulation :
3.1) Boucle avec Q itérations :
3.1.1) Génération de deux variables aléatoires normales indépendantes
ε1 , ε2 ; N (0, 1).
3.1.2) Calcul du taux d’intérêt sans risque r et de la volatilité σ avec :
p
r = r̄ + ε1 σr et σ = σ̄ + (ρε1 + 1 − ρ2 ε2 )σσ , tel que pour ρ = 0, on est dans
le cas indépendant.
3.1.3) Calcul de d1 , d2 et CT par les formules (3.4), (3.5) et (3.3) respectivement.
3.2) Convertir le prix d’option d’achat négatif à zéro en raison du fait que le prix
d’exercice est supérieur au prix du sous-jacent.
3.3) Calcul du coefficient d’asymétrie par la formule (3.6).
3.4) Calcul de 0,05 quantiles.
4) Sorties :
• La Moyenne et la variance des prix d’options simulés.
• Coefficient d’asymétrie.
• Quantiles 0.05.

32
Chapitre 3 Analyse de l’incertitude èpistémique du modèle de Black- Scholes-Merton

Algorithme 1: Simulation
début
Entrées : S0 , K, T, r̄, σ̄, σr , σσ , Q, ρ.
Pour i= 1 : Q faire
début
ε1 et ε2 ; N (0, 1).
Calcul de r et σ.
La règle des 3-sigmas.
Calcul de d1 et d2 .
Calcul de CT .
Si CT < 0
début
CT = 0.
fin
fin
Calcul de la moyenne empérique.
Calcul de la variance empérique.
Calcul de l’asymétrie.
Calcul de 0,05 quantiles.
fin

Pour ρ = 0, on est dans le cas indépendant entre la volatilité et le taux d’intérêt


sans risque. L’implémentation de l’algorithme précédent sous l’environnement Matlab
R2013a avec S0 = 20.56, K = 23, T = 0.5, r̄ = 0.1, σ̄ = 0.25, σr = 0.02, σσ = 0.07 et
Q = 10000 dans le cas ρ = 0, nous a permis d’obtenir les résultats représentés dans les
figures suivantes :

33
Chapitre 3 Analyse de l’incertitude èpistémique du modèle de Black- Scholes-Merton

3
Prix d’option simulé

2.5

2
Prix d’optin d’achat

1.5

0.5

0
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
Nombre d’iteration

Figure 3.5 – Variation des prix de l’options d’achat simulés avec ρ=0.

3000
Prix d’option simulé

2500

2000
Nombre d’échantillon

1500

1000

500

0
0 0.5 1 1.5 2 2.5 3
Prix d’option

Figure 3.6 – Histogramme des prix de l’options d’achats simulés avec ρ = 0.

34
Chapitre 3 Analyse de l’incertitude èpistémique du modèle de Black- Scholes-Merton

Le tableau suivant présente les résultats numériques obtenus pour différentes valeurs
de ρ :

ρ -0.9 -0.5 -0.3 0 0.3 0.5 0.9

La moyenne 0.9552 0.9580 0.9593 0.9613 0.9632 0.9645 0.9662

La variance 0.1033 0.1231 0.1345 0.1522 0.1698 0.1813 0.2019

3.3 Prix de l’option européenne d’achat sous l’incerti-


tude paramètrique
Dans cette section, nous utiliserons la formule du développements en séries de Tay-
lor afin d’évaluer le prix d’une option européenne d’achat sous les nouvelles hypothèses
introduites en (3.1) et (3.2). En effet, dans ce sens CT est considérée comme variable
aléatoire, du fait qu’elle est transformée de deux autres variables aléatoires r et σ (voir
(3.1) et (3.2)). Par conséquent, l’évaluation de CT revient à calculer ses moments d’ordres
inférieurs, en particulier sa moyenne et sa variance. Pour ce faire, nous utilisons la for-
mule de Taylor de la fonction CT à deux variables r et σ au voisinage de leurs moyennes
respectivement r̄ et σ̄. De même, l’application de cette méthode nous exige tout d’abord
l’estimation du reste. Ainsi, dans notre analyse, nous avons fixé les paramètres du modèle
connus comme suit r̄ = 0.1, σ̄ = 0.25 ; pour ces valeurs, nous avons obtenu la valeur du
reste de Lagrange égale à 0.002 qui est inférieure à la valeur de la précision que nous avons
fixé à l’avance à 0.0021 ; et ce nous a permis de fixer l’ordre du développement à n = 3.
Spécifiquement, le développement de Taylor à l’ordre 3 au voisinage du point (r̄, σ̄) est
donné par :

∂CT ∂CT
CT (r, σ) = CT (r̄, σ̄) + (r, σ)(σr ε1 ) + (r, σ)(σσ ε2 )
 2 ∂r ∂σ
∂ 2 CT ∂ 2 CT

1 ∂ CT 2 2
+ (r, σ)(σr ε1 ) + 2 (r, σ)(σr ε1 σσ ε2 ) + (r, σ)(σσ ε2 )
2 ∂r2 ∂r∂σ ∂σ 2
1 ∂ 3 CT ∂ 3 CT ∂ 3 CT

3 2 2
+ (r, σ)(σ ε
r 1 ) + 3 (r, σ)(σ ε σ
r 1 σ 2ε ) + 3 (r, σ)(σr ε1 σσ2 ε22 )
6 ∂r3 ∂r2 ∂σ ∂r∂σ 2
∂ 3 CT

3
+ (r, σ)(σσ ε2 ) + R3 (σr , ε1 , σσ , ε2 ).
∂σ 3

35
Chapitre 3 Analyse de l’incertitude èpistémique du modèle de Black- Scholes-Merton

3.3.1 Calcul de la moyenne


L’implémentation de la formule suivante relative au calcul de la moyenne du prix de
l’option d’achat CT = C(r, σ), nous a permis d’obtenir le résultat suivant :

1 ∂ 2 CT

∂CT ∂CT
E(CT ) = CT (r̄, σ̄) + (r, σ)σr E(ε1 ) + (r, σ)σσ E(ε2 ) + (r, σ)σr2 E(ε21 )
∂r ∂σ 2 ∂r2
∂ 2 CT ∂ 2 CT 1 ∂ 3 CT
 
2 2
+ (r, σ)σσ E(ε2 ) + 2 (r, σ)σr σσ E(ε1 ε2 ) + (r, σ)σr3 E(ε31 )
∂σ 2 ∂r∂σ 6 ∂r3
∂ 3 CT ∂ 3 CT ∂ 3 CT

3 3 2 2 2 2
+ (r, σ)σσ E(ε2 ) + 3 2 (r, σ)σr σσ E(ε1 ε2 ) + 3 (r, σ)σr σσ E(ε1 ε2 ) .
∂σ 3 ∂r ∂σ ∂r∂σ 2

Afin de développer le calcul précédent, dans ce travail, nous avons considéré deux cas
pour discuter de la dépendance des deux variables r et σ :

Cas 1 : lorsque les bruits exogènes ε1 et ε2 sont indépendants. Pour ce cas, la formule
ci-dessus se simplifiée sous la forme suivante :

1 ∂ 2 CT 2 2 1 ∂ 2 CT
E(CT ) = CT (r, σ) + (r, σ)σ σ E(ε 2 ) + (r, σ)σr2 E(ε21 )
2 ∂σ 2 2 ∂r2
1 ∂ 2 CT ∂ 2 CT

2 2
= CT (r, σ) + (r, σ)σσ + (r, σ)σr .
2 ∂σ 2 ∂r2

Cas 2 : lorsque les bruits exogènes ε1 et ε2 sont dépendants. Le calcul précédent de


la moyenne de CT deviendra :

1 ∂ 2 CT

E(CT ) = CT (r̄, σ̄) + 2
(r, σ)σσ2 E(ε22 )
2 ∂σ
2
∂ 2 CT

∂ CT 2 2
+ (r, σ)σr E(ε1 ) + 2 (r, σ)εr εσ E(ε1 ε2 )
∂r2 ∂r∂σ
1 ∂ 3 CT ∂ 3 CT
 
2 2 2 2
+ 3 (r, σ)σr σσ E(ε1 ε2 ) + 3 (r, σ)σr σσ E(ε1 ε2 ) .
6 ∂r2 ∂σ ∂r∂σ 2

Dans ce cas, on peut calculer E(ε1 ε2 ), E(ε21 ε2 ) et E(ε21 ε2 ) en utilisant la fonction de


densité de probabilités de (ε1 , ε2 ) :

1 − 1
2(1−ρ2 )
(x2 −2ρxy+y 2 )
f(ε1 ,ε2 ) (x, y) = p e ,
2π 1 − ρ2

où ρ est le coefficient de corrélation entre ε1 et ε2 .

36
Chapitre 3 Analyse de l’incertitude èpistémique du modèle de Black- Scholes-Merton

Lors du calcul de la moyenne sous l’environnement Matlab R2013a avec S0 = 20.56,


K = 23, T = 0.5, r̄ = 0.1, σ̄ = 0.25, σr = 0.02 et σσ = 0.07. Nous avons obtenu les
résultats numériques dressés dans le tableau suivant :

ρ -0.9 -0.5 -0.3 0 0.3 0.5 0.9

La moyenne 0.9532 0.9554 0.9565 0.9581 0.9598 0.9609 0.9631

Table 3.1 – Les moyennes du prix d’option européenne d’achat en fonction du ρ.

La valeur numérique relative à la moyenne de CT pour le cas où ε1 et ε2 sont indépen-


dants est la valeur donnée pour ρ = 0.

3.3.2 Calcul de la variance


De même, pour le calcul de la variance de la variable aléatoire CT , sous les hypothèses
(3.1) et (3.2), nous utiliserons le développement en série de Taylor correspondant à CT à
l’ordre 3 au voisinage de (r̄, σ̄). Cela nous permet d’obtenir le résultat suivant :
#2 #2
1 ∂ 2 CT 1 ∂ 2 CT
2 2 " "
∂CT ∂CT
 
2 2 2 2
Var(CT (r, σ)) = (r̄, σ̄)σr Var(ε1 ) + (r̄, σ̄)σσ Var(ε2 ) + (r̄, σ̄)σr Var(ε1 ) + (r̄, σ̄)σσ Var(ε2 )
∂r ∂σ 2 ∂r 2 2 ∂σ 2
" 2 #2 #2 #2 #2
1 ∂ 3 CT 1 ∂ 3 CT 1 ∂ 3 CT
" " "
∂ CT 3 3 3 3 2 2
+ (r̄, σ̄)σr σσ Var(ε1 ε2 ) + (r̄, σ̄)σr Var(ε1 ) + (r̄, σ̄)σσ V ar(ε2 ) + (r̄, σ̄)σr σσ Var(ε1 ε2 )
∂r∂σ 6 ∂r 3 6 ∂σ 3 2 ∂r 2 ∂σ
#2
1 ∂ 3 CT ∂ 2 CT
"
∂CT ∂CT 1 ∂CT

2 2 3 2
+ (r̄, σ̄)σr σσ Var(ε1 ε2 ) + 2 (r̄, σ̄) (r̄, σ̄)σr σσ Cov(ε1 , ε2 ) + (r̄, σ̄) (r̄, σ̄)σr Cov(ε1 , ε1 )
2 ∂r∂σ 2 ∂r ∂σ 2 ∂r ∂r 2

1 ∂CT ∂ 2 CT 2 2 ∂CT ∂ 2 CT 2 1 ∂CT ∂ 3 CT 4 3


+ (r̄, σ̄) (r̄, σ̄)σr σσ Cov(ε1 , ε2 ) + (r̄, σ̄) (r̄, σ̄)σr σσ Cov(ε1 , ε1 ε2 ) + (r̄, σ̄) (r̄, σ̄)σr Cov(ε1 , ε1 )
2 ∂r ∂σ 2 ∂r ∂r∂σ 6 ∂r ∂r 3
1 ∂CT ∂ 3 CT 3 3 1 ∂CT ∂ 3 CT 3 2 1 ∂CT ∂ 3 CT
+ (r̄, σ̄) (r̄, σ̄)σr σσ Cov(ε1 , ε2 ) + (r̄, σ̄) (r̄, σ̄)σr σσ Cov(ε1 , ε1 ε2 ) + (r̄, σ̄) (r̄, σ̄)
6 ∂r ∂σ 3 2 ∂r ∂r 2 ∂σ 2 ∂r ∂r∂σ 2
2 2
2 2 2 1 ∂CT ∂ CT 2 2 1 ∂CT ∂ CT 3 2
σr σσ Cov(ε1 , ε1 ε2 ) + (r̄, σ̄) (r̄, σ̄)σσ σr Cov(ε2 , ε1 ) + (r̄, σ̄) (r̄, σ̄)σσ Cov(ε2 , ε2 )
2 ∂σ ∂r 2 2 ∂σ ∂σ 2
∂CT ∂ 2 CT 2 1 ∂CT ∂ 3 CT 3 3 1 ∂CT ∂ 3 CT 4 3
+ (r̄, σ̄) (r̄, σ̄)σσ σr Cov(ε2 , ε1 ε2 ) + (r̄, σ̄) (r̄, σ̄)σσ σr Cov(ε2 , ε1 ) + (r̄, σ̄) (r̄, σ̄)σσ Cov(ε2 , ε2 )
∂σ ∂r∂σ 6 ∂σ ∂r 3 6 ∂σ ∂σ 3
1 ∂CT ∂ 3 CT 2 2 2 1 ∂CT ∂ 3 CT 3 2 1 ∂ 2 CT ∂ 2 CT 2 2
+ (r̄, σ̄) (r̄, σ̄)σσ σr Cov(ε2 , ε1 ε2 ) + (r̄, σ̄) (r̄, σ̄)σσ σr Cov(ε2 , ε1 ε2 ) + (r̄, σ̄) (r̄, σ̄)σr σσ
2 ∂σ ∂r 2 ∂σ 2 ∂σ ∂r∂σ 2 4 ∂r 2 ∂σ 2
2 2 1 ∂ 2 CT ∂ 2 CT 3 2 1 ∂ 2 CT ∂ 3 CT 5 2 3 1 ∂ 2 CT
Cov(ε1 , ε2 ) + (r̄, σ̄) (r̄, σ̄)σr σσ Cov(ε1 , ε1 ε2 ) + (r̄, σ̄) (r̄, σ̄)σr Cov(ε1 , ε1 ) + (r̄, σ̄)
2 ∂r 2 ∂r∂σ 12 ∂r 2 ∂r 3 12 ∂r 2
3 2 3 2 3
∂ CT 2 3 2 3 1 ∂ CT ∂ CT 4 2 2 1 ∂ CT ∂ CT 3 2 2 2
(r̄, σ̄)σr σσ Cov(ε1 , ε2 ) + (r̄, σ̄) (r̄, σ̄)σr σσCov(ε1 , ε1 ε2 ) + (r̄, σ̄) (r̄, σ̄)σr σσ Cov(ε1 , ε1 ε2 )
∂σ 3 4 ∂r 2 ∂r 2 ∂σ 4 ∂r 2 ∂r∂σ 2
1 ∂ 2 CT ∂ 2 CT 3 2 1 ∂ 2 CT ∂ 3 CT 2 3 2 3 1 ∂ 2 CT ∂ 3 CT 5
+ (r̄, σ̄) (r̄, σ̄)σσ σr Cov(ε2 , ε1 ε2 ) + (r̄, σ̄) (r̄, σ̄)σσ σr Cov(ε2 , ε1 ) + (r̄, σ̄) (r̄, σ̄)σσ
2 ∂σ 2 ∂r∂σ 12 ∂σ 2 ∂r 3 12 ∂σ 2 ∂σ 3
2 3 1 ∂ 2 CT ∂ 3 CT 3 2 2 2 1 ∂ 2 CT ∂ 3 CT 4 2 2 1 ∂ 2 CT
Cov(ε2 , ε2 ) + (r̄, σ̄) (r̄, σ̄)σσ σr Cov(ε2 , ε1 ε2 ) + (r̄, σ̄) (r̄, σ̄)σσ σr Cov(ε2 , ε1 ε2 ) + (r̄, σ̄)
4 ∂σ 2 ∂r 2 ∂σ 4 ∂σ 2 ∂r∂σ 2 6 ∂r∂σ
∂ 3 CT 4 3 1 ∂ 2 CT ∂ 3 CT 4 3 1 ∂ 2 CT ∂ 3 CT 3 2
(r̄, σ̄)σr σσ Cov(ε1 ε2 , ε1 ) + (r̄, σ̄) (r̄, σ̄)σr σσ Cov(ε1 ε2 , ε2 ) + (r̄, σ̄) (r̄, σ̄)σr σσ
∂r 3 6 ∂r∂σ ∂σ 3 2 ∂r∂σ ∂r 2 ∂σ
2 1 ∂ 2 CT (r̄, σ̄) ∂ 3 CT 2 3 2 1 ∂ 3 CT ∂ 3 CT 3 3 3 3
Cov(ε1 ε2 , ε1 ε2 ) + (r̄, σ̄)σr σσ Cov(ε1 ε2 , ε1 ε2 ) + (r̄, σ̄) (r̄, σ̄)σr σσ Cov(ε1 , ε2 )
2 ∂r∂σ ∂r∂σ 2 36 ∂r 3 ∂σ 3
1 ∂ 3 CT ∂ 3 CT 5 3 2 1 ∂ 3 CT ∂ 3 CT 4 2 3 2 1 ∂ 3 CT ∂ 3 CT
+ (r̄, σ̄) (r̄, σ̄)σr σσ Cov(ε1 , ε1 ε2 ) + (r̄, σ̄) (r̄, σ̄)σr σσ Cov(ε1 , ε1 ε2 ) + (r̄, σ̄) (r̄, σ̄)
12 ∂r 3 ∂r 2 ∂σ 12 ∂r 3 ∂r∂σ 2
∂r 2 ∂σ 12 ∂σ 3
3 3 3 3
1 ∂ C ∂ C 1 ∂ C ∂ C

4 2 3 2 T T 5 3 2 T T 3 3 2 2
σσ σr Cov(ε2 , ε1 ε2 ) + (r̄, σ̄) (r̄, σ̄)σσ σr Cov(ε1 , ε1 ε2 ) + (r̄, σ̄) (r̄, σ̄)σr σσ Cov(ε1 ε2 , ε1 ε2 )
12 ∂σ 3 ∂r∂σ 2 2
4 ∂r ∂σ ∂r∂σ 2

37
Chapitre 3 Analyse de l’incertitude èpistémique du modèle de Black- Scholes-Merton

Une discussion de la dépendance entre les deux variables aléatoires ε1 et ε2 est consi-
dérée :

Cas 1 : Lorsque les bruits exogènes ε1 et ε2 sont dépendants.

Dans ce cas, il suffit juste de calculer les covariances et les variances de la formule
précédente comme suite :

Var(X) = E(X 2 ) − [E(X)]2 ,


Cov(X, Y ) = E(XY ) − E(X)E(Y ).

Pour le calcul des espérances mathématiques introduites dans les deux formules ci-
dessus, il suffit juste d’utiliser la fonction de densité de probabilité fε1 ,ε2 utilisée précé-
demment pour le calcul de la moyenne de CT .

Cas 2 : Lorsque les bruits exogènes ε1 et ε2 sont indépendants, la formule de la variance


s’écrit comme suit :
 2  2
∂CT ∂CT
Var(CT (r, σ)) = (r̄, σ̄)σr + (r̄, σ̄)σσ
∂r ∂σ
2  2 2 
1 ∂ 2 CT

2 ∂ CT 2
+ (r̄, σ̄)σr + (r̄, σ̄)σσ
2 ∂r2 ∂σ 2
" 2  3 2 #
5 ∂ 3 CT ∂ C T
+ (r̄, σ̄)σr3 + (r̄, σ̄)σσ3
12 ∂r3 ∂σ 3
" 2 #
∂CT ∂ 3 CT ∂C T ∂ 3
C T
+ (r̄, σ̄) (r̄, σ̄)σr4 + (r̄, σ̄) (r̄, σ̄)σσ4 .
∂r ∂r3 ∂σ ∂σ 3

Les résultats numériques obtenus pour le calcul de la variance sous l’environnement


Matlab R2013a avec les mêmes valeurs des paramètres utilisées précédement sont don-
nées dans le tableau suivant :

ρ -0.9 -0.5 -0.3 0 0.3 0.5 0.9

La variance 0.1083 0.1301 0.1408 0.1567 0.1724 0.1827 0.2029

Table 3.2 – Les variances des prix d’options européennes d’achat en fonction du ρ.

De même, la valeur de la variance de CT correspondante au cas où r et σ sont indé-


pendantes est celle donnée pour ρ = 0.

38
Chapitre 3 Analyse de l’incertitude èpistémique du modèle de Black- Scholes-Merton

3.4 Analyse comparative


Dans cette section, nous allons comparer les prix estimés par les deux méthodes à
savoir la simulation et le développement en série de Taylor. Ces prix seront comparés les
uns aux autres par rapport au prix réel de l’option d’achat.

Deux tableaux sont présentés ci-dessous. Le premier tableau (3.3) présente les résultats
numérique dans le cas où les bruits exogènes sont indépendants (ρ = 0), alors que le
second (3.4) représente les résultats numériques relatifs au cas où les bruits exogènes sont
dépendents.

Les résultats dressés dans le tableau (3.3) sont obtenus pour les valeurs d’entrées
suivantes :S0 = 20.62, K = 23, T = 0.5, r̄ = 0.1, σ̄ = 0.25, σr = 0.02, σσ = 0.07, Q = 10000
et ρ = 0.

Simulation Black-Scholes- Développement Prix réel 0.05-quantile L’asymétrie


Merton de Taylor

0.9613 0.9505 0.9581 0.9700 0.3176 0.1480

Table 3.3 – Les prix d’options d’achat dans le cas ρ = 0.

À partir des résultats présentés dans le tableau ci-dessus il est évident de dire que les
prix d’options européennes d’achat estimés par la simulation et par le développement en
série de Taylor sont les plus proches du prix réel, et non pas ceux obtenu par la formule
de Balck-Scholes-Merton qui a été considéré jusqu’à nos jours. Et cela est dû au fait que
la volatilité et le taux d’intérêt sans risque ne sont pas des constantes contrairement aux
hypothèses du modèle Black-Scholes-Merton.

On remarque aussi que la valeur obtenue par la simulation est supérieure


à celle obtenue par le développement en séries de Taylor, puisque le coefficient
1 ∂ 2 CT 2

∂ C T
(r, σ)σσ2 + (r, σ)σr2 n’a pas une très grande influence sur la valeur du prix
2 ∂σ 2 ∂r2
d’option dans le calcul de celui-ci par le développement en série de Taylor.

39
Chapitre 3 Analyse de l’incertitude èpistémique du modèle de Black- Scholes-Merton

Le 95% VaR est de 0.3176 et le coefficient d’asymétrie est positif donc la distribution
des prix simulés est asymétrique à droite, ce qui signifie que la plus part des prix simulés
sont supérieurs à la moyenne. Comme on peut le constater sur la figure suivante :

3000
Prix d’option simulé
0.05 quantile
La moyenne
2500

2000
Nombre d’échantillon

1500

1000

500

0
0 0.5 1 1.5 2 2.5 3
Prix d’option d’achat

Figure 3.7 – Histogramme des prix d’options simulés avec la moyenne en rouge et le
0.05-quantile en jaune .

Le tableau (3.4) présente les résultats numériques obtenus dans le cas où les bruits
exogènes sont dépendants. Pour le calcul des prix d’option européenne d’achat, les
mêmes valeurs des paramètres ont été considérés comme dans le tableau (3.3). Cela nous
a permis d’obtenir les résultats des prix avec les différentes approches en fonction du
coefficient de corrélation ρ.

40
Chapitre 3 Analyse de l’incertitude èpistémique du modèle de Black- Scholes-Merton

ρ Simulation Black-Scholes- Développement 0.05-quantile L’asymétrie


Merton de Taylor

-0.9 0.9552 0.9505 0.9532 0.4243 0.0418

-0.3 0.9593 0.9505 0.9565 0.3539 0.1179

0.5 0.9645 0.9505 0.9609 0.2880 0.2132

0.9 0.9662 0.9505 0.9631 0.2481 0.2708

Table 3.4 – Les prix d’options d’achat dans le cas dépendant.

Ici, on constate que les prix d’option européenne d’achat qui sont les plus proches, du
prix réel (0.97) sont de nouveau ceux estimés par la simulation et par le développement en
série de Taylor pour différentes valeurs de ρ. Le prix le plus élevé relativement au calcul
par la formule de Taylor est celui correspondant au cas où les bruits exogènes sont corrélés
positivement. On remarque aussi que les prix obtenus par la formule de Black-Scholes-
Merton sont stables pour différentes valeurs de ρ cela est dû au fait que les deux variables
à savoir le taux d’intérêt et la volatilité sont considérées des constates.

Le 95% VaR décroit en fonction de ρ. En effet, lorsque les bruits exogènes sont corrélés
négativement la VaR atteint son maximum à 0.4243, et atteint son minimum à 0.2481
lorsque les bruits exogènes sont corrélé positivement. Pour le coefficient d’asymétrie, il
est toujours positif pour différentes valeurs de ρ. La figure suivante représente les prix
d’option d’achat simulés dans le cas dépendant.

41
Chapitre 3 Analyse de l’incertitude èpistémique du modèle de Black- Scholes-Merton

3000
Prix d’option simulé
0.05 quantile
La moyenne
2500

2000
Nombre d’échantillon

1500

1000

500

0
0 0.5 1 1.5 2 2.5 3
Prix d’option

Figure 3.8 – Histogramme des prix d’options simulés avec la moyenne en rouge et le
0.05-quantile en jaune pour ρ=0.05 .

La figure (3.9) représente la variation des prix estimés de l’option européenne d’achat
par la simulation (en rouge), et par le développement en série de Taylor (en bleu) en
fonction du coefficient de corrélation (−0.9 ≤ ρ ≤ 0.9).

42
Chapitre 3 Analyse de l’incertitude èpistémique du modèle de Black- Scholes-Merton

0.97
Taylor
0.968 Simulation

0.966

0.964
Prix d’option d’achat

0.962

0.96

0.958

0.956

0.954

0.952
−1 −0.5 0 0.5 1
Coefficient de corrélation

Figure 3.9 – Prix d’options d’achat par simulation et développement en série de Taylor
en fonction de coefficient de corrélation ρ.

À partir de la figure ci-dessus, on constate que le graphe de la simulation et celui du


développement en série de Taylor sont croissants par rapport au coefficient de corrélation
ρ. On remarque que le prix de l’option d’achat est minimal lorsque ρ = −0.9, et est
maximal lorsque ρ = 0.9. À partir de là, on peut dire que la corrélation affecte positivement
sur les prix estimés par les deux approches.
En remarque aussi que le graphe de la simulation est en dessus du graphe du déve-
loppement en série de Taylor. Cela signifie que les prix estimés par le développement en
séries de Taylor sont inférieurs à ceux estimés par la simulation.

Conclusion
Dans ce chapitre, nous avons estimé le prix de l’option européenne d’achat, par deux
méthodes différentes à savoir l’approche simulation et celle du développement en série de
Taylor. Nous avons pu faire une comparaison graphique et numériques des résultats des
prix estimés par les deux méthodes par rapport au prix réel. Nous avons constaté que
l’introduction de l’incertitude au niveau de la détermination des deux paramètres, le taux
d’intérêt sans risque et la volatilité affecte le calcul du prix de l’option européenne.

43
Conclusion générale

L’objectif de ce travail est de proposer un nouveau modèle de Black-Scholes-Merton,


où nous avons pu considérer les deux paramètres à savoir le taux d’intérêt sans risque et
la volatilité comme des variables aléatoires. Cela nous a permis d’estimer les prix d’option
par différentes approches et de les comparer avec celui du prix réel de la même option.

Dans la première partie, nous avons présenté le célèbre modèle de tarification des
options européennes d’achat à savoir le modèle de Black-Scholes-Merton, où nous avons
d’abord mis en évidence certaines hypothèses relatives à ce modèle.

En deuxième partie, nous avons introduit les outils utilisés pour l’analyse épistémique
du nouveau modèle de Black-Scholes-Merton sous l’incertitude paramétrique, à savoir les
formules du développement en séries de Taylor et la technique de simulation Monte-Carlo.

La troisième et dernière partie de ce mémoire est considérée comme l’ossature de


notre travail. En effet, on s’est intéressé à l’analyse épistémique du nouveau modèle de
Black-Scholes-Merton. Nous avons pu utiliser deux méthodes pour l’estimation du prix de
l’option européenne d’achat à savoir la méthode Monte-Carlo et le développement en série
de Taylor. Cela nous a permis de comparer les résultats numériques obtenus, ainsi nous
avons constaté que les résultats obtenus par simulation sont les plus proches des prix réels.
En outre, le même constat est réalisé par rapport à ceux obtenus par le développement
en série de Taylor. Cependant, ceux obtenus par l’application du modèle Black-Scholes-
Merton classique (sans tenir compte des nouvelles hypothèses (3.1) et (3.2)) ne sont pas
relativement proche du prix réel.

À travers de cette recherche, on a pu montrer l’effet de la corrélation sur les prix estimés
des options européennes d’achat par la méthode Monte-Carlo et par le développement en
série de Taylor. En effet, on a conclu que la corrélation affecte positivement sur les prix
estimés, c.à.d. que lorsque les deux variables sont corrélées positivement, on aura un prix
plus proche du prix réel que lorsque les deux variables sont corrélées négativement.

44
Conclusion générale

De nombreuses perspectives de recherche se dégagent de ce travail :

– Analyse de robustesse du même modèle, tout en considérant d’autres lois modélisant


les bruits exogènes (lois log normal, lois uniformes, etc) ;
– Introduction d’un problème d’optimisation robuste sous la même incertitude para-
métrique ;
– analyse épistémique du même modèle par application des autres approches statis-
tiques.

45
Bibliographie

[1] Baranger, C. et Mathiaud, J. Méthode de Monte-Carlo. 2012.


[2] Blac, S. et Sturm, F. Algèbre et Analyse. Cours de Mathématique, Press Polytechnique
Romandes, INSA de Lyon, 2003.
[3] Black, F. et Scholes, M. (1973). The princing of option and corporate liabilities.
Journal of Political Economy, 81 : 36-72.
[4] Bogaert, P. Introduction au Calcul des Probabilités, Boeck et Larcier, Bruxelles, 2006.
[5] Bostangi, H. Fenina, M. et Guillet, B. Value At Risk. Rapport Technique, Université
Nice Sophia Antipolis, 2011.
[6] Chorro, C. Introduction à la théorie des options fiancières.Rapport Technique, Ecole
Supérieure de Commerce de Reims, France, 2008.
[7] Démidovitch, B. Recueil d’Exercices et de Problemes d’Analyse Mathématique, Mir,
Moscow, 10me Edition, 1990.
[8] Dowd, K. et Blake, D. (2006). After VaR : The theory, estimation, and insurance
applications of quantile-based risk measures. Journal of Risk and Insurance, 73 : 193-
299.
[9] Ecuyer, P. (1990). Random Numbers for Simulation. Communication of The ACM.
30.
[10] Gabet, L. Abergel, F. et Toke, I. M. Introduction aux Mathématiques Financières.
Ecole Centrale Paris, France, 2010.
[11] Geffray, S. Introduction à la Théorie des Probabilités et à la Statistique. Rapport
Technique, Université de Nantes, IUT Carquefou, 2008.
[12] Giordan, P. Options et volatilité. Rapport Technique, Paris Dauphine, 2013.
[13] Idie, J. Jardet, C. LeFol, G. Monfort, A. et Pegoraro, F. (2008). Taking into account
extreme events in european option pricing. Financial Stability Review, 12 : 39-51.

vi
Bibliographie

[14] Jerbi, Y. Evaluation des options et gestion des risques financiers par les réseaux
de neurones et par les modèles à volatilité stochastique. Rapport Technique. Paris1-
Panthéon-Sorbonne, France, 2006.
[15] Kadiata, K. Méthodes Monte-Carlo pour l’Évaluation des Paramètres de Sensibi-
lité des Valeurs d’Options sur Plusieurs Actifs sous-jacents. Rapport Technique, HEC
Montréal, 2006.
[16] Knuth, D. E. The Art of Computer Programming : Seminumerical Algorithms,
Addison-Wesley, Volume 2, pp688, 1981.
[17] Lapeyre, B. Pardoux, E. et Sentis, R. Méthodes de Monte-Carlo pour les Equations
de Transports et de Diffusion, Springer, Paris, 1998.
[18] Metropolis, N. et Ulam, S, M. (1949). The Monte Carlo methode. Journal of Ame-
rican Statistical Association, 44 : 335-341.
[19] Mishkin, F. Monnaie, Banque et Marchés Financiers, Pearson France, Montreuil, 10e
edition. 2007.
[20] Priolon, J. Les marchés financiers. Rapport Technique. AgroParisTech, Paris, 2012.
[21] Simon, Y. et Lautier, D. Marchés Dérivés de Matières Premières et Gestion du Risque
de Prix, Economica, 2me Edition, 2001.
[22] Tankov, P. Mathématiques Financières.Rapport Technique, ISIFAR, Paris7, 2013.
[23] Taylor, B. Methodus Incrementorum Directa and Inversa, auctore Brook Taylor,
LL.D. and regiae Societatis secretario, Londoni, 1715.
[24] Warlop, R. Modèle de Black-Scholes. Rapport Technique. Ecole Normale Supérieure
de Cachan, Cachan, 2011.

vii
Annexe

Mouvement Brownien (processus de Wiener)


Un processus stochastique de la forme µt + Xt, t ≥ 0 est un mouvement Brownien
(ou processus de Wiener) de volatilité σ avec dérive, où µ est une constante si seulement si :

• X(0) = 0.
• pour tout t ≥ 0, x(t) est normalement distribué avec moyenne µt et variance σ 2 t.
• {Xt, t ≥ 0} est un processus à accroissement indépendants. C’est-à-dire pour les
instants (t1 ≤ t2 ≤ t3 ≤ t4 ≤ ...), les accroissements (Xt2 − Xt1 ), (Xt3 − Xt2 ),
...(Xtn − Xtn−1 ) sont des variables aléatoires indépendantes.
• {Xt , t ≥ 0} est un processus à accroissement stationnaire. C’est-à-dire pour s < t,
l’accroissement Xt − Xs ne dépend que de la valeur t − s. Ainsi Xt − Xs suit une
loi normale de moyenne µ(t − s) et de variance σ 2 (t − s).

Le premier temps de passage d’un processus de Wiener à un niveau donné est étroitement
lié à une distribution gaussienne inverse. Une variable aléatoire Y , de paramètres de forme
α > 0 et l’échelle β > 0 a une fonction de densité :
α 3 (βy−α)2
f (y) = √ Y − 2 e− 2βy , y > 0. (3.7)
2βπ
Et une fonction de répartition
   
−α + βy 2α −α − βy
F (y) = φ √ +e φ √ , y > 0. (3.8)
βy βy
Soit {Xt , t ≥ 0} un processus de Wiener avec X(0) = 0, paramètres de dérive µ et de
diffusion σ. Pour a > 0, soit Ta le premier temps de passage, c’est à dire le premier temps
où le processus atteint le niveau a :

viii
Annexe

Ta = inf{t > 0 : X(t) = a} (3.9)

La fonction de densité de Ta est :

a 3 (µt−a)
2
ga(t) = √ y − 2 e 2σ2 t , t>0 (3.10)
2σπ
Et la fonction de répartition de Ta est :
   
−a + µt 2 µa −a − µt
F (y) = φ ( √ + e σ2 φ √ , y ≥ 0. (3.11)
σ y σ t
Citons encore quelques propriétés de Wiener :
• La dérivée de x(t) n’existe pour aucun t ;
• Trajectoire continueZ;
h
• Variation absolue : | dX(t) |= ∞ ;
Z h 0

• | dX(t) |2 = σ 2 h.
0

Voici un exemple graphique d’un processus de Wiener :

Figure 3.10 – Processus de Wiener.

Un mouvement Brownien {Xt , t > 0} avec µ = 0 et σ = 1 est appelé mouvement


Brownien standard. Dans ce cas Xt a une moyenne 0 et une variance t.
N’importe quel mouvement Brownien {Xt , t > 0} de dérive µ et de variance σ 2 , on
peut alors s’écrire Xt = µt + σZt , où {Zt , t > 0} est un mouvement brownien standard.

ix
Annexe

Mouvement Brownien géométrique


Un mouvement brownien géométrique est un processus stochastique de la forme
1 2 )t
{Yt = Y0 eσXt +(µ− 2 σ | t ≥ 0}. Où {Xt , t ≥ 0} est un mouvement brownien avec une
dérive µ > 0 et une variance constante égale à σ 2 .
La particularité de {Yt , t ≥ 0} est d’être un processus stochastique à valeur positive. Ce
processus est aussi appelé processus " Log-normale ". En effet, dans ce cas :

 
1 2
ln(Yt ) = µ − σ t + σXt + ln(Y0 ). (3.12)
2
Et la variable qui est à droite suit la loi normale.
Ce processus est appelé modèle de Black-Scholes, il est utilisé pour modéliser le prix
d’un actif financier. Le rendement de l’actif entre deux dates est mesuré par la différence
des logarithmes des cours et est donné par la variable gaussienne :

1
ln(Yt ) − ln(Ys ) = (µ − σ 2 )(t − s) + σ(Xt − Xs ), s < t. (3.13)
2
Le mouvement Brownien géométrique peut s’écrire en fonction du mouvement Brownien
standard {Zt , t ≥ 0}, on aura alors la forme suivante

dYt
= µdt + σZt . (3.14)
Yt

Processus d’Itô
On appelle processus d’Itô, un processus {X = (Xt )0≤t≤T } à valeurs dans R tel que :

dXt = Kt dt + Ht dBt , (3.15)

avec
• K = (Kt )0≤t≤T et H = (Ht )0≤t≤T sont des processus adaptés à la filtration (Ft ) =
(σ(X
 Z1 ,T..., Xt )) ; 
• P | K s | ds < ∞ = 1 ;
0
Z T 
2
• P | Hs | ds < ∞ = 1.
0

x
Annexe

Soit X un processus d’Itô, c’est-à-dire tel que dXt = Kt dt + Ht dBt et f ∈ C 2 (R × R+ ; R).


Alors ∀0 ≤ t ≤ T :

1 ∂ 2f
 
∂f ∂f 2 ∂f
df (t, Xt ) = (t, Xt )Kt + (t, Xt ) + 2
(t, Xt )Ht + (t, Xt )Ht dBt . (3.16)
∂X ∂t 2 ∂X ∂X

Solution de l’équation de Black-Scholes-Merton


L’équation de modèle de Black-Scholes s’écrit comme suit :

dSt = St (rdt + σdWt ). (3.17)

En utilisant la formule (3.16) pour l’équation précédente, on obtient :

∂f ∂f σ 2 St2 ∂ 2 f ∂f
df (t, St ) = rSt (t, St ) + (t, St ) + 2
(t, St ) + (t, St )σdWt . (3.18)
∂St ∂t 2 ∂St ∂St
On pose

f (t, St ) = ln(St )

Alors
∂f ∂f 1 ∂ 2f 1
(t, St ) = 0 , (t, St ) = et 2
(t, St ) = − 2 .
∂t ∂St St ∂St St

D’où

σ2
dln(St ) = (r − )dt + σdWt . (3.19)
2

En intégrant l’équation (3.19) sur [0, T ], on obtien :

σ2
 
ln(ST ) = ln(S0 ) + (r − )T + σWT . (3.20)
2

xi
Annexe

D’où, la solution de l’équation (3.19) :

 
2
(r− σ2 )T +σWT
ST = S0 e . (3.21)

Maintenant il reste à formuler le prix d’une option européenne d’achat du Modèle de


Black-Scholes-Merton, En utilisant le principe de risque neutre.
Sous la mesure de probabilité risque neutre Q, la valeur d’une option européenne
d’achat est une martingale :

C = e−rT EQ [Payoff ] tel que Payoff =max(ST − K; 0).

En introduisant la fonction indicatrice 1{ST ≥K} , nous obtenons une égalité équivalente
à la précédente :

 
−rT
CT = e EQ (ST − K)1{ST ≥K} . (3.22)

Ré-écrivont maintenant cette nouvelle égalité jusqu’à obtenir une expression aisément
exploitable. Cette partie de la démonstration ne fera appelle qu’à de simples propriétés
de l’espérance et manipulations algèbriques.

En distribuant la fonction indicatrice :

 
−rT
CT = e EQ ST 1{ST ≥K} − K1{ST ≥K} . (3.23)

Par linéarité de l’opérateur d’espérance et en distribuant le facteur d’actualisation :

   
−rT −rT
CT = e EQ ST 1{ST ≥K} − e EQ K1{ST ≥K} . (3.24)

Le prix d’exercice étant une constante :

xii
Annexe

   
−rT −rT
CT = e EQ ST 1{ST ≥K} − Ke EQ 1{ST ≥K} . (3.25)
   
Enfin, en remarquant que EQ 1{ST ≥K} = Q ST ≥ K , nous pouvons écrire :

   
−rT −rT
CT = e EQ ST 1{ST ≥K} − Ke Q ST ≥ K . (3.26)

Nous obtenons finalement une égalité dont le membre de droite est composé de deux
termes :

   
−rT −rT
e EQ ST 1{ST ≥K} etKe Q ST ≥ K . (3.27)

de la formule (3.21).L’évènement {ST ≥ K} peut également s’écrire :

σ2
  
S0 exp r − T + σWT ≥ K. (3.28)
2
Ré-écrivons ainsi :

σ2
     
1 K
WT ≥ ln − r− T . (3.29)
σ S0 2
Or, {WT } suivant une loi normale centrée de variance T l’évènement {ST ≥ K} est
équivalent à :
σ2
     
1 K
U≥ √ ln − r− T . (3.30)
σ T S0 2
De cette manière :
σ2
      
1 K
Q[ST ≥ K] = Q U ≥ √ ln − r− T . (3.31)
σ T S0 2
Par calcul probabiliste fromel, on a :

σ2
      
1 K
Q[ST ≥ K] = 1−Q U ≤ √ ln − r− T ; (3.32)
σ T S0 2
σ2
      
1 K
Q[ST ≥ K] = 1−N √ ln − r− T ; (3.33)
σ T S0 2
σ2
      
1 K
Q[ST ≥ K] = N − √ ln − r− T ; (3.34)
σ T S0 2
σ2
      
1 S0
Q[ST ≥ K] = N √ ln + r− T ; (3.35)
σ T K 2
Q[ST ≥ K] = N (d2 ). (3.36)

xiii
Annexe

Nous obtenons, donc :

Ke−rT Q[ST ≥ K] = Ke−rT N (d2 ), (3.37)

avec
σ2
    
1 S0
Φ(d2 ) = √ ln + r− . (3.38)
σ T K 2
D’autre part :
Z
EQ [ST 1{ST ≥K} ] = ST N (U )dU (3.39)
ST ≥K

Ce qui, en vertu de ce qui a été établi pour l’évènement {ST ≥ K} , permet d’écrire :
Z ∞
σ2 √ U2
    
1
EQ [ST 1{ST ≥K} ] = S0 exp r − T + σ T U √ exp − dU (3.40)
−d2 2 2π 2
Z ∞ √ U 2 σ2
 
−rT 1
EQ [ST 1{ST ≥K} ] = S0 e √ exp σ T U − − T dU. (3.41)
−d2 2π 2 2
Posons à présent le changement de variable suivant :

V = U − σ T etdV = dU (3.42)

Par calcul intégral, là encore formel et rudimentaire, nous obtenons :


Z ∞
V2
 
−rT 1
EQ [ST 1{ST ≥K} ] = S0 e √
√ exp − dV ; (3.43)
−d2 −σ T 2π 2

  
rT
EQ [ST 1{ST ≥K} ] = S0 e 1 − N − d2 − σ T ; (3.44)

  
rT
EQ [ST 1{ST ≥K} ] = S0 e N − d2 − σ T . (3.45)

Finalement, nous avons prouvé que le prix d’une option européenne d’achat dans un
modèle de Black-Scholes-Merton est obtenu par la formule analytique suivante :

CT = S0 N (d1 ) − e−rT KN (d2 ), (3.46)

avec
   
S0 σ2
ln K
+ r+ 2
T
d1 = √ ; (3.47)
σ T
et

d2 = d1 − σ T . (3.48)

xiv
Résumé
Ce mémoire est consacré principalement à l’analyse du célèbre modèle
d’évaluation des options européennes d’achat, à savoir le modèle de Black-
Scholes-Merton. Spécifiquement, cette analyse renseigne sur la manière de
propager l’incertitude épistémique de certains paramètres, impliqués dans la
définition du modèle de Black-Scholes-Merton à savoir le taux d’intérêt sans
risque et la volatilité, à l’aide de la méthode analytique basée sur le développe-
ment en série de Taylor. Une discussion sur la corrélation entre les paramètres
a été également abordée. En outre, une validation des résultats obtenus a été
considérée en comparant ces résultats avec ceux obtenus par la simulation
Monte-Carlo.

Mots-clés : Options européennes d’achat, Black-Scholes-Merton, Taux d’in-


térêt sans risque, Voaltilité, Développement en dérie de Taylor, Simulation
Monte-Carlo.

Abstract
This thesis is devoted mainly to the analysis of the famous assessment
of European call options model, namely the model of Black-Scholes-Merton.
Specifically, this analysis inform us on the maner how to propagate the episte-
mic uncertainty of certain parameters involved in the definition of the Black-
Scholes-Merton model, which are the interest rate without risk and the vola-
tility ; using the analytical method based on the Taylor series expansion. The
correlation between parameters was also discussed. In addition, the obtained
numerical results were compared to those obtained by Monte Carlo simulation.

Keywords : European option of call, Black-Scholes-Merton,volatility, Risk-


free interest rate, Taylor series expansion,Monte Carlo simulation.