Vous êtes sur la page 1sur 445




 
   

  


Année académique 2007- 2008
Prédire est un art difficile…
surtout s’il concerne le futur…

Niels BOHR
( 1885- 1962)

INSEA Devolder 2
   
• PARTIE 1 : LES ACTIFS DERIVES
• PARTIE 2 : MODELES STOCHASTIQUES
DISCRETS
• PARTIE 3: CALCUL STOCHASTIQUE
• PARTIE 4: MODELES STOCHASTIQUES
EN TEMPS CONTINU

INSEA Devolder 3
    !"# $$
• 1.1 Introduction
• 1.2 Les options classiques
• 1.3 Les options exotiques
• 1.4 Un premier exemple de pricing par
arbitrage

INSEA Devolder 4
  %  &
#"'! #()  "&#
• 2.1 Modèle discret général
• 2.2 Modèle binomial de COX-ROSS-
RUBINSTEIN
• 2.3 Théorème général de tarification
neutre risque
• 2.4 Modèle de courbe de taux HO et LEE

INSEA Devolder 5
  *  !")
#"'! #()
• 3.1 Motivation
• 3.2 Processus stochastiques en temps continu
• 3.3 Le mouvement brownien
• 3.4 Intégration stochastique – Lemme de ITO
• 3.5 Equations différentielles stochastiques
• 3.6 Dérivée de RADON-NIKODYM et théorème
de GIRSANOV
• 3.7. Représentation de FEYNMAN- KAC
• 3.8. Calcul stochastique multi dimensionnel
INSEA Devolder 6
  +  & ,
#-. ",#,)
• 4.1 Modèle brownien additif et géométrique
• 4.2 Modèle de BLACK SCHOLES
• 4.3 Modèles de courbe de taux de VASICEK et
HULL & WHITE
• 4.4 Mesure forward neutre et tarification
d’options sur zéro coupons
• 4.5. Options sous taux d’intérêt stochastiques

INSEA Devolder 7


BINGHAM N.H. / KIESEL R. :


Risk neutral valuation
( Springer)

MUSIELA M./ RUTKOWSKI :


Martingale methods in
financial modelling ( Springer)
INSEA Devolder 8
 %

HULL J.C. :
Options, Futures and other
derivatives ( Prentice-Hall)

SHREVE S.:
Stochastic calculus for
finance (vol. 1 and 2) ( Springer)
INSEA Devolder 9
PARTIE 1

 !"# $$
 ,#)"#,
FINANCE = Allocation de ressources rares au cours du temps

2 caractéristiques :

1° le temps

2° l’incertitude

PRODUIT FINANCIER = Ensemble de cash flows futurs


définis selon une règle établie à priori

INSEA Devolder 11
Introduction
2 problèmes fondamentaux de la finance de marché :

- le pricing ( tarification) : quel est la valeur initiale


d’un produit financier tenant compte à la fois de la
répartition temporelle et de l’incertitude ?

-le hedging ( couverture) : comment l’intermédiaire


financier qui émet le produit peut-il se couvrir
face aux risques?

INSEA Devolder 12
Produits financiers
- Les obligations

- Les actions

- Les produits dérivés:


- contrats à terme
- options classiques
- options exotiques

… incertitude et risques croissants … !!!

INSEA Devolder 13
Les obligations

OBLIGATION : titre financier représentatif d’un droit de


créance et donnant droit à la réception de différents flux
financiers fixés à des dates d’échéances futures fixées
- coupons: versements intermédiaires
- remboursement au terme

OBLIGATION ZERO COUPON :obligation à coupons nuls


OBLIGATION A TAUX FIXE : coupons déterministes
OBLIGATION A TAUX VARIABLE : coupons liés à un
indice de nature aléatoire
INSEA Devolder 14
Les obligations

Quelques propriétes des obligations :


1° titre mortel ;
2° toute obligation à taux fixe peut se décomposer
en une somme de zéro coupons ;
3° risques d’une obligation à taux fixe
( flux déterministes):
- risque de réinvestissement des coupons
- risque de réalisation

INSEA Devolder 15
Les obligations
Structure des prix des zéro coupons :

-espace des temps discret : T = {0,1,2,…N}


- structure des prix des zero coupons:
P(s,t) = prix à l’instant s d’un zéro coupon
échéant à l’instant t ( s<t ; s et t à valeur dans T )
-gamme des taux au comptant ( taux zéro coupons) :

1
P( s, t ) =
(1+ R(s, t ))t −s

INSEA Devolder 16
Les obligations
Gamme des taux à terme ( forward rate) :

1
P (s, t ) =
(1 + r(s,1))(1 + r(s,2)...(1 + r(s, t − s)

Incertitude :
P(s,t) est observable à l’instant s
P(s,t) n’est pas observable à l’instant r < s
Incertitude quant à l’évolution future des taux d’intérêt

INSEA Devolder 17
Les actions
ACTION : titre financier représentatif d’un droit de
propriété d’une part d’une entreprise donnant droit à des
revenus réguliers liés aux résultats de l’entreprise appelés
dividendes.
REVENU GLOBAL ESPERE : dividendes et plus value
( écart entre prix de vente et prix d’achat)
COURS DE L’ACTION : actions généralement échangées
sur des marchés ( titres négociables)

INSEA Devolder 18
Les actions

Caractéristique temporelle:
ACTION = Titre sans maturité

Caractéristique de risque :
ACTION = Titre aléatoire par excellence; pas de
condition aux limites comme les obligations

Domaine par excellence des modélisations


stochastiques

INSEA Devolder 19
%  .#, "! ()
Actif dérivé :actif conditionnel construit sur un autre
actif préexistant appelé sous jacent et dont les cas flows sont
conditionnels à ce sous jacent.

Les actifs dérivés sont des sortes de paris sur d’autres


actifs ; ils n’ont donc de sens qu’en univers aléatoire.

Sous jacent : valeur quelconque dont l’évolution


future est incertaine

INSEA Devolder 20
Les actifs dérivés
Exemples de sous jacent:
- biens matériels
- matières premières
- obligations
- actions
-indice de taux d’intérêt
-indice boursier
-indice de sinistralité en assurance

INSEA Devolder 21
Les actifs dérivés
2 grandes familles d’actifs dérivés :

Les contrats à terme Les options

( futures, forward,..) ( call , put)

Obligation Droit
d’exercice d’exercice

INSEA Devolder 22
Contrat à terme
Contrat à terme : contrat entre deux parties portant sur la
livraison d’une valeur à une date future fixée et pour un prix
fixé à l’avance et payé au moment de la livraison
( obligation d’achat aux conditions initialement convenues)

acheteur: position longue


vendeur : position courte

Forward contract : contrat à terme entre 2 parties privées non


négociable sur un marché organisé
Future contract : contrat à terme standardisé et négocié sur
des marchés financiers
INSEA Devolder 23
Contrat à terme
Valeur d’un contrat à terme :

Payoff : flux financier généré par l’actif dérivé:

T = maturité du contrat à terme


F= prix fixé à l’avance
S(T) = prix réel de marché observé à l’instant T

V(T) = S(T) – F ( position longue)


Pricing:
V(0) = ?????
INSEA Devolder 24
Les options
Option : idem qu’un contrat à terme mais on remplace
l’obligation d’achat ou l’obligation de vendre par le
droit d’acheter ( call) ou le droit de vendre ( put)
Option européenne : titre financier donnant le droit d’acheter
( call) ou de vendre ( put) à une date future fixée une valeur
(=sous jacent) à un prix déterminé d’avance ( = prix d’exercice)

Option américaine : titre financier donnant le droit d’acheter


( call) ou de vendre ( put) tout au long d’un intervalle
une valeur à un prix déterminé d’avance

INSEA Devolder 25
Les options
2 parties contractantes :
acheteur de l’option /détenteur de l’option :
celui qui peut exercer le droit
vendeur de l’option/ émetteur de l’option :
celui qui s’engage

Dans la suite de ce cours on se limitera à l’étude des options


européennes sauf mention contraire.

INSEA Devolder 26
Exemple de call
Utilisation d’une option d’achat ( CALL) :
Je suis intéressé par l’achat d’une action de la société ACTUDREAM
qui vaut aujourd’hui 30 €.
Je ne désire acheter cette action que dans 6 mois mais je crains
une hausse du cours à ce moment là. Je suis prêt dans 6 mois à
payer jusqu’à 35 € mais pas plus.

J’achète une option européenne d’achat de sous jacent ACTUDREAM


de prix d’exercice 35€ et de maturité 6 mois.

Je paie initialement une prime pour cette garantie ( prix de l’option).


INSEA Devolder 27
Exemple de call
Utilisation d’une option d’achat ( CALL) :

Au bout de 6 mois , 2 scénarios peuvent se produire :

- exercice de l’option : le cours de ACTUDREAM a dépassé


effectivement le cours de 35 € ; par exemple 42 €.
Dans ce cas je peux acheter au cours de 35€ un produit valant
42 € ; mon option m’a donc rapporté 42€-35€=7€

- Non exercice de l’option : le cours de ACTUDREAM est


en dessous de 35 € ; par exemple 32 €. Dans ce cas la protection
à 35 € ne sert à rien . Mon option ne vaut rien.
INSEA Devolder 28
Exemple de put
Utilisation d’une option de vente( PUT) :

J’investis pour compte de mon client un montant de 3500€ dans


des actions GENERADREAM de cours initial 35 €.
Je lui garantis sur 1 an un intérêt minimal de 4.75 %.
Dans un an , je veux être sûr en revendant mes actions d’en
obtenir au moins un montant égal à : 3666.25 €

J’achète 100 options de vente ( put) sur le sous jacent


GENERADREAM de prix d’exercice 36.66 € et de maturité
1 an.

INSEA Devolder 29
Exemple de put
Utilisation d’une option de vente( PUT) :

Au bout d’un an , 2 scénarios peuvent se produire :

- exercice de l’option : le cours de GENERADREAM est en


dessous du cours de 36.66 € ; par exemple 32 €.
Dans ce cas je peux vendre au cours de 36.66€ un produit valant
32 € ; chaque option m’a donc rapporté 36.66€-32€ =4.66€

- Non exercice de l’option : le cours de GENERADREAM


dépasse 36.66 € ; par exemple 37 €. Dans ce cas je vend au
cours marché de 37 € et la protection à 36.66 € ne sert à rien .
Mon option ne vaut rien. INSEA Devolder 30
Les options
L’acquisition de produits dérivés tels que les options peut être
dictée par deux types de préoccupation diamétralement opposées :

- MOTIF de COUVERTURE ( Hedging) :


Couverture d’un portefeuille d’actifs financiers
contre certains risques par l’achat de dérivés
(« position d’assuré »)
- MOTIF de SPECULATION :
Prise de risque importante contre un espoir de
rentabilité moyenne supérieure
(« position d’assureur »)
INSEA Devolder 31
Les options
Acheteur Vendeur

CALL Droit Obligation


d’acheter de vendre
l’actif l’actif
PUT Droit de Obligation
vendre d’acheter
l’actif l’actif

INSEA Devolder 32
Valorisation d’une option
Valeur d’un option d’achat européenne ( call européen) :
Payoff : flux financier généré par l’actif dérivé:

T = maturité du contrat à terme


K = prix d’exercice
S(T) = prix réel de marché observé à l’instant T

V(T) =max ( S(T) – K ; 0 )

Pricing:
V(0) = ?????

INSEA Devolder 33
Call : forme du payoff :

- dans la monnaie : K < S(T)


- à la monnaie : K = S(T)
- or de la monnaie : K > S(T)
C(T)

= max {0, S(T) - K}

S(T)

INSEA Devolder 34
Valorisation d’une option
Hypothèses sur les marchés financiers :

1° marchés supposés parfaits :


- aucun investisseur n’est dominant
( financial agents are price takers and not price makers)
- les investisseurs sont rationnels
( financial agents prefer more to less )
- les titres sont infiniment divisibles
- pas de coût de transactions
- pas de taxes
( frictionless market)
- pas de restrictions sur crédit
INSEA Devolder 35
Valorisation d’une option
Hypothèses sur les marchés financiers :
2° existence d’un titre sans risque de rendement certain r
3° absence d’opportunités d’arbitrage
Opportunité d’arbitrage : machine à fabriquer du profit
sans risque et sans investissement initial
Modélisation sur une période :
valeur initiale investie : X(0) = 0 ( pas d’investissement)
valeur finale obtenue :
X ( 1,ω ) ≥ 0 pour tous les scenarios ω ( sans risque )
X ( 1,ω0 ) > 0 pour au moins un scenario ω0 ( avec profit )
INSEA Devolder 36
Valorisation d’une option
Exemple d’opportunités d’arbitrage

Supposons qu’il existe sur le marché 2 portefeuilles donnant


exactement en t=1 les mêmes cash flows dans tous les cas mais
de prix initiaux différents. Il y a alors opportunité d’arbitrage.

X(1,ω) = Y (1,ω) pour tout ω ε Ω et X(0) > Y(0)

Soit M= X(0) – Y(0)

INSEA Devolder 37
Valorisation d’une option
Le portefeuille W suivant réalise une opportunité d’arbitrage :
- achat de M unités du titre sans risque
- achat du portefeuille Y
- vente à découvert du portefeuille X
Prix initial :
W(0) = M + Y(0)-X(0) = 0

Situation finale:
W(1) = M (1+r) +Y(1) –X(1) = M(1+r) > 0

INSEA Devolder 38
Valorisation d’une option
Propriétés des options :
1° Principe de parité des options européennes:
lien entre call et put de mêmes caractéristiques

2° Bornes sur les prix des options européennes

3° Principe de non optimalité du call américain

4° Valeur en univers déterministe des options européennes

INSEA Devolder 39
Valorisation d’une option
Notations et hypothèses :
• S = valeur de l’actif sous jacent sans dividende
{S(t, ω) ; t ε [0, T], ω ε Ω }
(processus stochastique supposé non négatif)
•K = prix d’exercice = strike
•T = durée totale du contrat d’option
• t = temps courant
• u = 1+r = taux de capitalisation au taux sans risque
• C(S,t,K) = valeur à l’instant t de l’option call sur le
sous jacent S de prix d’exercice K
• P(S,t,K) = valeur à l’instant t de l’option put sur le
sous jacent S de prix d’exercice K
INSEA Devolder 40
Valorisation d’une option
Propriété 1 : Principe de parité put/call européen :

C(S, t,K ) + K (1 + r )−( T − t ) = P(S, t,K ) + S


Démonstration :
- les deux membres de l’égalité représentent le prix à l’instant t
de deux portefeuilles donnant à la date finale T les mêmes
cash flows quel que soit l’état du monde;
- par absence d’arbitrage les prix de ces deux portefeuilles
doivent coincider à l’instant courant t

INSEA Devolder 41
Valorisation d’une option
a) Membre de gauche :
- achat de titres sans risque donnant à l’échéance K
- achat d’une option d’achat permettant d’acquérir
en T l’action au prix K
valeur en T = max ( S(T); K)

b) Membre de droite :
- achat de l’action
- achat d’une option de vente permettant de vendre
en T l’action au prix K
valeur en T = max ( S(T); K)

INSEA Devolder 42
Valorisation d’une option
Propriété 2 : bornes sur les prix :

max (0, S − K (1 + r ) − ( T − t ) ) ≤ C(S, t, K ) ≤ S


Démonstration : en 3 parties
1° C ≥ 0 : evident : c’est un droit sans obligation!

2° C ≤ S : évident : l’action vaut plus que le droit


de l’acheter !

3° C ≥ D = S − K(1 + r )−( T − t ) quand D > 0 : par arbitrage

INSEA Devolder 43
Valorisation d’une option
Montrer que sinon le portefeuille suivant réalise une
opportunité d’arbitrage :

- achat du call
- achat de K (1 + r )−( T −t ) titres sans risque
- vente à découvert du sous jacent S
Propriété 2 bis : équivalent pour les put :

max ( K (1 + r ) − ( T − t ) − S,0) ≤ P(S, t, K ) ≤ K

INSEA Devolder 44
Valorisation d’une option
Corollaire : quelle que soit l’évolution de l’actif sous jacent,
la valeur du put est bornée supérieurement par une constante ;
ce n’est pas le cas du call .
Borne
P(S, t, K ) ≤ K déterministe

C(S, t, K ) ≤ S
Borne
aléatoire

INSEA Devolder 45
Option américaine
Propriété 3 : Il n’est jamais optimal d’exercer un call américain
avant terme et donc:
call américain= call européen
Démonstration : par l’absurde
Supposons que l’option américaine soit exercée en t < T.
Cash flow obtenu :
S( t ) − K
Par la propriété 2 il vient :
S( t ) − K < S( t ) − K (1 + r )−( T − t ) ≤ C(S, t,K )

Il aurait donc mieux valu garder le call européen et ne pas


exercer le call américain
INSEA Devolder 46
Option américaine
Propriété 3 bis : pour un put américain par contre il peut être
optimal d’exercer l’option avant l’échéance et donc :
put américain > put européen

Exemple : - taux sans risque r = 10%


- prix d’exercice = 20 €
- valeur du sous jacent en t=0 = 1€
- T=1
2 stratégies : exercer l’option en t=0 ou en t=1

INSEA Devolder 47
Option américaine
- exercice immédiat de l’option put en t=0 :
Valeur en t=0 : 19 €
Valeur capitalisée en t=1 : 19€ . 1,1= 20,9 €

- exercice différé de l’option put en t=1 :

Valeur en t=1 : toujours bornée par le strike 20 €

Le put américain vaudra donc plus que le put européen dans


ce cas.
INSEA Devolder 48
Valorisation d’une option
Propriété 4 : valeur en univers déterministe du call européen

Le payoff de l’option call devient alors certain puisqu’on


connaît dans ce cas la valeur finale S(T)

payoff du call en T = max ( 0; S(T)-K)


valeur à l’instant t = valeur actuelle au taux sans risque
C(S, t,K ) = (1 + r )−( T − t ) max (0 ; S(T ) − K )

INSEA Devolder 49
* .#, /#()

Options européennes et américaines = options « standard »


Ou « vanilla options » .

- options négociables

Autres options : options exotiques


ou « exotic options »

- options « à la carte » , moins liquides

INSEA Devolder 50
Options lookback
Options sur minimum/ maximum
Call lookback :

Titre financier donnant le droit d’acheter à une date future fixée


une quantité fixée d’un actif financier à son prix minimum atteint
tout au long de la période

Put lookback :

Titre financier donnant le droit de vendre à une date future fixée


une quantité fixée d’un actif financier à son prix maximum atteint
tout au long de la période
INSEA Devolder 51
Options lookback
Call lookback :
Droit d’acheter au prix minimum

Strike :
K = S m ([0, T ]) = min τ ∈[0,T ] S( τ)
Payoff :
V(T ) = (S(T ) − S m ([0, T ])) + = (S(T ) − S m ([0, T ])

INSEA Devolder 52
Options lookback
Put lookback :
Droit de vendre au prix maximum

Strike :
K = S M ([0, T ]) = max τ ∈[0,T ] S( τ)
Payoff :
V(T ) = (S M ([0, T ]) − S(T )) + = (S M ([0, T ] − S(T ))

INSEA Devolder 53
Options lookback
Contrairement aux options européennes, les options lookback
sont fortement dépendantes de la trajectoire ( et pas seulement
de la valeur finale du sous jacent)
( strongly path-dependent options)

Ceci en rend l’étude plus complexe .

INSEA Devolder 54
Options asiatiques
Options sur moyennes
2 types d’options asiatiques :

1°) Options asiatiques à prix d’exercice fixe


( sur prix moyen)
2°) Options asiatiques à prix d’exercice flottant
( sur strike moyen)

D’autre part la moyenne peut être calculée de différentes


manières : - discret / continu
- arithmétique / géométrique
INSEA Devolder 55
Options asiatiques
Call asiatique à prix d’exercice fixé avec moyenne arithmétique
discrète des cours :
- instants de capture des cours :
0 ≤ t 1 ≤ t 2 ... ≤ t n ≤ T
- moyenne arithmétique des cours :
1 n
MS(T ) = ∑ S( t i )
n i=1
n
( géométrique : MS(T ) = n ∏ S( t )
i =1
i
)

INSEA Devolder 56
Options asiatiques

Call asiatique à prix d’exercice fixé avec moyenne


arithmétique discrète des cours :

Payoff de l’option :

V(T ) = ( MS(T ) − K )) +
La même option mais à prix d’exercice flottant s’écrirait :

V(T ) = (S(T ) − MS(T ))) +

INSEA Devolder 57
Options barrière
Options avec une barrière activante ou désactivante
Même type de payoff que les options européennes mais
le paiement du payoff est soumis à une condition : durant
la vie de l’option , il y a une barrière fixe par rapport
à laquelle on compare le sous jacent.

Barrière activante (in) : l’option se met en activité si le cours


du sous jacent traverse la barrière

Barrière désactivante (out) : l’option cesse définitivement ses


effets si le cours du sous jacent traverse la barrière
INSEA Devolder 58
Options barrière
Enfin, l’effet de la barrière peut jouer si on la traverse par le haut
( down) ou par le bas ( up) .

Par exemple , put up & out : put à barrière désactivante si le cours


du sous jacent dépasse une certaine valeur B
( l’investisseur n’a plus besoin de la protection si le cours dépasse
un certain niveau ; par rapport à une option européenne cela va
réduire le prix de l’option )
Payoff : en supposant : K < S(0) < B

V(T ) = ( K − S(T )) + (S( t ) < B ∀t )


INSEA Devolder 59
Options barrière

L’investisseur n’a plus besoin de la protection si le cours


dépasse un certain niveau ; par rapport à une option
européenne cela va réduire le prix de l’option.

Il veut se protéger contre une baisse du cours mais il est


prêt à abandonner cette protection si le cours augmente
au dessus de la barrière.

INSEA Devolder 60
Options barrière
Barrière
S(t) traversée

B
Put
désactivé
S(0)

INSEA Devolder 61
Options parisiennes
Variante des options barrière visant à éviter l’aspect de perte
brutale de droit que peut générer une barrière dès qu’elle est
traversée.

Par exemple dans un put up & out , il suffit que le cours


accidentellement touche la barrière même pour une durée très
courte pour que l’option meure.

Dans une option parisienne , pour que l’option soit désactivée


on ajoute la condition dite de fenêtre : la condition de
franchissement doit rester valable pendant une durée minimale
de temps D.
INSEA Devolder 62
Options parisiennes
D
S(t)

S(0)

t
Put non Put
désactivé désactivé
INSEA Devolder 63
Options d’échange

Titre financier donnant le droit à une date future fixée


d’échanger un actif risqué contre un autre actif risqué.

L’option donne le droit d’échanger à une date future T fixée


une unité d’un actif risque S1 contre une unité d’un autre
actif risqué S2.
Payoff :
V(T ) = max( S1 (T ) − S2 (T ),0)
Acheter S1 au prix S2 / vendre S2 au prix S1

INSEA Devolder 64
+ , .- /-.
 .",0 .! !1#!0
Option sur devise : droit d’acheter à une date future
une certaine quantité de monnaie étrangère à un cours
garanti initialement
( sous jacent : taux de change)

Exemple : option en francs suisses contre $

S(t,ω) = taux de change effectif des francs suisses en $


à l’époque future t
K= taux de change garanti

INSEA Devolder 65
Exemple
Exemple numérique :
S(0) = 1.35
K= 1.45
S(1) = 1.75 ( proba 0.5) ( ω1)
0.80 ( proba 0.5) ( ω2)
achat de 1000 $
Valeur à l’échéance de l’option d’achat :

C(1)= 1000 max ( S(1)-K;0)


= 300 ( ω1)
= 0 ( ω2)
INSEA Devolder 66
Valeur classique de l’option
Valeur à l’origine de l’option : ????
( hypothèse simple : taux d’intérêt nul)

1° réponse ? : principe de l’espérance mathématique:


C( 0) = E C(1) = 150 ????
NON !

2° réponse ? : principe d’utilité :


prix différents suivant aversion au risque du
vendeur ???
NON !
INSEA Devolder 67
Théorie des options
Réponse de la théorie des options :
1° le prix de l’option est unique;
2° le prix de l’option ne dépend pas de la distribution
réelle de probabilité du sous jacent
(probabilité historique)
3° le prix peut s’obtenir par application du principe
de l’espérance mais après avoir changé la mesure
de probabilité du sous jacent
4° le sous jacent ( actualisé) est une martingale
sous cette mesure modifiée ( mesure neutre risque)

INSEA Devolder 68
Exemple
Application numérique :

1° recherche de la mesure martingale ( neutre risque):


1.35= 1.75 q + 0.8 (1-q)
q= 55/95

2° principe de l’espérance sous Q :


C(0)= 300 q + 0 (1-q)
C(0)= 174

INSEA Devolder 69
Principe de duplication
Justification à posteriori :
raisonnement par arbitrage : principe de duplication

Portefeuille initial en t=0:


- vente de l’option au prix inconnu :x
- emprunt de z francs suisses :z
- achat de y dollars :-1.35y

Valeur initiale : V(0) = x + z –1.35y

INSEA Devolder 70
Principe de duplication
Portefeuille final en t=1 :
ω1 ω2

-exercice option -300 0


-remboursement FS -z -z
-vente $ 1.75y 0.8y

Position finale V(1,ω) 1.75y-z-300 0.8y-z

INSEA Devolder 71
Principe de duplication
Choix d’un portefeuille particulier :
y et z tel que V(1,ω1)= V(1,ω2)= 0

1.75y-z = 300
0;8y-z = 0

y= 316 z= 253

Raisonnement par arbitrage :


V(0)=0 sinon arbitrage
x=1.35y – z = 174
INSEA Devolder 72
Pricing et hedging
Pricing et hedging :
La méthode permet non seulement de tarifer
le produit ; elle indique également comment se couvrir :

L’option peut être totalement dupliquée par la stratégie


suivante constituée d’actifs connus ( FS et $) :

- emprunt de 253 FS
- achat de 316 $
PRINCIPE DE DUPLICATION

INSEA Devolder 73
PARTIE 2 :

$ !#, #"'! #()


 "&#
% &  "# 0$,$!
Hypothèses d’un modèle discret de marché :

- temps discret : t=0,1,2,…, T


- espace fini de probabilités :
Ω = { ω1, ω2 ,..., ωN }
- probabilité historique :
P({ωi }) > 0 ∀i = 1,...,N

- un titre non risqué : 1 1+r


- K titres risqués
INSEA Devolder 75
Modèle binomial
( COX, ROSS et RUBINSTEIN ( 1979))

Modèle de marché à 2 actifs sur une période:


- titre sans risque : 1 1+r
- titre risqué : 1 u ( proba q)
d ( proba 1-q)

Absence d’opportunités d’arbitrage :

On doit nécessairement avoir:

d < (1+r) < u


INSEA Devolder 76
Modèle binomial
Modèle binomial sur plusieurs périodes :
Les trajectoires du titre risqué suivent un arbre
binomial.

S( j) =S(0) uN( j ) d j−N( j )


où N( j) = nombre de mouvements up
Propriété :les variables N(j) sont des variables binomiales
de paramètre q et d’exposant j :

P( N( j) = k ) = Ckj qk (1 − q) j−k ( k = 0,1,..., j)

INSEA Devolder 77
Modèle binomial
u2

ud
1

d2

INSEA Devolder 78
%% & 1,-! 
233 4   
Hypothèses de marché :
1° marché parfait
2° modèle binomial
Problème:

tarification de l’option européenne d’achat sur l’actif risqué

-K= prix d’exercice


- C(0) =prix initial recherché du call

INSEA Devolder 79
Modèle sur une période
Modèle de tarification sur une période :

uS C(u)= max(uS-K;0)
S=S(0) ?=C(0)
C(d)=max(dS-K;0)
dS

(Sous jacent) (option)

INSEA Devolder 80
Modèle sur une période
Construction d’un portefeuille de duplication:
- x titres sous jacents
- y titres sans risque

Dupliquant en t =1 les effets de l’option :

x uS + y (1+r) = C(u)
x dS + y (1+r) = C(d)

Le prix initial de l’option sera alors:


C(0)= x S + y
INSEA Devolder 81
Modèle sur une période
Solution du portefeuille de duplication :
C(u) − C(d)
x=
(u − d) S
u C(u) − d C(d)
y=
(1 + r ) (u − d)
Prix de l’option

C(u) − C(d) uC(d) − dC(u)


C(0) = S+
(u − d)S (1 + r ) (u − d)
INSEA Devolder 82
Modèle sur une période
Forme risque neutre du prix :
1 1+ r − d u − (1 + r )
C(0) = ( C(u) + C(d) )
1+ r u−d u−d
ou
1
C(0) = ( p C(u) + (1 − p) C(d))
1+ r
avec
1+ r − d
p=
u−d

INSEA Devolder 83
Modèle sur une période
Le nombre p est appelé probabilité risque neutre
a) Probabilité : 0 < p < 1 ??
résulte de la relation de non arbitrage:
d < (1+r) < u

b) Risque neutre :sous cette mesure le rendement moyen


du titre risqué correspond au taux sans risque

p u + (1-p) d = 1+r p=(1+r-d) / (u-d)

INSEA Devolder 84
Modèle sur deux périodes
Modèle de tarification sur 2 périodes :
C(uu)= max(uuS-K;0)

C(u)

C(0)=? C(ud)=max(udS-K)

C(d)
C(dd)=max(ddS-K;0)

INSEA Devolder 85
Modèles sur deux périodes
Décomposition en 3 problèmes sur une période
C(uu)= max(uuS-K;0)

C(u)

C(0)=? C(ud)=max(udS-K)

C(d)
C(dd)=max(ddS-K;0)

INSEA Devolder 86
Modèle sur deux périodes
1
C(u) = (p C(uu) + (1 − p)C(ud))
1+ r
1
C(d) = (pC(ud) + (1 − p) C(dd))
1+ r
1
C(0) = (p C(u) + (1 − p) C(d))
1+ r
Le prix sur 2 périodes est donc :

1
C(0) = (p 2
C(uu ) + 2p(1 − p )C(ud) + (1 − p ) 2
C(dd))
(1 + r ) 2

INSEA Devolder 87
Modèle sur n périodes
Modèle de tarification sur n périodes :

n
1
n ∑
n− j j n− j
C(0) = ( C j
p j
(1 − p ) max( u d S − K;0))
(1 + r ) j=0
n

Forme alternative du prix :


Fonction de répartition d’une variable binomiale:
n
Φ( x; n, p) = P (Bin(n; p) ≥ x ) = ∑ Cnj p j (1 − p)n− j
j= x

INSEA Devolder 88
Modèle sur n périodes

Soit: a = min{k ∈N: uk dn−k S > K }


=nombre minimum de sauts à la hausse pour
que l’option puisse être exercée.
n
1
C( 0 ) =
( 1 + r )n
∑ n
C j

j =a
p j
( 1 − p ) n− j
( u d S−K )
j n− j

= I − II

INSEA Devolder 89
Modèle sur n périodes
n
1
I=
(1 + r )n
∑ n
C j

j =a
p j
(1 − p )n− j j n− j
ud S

n− j
n
(pu ) j
((1 − p )d)
I = S∑ Cnj
j =a (1 + r ) j (1 + r )n− j
n
I = S∑ C p1 q j j n− j
n 1
j =a

pu (1 − p)d
avec : p1 = et q1 =
(1 + r ) (1 + r )

INSEA Devolder 90
Modèle sur n périodes
Montrons que : a) p1 + q1 = 1
b)0 < p1 < 1

pu (1 − p)d p(u − d) + d
a) p1 + q1 = + =
(1 + r ) (1 + r ) (1 + r )
1+ r − d
(u − d) + d
= u−d =1
(1 + r )
b) résulte de : d < 1 + r < u

INSEA Devolder 91
Modèle sur n périodes
I = S Φ(a; n, p1 )

De même :
1
II = K Φ (a; n, p)
(1 + r )n

Finalement le prix de l’option peut s’écrire :

1
C(0) = S Φ(a; n, p1 ) − K Φ(a; n,p)
(1 + r )n

INSEA Devolder 92
Risque neutre
Remarque sur principe de pricing risque neutre:
preuve simple de la nécessité de changer de mesure:

Par l’absurde: application du principe de l’espérance


au titre risqué avec mesure historique dans le modèle
binomial sur une période: 1
( X(0) = E( X(1)) )
1+ r

1 q u + (1 − q) d
?? S(0) = E(S(1)) = S(0) ≠ S(0)
1+ r (1 + r )
INSEA Devolder 93
Exemple binomial

On considère un marché financier constitué de deux titres :


- un titre sans risque de rendement 4%
-un titre risqué pouvant rapporter de manière équiprobable
du 11 % et du 1%.

La valeur initiale du titre est de 30€.

Calculer le prix du call sur une période pour un strike de 31€.


Calculer le prix d’un put sur deux périodes si on veut au moins
réaliser sur le sous jacent un return égal au taux sans risque.

INSEA Devolder 94
Exemple binomial
Prix du call sur une période :
1
C(0) = ( p C( u ) + (1 − p) C(d ))
1+ r
1 1,04 − 1,01
= { × (30€ × 1,11 − 31€) +
1,04 1,11 − 1,01
1,04 − 1,01
+ (1 − ) × (30€ × 1,01 − 31€) + }
1,11 − 1,01
1
= × 0,3 × 2,3€ = 0,66 €
1,04
INSEA Devolder 95
Exemple binomial
Prix du put sur deux périodes :

1
P ( 0) = ( p 2
P ( uu ) + 2 p (1 − p ) P ( ud ) + (1 − p ) 2
P(dd ))
(1 + r ) 2

strike = 30€ × (1,04) 2 = 32,45 €


1
P ( 0) = 2
{( 0,3) 2
× ( 32, 45 − 30 × 1,112 +
)
(1,04)
+ 2 × 0,3 × 0,7 × (32,45 − 30 × 1,11 × 1,01) +
+ (0,7) 2 × (32,45 − 30 × 1,012 ) + } = 0,84 €
INSEA Devolder 96
%* '$&- 0$,$! 
#!"!#,  () ,)#
Modèle général d’arbitrage sur une période :
- espace des temps : {0,1}
-espace de probabilités :
Ω = {ω1, ω2 ,..., ωN }
-mesure de probabilité historique :
P({ωi }) > 0 (∀i = 1,...,N)

-K+1 titres :
S j (1, i) = valeur en 1 de l' actif j à l' état i

INSEA Devolder 97
Théorème général de tarification
risque neutre
-1 titre non risqué : titre 0
S 0 (0 ) = 1
S0 (1, i)=1 + r
1 1
β(1) = 0 = =actualisat ion
S (1) 1 + r

-K titres risqués :titres 1,…,K

S j (0) = prix initial actif j

INSEA Devolder 98
Théorème général de tarification
risque neutre
-stratégie : vecteur :
Φ = (Φ 0 , Φ1, Φ 2 ,..., Φ K )
Φ j = investisse ment dans actif j
-valeur initiale de la stratégie (prix en t=0) :
K
V0 (Φ ) = ∑ Φ j S j (0)
j=0

-valeur finale de la stratégie ( payoff en t=1):


K
V1(Φ, i) = ∑ Φ j S j (1, i) = var iable aléatoire
j=0
INSEA Devolder 99
Théorème général de tarification
risque neutre
-Opportunités d’arbitrage :
( Offering something for nothing)
(Free lunch )
Stratégie Φ* telle que:
(i) V0 (Φ *) ≤ 0
(ii) V1(Φ *, i) ≥ 0 ( ∀i = 1,...,N)
(iii) ∃i* : V1(Φ *, i*) > 0
-hypothèse centrale : absence d’opportunité d’arbitrage

INSEA Devolder 100


Théorème général de tarification
risque neutre
-State price : variable aléatoire Ψ = ( Ψ1, Ψ2 ,..., ΨN ) telle que :
N
S j (0) = ∑ Ψi S j (1, i) (∀j = 0,1,...,K )
i=1

existence ? unicité?
avec ∀i : Ψi > 0
Les state prices sont les mêmes pour tous les actifs ; ils ne
dépendent que des scénarios.
-Déflateurs : variable aléatoire D définie par :
Ψj
Dj =
INSEA Devolder P({ω j }) 101
Théorème général de tarification
risque neutre
-Propriétés des state prices :
1° application pour actif non risqué:
N
1

i=1
Ψi =
1+ r
2° application pour une stratégie :
K K N
V0 (Φ ) = ∑ Φ j S (0) = ∑ Φ j ∑ Ψi S j (1, i)
j

j=0 j =0 i=1
N
V0 (Φ ) = ∑ Ψi V1(Φ, i)
i=1

INSEA Devolder 102


Théorème général de tarification
risque neutre
-Interprétation financière des state price :
Ψi = prix en t=0 d’un actif donnant en t=1:
- 1 si état i
- 0 sinon
-Probabilités risque neutre :
N
1
soit Ψs = ∑ Ψi = ≠1
i=1 1+ r
Ψ1 Ψ2 ΨN
p = (p1, p 2 ,..., pN ) = ( , ,..., )
Ψs Ψs Ψs
INSEA Devolder 103
Théorème général de tarification
risque neutre
On a : N
(i) ∑ pi = 1
i =1

(ii) 0 < pi < 1


(iii) vecteur p = mesure risque neutre
= mesure martingale
N
1 N
V0 (Φ ) = ∑ Ψi V1(Φ, i) = ∑ pi V1(Φ, i)
i=1 1 + r i=1
1
V0 (Φ ) = E * ( V1(Φ ))
1+ r
INSEA Devolder 104
Théorème général de tarification
risque neutre
Théorème fondamental :

Il n’y a pas d’opportunités d’arbitrage


ssi
Il existe un state price
ssi
Il existe une mesure risque neutre

INSEA Devolder 105


Théorème général de tarification
risque neutre
Propriété générale de tarification :
Soit X une variable aléatoire non négative payable en t=1
(droit conditionnel)
(i) S’il existe une stratégie Φ dupliquant exactement X:
V1(Φ, i) = X(ω i ) ∀i = 1,...,N
(ii) Si le marché est sans opportunité d’arbitrage
alors:
Le prix à l’origine de X est unique et est donné par:
1
V0 ( X) = E * ( X)
1+ r
INSEA Devolder 106
Théorème général de tarification
risque neutre
Dans ce cas :- l’actif admet un prix unique
- il existe une stratégie de hedging permettant
de se couvrir parfaitement.
On dit alors que le droit conditionnel est réalisable
DEFINITION : un marché complet est un marché où
tout droit conditionnel est réalisable

COROLLAIRE:dans un marché complet et sans opportunité


d’arbitrage tout droit conditionnel admet un prix unique et
peut être couvert parfaitement par duplication
INSEA Devolder 107
Théorème général de tarification
risque neutre
CONDITION DE COMPLETUDE DU MARCHE :
lié dans le modèle à une période au nombre
d’actifs par rapport au nombre d’aléas.

N aléas
K+1 titres
Marché non redondant : éviter les actifs dépendants: aucun
actif ne peut s’écrire comme combinaison linéiare des autres .
⇒ K + 1≤ N
« pas trop d’actifs »
INSEA Devolder 108
Théorème général de tarification
risque neutre
Condition de complétude : étant donné tout droit X
le système d’équations suivant doit admettre une solution:
X(ω1 ) = φ0S0 (1) + φ1S1(1,1) + ... + φK SK (1,1)
X(ω2 ) = φ0S0 (1) + φ1S1(1,2) + ... + φK SK (1,2)
....
X(ωN ) = φ0S0 (1) + φ1S1(1,N) + ... + φK SK (1,N)

Système de N équations à K+1 inconnues


Complétude ssi N=K+1
«Assez d’actifs »
INSEA Devolder 109
Théorème général de tarification
risque neutre
Caractérisation des marchés complets :
Un marché non redondant et sans opportunités d’arbitrage
est complet ssi il existe une unique mesure risque neutre
Equation du state price :
N
S j (0) = ∑ ΨiS j (1, i) ( j = 0,1,...,K )
i=1
Système de K+1 équations à N inconnues
(unicité si K=N+1).

INSEA Devolder 110


Théorème général de tarification
risque neutre
Ces différentes propriétés se généralisent dans un marché
à plusieurs périodes :
Théorème de non arbitrage: équivalence entre l’absence
d’opportunités d’arbitrage et l’existence de mesure risque neutre

Théorème de complétude : équivalence entre la complétude et


l’unicité de la mesure neutre risque

Théorème de tarification risque neutre:dans un marché complet et


sans opportunité d’arbitrage le prix de tout droit conditionnel est
la valeur actuelle de sa valeur espérée sous la mesure risque neutre
INSEA Devolder 111
Théorème général de tarification
risque neutre
Tarification dans un marché incomplet ( sans opportunités):
- pas d’unicité de la mesure risque neutre
- unicité du prix des droits conditionnels réalisables
- il existe des droits conditionnels non réalisables; dans ce cas
il n’y a plus unicité du pricing risque neutre

Exemple de marché complet :


modèle binomial:
N=2
K+1=2

INSEA Devolder 112


Théorème général de tarification
risque neutre
Exemple de marché incomplet : Modèle trinomial

Modèle de marché à 2 actifs sur une période:


- titre sans risque : 1 1+r

- titre risqué : 1 1+a (p=1/3) (ω1 )


1-a (p=1/3) (ω2 )
1 (p=1/3) (ω3 )

INSEA Devolder 113


Théorème général de tarification
risque neutre
1° Absence d’opportunité d’arbitrage? : existence de mesure
neutre risque ?
Mesure : p* = (α, β,1 − α − β) telle que :

(α (1 + a) + β (1 − a) + (1 − α − β)) = 1 + r
(avec 0 < α < 1 ; 0 < β < 1; 0 < 1 − α − β < 1)
Solution :
r
α = +β
a
Existence si r < a ; dans ce cas pas d’opportunités
INSEA Devolder 114
Théorème général de tarification
risque neutre
2° marché incomplet : infinité de mesures risque neutre !!
r r 1 r
ℜ = {( + β; β ;1 − − 2β); 0 < β < − }
a a 2 2a
3° droit conditionnel non réalisable : exemple d’une option
d’achat sur le titre risqué de prix d’exercice c avec:
1-a<1<c<1+a

X(ω1 ) = 1 + a − c
X(ω2 ) = X(ω3 ) = 0

INSEA Devolder 115


Théorème général de tarification
risque neutre
Recherche d’une stratégie duplicante :
(φ0 ; φ1 ) tel que :

φ0 (1 + r ) + φ1(1 + a) = 1 + a − c
φ0 (1 + r ) + φ1 = 0
φ0 (1 + r ) + φ1(1 − a) = 0

….pas de solution…

INSEA Devolder 116


Théorème général de tarification
risque neutre
4° inadéquation de la formule de tarification neutre risque:
1
? V0 ( X) = E q ( X) avec q ∈ ℜ
1+ r
- en prenant deux mesures différentes on obtient
deux prix différents ( exercice)

INSEA Devolder 117


%+ &  ")1 
#!)/
-Modélisation de l’incertitude sur les taux d’intérêt futurs

- Point de départ : modèle de courbe de taux zéro coupons


déterministe

- Modèle de HO et LEE : modèle discret de déformation


progressive de la courbe des taux ; logique probabiliste
binomiale.

INSEA Devolder 118


Modèle déterministe
- Structure temporelle de la courbe des taux dans un monde
déterministe :
-structure initiale de la courbe :
{P(0, s), s = 1, 2 ,..., T}
1 1
P(0, s) = =
(1 + R(0, s)) s
(1 + r(0,1))(1 + r(0,2)...(1 + r(0, s))

Comment ces courbes évoluent-elles dans le temps?

P(n, s) = Prix en n d’un zéro coupon de durée s


INSEA Devolder 119
Modèle déterministe
-invariance de l’actualisation en déterministe:
r(n, s) = r(n − 1, s + 1)

-taux au comptant :
(1 + R(n, s))s = (1 + r(n,1))(1 + r(n,2)...(1 + r(n, s))
= (1 + r(n − 1,2)(1 + r(n − 1,3)...(1 + r(n − 1, s + 1))
= (1 + R(n − 1, s + 1))s+1 /(1 + R(n − 1,1)
Zéro coupons
P(n, s) = P(n − 1, s + 1) / P(n − 1,1)

INSEA Devolder 120


Modèle stochastique
-Modèle stochastique :

P( i ) (s, n) = Prix d’un zéro coupon à l’instant s


de durée n si état i
-initialisation: en s=0 un seul état ( structure observée):
P( 0 ) (0, s)
-première déformation en s=1 : 2 états possibles de la courbe:

P( 0 ) (1, s) et P(1) (1, s)


( soit une hausse des taux soit une baisse des taux)

INSEA Devolder 121


Modèle stochastique
En déterministe :
P(0, s + 1)
P(1, s) =
P(0,1)
En aléatoire:
-état 0 : hausse des taux ( baisse des prix):
P( 0 ) (0, s + 1)
P (1, s) =
(0)
(0)
h * (s) (h * (s) < 1 h * (0) = 1)
P (0,1)
-état 1 : baisse des taux ( hausse des prix)
P (0)
(0, s + 1)
P(1) (1, s) = (0)
h(s) (h(s) > 1 h(0) = 1)
P (0,1)
INSEA Devolder 122
Modèle stochastique
D’une manière générale à l’instant n+1 et venant de l’état i
à l’instant n, 2 possibilités :

P( i ) (n, s + 1)
P (n + 1, s) =
(i)
(i)
h * (s) (h * (s) < 1 h * (0) = 1)
P (n,1)

( i+1) P( i ) (n, s + 1)
P (n + 1, s) = (i)
h(s) (h(s) > 1 h(0) = 1)
P (n,1)

INSEA Devolder 123


Modèle stochastique
Forme explicite des fonctions de déformations h et h*:
2 conditions complémentaires:
- condition d’arbitrage
- condition de neutralité :
baisse+hausse = hausse + baisse

Lien entre
h et h* Forme de h

INSEA Devolder 124


Modèle stochastique
1° Condition d’arbitrage :
Il existe une constante p ( 0 <p< 1) appelée
probabilité binomiale implicite telle que :

p h(s) + (1 − p) h * (s) = 1 (∀s)

Démonstration:
Constitution à l’instant n à l’état i d’un portefeuille :
- un zéro coupon de maturité s
- H zéro coupons de maturité s’.
W (i ) (n) = P( i ) (n, s) + H P( i ) (n, s' )
INSEA Devolder 125
Modèle stochastique
-On choisit H tel que :
W ( i ) (n + 1) = W ( i+1) (n + 1)
-ce portefeuille est donc sans risque et son rendement doit
correspondre à celui d’un zéro coupon entre les instants
n et n+1
-on en déduit :
1 − h * (s − 1) 1 − h * (s'−1)
= =p
(h(s − 1) − h * (s − 1)) (h(s'−1) − h * (s'−1))

INSEA Devolder 126


Modèle stochastique
Corollaire de la condition d’arbitrage :en sustituant dans la
relation d’arbitrage h et h*par leur définition on obtient :

P( i ) (n, s + 1) = P(i ) (n,1).(p P( i+1) (n + 1, s) + (1 − p) P( i ) (n + 1, s))

( espérance actualisée des prix futurs sous la distribution


implicite- principe de tarification risque neutre)

INSEA Devolder 127


Modèle stochastique
2°) Condition de neutralité : indépendance par rapport au
chemin suivi dans l’arbre

(1) P( i+1) (n + 1, s + 1) (1)

P( i ) (n, s + 2) P( i+1) (n + 2, s)
(2) (2)

P( i ) (n + 1, s + 1)

INSEA Devolder 128


Modèle stochastique
En exprimant cette condition et en utilisant la condition
d’arbitrage, il vient :
1 1
= δ + (1 − δ)
h(s + 1) h(s)
Avec :
1 − p h(1)
δ= (0 < δ < 1)
h(1) − p h(1)
Solution: 1
h(s) = h * (s) = δ s h(s)
p + (1 − p) δ s
INSEA Devolder 129
Modèle stochastique
CONCLUSION: modèle simple à 2 paramètres:
-Paramètre δ: indicateur de dispersion proche de 1
si la variance des taux est faible :

h * (1)
δ=
h(1)
-Paramètre p=indicateur de moyenne des chocs à la hausse
et à la baisse proche de 0.5 si les amplitudes à la hausse
et à la baisse sont de même ordre:
1 − h * (1)
p=
h(1) − h * (1)
INSEA Devolder 130
Modèle stochastique
Limites du modèle :
- aspect binomial
- déformations h et h* stationnaires
- parfaite corrélation entre les taux des différentes
échéances

Avantages du modèle:
-simplicité de l’approche
- paramétrisation aisée
-respect de la courbe initiale des taux

INSEA Devolder 131


Exemple
Paramétrisation du modèle:
- structure initiale observée en t=0: P( 0 ) (0, s)

-2 constantes: p et δ

h(1) h*(1) p δ
1.01 0.99 0.5 0.98
1.05 0.95 0.5 0.91
1.09 0.99 0.1 0.91

INSEA Devolder 132


PARTIE 3

 "!") #"'! #()

INSEA Devolder 133


!1  -!#&
• 3.1. Motivation
• 3.2. Processus stochastiques en temps continu
• 3.3. Le mouvement brownien
• 3.4. Intégration stochastique
• 3.5. Equations différentielles stochastiques
• 3.6. Dérivée de Radon- Nikodym et théorème de
Girsanov
• 3.7. Représentation de Feynman- Kac
• 3.8. Calcul stochastique multi dimensionnel
INSEA Devolder 134
* #!#,
Modèle d’évolution d’un actif financier:

Discret Continu
Déterministe S( n ) = (1 + i) n S( t ) = e δ t

Stochastique n
S( n ) = ∏ (1 + i k )
k =1 ????

INSEA Devolder 135


Actif risqué en discret
modèle binomial discret multi périodique
- en déterministe:
n n
S(n) = S(0) ∏ (1 + ik ) = S(0)∏ e δk
k =1 k =1
- en aléatoire:
n
S(n) = S(0)∏ e χk
k =1

Avec: χ1, χ 2 ,..., χn :suite de variables aléatoires iid


INSEA Devolder 136
Actif risqué en discret
1
χ =δ+σ (proba = )
2 A chaque période
1 deux possibilités
=δ−σ (proba = )
2 équiprobables de
rendement

c' est à dire :


χ = δ + σψ u = eδ+σ
où d = e δ−σ
ψ = 1 (P = 1 / 2)
= −1 (P = 1 / 2)
INSEA Devolder 137
Actif risqué en discret
On a alors au niveau du log-rendement cumulé:
n
ln(S( n ) / S(0)) = δ.n + σ ∑ ψ i
i =1

Trend Bruit
n
Le processus stochastique W (n ) = ∑ ψ i
i =1
est appelé promenade aléatoire ( discrète)
Le paramètre σ est appelé volatilité

INSEA Devolder 138


Actif risqué en discret
Moments d’une promenade aléatoire:
n
W (n) = ∑ ψ i
i=1
n
(i) E( W (n)) = ∑ E(ψ i ) = 0 (bruit)
i=1
n
(ii) var( W (n)) = ∑ var( ψ i ) = n
i=1

( variance proportionnelle au temps)

INSEA Devolder 139


Actif risqué en discret
On obtient donc pour les moments du rendement cumulé:
(i) E(ln(S( n ) / S(0)) = δ.n
(ii) var(ln(S( n ) / S(0)) = σ 2 .n
Conclusion : on peut généraliser sans peine en temps discret
le modèle déterministe en introduisant une promenade
aléatoire qui vient « bruiter » le rendement.
Le rendement moyen correspond au rendement déterministe.
La variance croît linéairement avec le temps
( modélisation de l’incertitude croissante avec le temps).
INSEA Devolder 140
Actif risqué en continu
Premier essai de bruitage en temps continu:

dS( t ) = δ( t ) S( t ) dt

Perturbation aléatoire naïve :


dS( t ) = δ( t ) S( t ) dt + v ( t, ω)S( t )dt

Thèse : sous des conditions raisonnables le processus


de perturbation v est identiquement nul

INSEA Devolder 141


Actif risqué en continu
-Hypothèses sur le processus v :
(i) Bruit: E v( t ) = 0

(ii) Indépendance des perturbations:


la variable aléatoire v(t) est indépendante de la
variable aléatoire v(s) pour 2 instants t et s (s ≠ t )

(iii) Borne:
E v 2 ( t ) ≤ K ∀t
( non explosion de la perturbation)
INSEA Devolder 142
Actif risqué en continu
Thèse : sous ces hypothèses la variance de la solution
de l’équation est nulle.

Démonstration:
Solution de l’équation pour chaque trajectoire ω:
t t
S( t, ω) = S(0) exp ∫ δ(s) ds . exp ∫ v(s, ω) ds
0 0
t
S( t, ω) = S(0) exp ∫ δ(s) ds. exp(u( t, ω))
0

INSEA Devolder 143


Actif risqué en continu
Propriétés du processus u :
t
a) E u( t ) = ∫ E( v(s)) ds = 0
0
t
b)Var u( t ) = E (u2 ( t )) = E( ∫ v(s) ds)2
0

En utilisant la définition de l’intégrale de Rieman et les


propriétés du processus v , il vient :

INSEA Devolder 144


Actif risqué en continu
n −1
var u( t ) = lim E( ∑ v ( t *i )( t i+1 − t i )) 2
i =0

= lim ∑∑ E( v ( t *i ) v ( t *j ))( t i+1 − t i )( t j+1 − t j )


i j

= lim ∑ E( v 2 ( t *i )( t i+1 − t i ) 2
i

≤ K lim ∑ ( t i+1 − t i ) 2 0 ???


i

INSEA Devolder 145


Actif risqué en continu
Or:

lim ∑ ( t i +1 − t i ) 2 ≤ lim π n ∑ ( t i +1 − t i ) = t lim π n

Où: 0

πn = sup i ( t i +1 − t i ) = norme de la subdivision

Le modèle ne permet donc pas de simuler une véritable


incertitude en continu.
INSEA Devolder 146
Actif risqué en continu
Deuxième essai de bruitage en temps continu:
Limite du modèle de promenade aléatoire
qui fonctionnait bien en temps discret…

Passage à la limite vers un modèle continu en 2 étapes:

1°Modification d’échelle de la promenade aléatoire:


Les sauts de +1 ou –1 sur chaque période unitaire
sont remplacés par des sauts de +∆x ou -∆x sur chaque
période de temps ∆t.

INSEA Devolder 147


Actif risqué en continu
Le processus W devient :
m
W (n) = ∑ ∆x . ψ i
i =1

avec m = n / ∆t
Au niveau des moments:
(i) E( W( n )) = 0
n ∆x
(ii) var( W( n )) = m.( ∆x ) =
2
( ∆x ) = n
2
∆x
∆t ∆t
INSEA Devolder 148
Actif risqué en continu
2° passage à la limite sur ∆x et ∆t:
∆t j 
→ 0 ∆x j 
→ 0
(∆x j ) 2 ∆x j
= 1 ( et non pas = 1 !!!)
∆t j ∆t j
donc : ∆x j = ∆t j

On montre que la suite des processus W ainsi générés


converge dans un sens à préciser vers un processus
à trajectoires continues appelé mouvement brownien.
INSEA Devolder 149
Actif risqué en continu

- suite de processus discrets :


t / ∆t j

W j ( t ) = ∆x j ∑ψ
i=1
i

Pour chacun de ces processus discrets on peut définir un processus


à temps continu défini en reliant les points par des fonctions
affines.
On définit :
t i = i ∆t j (i = 0,1,2,...)
j

( i ème point de la partition j )


INSEA Devolder 150
Actif risqué en continu
Pour t ij−1 < t < t ij : on pose :

( t − t j
i −1 )
w ( t ) = W ( t i−1 ) +
j j j
( W j ( t ij ) − W j ( t ij−1 ))
∆t j

On peut montrer que cette suite de processus converge


en loi vers un processus en temps continu noté w(t)
= mouvement brownien standard
= processus de Wiener
= « promenade aléatoire infinitésimale »

INSEA Devolder 151


*% " )
#"'! #()
3.2.1. Notions de base du calcul des probabilités :
- espace mesurable : (Ω , ℑ)
Avec : Ω = un ensemble
ℑ = une sigma algèbre sur Ω

Famille de sous ensembles de Ω telle que :


(i) Φ ∈ ℑ
(ii) si A ∈ ℑ alors A c ∈ ℑ
(iii) si A i ∈ ℑ alors U A ∈ℑ
i
i
INSEA Devolder 152
3.2. Processus stochastiques
- mesure de probabilité :

Fonction P : ℑ → [0,1]
telle que:
(i) P( φ) = 0 et P(Ω) = 1
(ii) si A i (i = 1,...) sont disjo int s :
∞ ∞
P( U A i ) = ∑ P( A i )
i =1 i =1

-espace de probabilité : triplet (Ω , ℑ,P)

INSEA Devolder 153


3.2. Processus stochastiques
- variable aléatoire ( à valeurs réelles) :

Une variable aléatoire X à valeurs réelles est une fonction


ℑ mesurable: X:Ω → R

X −1 (B) ∈ ℑ (B= borrélien de R)

- distribution d’une variable aléatoire :

µ X (B) = P(X −1 (B))


INSEA Devolder 154
3.2. Processus stochastiques
- fonction de répartition d’une variable aléatoire :
Borrélien : B = (−∞, x ]

µ X (B) = P(X −1 ( B)) = FX ( x ) = P( X ≤ x )

- densité de probabilité d’une variable aléatoire :


La densité f(x) d’une variable aléatoire est la dérivée
de la fonction de répartition ( si elle existe) :
dFX
fX =
dx
INSEA Devolder 155
3.2. Processus stochastiques
- exemple 1 :variable aléatoire normale ( ou gaussienne) :

Une variable aléatoire X est distribuée normalement


N(m, σ 2 ) si sa fonction de densité existe est donnée par :

( x −m )2
1 −
fX (x) = e 2σ2

σ 2π

INSEA Devolder 156


3.2. Processus stochastiques
- exemple 2 :variable aléatoire log normale :

Une variable aléatoire Y est distribuée log normalement


log N ( m, σ 2 ) si il existe une variable aléatoire X
distribuée normalement N (m, σ )
2
telle que :

Y = eX

INSEA Devolder 157


3.2. Processus stochastiques
- densité d’une log normale :
f Y ( y) dy = dFY ( y) = d P(Y ≤ y) = dP(e X ≤ y)
1
= dP(X ≤ ln y) = dFX (ln y) = f x (ln y) dy
y
(ln y − m ) 2
1 −
f Y ( y) = e 2σ2
( y > 0)
yσ 2π

INSEA Devolder 158


3.2. Processus stochastiques
- espérance d’une variable aléatoire:

E(X) = ∫ X(ω)dP(ω) = ∫ x dµ X ( x )
Ω R

- variance d’une variable aléatoire ;


σ 2 (X) = ∫ ( X(ω) − EX) 2 dP(ω)

= E( X 2 ) − (EX) 2

INSEA Devolder 159


3.2. Processus stochastiques
- exemples d’espérance :
1° distribution normale :

si X = N (m, σ 2 ) alors : E ( X) = m
2° distribution log normale :

si Y = log N (a , b ) alors : E( Y ) = e
2 a + b2 / 2

INSEA Devolder 160


3.2. Processus stochastiques
Espérance d’une log-normale :
∞ ∞
1 (ln y − a ) 2
EY = ∫ y f Y ( y) dy = ∫ y exp− ( ) dy
0 0 by 2π 2b 2

Par changement de variable : ln y = x

1 +∞ (x − a)2 x
EY = ∫ exp− e dx
b 2 π −∞ 2b 2

1 +∞ 1
= ∫ exp( − (( x − (a + b 2 )) 2 − 2ab 2 − b 4 )) dx
b 2π −∞
2
2b
2ab 2 + b 4
2
b
a+
= exp( ) = e 2

2b 2
INSEA Devolder 161
3.2. Processus stochastiques
- Variance d’une variable log normale :

VarY = E Y 2 − ( EY ) 2
= E(e 2 X ) − ( Ee X ) 2
Aussi
log normal !
log N ( 2a , 4b 2 )

Var Y = e 2a+ b2
(e b2
− 1)

INSEA Devolder 162


3.2. Processus stochastiques
- fonction caractéristique :

Si X est une variablé aléatoire de fonction de répartition


F , alors sa fonction caractéristique est la fonction sur R:
+∞
Φ X ( u ) = E ( eiuX ) = ∫ eiux dF( x )
−∞

Exemple : pour une distribution X p N (0, σ 2 )

Φ X (u ) = e − u 2σ 2 / 2

INSEA Devolder 163


3.2. Processus stochastiques
-norme Lp
Si X est une var iable aléatoire et si p ∈[1, ∞ )
la norme Lp de X notée X p est définie par :
1/ p
 
X p =  ∫ X(ω) dP(ω) 
p

Ω 

INSEA Devolder 164


3.2. Processus stochastiques
-norme L∞

X ∞
= sup { X(ω); ω∈ Ω}

- espaces Lp
Espace des variables aléatoires de norme finie :

Lp (Ω) = { X : Ω → R : X p < ∞ }

INSEA Devolder 165


3.2. Processus stochastiques
-indépendance d’événements et de variables aléatoires :

2 événements A et B sont indépendants ssi :

A, B ∈ℑ : P(A ∩ B) = P(A) P(B)

2 variables aléatoires X et Y à valeurs réelles sont


indépendantes ssi :
P{( X ≤ x ) ∩ (Y ≤ y)} = P(X ≤ x ) P( Y ≤ y)
( ∀x , y ∈ R )

INSEA Devolder 166


3.2. Processus stochastiques
- espérance conditionnelle :
(Ω , ℑ,P) + ℑ * une sous sigma algèbre de ℑ ( ℑ * ⊂ ℑ)
X une variable aléatoire d’espérance finie

Y = E (X ℑ*)
Y= espérance conditionnelle de X connaissant ℑ *
= variable aléatoire mesurable par rapport à ℑ *telle que:

∫ X(ω) dP(ω) = ∫ Y(ω) dP(ω)


A A
( ∀ A ∈ℑ * )

INSEA Devolder 167


3.2. Processus stochastiques
Propriétés de l’espérance conditionnelle :

(i) Espérance d’une espérance conditionnelle :


E ( E( X ℑ *) = E X
(ii)si Z est une variable aléatoire mesurable par rapport à ℑ *
E ( Z ℑ*) = Z
et: E( Z X ℑ*) = Z E( X ℑ*)
(iii) si: ℑ1 ⊂ ℑ2 ⊂ ℑ
E( E( X ℑ2 ) ℑ1 ) = E( X ℑ1 )
INSEA Devolder 168
3.2. Processus stochastiques
-convergence de variables aléatoires :
- suite de variables aléatoires : {X n ; n = 0,1,...}

?? lim n →∞ X n = ??

4 grands types de convergence :


- convergence presque sûre
- convergence quadratique
- convergence en probabilité
- convergence en loi

INSEA Devolder 169


3.2. Processus stochastiques
- convergence presque sûre :
p .s .
X n → X ssi P(ω ∈ Ω : X n (ω) → X(ω)) = 1

Exemple : loi des grands nombres :

Si X n est une suite de variables aléatoires indépendantes


et équidistribuées (i.i.d.) d’espérance finie alors :
1 n p .s .


n i =1
X i → E(X)

INSEA Devolder 170


3.2. Processus stochastiques
- convergence quadratique :

X n → X en moyenne quadratique ( dans L )


2

ssi

Xn − X 2 → 0
=

∫ n
( X ( ω) − X ( ω)) 2
dP(ω)

Exemple : loi des grands nombres


INSEA Devolder 171
3.2. Processus stochastiques
- convergence en probabilité :

P
X n → X ssi :
∀ ε > 0 : P(ω ∈ Ω : X n (ω) − X(ω) ≥ ε) → 0
Propriétés:
- convergence p.s. convergence en proba
- convergence quadratique convergence proba

INSEA Devolder 172


3.2. Processus stochastiques
- convergence en loi :
l
X n → X ssi ∀ fonction Φ continue et bornée :
E(Φ( X n )) → E(Φ (X))
Propriété :
- convergence en proba convergence en loi

Théorème central limite : si X = suite de variables


aléatoires i.i.d. de variance finie : n
∑X i − n EX l
i =1
→ N (0,1)
σ n
INSEA Devolder 173
3.2 .Processus stochastiques
3.2.2. Processus stochastique :
(Ω , ℑ,P) Espace de probabilité + le temps
Un processus stochastique X à valeurs réelles est une application:
X:TxΩ
→ ℜ : ( t , ω) 
→ X( t , ω)
T= espace des temps
Pour ω fixé, on a une trajectoire
Pour t fixé, on a une variable aléatoire
T = {0,1,2,3,...} → processus discrets
T ⊂ ℜ+ → processus en temps continu
INSEA Devolder 174
3.2 .Processus stochastiques
Filtration: famille croissante de sous σ algèbres de l’espace de
probabilité
ℑ0 = {Ω, φ} ⊂ ℑs ⊂ ℑt ⊂ ℑ pour s < t

Filtration : modélise l’arrivée progressive de l’information .


En t , on peut dire pour chaque élément de ℑt
( = événement) s’il s’est ou non produit .
En t=0 : on n’a aucune information :
ℑ° = {Ω, φ}

INSEA Devolder 175


3.2. Processus stochastiques
Filtration et processus: notions liées par les 2 définitions:

Définition 1 : Tout processus stochastique génère une filtration


appelée filtration naturelle du processus et définie par:
ℑt = ℑ( X(s); s ≤ t ) ∀t
( histoire du processus)

Définition 2: Un processus X est dit adapté à une filtration si:

∀t : X( t ) = mesurable par rapport à ℑt

INSEA Devolder 176


3.2. Processus stochastiques
Filtration et espérance conditionnelle :
Chaque élément d’une filtration étant une sous sigma
algèbre , on peut lui associer une espérance conditionnelle.

Soit X une variable aléatoire d’espérance mathématique


finie. On peut alors définir le processus adapté :

M( t ) = E (X ℑt )
Représente l’estimation moyenne de X compte tenu
de l’information déjà récoltée en t
INSEA Devolder 177
3.2. Processus stochastiques
Exemple de filtration et de processus (en temps discret)
Jeu successif de pile ou face ( 3 fois)
Processus de gain cumulé : +1 si pile -1 si face
X(0) = 0 → X(1) → X(2) → X(3)

Ω = {( PPP), (PPF), (PFP), (PFF), (FFF), ( FFP), (FPF), (FPP)}


X(1) = { 1, 1, 1, 1, − 1, − 1, − 1, − 1}
X(2) = { 2, 2, 0, 0, − 2, − 2, 0, 0}
X(3) = { 3, 1, 1, − 1, − 3, − 1, − 1, 1 }

INSEA Devolder 178


3.2 .Processus stochastiques
En t=1 : la 1° position est connue

ℑ1 = {Ω, φ, Ω P , Ω F }
Ω P = {( PPP ), (PPF), (PFP), (PFF)}
Ω F = {( FFF), (FFP), ( FPF), ( FPP)}

En t=2 : les 2 premières positions sont connues :


ℑ2 = {Ω, φ, Ω P , Ω F , Ω PP , Ω PF , Ω FF , Ω FP }

INSEA Devolder 179


3.2 .Processus stochastiques

Ω PP = {( PPP), (PPF)}
Ω PF = {( PFP), (PFF)}
Ω FF = {( FFF), ( FFP)}
Ω FP = {(FPF), (FPP)}

En t=3 : toutes les positions sont connues :

ℑ3 = ℑ

INSEA Devolder 180


3.2 .Processus stochastiques
espérance conditionnelle du gain final:

Ω = {( PPP), ( PPF), ( PFP), ( PFF), ( FFF), ( FFP), ( FPF), ( FPP)}


X(3) = { 3, 1, 1, − 1, − 3, − 1, − 1, 1 }
(i) Espérance conditionnelle en t=0
E( X(3) ℑ° ) = E ( X(3)) = 0
(ii) Espérance conditionnelle en t=3 :

E( X(3) ℑ3 ) = X (3)
INSEA Devolder 181
3.2 .Processus stochastiques
(iii) Espérance conditionnelle aux différents instants

Ω = {( PPP), ( PPF), ( PFP), ( PFF), ( FFF), ( FFP), ( FPF), ( FPP)}


X(3) = { 3, 1, 1, − 1, − 3, − 1, − 1, 1 }
EX ℑ0 = { 0, 0, 0, 0, 0, 0, 0, 0}
EX ℑ1 = { 1, 1, 1, 1, − 1, − 1, − 1, − 1}
EX ℑ2 = {2, 2, 0, 0, − 2, − 2, 0, 0}
EX ℑ3 = {3, 1, 1, − 1, − 3, − 1, − 1, 1}

INSEA Devolder 182


3.2. Processus stochastiques
Temps d’arrêt : généralisation de la notion de temps déterministe:
= variable aléatoire T à valeurs dans R + ∪{+∞} telle que:
∀t : {T ≤ t } ∈ ℑt
( pas d’information nécessaire sur le futur pour savoir à
chaque instant si T s’est déjà produit).
Exemple : premier instant où le cours d’une action dépasse
le double du cours actuel.

Contrexemple:dernier instant avant une certaine date future


où un taux de change atteint un niveau fixé
INSEA Devolder 183
3.2. Processus stochastiques
Exemple de lien entre temps d’arrêt et processus:
notion de processus arrêté:
- X = processus stochastique
- {ℑt } = filtration naturelle associée à X
On définit le temps d’arrêt: ( M=barrière)
T = inf{t ≥ 0 : X( t ) ≥ M}
-On peut par exemple définir le nouveau processus arrêté à M :
Y( t ) = X( t ) si t ≤ T
Y( t ) = M si t > T

INSEA Devolder 184


3.2. Processus stochastiques
Exemple : jeu discret / pile ou face :
On arrête le jeu dès que le gain est strictement positif.

T(ω) = inf{t : X( t , ω) > 0}

Ω = {( PPP), (PPF), (PFP), (PFF), (FFF), ( FFP), (FPF), (FPP)}


X(1) = { 1, 1, 1, 1, − 1, − 1, − 1, − 1}
X(2) = { 2, 2, 0, 0, − 2, − 2, 0, 0}
X(3) = { 3, 1, 1, − 1, − 3, − 1, − 1, 1 }

INSEA Devolder 185


3.2. Processus stochastiques
Valeurs du temps d’arrêt :

Ω = {( PPP), (PPF), (PFP), (PFF), (FFF), ( FFP), (FPF), (FPP)}


T = { 1, 1, 1, 1, ∞, ∞, ∞, 3 }

T=1 mesurable
par rapport à ℑ1

Vrai sur Ω P Faux sur Ω F


INSEA Devolder 186
3.2. Processus stochastiques
Contrexemple de temps d’arrêt :
On arrête le jeu au dernier instant où le gain est strictement
positif .

Ω = {( PPP), (PPF), (PFP), (PFF), (FFF), ( FFP), (FPF), (FPP)}


T = { 3, 3, 3, 1, ∞, ∞, ∞, 3 }

T=1 pas mesurable


par rapport à ℑ1
INSEA Devolder 187
3.2. Processus stochastiques
3.2.3. Classes de processus:
1° MARTINGALES :
Un processus stochastique est une martingale par rapport
à une filtration donnée ssi :
(i) X est adapté par rapport à {ℑt };
(ii) E( X( t ) l ℑs } = X(s) si s ≤ t

- notion de fair game : l’espérance de gain futur est le gain


présent à tout instant du jeu.
- En particulier pour s=0 : E ( X( t )) = X(0)
INSEA Devolder 188
3.2. Processus stochastiques
2° PROCESSUS GAUSSIENS :
X est un processus gaussien ssi toute combinaison linéaire
des valeurs de X à différents instants est distribué
normalement:
n
ξ = ∑ α k X( t k ) ≡ N
k =1

Un tel processus X est caractérisé par sa fonction


moyenne µ(t) et sa fonction de covariance
σ(s,t)=cov ( X(s),X(t))

INSEA Devolder 189


3.2. Processus stochastiques
3° PROCESSUS A ACCROISSEMENTS INDEPENDANTS
ET STATIONNAIRES :
-Un processus X est dit à accroissements indépendants ssi:
∀n, ∀t1, t 2 ,..., t n : X( t1 ), X( t 2 ) − X( t1 ),..., X( t n ) − X( t n−1 )
sont indépendan tes
( indépendance entre les accroissements successifs)
-Un processus est dit à accroissements stationnaires ssi:
∀h, ∀t : X ( t + h ) − X ( t ) et X ( h ) sont équidistribués

INSEA Devolder 190


3.2. Processus stochastiques
4° PROCESSUS A VARIATION FINIE :

-Un processus adapté X est dit croissant si ses trajectoires


sont des fonctions croissantes, finies et continues à droite.

-Un processus adapté X est dit à variation finie si ses


trajectoires sont des fonctions à variations bornées sur tout
compact, finies et continues à droite.

Tout processus à variation finie peut s’écrire comme différence


de deux processus croissants.
INSEA Devolder 191
**  -)-,# 15,,
Historique :

-1829: Brown : mouvement de particules de


pollen en suspension dans l’eau
-1900 : Bachelier: mouvements de cours de bourse
-1905: Einstein : modèles de particules en suspension
-1923 : Wiener: construction rigoureuse du mouvement
brownien
-1944: Ito: intégrale par rapport à un mouvement brownien

devenu un processus central en finance pour


simuler l’incertitude sur les marchés.
INSEA Devolder 192
3.3. Le mouvement brownien
-Définition: un processus stochastique w est un mouvement
brownien standard sur l’espace (Ω , ℑ,P) ssi

(i) w(0) = 0
(ii)w = processus à accroissem ents indépendan ts et stationnai res
(iii)w = processus gaussien
(iv )∀t > 0 :E w( t ) = 0 ; var w( t ) = t

Il est possible de construire un tel processus tel que ses trajectoires


soient des fonctions continues.

INSEA Devolder 193


3.3. Le mouvement brownien
- Mouvement brownien issu du point a :

Z( t ) = a + w ( t )

-Mouvement brownien issu du point a et de drift µ :

Z( t ) = a + µt + σ w ( t )

EZ( t ) = a + µt
σ 2 Z( t ) = σ 2 t
Ces 2 processus sont gaussiens.
INSEA Devolder 194
3.3. Le mouvement brownien
Fonction caractéristique d’un mouvement brownien
standard :

+∞ −x2 / 2t
e
Ψ ( λ , t ) = E (e iλ w ( t )
) = ∫e iλ x
dx
−∞ 2πt
+∞ ( x − iλ t ) 2
1 −λ2t / 2 −
= e ∫e 2t
dx
2πt −∞

= e − λ2 t / 2

INSEA Devolder 195


3.3. Le mouvement brownien
Moments d’un mouvement brownien :

k
1 d
E( w k ( t )) = k k Ψ (λ, t )
i dλ λ =0

Calcul des dérivées successives de la fonction caractéristique:


λ2 t λ2 t
d − −
e 2
= −λ t e 2


2 λ2 t λ2 t λ2 t
d − − −
e 2
= −t e 2
+ (λ t ) 2 e 2

dλ2

INSEA Devolder 196


3.3. Le mouvement brownien
3 λ2 t λ2 t λ2 t
d − − −
e 2
= 3λt 2 e 2
− (λ t ) 3 e 2

dλ3

4 λ2 t λ2 t λ2 t
d − − −
e 2
= 3t 2 e 2
− 3λt 2 λt e 2

dλ4

λ2 t λ2 t
− −
− 3(λt ) 2 t e 2
+ (λt )3 .λt . e 2

INSEA Devolder 197


3.3. Le mouvement brownien
Application au calcul des moments :

E( w ( t )) = 0
E( w 2 ( t )) = t
E( w 3 ( t )) = 0
E( w 4 ( t )) = 3t 2

INSEA Devolder 198


3.3. Le mouvement brownien
Mouvement brownien et martingale :
Soient w un mouvement brownien standard et {ℑt } sa
filtration naturelle; les 2 processus suivants sont alors des
martingales:

(i) w( t )
(ii) w 2 ( t ) − t

INSEA Devolder 199


3.3. Le mouvement brownien
Démonstration:
(i) E( w( t ) l ℑs ) = E( w(s) + ( w( t ) − w(s)) l ℑs ) = w(s)
(ii) E(( w 2 ( t ) − t ) l ℑs ) = E( w 2 (s) + ( w 2 ( t ) − w 2 (s) l ℑs ) − t
Or:
E(( w( t ) − w(s))2 l ℑs ) = E(( w 2 ( t ) − w 2 (s)) + 2w(s)( w( t ) − w(s)) l ℑs )

0
t−s
Donc: E ( w 2 ( t ) − t l ℑs ) = w 2 (s) − s
INSEA Devolder 200
3.3. Le mouvement brownien
Remarque : la réciproque de ce théorème de martingale
est également vraie: si X est un processus continu tels que
X( t ) et X 2 ( t ) − t sont des martingales et X(0)=0:
alors X est un mouvement brownien standard.

Le mouvement brownien est l’exemple fondamental


de martingale continue.

INSEA Devolder 201


3.3. Le mouvement brownien
Martingale exponentielle :

Le processus X ( t ) = e ( σ = réel)
σ w ( t ) −σ 2 t / 2

est une martingale appelée martingale exponentielle

Démonstration :
Calculons l’espérance conditionnelle suivante:

E (e σ w ( t ) ℑs ) ( avec : 0 < s < t )

INSEA Devolder 202


3.3. Le mouvement brownien
E(e σ w ( t ) ℑs ) = E(e σ ( w ( t ) − w ( s )) e σ w ( s ) ℑs )
= e σ w ( s ) E(e σ ( w ( t ) − w ( s )) ℑs ) = e σ w ( s ) E(e σ w ( t −s ) )
=e σw ( s ) σ 2 ( t −s ) / 2
e
Il en résulte l’égalité de martingale :

E (e σ w ( t )−σ 2 t / 2
ℑs ) = e σ w ( s ) − σ 2s / 2

En particulier :
E (e σ w ( t )−σ 2 t / 2
) =1

INSEA Devolder 203


3.3. Le mouvement brownien
Corollaire : bruitage additif et bruitage multiplicatif
1° le mouvement brownien est un bruitage additif naturel :
f ( t ) = phénomène déter min iste
X( t ) = f ( t ) + σ .w ( t ) = phénomène bruité
E(X( t )) = f ( t )
2° la martingale exponentielle est un bruitage multiplicatif:
f ( t ) = phénomène déter min iste
Y( t ) = f ( t ). eσ w ( t )−σ 2 t / 2
= phénomène bruité
E(Y( t )) = f ( t )
INSEA Devolder 204
3.3. Le mouvement brownien
Contrexemple de martingale :

Le processus X( t ) = w 3 ( t )
bien que d’espérance constante n’est pas une martingale.

Il suffit de montrer que :


E( w 3 ( t ) ℑs ) ≠ w 3 (s) ( 0 < s < t )
On part de la relation :

E(( w ( t ) − w (s))3 ℑs ) = E( w 3 ( t − s)) = 0

INSEA Devolder 205


3.3. Le mouvement brownien
En développant il vient :

E (( w ( t ) − w (s))3 ℑs ) = E( w 3 ( t ) − 3w 2 ( t ) w (s) + 3w ( t ) w 2 (s) − w 3 (s) ℑs )


= E ( w 3 ( t ) ℑs ) − 3w (s) E ( w 2 ( t ) ℑs ) + 3w 2 (s) E ( w ( t ) ℑs ) − w 3 (s)
= E ( w 3 ( t ) ℑs ) − 3w (s)( w 2 (s) + t − s) + 3w 3 (s) − w 3 (s)
= E ( w 3 ( t ) ℑs ) − w 3 (s) − 3w (s)( t − s) = 0
Il en résulte :
E( w 3 ( t ) ℑs ) = w 3 (s) + 3 w (s) ( t − s)
w 3 n ' est donc pas une martingale
INSEA Devolder 206
3.3. Le mouvement brownien
Mouvement brownien et variation bornée :
− soit 0 = t 0 < t1 < ... < t n = t
-On a : n n
E( ∑ ( ∆w( t i )) ) = ∑ ∆t i = t
2

i=1 i=1

D’autre part si f est une fonction déterministe à variation


bornée alors on a par définition de l’intégrale de Stieltjes:

INSEA Devolder 207


3.3. Le mouvement brownien
n t
limn → ∞ ∑ ( ∆f ( t i )) = ∫ df = f ( t ) − f (0)
i=1 0

n
limn → ∞ ∑ ( ∆f ( t i ))2 = 0
i=1

Le mouvement brownien ne peut donc être à variation finie: ses


trajectoires sont sur tout intervalle fini non à variation bornée.

En particulier les trajectoires d’un brownien ne sont pas des


fonctions dérivables et la différentielle dw(t) au sens classique
du calcul différentiel trajectoire par trajectoire n’existe pas.
INSEA Devolder 208
3.3. Le mouvement brownien
Variation quadratique d’un mouvement brownien :
PROPRIETE :
j
Soit t j = n t ( j = 0,...,2 n ) une subdivision de(0, t ) , alors :
2
2n

∑ j
(
j=1
w ( t ) − w ( t j−1 )) 2

→ t

en convergence quadratique.

INSEA Devolder 209


3.3. Le mouvement brownien
Preuve :
2n
Soit: Z n ( t ) = ∑ ( w( t j ) − w( t j−1 )) 2
j=1

(i) E( Z n ( t )) = t
(ii) Var ( Z n ( t )) → 0
2n
(i) E Z n ( t ) = ∑ ( t j − t j−1 ) = t
j=1

2n
(ii) Var Z n ( t ) = ∑ var( ( w( t j ) − w( t j−1 )) 2 )
j=1
INSEA Devolder 210
3.3. Le mouvement brownien
Lemme :
si X = N (0, σ 2 ) alors :
var X 2 = 2σ 4
Preuve :
Var X 2 = E X 4 − ( EX 2 ) 2 = EX 4 − σ 4
Par fonction génératrice : +∞

M X ( u ) = ∫ e ux dF( x ) = Φ X (iu ) = e u σ
2 2
/2

−∞

∂n
EX = n M x ( u )
n
u =0 EX 4 = 3 σ 4
∂u
INSEA Devolder 211
3.3. Le mouvement brownien
Donc finalement :

2n 2
t 2 t
Var Z n ( t ) = ∑ 2( n ) = 2 n +1 2 n
j=1 2 2

INSEA Devolder 212


3.3. Le mouvement brownien
Auto-similarité du mouvement brownien :
( scaling effect ou self similarity)

Le mouvement brownien fait partie de la famille des fractales


qui ont des propriétés d ’échelle : même forme des trajectoires
quelle que soit l’échelle à laquelle on les regarde.

D’une manière générale un processus stochastique X est


H- auto similaire si :
∀ λ > 0, ∀t > 0 :
d
X (λt ) = λH X ( t )
INSEA Devolder 213
3.3. Le mouvement brownien
H est appelé l’indice de Hurst du processus.

Pour un mouvement brownien standard on a par définition:

d d
w (λt ) = N (0, λt ) = λ1 / 2 X ( t )

Le mouvement brownien standard est un processus


auto similaire d’indice ½.

Rem.: il s’agit d’une propriété de distributions et non pas


de trajectoires
INSEA Devolder 214
3.3. Le mouvement brownien
Mouvement brownien et temps d’atteinte :
Pour a > 0 fixé on définit le temps d’atteinte :

Ta = inf{ t ≥ 0 : w ( t ) = a}
Ta = +∞ si a jamais atte int

Propriété :
Ta est un temps d’arrêt.

INSEA Devolder 215


3.3. Le mouvement brownien
Principe de réflexion :

P(Ta < t ) = 2P( w ( t ) > a )


Preuve :
1) si w( t ) > a alors Ta < t
2) w (s + Ta ) − w (Ta ) est aussi un brownien

INSEA Devolder 216


3.3. Le mouvement brownien
Par symétrie on a donc :
P( w( t ) − w (Ta ) > 0 Ta < t ) = 1 / 2
Il vient alors successivement :

P( w ( t ) > a ) = P(Ta < t, w( t ) − w(Ta ) > 0)


= P(Ta < t ) P( w ( t ) − w(Ta ) > 0 Ta < t )
1
= P(Ta < t )
2

INSEA Devolder 217


3.3. Le mouvement brownien
Maximum d’un mouvement brownien :

On définit le processus maximum d’un brownien par :

M ( t ) = max s∈[0, t ] w (s)

On peut obtenir la loi conjointe d’un mouvement brownien


et de son maximum.

INSEA Devolder 218


3.3. Le mouvement brownien
PROPRIETE :

Pour a > 0, a > x :

2a − x
P( M ( t ) ≥ a , w ( t ) ≤ x ) = 1 − Φ ( )
t

INSEA Devolder 219


3.3. Le mouvement brownien
Applications en finance :

-temps d’atteinte : première fois où la valeur


d’une action atteint une valeur
donnée ( par exemple première fois où la valeur
du titre augmente de 50% ).

- maximum : valeur maximale atteinte par une action


sur une certaine période.

INSEA Devolder 220


3.3. Le mouvement brownien
Simulation d’un mouvement brownien :

-En théorie mouvement brownien … non représentable


compte tenu de ses propriétés de non dérivabilité.

- Discrétisation possible permettant de se faire une idée de la


forme des trajectoires

- Principe de base : on choisit un pas ∆t


- Pour simuler la valeur de w(t) on décompose :
w( t ) = w( ∆t ) + ( w( 2∆t ) − w( ∆t )) + ... + ( w( t ) − w( t − ∆t ))
INSEA Devolder 221
3.3. Le mouvement brownien
Par définition du mouvement brownien, tous les éléments
de cette somme :
- sont des variables iid
- distribuées normalement d’espérance nulle et de variance ∆t
Algorithme : simulation du brownien sur (0,T) :

choose ∆t
t0 = 0
T
n=
∆t

INSEA Devolder 222


3.3. Le mouvement brownien
For j = 1 to n
t j = t j −1 + ∆t
choose Z j ∝ N ( 0 ,1 )
w( t j ) = w( t j −1 ) + Z j . ∆t
next j
On a ainsi généré les valeurs du mouvement brownien
aux points intermédiaires tj

Pour définir des trajectoires continues il suffit de relier ces points


par des fonctions linéaires:
INSEA Devolder 223
3.3. Le mouvement brownien
Pour t j−1 < t < t j :

( t − t j−1 )
w ( t ) = w ( t j−1 ) + ( w ( t j ) − w ( t j−1 ))
∆t

Exercice : simuler quatre trajectoires discrétisées du


mouvement brownien sur une durée de 2 ans en utilisant un
pas de discrétisation d’abord journalier puis 3 fois par jour.

INSEA Devolder 224


*+ ,#$0!#, #"'! #()
MOTIVATION :

Les trajectoires d’un mouvement brownien n’étant pas à


variations bornées, on ne peut utiliser les outils du calcul
différentiel et intégral.
L’objectif du calcul stochastique est de définir une autre
forme d’intégrale ( l’intégrale stochastique) qui permet de
développer des équations d’évolution stochastiques en
temps continu.
La méthodologie consiste à passer d’une convergence
trajectoire par trajectoire à une convergence quadratique.
INSEA Devolder 225
3.4. Intégration stochastique
1°)Promenade aléatoire discrète :
n
ln(S( n ) / S(0)) = δ.n + σ ∑ ψ i = δ.n + σ.W( n )
i =1

2°)Subdivision de la promenade :
t / ∆t j

ln(S j ( n ) / S(0)) = δ.n + σ .∆x j ∑ ψ i = δ.n + σ.W j ( n )


i =1

3°)Différences finies du processus: notation:


∆j X (n) = X(n) − X(n − ∆t j )

INSEA Devolder 226


3.4. Intégration stochastique
∆j ln(S j ( n ) / S(0)) = δ∆t j + σ .∆x jψ = δ.∆t j + σ.∆W j ( n )
4°) Passage à la limite : ???
d (ln(S( t ) / S(0)) = δ.dt + σ.dw( t )

Mais le processus w a des trajectoires non à variations


bornées; cette différentielle n’existe pas au sens classique.

CALCUL STOCHASTIQUE : donner quand même un sens


à cette différentielle.

INSEA Devolder 227


3.4. Intégration stochastique
Construction de l’intégrale classique :
Soit f une fonction de (0,T) à valeurs réelles
Intégrale de Riemann :
T

∫ f (s) ds
0

Construction par limite de sommes de Riemann :


n −1

∑ f (s ) ( t
j=0
j j+1 − t j)

Avec : 0 = t 0 < t 1 < ... < t n = T et s j ∈ [t j , t j+1 ]


INSEA Devolder 228
3.4. Intégration stochastique
Intégrale de Riemann – Stieltjes :
Soit g une fonction à variations bornées de (0,T) à valeurs réelles
T

∫ f (s) dg(s)
0

Construction par limite de sommes de Riemann :


n −1

∑ f (s ) ( g ( t
j=0
j j+1 ) − g( t j ))

0 = t 0 < t 1 < ... < t n = T et s j ∈ [t j , t j+1 ]


Avec :

INSEA Devolder 229


3.4. Intégration stochastique
Essai de généralisation en stochastique :
On essaie de définir un objet du type :
T

∫ X(s) dw(s)
0

Avec : − X : processus stochastique


− w : mouvement brownien s tan dard
Le résultat devrait être une variable aléatoire !

INSEA Devolder 230


3.4. Intégration stochastique
On peut toujours définir des sommes de Riemann qui deviennent
des variables aléatoires :
n −1
Z n = ∑ X (s j ) ( w( t j+1 ) − w ( t j ))
j=0

( 0 = t 0 < t 1 < ... < t n = T et s j ∈ [t j , t j+1 ] )

Comment passer à la limite des ces sommes qui sont


à présent des variables aléatoires?

… choix d’un mode de convergence de v.a.


INSEA Devolder 231
3.4. Intégration stochastique
Première possibilité : vision trajectoire par trajectoire:
on définit l’intégrale stochastique comme une intégrale de
Riemann Stieltjes classique , trajectoire par trajectoire:

∀ω ∈Ω : Y ( ω) = ∫ X(s, ω) dw(s, ω)
0

Première anomalie : les trajectoires du mouvement brownien


sont partout non à variation bornée .

Ces intégrales n’existent donc généralement pas .


INSEA Devolder 232
3.4. Intégration stochastique
L’utilisation d’une intégrale trajectoire par trajectoire revient à
travailler, en terme de mode de convergence de variables
aléatoires, en convergence presque sûre.

En vue de définir une intégrale on va passer à un mode de


2
convergence plus faible , la convergence quadratique ( L ).

Cette exigence moins forte de convergence va permettre de


passer à la limite dans les sommes de Riemann mais :

Deuxième anomalie : la limite va dépendre des points s j


INSEA Devolder 233
3.4. Intégration stochastique
Illustration : essai de définition de l’intégrale :
T

∫ w (s )
0
dw(s)

Equivalent en calcul intégral classique :

∫ f (s) df (s) T
f 2 (T )
0 ∫0 f (s) df (s) = 2
avec : f (0) = 0 et f à VB

INSEA Devolder 234


3.4. Intégration stochastique
Calcul en stochastique : premier choix : début de l’intervalle
( choix canonique en calcul stochastique )
s j ∈ [t j , t j+1 ] : s j = t j

Soit la suite de partitions de l’intervalle (0,T) générées


par les points :
iT
t (n)
i = (i = 0,1,..., n )
n
Avec passage à la limite : n→∞

INSEA Devolder 235


3.4. Intégration stochastique
Thèse : on a dans L2 :
n −1
1 2 1
lim n→∞ ∑ w( t )( w( t ) − w ( t )) = w (T ) − T
n
j
n
j+1
n
j
j=0 2 2
Lemme :
1 2 1
a ( b − a ) = ( b − a ) − ( a − b) 2
2

2 2
1 2 1
b( b − a ) = ( b − a ) + ( a − b ) 2
2

2 2

INSEA Devolder 236


3.4. Intégration stochastique
Démonstration :
n −1
1 n −1 2 n

j=0
w ( tn
j)( w ( tn
j+1) − w ( tn
j)) = ∑
2 j=0
( w ( t j+1 ) − w 2
( t n
j ))

1 n −1
− ∑ ( w( t nj+1 ) − w ( t nj )) 2
2 j=0
1 2 1 n −1
= w (T ) − ∑ ( w ( t nj+1 ) − w( t nj )) 2
2 2 j=0
L2 t nj+1 − t nj

INSEA Devolder 237


3.4. Intégration stochastique
2
Donc dans L on a :
1 2 1
lim n→∞ ∑ = w (T ) − T
2 2
Conclusion : on va écrire en adoptant cette définition de limite
en convergence quadratique de l’intégrale stochastique :

T
w 2 (T ) T
∫0 w(s) dw(s) = 2 − 2

INSEA Devolder 238


3.4. Intégration stochastique
deuxième choix : fin de l’intervalle
s j ∈ [t j , t j+1 ] : s j = t j+1

On peut montrer alors de manière identique ( deuxième partie


du lemme) que cette fois on a :

n
1 2 1
lim n→∞ ∑ w( t )( w ( t ) − w( t )) = w (T ) + T
n
j+1
n
j+1
n
j
j=0 2 2

INSEA Devolder 239


3.4. Intégration stochastique
troisième choix : milieu de l’intervalle
( intégrale de STRATONOVICH)

s j ∈ [t j , t j+1 ] : s j = ( t j + t j+1 ) / 2

On peut montrer qu’on a alors :

n
1 2
lim n→∞ ∑ w( t )( w ( t ) − w( t )) = w (T )
n
j+1
n
j+1
n
j
j=0 2

INSEA Devolder 240


3.4. Intégration stochastique
Types d’intégrales stochastiques :

-premier choix : début d’intervalle :


choix canonique en calcul stochastique : Intégrale de ITO:
on peut définir l’intégrale indéfinie qui devient un processus
stochastique :
t
w 2 (t) t
I( t ) = ∫ w (s) dw(s) = −
0 2 2
Corollaire : cette intégrale de ITO est une martingale
de moyenne nulle ( bruit ).
INSEA Devolder 241
3.4. Intégration stochastique
troisième choix : milieu d’intervalle :

choix alternatif en calcul stochastique :


Intégrale de STRATONOVICH
2
w (t)
Î( t ) = ∫0 w(s) ds =
t

Cette intégrale respecte la règle traditionnelle du calcul


intégral mais ne génère plus une martingale:
E( Î( t )) = t / 2
INSEA Devolder 242
3.4. Intégration stochastique
Justification du choix canonique de début d’intervalle :
( supprématie de l’intégrale de ITO ) :

Avantages :
1° mesurabilité : en terme de filtration , la valeur en début
d’intervalle est la seule mesurable tout au long de l’intervalle
d’intégration.

2° martingale : l’intégrale de ITO est une martingale


d’espérance nulle .
Dans la suite, Intégrale de ITO
INSEA Devolder 243
3.4. Intégration stochastique
CONSTRUCTION DE L’INTEGRALE STOCHASTIQUE :
But : donner un sens à l’objet aléatoire suivant:
dw (s, ω)
t t

∫0 X(s, ω) dw(s, ω) ≠ ∫0 X(s, ω) ( ds ) ds


− w = mouvement brownien s tan dard
Où:
− X = processus stochastique

= Intégrale stochastique définie

INSEA Devolder 244


3.4. Intégration stochastique
Propriétés de base de l’intégration classique :

Si f est une fonction à variations bornées , alors on a :


T

1°) ∫ 1]a ,b ] (s) dg(s) = g( b) − g(a ) (0 < a < b < T )


0
T T T

2°) ∫ (a 1 f1 (s) + a 2 f 2 (s)) dg(s) = a 1 ∫ f1 (s) dg(s) + a 2 ∫ f 2 (s) dg(s)


0 0 0
( opérateur linéaire)
… propriétés minimales à conserver pour toute opération
d’intégration digne de ce nom….
INSEA Devolder 245
3.4. Intégration stochastique
- Démarche : limite de somme de Riemann mais autre
passage à la limite tout en conservant ces propriétés de base.

-1° Etape : Intégration de fonctions indicatrices :


X(s, ω) = 1[a ,b[ (s)
t
Alors: ∫ X(s) dw(s, ω) = 0
0
si t ≤ a

= w ( t ) − w (a ) si a < t ≤ b
= w(b) − w(a) si t > b
INSEA Devolder 246
3.4. Intégration stochastique
-2° Etape : Intégration de fonctions en escaliers :
additivité de l’intégrale:
n −1
X(s) = ∑ c j 1[t ,t [ (s) + c n 1{t } (s)
j j +1 n
j= 0

où 0 = t 0 < t 1 .... < t n = t : subdivision déter min iste


c i = cons tan tes
t n −1 t n −1

∫ X(s) dw(s) = ∑ c ∫ 1[
0 j=0
j
0
t j , t j +1 [ (s) dw (s) = ∑ c j ( w ( t j+1 ) − w ( t j ))
j=0

INSEA Devolder 247


3.4. Intégration stochastique
-3° Etape : Intégration de processus stochastiques simples :
X est dit un processus stochastique simple sur (0,T) si :

− ∃ 0 = t 0 < t 1 < ... < t n = T


− ∀k : ξ k = v.a. ℑ t − mesurable
k

− ∀k : E ( ξ k ) < ∞
2

tel que :
n −1
X( t, ω) = ξ n −1 ( ω)1{t } ( t ) + ∑ ξi ( ω)1[t ,t [ ( t )
n i i +1
i =0

INSEA Devolder 248


3.4. Intégration stochastique
Alors : si t k ≤ t < t k +1
On définit l’intégrale définie par:
t k −1
It ( X) = ∫ X dw = ∑ ξi ( w( t i+1 ) −w( t i )) + ξk ( w( t ) − w( t k ))
i=0
(I0 (0) = 0)
0

Cet opérateur est additif :

I t (aX + bY ) = a I t ( X ) + b I t ( Y )

INSEA Devolder 249


3.4. Intégration stochastique
Propriété de martingale :
Le processus « intégrale indéfinie » est une martingale
E( It ( X) I ℑs ) = Is ( X) (0 < s < t )

En particulier:
E(It ( X)) = 0
Démonstration:
2 cas selon que s et t appartiennent ou non au même
sous intervalle de la subdivision:

INSEA Devolder 250


3.4. Intégration stochastique
Par exemple si s et t appartiennent au même sous intervalle :
soit s, t ∈ [t k , t k +1[ :

It ( X) = Is ( X) + ξk ( w( t ) − w(s))
ξk indépendan te de ( w( t ) − w(s))
Donc :

E(It ( X) l ℑs ) = Is ( X) + ξk E( w( t ) − w(s) l ℑs ) = Is ( X)

INSEA Devolder 251


3.4. Intégration stochastique
Propriété du moment d’ordre 2 ( propriété d’isométrie):
t
E((It ( X))2 ) = E( ∫ X 2 (s) ds)
0

Démonstration:
k −1
E((∑ ξi ( w( t i+1 ) − w( t i )) + ξk ( w( t ) − w( t k ))2 )
i=0
k −1
= E( ∑ ξi ( w( t i+1 ) − w( t i ))2 + ξk ( w( t ) − w( t k ))2 )
2 2

i=0

INSEA Devolder 252


3.4. Intégration stochastique
k −1
= ∑ E(ξi ( t i+1 − t i ) + E(ξk )( t − t k )
2) 2

i=0
t t
= ∫ (E( X(s))2 ds = E( ∫ X 2 (s) ds)
0 0

Remarque : la définition de ces processus simples


montre bien que l’on prend une valeur mesurable
en début d’intervalle ( intégrale de ITO ).

INSEA Devolder 253


3.4. Intégration stochastique
-4° Etape : Intégration de processus de carré intégrable :

X est dit un processus de carré intégrable sur (0,T) si:


- X est un processus adapté à la filtration
T
− E( ∫ X 2 (s) ds) < ∞
0

Espace M T2 =ensemble des processus de carré intégrable


sur (0,T).
Espace
M 2 = M 2∞ = processus de carré int égrable sur (0, ∞)
INSEA Devolder 254
3.4. Intégration stochastique
Propriété : si X est un processus de carré intégrable alors:

− ∃ { X( n ) } ∈L2 (Ω) : processus simples


avec :
T
limn → ∞ E( ∫ ( X( n ) (s) − X(s))2 ds) = 0
0

Pour chaque processus simple de la suite on peut définir:


t
It ( X(n ) ) = ∫ X( n ) (s) dw (s)
0

INSEA Devolder 255


3.4. Intégration stochastique
Cette suite de processus converge dans la norme L2
vers un processus appelé intégrale stochastique
t
n → ∞
It ( X(n ) )  → It ( X) = ∫ X(s) dw (s) par notation
0

C’est à dire :

lim n→∞ E( I t ( X ) − I t ( X n ) ) = 0
2

INSEA Devolder 256


3.4. Intégration stochastique
Propriétés de l’intégrale stochastique :

(i) E( I t ( X )) = 0
t

(ii) E( I t ( X )) = E( ∫ X 2 (s) ds)


2
(Isométrie de ITO)
0

(iii) I t ( X ) est une martingale


(iV) I t ( X ) est un processus à trajectoires continues

INSEA Devolder 257


3.4. Intégration stochastique
Caractérisation des espaces M T2

-analogie de la propriété classique d’existence de l’intégrale


pour des fonctions continues : l’intégrale classique de
RIEMAN existe pour toute fonction continue.

PROPOSITION :

Si f est un processus stochastique à trajectoires continues p.s.


adapté à la filtration du brownien.
alors l’intégrale de ITO de f sur (0,T) existe si :

INSEA Devolder 258


3.4. Intégration stochastique
T

E( ∫ f 2 (s) ds) < ∞


0

Preuve : il suffit de montrer qu’il existe une suite de


processus simple convergeant en moyenne quadratique vers f.
Une suite candidate est la suivante :
k
n
k k +1
f n ( t ) = n ∫ f (s) ds pour ≤ t < ( k = 1,2,..., n 2 − 1)
k −1 n n
n

=0 sin on
INSEA Devolder 259
3.4. Intégration stochastique
Différentielle stochastique:
− b(s, ω) : processus adapté et int égrable
− σ(s, ω) : processus adapté et de carré int égrable
t t
X( t ) = X0 + ∫ b(s) ds + ∫ σ(s) dw (s)
0 0

Alors :
dX( t ) = b( t ) dt + σ( t ) dw ( t )
= différentielle stochastique
INSEA Devolder 260
3.4. Intégration stochastique
Propriétés de la différentielle stochastique :
autres règles que le calcul différentiel classique

-EXEMPLE /
Calcul différentiel classique:
t
( f ( t ))2 = 2∫ f (s) df (s)
0

Calcul stochastique :
t
( w( t ))2 = ??? 2 ∫ w(s) dw (s)
0

INSEA Devolder 261


3.4. Intégration stochastique
Or: (i) E( w 2 ( t )) = t
t
(ii)E( ∫ w(s) dw (s)) = 0 ( martingale )
0

Différentielle d’un produit ( intégration par parties) :


Si: dξ1( t ) = b1( t ) dt + σ1( t ) dw ( t )
dξ 2 ( t ) = b 2 ( t ) dt + σ 2 ( t ) dw ( t )

Alors: d(ξ1( t )ξ 2 ( t )) = ξ1( t ) dξ 2 ( t ) + ξ 2 ( t ) dξ1( t ) + σ1( t )σ 2 ( t ) dt

INSEA Devolder 262


3.4. Intégration stochastique
Différentielle d’une fonction de fonction:
Calcul différentiel classique:
d f ( t, g( t, x )) = ? ( f , g différentiables )
∂f ∂f ∂g ∂f ∂g
df ( t, g( t, x )) = ( + ) dt + dx
∂t ∂x ∂t ∂x ∂x

Calcul stochastique : Formule de ITO

INSEA Devolder 263


3.4. Intégration stochastique
Lemme de ITO : version de base

f ( t, x ) = fonction de 2 var iables (f ∈C1, 2 )


Alors f ( t, w( t )) est différentiable et on a :

∂f 1 ∂ 2 f ∂f
df ( t, w ( t )) = ( + ) dt + dw( t )
∂t 2 ∂x 2
∂x

INSEA Devolder 264


3.4. Intégration stochastique
Lemme de ITO : version générale
(i) dξ( t ) = b( t ) dt + σ( t )dw( t ) ( processus de ITO)
(ii)f ( t, x ) = fonction de 2 var iables (f ∈C1, 2 )
Alors f ( t, ξ( t )) est différentiable :

∂f ∂f 1 ∂ 2f 2 ∂f
df ( t, ξ( t )) = ( + b( t ) + σ ( t )) dt + σ( t ) dw( t )
∂t ∂x 2 ∂x 2
∂x

INSEA Devolder 265


3.4. Intégration stochastique
Règles de calcul formel:
dt.dt = 0
dw.dw = dt
dw.dt = 0

∂f ∂f 1 ∂ 2f ∂ 2
f 1 ∂ 2
f 2
df ( t, w ) = dt + dw + (dt ) +
2
(dw.dt ) + (dw )
∂t ∂x 2 ∂t 2
∂x∂t 2 ∂x 2

∂f ∂f 1 ∂ 2f
= dt + dw + dt
∂t ∂x 2 ∂x 2

INSEA Devolder 266


3.4. Intégration stochastique
Application : intégration par parties :
t

∫ s dw(s) = ??
0

On prend: f ( t, x ) = t x
ξ( t ) = w( t )
Par ITO on a :
t t

∫ s dw(s) = t w( t ) − ∫ w(s) ds
0 0

INSEA Devolder 267


3.4. Intégration stochastique
Généralisation : formule générale de l’intégration par parties

Si f (s, ω) continu et à var iation bornée ∀s p.s. :

t t

∫ f (s) dw(s) = f ( t ) w( t ) − ∫ w(s) df (s)


0 0

Cette propriété n’est plus vérifiée généralement quand


le processus f n’est pas à variation bornée
( par exemple : prendre f = w )

INSEA Devolder 268


3.4. Intégration stochastique
t
EXEMPLE/ ITO 1 : ( w( t ))2 = ??? 2 ∫ w(s) dw (s)
0

f ( t, x ) = x 2
On prend:
ξ( t ) = w ( t )

dw 2 ( t ) = 2 w( t ) dw( t ) + dt
ou
t

w 2 ( t ) = t + 2 ∫ w (s) dw(s)
0
INSEA Devolder 269
3.4. Intégration stochastique
EXEMPLE/ ITO 2 :
E w 6 (t) = ?

On prend: f ( t, x ) = x 6
ξ( t ) = w ( t )
dZ( t ) = 6 w( t ) 5 dw ( t ) + 15 w( t ) 4 dt
en int égrant :
t t

Z( t ) = ∫ 6w (s) 5 dw (s) + ∫ 15 w (s) 4 ds


0 0

INSEA Devolder 270


3.4. Intégration stochastique
Or:
t

1) E( ∫ 6 w (s) 5 dw(s)) = 0 ( int égrale stochastique)


0
t t t

2) E( ∫ 15 w (s) 4 ds) = 15∫ E w (s) 4 ds = 15∫ 3s 2 ds


0 0 0
(cf. slide 72)
Finalement:

E( w ( t ) 6 ) =15 t 3

INSEA Devolder 271


3.4. Intégration stochastique
Exercices

1°Pour quelle valeur du paramètre r le processus suivant est il une


martingale et quelle est dans ce cas sa volatilité ?

X( t ) = e rt . sin( π. w ( t ))

2° Calculer la différentielle de la puissance n ième d’un


mouvement brownien.

INSEA Devolder 272


*6 ()!#,
$,# #"'! #()
INTRODUCTION : équation du brownien géométrique:
f ( t, x ) = e( µt + σ x )
ξ( t ) = w( t )
∂f
(i) = µ f
On a par ITO : ∂t
∂f
(ii) = σf
∂x
∂ 2f
(iii) 2 = σ 2 f
∂x
INSEA Devolder 273
3.5. Equations différentielles
stochastiques
Par ITO :
1 2
df = µf dt + σf dw + σ f dt
2
σ2
CONCLUSION : en notant δ=µ+
2
Le processus stochastique ( brownien géométrique)
σ2
S( t ) = S(0) exp((δ − )t + σ w( t ))
2
est solution de l’équation différentielle stochastique:
dS( t ) = δ S( t ) dt + σ S( t ) dw ( t )
INSEA Devolder 274
3.5. Equations différentielles
stochastiques
PROPRIETES du mouvement brownien géométrique :

(i) E(S( t )) = S(0) e δt


2 δt σ2 t
(ii) var(S( t )) = S (0) e (e
2
− 1)
Preuve :
σ2
S( t ) / S(0) = log norm( ( δ − ) t; σ t )
2
Et : E( log norm(a , b 2 )) = exp( a + b 2 / 2)
INSEA Devolder 275
3.5. Equations différentielles
stochastiques
Equations différentielles classiques:
dx ( t )
= f ( t, x ( t ))
dt
ou
dx ( t ) = f ( t, x ( t )) dt
Solutions si f admet une condition de LIPSCHITZ:

f ( t, x ) − f ( t, y ) ≤ K x − y

INSEA Devolder 276


3.5. Equations différentielles
stochastiques
Solutions numériques : itération de Picard:
x(0) (t ) = x 0
t
x (n ) ( t ) = x 0 + ∫ f (s, x (n−1) (s)) ds
0

Equations différentielles stochastiques :

dX( t ) = b( t, X( t )) dt + σ( t, X( t )) dw ( t )
Avec: X(0) = x 0

INSEA Devolder 277


3.5. Equations différentielles
stochastiques
Conditions de LIPSCHITZ et de croissance :
(i) b( t, x ) − b( t, y + σ( t, x ) − σ( t, y ) ≤ K x − y

(ii) b 2 ( t, x ) + σ 2 ( t, x ) ≤ K 2 (1 + x 2 )

L’équation différentielle stochastique admet alors une


solution unique qui peut être approché par les itérations:
t t
X( n ) ( t ) = x 0 + ∫ b(s, X( n−1) (s)) ds + ∫ σ(s, X( n−1) (s)) dw (s)
0 0

INSEA Devolder 278


3.5. Equations différentielles
stochastiques
Equations différentielles stochastiques linéaires:

On essaie d’obtenir une solution générale à l’équation linéaire:

dX ( t ) = (c1 ( t )X ( t ) + c 2 ( t )) dt + ( σ1 ( t ) X ( t ) + σ 2 ( t )). dw ( t )
X ( 0) = X 0

Où :
c i et σ i = fonctions déter min istes continues
INSEA Devolder 279
3.5. Equations différentielles
stochastiques
Première étape : équation homogène sans bruit :

dY ( t ) = (c1 ( t )Y ( t )) dt
Y (0) = Y0

t
Solution:
Y ( t ) = Y0 . exp( ∫ c1 (s) ds)
0
t

pour Y0 = 1 : y( t ) = exp( ∫ c1 (s) ds)


0
INSEA Devolder 280
3.5. Equations différentielles
stochastiques
Deuxième étape : équation sans bruit :

dX ( t ) = (c1 ( t )X ( t ) + c 2 ( t )) dt
X ( 0) = X 0

Solution: t

X( t ) = y( t ){X 0 + ∫ c 2 (s) / y(s) ds}


0
t t t

= X 0 exp( ∫ c1 ( u )du ) + ∫ c 2 (s).( exp ∫ c1 ( u ) du ) ds


0 0 s
INSEA Devolder 281
3.5. Equations différentielles
stochastiques
Troisième étape : équation avec bruit additif :

dX ( t ) = (c1 ( t )X ( t ) + c 2 ( t )) dt + σ 2 ( t ) dw( t )
X ( 0) = X 0

Solution:
t t

X( t ) = y( t ){X 0 + ∫ c 2 (s) / y(s) ds + ∫ σ 2 (s) / y(s) dw(s)}


0 0

INSEA Devolder 282


3.5. Equations différentielles
stochastiques
Quatrième étape : équation homogène avec bruit multiplicatif:

dZ( t ) = c1 ( t )Z( t )dt + σ1 ( t ) Z( t ) dw ( t )


Z( 0) = Z 0

Solution:
t t

Z( t ) = Z 0 . exp( ∫ (c1 (s) − σ12 (s) / 2) ds + ∫ σ1 (s) dw (s))


0 0
t t

pour Z 0 = 1 : z ( t ) = exp( ∫ (c1 (s) − σ12 (s)) ds + ∫ σ1 (s) dw (s)))


0 0
INSEA Devolder 283
3.5. Equations différentielles
stochastiques
Cinquième étape : équation générale :

dX ( t ) = (c1 ( t )X ( t ) + c 2 ( t )) dt + ( σ1 ( t ) X ( t ) + σ 2 ( t )). dw ( t )
X ( 0) = X 0

Solution:
t t

X ( t ) = z ( t ){X 0 + ∫ (c 2 (s) − σ1 (s)σ 2 (s)) / z (s) ds + ∫ σ 2 (s) / z (s) dw(s)}


0 0

INSEA Devolder 284


3.5. Equations différentielles
stochastiques
EXEMPLES de processus fondamentaux :
-1° Brownien géométrique
-2° Processus d’Ornstein Uhlenbeck:
dX( t ) = a(b − X( t )) dt + σ dw ( t )

Equation déterministe correspondante:


dY( t ) = a(b − Y( t ))dt ( Y(0) = Y0 )

Solution:
Y( t ) = Y0 . e −at + b.(1 − e −at )

INSEA Devolder 285


3.5. Equations différentielles
stochastiques
Soit:
X( t ) = Y( t ) + Z( t ) e −at

On a : (i) dX( t ) = dY( t ) + e −at dZ( t ) − ae −at Z( t ) dt


(ii)dX( t ) = a(b − X( t ))dt + σdw ( t )
(iii)dY( t ) = a(b − Y( t ))dt
donc :
dZ( t ) = eat σ dw ( t )
t
Z( t ) = ∫ eat dw ( t )
0
INSEA Devolder 286
3.5. Equations différentielles
stochastiques
Finalement le processus d’Ornstein-Uhlenbeck devient:

t
X( t ) = x 0 e −at + b(1 − e −at ) + σ e −at ∫ eas dw (s)
0

Trend Bruit
déterministe aléatoire

INSEA Devolder 287


3.5. Equations différentielles
stochastiques
PROPRIETE du processus ORNSTEIN :

E X ( t ) = x 0 e − at + b(1 − e − at )

Moyenne pondérée de la position initiale et de la


position asymptotique b.
Les poids sont des exponentielles négatives gouvernées
par le facteur de rappel a.

INSEA Devolder 288


*7 '$&-  8 9
Introduction aux changements de mesure de probabilité
en univers discret

Espace de scénarios :
Ω = {ω1 , ω2 ,..., ωN }
2 mesures de probabilité équivalentes:
P({ωi }) = p i > 0
P * ({ωi }) = q i > 0
( accord sur les scénarios possibles mais pas sur leur proba).

INSEA Devolder 289


3.6. Théorème de GIRSANOV
Densité de RADON NIKODYM :
c’est une variable aléatoire appelée densité de la mesure
P* par rapport à la mesure P et donnée par :

P * ({ωi }) q i
Z( ω) = =
P({ωi }) pi
Par définition cette variable aléatoire est d’espérance
unitaire sous la mesure initiale P :
N N
qi
EZ = ∑ p i = ∑ q i = 1
i =1 p i i =1
INSEA Devolder 290
3.6. Théorème de GIRSANOV
Calcul d’espérance :

Si Y est une autre variable aléatoire définie sur cet espace,


alors on a :
E * ( Y ) = E( YZ)
Preuve :
N N
qi
E * ( Y ) = ∑ Y( ωi ) q i = ∑ ( Y ( ωi ) ) p i
i =1 i =1 pi

INSEA Devolder 291


3.6. Théorème de GIRSANOV
Exemple : modèle binomial sur une période :
Marché boursier à la hausse ou à la baisse :

Ω = {u, d}
- mesure de probabilité initiale = mesure réelle

Par exemple :
1
p u = pd =
2
Taux sans risque : 3%

INSEA Devolder 292


3.6. Théorème de GIRSANOV
Variable aléatoire : cours d’une action dans une période
S(0)=1
S(1)=Y
Avec : Y ( u ) = 1,09
Y (d ) = 1,01

Autre mesure de probabilité : mesure risque neutre :


1+ r − d
qu = et q d = 1 − q u
u−d
INSEA Devolder 293
3.6. Théorème de GIRSANOV
Donc :
1,03 − 1,01 1 3
qu = = et q d =
1,09 − 1,01 4 4

La densité est donnée par :


q u 1/ 4 1
Z( u ) = = =
pu 1/ 2 2
qd 3/ 4 3
Z( d ) = = =
pd 1 / 2 2
INSEA Devolder 294
3.6. Théorème de GIRSANOV
Calcul des espérances :
Monde réel :

EY = (1,09 + 1,01) / 2 = 1,05

Monde risque neutre :

Calcul direct : E * Y = 1,09 * 1 / 4 + 1,01 * 3 / 4 = 1,03

Calcul par densité :


E * Y = (1,09 * 1 / 2) * 1 / 2 + (1,01 * 3 / 2) * 1 / 2 = 1,03
INSEA Devolder 295
3.6. Théorème de GIRSANOV
Motivation : brownien géométrique : nouvel univers tel
que tous les actifs financiers aient aussi un return moyen
égal au taux sans risque r ; ceci implique un
changement de drift du processus.

Soit: dS( t ) = δ S( t ) dt + σ S( t ) dw ( t )

dS( t ) = r S( t ) dt + σS( t ) dw ( t ) + (δ − r ) S( t ) dt
dS( t ) = r S( t ) dt + σ S( t ) dw * ( t )
(δ − r )
avec w ( t ) = w( t ) +
*
t
σ
INSEA Devolder 296
3.6. Théorème de GIRSANOV
Le processus w* n’est plus un mouvement brownien sous
la mesure réelle de probabilité.

GIRSANOV: comment changer de mesure pour obtenir


quand même un brownien ?

On introduit pour ce la notion de changement de mesure et


de densité de RADON-NIKODYM .

INSEA Devolder 297


3.6. Théorème de GIRSANOV
soit (Ω, ℑ) un espace de probabilité muni de deux mesures
P1 et P2
DEFINITION: la mesure P2 est dite absolument continue
par rapport à la mesure P1 si:
P2 (B) = 0 ∀B ∈ ℑ tel que P1(B) = 0

THEOREME de RADON-NIKODYM :
la mesure P2 est absolument continue par rapport
à la mesure P1 ssi il existe une variable aléatoire ρ
non négative et mesurable telle que:

INSEA Devolder 298


3.6. Théorème de GIRSANOV
P2 (B) = ∫ ρ(ω) dP1(ω) = EP1 (1B ρ)
B

La variable ρ est appelée densité de Radon –Nikodym.

Cette densité est une variable aléatoire d’espérance unitaire:


Il suffit de prendre: B=Ω :

P2 (Ω) = 1 = ∫ ρ(ω) dP1(ω) = EP1 ( ρ)


INSEA Devolder 299


3.6. Théorème de GIRSANOV
Martingale exponentielle :

-espace de probabilité (Ω , ℑ,P)


-mouvement brownien standard sous P : w
- filtration associée : ℑt

Définition: le processus Y défini ci dessous est appelé


martingale exponentielle
1 2
Y( t ) = exp( k w ( t ) − k t )
2
INSEA Devolder 300
3.6. Théorème de GIRSANOV
Propriétés :
- les variables aléatoires Y(t) sont distribuées log
normalement de paramètres :
1 2
m=− k t
2
σ2 = k 2 t
- E Y(t) = 1
- Y est un processus non négatif

Candidat naturel « densité de Radon Nikodym »


INSEA Devolder 301
3.6. Théorème de GIRSANOV
Changement de mesure et mouvement brownien:

Soit {w(t, ω); t∈(0,T);ω∈Ω} un mouvement brownien


défini sur un espace de probabilité (Ω, ℑ,P)

On introduit le processus Z défini par :


Z( t ) = w ( t ) − k t (k ∈ R )
Alors le processus w* est un mouvement brownien
par rapport à la mesure Q dont la densité est définie par:
k2
ρT = Y(T) = exp( k w (T ) − T)
2 302
3.6. Théorème de GIRSANOV
Preuve: par fonctions caractéristiques:
u2
− ( t −s )
? E Q (eiu ( Z ( t )− Z ( s )) ℑs ) = e 2
??
Ou encore :
u2
iu Z ( t ) + t
? V( t ) = e 2 est une martingale sous Q ?

E Q (V( t )) = ∫ V( t , ω) dQ(ω) = ∫ V( t , ω) Y(T, ω) dP(ω)


Ω Ω

INSEA Devolder 303


3.6. Théorème de GIRSANOV
Y(T, ω)
= ∫ V( t , ω) Y( t , ω) ( ) dP(ω)
Ω Y( t , ω)
Y(T, ω)
= ∫ V( t , ω) Y( t , ω) dP(ω) ∫ dP(ω)
Ω Ω Y ( t , ω)

( car mouvement brownien à accroissements indépendants)

= ∫ V( t , ω) Y( t , ω) dP(ω)

(car Y = martingale exponentielle)

INSEA Devolder 304


3. 6. Théorème de GIRSANOV
Il faut donc montrer que le processus R est une martingale
sous P : R ( t ) = V( t ) Y( t )
u2 1 2
R ( t ) = exp( iuZ( t ) + t ) exp( k w ( t ) − k t )
2 2
u2 1 2
= exp(iu ( w ( t ) − kt ) + t ) exp(k w ( t ) − k t )
2 2
1
= exp(k + iu ) w ( t ) exp( − t ( k 2 − u 2 + iuk ))
2
1
= exp(k + iu ) w ( t ) exp(− (k + iu ) 2 ) Martingale exponentielle
INSEA
2
Devolder 305
3.6. Théorème de GIRSANOV
-Généralisation :
Généraliser la dérive du brownien :
Z( t ) = w ( t ) − k t (k ∈ R )

Z( t ) = w ( t ) − ∫ b(s, ω) ds
0

Où b est à présent un processus stochastique .

INSEA Devolder 306


3.6. Théorème de GIRSANOV
Hypothèses sur le processus b :

(i) Le processus b est adaptée à la filtration ;


( ii) condition de NOVIKOV :
1T 2
E ( ∫ b (s, ω) ds) < ∞
20

(iii) On définit la variable aléatoire :


T
1T 2
ρT (ω) = exp{ ∫ b(s, ω) dw (s) − ∫ b (s, ω) ds}
0 20
INSEA Devolder 307
3.6. Théorème de GIRSANOV
Alors le processus :
t

Z( t ) = w ( t ) − ∫ b(s, ω) ds
0

est un mouvement brownien par rapport à la mesure Q dont


la densité de Radon Nykodim par rapport à P est donnée par:

dQ
= ρT
dP

INSEA Devolder 308


*: .$ ,#!#, 
;,-!,3 <!"
Lien entre:

équations différentielles stochastiques ( EDS)


et
équations aux dérivées partielles ( PDE)

Objectif : calcul de l’espérance mathématique de fonctions


de la solution d’une équation différentielle
stochastique.

INSEA Devolder 309


3.7. Feynman- Kac
Soit X solution de l' EDS:

dX( t ) = µ( t , X( t )) dt + σ( t , X( t )) dw ( t ) (0 ≤ t ≤ T)
(où w est un brownien s tan dard)
On définit la fonction de 2 variables réelles :

F( t , x ) = E ( Φ (X(T )) X( t ) = x )

(où Φ est une fonction d’une variable réelle).

INSEA Devolder 310


3.7. Feynman- Kac
Hyp.(H1) :
T
 ∂F 2
∫0 E (σ( t, X(t ) ∂x ( t, X(t )))  dt < ∞
Alors la fonction F est solution de l’équation aux dérivées
partielles suivantes :

∂F ∂F 1 2 ∂ 2F
( t , x ) + µ( t , x ) ( t , x ) + σ ( t , x ) 2 ( t , x ) = 0
∂t ∂x 2 ∂x

Condition au bord : F(T, x ) = Φ ( x )


INSEA Devolder 311
3.7. Feynman- Kac
Preuve: Application de la formule de ITO au processus Y :
Y( t ) = F( t , X( t ))
F(T, X(T )) = F( t , X( t ))
 ∂F ∂F 
T
+ ∫  (s, X(s)) + µ(s, X(s)) (s, X(s))ds 
t  ∂s ∂x 
T
1 2 ∂ 2F
+ ∫ σ (s, X(s)) 2 (s, X(s)) ds
t 2 ∂x
T
∂F
+ ∫ σ(s, X(s)) (s, X(s)) dw (s)
t ∂x
INSEA Devolder 312
3.7. Feynman- Kac
On prend l’espérance conditionnelle des 2 membres par rapport
a:
E( [X(t ) = x )
(i) E (F(T, X(T )) [X( t ) = x ) = E (Φ (X(T ) X( t ) = x )

T
∂F
(ii)(a ) E( ∫ σ(s, X(s)) (s, X(s)) dw (s) X( t ) = x )) = 0
t ∂x
(car intégrale stochastique et condition H1)
INSEA Devolder 313
3.7. Feynman- Kac
(ii) ( b) si F est solution de l' EDP alors:
 ∂F ∂F 
T
+ ∫  (s, X(s)) + µ(s, X(s)) (s, X(s))ds 
t  ∂s ∂x 
T
1 2 ∂ 2F
+ ∫ σ (s, X(s)) 2 (s, X(s)) ds = 0
t 2 ∂x

(iii ) E(F( t , X( t ) X( t ) = x ) = F( t , X( t ))

INSEA Devolder 314


3.7. Feynman- Kac
Exemple :
Résoudre l’équation:

∂F 1 ∂ 2 F
+ =0 avec : F(T, x ) = Φ ( x )
∂t 2 ∂x 2

EDS correspondante :

dX( t ) = dw ( t )

INSEA Devolder 315


3.7. Feynman- Kac
Représentation Feynman-Kac :

F( t , x ) = E (Φ ( w (T )) w ( t ) = x )

Distribution normale N(x,T-t)


+∞

F( t , x ) = ∫ p(T − t , x , y) Φ ( y) dy
−∞

où:
1 ( y − x)2
p(T − t , x , y) = exp(− )
(T − t ) 2 π 2( T − t )
INSEA Devolder 316
3.7. Feynman- Kac
Variante de la formule de Feynman Kac :
Introduction d’une actualisation dans la fonctionnelle

− r ( T−t )
F( t , x ) = E( e Φ( X(T)) X( t ) = x )
est solution de :

∂F ∂F 1 2 ∂ 2F
( t , x ) + µ( t , x ) ( t , x ) + σ ( t , x ) 2 ( t , x )
∂t ∂x 2 ∂x
− r F( t , x ) = 0

INSEA Devolder 317


3.7. Feynman- Kac
Généralisation- actualisation à taux variable :
La fonctionnelle du type :
T
F( t , x ) = E ( exp(− ∫ k (s, X(s)) ds) Φ (X(T )) X( t ) = x )
t

est solution de :

∂F ∂F 1 2 ∂ 2F
( t , x ) + µ( t , x ) ( t , x ) + σ ( t , x ) 2 ( t , x )
∂t ∂x 2 ∂x
− k ( t , x ) F( t , x ) = 0
INSEA Devolder 318
*= !") -)#3
-, ,,
Introduction de plusieurs sources de bruit
( corrélées ou non)

Mouvement brownien multi dimensionnel

w ( t ) = ( w1 ( t ), w 2 ( t ),..., w n ( t ))

Chacune des composantes est un mouvement brownien.


Ces mouvements browniens peuvent être corrélés.
INSEA Devolder 319
3.8. Calcul multi-dimensionnel
Exemple : mouvement brownien bi-dimensionnel :

w ( t ) = ( w1 ( t ), w 2 ( t ))
est un mouvement brownien bi-dimensionnel si :

1° w1 ( t ) et w 2 ( t )) = mouvement brownien s tan dard

2° Cov( w1 ( t ), w 2 ( t )) = E( w1 ( t ).w 2 ( t )) = ρ t
( où − 1 ≤ ρ ≤ 1)
En particulier : ρ = cov (w1 (1), w 2 (1))
INSEA Devolder 320
3.8. Calcul multi-dimensionnel
Si ρ=0 , les deux sources de bruit sont indépendantes
( mouvement brownien bi-dimensionnel non corrélé).

Décomposition de CHOLESKI :

On peut toujours exprimer un mouvement brownien


bi dimensionnel en fonction d’un mouvement brownien
bi-dimensionnel non corrélé.

INSEA Devolder 321


3.8. Calcul multi-dimensionnel
Considérons un mouvement brownien non corrélé .
w * ( t ) = ( w *1 ( t ), w *2 ( t ))
On peut alors construire un mouvement brownien corrélé par
la transformation :

w1 ( t ) = w *1 ( t )
w 2 ( t ) = ρ.w *1 ( t ) + 1 − ρ 2 .w *2 ( t )

INSEA Devolder 322


3.8. Calcul multi-dimensionnel
En termes de matrice variance – covariance :

Σ = Matrice du vecteur w(1)


Σ* = Matrice du vecteur w*(1)

1 ρ  1 0 
Σ =   Σ* =  
ρ 1  0 1 

INSEA Devolder 323


3.8. Calcul multi-dimensionnel
Généralisation à n dimensions :

Vecteur gaussien n- dim corrélé :

w = w (1) = ( w1 (1), w 2 (1),..., w n (1))


Matrice variance – covariance de ce vecteur :

Σ w = cov( w, w T )
Matrice de diagonale unitaire, symétrique et définie
positive mais non nécessairement diagonale.
( corrélations entre les variables gaussiennes).
INSEA Devolder 324
3.8. Calcul multi-dimensionnel
On cherche une transformation linéaire des variables w en des
variables z telle que la matrice variance- covariance des z est
la matrice identité I .

On recherche une matrice triangulaire inférieure L telle que :


w = L. z
Avec:
Σ z = cov( z , z T ) = I

INSEA Devolder 325


3.8. Calcul multi-dimensionnel
On a alors :

Σ w = cov( w, w T ) = E( Lz z T LT ) = LLT

Il suffit donc de résoudre :


Σ w = LLT

EXEMPLE à 2 dimensions :
1 0 
L= 
ρ 1 − ρ 2 
 

INSEA Devolder 326


3.8. Calcul multi-dimensionnel
Propriétés du calcul stochastique à 2 dimensions :

Equations différentielles stochastiques :

dX1 ( t ) = α1 ( t, X1 , X 2 ) dt + σ11 ( t, X1 , X 2 )dw1 ( t ) + σ12 ( t, X1 , X 2 )dw 2 ( t )

dX 2 ( t ) = α 2 ( t, X1 , X 2 ) dt + σ 21 ( t, X1 , X 2 )dw1 ( t ) + σ 22 ( t, X1 , X 2 )dw 2 ( t )

Avec w ( t ) = ( w1 ( t ), w 2 ( t ))
mouvement brownien bi dimensionnel non corrélé
Condition d’existence et d’unicité : condition de Lipschitz
et de croissance linéaire sur les coefficients ( comme en dim1).
INSEA Devolder 327
3.8. Calcul multi-dimensionnel
Formule de ITO :

X1 et X 2 : solutions EDS
g( t, x , y) : fonction différentiable en t et 2 fois diff en x et y

Alors le processus g( t, X1 ( t ), X 2 ( t ))
est différentiable

et on a :

INSEA Devolder 328


3.8. Calcul multi-dimensionnel

∂g ∂g ∂g
dg( t, X1 , X 2 ) = dt + dX1 + dX 2
∂t ∂x 1 ∂x 2
1 ∂ 2
g ∂ 2
g
+ {( σ11 + σ12 ) 2 + ( σ 21 + σ 22 ) 2
2 2 2 2

2 ∂x 1 ∂x 2
∂ 2g
+ 2( σ11σ 21 + σ12 σ 22 ) } dt
∂x 1∂x 2

INSEA Devolder 329


3.8. Calcul multi-dimensionnel
Application : différentielle stochastique d’un produit

En prenant: g( t , x 1 , x 2 ) = x 1 x 2

d X1X 2 = X 2 dX1 + X1 dX 2 + ( σ11σ 21 + σ12 σ 22 )dt

Terme complémentaire

INSEA Devolder 330


PARTIE 4

& #"'! #()


, #-. ",#,)
+ & 15,,
!# # 0$-$#()
Modèle brownien additif : ( Bachelier, 1900)
Le cours d’une action est censé suivre une promenade
aléatoire continue ( autnat de chances durant une période
déterminée que le cours augmente ou diminue);
modélisation par un mouvement brownien .
S( t, ω) = S(0) +σ.w( t, ω)
S(0) = valeur initiale du titre
w = mouvement brownien s tan dard
σ = volatilité
INSEA Devolder 332
4.1 Modèle brownien additif et
géométrique
Propriétés du modèle additif:
(i) Le cours du titre à l’instant t est distribué normalement
de moyenne constante S(0) et de variance donnée par:

var S( t ) = σ 2 t
(ii) Le processus du cours est une martingale:
E(S( t ) l ℑs ) = S(s) s<t
(iii) Propriété d’indépendance des accroissements absolus:
S( t ) − S(s) indépendan t de S(s) (s < t )

INSEA Devolder 333


4.1 Modèle brownien additif et
géométrique
Inconvénients du modèle additif :
(i) Rendement moyen nul
(ii) Valeurs négatives possibles

Solution :
Indépendance des accroissements relatifs :
(S( t ) − S(s)) / S(s) indépendan t de S(s)

INSEA Devolder 334


4.1 Modèle brownien additif et
géométrique
Expressions sous forme d’équations différentielles stochastiques
(i) Modèle additif :
∆S( t ) = σ ∆w( t )
dS( t ) = σ dw ( t )

(ii) Modèle déterministe:

∆S( t ) = S( t )δ∆t
dS( t ) = δS( t ) dt

INSEA Devolder 335


4.1 Modèle brownien additif et
géométrique
Nouveau modèle :
∆S( t ) = δS( t )∆t + σ S( t ) ∆w( t )
dS( t ) = δS( t ) dt + σ S( t ) dw ( t )

Modèle brownien géométrique


Solution de l’équation:

σ2
S( t ) = S(0) exp((δ − )t + σ w( t ))
2

INSEA Devolder 336


4.1 Modèle brownien additif et
géométrique
Propriété de distribution :
S( t ) / S(0) = exp(normale )
moyenne N = (δ − σ 2 / 2)t
écart − type N = σ t
Distribution log-normale:

Si X est une variable aléatoire distribuée normalement


de moyenne a et d’écart type b alors la variable Y=exp(X)
est appelée une variable log-normale de paramètres a et b

INSEA Devolder 337


4.1 Modèle brownien additif et
géométrique
Densité de probabilité d’une log normale:

1 (ln y − a)2
fY ( y ) = exp( −( )) ( y > 0)
by 2π
2
2b

Moments d’une log-normale :


a +b 2 / 2
(i) E( Y ) = e
2a +b 2
(ii) var( Y ) = e (e − 1)
b2

INSEA Devolder 338


4.1 Modèle brownien additif et
géométrique
Moments du modèle brownien géométrique:
(i) E(S( t )) = S(0) e δt
2 δt σ2 t
(ii) var(S( t )) = S (0) e (e 2
− 1)

Propriété d’indépendance
( δ − σ 2 / 2 )( t − s )
(S( t ) − S(s)) / S(s) = e e σ( w ( t )− w ( s )) − 1

Indépendant de S(s)

INSEA Devolder 339


+% &  4!"> #
"'
Hypothèses du modèle:
(i) Actif risqué suivant un modèle brownien géométrique;
(ii) Actif sans risque de rendement constant continu r
(iii) Marché parfait
(iv) Pas de distribution de dividende de l’actif risqué durant
la période considérée

Objectif:
Tarification d’une option européenne ( call ou put)
sur l’actif risqué

INSEA Devolder 340


4.2 Modèle de Black et Scholes
Trois visions du modèle:

(i) Résolution directe par arbitrage;


(ii) Mesure martingale;
(iii) Limite du modèle binomial discret
Notations
dS( t ) = δ S( t )dt + σ S( t ) dw ( t )

C(S, t,K ) = prix en t d' un call sur S de prix d' exercice K


(T= maturité de l’option)
INSEA Devolder 341
4.2 Modèle de Black et Scholes
Première approche : résolution directe par arbitrage :
Application de la formule de ITO au processus C :
∂C ∂C 1 2 2 ∂ 2C ∂C
dC(S, t ) = ( + δS + σS )dt + σS dw ( t )
∂t ∂S 2 ∂S 2
∂S

ou dC(S, t ) = C(S, t )(α Cdt + σc dw ( t ))


∂C ∂C 1 2 2 ∂ 2C
avec αC = ( + δS + σS )/C
∂t ∂S 2 ∂S 2

∂C
σC = (σS ) / C
∂S
INSEA Devolder 342
4.2 Modèle de Black et Scholes
Raisonnement d’arbitrage:
Constitution d’un portefeuille contenant des titres sous jacents
et des options d’achat sur ce titre
Q( t ) = x S ( t )S( t ) + x C ( t )C(S, t )
Portefeuille supposé auto financé:

dx s S + dx C C = 0

INSEA Devolder 343


4.2 Modèle de Black et Scholes
Equation différentielle stochastique du portefeuille:
dQ( t ) = x S dS( t ) + x CdC( t )

ou dQ( t ) = Q( t ) (α Q dt + σQ dw ( t ))

avec α Q = ( x SSδ + x CCα C ) / Q


σQ = ( x SSσ + x CCσC ) / Q

INSEA Devolder 344


4.2 Modèle de Black et Scholes
Construction d’un portefeuille sans risque :
x S et x C : σQ = 0 ∀t

par arbitrage : α Q = r

(i)x SSσ + x CCσ C = 0


(ii)x SSδ + x CCα C = r Q = r( x SS + x CC)
ou x SS(δ − r ) + x CC(α C − r ) = 0

INSEA Devolder 345


4.2 Modèle de Black et Scholes
Condition sur le système:
δ − r αC − r
=
σ σC
( égalité des primes de risque par unité de risque)

Equation de structure des prix :


1 2 2 ∂ 2C ∂C ∂C
σS + rS + −rC = 0
2 ∂S 2
∂S ∂t
Conditions aux bords: C(0, t ) = 0 et C(S, T ) = (S − K )+
INSEA Devolder 346
4.2 Modèle de Black et Scholes
L’équation de structure dépend de la volatilité et du taux sans
risque mais ne dépend pas du rendement moyen du sous jacent
Résolution de l’équation de structure :
3 étapes:
(i) transformation en l’équation de la chaleur
(ii) résolution de l’équation de la chaleur
(iii) retour aux variables initiales
ETAPE 1: de l’équation de structure à l’équation de la chaleur:
Changement de variable.

INSEA Devolder 347


4.2 Modèle de Black et Scholes
C(S, t ) = e −r ( T − t ) u( x, τ)
2M
τ = 2 (T − t ) avec M = r − σ 2 / 2
σ
τ = temps résiduel normé
2M
x = 2 (log(S / K ) + M(T − t ))
σ
? Equation en les variables u,x et τ

INSEA Devolder 348


4.2 Modèle de Black et Scholes
Equation:
∂ 2u ∂u
=
∂x 2
∂τ

Condition aux bords :


C(S, T ) = (S − K )+ devient:

σ2
u( x,0) = ϕ( x ) = K exp( x ) − K ( x ≥ 0)
2M

INSEA Devolder 349


4.2 Modèle de Black et Scholes
ETAPE 2: résolution de l’équation de la chaleur
Intégrale de Poisson:
+∞ ( x − s )2
1 ϕ(s) −
u( x, τ) = ∫
2 π −∞ τ
e 4τ
ds

Solution:
x*2 − x 2
x* − x
u( x, τ) = KΦ( )e 4τ
− KΦ( )
2τ 2τ

INSEA Devolder 350


4.2 Modèle de Black et Scholes
Avec:
τσ2
(i) x* = x +
M
u
1 −v 2 / 2
(ii) Φ(u) = ∫
2π − ∞
e dv

ETAPE 3: retour aux variables initiales

u( x, τ) → C(S, t )

INSEA Devolder 351


4.2 Modèle de Black et Scholes
Formule de Black et Scholes ( 1973):

C(S, t ) = S ( t )Φ (d1 ) − K e − r ( T − t ) Φ (d 2 )
avec :
ln(S( t ) / K ) + ( r + σ 2 / 2)(T − t )
d1 =
σ T−t
ln(S( t ) / K ) + ( r − σ 2 / 2)(T − t )
d2 =
σ T−t

INSEA Devolder 352


4.2 Modèle de Black et Scholes
Formule du put: parité put-call

P(S, t ) + S( t ) = C(S, t ) + e − r ( T − t ) K

P(S, t ) = K e − r ( T − t ) Φ ( −d 2 ) − S( t )Φ ( −d1 )

Le prix du call ou du put dépend de la volatilité et du


taux sans risque mais ne dépend pas du rendement moyen
du sous jacent.

INSEA Devolder 353


4.2 Modèle de Black et Scholes
Sensibilité du prix de l’option à ses paramètres:
les « grecques »
∂C
∆ = delta =
∂S
∂ 2C
Γ = gamma =
∂S 2
∂C
ϑ = vega =
∂σ
∂C
Θ = teta =
∂t
∂C
ρ = rho =
∂r
INSEA Devolder 354
4.2 Modèle de Black et Scholes
Formules des grecques:

1° DELTA :
∂C
∆= = Φ(d1 )
∂S
0 < ∆ <1
2° GAMMA:
∂ 2C 1 −d12 / 2 1
Γ= = e >0
∂S 2
2π Sσ T − t

INSEA Devolder 355


4.2 Modèle de Black et Scholes
3°) VEGA:
∂C 1 −d12 / 2
ϑ= = e S T−t >0
∂σ 2π
4°) TETA:
∂C 1 −d12 / 2 Sσ
Θ= =− e − rKe −r ( T −t )Φ(d2 ) < 0
∂t 2π 2 T−t
5°) RHO:
∂C
ρ= = K (T − t ) e −r ( T − t )Φ(d2 ) > 0
∂r
INSEA Devolder 356
4.2 Modèle de Black et Scholes
Deuxième approche : mesure martingale

Application de la formule générale de pricing en marché


complet sans opportunités d’arbitrage:

C(S, t ) = e −r ( T − t ) EQ ((S(T ) − K )+ l ℑt ) ??

Sous la mesure neutre risque ( théorème de GIRSANOV)


le sous jacent peut s’écrire:

INSEA Devolder 357


4.2 Modèle de Black et Scholes
dS( t ) = r S( t ) dt + σ S( t )dw( t )
où w = mouvement brownien sous Q
En particulier on peut écrire en t :

S(T ) = S( t ). exp((r − σ 2 / 2)(T − t )). exp( σ( w(T ) − w( t ))


Et donc:
S(T ) / S( t ) = log normale ((r − σ 2 / 2)(T − t ), σ T − t ) )

INSEA Devolder 358


4.2 Modèle de Black et Scholes
L’espérance devient:

C(S, t ) = e −r ( T −t ) ∫ ( x − K ) dF * ( x )
K

où :
F * ( x ) = Q(S(T ) ≤ x l S( t ) = S)
ln( x / S) − (r − σ 2 / 2)(T − t )
= Φ( )
σ T−t

INSEA Devolder 359


4.2 Modèle de Black et Scholes
∞ ∞
C(S, t ) = e −r ( T − t ) ∫ x dF * ( x ) − e −r ( T − t )K ∫ dF * ( x )
K K

= e −r ( T − t ) ∫ x dF * ( x ) − Ke −r ( T − t )Φ(d2 )
K

= S Φ(d1 ) − K e −r ( T − t ) Φ(d2 )

Formule de Black et Scholes

INSEA Devolder 360


4.2 Modèle de Black et Scholes
Troisième approche :limite du modèle binomial discret
- convergence de la promenade aléatoire discrète
vers le mouvement brownien ;
- forme du prix de l’option en binomial:
1
C(0) = S Φ(a; n, p1 ) − K Φ(a; n,p)
(1 + r )n

-forme du prix de l’option Blak et Scholes:


C(S,0) = S Φ(d1 ) − K e −rT Φ(d2 )

INSEA Devolder 361


4.2 Modèle de Black et Scholes
Convergence du modèle binomial vers le modèle BS:
Paramétrisation du binomial:
- intervalles de longueur ∆ n
r∆
-taux sans risque: 1 + rn = e n

-actif risqué:
σ ∆n
un = e
−1 −σ ∆n
dn = un = e

INSEA Devolder 362


4.2 Modèle de Black et Scholes
Application Black et Scholes : assurance de portefeuille:
- Achat d’une valeur risquée S en t=0
- Investissement sur un horizon T
- Achat d’une protection en vue de garantir un minimum
à l’échéance en T

OPTION SYNTHETIQUE :
position à la fois sur le sous jacent
et sur une option sur ce sous jacent

INSEA Devolder 363


4.2 Modèle de Black et Scholes
1° possibilité : achat direct d’un PUT sur le sous jacent
( stratégie statique)

Par exemple protection minimale :

K = S0 (1.0475) T
Valeur initiale de la stratégie :
S0 + P(S,0)
Une unité d’actif Une unité de put

INSEA Devolder 364


4.2 Modèle de Black et Scholes
Le coût initial de cette protection ( « prime d’assurance de
portefeuille ») est donc simplement le prix du put :

P(S,0) = S0 (1.0475) T e − rT Φ ( −d 2 ) − S Φ ( −d1 )


Avec : ln(S0 /(S0 .(1,0475) T ) + ( r ± σ 2 / 2)T
d1, 2 =
σ T
− T ln(1.0475) + ( r ± σ 2 / 2)T
=
σ T
= ( r − ln(1.0475) ± σ 2 / 2) T / σ
INSEA Devolder 365
4.2 Modèle de Black et Scholes
2° possibilité : position sur le sous jacent et l’actif sans risque
( stratégie dynamique )

Plutôt que d’acheter un put , l’institution financière va


dupliquer les effets de l’option en prenant des positions
dynamiques sur le sous jacent et sur l’actif sans risque.

Valeur du Put à l’instant t :


P(S, t ) = S0 (1.0475) T e − r ( T − t ) Φ ( −d 2 ( t )) − S( t ) Φ ( −d1 ( t ))

INSEA Devolder 366


4.2 Modèle de Black et Scholes

Avec:

ln(S( t ) /(S.(1,0475) T ) + ( r ± σ 2 / 2)(T − t )


d1, 2 ( t ) =
σ T

A l’instant t la valeur de l’option synthétique est donc donnée par :

π( t ) = S( t ) + P(S, t ) = S( t ) (1 − Φ ( −d1 ( t )) + e − r ( T − t ) S (1.0475) T Φ ( −d 2 ( t ))

Sous jacent Titre sans risque

INSEA Devolder 367


4.2 Modèle de Black et Scholes
Le portefeuille global peut donc s’écrire :

π( t ) = n1 ( t ) S( t ) + n 2 ( t ) e − r ( T − t )
Avec :
n1 ( t ) = nombre d' actions en t
= 1 − Φ ( −d1 ( t )) = Φ (d1 ( t ))

n 2 ( t ) = nombre de titres sans risque en t


= S0 (1.0475) T Φ ( −d 2 ( t ))
INSEA Devolder 368
4.2 Modèle de Black et Scholes
Ce portefeuille doit être ajusté en permanence pour tenir
compte de 2 effets :
- évolution des performances de l’actif sous-jacent

- écoulement du temps

Coûts de transaction importants…!!!.

INSEA Devolder 369


Exemple Black et Scholes
On considère un marché constitué d’un titre sans risque de
rendement instantané égal à 4% et d’un titre risqué de
rendement instantané moyen égal à 8% et de coefficient de
volatilité égal à 17%.
La valeur initiale du titre est de 40 € .

Calculer le prix d’une option d’achat sur le titre risqué de strike


égal à 43 € de maturité 9 mois.

INSEA Devolder 370


Exemple Black et Scholes
Formule à utiliser :
C(S,0) = S (0)Φ (d1 ) − K e − rT Φ (d 2 )
avec :
ln(S(0) / K ) + ( r + σ 2 / 2)T
d1 =
σ T
ln(S(0) / K ) + ( r − σ 2 / 2)T
d2 =
σ T

INSEA Devolder 371


Exemple Black et Scholes
ln(40 / 43) + (0,04 + 0,17 2 / 2) × 0,75
d1 = = −0,21384
0,17 0,75
ln(40 / 43) + (0,04 − 0,17 2 / 2) × 0,75
d2 = = −0,36107
0,17 0,75
Φ (d1 ) = NORMSDIST( −0,21384) = 0,41533
Φ (d 2 ) = NORMSDIST( −0,36107) = 0,35902

C(0) = 40€ × 0,41533 − 43€ × e −0, 04×0, 75 × 0,35902 = 1,63 €

INSEA Devolder 372


+* &  ")1 
#!)/
4.3.1 Modèle général d’arbitrage
4.3.2 Modèle de VASICEK
4.3.3 Modèle de COX INGERSOLL ROSS
4.3.4 Retour aux mesures risque neutre
4.3.5 Modèle de HULL and WHITE

INSEA Devolder 373


4.3 Modèles de courbe de taux
4.3.1 Modèle général d’arbitrage:
Modélisation en aléatoire des prix des zéro-coupons

{P( t, s, ω) : t ≤ s; ω ∈ Ω} =prix en t d’un zéro coupon


de maturité s ( s fixé)
s
P( t, s, ω) = e −( s− t )R( t,s,ω) = exp( − ∫ f ( t, u, ω) du) (f=taux forward)
t
r( t, ω) = lim  → R( t, t + θ, ω)
θ → 0

=taux SPOT
=taux à très court terme =variable explicative

INSEA Devolder 374


4.3 Modèles de courbe de taux
Modèles à une variable d’état:
Hypothèses:
1° le processus stochastique du taux spot est
solution d’une équation différentielle stochastique:
dr ( t ) = f ( t, r( t ))dt + ρ( t, r( t )) dw ( t )
où : w = mouvement brownien s tan dard
2° la gamme des zéro-coupons est engendrée
par le processus spot:
P( t, s, ω) = P( t, s, r( t, ω)) = P( t, s, r )

INSEA Devolder 375


4.3 Modèles de courbe de taux
Le processus P est solution d’une équation différentielle
stochastique:
dP( t, s, r ) = P( t, s, r ) µ( t, s, r ) dt − P( t, s, r )σ( t, s, r )dw ( t )
avec :
1 ∂ ∂ 1 2 ∂2
µ( t, s, r ) = ( + f ( t, r ) + ρ ( t, r ) 2 ) P
P ∂t ∂r 2 ∂r
1 ∂P
σ( t, s, r ) = − ρ( t, r )
P ∂r

INSEA Devolder 376


4.3 Modèles de courbe de taux
Raisonnement d’arbitrage:
- achat de x obligations d’échéance s
- émission de x* obligations d’échéance s*
W ( t ) = − x * P( t, s*) + xP( t, s)

Recherche d’un portefeuille auto financé et sans risque:


dW ( t ) = − x * dP( t, s*, r ) + xdP( t, s, r )
= ( xP( t, s, r )µ( t, s, r ) − x * P( t, s*, r )µ( t, s*, r ))dt
− ( xP( t, s, r )σ( t, s, r ) − x * P( t, s*, r )σ( t, s*, r )) dw ( t )

INSEA Devolder 377


4.3 Modèles de courbe de taux
Sans risque:
xP( t, s, r )σ( t, s, r ) − x * P( t, s*, r )σ( t, s*, r ) = 0

Rendement =taux spot


xP( t, s, r )µ( t, s, r ) − x * P( t, s*, r )µ( t, s*, r ) = r W ( t )
Système homogène:
xP( t, s, r )σ( t, s, r ) − x * P( t, s*, r )σ( t, s*, r ) = 0
xP( t, s, r )(µ( t, s, r ) − r ) − x * P( t, s*, r )(µ( t, s*, r ) − r ) = 0

INSEA Devolder 378


4.3 Modèles de courbe de taux
Déterminant nul:
µ( t, s, r ) − r µ( t, s*, r ) − r
= = λ( t, r )
σ( t, s, r ) σ( t, s*, r )
λ( t, r ) = prix du risque marché
En remplaçant µ et σ : EQUATION DE STRUCTURE:

∂P ∂P 1 2 ∂ 2P
+ (f + ρ λ) + ρ −rP = 0
∂t ∂r 2 ∂r 2

Condition: P(s,s,r)=1

INSEA Devolder 379


4.3 Modèles de courbe de taux
Choix d’un modèle de taux = choix des 3 fonctions de 2 variables

f ( t, r ) = trend du taux sans risque


ρ( t, r ) = volatilité du taux sans risque
λ( t, r ) = prix du risque de marché
Normalement:
λ > 0 : préférence pour la liquidité

INSEA Devolder 380


4.3 Modèles de courbe de taux
Solution de l’équation de structure:
s s s
1 2
P( t, s, r ) = E(exp( − ∫ r(u)du − ∫ λ (u, r )du + ∫ λ(u, r ) dw (u)) l ℑt )
t
2t t

Cas particulier :
1° pas de préférence pour la liquidité : λ=0
s
P( t, s, r ) = E(exp− ( ∫ r(u) du ) l ℑt )
t

INSEA Devolder 381


4.3 Modèles de courbe de taux
2° si en sus modèle déterministe: σ=0
s
P( t, s, r ) = exp− ∫ r(u)du
t

Formule classique d’actualisation à taux variable

INSEA Devolder 382


Modèle de VASICEK
4.3.2 Modèle de VASICEK (1977):
(i) Le prix du risque marché est une constante
strictement positive: λ(t,r)=λ>0

(ii) Le taux court obéit à un processus


d’Ornstein-Uhlenbeck:
dr ( t ) = a(b − r( t )) dt + σ dw ( t )

Solution:
t
r( t ) = r0 e −at + b(1 − e −at ) + σe −at ∫ eas dw (s)
0
INSEA Devolder 383
Modèle de VASICEK
Propriétés:
(i) E r( t ) = r0 e − at + b(1 − e −at )
lim Er ( t ) = b (mean reversion)
t
(ii) Var r( t ) = var( σ e −at ∫ eas dw (s))
0

σ
t 2
= σ 2 e −2at ∫ e 2as ds = (1 − e −2at )
0
2a
σ2
lim var( t ) =
2a
La variance croit avec le temps mais reste bornée .
INSEA Devolder 384
Modèle de VASICEK
(iii) Le taux court terme admet une distribution normale :

r ( t ) p N ( Er ( t ), var r ( t ))
En particulier , il y a une probabilité non nulle d’avoir
des taux négatifs !!!
r(t) − E r(t) − Er ( t )
P ( r ( t ) < 0) = P ( < )
var r ( t ) var r ( t )
E r(t)
= Φ(− )
var r ( t )
( r0 e −at + b(1 − e −at ))
= Φ(− )
σ 2
(1 − e −2 at )
2a 385
Modèle de VASICEK
Structure des zéro coupons dans VASICEK:
∂P ∂P 1 2 ∂ 2P
+ (a(b − r ) + σλ ) + σ −rP = 0
∂t ∂r 2 ∂r 2

où a,b,σ,λ sont des constantes positives


Solution:
1 −a( s − t ) σ2
P( t, s, r ) = exp( (1 − e )(K − r ) − (s − t ) K − 3 (1 − e −a( s− t ) )2 )
a 4a
σλ σ 2
avec: K =b+ − 2
a 2a
INSEA Devolder 386
Modèle de VASICEK
Rendement instantané moyen du zéro coupon:

1 ∂ ∂ 1 2 ∂2 1 ∂P
µ( t, s, r ) = ( + f + σ ) P = ( rP − λσ )
P ∂t ∂r 2 ∂r 2
P ∂r

∂P 1
Or : = − (1 − e −a( s− t ) ) P
∂r a

λσ
Donc : µ( t, s, r ) = r( t ) + (1 − e −a( s− t ) )
a
( prime de risque indépendante du taux spot)
INSEA Devolder 387
Modèle de VASICEK
Volatilité du zéro coupon:
1 ∂P σ
σ( t, s, r ) = − σ = (1 − e −a ( s− t ) ) = σ( t, s)
P ∂r a
Critiques du modèle:

(i) Le taux spot peut devenir négatif dans certains


scénarios.
(ii) calibrage par rapport aux conditions initiales
observées ( P(0,s))

INSEA Devolder 388


Modèle CIR
4.3.3 Modèle de COX- INGERSOLL -ROSS (1985):

(i) Le taux spot est solution de l’équation:

dr ( t ) = a(b − r( t )) dt + ρ r( t )dw ( t )

(ii) Le prix du risque de marché est donné par:


π
λ( t, r ) = r
ρ

INSEA Devolder 389


Modèle CIR
L’équation de structure devient :
∂P ∂P 1 2 ∂ 2P
+ (a(b − r ) + π r ) + ρ r 2 − rP = 0
∂t ∂r 2 ∂r
où a,b,π,ρ sont des constantes positives.

La solution de cette équation peut se mettre sous la forme :

INSEA Devolder 390


Modèle CIR
P( t, s) = A( t, s) e −r B( t,s )
Où A et B sont indépendantes de r.

Le rendement instantané moyen du zéro coupon devient:

µ( t, s, r ) = r( t ) + π r( t ) B( t, s)
( prime de risque = fonction linéaire du taux spot)

INSEA Devolder 391


Vision risque neutre
4.3.4 Retour à la mesure risque neutre :
Relation risque – return:

µ( t, s, r ) − r( t )
= λ( t, r )
σ( t, s, r )
ou
µ( t, s, r ) = r( t ) + λ( t, r )σ( t, s, r )

En substituant dans l’équation du zéro coupon:

INSEA Devolder 392


Vision risque neutre
dP( t, s, r ) = r( t )P( t, s, r ) dt − σ( t, s, r )(dw ( t ) − λ( t, r )dt )
ou
dP( t, s, r ) = r( t )P( t, s, r )dt − σ( t, s, r )dw * ( t )
avec
t
w * ( t ) = w( t ) − ∫ λ(u, r )du
0

Introduction de la mesure neutre risque par Girsanov

INSEA Devolder 393


Vision risque neutre
Mesure Q dont la densité par rapport à la mesure
historique est définie par :
Q(B) = ∫ ρ(ω) dP(ω)
B

avec :
T T
1 2
ρ = exp( ∫ λ(u, r )dw (u) − ∫ λ (u) du)
0
20

INSEA Devolder 394


Vision risque neutre
Changement de numéraire :
compte d’épargne ( saving account):
t
B( t, ω) = exp ∫ r(u, ω)du
0

Processus actualisé : assimilable à un changement de monnaie


P * ( t, s) = P( t, s) / B( t )

Sous la mesure Q le processus P* est une martingale .

INSEA Devolder 395


Vision risque neutre
EQ ( P * (u, s) l ℑt ) = P * ( t, s) ( t ≤ u ≤ s)

En particulier pour u=s:


P * (t, s) = EQ (P * (s, s) l ℑt )
ou
s
P(t, s) = EQ (exp− ∫ r(u) du l ℑt )
t

INSEA Devolder 396


Vision risque neutre
Modèle de VACISEK en risque neutre :

dr ( t ) = a(b − r( t )) dt + σ dw ( t )
t
r( t ) = r0 e −at + b(1 − e −at ) + σe −at ∫ eas dw (s)
0

λ( t, r ) = λ > 0
Changement de mesure :
dw * ( t ) = dw ( t ) − λ dt

INSEA Devolder 397


Vision risque neutre
dr ( t ) = a(b − r( t ))dt + σdw ( t )
dr ( t ) = a(b − r( t ))dt + σ(dw * ( t ) + λdt )
σλ
dr ( t ) = a(b + − r( t ))dt + σ dw * ( t )
a
Dans l’univers risque neutre le processus du taux spot
reste un processus d’Ornstein-Uhlenbeck de taux limite:

σλ
θ=b+
a

INSEA Devolder 398


Vision risque neutre
La solution peut s’écrire donc:
t
r( t ) = r0 e −at + θ(1 − e −at ) + σe −at ∫ eas dw * (s)
0

Le prix des zéro coupons est alors directement donné par:


s
P( t, s) = EQ (exp− ∫ r(u) du l ℑt )
t

INSEA Devolder 399


Modèle de HULL et WHITE
4.3.5. Modèle de HULL et WHITE

-Critique du modèle de VASICEK :


- calibrage par rapport aux conditions initiales
Valeur prédite par le modèle :
1 σ 2
P(0, s) = exp( (1 − e −as )( K − r ) − s K − 3 (1 − e −as ) 2 )
a 4a
Quid vis à vis des valeurs observées ???

INSEA Devolder 400


Modèle de HULL et WHITE
Ecriture en risque neutre :
VASICEK:
dr ( t ) = a ( θ − r ( t )) dt + σ dw * ( t )

HW:
dr ( t ) = a ( θ( t ) − r ( t )) dt + σ dw * ( t )

Cible
mouvante

INSEA Devolder 401


Modèle de HULL et WHITE
Solution VASICEK :
t
r( t ) = r0 e −at + θ(1 − e −at ) + σe −at ∫ eas dw * (s)
0

Solution HULL / WHITE :


t t

r ( t ) = r0 e −at + e −at ∫ θ(s) e as ds + σe −at ∫ e as dw * (s)


0 0

Somme de normales
Distribution normale
INSEA Devolder 402
Modèle de HULL et WHITE
Avantage : permet d’incorporer comme contrainte initiale
toute la courbe de départ des zéro coupons
t

P(0, s) = exp − ∫ f (0, u ) du


0

f (0, t ) = taux forward initiaux

( taux à terme observés en t=0)


∂ ln P(0, t )
Donnés par : f (0, t ) = −
∂t
INSEA Devolder 403
Modèle de HULL et WHITE
Paramétrisation et solution du modèle :
Pour respecter la structure initiale des taux il faut prendre
comme cible du modèle HW:
1∂ σ2
θ( t ) = f (0, t ) + f (0, t ) + 2 (1 − e −2 at )
a ∂t 2a

On peut aussi obtenir une formule explicite de


l’évolution des prix des zéro coupons.

INSEA Devolder 404


Modèle de HULL et WHITE
P( t, s) = exp( A( t, s) − B( t, s) r ( t ))
avec :
1 − e −a ( s − t )
B( t, s) =
a
P(0, s) σ2
A( t, s) = log + B( t, s)f (0, t ) − 3 (1 − e −a ( s− t ) ) 2 (1 − e −2 at )
P(0, t ) 4a

INSEA Devolder 405


Modèle de HULL et WHITE
Volatilité du zéro coupon:

1 ∂P σ
σ( t, s, r ) = − σ = (1 − e −a ( s− t ) ) = σ( t, s)
P ∂r a
( même valeur que dans le modèle de VASICEK).

Le taux court terme suit aussi dans cette modélisation


une distribution normale.

INSEA Devolder 406


Modèle de HULL et WHITE
Exemple: structure plate initiale des taux :
P(0, s) = e − δs
f (0, s) = δ

Vasicek : ???

1 σ 2
P(0, s) = exp( (1 − e −as )( K − r ) − s K − 3 (1 − e −as ) 2 )
a 4a
Non

INSEA Devolder 407


Modèle de HULL et WHITE
Hull / White :
σ2
θ( t ) = δ + 2 (1 − e −2 at )
2a

σ2
A( t, s) = ( t − s + B( t, s) ) δ − 3 (1 − e −a ( s− t ) ) 2 (1 − e −2 at )
4a
1 − e −a ( s − t )
B( t, s) =
a

INSEA Devolder 408


Exemple - VASICEK
On considère un modèle de VASICEK dont les paramètres sont
les suivants :

r (0) = taux initial = 2%


b = taux lim ite = 3,50%
σ = volatilité = 0,75%
a = force rappel = 0,15
λ = prime risque = 0,25

INSEA Devolder 409


Exemple - VASICEK
a) Déterminer les taux spot initiaux des zéro coupons à 5 et 20 ans

b) Déterminer les taux spot à 5 et 20 ans dans 8 ans sous les


deux scénarios suivants d’évolution du taux court terme dans 8 ans:
2,5% et 4%

c) Déterminer la probabilité que le modèle génère un taux court


terme négatif dans 8 ans.

INSEA Devolder 410


Exemple VASICEK
a) Taux spot initiaux :

1 σ 2
P(0, s, r ) = exp( (1 − e −as )( K − r (0)) − s K − 3 (1 − e −as ) 2 )
a 4a
taux : R (0, s) = − ln P(0, s) / s

K = 0,04625
R (0,5) = 2,80%
R (0,20) = 3,81%
INSEA Devolder 411
Exemple VASICEK
b) Taux spot dans 8 ans :

1 σ 2
P(8, s + 8, r ) = exp( (1 − e −as )( K − r (8)) − s K − 3 (1 − e −as ) 2 )
a 4a
taux : R (8, s + 8) = − ln P(8, s + 8)
si r (8) = 2,50% : si r (8) = 4%
R (8,13) = 3,15 % R (8,13) = 4,21%
R (8,28) = 3,97 % R (8,28) = 4,45 %

INSEA Devolder 412


Exemple VASICEK
c) Distribution du taux court terme dans 8 ans :

E r (8) = r (0) e −8a + b (1 − e −8a ) = 0,0305


σ2
Var r (8) = (1 − e −16 a ) = 0,00017
2a

P( r (8) < 0) = Φ ( −2,3345) = 0,00978

INSEA Devolder 413


++ .#, ) ?$ ").,
Soit P(0,T) un zéro coupon de maturité T ( P(T,T)=1))
On s’intéresse à une option européenne sur ce zéro coupon
d’ échéance f ( f < T); le modèle de BLACK et SCHOLES ne
peut plus fonctionner car le sous jacent est d’une autre nature.
A l’instant f le pay off du call sera donné par :
C( f ) = (P( f , T ) − K )+

C( t ) =prix du call en t ? (0 ≤ t ≤ f < T )

INSEA Devolder 414


4.4 Options sur zéro coupon
Application de la méthodologie risque neutre:
Prix= espérance sous la mesure risque neutre du pay off
actualisé
f

C( t ) = E Q (C(f ) exp− ∫ r ( u )du l ℑ t )


t
f

C( t ) = E Q (( P(f , T ) − K ) + exp− ∫ r ( u )du l ℑ t )


t

Formule exacte mais difficilement manipulable :


corrélation entre le zéro coupon P et les taux r !!
INSEA Devolder 415
4.4 Options sur zéro coupon
Cas particuliers d’application de la formule générale de
tarification :

Cas 1 : structure déterministe de taux ; pay off déterministe :


f

C( t ) = C(f ) exp− ∫ r (s) ds


t

Formule classique de la valeur actuelle


de la finance déterminsite

INSEA Devolder 416


4.4 Options sur zéro coupon
Cas 2 : structure déterministe de taux ; pay off stochastique :
f

C( t ) = exp− ∫ r (s) ds. E Q (C(f ) ℑ t )


t

Formule à la Black et Scholes ( pricing d’options


sur actions sous des taux d’intérêt déterministes)

Cas 3 : structure stochastique de taux ; pay off déterministe :

C( t ) = C(f ) E Q ( exp− ∫ r ( u )du l ℑ t ) = C(f ) P( t, f )


t

INSEA Devolder 417


4.4 Options sur zéro coupon
Cas 4 : structure stochastique de taux ; pay off stochastique
indépendant des taux :
f

C( t ) = E Q (C(f ) exp− ∫ r ( u )du l ℑ t )


t
f

= E Q (exp − ∫ r ( u ) du ℑ t ). E Q (C(f ) ℑ t ))
t

= P( t, f ) E Q (C(f ) ℑ t )

INSEA Devolder 418


4.4 Options sur zéro coupon
Cas 5 : structure stochastique de taux ; pay off stochastique
et corrélé avec les taux :
f

C( t ) = E Q (C(f ) exp− ∫ r ( u )du l ℑ t )


t
f

= E Q (exp − ∫ r ( u ) du ℑ t ). E Q (C(f ) ℑ t ))
t
f

+ cov Q (exp − ∫ r ( u )du , C(f ))


t

Exemple corrélé : option sur ZC: C(f ) = ( P(f , T ) − K ) +


INSEA Devolder 419
4.4 Options sur zéro coupon
Nouveau changement de mesure et nouveau numéraire :

Sous la mesure risque neutre :

C( t ) = EQ ((pay off ).actual)


Processus d’actualisation: taux spot
Sous la mesure forward neutre :
C( t ) = actual .EQf ((pay off ) )

Processus d’actualisation naturel : P(t,f) !!

INSEA Devolder 420


4.4 Options sur zéro coupon
Mesure risque neutre :
t
P * ( t, T ) = P( t, T ) exp− ∫ r(u)du
0

P( t, T )
P * ( t, T ) =
B( t )
Sous la mesure risque neutre ce processus est une martingale

P * ( t, T ) = EQ (P * (u, T ) l ℑt )

INSEA Devolder 421


4.4 Options sur zéro coupon
Approche forward neutre : autre changement de numéraire:
P( t, T )
P( t, T; f ) = (t ≤ f < T)
P( t, f )

=prix en t d’un zéro coupon d’échéance T, exprimé


en nombre de parts d’un zéro coupon d’échéance
intermédiaire f entre t et T .
( mesure forward propre à l’instant f )

INSEA Devolder 422


4.4 Options sur zéro coupon
Changement de mesure : on cherche une nouvelle mesure telle
que sous cette mesure le processus forward est une martingale

P( t, T; f ) = EQf (P(u, T; f ) l ℑt ) ( 0 ≤ t ≤ u ≤ f < T )

Equations différentielles stochastiques:

Réel: dP / P = µ( t, T ) dt − σ( t, T ) dw ( t )

Risque neutre: dP / P = r( t ) dt − σ( t, T )dw * ( t )

INSEA Devolder 423


4.4 Options sur zéro coupon
t t t
1 2
P( t, T ) = P(0, T ). exp( ∫ r(u)du − ∫ σ(u, T )dw * (u) − ∫ σ (u, T )du)
0 0
20
ou
t t
1 2
P * ( t, T ) = P * (0, T ) exp( − ∫ σ(u, T )dw * (u) − ∫ σ (u, T )du)
0
20

On cherche une relation similaire :


t t
1 2
P( t, T; f ) = P(0, T; f ). exp( − ∫ σ(u, T ) dw f (u) − ∫ σ (u, T )du) ?
0
20

INSEA Devolder 424


4.4 Options sur zéro coupon
On écrit le processus forward dans le monde risque neutre:

P( t, T )
P( t, T; f ) =
P( t, f )
t t t
1 2
exp( ∫ r(u)du − ∫ σ(u, T )dw * (u) − ∫ σ (u, T )du)
P(0, T ) 20
= 0
t
0
t t
P(0, f ) 1 2
exp( ∫ r(u)du − ∫ σ(u, f )dw * (u) − ∫ σ (u, f )du)
0 0
20

INSEA Devolder 425


4.4 Options sur zéro coupon
P( t, T; f ) = P(0, T; f ).X
t t
1
X = exp( − ∫ (σ(u, T − σ(u, f ))dw * (u) − ∫ (σ 2 (u, T ) − σ 2 (u, f ))du)
0
20
t t
1
= exp( − ∫ (σ(u, T ) − σ(u, f ))dw * (u) − ∫ (σ(u, T ) −σ(u, f ))2 du − Y )
0
20
t
Y = ∫ σ(u, f )(σ(u, T ) − σ(u, f ))du
0

INSEA Devolder 426


4.4 Options sur zéro coupon
Ceci conduit à définir le nouveau processus :
dw f (u) = dw * (u) + σ(u, f )du
ou
dw f (u) = dw (u) − λ(u)du + σ(u, f )du
= dw(u) − (λ(u) − σ(u, f ))du (u ≤ f )
Mesure forward neutre:
mesure telle que le processus w f est un
mouvement brownien standard

INSEA Devolder 427


4.4 Options sur zéro coupon
Cette mesure est définie par sa densité de Radon-Nikodym:

Q f (B) = ∫ ρ f (ω) dP(ω)


B

avec :
T T
1
ρ f = exp( ∫ (λ(u) − σ(u, f ))dw (u) − ∫ λ (u) − σ(u, f ))2 du)
0
20

INSEA Devolder 428


4.4 Options sur zéro coupon
Sous cette mesure on a alors :

P( t, T; f ) = P(0, T; f )
t t
1
exp( − ∫ (σ(u, T ) − σ(u, f ))dw f (u) − ∫ (σ(u, T ) − σ(u, f ))2 du)
0
20

P( t, T; f ) = martingale sous Q f

INSEA Devolder 429


4.4 Options sur zéro coupon
Donc:

P( t, T; f ) = EQ f (P(u, T; f ) l ℑt ) ( 0 ≤ t ≤ u ≤ f < T )
En particulier pour u=f :
P( t, T; f ) = EQf (P( f , T; f ) l ℑt )
ou
P( t, T ) P( f , T )
= EQf ( ) = EQ f (P( f , T ))
P( t, f ) P( f , f )

P( t, T ) = P( t, f ) EQ f (P( f , T ))
INSEA Devolder 430
4.4 Options sur zéro coupon
D’une manière générale si S est un actif sur ce marché le prix
peut alternativement s’écrire:

f
-en risque neutre : S( t ) = EQ ((exp− ∫ r(u) du).S( f ))
t

-en forward neutre: S( t ) = P( t, f ) EQf (S( f ))

INSEA Devolder 431


4.4 Options sur zéro coupon
Application à la tarification des options sur zéro coupons:
f
C( t ) = EQ ((exp− ∫ r(u)du)(P( t, f ) − K )+ l ℑt )
t

ou
C( t ) = P( t, f ) EQ f ((P( f , T ) − K )+ l ℑt )
Cas particulier :

σ( t, s, r ) = σ( t, s) ( volatilité déter min iste)

INSEA Devolder 432


4.4 Options sur zéro coupon
Formule explicite du prix du call sur zéro coupon:

C( t ) = P( t, T ).Φ ( h + ) − K P( t, f ) Φ ( h − )

où :
1 2
ln( P( t, T ) /( P( t, f ) K )) ± v ( t, f )
h± = 2
v ( t, f )
f

( v ( t, f )) 2 = var(ln P( t, f )) = ∫ ( σ( u, T ) − σ( u, f )) 2 du
t
INSEA Devolder 433
4.4 Options sur zéro coupon
Méthodologie: on se ramène à Black et Scholes !!
C( t ) = P( t, f ) EQ f ((P( f , T ) − K )+ l ℑt )
= EQ f ((P( f , T; f ) − K )+ l ℑt ).P( t, f )
P( f , T; f ) K
= EQ f (( − )+ P( t, T; f )) l ℑt ).P( t, f )
P( t, T; f ) P( t, T; f )
= P( t, f ) P( t, T; f ) EQ f (( Ψ( t, f ) − K *)+ l ℑt )
= P( t, T ) EQ f (( Ψ( t, f ) − K *)+ l ℑt )

INSEA Devolder 434


4.4 Options sur zéro coupon
f f
1
Ψ( t, f ) = exp( − ∫ (σ(u, T ) − σ(u, f ))dw f (u) − ∫ (σ(u, T ) − σ(u, f ))2 du)
t
2t

Distribution log normale sous


la mesure forward neutre
+∞
C( t ) = P( t, T ) ∫ ( x − K 1 ) dF * ( x )
K1

F* = log normale(a, b)

INSEA Devolder 435


4.4 Options sur zéro coupon
Avec:
f
1
a = − ∫ (σ(u, T ) − σ(u, f ))2 du
2t
f f
b = var( ∫ (σ(u, T ) − σ(u, f ))dw f (u) = ∫ (σ(u, T ) − σ(u, f ))2 du
t t

= ( v( t, f ))2

Même forme de prix que Black et Scholes dans sa forme


neutre risque

INSEA Devolder 436


4.4 Options sur zéro coupon
Application: Modèle de HULL- WHITE:
σ
σ(u, T ) = (1 − e −a( T −u ) )
a
σ σ
f
( v( t, f ))2 = ∫ ( (1 − e −a( T −u ) ) − (1 − e −a( f −u ) ))2 du
t
a a
σ2
f
= 2 ∫ (e −a( f −u ) − e −a( T −u ) )2 du
a t
σ 2 (1 − e −2a( f − t ) )
= 2( (1 − e −a( T − f ) )2 )
a 2a
INSEA Devolder 437
+6 .#, ) #!)/
@,#$A# #"'! #()
Ecriture alternative de la formule de Black / Scholes sous
taux d’intérêt constant :
C(S, t ) = S( t ) Φ (d1 ) − K e − r ( T − t ) Φ (d 2 )
avec :
ln(S( t ) / K ) + ( r + σ 2 / 2)(T − t )
d1 =
σ T−t
ln(S( t ) / K ) + ( r − σ 2 / 2)(T − t )
d2 =
σ T−t
INSEA Devolder 438
Option sous taux stochastiques
Posons : P( t, T ) = e − r ( T − t ) ( ZC déter min iste! )

On a : C(S, t ) = S( t ) Φ (d1 ) − K . P( t, T ).Φ (d 2 )

S( t )
ln( ) + σ 2 / 2( T − t )
K.P( t, T )
d1 =
σ T−t
S( t )
ln( ) − σ 2 / 2( T − t )
K.P( t, T )
d2 =
σ T−t
INSEA Devolder 439
Option sous taux stochastiques
Modèle d’action sous taux stochastique :
1° On suppose que l’action suit un mouvement brownien
géométrique donné en risque neutre par :

dS( t ) = r S( t ) dt + ηS( t )d w( t )

2° On suppose que les taux d’intérêt suivent un modèle


de Hull et White :

dr ( t ) = a ( θ( t ) − r ( t )) dt + σ dw * ( t )
INSEA Devolder 440
Option sous taux stochastiques
Les deux processus w sont des mouvements browniens standards
corrélés sous la mesure risque neutre ( mouvement brownien
bi-dimensionnel ):
d w ( t ).dw * ( t ) = ρ dt

On peut montrer que la relation de Black/Scholes peut se


généraliser en introduisant une volatilité globale donnée par:
T T

υ 2 ( t, T ) = η2 (T − t ) + ∫ σ 2 ( u, T ) du + 2ρ ∫ ησ( u, T )du
t t

Volatilité Volatilité Corrélation


action Taux Action- Taux 441
Option sous taux stochastiques
Or dans le modèle de Hull /White , on a :
σ
σ( t, s) = (1 − e −a ( s− t ) )
a
Il vient alors explicitement en intégrant :

σ 2
2 −a ( T − t ) 1 −2 a ( T − t ) 3
υ ( t, T ) = η (T − t ) + 2 (T − t + e
2 2
− e − )
a a 2a 2a
ρση 1
+2 (T − t − (1 − e −a ( T − t ) ))
a a

INSEA Devolder 442


Option sous taux stochastiques
Le prix du call sur l’action sous taux stochastique devient alors :

C(S, t ) = S( t ) Φ (d1 ) − K . P( t, T ).Φ (d 2 )

S( t )
ln( ) + υ 2 ( t, T ) / 2
K.P( t, T )
d1 =
υ( t, T )
S( t )
ln( ) − υ2 ( t, T ) / 2
K.P( t, T )
d2 =
υ( t, T )
INSEA Devolder 443
Option sous taux stochastiques
CONCLUSION :

Cette relation a la même structure que la formule de Black/Scholes


ou que la formule d’option sur zéro coupon obtenue à la section 4.4:

Prix du call = (sous jacent) x Proba 1


- (valeur actuelle du strike) x Proba 2

Avec : sous − jacent


ln( ) ± 1 / 2 volatilité2
valeur actuelle strike
Pr oba1, 2 = Φ ( )
volatilité
INSEA Devolder 444
FIN

devolder@actu.ucl.ac.be

http://www.actu.ucl.ac.be/staff/devolder/pdevolder.html

INSEA Devolder 445