Vous êtes sur la page 1sur 44

La valorisation et la couverture d’options européennes dans un

modèle binomial

Cheikh MBAYE (cheikh@aims-senegal.org)


L’Institut Africain des Sciences Mathématiques (AIMS)
Sénégal

Supervisé par: Abass SAGNA


Maı̂tre de Conférences à l’ENSIIE et
au laboratoire Analyse et Probabilités de
l’Université d’Evry Val d’Essonne, France

15 Juin 2013
Présenté pour Réalisation Partielle d’un Master II à AIMS
Abstract
Le modèle binomial permet d’évaluer, à temps discret, le prix d’une option. Dans le cas des options
européennes que nous allons étudier ici, John C. Cox, Stephen A. Ross et Mark Rubinstein ont proposé
en 1979 une modélisation de l’évolution du prix d’un actif selon le modèle binomial appelée modèle de
Cox-Ross-Rubinstein (CRR) ou modélisation selon un arbre binomial. Mais l’idée de l’approche discrète
revient, selon les écrits de Cox et Rubinstein, à William F. Sharpe, prix Nobel d’économie et auteur du
fameux Capital Asset Pricing Model (1964) [eFD]. Dans le modèle de Cox-Ross-Rubinstein, on donne
l’expression du prix de l’actif comme une formule semblable à celle de la loi binomiale, mais dans le
cas de notre étude qui s’appuie sur le livre de Steven Shreve, nous allons montrer que le processus
actualisé de l’actif est une martingale. Ceci nous permettra d’exprimer le prix de l’actif sous forme d’une
espérance. L’objectif du travail est de montrer la convergence du modèle binomial vers le modèle de
Black-Scholes et d’illustrer cette convergence par des simulations numériques en utilisant la méthode
de Monte Carlo.

Déclaration

Je soussigné que le travail contenu dans ce mémoire est mon travail original, et que tout travail effectué
par d’autres ou par moi-même a déjà été reconnu et référencé en conséquence.

Cheikh MBAYE, 28 Mai 2013

i
Table des matières

Abstract i

Introduction 1

1 Théorie de la valorisation et de la couverture des options 2


1.1 L’univers des options . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Détermination des prix d’une option dans un modèle binomial . . . . . . . . . . . . . . 3

2 Convergence du modèle binomial vers le modèle de Black-Scholes 16


2.1 Théorèmes fondamentaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.2 Le modèle de Black-Scholes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.3 Les formules de Black-Scholes à partir du modèle binomial . . . . . . . . . . . . . . . . 18

3 Implémentations et résultats numériques 27


3.1 Méthode de Monte Carlo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.2 Résultats obtenus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

Conclusion 32

References 40

ii
Introduction
Depuis une trentaine d’années, le paysage financier a été profondément modifié par l’apparition de
marchés et produits nouveaux. Ce bouleversement fait suite à une volonté accrue de déréglementation
dans les années 1970, rendant volatiles les taux d’intérêt et instables les taux de change. Dans cet
environnement dérégulé, les entreprises industrielles et commerciales ont été soudainement soumises
à des risques accrus. Pour les aider et plus généralement pour permettre aux compagnies d’assurance
et aux banques de couvrir ces nouveaux risques, ont été créés des marchés organisés, les autorisant à
intervenir massivement dans un marché unique et liquide les assurant contre les variations de taux de
change par exemple. À la suite du premier de ces marchés à Chicago en 1973, la France a emboı̂té
le pas, en créant le MATIF en 1985 (Marché à Terme International de France) puis le MONEP en
1987 (Marché des Options Négociables de Paris) 1 . D’une part, on assiste à la naissance de nouveaux
instruments financiers, dits produits dérivés. D’autre part, le développement spectaculaire de ces activités
a été rendu possibles grâce aux progrès technologiques, mais aussi grâce aux outils théoriques qui ont
permis de valoriser ces nouveaux produits financiers comme le modèle binomial. Les options d’achat et
de vente sont les prototypes de ces produits financiers. On distingue les options européennes, les options
américaines, entre autres.
Cependant, ces produits financiers ont un coût que l’on appelle la prime. La détermination de cette
prime reste une des questions principales de la recherche en mathématiques financières. De ce fait, la
question du juste prix de l’option se pose. Non seulement il faut le déterminer mais tout en lui trouvant
un delta qui permettra à l’entreprise en question de couvrir ses risques. Pour calculer ce prix, on dispose
des modèles à temps continu et des modèles à temps discret. Nous étudierons le cas du modèle binomial
qui est un modèle à temps discret qui, avec un certain nombre de pas de temps, converge vers un modèle
à temps continu, le modèle de Black-Scholes.
Notre travail se résume ainsi en trois chapitres. Dans le premier chapitre, nous rappellerons la théorie
de la valorisation des options et de la couverture qui aboutit à la détermination du prix de l’option
par le modèle binomial. Le chapitre suivant consistera à démontrer la convergence de ce prix vers le
prix de Black-Scholes. Et enfin, pour le dernier chapitre, nous allons illustrer cette convergence à l’aide
d’implémentations numériques.

1. Source : Les mathématiques appliquées au cœur de la finance.

1
1. Théorie de la valorisation et de la couverture
des options
Dans ce premier chapitre, on explique comment on peut calculer le prix d’un contrat d’option en évaluant
celui d’un portefeuille de couverture de cette option. On se place dans le cas où la dynamique de l’actif
financier (sous-jacent) sur lequel porte cette option est modélisée par un arbre binaire appelé arbre
binomial. On suppose aussi que le taux d’intérêt monétaire, qu’on va définir dans la suite, est constant
pendant la durée du contrat. Il existe des contrats à terme et des contrats d’options. Mais notre étude
se limite uniquement sur les contrats d’options.

1.1 L’univers des options

1.1.1 Définition (Produit dérivé). Un produit dérivé ou contrat dérivé est un instrument financier dont
la valeur fluctue en fonction de l’évolution du taux ou du prix de l’actif sous-jacent.

1.1.2 Définition (Actif sous-jacent). C’est un actif sur lequel porte une option. Il peut être :
– une action : exemples France Télécom, Tigo (au Sénégal),... retrouvés dans les marchés financiers ;
– une matière première : exemples pétrole, métaux, blé,...retrouvés aussi dans les marchés financiers ;
– une devise : c’est l’exemple du taux de change échangé dans le marché des taux de change ;
– une obligation : c’est l’exemple de la dette échangée dans le marché des taux d’intérêt.

1.1.3 Définition (Option). Une option est un contrat qui donne à son détenteur le droit et non
l’obligation d’acheter ou de vendre une certaine quantité de l’actif sous-jacent à une date convenue
(appelée date d’échéance ou maturity) et à un prix fixé à l’avance (prix d’exercice ou strike). On parle
de Call pour une option d’achat et de Put pour une option de vente. [AUR10]

1.1.4 Définition (L’échéance). Elle limite la durée de vie de l’option.

1.1.5 Définition (Le prix d’exercice). Prix (fixé d’avance) auquel se fait la transaction en cas d’exercice
de l’option.
Dans le cas d’une option européenne, l’exercice ne peut survenir qu’à la date d’échéance.

1.1.6 Remarque. Pour une option américaine, l’exercice peut survenir à tout moment entre le début
du contrat et la date d’échéance.

Le propre d’un contrat d’option, tient à ce qu’à la date de souscription, la valeur à l’échéance de l’actif
sous-jacent n’est pas connue mais le paiement que pourra exiger le détenteur de l’option, s’il exerce
l’option, dépend de cette valeur à l’échéance. C’est pourquoi on appelle aussi les options des contrats
contingents 1 . [eFD]

1.1.7 Exemple. On peut donner l’exemple de AIR France qui signe un contrat en devise avec Boeing
pour l’achat de Boeings qui doivent être livrés en 2015 et payés en dollars. Supposons qu’au début
du contrat, AIR France fixe K euros auxquels elle souhaite échanger en dollars. Elle peut acheter une
option sur devise qui lui donne le droit d’acheter un dollar contre K euros. Entre le début du contrat et
la livraison, le taux de change euro/dollar va fluctuer. En 2015, deux cas possibles peuvent se présenter :
1. Qui est incertain ou aléatoire.

2
Section 1.2. Détermination des prix d’une option dans un modèle binomial Page 3

– si le cours du dollar monte par rapport à l’euro c’est-à-dire un dollar pour K 0 euros avec K 0 supérieur
à K, dans le marché des devises, AIR France va débourser plus d’euros si elle achète le dollar sur le
marché ;
– si le cours du dollar baisse, elle ne va pas exercer son option et achètera le dollar sur le marché qui
lui revient moins cher.
Le vendeur du contrat est donc soumis à un risque de change et va donc demander à AIR France une
prime de risque pour se couvrir.

L’option, elle-même, a donc un prix que l’on appelle la prime notée V . Lorsque l’option est fixée sur un
marché organisé, la prime est donnée par le marché. A l’absence de cette cotation, le problème du calcul
de la prime se pose. Et même pour une action cotée, il peut être intéressant de disposer d’une formule
ou d’un modèle permettant de se couvrir contre les anomalies du marché. Par contre, il est facile de
déterminer la prime à l’échéance.
1.1.8 La prime à l’échéance. Pour déterminer cette prime, prenons par exemple le cas d’un Call
européen d’échéance T sur une action dont le cours à la date T est donné par ST . Soit K le prix
d’exercice. Deux cas sont possibles en T :
– ST < K : Alors le détenteur de l’option ne l’exerce pas (sinon il perd de l’argent). Dans ce cas, le
profit réalisé par le détenteur de l’option est nul ;
– ST > K : Alors le détenteur de l’option va exercer son droit d’achat au prix K et réalisera un profit
égal à (ST − K).
À l’échéance, la valeur du Call est donc donnée par :

VT = max(ST − K, 0) = (ST − K)+ .

1.1.9 Les deux problématiques liées aux options. On sait déterminer la valeur de l’option à l’échéance
en fonction du cours de l’action à l’échéance. Or, au moment de la vente de l’option, le cours futur de
l’action est inconnu et deux questions se posent au vendeur de l’option :
1. Quel est le juste prix de l’option, c’est-à-dire comment évaluer à l’instant t = 0 une richesse
(ST − K)+ disponible à la date T ? C’est le problème du pricing.
2. Comment faire judicieusement fructifier la prime touchée à l’instant initial pour produire la richesse
(ST − K)+ à la date T ? C’est le problème de la couverture.
Dans le cas d’un Put, l’exercice n’a lieu que si ST < K. La valeur du Put à l’échéance est donc :

VT = max(K − ST , 0) = (K − ST )+ .

1.2 Détermination des prix d’une option dans un modèle binomial

L’évolution du sous-jacent dépend d’un modèle mathématique. On distingue des modèles en temps
discrets (binomial) et des modèles en temps continu.
Mais notre étude portera sur le modèle binomial.
1.2.1 Les hypothèses sur le marché. [ELI]
Le marché financier que nous considérons est un marché financier idéaliste. Nous supposerons que :
– Les actifs sont divisibles à l’infini ;
– Le marché est liquide : on peut acheter ou vendre à tout instant ;
Section 1.2. Détermination des prix d’une option dans un modèle binomial Page 4

– On peut acheter et vendre à découvert ;


– Les échanges ont lieu sans coûts de transaction ;
– On peut emprunter et prêter au même taux d’intérêt constant ;
– Il y a Absence d’Opportunité d’Arbitrage (AOA). C’est l’hypothèse la plus importante.

Notion d’arbitrage
Quelles sont les évolutions possibles du marché ?
Ω : ensemble des états possibles du marché ;
P : probabilité réelle de survenance de chacun des états.
Quelles sont les stratégies d’investissement ?

1.2.2 Définition. Un portefeuille autofinançant est une stratégie d’achat ou de vente de titres, actions,
prêts et emprunts à la banque, et plus généralement de produits dérivés dont la valeur n’est pas modifiée
par l’ajout ou le retrait d’argent. On notera Xt la valeur à la date t du portefeuille X.

Qu’est-ce-qu’une stratégie d’arbitrage ?

1.2.3 Définition. Un arbitrage sur la période [0, T ] est un portefeuille autofinançant X de valeur nulle
en t = 0 dont la valeur XT en T est positive avec une probabilité strictement positive.

X0 = 0, XT ≥ 0 et P(XT > 0) > 0.

En d’autres termes, l’arbitrage est la possibilité avec un investissement initial nul d’avoir un gain financier.

L’Absence d’Opportunité d’Arbitrage (AOA) entre tout instant 0 et T est telle que :

{X0 = 0 et XT ≥ 0} ⇒ P(XT > 0) = 0,

c’est-à-dire qu’on ne peut pas faire de profit sans prendre de risque. Autrement dit, il est impossible de
gagner de l’argent de façon certaine à partir d’un investissement initial nul.
1.2.4 Évolution du sous-jacent. Dans le modèle binomial, on modélise le prix du sous-jacent en temps
discret en divisant l’intervalle [0, T ] en N périodes. On suppose qu’à chaque période le prix du sous-
jacent va changer et prendre une de deux valeurs possibles. Partant d’une valeur initiale positive S0 au
temps 0, elle peut être à la hausse ou à la baisse. Il existe deux nombres positifs, d et u, avec

0 < d < u,

tels qu’à la période suivante le cours de l’actif sera dS0 à la baisse ou uS0 à la hausse. On évolue donc
selon un arbre binomial.
Le mouvement du cours est plus compliqué qu’indiqué par le modèle binomial. On considère ce modèle
très simple pour trois raisons. Tout d’abord, à l’intérieur de ce modèle, le concept de la stratégie
d’arbitrage et sa relation avec la probabilité risque-neutre sont clairement indiqués. La deuxième raison
est que le modèle est très utilisé en pratique car avec un nombre suffisant de périodes, il converge
vers les modèles à temps continu. Enfin, pour la troisième raison, avec le modèle binomial on peut
développer la théorie de l’espérance conditionnelle et des martingales qui sont au cœur des modèles à
temps continu [Shra].
Section 1.2. Détermination des prix d’une option dans un modèle binomial Page 5

Avec cette troisième motivation, on développe une notation pour le modèle binomial qui est un peu
différent de celui qu’on trouve normalement en pratique. Imaginons qu’on lance une pièce, et quand on
obtient pile le stock du prix monte, mais quand on obtient face le stock du prix baisse. Notons le prix
au temps 1 par S1 (H) = uS0 si le stock est à la hausse (H), et par S1 (B) = dS0 si le stock est à la
baisse (B). Après le deuxième lancer, le prix sera un de ces cas possibles :

S2 (HH) = uS1 (H) = u2 S0 , S2 (HB) = dS1 (H) = duS0 ,

S2 (BH) = uS1 (B) = udS0 , S2 (BB) = dS1 (B) = d2 S0 .


Après trois lancers, il y a huit séquences possibles de la pièce. Mais ils ne donnent pas tous le même
cours de l’action au temps 3. Notons par

Ω = {HHH, HHB, HBH, HBB, BHH, BHB, BBH, BBB}

l’ensemble des événements possibles des trois lancers et un élément w de Ω est appelé réalisation.
Le cours de l’actif Sn au temps n dépend des lancers de la pièce ; pour le souligner on écrit souvent
Sn (w).
Pour compléter notre modèle, on introduit un marché monétaire avec un taux d’intérêt r ; 1 dollar investi
dans le marché monétaire devient (1 + r) dollars à la période suivante. On prend r le taux d’intérêt pour
à la fois l’emprunt et le prêt. On a
d < 1 + r < u, (1.2.1)
imposé par l’AOA. Le modèle n’aurait pas de sens si on avait pas supposé cette condition.
– Si d ≥ 1+r : alors la valeur à la baisse est supérieure ou égale à 1+r et dans ce cas on ne va pas placer
son argent à la banque car au lieu de gagner, on perd de l’argent ; donc on va investir sur le marché
financier. Si on a S0 à t = 0, à t = 1 on a uS0 ou dS0 avec uS0 > dS0 et dS0 ≥ (1 + r)S0 . Donc à
t = 0, on emprunte à la banque S0 et à t = 1, on doit rembourser (1 + r)S0 . À la date t = 1, dans le
pire des cas on peut rembourser dS0 (et dans ce cas on perd car la valeur remboursée est supérieure
à celle qu’on doit rembourser normalement) ; dans le meilleur des cas on a uS0 > dS0 ≥ (1 + r)S0
et dans ce cas, on construit un arbitrage ce qui est contraire à l’hypothèse d’AOA ;
– Si 1 + r ≥ u : le rendement sur le marché est toujours au moins aussi grand et parfois supérieur au
rendement sur le stock, et personne n’aurait investi dans ce stock. Donc l’argent va être placé à la
banque et par le même raisonnement que précédemment, on aboutira à un arbitrage.
Avec le stock comme actif sous-jacent, considérons un Call européen avec un prix d’exercice K et une
date d’échéance 1. Cette option donne le droit d’acheter le stock au temps 1 à K dollars, et donc vaut
S1 − K au temps 1 si S1 − K est positif et vaut zéro sinon. Donc notons par

V1 (w) = (S1 (w) − K)+ = max{S1 (w) − K, 0}

la valeur (payoff) de cette option à la date d’expiration 1. Notre premier objectif est de calculer le prix
par arbitrage de cette option au temps zéro.
Retournons à l’Exemple 1.1.7. Puisque le vendeur de l’option prend des risques, il ne va pas rester les
bras croisés ; il va construire un portefeuille de couverture autofinancé pour annuler le risque. À chaque
date t, il doit savoir quelle quantité d’actifs acheter ou vendre pour qu’à la date terminale il puisse se
couvrir.
Comment construire un portefeuille autofinançant ?
Supposons qu’au temps 0 on vend le Call pour V0 dollars, où V0 est maintenant à déterminer. On a
maintenant l’obligation de payer (uS0 − K)+ si w = H et de payer (dS0 − K)+ si w = B. Au moment
Section 1.2. Détermination des prix d’une option dans un modèle binomial Page 6

où on vend l’option, on ne sait pas encore quelle sera la valeur de w. On couvre une position courte 2
sur l’option en achetant une proportion ∆0 de l’actif sous-jacent V0 , où ∆0 est aussi à déterminer. À la
date 1, deux cas sont possibles : soit (V0 > ∆0 S0 ) ou (V0 ≤ ∆0 S0 ). Si V0 > ∆0 S0 , on investit l’argent
résiduel V0 − ∆0 S0 (quantité positive) au taux d’intérêt r. Dans l’autre cas, on va emprunter le reste
V0 − ∆0 S0 (quantité négative) auprès de la banque. On possédera également la proportion ∆0 de l’actif
sous-jacent.
Si le cours de l’actif est à la hausse, la valeur du portefeuille (y compris la position courte dans l’option)
est
∆0 S1 (H) + (1 + r)(V0 − ∆0 S0 ),
et on doit avoir V1 (H). Donc on veut choisir V0 et ∆0 de sorte que

V1 (H) = ∆0 S1 (H) + (1 + r)(V0 − ∆0 S0 ). (1.2.2)

Si le stock est à la baisse, la valeur du portefeuille est

V1 (B) = ∆0 S1 (B) + (1 + r)(V0 − ∆0 S0 ). (1.2.3)

Nous avons donc deux équations à deux inconnues qu’on va résoudre.


En soustrayant (1.2.3) de (1.2.2), on obtient

V1 (H) − V1 (B) = ∆0 (S1 (H) − S1 (B)),

et donc
V1 (H) − V1 (B)
∆0 = . (1.2.4)
S1 (H) − S1 (B)
C’est la version à temps discret de la formule du delta de couverture au temps 0.
En utilisant (1.2.2), on obtient
1
V0 = [V1 (H) − ∆0 S1 (H) + (1 + r)∆0 S0 ] (1.2.5)
1+r
avec S1 (H) = uS0 , S1 (B) = dS0 et ∆0 est donné par (1.2.4).
En remplaçant S1 (H), S1 (B) et ∆0 par leur valeur dans (1.2.5), on a
 
1 V1 (H) − V1 (B) V1 (H) − V1 (B)
V0 = V1 (B) − uS0 + (1 + r) S0
1+r (u − d)S0 (u − d)S0
 
1 V1 (H) − V1 (B) V1 (H) − V1 (B)
= V1 (B) − u + (1 + r)
1+r (u − d) (u − d)
 
1 1+r−d u − (1 + r)
= V1 (H) + V1 (B) .
1+r u−d u−d
D’où  
1 1+r−d u − (1 + r)
V0 = V1 (H) + V1 (B) . (1.2.6)
1+r u−d u−d
C’est le prix par arbitrage pour un Call européen de payoff V1 au temps 1. Pour simplifier cette formule,
on définit
1+r−d u − (1 + r)
p̃ = , q̃ = = 1 − p̃, (1.2.7)
u−d u−d
2. Les acheteurs ont une position longue et les vendeurs ont une position courte.
Section 1.2. Détermination des prix d’une option dans un modèle binomial Page 7

et donc (1.2.6) devient


1
V0 = [p̃V1 (H) + q̃V1 (B)] . (1.2.8)
1+r
Puisqu’on avait choisi d < u, donc p̃ et q̃ sont bien définis, cela signifie que le dénominateur dans (1.2.7)
est non nul.
Du fait de (1.2.1), p̃ et q̃ sont dans l’intervalle ]0, 1[, et que leur somme donne 1, on peut les considérer
comme des probabilités de H et B, respectivement. Ce sont les probabilités risque-neutres. Elles ap-
paraissent quand on a résolu les équations (1.2.2) et (1.2.3), et sont indépendantes des probabilités
d’obtenir H ou B sur les lancers de la pièce. En fait, cela permet d’écrire le prix sous forme d’espérance.
On considère maintenant un Call européen de strike K dollars au temps 2. À l’échéance, le payoff de
cette option est V2 = (S2 − K)+ où V2 et S2 dépendent de w1 et w2 , le premier et le second lancers de
la pièce. On veut déterminer le prix par arbitrage de cette option au temps 0. Supposons qu’un agent
vend l’option au temps 0 pour V0 dollars, où V0 est à déterminer. Il achète alors une proportion ∆0 du
stock, en investissant V0 − ∆0 S0 dans le marché monétaire pour la financer. Au temps 1, l’agent a un
portefeuille (y compris la position courte dans l’option) évalué à

X1 = ∆0 S1 + (1 + r)(V0 − ∆0 S0 ), (1.2.9)

où S1 et donc X1 dépendent de w1 , le résultat du premier lancer de la pièce. Il en résulte les deux
équations suivantes selon qu’on a une hausse ou une baisse :

X1 (H) = ∆0 S1 (H) + (1 + r)(V0 − ∆0 S0 ),

X1 (B) = ∆0 S1 (B) + (1 + r)(V0 − ∆0 S0 ).


Après le premier lancer de la pièce, l’agent a X1 dollars et peut réajuster son delta de couverture.
Supposons qu’il décide de maintenir une proportion ∆1 du stock, où ∆1 dépend de w1 car l’agent
connaı̂t quelle est la valeur prise par w1 . Il investit le reste de son argent, X1 − ∆1 S1 dans le marché
monétaire. Dans la période suivante, sa fortune sera donnée par

X2 = V2 = ∆1 S2 + (1 + r)(X1 − ∆1 S1 ), (1.2.10)

où S2 et X2 dépendent de w1 et w2 , le résultat du premier et deuxième lancer de la pièce. En considérant


tous les résultats possibles, on peut écrire (1.2.10) comme quatre équations :

V2 (HH) = ∆1 (H)S2 (HH) + (1 + r)[X1 (H) − ∆1 (H)S1 (H)],

V2 (HB) = ∆1 (H)S2 (HB) + (1 + r)[X1 (H) − ∆1 (H)S1 (H)],


V2 (BH) = ∆1 (B)S2 (BH) + (1 + r)[X1 (B) − ∆1 (B)S1 (B)],
V2 (BB) = ∆1 (B)S2 (BB) + (1 + r)[X1 (B) − ∆1 (B)S1 (B)].
Nous avons maintenant six équations, les deux représentées par (1.2.9) et les quatre représentées par
(1.2.10), avec les six inconnues V0 , ∆0 , ∆1 (H), ∆1 (B), X1 (H) et X1 (B).
Pour résoudre ces équations, et donc déterminer le prix par arbitrage V0 au temps zéro de l’option et
les portefeuilles de couverture ∆0 , ∆1 (H) et ∆1 (B), nous allons commencer par les deux derniers

V2 (BH) = ∆1 (B)S2 (BH) + (1 + r)[X1 (B) − ∆1 (B)S1 (B)],

V2 (BB) = ∆1 (B)S2 (BB) + (1 + r)[X1 (B) − ∆1 (B)S1 (B)].


Section 1.2. Détermination des prix d’une option dans un modèle binomial Page 8

En soustrayant la deuxième équation à la première et en résolvant pour ∆1 (B), on obtient la formule


du delta de couverture
V2 (BH) − V2 (BB)
∆1 (B) = . (1.2.11)
S2 (BH) − S2 (BB)
En utilisant la première équation, on obtient
1
X1 (B) = [V2 (BH) − ∆1 (B)S2 (BH) + (1 + r)∆1 (B)S1 (B)] (1.2.12)
1+r

avec S2 (BH) = uS1 (B) = udS0 , S2 (BB) = dS1 (B) = d2 S0 , S1 (B) = dS0 et ∆1 (B) est donné par
(1.2.11).
En remplaçant S2 (BH), S2 (BB), S1 (B) et ∆1 (B) par leur valeur dans (1.2.12), on a
 
1 V2 (BH) − V2 (BB) V2 (BH) − V2 (BB)
X1 (B) = V2 (BH) − udS0 + (1 + r) dS0
1+r (u − d)dS0 (u − d)dS0
 
1 V2 (BH) − V2 (BB) V2 (BH) − V2 (BB)
= V2 (BH) − u + (1 + r)
1+r (u − d) (u − d)
 
1 1+r−d u − (1 + r)
= V2 (BH) + V1 (BB)
1+r u−d u−d
1
= [p̃V2 (BH) + q̃V2 (BB)] .
1+r
D’où
1
X1 (B) = [p̃V2 (BH) + q̃V2 (BB)] . (1.2.13)
1+r
L’équation (1.2.13) donne la valeur du portefeuille de couverture qu’on doit avoir au temps 1 si le stock
baisse entre les temps 0 et 1. On définit cette quantité comme la valeur d’arbitrage de l’option au temps
1 si w1 = B, et on la note par V1 (B). Nous avons seulement montré que
1
V1 (B) = [p̃V2 (BH) + q̃V2 (BB)] . (1.2.14)
1+r
L’opérateur en couverture doit choisir son portefeuille de sorte que sa fortune X1 (B) si w1 = B coı̈ncide
avec V1 (B) définie par (1.2.14). Cette formule est analogue à la formule (1.2.8), mais surpassée d’une
période.
Les deux premières équations implicites parmi les quatre résultant de (1.2.10) conduisent de façon
similaire aux formules :
V2 (HH) − V2 (HB)
∆1 (H) = , (1.2.15)
S2 (HH) − S2 (HB)
et X1 (H) = V1 (H), où V1 (H) est la valeur de l’option au temps 1 si w1 = H et est définie par
1
V1 (H) = [p̃V2 (HH) + q̃V2 (HB)] . (1.2.16)
1+r
Cette formule est encore analogue à (1.2.8), surpassée d’une période. Finalement, nous connectons les
valeurs X1 (H) = V1 (H) et X1 (B) = V1 (B) sur les deux équations implicites en (1.2.9). La solution
de ces équations pour ∆0 et V0 est la même que la solution de (1.2.2) et (1.2.3), et résulte aussi de
(1.2.4) et (1.2.8).
Section 1.2. Détermination des prix d’une option dans un modèle binomial Page 9

La tendance qui se dessine ici persiste, quelque soit le nombre de périodes. Généralement, on a :

Xn = ∆n−1 Sn + (1 + r)(Vn−1 − ∆n−1 Sn−1 ),

où Xn désigne la valeur du portefeuille de couverture au temps n ; ∆n−1 la proportion d’actif à détenir
au temps n − 1 jusqu’avant le réajustement du portefeuille au temps n ; (Vn−1 − ∆n−1 Sn−1 ) la quantité
de cache à investir ou à emprunter à la banque selon que sa valeur est positive ou négative ; Vn doit
coı̈ncider avec Xn ; Vn+1 est la valeur de l’option au temps (n + 1) et il dépend des n + 1 lancers de la
pièce w1 , . . . , wn+1 . Alors au temps n, après les n premiers lancers w1 , . . . , wn connus, le portefeuille
pour couvrir une position courte doit maintenir une proportion ∆n (w1 , . . . , wn ) du stock, où

Vn+1 (w1 , . . . , wn , H) − Vn+1 (w1 , . . . , wn , B)


∆n (w1 , . . . , wn ) = , (1.2.17)
Sn+1 (w1 , . . . , wn , H) − Sn+1 (w1 , . . . , wn , B)

et le prix de l’option au temps n, quand les n premiers lancers proviennent des résultats w1 , . . . , wn , est
donné par
1
Vn (w1 , . . . , wn ) = [p̃Vn+1 (w1 , . . . , wn , H) + q̃Vn+1 (w1 , . . . , wn , B)] . (1.2.18)
1+r

Rappels de probabilité : Filtration et Martingale


On se donne un espace probabilisé (Ω, F, P) où F est une tribu et P est une probabilité sur F.

1.2.5 Définition. On appelle processus discret (Yk )0≤k≤n toute collection de n variables aléatoires.

1.2.6 Définition. On appelle filtration (Fk )0≤k≤n toute collection croissante de sous-tribus de F.
i.e.
Fk ⊂ Fk+1 , ∀ k ≤ n.

1.2.7 Définition. Le processus discret (Yk )0≤k≤n est dit adapté à la filtration (Fk ) (ou Fk -adapté) si
pour tout k ≤ n, Yk est Fk -mesurable.

1.2.8 Définition. Soit (Fk ) une filtration. Un processus discret (Mk )0≤k≤n est une martingale sous P
s’il vérifie :
– E [|Mk |] < ∞, ∀ k ≤ n,
– Mk est Fk -adapté,
– E [Mk+1 |Fk ] = Mk .

1.2.9 Remarque. Si l’égalité précédente est remplacée par une inégalité, on parle de sur-martingale
(≤) ou de sous-martingale (≥).

Propriété des martingales : Si {Mk , k = 0, . . . , n} est une martingale, alors

E [Mn |Fk ] = Mk , ∀ k ≤ n,

et en particulier on a : ∀ n ∈ N, E [Mn ] = E [M0 ].


Section 1.2. Détermination des prix d’une option dans un modèle binomial Page 10

1.2.10 Probabilité risque-neutre. Soit Ω l’ensemble des résultats possibles des N lancers de la pièce.
On construit une probabilité P
e sur Ω par la formule [Shra]

e 1 , . . . , wN ) , p̃#{j ; wj =H} q̃ #{j ; wj =B}


P(w

avec
1+r−d u − (1 + r)
p̃ = et q̃ = .
u−d u−d
e est appelée la probabilité risque-neutre. On note par E
P e l’espérance sous P.
e

Le prix de l’option est la valeur de l’option à la date 0.


Soit V1 la valeur de l’option à la date 1 et telle que V1 est F1 -mesurable. Alors l’équation (1.2.8) donne :
 
1 1 e 1
V0 = [p̃V1 (H) + q̃V1 (B)] = E(V1 ) = E
e V1 .
1+r 1+r 1+r

e la valeur actualisée du processus de l’actif sous-jacent {(1+r)−n Sn , Fn }N


1.2.11 Théorème. Sous P, n=0
est une martingale. [Shra]

Démonstration. Notons que la variable aléatoire Sn est Fn -mesurable pour chaque n = 1, 2, . . . , N .


Pour n = 0, on pose F0 = {∅, Ω} la tribu triviale. Cette tribu ne contient aucune information et toute
variable aléatoire F0 -mesurable doit être constante. Donc, par définition, E(S
e 1 |F0 ) est cette constante
et d’après la définition de l’espérance conditionnelle :
Z Z
E(S1 |F0 )dP =
e S1 dP
Ω Ω

avec Z Z
e 1 |F0 )dP = E(S
E(S e 1 |F0 ) e 1 |F0 )P(Ω) = E(S
dP = E(S e 1 |F0 )
Ω Ω
et Z
S1 dP = E(S
e 1 ) = p̃uS0 + q̃dS0 = (p̃u + q̃d)S0

et donc
e 1 |F0 ) = (p̃u + q̃d)S0 .
E(S
Pour n = 1, dans les trois premiers lancers de la pièce par exemple, la collection F1 des ensembles
déterminés par le premier lancer est donnée par F1 = {∅, AH , AB , Ω} où
AH = {HHH, HHB, HBH, HBB} et AB = {BHH, BHB, BBH, BBB}
– Si w = HHH ou w = HHB, alors S2 (w) = u2 S0 et S1 (w) = uS0 ;
– Si w = BBB ou w = BBH, alors S2 (w) = d2 S0 et S1 (w) = dS0 ;
– Si w ∈ {HBH, HBB, BHH, BHB}, alors S2 (w) = udS0 et S1 = uS0 ou S1 = dS0 .
e 2 |F1 ) est constante sur AH et AB et d’après la définition de l’espérance conditionnelle nous avons :
E(S
Z Z
E(S2 |F1 )dP =
e S2 dP,
AH AH
Z Z
e 2 |F1 )dP =
E(S S2 dP.
AB AB
Section 1.2. Détermination des prix d’une option dans un modèle binomial Page 11

On calcule
Z
e 2 |F1 )dP = P(AH )E(S
E(S e 2 |F1 )(w)
AH
e 2 |F1 )(w), ∀ w ∈ AH
= p̃E(S
et Z
S2 dP = p̃2 u2 S0 + p̃q̃udS0 .
AH
Donc Z Z
e 2 |F1 )(w) = 1
E(S e 2 |F1 )dP = 1
E(S S2 dP = p̃u2 S0 + q̃udS0 , ∀ w ∈ AH .
p̃ AH p̃ AH
On peut aussi écrire
e 2 |F1 )(w) = p̃u2 S0 + q̃udS0
E(S
= (p̃u + q̃d)uS0
= (p̃u + q̃d)S1 (w), ∀ w ∈ AH .
D’une manière similaire,
e 2 |F1 )(w) = (p̃u + q̃d)S1 (w), ∀ w ∈ AB .
E(S
Ainsi, dans tous les cas on a
e 2 |F1 )(w) = (p̃u + q̃d)S1 (w), ∀ w ∈ Ω.
E(S
Généralement, à l’étape n, si M désigne le nombre de fois que le prix a monté et B le nombre de fois
que le prix a baissé, on a Sn = S0 uM dB et
e n+1 |Fn )(w) = p̃uM +1 dB S0 + q̃uM dB+1 S0
E(S
= (p̃u + q̃d)S0 uM dB
= (p̃u + q̃d)Sn (w), ∀ w ∈ Ω.
On a montré que, pour tout n = 1, 2, . . . N ,
e n+1 |Fn ) = (p̃u + q̃d)Sn .
E(S (1.2.19)
D’où :
h i
e (1 + r)−(n+1) Sn+1 |Fn = (1 + r)−(n+1) E
E e [Sn+1 |Fn ]

= (1 + r)−(n+1) (p̃u + q̃d)Sn (on applique (1.2.19))


 
−(n+1) u(1 + r − d) d(u − 1 − r)
= (1 + r) + Sn
u−d u−d
u + ur − ud + du − d − dr
= (1 + r)−(n+1) Sn
u−d
(u − d) + r(u − d)
= (1 + r)−(n+1) Sn
u−d
(u − d)(1 + r)
= (1 + r)−(n+1) Sn
u−d
= (1 + r)−n Sn .
Section 1.2. Détermination des prix d’une option dans un modèle binomial Page 12

Processus du portefeuille
Le processus du portefeuille est ∆ = (∆0 , ∆1 , . . . , ∆N −1 ), où
– ∆n est le nombre de proportions du stock tenu entre les temps n et n + 1.
– Chaque ∆n est Fn -mesurable.

Valeur d’autofinancement d’un processus de portefeuille ∆


– On commence par une fortune initiale X0 non aléatoire, qui est nécessairement non nulle.
– On définit d’une manière récursive

Xn+1 = ∆n Sn+1 + (1 + r)(Xn − ∆n Sn )


= (1 + r)Xn + ∆n (Sn+1 − (1 + r)Sn ). (1.2.20)

– Alors chaque Xn est Fn -mesurable.


1.2.12 Théorème. Sous P,
e la valeur actualisée du processus d’autofinancement du portefeuille

{(1 + r)−n Xn , Fn }N
n=0 est une martingale. [Shra]

Démonstration. D’après (1.2.20), on peut écrire :


 
(1 + r)−(n+1) Xn+1 = (1 + r)−n Xn + ∆n (1 + r)−(n+1) Sn+1 − (1 + r)n Sn .

Donc :
h i h i
e (1 + r)−(n+1) Xn+1 |Fn = Ee (1 + r)−n Xn |Fn + E e (1 + r)−(n+1) ∆n Sn+1 |Fn
 
E
e (1 + r)−n ∆n Sn |Fn
 
−E
= (1 + r)−n E
e [Xn |Fn ] (on sort la constante)
h i
+ ∆n Ee (1 + r)−(n+1) Sn+1 |Fn (car ∆n est Fn -mesurable)
− (1 + r)−n E
e [∆n Sn |Fn ] (on sort la constante)
−n
= (1 + r) Xn (car Xn est Fn -mesurable)
−n
+ (1 + r) ∆n Sn (car la suite (1 + r)−n Sn est une martingale)
− (1 + r)−n ∆n Sn (car ∆n Xn est Fn -mesurable)
−n
= (1 + r) Xn .

Construction d’un portefeuille de duplication


1.2.13 Définition. Une stratégie de portefeuille simple de temps d’expiration m est une variable aléatoire
Vm , Fm -mesurable. (Ici, m est inférieure ou égale à N le nombre de période dans le modèle).
1.2.14 Définition. Une stratégie de portefeuille simple Vm est dite duplicable s’il existe une constante
X0 et un processus de portefeuille ∆ = (∆0 , . . . , ∆m−1 ) tels que la valeur du processus d’autofinance-
ment X0 , X1 , . . . , Xm donné par (1.2.20) satisfait

Xm (w) = Vm (w), ∀ w ∈ Ω.

Dans ce cas, pour k = 0, 1, . . . , m, on appelle Xk le prix par arbitrage de Vm au temps k.


Section 1.2. Détermination des prix d’une option dans un modèle binomial Page 13

1.2.15 Théorème. [Shra] Si une stratégie de portefeuille simple Vm est duplicable, alors pour chaque
k = 0, 1, . . . , m, le prix par arbitrage de Vm au temps k est
e (1 + r)−m Vm |Fk .
Xk = (1 + r)k E
 
(1.2.21)

Démonstration. D’après la propriété des martingales, si {Mk , Fk ; k = 0, . . . , m} est une martingale


alors
E [Mm |Fk ] = Mk ∀ k ≤ m.
Si la stratégie de portefeuille simple est duplicable, alors il existe un processus de portefeuille où la
valeur du processus d’autofinancement X0 , . . . , Xn satisfait Xm = Vm . Par définition Xk est la prix par
arbitrage de Vm au temps k. Le Théorème 1.2.12 dit que {(1 + r)−k Xn , Fk }m k=0 est une martingale, et
donc pour chaque k,

(1 + r)−k Xk = E e (1 + r)−m Xm |Fk = E e (1 + r)−m Vm |Fk


   

et donc,
e (1 + r)−m Vm |Fk .
Xk = (1 + r)k E
 

Complétude
Un modèle est dit complet si tout actif est duplicable par une stratégie de portefeuille simple. Dans le
cas contraire, le modèle est dit incomplet.
1.2.16 Proposition. En AOA, si deux portefeuilles autofinançants X et Y ont même valeur en T , ils
ont presque sûrement même valeur en tout instant t entre 0 et T .
ie.
XT = YT ⇒ ∀ t ∈ [0, T ], Xt = Yt e − p.s.
P
En particulier X0 = Y0 .
1.2.17 Théorème. [Shra] Le modèle binomial est complet. Autrement dit, l’AOA implique que si
Xm = Vm , alors Xk = Vk pour tout k = 0, . . . , m. En particulier, soit Vm une stratégie de portefeuille
simple, et posons
e (1 + r)−m Vm |Fk (ω1 , . . . , ωk ) ,
Vk (ω1 , . . . , ωk ) = (1 + r)k E
 
(1.2.22)
Vk+1 (ω1 , . . . , ωk , H) − Vk+1 (ω1 , . . . , ωk , B)
∆k (ω1 , . . . , ωk ) = . (1.2.23)
Sk+1 (ω1 , . . . , ωk , H) − Sk+1 (ω1 , . . . , ωk , B)
e (1 + r)−m Vm , la valeur d’autofinancement du processus
 
En commençant avec une richesse V0 = E
de portefeuille ∆0 , ∆1 , . . . , ∆m−1 est le processus V0 , V1 , . . . , Vm .

Démonstration. Soit V0 , V1 , . . . , Vm et ∆0 , ∆1 , . . . ∆m−1 définis par (1.2.22) et (1.2.23). Posons X0 =


V0 et définissons la valeur d’autofinancement du processus de portefeuille ∆0 , ∆1 , . . . ∆m−1 par la
formule récursive (1.2.20) :

Xk+1 = ∆k Sk+1 + (1 + r) (Xk − ∆k Sk ) .

On a besoin de montrer que


Xk = Vk , ∀ k ∈ {0, 1, . . . , m} . (1.2.24)
Section 1.2. Détermination des prix d’une option dans un modèle binomial Page 14

On va procéder par récurrence. Pour k = 0, la relation (1.2.24) est vraie par définition de X0 . Supposons
qu’elle est vraie pour quelques valeurs de k, i.e., pour chaque (ω1 , . . . , ωk ) fixé, nous avons

Xk (ω1 , . . . , ωk ) = Vk (ω1 , . . . , ωk ) .

On doit montrer que

Xk+1 (ω1 , . . . , ωk , H) = Vk+1 (ω1 , . . . , ωk , H) ,


Xk+1 (ω1 , . . . , ωk , B) = Vk+1 (ω1 , . . . , ωk , B) .

On va montrer la première égalité ; la deuxième se montre de la même manière.


Notons d’abord que
h i h  i
e (1 + r)−(k+1) Vk+1 |Fk = E e (1 + r)−m Vm |Fk+1 |Fk

E e E
e (1 + r)−m Vm |Fk
 
=E
= (1 + r)−k Vk .
N
En d’autres termes, (1 + r)−k Vk k=0 est une martingale sous P.

e En particulier,
h i
e (1 + r)−1 Vk+1 |Fk (ω1 , . . . , ωk )
Vk (ω1 , . . . , ωk ) = E
1 
= p̃Vk+1 (ω1 , . . . , ωk , H) + q̃Vk+1 (ω1 , . . . , ωk , B) .
1+r
Puisque (ω1 , . . . , ωk ) sera fixé pour le reste de la preuve, nous simplifions la notation en supprimant ces
symboles. Par exemple, on écrit la dernière équation comme
1 
Vk = p̃Vk+1 (H) + q̃Vk+1 (B) .
1+r
On calcule

Xk+1 (H) = ∆k Sk+1 (H) + (1 + r) (Xk − ∆k Sk )


= ∆k (Sk+1 (H) − (1 + r) Sk ) + (1 + r) Vk
Vk+1 (H) − Vk+1 (B)
= (Sk+1 (H) − (1 + r) Sk ) + p̃Vk+1 (H) + q̃Vk+1 (B)
Sk+1 (H) − Sk+1 (B)
Vk+1 (H) − Vk+1 (B)
= (uSk − (1 + r) Sk ) + p̃Vk+1 (H) + q̃Vk+1 (B)
uSk − dSk
 
u−1−r
= (Vk+1 (H) − Vk+1 (B)) + p̃Vk+1 (H) + q̃Vk+1 (B)
u−d
= (Vk+1 (H) − Vk+1 (B)) q̃ + p̃Vk+1 (H) + q̃Vk+1 (B)
= Vk+1 (H).

Le marché étant complet donc on a l’unicité de la probabilité risque-neutre qui entraı̂ne l’unicité du prix
de l’option.
Section 1.2. Détermination des prix d’une option dans un modèle binomial Page 15

N
Dans ce théorème, on a aussi montré que la suite {(1 + r)−n Vn }n=0 est une martingale sous P e où Vn
est la valeur (payoff) de l’option à la période n. Donc la valeur de son espérance à n = 0 est la même
qu’au temps n = N . Ce qui donne
e (1 + r)−N VN = (1 + r)−N E(V
 
e 0 ) = V0 = E
E(V e N) (1.2.25)

Or la valeur du payoff pour un Put à l’échéance N est donné par

VN = (K − SN )+ .

En remplaçant dans (1.2.25) on a :


1
P0N = V0 = (1 + r)−N E
e (K − SN )+ = e (K − SN )+ .
   
N
E
(1 + r)

D’où la valeur du Put d’une option européenne à la date 0 selon le modèle binomial est
1
P0N = e (K − SN )+ .
 
N
E (1.2.26)
(1 + r)

Donc pour un Call européen, sa valeur à la date 0 selon le modèle binomial est
1
C0N = e (SN − K)+ .
 
N
E (1.2.27)
(1 + r)
2. Convergence du modèle binomial vers le
modèle de Black-Scholes
Ce chapitre a pour objectif d’établir les formules de Black-Scholes pour le prix d’un Call et le prix d’un
Put européens comme limites des prix d’une option européenne dans un modèle binomial à N périodes
quand le nombre de périodes N tend vers l’infini. Pour ce faire, on a besoin d’un certain nombre
d’hypothèses du premier chapitre dont la plus importante est l’AOA et de deux théorèmes majeurs de
de la théorie des probabilités tels que la Loi des Grands Nombres et le Théorème Centrale Limite.

2.1 Théorèmes fondamentaux

2.1.1 Théorème (Loi des Grands Nombres). [Shrb] Soit X1 , . . . , XN une suite de variables aléatoires
indépendantes et identiquement distribuées sur une mesure de probabilité P
e d’espérance m.

Si E(|Xn |) < ∞, n ∈ {1, . . . , N }, alors avec probabilité 1,


e
N
1 X
lim Xn = m.
N →+∞ N
n=1
2.1.2 Théorème (Théorème Centrale Limite : TCL). [Shrb] Soit X1 , . . . , XN une suite de variables
aléatoires indépendantes et identiquement distribuées sur une mesure de probabilité P.
e Supposons que
E(Xn ) = 0 et Var(Xn ) = 1, n ∈ {1, . . . , N }. Soit f une fonction bornée, définie sur R et continue
e
sauf sur un nombre fini de points. Alors
N
" !# Z
+∞
e f √ 1 X
lim E Xn = f (x)ϕ(x)dx
N →+∞ N n=1 −∞

où ϕ représente la fonction densité de la loi normale centrée réduite.

Il peut arriver que les variables aléatoires que nous voulons étudier sont sous la forme
N
γ X
√ Xn + YN ,
N n=1
où la suite X1 , X2 , . . . est comme dans le Théorème Centrale Limite, γ est un nombre réel, et Y1 , Y2 , . . .
est une suite de variables aléatoires convergeant vers un nombre réel y. [Shrb] Dans ce cas, nous avons
la généralisation du Théorème Centrale Limite suivante.
2.1.3 Théorème (Théorème Centrale Limite Généralisé). [Shrb] Soit X1 , . . . , XN une suite de variables
aléatoires indépendantes et identiquement distribuées sur une mesure de probabilité P. e Supposons que
e n ) = 0 et Var(Xn ) = 1, n ∈ {1, . . . , N }. Soit γ un nombre réel et soit Y1 , Y2 , . . . une suite de
E(X
variables aléatoires telle que, avec probabilité 1,
lim YN = y,
N →+∞
avec y un nombre réel. Soit f une fonction bornée, définie sur R et continue sauf sur un nombre fini de
points. Alors
N
" !# Z
+∞
e f √ γ X
lim E Xn + YN = f (γx + y)ϕ(x)dx.
N →+∞ N n=1 −∞

16
Section 2.2. Le modèle de Black-Scholes Page 17

2.2 Le modèle de Black-Scholes

On se donne un intervalle [0, T ] en temps continu. Soit S0 fixé.


Le cours de l’actif sous-jacent St est un processus stochastique qui évolue selon l’équation différentielle
stochastique (EDS) suivante :

dSt = µSt dt + σSt dWt , t ∈ [0, T ]

où µ modélise la tendance du marché, σ est la volatilité (amplitude de la hausse ou de la baisse) et Wt


est un mouvement brownien sous la probabilité historique.
Sous l’hypothèse d’AOA et de complétude du marché, il existe une unique probabilité risque-neutre P
e
sous laquelle la dynamique de (St ) est donnée par

dSt = rSt dt + σSt dW t ,

où r est le taux d’intérêt annuel et W t est un mouvement brownien sous P.


e Le cours de l’actif au temps
(r− 12 σ 2 )t+σW t
t est St = S0 e , et en particulier pour t = T
1 2 )T +σW
ST = S0 e(r− 2 σ T
.

D’autre part la valeur actualisée de tout actif est une martingale sous la probabilité risque-neutre P.
e Par
−rT

conséquent le prix d’une option à la date 0 est donné par V0 = E e
e VT . Pour un Call,

V0 = e−rT E
e (VT ) = e−rT E e (ST − K)+
 
  + 
−rT rT − 12 σ 2 T +σW T
=E e
e S0 e −K

et, en notant σW T − 12 σ 2 T par Y [KOP11],


Z +∞ (y+σ 2 T )2
1
V0 = e −rT
  (S0 erT +y − K) √ e− 2σ2 T dy
log K
S0
−rT σ 2πT
= S0 Φ(d1 ) − Ke−rT Φ(d2 ),

où Φ est la fonction de répartition de la loi normale centrée réduite.


Donc le prix d’une option européenne à la date 0 pour un Call est donné selon le modèle de Black-Scholes
par :
C0 = S0 Φ(d1 ) − Ke−rT Φ(d2 ). (2.2.1)
où
log(S0 /K) + (r + σ 2 /2)T √
d1 = √ , d2 = d1 − σ T
σ T
et Φ est la fonction de répartition de la loi normale centrée réduite.
Par un même raisonnement, le Put européen en 0 selon le modèle de Black-Scholes est

P0 = −S0 Φ(−d1 ) + Ke−rT Φ(−d2 ). (2.2.2)


Section 2.3. Les formules de Black-Scholes à partir du modèle binomial Page 18

2.3 Les formules de Black-Scholes à partir du modèle binomial

Soit T > 0 un horizon de temps fixé (qui représentera la maturité de l’option dans le modèle de Black-
Scholes). On subdivise l’intervalle de temps [0, T ] en N intervalles de longueur T /N et on suppose les
intérêts sont composés sur les N périodes de sorte qu’on reçoit un intérêt de rT
N sur chaque période.

Soit le modèle binomial à N périodes sur un sous-jacent S de valeur initiale S0 . On suppose qu’à toute
date n ∈ {1, . . . , N }, la valeur Sn de l’actif peut monter avec une probabilité p̃ ou chuter avec une
probabilité q̃ = 1 − p̃ (l’existence de p̃ est assurée par l’Absence d’Opportunité d’Arbitrage) et elle prend
la valeur uSn−1 à la hausse et la valeur dSn−1 à la baisse avec

√ √
rT σ T rT σ T
u=1+ + √ , d=1+ − √
N N N N
et

1 + rT
N −d u − 1 − rT
N
p̃ = , q̃ = .
u−d u−d
On rappelle que le cours SN du sous-jacent à la date N est donné par

SN = S0 uHN dBN (2.3.1)

où HN (resp. BN ) désigne le nombre de fois où le cours a monté (resp. a baissé).
2.3.1 Le prix de Black-Scholes pour un Put.

2.3.2 Théorème. Le prix de Black-Scholes pour un Put sur un actif de strike K, de maturité N , de
volatilité σ, obtenu comme limite d’un Put dans le modèle binomial, est

lim P0N = −S0 Φ(−d1 ) + Ke−rT Φ(−d2 ),


N →+∞

1
où P0N = (1+ rT )N
e [(K
E − SN )+ ] (voir Chapitre 1, Equation (1.2.26)), [Shrb]
N

log(S0 /K) + (r + σ 2 /2)T √


d1 = √ , d2 = d1 − σ T (2.3.2)
σ T
et où Φ est la fonction de répartition de la loi N (0, 1), c’est-à-dire
Z x
1 2
Φ(x) = √ e−y /2 dy. (2.3.3)
2π −∞

Démonstration. Montrons d’abord que


1
lim rT N
= e−rT .
N →+∞ (1 + N )

Par définition de la fonction puissance, on a


rT N rT
(1 + ) = eN ln(1+ N ) .
N
Section 2.3. Les formules de Black-Scholes à partir du modèle binomial Page 19

Donc
1 rT

rT N
= e−N ln(1+ N ) .
(1 + N )
rT
En posant le changement de variable x = N , on peut écrire

1 rT
lim rT N
= lim e−N ln(1+ N )
N →+∞ (1 + N )
N →+∞
ln(1+x)
= lim e−rT x
x→0
−rT
= e

car
ln(1 + x)
lim =1
x→0 x
du fait que en posant y = 1 + x, on a

ln(1 + x) ln(y) ln(y) − ln(1) 0


lim = lim = lim = ln (1) = 1.
x→0 x y→1 y−1 y→1 y−1
D’où on a
1
lim rT N
= e−rT . (2.3.4)
N →+∞ (1 + N )
En utilisant la relation (2.3.1) et le développement limité :
1
ln(1 + x) = x − x2 + O(x3 ),
2
montrons que
√ HN − BN
ln SN = σ T √ + ZN
N
avec
HN  √  BN  √ 
 
1 2 HN + BN
ZN = ln S0 + T r − σ + O 1/ N + O 1/ N .
2 N N N
Section 2.3. Les formules de Black-Scholes à partir du modèle binomial Page 20

ln SN = ln(S0 uHN dBN )


= ln S0 + HN ln u + BN ln d
√ ! √ !
rT σ T rT σ T
= ln S0 + HN ln 1 + + √ + BN ln 1 + − √
N N N N
 √ √ !2  3

rT σ T 1 rT σ T 1 
= ln S0 + HN  + √ − + √ +O
N N 2 N N N
 √ √ !2  3

rT σ T 1 rT σ T 1 
+ BN  − √ − − √ +O
N N 2 N N N
 √ √ !2  3

rT σ T 1 σ T 1
= ln S0 + HN  + √ − √ +O √ 
N N 2 N N
 √ √ !2  3

rT σ T 1 σ T 1
+ BN  − √ − √ +O √ 
N N 2 N N
" √  # " √  #
σ2T 1 3 σ2T 1 3
 
rT σ T rT σ T
= ln S0 + HN + √ − +O √ + BN − √ − +O √
N N 2N N N N 2N N
"   √  #
T 1 σ T 1
= ln S0 + HN r − σ2 + √ + O √
N 2 N N N
"   √  #
T 1 σ T 1
+ BN r − σ2 − √ + O √
N 2 N N N
√ HN − BN HN  √  BN  √ 
 
1 2 HN + BN
= σ T √ + ln S0 + T r − σ + O 1/ N + O 1/ N
N 2 N N N
√ HN − BN
= σ T √ + ZN
N
avec
HN  √  BN  √ 
 
1 2 HN + BN
ZN = ln S0 + T r − σ + O 1/ N + O 1/ N .
2 N N N
Soit Xn et Yn des variables aléatoires définies pour tout n par :
 
1 avec probabilité p̃ 0 avec probabilité p̃
XN = et YN =
0 avec probabilité q̃ 1 avec probabilité q̃

Exprimons HN (resp. BN ) en fonction de X1 , . . . , XN (resp. Y1 , . . . , YN ).


À chaque fois que Xn prend la valeur 1, le cours monte avec une probabilité p̃ et puisque HN désigne
le nombre de fois que le cours a monté, on a :
N
X
HN = Xn .
n=1

De même, à chaque fois que Yn prend la valeur 1, le cours baisse avec une probabilité q̃ et BN désignant
Section 2.3. Les formules de Black-Scholes à partir du modèle binomial Page 21

le nombre de fois que le cours a baissé, donc


N
X
BN = Yn .
n=1

En utilisant la loi des grands nombres, montrons qu’avec probabilité 1 on a :


HN BN 1
lim = lim = .
N →+∞ N N →+∞ N 2
Pour tout n ≥ 1, on a :
- E(X
e n ) = 1.p̃ + 0.q̃ = p̃ et

- E(Y
e n ) = 0.p̃ + 1.q̃ = q̃


rT rT σ√ T √ √
1+ rT
−d 1+ N −1− N + N σ T/ N 1 1
N
p̃ = = √ √ = √ √ = , p̃ = 1 − q̃ = .
u−d 1+ rT
+ σ√ T
−1− rT
+ σ√ T 2σ T / N 2 2
N N N N
Donc :
e n) = 1
E(X e n) = 1 .
et
E(Y
2 2
On a X1 , . . . , XN de même loi, indépendantes et E(|Xn |) = E(Xn ) < +∞. Donc d’après la loi des
e e
grands nombres, avec probabilité 1,
N
HN 1 X e n) = 1 .
lim = lim Xn = E(X
N →+∞ N N →+∞ N 2
n=1

e n |) = E(Y
De même, Y1 , . . . , YN de même loi, indépendantes et E(|Y e n ) < +∞. Donc d’après la loi des
grands nombres, avec probabilité 1,
N
BN 1 X e n) = 1 .
lim = lim Yn = E(Y
N →+∞ N N →+∞ N 2
n=1

D’où avec probabilité 1,


HN BN 1
lim = lim = .
N →+∞ N N →+∞ N 2

En déduire qu’avec probabilité 1


 
1 2
lim ZN = ln S0 + r − σ T.
N →+∞ 2
On a
HN  √  BN  √ 
 
1 2 HN + BN
ZN = ln S0 + T r − σ + O 1/ N + O 1/ N .
2 N N N
D’après ce qui précède, on peut écrire :
HN + BN HN BN 1 1
lim = lim + lim = + = 1.
N →+∞ N N →+∞ N N →+∞ N 2 2
Section 2.3. Les formules de Black-Scholes à partir du modèle binomial Page 22

 
HN HN 1 1 HN 1
lim √ = lim · lim √ = · 0 = 0 ⇒ lim O √ = 0.
N →+∞ N N N →+∞ N N →+∞ N 2 N →+∞ N N
et  
BN BN 1 1 BN 1
lim √ = lim · lim √ = · 0 = 0 ⇒ lim O √ = 0.
N →+∞ N N N →+∞ N N →+∞ N 2 N →+∞ N N

D’où avec probabilité 1, on a :


 
1 2
lim ZN = ln S0 + r − σ T.
N →+∞ 2

Montrons que
Z +∞  √
e (K − SN )+ = √1
+
T +(r−σ 2 /2)T 2 /2
K − S0 exσ e−x
 
lim E dx.
N →+∞ 2π −∞

En résumé, on a :
√ HN − BN
ln SN = σ T √ + ZN
N
avec  
1
lim ZN = ln S0 + r − σ 2 T.
N →+∞ 2
De plus
N
X N
X N
X
HN − BN = Xn − Yn = (Xn − YN )
n=1 n=1 n=1
avec pour tout n,
- les variables aléatoires X1 − Y1 , X2 − Y2 , . . . sont indépendantes et identiquement distribuées

e n − Yn ) = E(X
- E(X e n) = 1 − 1 = 0
e n ) − E(Y
2 2
et puisque Xn et Yn sont indépendantes (car le nombre de fois que le cours de l’actif sous-jacent a
monté est indépendant du nombre de fois qu’il a baissé), on a :

1 1
- Var(Xn − Yn ) = Var(XN ) + Var(Yn ) = 2 + 2 = 1.
Le Théorème Centrale Limite Généralisé, Théorème 8.3.2 du cours, implique que pour toute fonction
f (x) bornée, continue définie sur R,

+∞ √
Z    
1 2
lim E
e [f (ln SN )] = f xσ T + ln S0 + r − σ T ϕ(x)dx (2.3.5)
N →+∞ −∞ 2
où ϕ(x) est la densité de la loi normale centrée réduite. Elle a pour expression :
1 2
ϕ(x) = √ e−x /2 . (2.3.6)

Pour obtenir l’option de vente, on pose

f (x) = (K − ex )+ (2.3.7)
Section 2.3. Les formules de Black-Scholes à partir du modèle binomial Page 23

et donc
f (ln SN ) = (K − SN )+ .
f est continue sur R car
f (x) = (K − ex )+ = max (K − ex , 0)
est le maximum entre deux fonctions continues donc est continue.
f est bornée sur R.
En effet, ∀ x ∈ R, (
K − ex si K − ex > 0,
f (x) = (K − ex )+ =
0 sinon
- si K − ex ≤ 0, alors f (x) se réduit à la fonction nulle qui est trivialement bornée sur R ;

- si K − ex > 0, alors f (x) = K − ex > 0 et ∀ x ∈ R, on a :

−ex < 0
=⇒ K − ex < K
=⇒ f (x) < K,
Donc si f (x) 6= 0, alors 0 < f (x) < K, ∀ x ∈ R.
D’où f est bornée sur R.
f est définie continue sur R et bornée entre 0 et K, et donc satisfait les conditions du Théorème Centrale
Limite Généralisé.
En utilisant (2.3.6) et en remplaçant f par sa valeur dans (2.3.5), on obtient :
Z +∞  √
e (K − SN )+ = √1 2
+ 2
K − exσ T +ln S0 +(r−σ /2)T e−x /2 dx
 
lim E
N →+∞ 2π −∞
1
Z +∞  √ 2
+ 2
=√ K − S0 exσ T +(r−σ /2)T e−x /2 dx.
2π −∞
D’où le résultat.
Il reste à montrer que :
Z +∞  √
1 2
+ 2
√ K − S0 exσ T +(r−σ /2)T e−x /2 dx = KΦ(−d2 ) − S0 Φ(−d1 )erT .
2π −∞

On a
 √ 2
+  √ 2

K − S0 exσ T +(r−σ /2)T = max K − exσ T +ln S0 +(r−σ /2)T , 0

( √ 2 2 /2)T
K − S0 exσ T +(r−σ /2)T si K − exσT +ln S0 +(r−σ > 0,
=
0 sinon

Donc la précédente intégrale est nulle sauf si


Section 2.3. Les formules de Black-Scholes à partir du modèle binomial Page 24


T +(r−σ 2 /2)T
K − S0 exσ > 0.
On peut donc écrire,
Z +∞  √ 2
+ 2
K − S0 exσ T +(r−σ /2)T e−x /2 dx
−∞
Z +∞  √ 
T +(r−σ 2 /2)T 2 /2
= K − S0 exσ e−x 1{K−exσ√T +ln S0 +(r−σ2 /2)T >0} dx. (2.3.8)
−∞

Déterminons ainsi les valeurs de x pour lesquelles K − S0 exσ T +(r−σ 2 /2)T > 0.
√ √
T +(r−σ 2 /2)T T +(r−σ 2 /2)T
K − S0 exσ >0 ⇐⇒ K > S0 exσ
K √
T +(r−σ 2 /2)T
⇐⇒ > exσ
S0
K √
⇐⇒ ln > xσ T + (r − σ 2 /2)T
S0
√ K
⇐⇒ xσ T < ln − (r − σ 2 /2)T
S0
√ S0
⇐⇒ xσ T < − ln − (r − σ 2 /2)T
K
ln(S0 /K) + (r − σ 2 /2)T
⇐⇒ x < − √
σ T
ln(S0 /K) + (r + σ 2 /2)T √
 
⇐⇒ x < − √ −σ T
σ T
 √ 
⇐⇒ x < − d1 − σ T
⇐⇒ x < −d2 .

Donc on a seulement besoin d’intégrer pour les valeurs de x qui sont inférieures à −d2 ; pour les autres
valeurs de x, l’intégrale vaut zéro. Ceci étant, en remplaçant dans (2.3.8), on a :
Z +∞  √ Z −d2 √
1 xσ T +(r−σ 2 /2)T
+
−x2 /2 1 
T +(r−σ 2 /2)T
 2 /2
√ K − S0 e e dx = √ K − S0 exσ e−x dx
2π −∞ 2π −∞
(2.3.9)
Z −d2 Z −d2 √
K 2 /2 S0 T +(r−σ 2 /2)T −x2 /2
=√ e−x dx − √ exσ e dx
2π −∞ 2π −∞
(2.3.10)
Z −d2 √
S0 1
T )2 rT
= KΦ(−d2 ) − √ e− 2 (x−σ e dx.
2π −∞
(2.3.11)

Posons le changement de variable y = x − σ T (=⇒ dy = dx).
Pour obtenir les bornes de l’intégrale, on sait que :
– quand x → −∞ alors y → −∞,
Section 2.3. Les formules de Black-Scholes à partir du modèle binomial Page 25

– quand x = −d2 , alors



y = −d2 − σ T
ln(S0 /K) + (r − σ 2 /2)T √
= − √ −σ T
σ T
ln(S0 /K) + (r − σ 2 /2)T + σ 2 T
= − √
σ T
ln(S0 /K) + (r + σ 2 /2)T
= − √
σ T
= −d1 .
Donc
Z −d2 √ Z −d1
S 1
T )2 rT S 2
√0 e− 2 (x−σ e dx = √0 e−y /2 erT dy
2π −∞ 2π −∞
Z −d1
S 2
= √0 e−y /2 dyerT
2π −∞

= S0 Φ(−d1 )erT .

En remplaçant dans (2.3.11), on obtient :

Z +∞  √
1 T +(r−σ 2 /2)T
+ 2 /2
√ K − S0 exσ e−x dx = KΦ(−d2 ) − S0 Φ(−d1 )erT . (2.3.12)
2π −∞

Enfin, on peut déduire de ce qui précède que

lim P0N = −S0 Φ(−d1 ) + Ke−rT Φ(−d2 ).


N →+∞

On a :
1
P0N = e (K − SN )+
 
rT N
E
(1 + N )
avec Z +∞  √
e (K − SN )+ = √1
+
T +(r−σ 2 /2)T 2 /2
K − S0 exσ e−x
 
lim E dx.
N →+∞ 2π −∞
(2.3.4) et (2.3.12) nous donnent
1
lim P0N e (K − SN )+
 
= lim rT N
· lim E
N →+∞ N →+∞ (1 + N )
N →+∞

e−rT KΦ(−d2 ) − S0 Φ(−d1 )erT


 
=

= −S0 Φ(−d1 ) + Ke−rT Φ(−d2 ).

D’où
lim P0N = −S0 Φ(−d1 ) + Ke−rT Φ(−d2 ). (2.3.13)
N →+∞
Section 2.3. Les formules de Black-Scholes à partir du modèle binomial Page 26

2.3.3 Le prix de Black-Scholes pour un Call. On avait commencé précédemment par calculer le prix
de Black-Scholes pour un Put plutôt que le Call parce que la fonction payoff pour un Put est bornée ce
qui est nécessaire pour appliquer le Théorème Centrale limite Généralisé. Or pour un Call, sa fonction
payoff est donnée à la place de (2.3.7) par f (x) = (ex − K)+ et celle-ci n’est pas bornée car a une
limite infinie quand x → +∞, donc le Théorème Centrale Limite Généralisé ne peut pas être appliqué
dans un tel cas. Cependant une conséquence importante de l’AOA est la relation de parité call-put qui
permet d’obtenir le prix du Call à partir du Put déjà obtenu.
2.3.4 Théorème. Le prix de Black-Scholes pour un Call sur un actif de strike K, de maturité N , de
volatilité σ, obtenu comme limite d’un Put dans le modèle binomial, est
lim C0N = S0 Φ(d1 ) − Ke−rT Φ(d2 ),
N →+∞
1
où d1 et d2 sont donnés par (2.3.2) et C0N = (1+ rT )N
e [(SN
E − K)+ ] (voir Chapitre 1, Equation
N
(1.2.27)). [Shrb]

Démonstration. La valeur d’un Put est donné par


1
P0N = e (K − SN )+
 
rT N
E
(1 + N )
et celui d’un Call
1
C0N = e (SN − K)+ .
 
E
(1 + rT
N )
N

En remarquant que (SN − K)+ − (K − SN )+ = SN − K par le fait que


(K − SN )+ + SN = K 1{SN ≤K} + SN 1{K≤SN } = (SN − K)+ + K, on a
1 e (SN − K)+ −
  1 e (K − SN )+ =
  1 e [(SN − K)] ,
rT N
E rT N
E E
(1 + N ) (1 + N ) (1 + rTN ) N

donc
1
C0N − P0N = rT N
e [(SN − K)] .
E
(1 + N )
 rT −n
N
Et, puisque (1 + N ) Sn n=0 est une martingale sous la probabilité risque-neutre, on a
" #
S N
Ee = E(S
e 0 ) = S0 .
(1 + rT
N )
N

De là on déduit la relation de parité call-put


K
C0N − P0N = S0 − .
(1 + rT
N )
N

Cette relation, (2.3.13) et (2.3.4) nous donnent


K
lim C0N = lim P0N + S0 − lim
N →+∞ N →+∞ N →+∞ (1 + rT
N )
N

= −S0 Φ(−d1 ) + Ke−rT Φ(−d2 ) + S0 − Ke−rT


= S0 (1 − Φ(−d1 )) − Ke−rT (1 − Φ(−d2 ))
= S0 Φ(d1 ) − Ke−rT Φ(d2 ) (par symétrie de la loi normale).
3. Implémentations et résultats numériques
Dans ce dernier chapitre, nous illustrons numériquement les résultats théoriques obtenus dans le chapitre
2 en utilisant la méthode de Monte Carlo.

3.1 Méthode de Monte Carlo

La méthode de Monte Carlo est une méthode d’estimation de l’espérance mathématique. Supposons
vouloir estimer la quantité
Ef (X)

où X est une variable aléatoire à valeurs dans Rd et f une fonction définie sur Rd à valeurs dans R. On
suppose que l’on sait simuler un échantillon indépendant X1 , . . . , Xm de variables aléatoires de taille m
distribuées selon la loi de X. Par la loi des grands nombres on a
m
1 X p.s.
f (Xk ) −−→ Ef (X) quand m → +∞.
m
k=1

Si de plus f (X) est de carré intégrable alors la vitesse de convergence est donnée par le TCL :
√  L
m X̄m − Ef (X) −→ N (0; σ 2 )

avec
m
1 X
X̄m = f (Xk ); σ 2 = Ef (X)2 − (Ef (X))2 .
m
k=1

On en déduit un intervalle de confiance de Ef (X), avec un niveau de confiance de 95% :


 
σ σ
Ef (X) ∈ X̄m − 1.96 √ , X̄m + 1.96 √ .
m m

Ce résultat est intéressant si on peut majorer σ 2 . Sinon, on peut estimer σ 2 par


m
2 1 X 2
Sm = f (Xk ) − X̄m .
m−1
k=1

3.2 Résultats obtenus

Pour étudier la convergence du prix du modèle binomial vers le prix de Black-Scholes, on prend l’exemple
1
d’un Put dont la formule dans le modèle binomial est donnée par P0N = (1+ rT )N
Ee [(K − SN )+ ] . La
N
méthode consiste à estimer cette espérance par la méthode de Monte Carlo en simulant M trajectoires
du cours de l’actif sous-jacent et ensuite prendre N au fur et à mesure suffisamment grand. Pour cela,
on écrit un programme C qui génère les résultats obtenus sous forme de fichiers texte que l’on récupère
sur Scilab pour tracer le prix du modèle binomial en fonction du nombre de périodes N .

27
Section 3.2. Résultats obtenus Page 28

On fixe les valeurs suivantes :


T = 1 ; S0 = 100 ; σ = 0.1 ; K = 100 ; r = 0.15.
Pour ces valeurs fixées, le prix de Black-Scholes donné par Scilab pour un Put vaut 0.2716. Ce prix est
représenté par la partie rouge du graphe.
Dans un premier temps, on fixe M = 100000 et on cherche la stabilité en augmentant la valeur de N .
Pour N allant de 1 à 100, on calcule le prix du Put en 0 et on trace les 20 prix obtenus en fonction de
la valeur de N .

Figure 3.1 – N=100, M=100000


Section 3.2. Résultats obtenus Page 29

À N = 250, on trace les 50 prix obtenus. Le dernier prix estimé est 0.2736.

Figure 3.2 – N=250, M=100000

On observe que lorsque N croit, les variations tendent à disparaı̂tre et s’approchent de plus en plus du
prix de Black-Scholes. À partir de N = 350, elles deviennent stables avec un dernier prix estimé de
0.2700 :

Figure 3.3 – N=350, M=100000


Section 3.2. Résultats obtenus Page 30

Maintenant fixons N à 350 (70 prix) et essayons d’augmenter M . Pour M = 500000, le dernier prix
estimé est 0.2707 et on obtient le graphe suivant :

Figure 3.4 – N=350, M=500000

Pour M = 800000, avec un prix estimé de 0.2716, on atteint le prix de Black-Sholes avec le graphe
suivant :

Figure 3.5 – N=350, M=800000


Section 3.2. Résultats obtenus Page 31

À M = 1200000 la convergence est assurée comme le montre le graphe ci-dessous

Figure 3.6 – N=350, M=1200000

Ainsi, avec un nombre de périodes suffisant, on retrouve bien graphiquement la convergence du prix
donné par le modèle binomial vers le prix de Black-Scholes.
Pour un Call on procède de la même manière mais seulement la valeur de la limite change. On trouve
une limite égale à 14.2009 pour les même valeurs fixées au-dessus.
Conclusion
Le modèle binomial est donc une des méthodes qui permet d’évaluer à temps discret le prix des pro-
duits dérivés. Il présente de nombreux avantages. Son interprétation financière est naturelle, il est
mathématiquement simple et on a montré que, pour un choix judicieux des paramètres, il converge
vers le modèle de Black-Scholes. De ce fait il est très utilisé pour calculer le prix d’une option et en
particulier pour des produits pouvant être exercés avant échéance.
L’approche discrète exposée ici, au-delà de ses qualités pédagogiques particulières, est parfois indis-
pensable pour modéliser des situations subtiles pour lesquelles l’approche continue peut se révéler très
limitative.
Toutefois une des faiblesses du modèle binomial est sa difficulté d’application pour des options possédant
plusieurs sous-jacents. Dans le cas de plusieurs sous-jacents, un modèle binomial ne suffit plus, il faut
considérer un arbre tridimensionnel ou même multidimensionnel pour évaluer le prix des options.

32
Annexe : Codes C et Scilab.
Code C qui génère les prix estimés sous forme de fichiers texte

#define NbPrix 70
#define M 100000
#define Ptilde 0.5
#define S0 100
#define K 100
#define r 0.15
#define T 1.0
#define Sigma 0.1

#include <stdio.h>
#include <math.h>
#include <stdlib.h>
#include <time.h>
#include <ctype.h>
#include <string.h>
//#include <conio.h>

//fonction qui simule une trajectoire du sous-jacent


void SimulTraj(int n, double up, double down, double ptilde, double *s){
double UpDown, u;
int i;

s[0] = S0;
for(i=1; i <= n; i++){
u = rand()/(RAND_MAX + 1.0);
UpDown = (u <= 1-ptilde) ? down : up;
s[i] = (s[i-1])*UpDown ;
}
}
//fonction qui retourne un Put
double f(double X, int n){
return((K <= X) ? 0 : (1.0/pow((1+((r*T)/n)),n))*(K-X));
}

//main
int main(void)
{
double *S, *Tab, *Abscis;
int i, N, k;
double som, Up, Down, pS;
char nom1[60],nom2[60];

33
Section 3.2. Résultats obtenus Page 34

FILE *fichier1,*fichier2;

Tab = (double *) malloc(NbPrix *sizeof(double));


Abscis = (double *) malloc(NbPrix *sizeof(double));

for(k=0;k<NbPrix;k++){
N = 5*(k+1);
Abscis[k] = N; //Tableau qui récupère les abscisses

S = (double *) malloc((N+1)*sizeof(double));

srand((unsigned)time(NULL));

Up = 1.0 + (r*T)/N + (Sigma*sqrt(T))/sqrt(N);

Down = 1.0 +(r*T)/N - (Sigma*sqrt(T))/sqrt(N);

som = 0.0;
//Simulation des M trajectoires
for (i=1; i <= M; i++){

SimulTraj(N, Up, Down, Ptilde,S);


pS = S[N];
som = som + (1.0*f(pS,N))/M;
}
Tab[k]=som; // Tableau contenant les NbPrix estimés
free(S);
}

//Stockage des tableaux Tab et Abscis dans des fichiers textes

strcpy(nom1,"PrixBin.txt");
fichier1=fopen(nom1,"w");

for(i=0; i < NbPrix; i++){


fprintf(fichier1,"% e",Tab[i]);
fprintf(fichier1, "\n");
}
fclose(fichier1);

strcpy(nom2,"Abscis.txt");
fichier2=fopen(nom2,"w");

for(k=0; k < NbPrix; k++){


fprintf(fichier2,"% e",Abscis[k]);
fprintf(fichier2, "\n");
}
Section 3.2. Résultats obtenus Page 35

fclose(fichier2);

free(Tab);
free(Abscis);

return 0;
}

Après avoir créé les deux fichiers texte qui contiennent les tableaux Tab et Abscis, on les récupère sur
Scilab pour tracer l’évolution du prix de l’actif sous-jacent.
Par exemple le code Scilab ci-dessous permet d’obtenir la Figure 3.6.

X=[5.000000e+000,
1.000000e+001,
1.500000e+001,
2.000000e+001,
2.500000e+001,
3.000000e+001,
3.500000e+001,
4.000000e+001,
4.500000e+001,
5.000000e+001,
5.500000e+001,
6.000000e+001,
6.500000e+001,
7.000000e+001,
7.500000e+001,
8.000000e+001,
8.500000e+001,
9.000000e+001,
9.500000e+001,
1.000000e+002,
1.050000e+002,
1.100000e+002,
1.150000e+002,
1.200000e+002,
1.250000e+002,
1.300000e+002,
1.350000e+002,
1.400000e+002,
1.450000e+002,
1.500000e+002,
1.550000e+002,
1.600000e+002,
1.650000e+002,
1.700000e+002,
1.750000e+002,
Section 3.2. Résultats obtenus Page 36

1.800000e+002,
1.850000e+002,
1.900000e+002,
1.950000e+002,
2.000000e+002,
2.050000e+002,
2.100000e+002,
2.150000e+002,
2.200000e+002,
2.250000e+002,
2.300000e+002,
2.350000e+002,
2.400000e+002,
2.450000e+002,
2.500000e+002,
2.550000e+002,
2.600000e+002,
2.650000e+002,
2.700000e+002,
2.750000e+002,
2.800000e+002,
2.850000e+002,
2.900000e+002,
2.950000e+002,
3.000000e+002,
3.050000e+002,
3.100000e+002,
3.150000e+002,
3.200000e+002,
3.250000e+002,
3.300000e+002,
3.350000e+002,
3.400000e+002,
3.450000e+002,
3.500000e+002]

Y=[1.925847e-001,
2.578255e-001,
2.622914e-001,
2.612505e-001,
2.557367e-001,
2.538250e-001,
2.659096e-001,
2.713119e-001,
2.699458e-001,
2.650957e-001,
2.652506e-001,
2.731704e-001,
Section 3.2. Résultats obtenus Page 37

2.705936e-001,
2.658327e-001,
2.684270e-001,
2.729024e-001,
2.689044e-001,
2.688240e-001,
2.696982e-001,
2.730521e-001,
2.671588e-001,
2.734925e-001,
2.713252e-001,
2.666231e-001,
2.730653e-001,
2.717375e-001,
2.665533e-001,
2.736561e-001,
2.697839e-001,
2.719112e-001,
2.715131e-001,
2.722410e-001,
2.693252e-001,
2.717557e-001,
2.689033e-001,
2.725401e-001,
2.726407e-001,
2.695873e-001,
2.718942e-001,
2.715468e-001,
2.707152e-001,
2.726566e-001,
2.703988e-001,
2.723085e-001,
2.714174e-001,
2.688588e-001,
2.740559e-001,
2.706745e-001,
2.706780e-001,
2.702250e-001,
2.710419e-001,
2.718374e-001,
2.711018e-001,
2.716497e-001,
2.723820e-001,
2.714486e-001,
2.717679e-001,
2.723505e-001,
2.710674e-001,
2.710095e-001,
Section 3.2. Résultats obtenus Page 38

2.731225e-001,
2.722119e-001,
2.711501e-001,
2.704119e-001,
2.715516e-001,
2.721746e-001,
2.722123e-001,
2.709413e-001,
2.705315e-001,
2.721129e-001]

K=100
S0=100
r=0.15
dt =1.0
sigma=0.1
NbPrix=70
d1 = (log(S0/K) + (r + 0.5*sigma^2)*(dt)) / (sigma*sqrt(dt));
d2 = d1 - sigma*sqrt(dt);
N1 = 0.5*(1+erf(-d1/sqrt(2))); N2 = 0.5*(1+erf(-d2/sqrt(2)));
P = -S0*N1+K*exp(-r*(dt))*N2;
Z=zeros(1,NbPrix)
T=zeros(1,NbPrix)
for k = 1:NbPrix
N = 5*k
Z(k) = N
T(k)=P
end
plot(X,Y)
plot(Z,T,"r")
Remerciements
C’est un devoir bien agréable que de venir rendre hommage, au terme de ce travail, à ceux sans lesquels
il n’aurait pas pu être réalisé.
Je remercie particulièrement mon directeur de mémoire, Abass Sagna, d’avoir accepter de m’encadrer et
de me guider tout au long de mon travail. Pour l’attention qu’il a bien voulu m’accorder, sa disponibilité
et son estimable aide jusqu’à la la réalisation de ce mémoire. Sans lui, ce travail n’aurait pas de sens.
Je tiens également à remercier profondément mon professeur Damien Simon qui est la raison d’être de
ce mémoire et que son enseignement pédagogique a beaucoup contribué à la réalisation de mon travail.
Je n’oublierai pas à remercier ma tutrice Dr. Fatou Néné Diop pour sa disponibilité, ses conseils et son
aide considérable.
Je remercie aussi les professeurs de l’UFR SAT à l’Université Gaston Berger de Saint-Louis qui ont
beaucoup contribué à ma formation avant de venir à AIMS-Sénégal ainsi que tous les enseignants que
j’ai eu durant mon cursus scolaire.
Nous ne manquerons pas de saluer tous ceux qui ont participé de près ou de loin à l’accomplissement
de mon travail, particulièrement à la famille de AIMS-Sénégal, en passant par l’administration, les
professeurs et les étudiants.
Je remercie tous les membres de ma famille particulièrement ma mère à qui je dédie ce travail.

39
References
[AUR10] Anne-Victoire AURIAULT, Utilisation des arbres binomiaux pour le pricing des options ameri-
caines, Ph.D. thesis, Laboratoire TIMC-IMAG, equipe TIMB, 2010.
[eFD] Marc et Francine DIENER, Modeles mathematiques discrets pour la finance et l assurance,
28 mars 2010.
[ELI] Romuald ELIE, Calcul stochastique pour la finance, Tech. report.
[Hul97] John Hull, Options, futures, and other derivatives, Printice-Hall, 1997.
[KOP11] EKKEHARD KOPP, From measures to ito integrals, Cambridge University Press, 2011.
[Shra] Steven Shreve, Stochastic calculus and finance, Copyright ; Steven E. Shreve, 1996.
[Shrb] Steven E. Shreve, Black-sholes, November 9, 2005 ; Chapitre 8.

40

Vous aimerez peut-être aussi