Le Calcul de Malliavin Applique A La Finance 04062002

Le Calcul de Malliavin Appliqu la Finance
Frdric Cosmao, Frdric Dupuy et Antoine Guillon
Groupe de Travail Dirig par Jean-Frdric Jouanin, Ashkan Nikeghbali et Thierry Roncalli
4 Juin 2002
Introduction
Ce mmoire introduit une thorie de calcul variationnel stochastique aussi appele Calcul de Malliavin. La recherche dans ce domaine est trs vivante depuis une dizaine d'annes et les applications de cette thorie la nance sont nombreuses. Cette thorie comporte une grande dominante de calcul stochastique au formalisme parfois complexe. Pour la rendre accessible aux non-initis, nous avons tent de l'exposer de manire didactique et intuitive en privilgiant les exemples. Nous nous intressons ici essentiellement deux champs d'applications. Dans un premier temps nous prsentons une nouvelle technique pour le calcul des sensibilits du prix d'une option dirents paramtres, aussi appeles grecques, dans un cadre assez gnral d'options payo discontinus, path-dependent, sur multi sous-jacents. Le rsultat fondamental de l'approche par le calcul de Malliavin (Fourni et al. [FLLLT99a], Benhamou [BEN00a]) est que celui-ci permet, par des mthodes de Monte Carlo, d'estimer les grecques non plus par Dirences Finies comme c'est habituellement le cas, mais par une seule esprance, celle du produit du payo par un poids indpendant du payo (grecque = E[payo.poids]). Nous essayons galement de comparer les deux approches, Dirences Finies et Malliavin, pour dterminer les prols de payo pour lesquels le calcul de Malliavin s'avre le plus pertinent. Dans un deuxime temps nous proposons, l'aide du calcul de Malliavin (Fourni et al. [FLLL01b], Lions et Regnier [LR01]), une nouvelle reprsentation des esprances conditionnelles ainsi que ses applications au pricing et au hedging d'options amricaines.
Nous tenons remercier : nos directeurs de GT (Jean-Frdric Jouanin, Ashkan Nikeghbali et Thierry Roncalli) pour leur soutien technique et moral, leur disponibilit, toute l'quipe du GRO, Emmanuel Gobet et Bruno-Denize Bouchard pour leurs claircissements, les animateurs et intervenants du colloque Application du Calcul de Malliavin en Finance, les 13 et 14 dcembre 2001 l'INRIA.
Table des matires

Introduction 1 Introduction au calcul de Malliavin
1.1 1.2 1.3 1.4 2.1 Dnition des oprateurs de Malliavin . . . . . . . . 1.1.1 Dnition sur des espaces simples . . . . . . . 1.1.2 Extension des oprateurs . . . . . . . . . . . Proprits . . . . . . . . . . . . . . . . . . . . . . . . 1.2.1 Formule d'intgration par parties . . . . . . . 1.2.2 Formules de calcul et de commutation . . . . Un exemple fondamental : le processus des variations Extension au cas multi-dimensionnel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . premires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1
5 5 7 8 8 9 10 11
2 Calcul des sensibilits et applications aux options exotiques
2.2 2.3
Calcul de Malliavin et calcul des sensibilits : mthodologie . . 2.1.1 Les sensibilits : cadre de travail . . . . . . . . . . . . . 2.1.2 Evaluation par le calcul de Malliavin . . . . . . . . . . . 2.1.3 Extension des rsultats . . . . . . . . . . . . . . . . . . Comparaison des mthodes . . . . . . . . . . . . . . . . . . . . 2.2.1 La mthode des dirences nies . . . . . . . . . . . . . 2.2.2 La mthode du poids de Malliavin et introduction d'une Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.3.1 Le cas de l'option europenne . . . . . . . . . . . . . . . 2.3.2 Le cas de l'option binaire . . . . . . . . . . . . . . . . . Calculs thoriques des coecients de sensibilits 3.1.1 Rsultats gnraux . . . . . . . . . . . . . 3.1.2 Application au calcul des grecques . . . . Applications . . . . . . . . . . . . . . . . . . . . . 3.2.1 Un exemple avec l'option sur Spread . . . 3.2.2 Un exemple avec l'option WorstOf . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . fonction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . de contrle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
13
13 13 14 16 19 19 20 21 21 23
3 Extension au cas des options multi sous-jacents

3.1 3.2
27
27 27 28 30 30 31
4 Valorisation et sensibilits d'une option amricaine

4.1 4.2 4.3
L'chec de Monte Carlo pour les options amricaines . . . . . . . . . . 4.1.1 Formulation du problme en terme d'esprances conditionnelles 4.1.2 Un algorithme inecace numriquement . . . . . . . . . . . . . Nouvelle reprsentation d'esprance conditionnelle . . . . . . . . . . . 4.2.1 Un exemple de processus u . . . . . . . . . . . . . . . . . . . . 4.2.2 Le concept de fonction localisante . . . . . . . . . . . . . . . . Applications aux options amricaines . . . . . . . . . . . . . . . . . . . 4.3.1 L'algorithme de valorisation . . . . . . . . . . . . . . . . . . . . 4.3.2 Rsultats numriques . . . . . . . . . . . . . . . . . . . . . . .
35
35 36 36 37 39 40 40 40 41
Conclusion
3
43
TABLE DES MATIRES
A Complments sur le Calcul de Malliavin
A.1 Lien entre Malliavin et calcul de sensibilit A.1.1 L'oprateur d'Ornstein-Uhlenbeck . A.1.2 Formule d'intgration par parties . . A.2 Passage des payo dans CK aux payo dans
. . . . . . L2
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . : dmonstration .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
i i i ii
B Une application de la formule de Clark-Ocone C Extension la volatilit stochastique D Les techniques de Monte-Carlo
D.1 Rappel Monte-Carlo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . D.2 Mthodes classiques de rduction de variance. . . . . . . . . . . . . . . . . . . . . . E.1 Les options asiatiques . . . . . . . . . . . . . . . . . . . . E.1.1 Caractrisation des poids . . . . . . . . . . . . . . E.1.2 Valorisation d'options asiatiques par les techniques E.2 EDP et arbres appliqus aux options asiatiques . . . . . . E.2.1 Une mthode aux dirences nies . . . . . . . . . E.2.2 La mthode d'interpolation de Hull et White . . . E.3 Les options barrires et lookback . . . . . . . . . . . . . . E.3.1 Prliminaires sur les options barrires . . . . . . . E.3.2 Les amnagements ncessaires pour la mthode . . E.3.3 Passage de la diusion un brownien avec drift . . E.3.4 Deux exemples de processus dominants . . . . . . . . . . . . . . . . . . . . . . . . de Monte-Carlo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
v vii ix
ix x
E Quelques options exotiques
xiii
xiii xiv xiv xvi xvi xvi xvii xviii xxi xxi xxii xxiii xxiv
F Rsultats numriques dans le cas multi dimensionnel
F.1 Calcul du Kappa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . F.2 Rsultats numriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . G.1 Les sensibilits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . G.2 Pricing et Hedging d'une option amricaine : cas multi-dimensionnel G.2.1 Introduction et notations . . . . . . . . . . . . . . . . . . . . G.2.2 Le calcul du Delta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
xxiii
G Sensibilits d'options amricaines
xxvii
xxvii xxix xxix xxix
Chapitre 1
Introduction au calcul de Malliavin

En dimension nie, le calcul direntiel usuel traduit la dpendance d'une fonction par rapport aux coordonnes d'un vecteur de Rd . Le calcul de Malliavin est un calcul direntiel mais sur un espace de dimension innie, l'espace de Wiener C([0, 1], Rd ). Sur cet espace, une trajectoire du brownien peut-tre comprise comme la fonction continue la plus gnrale qui soit. Les trajectoires du brownien sont les pendants des vecteurs en dimension nie : l'oprateur de direntiation, ou drive de Malliavin D, traduit la dpendance d'une variable alatoire1 par rapport aux accroissements d'une trajectoire du brownien. Pour une approche qui se veut d'abord didactique, nous nous limitons aux outils ncessaires la comprhension du reste du rapport. Nous fournissons galement des exemples simples mais instructifs. Pour une prsentation plus complte, les ouvrages de rfrence sont ceux de Nualart [NUA95] et de Friz [FRI01]. Nous nous sommes inspirs d'un cours sur le calcul de Malliavin par Bally [BAL01]. Cette section s'organise en trois parties. Dans la premire, nous dnissons sur des objets simples deux oprateurs : d'une part l'oprateur de drivation, ou drive de Malliavin D, d'autre part l'intgrale de Skorokhod2 . Ensuite, on les tend par densit des espaces plus riches. Nous nous contenterons essentiellement de rsultats en dimension 1, cependant on trouvera la n de ce chapitre les extensions au cas multidimensionnel. Dans un second temps, nous prsentons les proprits qui nous intressent commencer par la formule d'intgration par parties. Elle jouera un rle central dans les dmonstrations thoriques de l'expos. Enn, nous consacrerons un paragraphe un exemple fondamental pour les calculs et les implmentations numriques. En eet, nous calculons la drive au sens de Malliavin d'une diusion dans un cadre gnral avant d'exhiber les formules fermes dans le cadre simpli de Black-Scholes.
1.1 Dnition des oprateurs de Malliavin

Dans cette section nous dnissons les oprateurs fondamentaux. On se restreint l'intervalle [0, 1] pour simplier.
Notations 1 On considre un espace de probabilit (, F, P) sur lequel est dni un mouvement brownien not (Wt )0t1 et on note Ft = (Ws ; s t). On subdivise l'intervalle [0, 1] l'aide des dyadiques tn = k2n pour n N et k {0, . . . , 2n }. Enn, on note galement n = Wtn Wtn k k k+1 k les accroissements du mouvement brownien et n = (n , . . . , nn 1 ) 0 2
1.1.1 Dnition sur des espaces simples

C (R2 ) dsigne l'ensemble des fonctions inniment drivables croissance au plus polynmial p
n
Nous introduisons maintenant les espaces simples sur lesquels on va dnir nos deux oprateurs.
l'inni.
1 Pour prciser l'analogie, une variable alatoire peut s'interprter comme une fonction d'un espace de Wiener vers un espace vectoriel rel. 2 C'est une extension de l'intgrale d'It valable pour des processus qui ne sont pas adapts.
CHAPITRE 1. INTRODUCTION AU CALCUL DE MALLIAVIN
Dnition 1 (L'ensemble des fonctionnelles simples) Soit :

Sn = f (n , . . . , , nn 1 ); f C (R2 ) . 0 2 p
n1
n
Les Sn forment une suite croissante d'ensembles inclus dans L2 (). Les lments de S = s'appellent fonctionnelles simples.
Sn
Cet ensemble nous permettra de dnir la drive de Malliavin. L'espace des fonctionnelles simples est construit de telle sorte qu'apparasse clairement la dpendance d'une variable alatoire de Sn avec les accroissements du brownien. De faon analogue, nous dnissons les ensembles qui serviront construire l'intgrale de Skorokhod.
Dnition 2 (L'ensemble des processus simples) Soit :

2n 1
Pn =
i=0
1[tn ,tn [ (t)Fi (); (t, w) [0, 1] et Fk Sn . i i+1
Les Pn forment une suite croissante d'ensembles inclus dans L2 ([0, 1] ). Les lments de P = n1 Pn s'appellent processus simples.
Nous pouvons dsormais introduire les oprateurs sur ces espaces :
Dnition 3 (L'oprateur de drivation au sens de Malliavin) Soit F S , alors n N
tel que F = f (n ). L'oprateur de drivation, au sens de Malliavin, de la fonctionnelle simple f F en un point s [tn , tn [ est alors la fonction D : Sn Pn dnie par Ds F = xk (n ), k k+1 c'est--dire : 2n 1 f Ds F = 1[tn ,tn [ (s) (n ) i i+1 xk i=0
Il est logique que cet oprateur de drivation associe une variable alatoire un processus. A la date s, la drive au sens de Malliavin traduit l'impact des accroissements du brownien cette date sur une variable alatoire. A partir de cette dnition, on constate dj que pour une variable alatoire Ft -adapte et pour s > t on a Ds F = 0 : une variable alatoire caractrise une date donne ne dpend pas des accroissements postrieurs du brownien.
Exemple : on calcule la drive au sens de Malliavin de W1 . Notons que W1 = 1 donc Ds W1 = 1

1[0,1] (s)
Dnition 4 (L'oprateur d'intgration au sens de Skorokhod) Soit u P , alors n N tel que u Pn . L'oprateur d'intgration, au sens de Skorokhod, du processus simple u est alors la fonction : Pn Sn dnie par
2n 1 2n 1
(u) =
i=0
fi (
)n i
i=0
fi n 1 ( ) n xi 2
avec :
u(t, ) =
2n 1
1[tn ,tn [ (t)Fi () et Fi = fi (n ) i i+1

i=0
Notons que le premier terme de ces deux sommes correspond une intgrale usuelle d'It. Le second terme prend en compte, le fait que le processus n'est pas ncessairement adapt. Ce deuxime terme est ncessaire pour obtenir la relation d'intgration par parties et a t intgr dans la dnition dans ce but. Nous reviendrons sur ce point dans la partie relative aux proprits de ces oprateurs.
1.1. DFINITION DES OPRATEURS DE MALLIAVIN
Si on dnit les processus prvisibles par :
k {0, . . . , 2n 1}, fk (n ) = fk (n , . . . , n ) 0 k1
On remarque que lorsque le processus simple u est prvisible, le second terme de cette somme s'annule. Quand on tend cette proprit par densit, les processus adapts tant des limites de processus prvisibles, les intgrales de Skorokhod concident avec celles d'It.
1.1.2 Extension des oprateurs

Nous allons maintenant tendre les oprateurs D et des espaces plus gros. Notons dans un premier temps que : S est dense dans L2 (), P est dense dans L2 ([0, 1] ). Le but serait donc d'tendre les oprateurs D et respectivement L2 () et L2 ([0, 1] ). Pourtant, ces oprateurs n'tant pas continus, nous ne pouvons pas appliquer les mthodes habituelles d'extension et nous devrons nous contenter d'une extension moins riche.
Proposition 1 D et sont des oprateurs ferms, c'est--dire que si (Fn )n est une suite de S qui tend vers 0 dans L2 () et si (DFn )n tend vers u dans L2 ([0, 1] ), alors u = 0. Il en va de mme pour .
Ci-dessous la dnition de l'espace D1,2 sur lequel on peut tendre la notion de drive au sens de Malliavin.
Dnition 5 On dnit
D1,2 F L2 (), tq (Fn )n suite de S tq L2 () Fn F = L2 ([0,1]) DFn u DF = u
On pose alors pour F D1,2 ,
Remarque 1 La dnition de DF ne dpend pas de la suite (Fn )n car l'oprateur D est ferm.
On dnit galement l'espace Dom() sur lequel on tend la notion d'intgrale de Skorokhod.
de P telle que
Dnition 6 On appelle Dom() l'ensemble des u L2 ([0, 1] ) tel qu'il existe une suite (un )n
un u
L2 ([0,1])
L (u ) 2 () F n
On dnit alors pour un tel u

F = (u)
L encore, la fermeture de l'oprateur implique que le rsultat ne dpend pas de la suite choisie.
Remarque 2 On aurait pu caractriser l'espace D1,2 autrement. En eet, si on dnit sur S la

norme
F
1,2
= F
L2 ()
+ DF
L2 ([0,1])
alors D
1,2
est la fermeture de S pour cette norme.
1.2 Proprits
Le calcul de Malliavin a de nombreuses applications en nance. La premire a t permise dans le cadre de march complet. Sous cette hypothse, on peut valoriser une option l'aide des portefeuilles autonanants de rplication. Un portefeuille autonanant traduit que le prix d'une option est la combinaison tout instant d'une certaine quantit d'actif risqu et non risqu. Un des rsultats du calcul de Malliavin, la formule de Clark-Ocone (qui dnit compltement la reprsentation d'une variable alatoire par une martingale.) permet de trouver ces quantits directement. Nous donnons en Annexe B un exemple de ce type d'application dans le cas BlackScholes. Cependant, aujourd'hui, la formule centrale pour les applications la nance est la formule d'intgration par parties(en abrg I.P.P). Ses applications ne se limitent pas au march complet. Grce elle, on peut par exemple calculer les sensibilits dans le cadre d'un modle volatilit stochastique 3 .
1.2.1 Formule d'intgration par parties

Proposition 2 (Formule d'intgration par parties)
F D1,2 , u Dom() on a E(
1
Ds F.us ds) = E(F.(u))

0
On a donc la relation d'adjonction suivante

< DF, u >L2 ([0,1]) =< F, (u) >L2 () .
Pour dmontrer cette proposition on a besoin du lemme suivant :
Lemme 1 soit une v.a.r. de loi N (o, 2 ), alors pour , g C 1 (R), on a

E ()g() = E ()( g() g ()) 2
Preuve. Cela rsulte d'un calcul direct par intgration par parties :
E ()g()
(x)g(x) (x)g(x) E () 1
1 2 2 exp(
exp(
x2 )dx 2 2

= =
2 2 g() g () 2
x2 ) 2 2
(x) g (x)
x2 x 1 exp( 2 )dx g(x) 2 2 2 2
Preuve de la proposition 2. On se donne F Sn , u Pn et on utilise la dnition de Ds F :

1 2n 1
E
0
Ds F.us ds
=
k=0 2n 1
f 1 (n )fk (n ) n soit en utilisant le lemme xk 2 n fk (n ) k fk (n ) 2n

2n 1 n n
=
k=0
E f (n )
2n 1
1 2n
= =
E F.
k=0
f ( )
k=0
fk n 1 ( ) n xk 2
E F.(u)
3 Il peut sembler surprenant de calculer des sensibilits alors qu'un march incomplet ne permet pas une couverture parfaite. Nous reviendrons sur ce point dans la partie correspondante.
1.2. PROPRITS
1.2.2 Formules de calcul et de commutation

La formule d'intgration par parties est fondamentale dans le calcul des sensibilits. En eet, si on dsire calculer la sensibilit d'un esprance par rapport une condition initiale, on a moyennant la possibilit de permuter esprance et drivation ce qui sera le cas en gnral
E((F(x))) (F(x)) = E( ). x x
En anticipant sur la prochaine partie, on voit qu'un lien entre la drive usuelle et la drive au sens de Malliavin permettrait l'application de l'I.P.P. Une fois applique, on a exprim cette drive d'esprance comme une esprance classique o apparat un poids qui s'exprime comme une intgrale de Skorokhod. Du point de vue de l'implmentation, cette nouvelle reprsentation est plus intressante. Pour cela il nous faut prciser le lien entre la drive usuelle et la drive au sens de Malliavin :
Proposition 3 (Formule de drivation en chane) F1 , . . . , Fd D1,2 , C 1 (Rd ) on a

(F1 , . . . , Fd ) D1,2
ainsi que la formule de drivation (dite de drivation en chane) :

d
Ds (F1 , . . . , Fd ) =
i=1
(F1 , . . . , Fd ).Ds Fi xi
Cette formule de commutation permet galement de calculer de trs nombreuses drives au sens de Malliavin.
Exemple : nous pouvons maintenant calculer la drive de Malliavin Ds (exp(Wt )), o t [0, 1] l'aide de la formule de drivation en chane :
Ds (exp(Wt )) = exp(Wt )1[0,t] (s)
Ds que cela a un sens, on a galement les formules de commutation suivantes entre les oprateurs d'intgration usuels (It et Riemann) et la drive au sens de Malliavin :
Proposition 4 Pour (ut ) adapt, on a :

1 1
Ds
0
ut dWt
= us +
s
Ds ut dWt
ainsi que :
Ds
0
ut dt
=
s
Ds ut dt
Remarque 3 Rappelons que si (ut )est un processus adapt, alors Ds ut = 0 pour s t et que l'intgrale de Skorokhod est une intgrale d'It.
Pour conclure, nous introduisons une formules trs pratique d'un point de vue numrique. Pour, l'instant nous disposons de plusieurs outils pour le calcul des drives de Malliavin. Ce n'est pas le cas pour les intgrales de Skorokhod sauf quand le processus intgrer est un processus simple ou adapt (c'est alors une intgrale d'It qu'on peut calculer numriquement comme une limite). Quand le processus n'est pas adapt ou un processus simple, la dpendance avec les accroissements du brownien n'est pas explicite en gnral. Cela empche un calcul direct ou une simulation numrique performante, pour pallier ce problme, on utilise la formule suivante :
10
Proposition 5 Soit F une variable alatoire FT -mesurable appartenant D1,2 . Alors, pour tout
u appartenant Dom() on a :
T
(F u) = F.(u)
0
Dt F.u(t)dt
Au cours de l'expos, on utilisera rgulirement cette formule pour expliciter les intgrales de Skorokhod. En gnral, dans les applications, u est adapt et on peut calculer les intgrales stochastiques d'It. On trouvera des exemples dans la partie 2, pour le calcul du gamma ou en annexe sur les barrires.
1.3 Un exemple fondamental : le processus des variations premires

Nous allons considrer une classe de processus trs importante en pratique pour la modlisation : les processus d'It {X(t), t 0}, diusions solutions d'une quation direntielle stochastique. C'est pour nous l'occasion de mettre en oeuvre les proprits dites de calcul, prcdemment exposes. Le processus {X(t)} vrie l'quation :
dXt = b(t, Xt )dt + (t, Xt )dWt et X(0) = x,

o {Wt } est un mouvement brownien standard. On suppose aussi que et b sont C et drive premire borne4 . Ainsi
t t
Xt = x +
0
(s, Xs )dWs +
0
b(s, Xs )ds
On associe ce processus le processus {Y (t)} vriant l'quation direntielle stochastique suivante : dYt = Yt (b2 (t, Xt )dt + 2 (t, Xt )dWt ) et Y (0) = 1.
{Yt } est le processus des variations premires associ au processus {Xt } : Yt =
Xt x .
Proposition 6 t 0
et
X(t) D1,2 Ds X(t) = Y (t)Y (s)1 (s, Xs )1{st}
Preuve. Nous dmontrons ici la deuxime assertion de la proprit prcdente.

t t
Xt = x +
0
(s, Xs )dWs +
0
b(s, Xs )ds
En direnciant cette expression au sens de Malliavin puis en utilisant les proprits de commutation on obtient, en remarquant que le processus {Xt } est adapt :
t s
Ds Xt
= =
Ds (
0
(u, Xu )dWu ) + Ds (
0 t
b(u, Xu )du)
t
(s, Xs ) +
s
Ds b(u, Xu )du +
s
Ds (u, Xu )dWu
Grce la formule de drivation en chane, on obtient une criture simplie de cette drive au sens de Malliavin :
t t
Ds Xt = (s, Xs ) +
s
b2 (u, Xu )Ds Xu du +
2 (u, Xu )Ds Xu dWu
4 ce qui assure l'existence du processus.
1.4. EXTENSION AU CAS MULTI-DIMENSIONNEL
11
Notons Zt = Ds Xt ; le processus {Zt } vrie l'quation direntielle stochastique suivante :
dZt = b2 (t, Xt )dt + 2 (t, Xt )dWt Zt

avec Zs = (s, Xs ). Les processus {Zt } et {Yt } vrient donc la mme quation direntielle stochastique mais pour des conditions initiales direntes : Zs = (s, Xs ) et Ys = Ys . Par ailleurs, le processus {Xt } tant adapt, on a Zt = 0 pour t < s. Il existe donc une constante telle que Zt = Yt 1{st} . Cette constante est trs facilement dtermine l'aide des conditions initiales la date s. Finalement, on obtient bien :
Ds X(t) = Y (t)Y (s)1 (s, Xs )1{st} .
Remarque 4 Dans le cas d'une diusion de type Black-Scholes, le processus des variations premires s'exprime encore plus simplement. En eet, si
dXt = b(t)Xt dt + Xt dWt et X(0) = x
alors
dYt = b(t)Yt dt + Yt dWt et Y (0) = 1
et donc
Yt =
Xt x
P p.s
1.4 Extension au cas multi-dimensionnel

Dans cette section nous traitons le cas multi-dimensionnel. Soit un brownien d-dimensionnel W = (W 1 , W 2 , ..., W d ), et les accroissements correspondants n = (1,n , . . . , d,n ). Maintenant, k k k nous modions les dnitions des fonctionnelles simples pour qu'elles correspondent des fonctions C aux drives de croissance au plus polynmial l'inni de ces accroissements. Soit une variable alatoire relle, F = f (n , . . . , nn 1 ), la drive au sens de Malliavin est alors un processus 2 0 vectoriel : F f i Ds F = = si tn s tn k+1 k i (n ) i s xk
d
DF = (D1 F, . . . , Dd F ) et
1 0
< DF, DG >=

k=1
i i Ds F.Ds Gds. k i=1
On obtient galement les drives d'ordres suprieurs. Pour multi-indice tel que
i Ds F =
i = k ,
kF
k 11 , . . . , k s s
Remarque 5 Quand la variable alatoire F est de dimension m, la drive au sens de Malliavin

est alors une matrice de dimensions m d.
On rednit l'intgrale de Skorokhod multi-dimensionnelle. On la dnit sur des processus d d d n,i fk n n n 1 n n simples u(t, ) = k=1 1[tk ,tk+1 [ fk ( ). Alors i = k=1 fk ( )k k=1 xi (k ) 2n =
1 0
k
i us dWs . C'est l'intgrale par rapport au mouvement brownien W i . La formule d'intgration par parties devient : 1 d i Ds F.ui ds = s k=1 d
E
0 k=1
E(F i (ui )) = E(F (u))
Enn on introduit la matrice de covariance de Malliavin.
12
Dnition 7 (matrice de covariance de Malliavin) Soit F = (F1 , F2 , . . . , Fn ) avec Fi D1,2 ,

on introduit la matrice de covariance de Malliavin de la variable alatoire n-dimensionnelle F par ij F = (F )1i,jn o
d ij F 1 0
=< DF , DF >=
k=1
k k Ds F i Ds F j ds 1 d j=1 0
Exemple : on considre des diusions sans drift F i = ci +

d'o la matrice de covariance
d
j k hi,j dWs , on a donc Ds F i = hik s s
< DF i , DF j >=
k=1 0
hi,k hj,k ds. s s
On retrouve
ij = E[F i ci ]E[F j cj ]
c'est--dire la matrice de covariance usuelle.
Chapitre 2
Calcul des sensibilits et applications aux options exotiques

Une des tches principales du grant de portefeuille ou du trader est de pouvoir contrler son exposition aux risques. Dans cette optique, il doit dterminer les sensibilits des valeurs de son portefeuille par rapport, par exemple, une variation du cours des actions ou encore une dformation de la courbe des taux. Dans ce chapitre nous prsentons une nouvelle mthode de dtermination de ces sensibilits, galement appelles grecques. L'articulation principale de cette dmarche repose sur la formule d'intgration par parties du calcul de Malliavin.
2.1 Calcul de Malliavin et calcul des sensibilits : mthodologie

2.1.1 Les sensibilits : cadre de travail
Nous nous plaons en horizon ni t [0, T ] et en monde incertain (, F, P) dans lequel vit un brownien une dimension1 (Wt )0tT et on note Ft = (Ws ; s t), la ltration naturelle. Sur cet espace, on modlise le prix de l'actif sous-jacent la date t, Xt , par un processus d'It classique : dXt = (t, Xs )dWs + b(t, Xs )dt et X0 = x o la fonction b : R+ R R est la drive de notre processus et : R+ R R sa volatilit. On suppose que ces deux fonctions vrient les conditions usuelles : elles sont lipschitziennes et la diusion est uniformment elliptique. Ces conditions assurent l'existence d'une unique solution forte. Le taux d'intrt sans risque est not r(t, Xt ). On note P (t, x) le prix de notre actif contingent la date t pour une valeur initiale de l'actif de x, et P (x) sa valeur la date 0. Il est de maturit T et son payo s'exprime comme une fonction des valeurs du sous-jacent direntes dates f (Xt1 , Xt2 , . . . , Xtm ) avec les conventions t0 = 0 et tm = T . Pour des raisons techniques elle est suppose drivable au premier ordre avec une drive au plus croissance polynmiale 2 . Nous travaillons dans le cadre classique d'absence d'opportunit d'arbitrage3 et de compltude de march4 .
Thorme 1 (Probabilit risque neutre) Sous ces deux hypothses, il existe une unique proRT
0
babilit Q, dite risque neutre, sous laquelle le prix d'un actif contingent est une martingale locale, c'est dire sous laquelle le prix de l'actif contingent est l'esprance du payo actualis :
P (x) = EQ (e x
r(s,Xs )ds
f (Xt1 , Xt2 , . . . , Xtm ))
donnes indpendantes. Cette question sera dtaille dans le chapitre suivant. 2 On montre plus loin que l'on peut eectivement raisonner sur des payos rguliers avant d'tendre les rsultats des payos plus grraux 3 A.O.A : il n'y a pas de stratgie de trading permettant un gain sur pour une mise initiale nulle. 4 compltude : tous les actifs contingents sont rplicables partir des actifs initiaux du modle.
1 Les rsultats s'tendent naturellement au cas multidimensionnel quand le brownien est canonique, i.e coor-
13
14CHAPITRE 2. CALCUL DES SENSIBILITS ET APPLICATIONS AUX OPTIONS EXOTIQUES
o EQ (.) = EQ (.|X0 = x). x

On dnit maintenant les principales sensibilits :
Dnition 8 (Les sensibilits ou grecques) Le delta est dni comme la sensibilit du prix de
= P (x) , x = 2 P (x) x2
l'option par rapport la valeur initiale du sous-jacent, le gamma correspond la drive seconde :
La dnition du vga est plus ambige et sera dtaille plus loin dans ce chapitre. Intuitivement, le vga correspond la variation du prix de l'option pour une variation innitsimale de la volatilit du sous-jacent (dans une direction donne). Quand le march est complet, le portefeuille autonanant de couverture est construit partir du delta. En cas de march incomplet, les autres grecques (gamma, vega,...) sont galement indispensables pour dterminer le portefeuille de couverture. Notons enn qu'il y a encore peu de temps (et encore aujourd'hui dans beaucoup d'quipes de trading) les grecques taient calcules exclusivement par la mthodes des Dirences Finies. Nous allons voir que le calcul de Malliavin permet d'estimer ces grecques autrement, et que cette nouvelle approche est plus ecace pour certaines options.
2.1.2 Evaluation par le calcul de Malliavin

La mthode dveloppe la premire fois par Fourni et al.[FLLLT99a], permet d'crire les sensibilits sous la forme d'une esprance.
Proposition 7 On a :
grecque = EQ [e x
RT
0
r(s,Xs )ds
f (Xt1 , Xt2 , . . . , Xtm ) ]
o le poids ne dpend pas du payo de l'option. On retrouve alors une vitesse de convergence en O(n1/2 ) du thorme de la limite centrale.
Mthodologie dans le cas du delta

Pour la clart de l'expos on se contentera d'tudier le cas du delta et on supposera que le taux d'intret r ne dpend pas de X , soit r(s, Xs ) = r(s). L'objectif est d'utiliser la relation d'intgration par partie an d'crire les drives d'esprances comme des esprances avec un poids. La dmonstration se fait en trois temps : On restreint l'ensemble de travail aux payo fonctions C support compact car cet ensemble est dense dans L2 . Permutation des oprateurs esprance et drivation. Utilisation de la formule d'intgration par partie et dtermination d'un poids.
Passage des payo dans CK (fonctions inniment direntiables support compact) 2 aux payofs dans L On montre ici que l'on peut se contenter de raisonner sur des payo CK pour tablir la proprit prcdente. En notant le pay-o F = f (Xt1 , Xt2 , . . . , Xtm ), on veut donc montrer que si pour toute fonction f de CK on a la proprit suivante :
Ex [F ] = Ex [F ] , x
alors cette proprit reste vraie pour toute fonction de payo f dans L2 . Ce rsultat repose sur un argument de densit en utilisant Cauchy-Schwartz ainsi que sur la continuit de l'oprateur esprance5 .
5 On trouvera la dmonstration de ce rsultat en annexe A.2.
2.1. CALCUL DE MALLIAVIN ET CALCUL DES SENSIBILITS : MTHODOLOGIE
15
Permutation des oprateurs Esprance et Direntiation

Il s'agit maintenant, en raisonnant sur des fonctions appartenant CK , de montrer que l'on peut intervertir les oprateurs Esprance et Drivation :
Ex [F ] = Ex [ F ] x x
La dmonstration de ce rsultat s'appuie sur le thorme de convergence domine et sur le thorme de Taylor Lagrange, mais galement sur un thorme plus compliqu tabli par Revuz et Yor[RY94]. Nous ne dmontrerons donc pas ce rsultat.
Dtermination d'un poids l'aide de la formule d'intgration par parties

A ce stade, on peut donc permuter esprance et drivation et raisonner sur un payo dans CK , continment direntiable et drives bornes. On simplie ci-dessous l'expression obtenue en utilisant la formule de drivation en chane usuelle et ensuite en introduisant le processus des variations premires Y = X : x
= = =
e EQ [ x EQ [e x EQ [e x
RT
0
r(s)ds
f (Xt1 , Xt2 , . . . , Xtm ) ] x i f (Xt1 , Xt2 , . . . , Xtm ) Xti ] x
(2.1) (2.2) (2.3)
RT
0
m r(s)ds i=1 m r(s)ds i=1
RT
0
i f (Xt1 , Xt2 , . . . , Xtm )Yti ]
Notons que l'expression suivante n'est pas encore compltement intressante. En eet, si pour calculer le delta, on n'a plus qu' calculer une esprance, le terme moyenner dpend de la drive du payo et n'est pas "universel". C'est l qu'intervient le calcul de Malliavin. On cherche un poids qui puisse s'exprimer comme une intgrale de Skorokhod : = (w), o w est appel gnrateur. De faon implicite on peut alors crire, en utilisant la formule d'intgration par parties :
EQ [e x
0
RT
0
r(s)ds
f (Xt1 , Xt2 , . . . , Xtm ) (w)]

0
(2.4) (2.5)
= EQ [ x
Ds [e
RT
r(t)dt
f (Xt1 , Xt2 , . . . , Xtm )]w(s)ds]
En utilisant la formule de drivation en chane au sens de Malliavin puis l'expression de la drive de Malliavin avec le processus Y , on en dduit que :
= =
EQ [e x EQ [e x
RT
0
m r(s)ds i=1 m r(s)ds i=1
i f (Xt1 , Xt2 , . . . , Xtm ) i f (Xt1 , Xt2 , . . . , Xtm )
0 T 0
Ds Xti .w(s)ds] Yti Ys1 (s, Xs )1sti w(s)ds]
(2.6) (2.7)
RT
0
A ce stade, en identiant les expressions 2.3 et 2.7, on obtient la condition que doit vrier le gnrateur w du poids pour toutes fonctions f et r :
EQ [e x
RT
0
m r(s)ds i=1
i f (Xt1 , Xt2 , . . . , Xtm ){Yti
Yti Ys1 (s, Xs )1sti w(s)ds}] = 0
En introduisant les esprances conditionnelles adquates, on trouve l'expression que doit vrier w pour le delta. Pour tablir la condition susante, il sut de reprendre la mme dmarche dans l'autre sens.
Thorme 2 (Formule de Malliavin pour le delta, Benhamou[BEN00a]) Il existe des conditions ncessaires et susantes pour qu'une fonction w gnre un poids pour la simulation des grecques. La premire condition est l'intgrabilit au sens de Skohorod de cette fonction. La seconde condition dpend uniquement des caractristiques de la diusion sous-jacente et est indpendante de la fonction payo, dans le cadre du delta :
i = 1 . . . m
ti 0
EQ [(Yti x
Yti Ys1 (s, Xs )w(s)ds|Xt1 , Xt2 , . . . , Xtm )] = 0
Une faon naturelle d'obtenir une expression explicite de w consiste contraindre encore plus la condition ncessaire nonce dans le thorme prcdent en cherchant w tel que :
ti
Yti
Yti Ys1 (s, Xs )w(s)ds = 0
Les poids proposs par Fourni et al.[FLLLT99a] sont solutions de cette dernire quation. Pour expliciter ces solutions, introduisons d'abord l'ensemble
Tm =
a L2 [0, T ] |
0
ti
a(t)dt = 1 i = 1, ..., m
Alors, les gnrateurs suivants mnent des poids admissibles :
= a(t)
Yt (t, Xt )
Exemple : Si le sous-jacent suit une diusion de type Black-Scholes, alors, nous avons dj vu (chapitre 1, remarque 4) que Yt = Xt /x. Si de plus on s'intresse une option dont le payo ne dpend que de la date nale T (type europenne) alors on peut trs naturellement prendre a(t) = 1/T . Dans ce cas, le poids de Malliavin pour le delta de cette option s'crit :
T
poids = () =
0
1 Xt WT dWt = T xXt xT
2.1.3 Extension des rsultats

Le Gamma Thorme 3 (Formule de Malliavin pour le gamma, Benhamou[BEN00a]) Il existe des
conditions ncessaires et susantes pour qu'une fonction w gnre un poids pour la simulation des grecques. La premire condition est l'intgrabilit au sens de Skorokhod de cette fonction. La seconde condition dpend uniquement des caractristiques de la diusion sous-jacente et est indpendante de la fonction payo, dans le cadre du gamma :
EQ [( gamma ) ( delta ( delta ) + x delta )|Xt1 , Xt2 , . . . , Xtm ] = 0 x
Preuve. Nous donnons ici l'esprit de la dmonstration qui fonctionne comme dans le cas du delta. Nous supposons que f est deux fois continment drivable et que ses drives premire et deuxime sont bornes.
= = = ( Ex [F ]) x x delta (Ex [F.(x )]) x delta delta Ex [ F.(x )] + Ex [F. (x )] x x
2.1. CALCUL DE MALLIAVIN ET CALCUL DES SENSIBILITS : MTHODOLOGIE
17
On peut maintenant, grce des arguments de convergence domine, permuter l'oprateur (.) et la direntielle par rapport x :
delta delta = Ex [F ((x )(x ) + ( delta delta = Ex [F x (x ) +
delta ))] x x
delta ] x x
Comme par ailleurs, par dnition, on a :
= Ex [F.( gamma ]
et que l'galit doit tre vrie pour tout F , on obtient naturellement la condition ncessaire et susante nonce dans le thorme.
Exemple : Nous allons maintenant obtenir une expression explicite d'un poids de Malliavin pour le gamma en procdant comme dans le cas du delta et retrouver ainsi le rsultat fourni par Fourni et al.[FLLLT99a] On suppose donc que le sous-jacent suit une diusion de type BlackScholes et on s'intresse une option dont le payo ne dpend que de la valeur nale du sous-jacent (type europenne). On a vu qu'alors 1 delta = xT Pour trouver un poids de Malliavin pour le gamma, on peut contraindre encore plus la CNS donne par le thorme et chercher ( gamma ) tel que :
( gamma ) = ( delta ( delta ) +
donc
delta ) x
( gamma ) = =
D'aprs la proposition 5 du chapitre 1 :
1 WT 1 2 xT xT x T 1 WT (WT ) 2 x2 2 T 2 x T
T
(WT ) = WT .(1)
0
2 Dt WT dt = WT T
Et nalement on obtient comme expression du poids de Malliavin pour le gamma :
( gamma ) =
1 2 T x
2 WT 1 WT T
qui est celle donne par Fourni et al.[FLLLT99a]
Le Vga V
Le vega reprsente la sensibilt du prix d'une option par rapport la volatilit du sous-jacent (t, x) qui est ici une fonction. Ainsi, le vega quantie l'impact, dans une direction donne, d'une petite perturbation de la volatilit sur le prix d'une option. Il s'agit en d'autres termes d'une drive du prix de l'option par rapport la volatilit au sens de Gateau. Soit : R R R la direction de la perturbation. Sous certaines hypothses 6 sur les fonctions ,vega (t, x) et ( + )(t, x), avec [1, 1], on dnit le processus sous-jacent "perturb" {Xt }:
,vega ,vega ,vega ,vega dXt = b(t, Xt ).dt + ((t, Xt ) + (t, Xt )).dWt
6 (t, x) et ( + )(t, x) sont continment direntiables drives bornes, vrient les conditions de Lipschitz e et la condition d'uniforme ellipticit suivante : > 0 , |( + )(t, x)| x R e
,vega avec la condition initiale (X0 = x). On dnit alors naturellement le prix des option sur le sous-jacent "perturb" :
Pvega (x) = EQ [e x
RT
0
,vega r(s,Xt )ds
,vega ,vega .f (Xt1 , . . . , Xtm )]
Dnition 9 Le vega est la drive de Gateau de la fonction de prix "perturb" Pvega (x) dans la direction donne par la fonction (., .) :
vega = P (x) vega
=0, e
donn
On peut maintenant reprendre la mme dmarche que celle dveloppe dans le cas du delta. Le ,vega ,vega raisonnement est le mme mais il faut remplacer x Xt = Yt par Xt = Zt , o
vega Zt = 2 lim L ,vega Xt Xt . ,0
vega La proposition ci-dessous exprime le processus Zt en fonction du processus de variations premires Yt .
Proposition 8
vega Zt = t
Yt
0
(s, Xs ) dWs Ys
Yt (s, Xs )
0
(s, Xs ) ds Ys
Il est ds lors normal d'obtenir pour le vega une condition ncessaire et susante faisant intervenir le processus de variations premires et donc un poids fonction de Yt .
Thorme 4 Il existe des conditions ncessaires et susantes pour qu'une fonction w gnre un
poids pour la simulation des grecques. La premire condition est l'intgrabilit au sens de Skorokhod de cette fonction. La seconde condition dpend uniquement des caractristiques de la diusion sousjacente et est indpendante de la fonction payo, dans le cadre du vega :
i = 1, . . . , m
ti
1 ,...,Xtm
EQ t x,X
Y ti
(t, Xt ) vega (t)dt = EQ t ,...,Xtm x,X 1 Yt
ti 0
(t, Xt )Yti dt Yt
ti
(s, Xs )
0
(t, Xt )Yti ds Yt
On peut, partir de cette CNS, proposer des poids de Malliavin pour le calcul du vega ; plusieurs approches sont imaginables, on se contente ici de la solution propose par Fourni ti et al.[FLLLT99a] On dnit Tm = {a L2 [0, T ]| ti1 a(t)dt = 1 i = 1, . . . , m}. Plutt que de chercher des solutions vriant l'galit des esprances conditionnelles, on chercher galer directement les termes l'intrieur des esprances. Fourni et al.[FLLLT99a] proposent ainsi les poids suivants pour le vega :
poidsvega = (W vega ) =
o a Tm .
1 vega vega a(t)m (Zti Zti1 )1{ti1 t<ti } i=1 (t, Xt )
Extension au cas o r est stochastique

Dans ce paragraphe nous supposons que le taux d'intrt sans risque dpend non seulement du temps t mais aussi de l'actif sous-jacent Xt . Cela nous amne prendre en compte la dpendance du taux sans risque en Xt et, en reprenant la mme dmarche que pour la dmonstration du thorme 2, on aboutit une deuxime condition ncessaire et susante qui s'ajoute la premire :
EQ x
T s=0
T t=0
r (s, Xs )Ys Yt1 (t, Xt )w(t)t1{ts} dtds|Xt1 , . . . , Xtm = EQ x
T 0
r (s, Xs )Ys ds|Xt1 , . . . , Xtm
2.2. COMPARAISON DES MTHODES
19
Le poids optimal
Parmi tous les poids possibles, il y en a un qui est optimal, c'est celui qui minimise la variance de l'estimateur de la sensibilit recherche. Puisque la quantit estime est gale l'esprance du produit du payo, qui est FT mesurable, et d'un poids, il est assez intuitif, par le thorme des projections, que le poids optimal est tout simplement l'esprance de ce poids (quelconque parmi les poids admissibles) conditionnellement FT .
Proposition 9 (poids optimal) A partir d'un poids de Malliavin quelconque, en considrant son
esprance conditionnelle par rapport la ltration FT , on obtient un poids de variance minimale :
0 = E(|FT )
Cette proposition nous indique qu'il sera toujours prfrable de ne retenir parmi les poids admissibles, que les poids FT mesurables.
2.2 Comparaison des mthodes

Dans cette section on compare l'approche usuelle par dirences nies et par poids de Malliavin pour deux types d'options : un call vanille (le plus classique possible) et une digitale. Pratiquement, des formules fermes existent pour ces deux options et les mthodes de Monte-Carlo ne sont donc pas utilises pour les valuer ou les couvrir. Cependant, leur tude permet nanmoins de donner quelques conclusions gnrales pour une utilisation optimale de la mthode que nous avons expose.
2.2.1 La mthode des dirences nies

Dans le cadre de la mthode classique de Monte-Carlo, le calcul des grecques se fait par un schma de dirences nies. Ainsi, si on note P (x) le prix d'une option pour une valeur initiale du sous-jacent de x, on peut approcher la valeur du delta par les trois schmas suivants : dirence forward P (x+)P (x) , dirence centrale P (x+)P (x) , dirence backward P (x)P (x) . Ainsi, sur le mme ensemble de simulations (mthode des common random numbers ), on calcule les dirents prix P (x), P (x + ), P (x ), puis on dtermine les schmas prcdents. Bien que les expressions prcdentes, s'exprimant comme des dirences partir d'un mme jeu de simulations, entranent mcaniquement une rduction de la variance du rsultat, on peut observer dj deux sources d'erreur : l'approximation de la drive par le schma de discrtisation l'estimation imparfaite des prix P (x), P (x + ) et P (x ) Les limites de cette mthode prcdemment cite deviennent encore plus nettes quand on passe un ordre de drivation suprieur. Ainsi, pour le gamma les approximations deviennent trs lourdes. De plus, il apparat galement que pour des fonctions de payo discontinus, un schma de dirences nies peut conduire de graves erreurs car la dpendance par rapport la condition initiale x devient cruciale. Pour se rendre compte de l'ecacit de la mthode des common random numbers, il sut de remarquer que la variance du numrateur de l'estimateur du delta s'crit : Var(P (x + ) P (x)) = Var(P (x)) + Var(P (x + )) 2Cov(P (x + ), P (x)) La variance de l'estimateur est donc d'autant plus faible que P (x) et P (x + ) sont positivement corrls. La meilleure vitesse de convergence thorique pour un tel schma avec la mthode des common random numbers est en n1/2 . Mais cette vitesse de convergence n'est pas toujours atteinte ; elle dpend en eet de la vitesse de convergence de P (x + ) vers P (x). On peut montrer, sous certaines hypothses 7 , que dans le cas d'une option call vanille
E[|P (x + ) P (x)|2 ] = O(2 )

7 homognit du processus sous-jacent : X () = X (1 + x ) T T
et dans le cas d'une option digitale
E[|P (x + ) P (x)|2 ] = O()

On peut en quelque sorte considrer qu'on essaie d'estimer la vraie valeur du delta dans un espace deux dimensions (n, ), o n est le nombre de simulations utilises dans la mthode de Monte Carlo et est le pas de discrtisation dans le schma de dirences nies. Les common random numbers rendent l'estimation plus ecace dans la direction n, l'axe reste trs problmatique dans le cas des payo discontinus. L'estimation peut tre encore meilleure si, pour chaque jeu de simulation, on utilise la mthode des variables antithtiques dcrite en annexe. Cela revient rduire (indpendamment) la variance des estimateurs de P (x) et P (x + ). Les common random numbers, qui relvent en fait aussi d'une dmarche de variables antithtiques, viennent ensuite rduire la variance de leur dirence.
2.2.2 La mthode du poids de Malliavin et introduction d'une fonction de contrle

Le poids de Malliavin ne dpend pas de la nature du payo, qu'il soit continu ou discontinu. La mthode de Malliavin devrait donc se rvler avantageuse pour les options payo discontinus. Si la mthode d'estimation par dirence nies est trs sensible aux discontinuits (problme de la convergence en ), la mthode de Malliavin est totalement neutre cet gard. Rappelons que le delta s'crit = E[ payo poids]. Ainsi, le poids est source de variance ; il ne faudrait pas que cette source de variance l'emporte sur le gain (toujours en terme de prcision) qu'apporte cette mthode en contournant l'approximation des dirences nies. En eet, les poids de Malliavin s'expriment typiquement en fonction de WT au numrateur, et de T au dnominateur. Ds lors, en notant XT le processus sous-jacent, intuitivement (c'est clair dans le cas d'un call europen 8 ), aux grandes valeurs de XT ou du payo correspond une grande valeur de WT . Comme l'estimation multiplie ces deux termes, on voit que l'introduction du poids de Malliavin accrot la variance de l'estimateur. En d'autres termes, par le biais de la corrlation positive entre XT et WT , le poids de Malliavin et le payo sont positivement corrls. Par ailleurs, le poids de Malliavin est d'autant plus grand que T est petit. A ce stade, plusieurs remarques peuvent tre formules : La mthode de Malliavin sera d'autant plus ecace que les options auront une maturit leve (T grand). Relativement la mthode des dirences nies pour laquelle la prsence de discontinuits dans le payo est trs nuisible la prcision de l'estimation9 , le mthode de Malliavin devrait tre plus ecace sur des payo discontinus. Il pourrait tre prfrable de travailler sur les puts et de revenir aux calls par des relations de type "parit call-put". En eet, pour les puts, le payo est petit quand le poids de Malliavin est grand, ce qui entrane une diminution de variance. Il pourrait tre intressant de mlanger les deux mthodes, dirences nies et Malliavin, en utilisant l'intgration par parties de Malliavin uniquement autour des points d'irrgularit du payo. Nous dtaillons ce procd de localisation dans le paragraphe ci-dessous.
Localisation
L'ide consiste donc localiser la mthode de Malliavin autour des singularits de la fonction de payo pour que le poids de Malliavin ne pse pas trop dans l'estimation. Pour illustrer cette mthode, raisonnons sur le delta d'un call europen. On peut crire ce delta comme la somme de deux termes :
RT RT E[e 0 rs .ds (XT K)+ 1{XT <K+} ] + E[e 0 rs .ds (XT K)+ 1{K+XT } ] x x
T 8 = [e 0 rs .ds (X K)+ . WT ] T xT 9 Le schma de discrtisation utilis pour estimer la drive est en eet trs sensible aux discontinuits.
2.3. APPLICATIONS
21
On utilise maintenant l'intgration par parties de Malliavin pour le premier terme de la somme et on permute les oprateurs drivation et esprance pour le deuxime terme :
= E[e
RT
0
rs .ds
(XT K)+ 1{XT <K+} .
RT WT ] + E[e 0 rs .ds 1{K+XT } .YT ] xT
Dans le premier terme de cette dernire somme, le nouveau "payo" (XT K)+ 1{XT <} est nul WT quand le poids de Malliavin xT est grand, ce qui entrane une rduction de variance. La variance de l'estimateur avec localisation de la mthode de Malliavin peut tre dix fois plus faible que celle obtenue avec la mthode directe de Malliavin (Benhamou[BEN00b]). Le choix de la valeur de est crucial et le choix d'une valeur optimale pour ce paramtre ce fait au cas par cas.
2.3 Applications
Le but de cette partie est double. En eet, le calcul de Malliavin se rvle tre peu adapt pour les options europennes dont les payo sont rguliers. Il est en revanche adapt pour les payo discontinus de type option digitale et peut aider la dtermination d'un bon pas de discrtisation dans l'utilisation des mthodes de dirences nies. La nouveaut dans ce travail rside dans le fait d'estimer les densits des estimateurs de sensibilit.
2.3.1 Le cas de l'option europenne

Il s'agit d'un call vanille sur un sous-jacent St et de strike K . On rappelle titre indicatif que le payo d'une telle option est le suivant :
+
ST K
(2.8)
Pour nos simulations l'option possde les caractristiques suivantes : S0 = 100, K = 100, b10 = 0.05, et = 0.20. La maturit de l'option est T = 1 an et le taux sans risque est r = 0.05. Nous utilisons 100000 simulations. Dans ce premier exemple nous tudions, outre la comparaison Malliavin - Dirences Finies, l'inuence du pas de discrtisation dans la mthode des dirences nies. L'ensemble de ces rsultats se trouvent sur la gure 2.1. Comme nous l'indiquions au dbut de cette partie, le calcul de Malliavin semble peu adapt pour ce type de payo rguliers. On constate en eet que l'estimateur de Malliavin oscille plus autour de la valeur thorique que les estimateurs des dirences nies. Le fait que Malliavin soit peu adapt pour ce type d'option est encore plus agrant sur la gure 2.2. Ce graphique reprsente la densit des estimateurs calcule, par la mthode des noyaux, partir de 5000 points (chaque point tant obtenu partir de 100000 simulations). L'utilisation de jeux de simulations communs plutt que des jeux de simulation dirents dans la mthode des dirences nies rduit considrablement la variance de l'estimateur. L'estimateur des dirences nies (avec des jeux de simulations communs) est lgrement biais mais sa variance est trs nettement plus faible que celle de l'estimateur de Malliavin qui lui ne parat pas biais. Par ailleurs, l'inuence du pas de discrtisation dans la mthode des dirences nies n'est pas vidente au regard de ces rsultats. Dans un second temps, nous avons imagin utiliser une des techniques de rduction de variance, savoir les variables antithtiques. L'inuence de la mthode de rduction de variance avec des variables antithtiques est visible sur la gure 2.3. Pour chaque mthode (Dirences Finies et Malliavin) l'utilisation de variables antithtiques amliore de faon nette la prcision de l'estimateur par rapport au fait de ne rien utiliser. L encore, le calcul de Malliavin est peu adapt puisque les rsultats obtenus avec les dirences nies sont beaucoup plus prcis, et quasiment tout aussi rapides. On constate malgr tout, dans le cas des dirences nies, un biais, ce qui pose la question du pas de discrtisation optimal.
10 b est le coecient de drive sous la probabilit risque-neutre du processus sous-jacent ; il intgre les dividendes et les ventuels cots de portage.
2.1 Estimation du d'une option europenne Mthodes des Dirences Finies et de Malliavin (100000 premiers nombres alatoires) Inuence du pas .
Fig.
2.2 Densit des estimateurs d'une option europenne Mthode des Dirences Finies (avec et sans nombres alatoires communs) et mthode de Malliavin
Fig.
2.3. APPLICATIONS
23
Fig.
2.3 Densit des estimateurs d'une option europenne Mthode des Dirences Finies et mthode de Malliavin Inuence de la mthode de rduction de la variance avec des variables antithtiques
2.3.2 Le cas de l'option binaire

Nous venons de voir la faible ecacit du calcul de Malliavin dans l'valuation des coecients de sensibilit d'une option dont le payo est rgulier. Nous allons maintenant examiner ce qui se passe lorsque ce payo devient irrgulier et prsente une discontinuit. Il s'agit d'un call digitale sur un sous-jacent St et de strike K . On rappelle titre indicatif que le payo d'une telle option est le suivant :
1(ST K)+
(2.9)
Pour nos simulations l'option possde les caractristiques suivantes : S0 = 100, K = 100, b = 0.05, = 0.20. La maturit de l'option est T = 1 an et le taux sans risque est r = 0.05. Nous avons utilis jusqu' 100000 simulations. Cette fois-ci on constate, l'aide du graphique reprsentant la densit des dirents estimateurs (gure 2.4), que l'approche par le calcul de Malliavin est suprieure l'approche par les dirences nies la fois en terme de biais et en terme de variance. Les discontinuits dans le payo semblent lourdement pnaliser la mthode des dirences nies sans par ailleurs aecter la mthode d'estimation par le calcul de Malliavin.
Fig.
2.4 Densit des estimateurs d'une option binaire Mthode des Dirences Finies et mthode de Malliavin
2.3. APPLICATIONS
25
Chapitre 3
Extension au cas des options multi sous-jacents

Nous avons vu dans le chapitre prcdent comment appliquer le calcul de Malliavin aux options un seul sous-jacent. Dans ce chapitre nous allons appliquer les rsultats sur des options beaucoup plus intressantes que celles qui ont t tudies : les options multi sous-jacents. En eet, pour la plus grande partie de ces options il n'existe pas de formules fermes pour calculer les coecients de sensibilit. En outre, les implmentations numriques ncessitent de lourds temps de calculs. Dans la pratique, les options sur multi sous-jacents dpendant de quelques dates de xing sont trs courantes. L'extension des rsultats une dimension des modles multi-dimensionnels est naturelle quand le brownien est canonique, c'est dire quand ses coordonnes sont indpendantes. Elle est en revanche plus dlicate dans le cas o les coordonnes du brownien sont corrles. C'est pour cette raison que nous dveloppons ici un nouveau formalisme, plus gnral.
3.1 Calculs thoriques des coecients de sensibilits

Nous prsentons dans cette partie des formules de calcul des grecques pour les options multi sous-jacents dans le modle de Black-Scholes. Grce au calcul Malliavin, et comme nous avons pu le montrer, les grecques se calculent comme l'esprance d'un payo multipli par un poids bien choisi. Ceci permet un calcul par la mthode Monte-Carlo la fois plus rapide et plus prcis qu'en utilisant des dirences nies. Dans cette partie nous nous intressons au calcul d'une esprance de la forme
E[(Xt1 , . . . , Xtm )]
ainsi qu'aux drives de cette grandeur par rapport aux dirents paramtres (conditions initiales, volatilit, . . .). Il est important de noter que nous nous limitons des fonctions qui ne dpendent que d'un nombre ni de valeurs du processus Xt .
3.1.1 Rsultats gnraux

Dans cette partie nous nous contenterons de reprendre les formules dveloppes Fourni et al. [FLLL01b] pour le calcul des sensibilits par rapport aux dirents paramtres de la diusion. On se donne donc une fonction dpendant d'un nombre ni de points du processus (Xt1 , . . . , Xtm ), o est un paramtre de la diusion des sous-jacents. On considre enn la grandeur P () = E[(Xt1 , . . . , Xtm )]. On se place dans un espace de probabilit ltr (, B, (Ft ), P) sur lequel vit un mouvement brownien (multi-dimensionnel) (Zt ). On suppose que pour chaque le processus stochastique (Xt ) obit l'EDS suivante :
dXt = b(, Xt )dt + (, Xt )dZt , X0 = x(),
27
28
CHAPITRE 3. EXTENSION AU CAS DES OPTIONS MULTI SOUS-JACENTS
Les fonctions x : R Rn , b : R Rn Rn , et : R Rn Mn (R) sont des fonctions C 1 et lipschitziennes. On suppose enn que la fonction satisfait l'hypothse d'uniforme ellipticit. Le paramtre est un rel qui permet d'inuer aussi bien sur la condition initiale que sur les coecients de drive et de diusion de l'EDS. On peut montrer1 que le processus des variations L = Xt vrie l'EDS suivante, obtenue en drivant par rapport l'EDS du processus Xt t terme terme :
n dL = ( b(, Xt )L )dt + t t j=0 j ( (, Xt )L + x j (, Xt )L )dZt , L = x (), t t t
o j dsigne la j e colonne de la matrice . En prenant comme paramtre la condition initiale x, x on a alors le processus Yt = x Xt qui vrie :
n
dYt = b (Xt )Yt dt +

j=0
(Xt )Yt dZt , Y0 = In
Ce processus particulier intervient dans toute la suite, car il est li DXt , la drive de Malliavin (multi-dimensionnelle) de Xt , par la relation trs importante :
dDs Xt = Yt Ys1 (Xs )1st

Comme nous l'avons dj vu dans la premire partie de ce rapport il s'agit du processus des variations premires du processus Xt . Le rsultat fondamental pour la drive de P en est le suivant :
Proposition 10 On se donne une fonction a L2 ([0, T ]) telle que l'on ait

1, . . . , m. On introduit alors le processus v : R+ Rn dni par :
m
ti ti1
a(t)dt = 1, i =
v (t) =
a(t)(, Xt )1 Yt i=1
(Yt1 Li Yt1 Li1 )1t[ti1 ,ti ] , t [0, T ]. t t i i1
Alors la drive par rapport de l'option multi sous-jacents P est donne par la formule :
P = E[(Xt1 , . . . , Xtm )(v )]
o (v ) dsigne l'intgrale de Skorokhod du processus v , c'est--dire (v ) =
T 0
v (t) dZt
3.1.2 Application au calcul des grecques

On considre n sous-jacents de vecteur de prix initial x et de vecteur de volatilit . est la matrice de corrlation du brownien, plus exactement : < W i , W j >t = ij t. En notant r le taux d'intrt (constant), la dynamique de ces sous-jacents est rgie par l'quation suivante :
dSt = rSt dt + St dWt , S0 = x
Remarque 6 Dans toute la suite, nous adoptons les notations suivantes : xy et x , pour x, y Rn y
dsignent respectivement le produit et la division composante par composante. Enn, dans la suite, ds que x ou y est une matrice, x y dsigne le produit d'Hadamard de x et y.
Calcul du Delta Proposition 11 Le Delta de l'option est donn par :

=E 1 Wt1 (St1 , . . . , Stm ) t1 x
1 l'aide de la thorie des ots stochastiques de Kunita.
3.1. CALCULS THORIQUES DES COEFFICIENTS DE SENSIBILITS
29
Preuve. On note Xt = log(St ). Xt vrie alors l'EDS suivante :

1 dXt = (r 2 )dt + ( 2 U )dZt , x0 = log(x)
o U est le facteur de Cholesky de la matrice de corrlation et Zt un mouvement brownien standard dans Rn tel que Wt = U Zt . L'hypothse d'ellipticit est ici clairement satisfaite. Comme les coecients de l'EDS sont constants, on a identiquement Yt = In . D'aprs la proposition 10, on en dduit que le poids vaut :
(v) =
1 t1
t1 ((
0
U )1 ) dZt =
1 Wt1 , t1
en utilisant Wt = U Zt et = U U . On considre alors la fonction (Xt1 , . . . , Xtm ) := (St1 , . . . , Stm ) = (exp(Xt1 ), . . . , exp(Xtm )), laquelle on applique la proposition 10 :
1 Wt1 E[(Xt1 , . . . , Xtm )] = E ( ) (Xt1 , . . . , Xtm ) x0 t1

La conclusion dcoule alors simplement par drivation compose puis transposition. Le principe est nalement le mme que celui introduit dans le cas des modles volatilit stochastique (on se reportera l'annexe C de ce rapport pour de plus amples dtails). Il s'agit de changer de brownien pour travailler sur des mouvements browniens standards de Rn . Il sut ensuite de rpercuter ce changement dans les formules obtenues dans le cas standard (aprs les avoir tendues au cas multi-dimensionnel). On reconnat en eet ici, la matrice prs, le poids WT de Malliavin standard obtenu pour un modle de Black-Scholes un sous-jacent ( xT ). Nous donnons ci-dessous les poids2 de Malliavin pour direntes sensibilits obtenus selon cette mme mthode.
Calcul du Gamma Proposition 12 Le Gamma de l'option est donn par :

=E 1 Wt1 1 Wt1 t1 x t1 x 1 Wt1 t1 x2 In t1 1 ( 1 1 ) (St1 , . . . , Stm ) t1 x t1 x
Calcul du Vega Proposition 13 Le Vega de l'option est donn par :

m
V =E
i=1
(Wti Wti1 ) 1 (Wti Wti1 ) 1 1 (Wti Wti1 ) (ti ti1 )
(St1 , . . . , Stm )
Calcul du Rho Proposition 14 Le Rho de l'option est la sensibilit du prix de cette option par rapport au taux d'intrt sans risque (constant ici) et est donn par :
= r P = E 1 ( ) 1 Wtm (St1 , . . . , Stm )
Calcul du Theta Proposition 15 Le Theta de l'option est la sensibilit du prix de cette option par rapport la variable temps et est donn par :
1 = t P = rP x ( x) ( 2 )( x)
2 On rappelle que ces poids ne sont pas uniques et qu'il s'agit ici uniquement d'exhiber des poids admissibles.
30
3.2 Applications
Nous avons crit dans le prambule de ce chapitre que l'implmentation numrique des rsultats impliquaient un long temps de calcul, et pour cause : pour un panier constitu de N titres, il y a N deltas estimer (un par sous-jacent) et il faut galement contrler les corrlations entre sous-jacents ( N (N 1) paramtres estimer). Nous atteignons sans doute les limites du Monte2 Carlo classique tandis que le calcul de Malliavin permet une dmarche moins lourde. Dans ce qui suit nous illustrons la thorie prcdente en l'appliquant au calcul de sensibilits pour deux types d'options multi-sous-jacents : l'option Spread et l'option WorstOf.
3.2.1 Un exemple avec l'option sur Spread

Nous considrons donc une option Spread sur deux sous-jacents, S 1 et S 2 , caractrise par le payo suivant :
+ 1 2 (ST ST ) K
o K dsigne le strike de l'option. Nous avons reprsent sur la gure 3.1, la simulation du Delta pour direntes mthodes de simulations et dirents gnrateurs de nombres alatoires (RND3 et SOBOL4 ). De plus, nous y avons ajout une mthode de rduction de variance (AV : variables 2 1 antithtiques). Les caractristiques de cette option sont les suivantes : S0 = S0 = 100, b1 = 0.05, 5 = 0.20, = 0.15, r = 0.05, K = 0 et T = 1 an. b2 = 0.03, 1 2
3.1 Estimation du 1 d'une option sur spread Mthodes des Dirences nies et de Malliavin (100000 premiers nombres alatoires) Gnrateurs de nombres alatoires RND et SOBOL
Fig.
Ce graphique met en vidence plusieurs rsultats empiriques : le Monte-Carlo classique n'est pas trs performant. Mme si on constate que L'introduction de variables antithtiques acclre la
3 gnrateur congruences linaires classique. 4 gnrateur de nombres pseudo altoires. 5 b et b sont les coecients de drive des processus sous-jacents sous 1 2
Q.
3.2. APPLICATIONS
31
convergence de l'estimation, c'est trs clairement le gnrateur SOBOL qui prsente les meilleurs rsultats. On constate galement que si la mthode de Malliavin avec RND est devante, elle est en revanche trs ecace avec SOBOL. La convergence des rsultats en utilisant SOBOL est en fait tout le temps meilleure qu'en utilisant un gnrateur classique de nombres alatoires. Pour vrier rellement la prcision des simulations suivant chaque mthode, nous avons dcid d'approcher, comme dans le chapitre 2, la densit des dirents estimateurs partir de 5 000 points (chaque point tant obtenu avec 100 000 simulations). Nous avons aussi jug utile de constater ce qu'il ce passait lorsque la corrlation entre les deux sous-jacents est plus importante ( passe de 0.5 0.9). Ces rsultats sont reports sur les gures 3.2 et 3.3.
Fig.
3.2 Densit des estimateurs 1 d'une option sur spread Mthode des Dirences nies ( = 0.01) et mthode de Malliavin Valeur de la corrlation = 50%
On constate un biais consquent en utilisant la mthode des Dirences Finies ; ce biais est par ailleurs d'autant plus important que les sous-jacents sont plus fortement corrls. Ce biais pose encore la question du pas de discrtisation adopt pour approcher la drive ; le fait que les sous-jacents sont fortement corrls aggraverait la sensibilit du biais ce pas de discrtisation. Finalement, avec les Dirences Finies on obtient un estimateur faible variance mais biais tandis qu'avec le calcul de Malliavin on obtient un estimateur sans biais mais dont la variance est plus importante.
3.2.2 Un exemple avec l'option WorstOf

L'option WorstOf est une des options sur multi sous-jacents les plus simples. Elle est caractrise par le payo suivant :
i S t1 K Si i=1 t0 n +
(3.1)
o K dsigne le strike, t0 la date de dpart de l'option et t1 la date de n. Pour nos simulations, nous avons opt pour 4 sous-jacents ayant les caractristiques suivantes :
32
Fig.
3.3 Densit des estimateurs 1 d'une option sur spread Mthode des Dirences nies ( = 0.01) et mthode de Malliavin Valeur de la corrlation = 90%
S1 S2 S3 S4
Cours initial 100 100 100 100
Coecient de drive 0.05 0.03 0.06 0.04
Coecient de diusion 0.20 0.15 0.20 0.15
Tab.
3.1 Caractristiques des sous-jacents de l'option WorstOf
3.2. APPLICATIONS
33
Fig.
3.4 Densit des estimateurs 1 d'une option WorstOf (4 sous-jacents) Mthode des Dirences nies ( = 0.01) et mthode de Malliavin Valeur de la corrlation = 90%
De plus la maturit de l'option a t xe 1 an, le strike 100 et le taux sans risque 0.05. En outre nous avons choisi une corrlation des sous-jacents 90%. Nous avons reprsent sur la gure 3.4 la densit des estimateurs 1 de cette option suivant la mthode des Dirences Finies ( = 0.01) et la mthode base sur le calcul de Malliavin. Cette gure atteste du biais qui existe lorsque l'on utilise la mthode des Dirences Finies pour estimer le Delta (ou autre sensibilit) d'une option multi-sous-jacent. De plus, nous constatons que la mthode base sur le calcul de Malliavin estime correctement la valeur thorique du Delta de cette option. Cependant, cette mthode a besoin d'tre amliore an de rduire la variance de l'estimation.
34
Chapitre 4
Valorisation et sensibilits d'une option amricaine

Une option amricaine d'chance T sur un actif Xt est une option que le dtenteur a le droit d'exercer tout instant entre le moment de son achat et son chance T . Ce droit englobe la possibilit d'un exercice l'chance. Dans cette partie, nous nous proposons d'exploiter
d'autres rsultats du calcul de Malliavin, pour la valorisation et la couverture d'options amricaines sur panier. S'il existe des formulations de ce problme en terme d'inquations variationnelles ( partir d'une reprsentation par E.D.P.), leurs applications numriques sont possibles seulement pour des dimensions infrieures trois. Une approche probabiliste comme Monte Carlo prsente l'avantage, du point de vue numrique, de s'aranchir de ces contraintes dimensionnelles.
Cependant, ce jour, dans le cadre des options amricaines, les techniques de Monte Carlo existantes se rvlent peu performantes. On montre par le principe de programmation dynamique (section suivante), que valoriser une option de ce type revient approcher numriquement une famille d'esprances conditionnelles. Or, les esprances conditionnelles, sous leurs formes habituelles, sont trs dures valuer par les techniques de Monte Carlo. En eet, presque toutes les trajectoires simules vont passer ct de l'vnement par rapport auquel on conditionne. Dans une seconde partie, grce au calcul de Malliavin, on obtient une nouvelle reprsentation de l'esprance conditionnelle introduite, la premire fois par Fourni et al. [FLLL01b]. L'expression obtenue prend en compte le conditionnement et ne prsente plus les mmes dicults d'estimation. Cette technique est trs prometteuse et ses applications s'tendent de nombreux domaines1 . En eet, elle modie considrablement la performance des techniques de Monte Carlo qui s'avre satisfaisante quand elle est couple une technique de localisation. Dans le cadre des options amricaines, nous en dduisons un algorithme de valorisation amlior, la premire fois mis en place dans un article trs rcent par Lions et Regnier [LR01]. On trouvera en annexe les nouveaux poids pour calculer les sensibilits.
4.1 L'chec de Monte Carlo pour les options amricaines

Nous nous plaons dans l'espace de probabilit habituel et nous supposons juste que le sous-jacent suit une diusion classique2 sous la probabilit risque-neutre :
dXt = (t, Xt )dWt + r(t, Xt )dt et X0 = x

Rappelons galement que nous faisons l'hypothse de compltude du march.
1 Par exemple le problme de Merton, l'valuation d'un maximum de vraisemblance... 2 nous traitons le cas Black-Scholes pour les applications numriques
35
36
CHAPITRE 4. VALORISATION ET SENSIBILITS D'UNE OPTION AMRICAINE
4.1.1 Formulation du problme en terme d'esprances conditionnelles

Le lien existant entre esprances conditionnelles et options amricaines rsulte du principe de programmation dynamique d'Hamilton Jacobi Bellman. Nous donnons une ide succinte de la mthodologie employe dans les quelques lignes suivantes. La valorisation d'option amricaine est traite de faon acadmique comme un problme d'arrt optimal.
Proposition 16 (Formulation en terme d'arrt optimal) Le prix d'une option amricaine peut s'interprter de manire probabiliste l'instant 0 par ( Lamberton et Lapeyre [LL00]) :
P (x) = ess sup I0,T E(exp(r )f (X ))
o I0,T dsigne l'ensemble des temps d'arrts prenant leurs valeurs dans l'intervalle [0, T ].
Un problme d'arrt optimal est quivalent un problme de contrle optimal stochastique. Pour obtenir une version discrte et utilisable numriquement du rsultat prcdent, on procde comme suit (mthodologie utilise dans [LR01]). A chaque instant, le dtenteur de l'option exerce son contrle, c'est--dire la possiblit d'exercer ou non son option. Ainsi, on introduit un processus u, Ft -adapt, qui exprime notamment le fait que l'exercice ne peut avoir lieu qu'une fois pour toute :
t [0, T ], u(t, Xt ) {exercer, ne pas exercer} et si pour tout t T, {u(t, Xt ) = exercer}est ralis alors s ]t, T ], {u(t, Xt ) = ne pas exercer} est ralis
A partir de ce rsultat, il est ais d'laborer une stratgie qui consiste regarder et ce chaque instant, si on exerce l'option ou non. Pour ce faire, on discrtise l'intervalle [0, T ] en L subdivisions gales de taille t = T . A une des dates de discrtisation kt, on vrie si le dtenteur a intrt ou L non exercer son option. Pour cela, on compare deux gains : L'exercice immdiat assure un gain f (Xkt ). Conserver son option ncessite le calcul de la valeur actualise de l'option pour connatre la valeur de son portefeuille. La valeur de l'option est alors donne par l'esprance actualise du prix de l'option conditionne par la ltration par rapport cette date. Des remarques ci-dessus, on dduit une quation de rcurrence (principe de programmation dynamique de Bellman). Cela est d'autant plus simple que le processus (Xt ) est markovien. En eet le conditionnement par rapport la ltration revient conditionner par la dernire valeur prise par le sous-jacent.
Proposition 17 (Lien entre esprances conditionnelles et options amricaines) La formule

de rcurrence suivante caractrise le prix d'une option amricaine en fonction d'esprances conditionnelles. Pour tout 0 < deltat < 1 et tout k {0, ..., L},
Pkt (Xkt ) = max f (Xkt ); ert E[P(k+1)t (X(k+1)t )|(Xkt )]
4.1.2 Un algorithme inecace numriquement

Pour valoriser une option amricaine, on procde de la faon suivante. On simule d'abord N trajectoires de la diusion log-normale. On commence alors une induction backward pour dterminer le prix. Au niveau (L 1)t de nos N simulations, il nous faut valuer le payo d'un exercice direct (cela ne pose aucun problme et est immdiat), et une esprance conditionnelle. Si la nature markovienne de la diusion simplie le traitement du conditionnement 3 , il est nanmoins ncessaire de relancer un jeu de simulation en chaque point de discrtisation des N simulations pour valuer l'esprance conditionnelle et ainsi de suite... Pire, le nombre de simulations devient trs vite faramineux car aux points (L 2)t des trajectoires, il faut alors de nouveau (il y alors juste
3 Il n'est pas ncessaire de prendre des trajectoires qui partent de x et l'avant dernire date sur n passe prs de la valeur de Xkt .
4.2. NOUVELLE REPRSENTATION D'ESPRANCE CONDITIONNELLE
37
deux points de discrtisation) ritrer la procdure pour obtenir le terme d'esprance conditionnelle comme si c'tait un prix de l'option lui tout seul. Ces remarques rendent donc impossible la valorisation par des mthodes de Monte Carlo usuelles. Il est ncessaire de traiter diremment le conditionnement pour pouvoir s'aranchir de la nature rcursive de l'algorithme. La solution propose par le calcul de Malliavin dans la section suivante ne dpend pas du caractre markovien ou non du processus X :
Remarque 7 (L'chec des mthodes de Monte Carlo usuelles pour l'estimation d'esprance conditionnelle avec un processus sous-jacent non markovien) En eet, supposons
par exemple qu'on veuille simuler
E(X2 |X1 = x1 , X0 = x0 ) = E[X2 1X1 =x1 ,X0 =x0 ] P(X1 = x1 )
o X n'est pas markovien. Il faut que les trajectoires de X partant de x0 passe en x1 pour tre intressantes. Or pour les diusions4 on a par exemple P(X1 = x1 ) = 0, donc il n'est pas possible d'eectuer une approche directe dans le but de calculer numriquement cette esprance conditionnelle. Les mthodes usuelles de Monte Carlo contournent cette dicult en discrtisant l'espace des trajectoires : l'utilisateur suppose une partition nie ou dnombrable de l'espace (, (Oi )). Elles ne cherchent alors pas approcher numriquement cette esprance conditionnelle, mais la quantit suivante : E(X2 |X1 O(x1 ), X0 = x0 ) o O(x1 ) dsigne l'lment de la partition de l'espace des trajectoires contenant x1 . Plus les ouverts de la partition sont "petits", plus l'estimateur est proche de la ralit, en revanche le nombre de trajectoires intressant est moindre et la vitesse de convergence s'en ressent.
4.2 Nouvelle reprsentation d'esprance conditionnelle

Prcisons le cadre thorique de notre tude. Soit l'ensemble des fonctions mesurables valeurs relles et croissance au plus polynmial :
(R) = {f mesurable, C > 0 et m N, f (y) C(1 + |y|m )}

Introduisons galement les fonctions Heaviside de la forme (nous noterons H0 simplement H ) :
H (y) = 1{y>} + c
Grce au thorme cl suivant, on exprime l'esprance conditionnelle grce un poids qui s'applique tout payo . Ce poids intgre compltement le conditionnement.
Thorme 5 (Reprsentation d'esprances conditionnelles avec poids Fourni et al. [FLLL01b])

Soit ut un processus possdant certaines proprits de rgularit au sens de Malliavin et vriant le systme de condition suivant :
(S) E[ E[
T 0 T 0
Dt Gut dt|(F, G)] = 1 (S1) Dt Fut dt|(F, G)] = 0 (S2)
o (F, G) dsigne la ltration augmente. Alors, on a pour une fonction f (R), la reprsentation suivante de l'esprance conditionnelle :
E[f (F)|G = 0] = E[f (F)H(G)(u)] E[H(G)(u)]
4 On parle de mesures diuses : il n'y a pas d'atomes, c'est dire de singleton aect d'une probabilit non nulle de ralisation
38
ment borliennes (ou mesurables) par un argument de densit comme dans la section 2. La formule dcoule d'une intgration par parties aprs avoir crit l'esprance conditionnelle sous la forme de Bayes : E[f (F)1[ ,+ ] (G)] E[f (F)0 (G)] = lim E[f (F)|G = 0] = 0+ E[0 (G)] E[1[ ,+ ] (G)] Pour le dnominateur, il sut d'appliquer directement la formule d'intgration par parties. En crivant la drive au sens de Malliavin de f (F)H (G) grce la formule de drivation en chane, on obtient : Dt (f (F)H (G)) = f (F)Dt (F)H (G) + f (F)1[ ,+ ] Dt (G) La condition que vrie u intervient ce stade, l'expression, en multipliant par u et en intgrant :
T T T
Preuve. Prouvons d'abord ce rsultat pour les fonctions C 1 . On l'tend aux fonctions simple-
E H (G)
0
Dt (f (F))ut dt = E f (F)H (G)

0
Dt (F)ut dt) +E f (F)1[
,+ ] (G)
Dt (G)ut dt
0
Nous avons pu sortir les variables alatoires des intgrales de Riemann. Trs simplement, on traite l'galit prcdente de la manire suivante pour arriver nos ns : on applique la formule d'intgration par parties au premier terme pour que notre poids ne dpende pas de f comme dans le calcul des sensibilits, le deuxime terme est simpli grce la condition (S2). La drive disparat et permet l'extension aux fonctions borliennes comme dans la partie prcdente, avec le dernier terme, la proprit sur l'esprance conditionnelle (S1) vrie par u permet de retrouver le numrateur que nous calculons. On retrouve alors notre thorme en passant la limite et en exprimant le dernier terme comme la dirence des deux premiers.
Remarque 8 Il existe une version de ce thorme pour les fonctions C 1 sans la condition (S2) :
E[f (F)|G = 0] = E[f (F)H(G)(u) f (F)H(G) E[H(G)(u)]
1 0
Dt Fut dt]
Mais l'hypothse de drivabilit de la fonction f est pnalisant (dans un cadre nancier la plupart des payo ne le sont pas). On s'aranchit de cette condition de rgularit contraignante, en imposant la condition supplmentaire (S2). De plus on dplace la dicult de calcul induite par l'estimation de la drive dans la dtermination du processus u ce qui se rvle beaucoup plus simple l'usage et simplie grandement les expressions du point de vue numrique.
La reprsentation prcdente permet une implmentation plus ecace. D'une part ,
le conditionnement par rapport la variable alatoire n'apparat plus que dans le poids : c'est dire la fonction Heaviside et l'intgrale de Skorokhod. Beaucoup plus de trajectoires deviennent intressantes : il n'importe plus qu'elles soient issues du point o on conditionne ou de passer dans un voisinage. D'autre part, pour calculer une famille d'esprances conditionnelles (dans le cas d'une option amricaine par exemple), il n'est plus ncessaire d'envisager autant de jeux de trajectoires que d'esprances calculer : un seul chantillon de trajectoires de la variable X , sut car c'est une esprance usuelle. Finissons ce chapitre par une remarque sur l'extension multi dimensionnelle de ce rsultat.
Remarque 9 (Extension un conditionnement multi dimensionnel) L'approche prcdente peut-tre tendue des situations o on conditionne l'esprance par rapport un vecteur de variables alatoires Gd en dimension d par exemple. Le processus u est alors vectoriel et en itrant l'argument prcdent, ses composantes ui sont telles que t
T
E
0
DT Gj ui dt|(F, G) = ij pour 1 i, j d t
Cela implique videmment que le vecteur G = (G1 , . . . , Gd ) n'est pas "corrl au sens de Malliavin", c'est dire que la matrice de covariance au sens de Malliavin est inversible5 .
5 cf Annexe A pour des dtails sur cette notion
4.2. NOUVELLE REPRSENTATION D'ESPRANCE CONDITIONNELLE
39
4.2.1 Un exemple de processus u

Existence du processus u Nous n'avons pas trait pour l'instant la question de l'existence d'un
processus u. Un candidat naturel pour u, tant donn la condition (S1) est tout simplement
ut =
C te Dt (G)
Pour qu'il puisse vrier le systme de condition (S), il faut que les processus (Dt (G), Dt (F )) forme une famille libre. Nous donnons un exemple dans le cadre d'une diusion gnrale et les formules explicites pour le cas log-normal. Rappelons que le processus (Xt ) vrie :
dXt = (Xt )dWt + b(Xt )dt, X0 = x

On a dj calcul la drive au sens de Malliavin de la variable alatoire Xt en fonction du processus de variations premires Y. Pour que la condition (S1) soit remplie, on se contente de prendre son inverse une constante prs pour s'assurer que l'intgrale vaut bien 1 sur [t, T ]
us =
.
Ys (1)[0,t] (s) t(Xs )Yt
Pour que la condition (S1) soit remplie, il est crucial de noter que dans le cas de diusion Ds F = Ds XT concide avec Ds (G) = Ds Xt sur [0, t]. Ensuite, sur [t, T ] la deuxime drive au sens de Malliavin est nulle6 . Mathmatiquement, comme :
Ds Xt = Ds XT
Yt 1st YT
alors, il existe une solution aux systme d'quations, en prenant
ut =
Ys (Xs )Yt
1 1 (1)[0,t] (s) (1)[t,T ] (s) t T t
Le calcul de l'intgrale de Skorokhod se fait une nouvelle fois grce la formule de drivation en chane, ainsi qu'avec la proposition 5. En notant (s ) le processus des variations premires associ au processus Yt :
(u) =
1 1 ( Yt t
t 0
Ys 1 dWs (Xs ) T t
T t
Ys t 1 dWs ) + 2 + (Xs ) Yt tYt
t 0
(Xs ) 1 Ys ds (Xs ) tYt
t
0
s ds Ys
Dans le cas log-normal, les expressions se simplient particulirement. En eet, (Xs ) = Xs et t 1 T 1 1 t = 0. Cela nous donne alors une expression simple : (u) = Yt ( 1 0 dWs T 1 t (Xs ) dWs ) + t t Comme Yt = Xt /x, l'expression devient encore plus simple. Nous prcisons dans le lemme suivant ce rsultat ainsi que les notations qui nous serviront rgulirement dans le cas des options amricaines :
1 tYt t Y ds. 0 Xs s
Lemme 2 (Reprsentation de l'esprance conditionnelle dans le cadre log-normal) Nous

notons dsormais : pour s t, Ws,t = tWs sWt + s(t s). Alors on a pour tout rel positif, t [0, T ] et f :
Ts,t [f ]() = H(Xs ) 1 E (f (Xt ) Ws,t s(t s) Xs
alors :
EQ [f (Xt )|Xs = ] = Ts,t [f ]() {Ts,t [1R ]()}1
6 X ne dpend pas des accroissements du brownien pour des dates suprieures t t
40
4.2.2 Le concept de fonction localisante

En utilisant la formule de Bayes appliques aux esprances conditionnelles, on a une reprsentatin faisant intervenir une masse de Dirac, "fonction" fortement irrgulire. Le fait d'utiliser une intgration par partie permet de rgulariser cette dernire au dtriment d'un accroissement de la variance. An de remdier cela nous pouvons utiliser une mthode de localisation pour une esprance conditionnelle. Cette technique est actuellement l'objet d'un grand nombre de recherche sur le calcul de Malliavin appliqu la nance : les premiers souligner son intrt sont Fourni et al. [FLLL01b], Bouchard et Touzi ([BT02a]) donnent un cadre thorique cette technique de rduction de variance et exhibent une fonction rduisant au mieux la variance de la nouvelle esprance conditionnelle dans le cas sparable. Nous nous contenterons du cas simple dj expos dans la partie sur les sensibilits. fonction de localisation Soit K compact de (R), une fonction g rgulire est une fonction de localisation intressant si elle vrie les conditions suivantes : Le support de g est inclus dans K K g(y)dy = 1 x On dnit alors G la fonction de rpartition de g , c'est dire G = g(y)dy En reprenant le raisonnement qui a permis d'tablir la proposition sur la nouvelle reprsentation des esprances conditionnelles, on constate que le raisonnement fait pour le couple (, H) est galement valable pour n'importe quel couple (g, G) :
E(f (Xt )g(Xs )) =
1 Ws,t E (f (Xt )G(Xs ) s(t s) Xs
Ce qui nous permet la rcriture du lemme prcdent avec la fonction de localisation :
Lemme 3 (Reprsentation de l'esprance conditionnelle avec localisation) On a pour tout

rel positif, t [0, T ] etf :
loc Ts,t [f ]() =
1 H(Xs alpha) G(Xs alpha) E (f (Xt ) Ws,t s(t s) Xs
alors :
loc loc EQ [f (Xt )|Xs = ] = Ts,t [f ]() {Ts,t [1R ]()}1
D'aprs les auteurs, cette fonction de localisation est cruciale pour avoir des rsultats numriques dans des temps convenables.
4.3 Applications aux options amricaines

Dans la section qui suit, nous prsentons la mthode permettant d'approcher numriquement le prix. Les sensibilits se traitent de manire analogue et on a consign en annexe les rsultats correspondants. Cette mthode a t introduite pour la premire fois par Lions et Regnier [LR01].
4.3.1 L'algorithme de valorisation

Voici les direntes tapes mises en place dans la cadre du nouvel algorithme. La nature dciente de l'ancien algorithme est induite par son caractre rcursif. Il est crucial de noter que cette lacune est leve. On stocke dans une matrice rectangulaire les trajectoires discrtises des browniens : N dsigne le nombre de simulations et L le nombre de discrtisations. De la dernire colonne de cette matrice, on dduit un vecteur prix P (XL t) (nous prenons le cas du put amricain). On xe la simulation par exemple, la numro 1, et on se place au point juste avant l'chance (L 1)t.
4.3. APPLICATIONS AUX OPTIONS AMRICAINES
41
Calcul de l'esprance conditionnelle. En ce point l'aide des autres simulations (2 jusqu' N ), on calcule l'esprance conditionnelle en utilisant la formule de localisation. On dtermine alors la valeur du prix au point (L 1)t de la trajectoire 1, en prenant le maximum de l'esprance conditionnelle et d'un exercice immdiat. On a obtenu de nouveau un vecteur prix. On itre la mme procdure pour chacune des trajectoires n2 jusqu' la numro N(ce qui rend cet algorithme trs lent). On obtient de nouveau un vecteur prix. On itre la procdure de faon backward.
4.3.2 Rsultats numriques

L'algorithme est correct (nous avons demand conrmation Bruno Bouchard), nanmoins nous ne disposons pas de rsultats numriques personnels car l'implmentation s'est rvle dfectueuse.
Nous pensons notamment que le choix de la fonction de localisation est cruciale, or nous ne disposons pas d'information sur la bonne fonction choisir pour obtenir une convergence stable. De plus, l'algorithme est lent et requiert des techniques de rduction de
variances astucieuses(partition...) qui ne sont pas expliques dans l'article.
42
Conclusion
Ce mmoire a t pour nous l'occasion de nous confronter une thorie nouvelle et encore en dveloppement. Le fait de travailler sur des articles trs rcents, de voir de nouveaux rsultats publis au cours de notre travail et d'avoir assist un sminaire regroupant les plus grands spcialistes de la question (Malliavin, Nualart, Lions, etc) a t particulirement enthousiasmant. Ce travail nous a galement permis d'approfondir nos connaissances en nance et en mathmatiques appliques ; le caractre novateur et encore inconnu pour nous de la thorie du calcul de Malliavin s'est rvl tre un d intellectuel particulirement stimulant. Nous nous sommes principalement concentrs sur les techniques de Monte Carlo. Ces techniques sont lentes mais ont l'avantage d'tre applicables quelque soit la dimension : leurs applications sont intressantes numriquement quand on travaille sur des paniers (contrairement aux autres mthodes numriques : EDP, arbres, etc). Nous avons consacr la plus grande partie de nos recherches l'estimation des grecques pour dirents types d'options. Le calcul de Malliavin permet en eet une nouvelle faon particulirement lgante d'estimer les grecques. Cette nouvelle mthode d'estimation concurrence directement la mthode traditionnelle d'estimation par Dirences Finies. Nous constatons empiriquement que si les estimateurs calculs par Dirences Finies prsentent un biais important ds que les payo prsentent une discontinuit, les estimateurs calculs partir du calcul de Malliavin sont insensibles aux irrgularits du payo en terme de biais mais prsentent des variances plus importantes. Par ailleurs, la technique de Malliavin s'avre particulirement ecace pour estimer les grecques d'options sur multi sous-jacents, surtout quand ces derniers sont fortement corrls. Dans ce dernier cas, la mthode est d'autant plus intressante qu'elle est bien plus rapide que la mthode traditionnelle. Elle est donc trs utile dans la mesure o beaucoup de formules fermes existent dj pour tout un ventail d'options sur mono sous-jacent et qu'en fait il s'agit plutt aujourd'hui de proposer des mthodes d'estimation pratique pour des options sur multi sous-jacents (notamment de type amricain). La mthode d'estimation des grecques par le calcul de Malliavin pourrait tre plus convaincante si elle s'accompagnait de techniques de rduction de variance adaptes (localisation par exemple) ; c'est dans cette direction qu'il faudrait sans doute chercher amliorer cette nouvelle approche. Dans le souci d'amliorer les techniques de pricing et de hedging d'options amricaines, nous exposons l'aide du calcul de Malliavin une nouvelle reprsentation des esprances conditionnelles. Nous proposons un algorithme prometteur pour la valorisation d'option amricaine et le calcul des grecques en haute dimension. Malheureusement, il n'a pas t possible de l'implmenter correctement dans les temps impartis.
43
44
Annexe A
Complments sur le Calcul de Malliavin

Dans cette annexe nous prsentons quelques dmonstrations et rsultats supplmentaires qui pourront clairer le lecteur curieux.
A.1 Lien entre Malliavin et calcul de sensibilit

A.1.1 L'oprateur d'Ornstein-Uhlenbeck
L2 () tel que L = D. Alors F fonctionnelle simple : LF = (D1 F, . . . , Dd F )
d
Dnition 10 (L'oprateur d'Ornstein-Uhlenbeck) Soit l'oprateur L : Dom(L) L2 ()

(A.1) (A.2)
=
i=1 d
i (Di F ) f (n )n,i k xi k 2f (n )2n i (xk )2
=
i=1 k<2n
(A.3)
k<2n
Cet oprateur permet d'crire la formule d'intgration par parties :
E[F.LG] = E[F.D(G)] = E[< DF, DG >] = E[G.LF ]
(A.4)
Proposition 18 (Formules de calcul en dimension n) .

1.
F = (F , . . . , F ), C (R )
1 n 1 n i Ds (F ) n
=
k=1
i (F )Ds F k xk
2.
F, G Dom(L), L(F G) = F.L(G) + G.L(F ) 2 < DF, DG >
A.1.2 Formule d'intgration par parties

Grce aux outils prcdemment dnis on peut enn noncer le thorme central, l'origine du mthode des calculs de sensibilits.
Thorme 6 Soit F = (F 1 , . . . , F n ) une variable alatoire en dimension n telle que

1. (hypothse de rgularit) F i D1,2
Dom L
1 2. (hypothse de non dgnrescence) F est inversible et on note F = F
ii
ANNEXE A. COMPLMENTS SUR LE CALCUL DE MALLIAVIN
Alors C 1 (Rn ) et G D1,2

E( i (F )G) = E((F )HF (G)) xi
avec
i HF (G) =< DF, DG > F + < DF, DF > G 2G.F .LF
Preuve. Pour plus de clart on se place en dimension 1. On exprime d'abord la drive usuelle de (F ) l'aide de drives au sens de Malliavin. C'est l qu'intervient pleinement le lien entre drive classique et drive de Malliavin : on y utilise l'hypothse de non dgnrescence. Par la formule de drivation en chane Ds ((F )) = (F )Ds F , on a :
< D(F ), DF >= (F ) < DF, DF >= (F )F
c'est--dire en inversant : D'autre part d'o
(F ) = F < D(F ), DF > .
1 < D(F ), DF >= [L((F )F ) (F )LF F L(F )] , 2 1 E [F G[L((F )F ) (F )LF F L(F )]] 2 1 E (F ) F L(F G) F GLF L(F GF ) 2
E[ (F )G] = =
Ds lors, en utilisant le 2 de la proposition 18, il ne s'agit plus que d'une simple gymnastique mathmatique.
A.2 Passage des payo dans CK aux payo dans L2 : dmonstration

On impose une condition de "non-explosion" au poids :
E[ 2 ] <
Soit f une fonction de L2 . CK [0, T ] est dense dans L2 et il existe donc une suite de fonctions (fn )nN appartenant CK qui converge vers f dans L2 . On note u(x) = Ex [F ] et un = Ex [Fn ] ; rappelons galement que x est le point de dpart du processus sous-jacent. La convergence dans L2 implique la convergence dans L1 et donc la suite de fonctions (un ) converge simplement vers la fonction u : x R un (x) u(x) quand n . La proprit que l'on cherche tendre aux payo de L2 est suppose vraie pour les fonctions de CK et donc :
un (x) = Ex [Fn ] x
Notons maintenant g(x) = Ex [F ]. D'aprs l'ingalit de Cauchy-Schwartz on a :
g(x)
o
un (x) = Ex [(F Fn ) ] h(x) n (x) x = Ex [(F Fn )2 ]1/2
h(x) = Ex [ 2 ]1/2
La convergence de un entrane la convergence simple de n (x) vers 0 quand n . Ainsi la suite de fonctions ( x un (x))nN converge simplement vers la fonction g. Avec la proprit de Lebesgue, le fait que les fonctions F et Fn sont continues et le fait que la fonction h(x) est borne (d'aprs la condition de "non-explosion"), l'ingalit prcdente montre que cette convergence est uniforme
A.2. PASSAGE DES PAYOFF DANS CK AUX PAYOFF DANS L2 : DMONSTRATION
iii
sur tout compact K de R. Finalement, la suite de fonctions (un )nN converge simplement vers une fonction u, la suite des fonctions drives ( x un (x))nN converge uniformment vers une fonction g sur tout compact de R. La fonction limite u est donc direntiable et sa drive est gale g :
Ex [F ] = Ex [F ] x
iv
ANNEXE A. COMPLMENTS SUR LE CALCUL DE MALLIAVIN
Annexe B
Une application de la formule de Clark-Ocone

Dans cette partie nous allons illustrer comment la formule de Clark-Ocone peut s'appliquer l'analyse d'un portefeuille, c'est--dire dupliquer un ux futur V (T ) ( FT -mesurable).
Thorme 7 (Thorme de reprsentation d'It) Pour F L2 (, F1 , P), on a

1
P, F = EF +
0
s dWs
Proposition 19 (Formule de Clark-Ocone) Pour F D1,2 , on a

1
F = EF +
0
E(Ds F |Fs )
On suppose qu'il y a deux actifs sur le march :
dA(t) = (t)A(t)dt dS(t) = (t)S(t)dt + (t)S(t)dW (t)
l'actif sans risque, l'actif risqu.
On suppose simplement que les processus (t) et (t) sont Ft -adapts. On cherche une stratgie auto-nanante ((t), (t)) amenant une valeur de portefeuille donne V (T ). (t) et (t) dsignent respectivement les quantits investies dans l'actif sans risque et risqu la date t. La valeur du portefeuille ainsi constitu est :
V (t) = (t)A(t) + (t)S(t)

D'autre part le portefeuille tant auto-nanant, on a :
dV (t) = (t)dA(t) + (t)dS(t)

En rcrivant ces quations nous obtenons :
(t) = dV (t) =
V (t) (t)S(t) A(t) (t)(V (t) (t)S(t))dt + (t)dS(t)
(B.1) (B.2)
Prenons par exemple comme valeur nale du portefeuille le pay-o d'une option vanille de strike K sur l'actif risqu : V (T ) = (S(T ) K)+ . V (0) est alors le prix de l'option la date initiale. D'aprs les quations (1) et (2), nous sommes ramens chercher V (t) et (t) t [0, T ]. Sous des conditions raisonnables sur nos paramtres, la thorie des quations direntielles stochastiques nous permet d'armer qu'il existe une unique solution au problme :
dV (t) = (t)(V (t) (t)S(t))dt + (t)dS(t), V(T) xe.

v
vi
ANNEXE B. UNE APPLICATION DE LA FORMULE DE CLARK-OCONE
Pour mettre expliciter cette solution nous allons utiliser le thorme de Clark-Ocone. Pour cela, nous commenons par faire un changement de probabilit :
(t) = W (t)
(t)(t) , (t) t = 0 (s)ds
+ W (t).
Le thorme de Girsanov nous permet d'armer que W (t) est un mouvement brownien sous la probabilit Q dnie par :
dQ |F = exp( dP T
(s)dW (s) 0.5

0 0
(s)2 ds)
Sous la probabilit Q, la dynamique du portefeuille s'crit alors :
dV (t) = (t)V (t)dt + (t)(t)S(t)dW (t)

En posant U (t) = V (t) exp(
t 0
(s)ds), cette quation se rcrit : dU (t) = exp(

t 0
(s)ds)(t)(t)S(t)dW (t)
T 0
soit encore :
V (T ) exp(
T 0
(s)ds) = V (0) +
exp(
t 0
(s)ds)(t)(t)S(t)dW (t)
T 0
On applique ds lors la formule de Clark-Ocone G() = exp(

T T
(s, )ds)V (T, ) :
G() = EQ [G] +
0
EQ [(Dt G G
0
Dt (s, )dW (s))|Ft ]dW
Par unicit, nous avons
V (0) = EQ [G]
et la quantit investir dans l'actif risqu :
(t) =
exp(
t 0
ds)EQ [(Dt G G 0 Dt (s)dW (s))|Ft ] (t)S(t)
Nous allons maintenant voir ce qui se passe dans le cas d'une diusion la Black-Scholes. On suppose que (t, ) = , (t, ) = et (t, ) = = 0. Alors
est aussi une constante et par consquent Dt = 0. Ainsi, la quantit investir dans l'actif risqu est :
(t) = = = =
e(tT ) EQ [Dt (ST K)+ |Ft ] St (tT ) e EQ [ST 1[K,] (ST )|Ft ] St (tT ) e EQ [ST 1[K,] (ST )|Ft ] St (tT ) y e EQ [ST t 1[K,] (ST t )|Ft ]y=St St
La dernire expression tant obtenue en utilisant la proprit de Markov du processus St . En poursuivant le calcul l'aide des outils habituels (esprance d'une loi normale . . .), on retrouve l'expression classique donnant la quantit d'actifs risqus dtenir dans le portefeuille, savoir le delta de l'option. Il faut enn remarquer que la formule de Clark-Ocone a l'immense avantage de marcher mme lorsque le processus sous-jacent ne possde pas la proprit de Markov.
Annexe C
Extension la volatilit stochastique

Supposons maintenant que la volatilit du processus sous-jacent est stochastique. D'une manire trs gnrale on peut dcrire le processus de la manire suivante :
dX(t) = X (t, X(t)).dt + X (t, X(t), (t)).dW1 (t) d(t) = (t, (t)).dt + (t, X(t), (t)).dW2 (t) W (t) = W1 (t) W2 (t)
est un mouvement brownien bidimensionnel vriant :
E[W1 (t).W2 (t)] = t

Ainsi,
dX(t) d(t)
ou encore
X (t, X(t)) (t, (t))
dt +
X (t,X(t),(t)) 0
0 (t,X(t),(t))
W1 (t) W2 (t)
dX(t) d(t)
= .dt + .
W1 (t) W2 (t)
Il est facile d'tendre les rsultats obtenus une dimension au cas multidimensionnel (chapitre 3). Ces rsultats sont gnralement valables pour des modles faisant intervenir un vecteur brownien canonique (coordonnes indpendantes). L'introduction d'une volatilit stochastique nous ramne un modle deux dimensions dans lequel les coordonnes du brownien sont a priori corrles. Il s'agit donc, pour retrouver les poids de Malliavin de la thorie multidimensionnelle, de dcorrler 1 ces coordonnes. Si on note la matrice de variance-covariance du vecteur t (W1 (t), W2 (t)), alors, en introduisant la matrice 1/2 (qui peut tre dtermine par une dcomposition de Cholesky)1 :
B(t) =
B1 (t) B2 (t)
= 1/2 .
W1 (t) W2 (t)
est un mouvement brownien dont les coordonnes sont indpendantes. Ds lors, le modle devient :
dX(t) d(t)
= .dt + .1/2
B1 (t) B2 (t)
= .dt +
B1 (t) B2 (t)
Dans le cas des modles volatilit stochastique, il sut donc de reprendre les rsultats multidimensionnels classiques en modiant la matrice de volatilit pour s'assurer que les browniens sont bien indpendants.
1 1/2 .(1/2 )
=
1 0
Ici,
1/2
= @
12
1 12
vii
viii
ANNEXE C. EXTENSION LA VOLATILIT STOCHASTIQUE
Pour le calcul du delta par exemple, on peut appliquer cette mthode l'aide de la formule classique : poidsdelta = (Y (t)1 (t)a(t)). Cette dernire formule est valable dans le cas multidimensionnel (Y (t) est alors une matrice et le poids obtenu est un vecteur) et pour = 0. C'est la raison pour laquelle on change de brownien pour travailler sur un modle brownien canonique ( = 0), ce qui implique de modier la matrice de volatilit ( devient ). La principale dicult, dans un cadre aussi gnral, rside dans le calcul de la matrice des variations premires Yt , puis dans le calcul de l'intgrale de Skorokhod. Nous dveloppons ici le cas d'un modle volatilit stochastique particulier, celui d'Heston. Dans ce modle : X(t) = ( (t)) et
(t)X(t) 0 vol
(t)
Par multiplication matricielle, on a :
1 = X(t)vol (t) 1 2
D'autre part
(t)X(t)
(t)X(t)
12 12 vol
(t)
Yt =
Xt x (t) x
Xt 0 (t) 0
Pour obtenir le delta de l'option on s'intresse donc la quantit :
vol (t)3/2 (X(t) 1 2 )2
Xt Xt x 0
On comprend alors combien il peut tre dicile d'valuer une telle formule par simulations.
Annexe D
Les techniques de Monte-Carlo

Dans cette annexe nous prsentons les rsultats gnraux sur les mthodes de Monte-Carlo. Aprs un descriptif des techniques de base, nous introduisons les direntes rduction de variance usuelles ainsi que les amliorations classiques dans le cadre des options exotiques traites dans le corps du rapport.
D.1 Rappel Monte-Carlo

Dans cette partie nous rcapitulons brivement les rsultats fondamentaux relatifs aux mthodes de Monte-Carlo. Ces techniques de simulation se basent principalement sur deux grands rsultats de probabilit : la loi forte des grands nombres fournit le rsultat de convergence ; le thorme centrale limite, plus prcis, permet d'valuer la vitesse de convergence.
Thorme 8 (Loi forte des grands nombres) Soit une suite de variables alatoires indpendantes Zi ; i 1 suivant toute la mme loi que Z . Alors si E(|Z|) < on a pour presque tout : 1 lim (Z1 () + Z2 () + + Zn ())E(Z) n n
Il sut alors de considrer des trajectoires indpendantes distribues suivant la mme loi que notre processus d'It X : (Xi )1in partant donc de x. Le principe de base des mthodes de Monte-Carlo consiste alors considrer l'estimateur convergeant Jn,f de l'esprance du prix sous la probabilit risque neutre :
Jn,f =
1 n
(e
i=1
RT
0
r(s,Xi )ds
f (Xi,t1 , Xi,t2 , . . . , Xi,tm )) P (x)

p.s
dsormais on notera dans ce paragraphe, h(X) = e les notations
RT
0
r(s,Xs )ds
f (Xt1 , Xt2 , . . . , Xtm ) pour allger
Thorme 9 (Thorme centrale limite) Soit une suite de variables alatoires indpendantes Zi ; i 1 suivant toute la mme loi que Z . Alors si E(Z 2 ) < , et en notant var sa variance on a: 1 Erreur = n = (Z1 + Z2 + + Zn ) E(Z) n
n var
n
G
loi
o G est une variable alatoire suivant une loi gaussienne centre rduite.
ix
ANNEXE D. LES TECHNIQUES DE MONTE-CARLO
Intervalle de conance A partir de ce rsultat, on introduit la mthode classique d'valuation des erreurs bases sur des intervalles de conance. L'intervalle IC() que l'on souhaite expliciter est centr autour de notre estimateur Jn,f et tel que le prix P (x) appartienne IC() avec la probabilit 1 :
Q(P (x) IC()) = 1
D'aprs le thorme centrale limite, on a, lorsque le moment d'ordre 2 de h(X) est ni :
(n)(Jn,f P (x)) N (0, var(h(X)))

loi
Pour n susamment grand, on assimile la distribution de l'estimateur Jn,f celle d'une loi N (P (x), var(h(X)/n)). Cette approximation permet d'crire IC() sous la forme :
IC() = Jn,f
var(h(X)) 1 (1 ) , Jn,f + n 2
var(h(X)) 1 (1 ) n 2
o dsigne la fonction de rpartition de la loi normale standard. L'approximation ralise ici induit une premire erreur : si les queues de la vritable distribution de notre estimateur sont plus paisses que celles d'une loi normale, on surestime l'ecacit de notre mthode et vice et versa dans le cas de queues de distribution plus nes. De plus, ce stade, la variance h(x) est priori inconnue, mais on peut l'estimer a partir de l'chantillon dj simul l'aide de l'estimateur suivant Vn,f de la variance : 1 1 Vn,f = nh(xi )2 ( nh(xi ))2 n i=1 n i=1 On obtient nalement l'expression suivante de l'intervalle de conance :
IC() = Jn,f
Vn,f 1 (1 ) , Jn,f + n 2
Vn,f 1 (1 ) n 2
En plus de l'approximation faite de la variance, il faut noter que gnralement les estimateurs Jn,f et Vn,f sont gnralement corrls ce qui peut encore entraner des erreurs d'estimations de l'intervalle de conance. Si les intervalles de conance restent des outils de contrle imparfaits, ils ont le mrite de donner une ide de la prcision de la mthode, ce qui n'est pas le cas avec des mthodes d'arbres ou la rsolution d'EDP. Notons galement que la vitesse de convergence de la mthode dpend la fois du nombre de simulation mais galement de la variance de l'estimateur. En diminuant la variance de l'estimateur, on acclre la convergence. Cette ide est l'origine de mthodes de rduction de variance utilises dans le cadre de simulations de Monte-Carlo. Les quatre principales mthodes sont celles des variables de contrle, des variables antithtiques, de la stratication et de l'chantillonnage pondr.
D.2 Mthodes classiques de rduction de variance.

Nous venons de voir que la vitesse de convergence de la mthode Monte-Carlo est de l'ordre de / n. Pour amliorer cette mthode il existe de nombreuses techniques, dites de rduction de variance, qui cherchent diminuer la valeur de 2 . L'ide gnrale est de donne une autre reprsentation sous forme d'esprance de la quantit calculer :
E[X] = E[Y ] ,
en cherchant diminuer la variance. Nous allons passer en revue quelques unes de ces mthodes qui sont applicables dans pratiquement tous les cas de simulations.
D.2. MTHODES CLASSIQUES DE RDUCTION DE VARIANCE.
xi
chantillonnage prfrentiel ou fonction d'importance Supposons que l'on cherche calculer :
E[g(X)]
et que la loi de X soit f (x)dx. La quantit que l'on cherche valuer vaut donc :
E[g(X)] =
R
g(x)f (x)dx .
R
Soit maintenant, f la densit d'une autre loi telle que f > 0 et E[g(X)] peut aussi s'crire : g(x)f (x) E[g(X)] = f (x)dx . f (x) R
f (Y )
f (x)dx = 1, il est clair que
Cela signie que E[g(X)] = E[ g(Y )f (Y ) ], si Y suit la loi f (x)dx sous P. On a donc une autre mthode e de calcul de E[g(X)] en utilisant n tirages de Y , Y1 , . . . , Yn et en approximant E[g(X)] par :
1 g(Y1 )f (Y1 ) g(Yn )f (Yn ) ( + ... + ). n f (Y1 ) f (Yn )

Si l'on pose Z = g(Y )f (Y )/f (Y ), on aura amlior l'algorithme si Var(Z) < Var(g(X)). Or il est facile de calculer la variance de Z :
Var(Z) = E[Z 2 ] E[Z]2 =

R
g 2 (x)f 2 (x) f (x)
dx E[g(X)]2 .
Si g(x) > 0, on peut vrier que, en prenant f (x) = (g(x)f (x))/(E[g(X)]) on annule Var(Z) ! Il ne faut pas trop donn d'importance ce rsultat car il repose sur le fait que l'on connat E[g(X)], et c'est justement ce que l'on cherche calculer. Cela permet cependant de justier l'heuristique suivante : prendre f (x) aussi proche que possible de |g(x)f (x)| puis la normaliser de faon obtenir une densit dont la loi est facilement simulable. videmment les contraintes que l'on s'impose sont largement contradictoires et rendent cet exercice souvent dlicat.
Variables de contrle Dans sa version la plus simple, il s'agit d'crire E[f (X)] sous la forme :
E[f (X)] = E[f (X) h(X)] + E[h(X)] ,
avec E[h(X)] qui peut se calculer facilement et Var(f (X) h(X)) sensiblement plus petit que Var(f (X)). On utilise alors une mthode de Monte-Carlo pour valuer E[f (X) h(X)] et la calcul direct pour E[h(X)].
Variables antithtiques Supposons que l'on cherche calculer le prix d'une option sur un sous-jacent vriant une diusion la Black-Scholes :
dSt = rdt + dWt St
On dnit alors une variable anticorrle St :
dSt = rdt dWt St Wt tant un mouvement brownien sous P, Wt en est aussi un et donc St et St sont deux estimateurs 1 du cours de notre sous-jacent, tout comme 2 (St + St . Si on note P et P les prix de l'option correspondant respectivement St et St , alors comme P et P ont mme variance, la variance de notre estimateur du prix de l'option est : 1 1 Var( (Pt + Pt ) = Var( (Pt )) + Cov(P, P ) 2 2
xii
ANNEXE D. LES TECHNIQUES DE MONTE-CARLO
Or par construction, P et P sont anticorrls, donc Cov(P, P ) 0 et nous avons divis par plus de deux la variance. Ce nouvel estimateur est donc plus prcis mais il ncessite plus de temps de simulations et augmente donc son cot en calculs. Il s'agit ici de raliser un arbitrage entre prcision et temps de calcul.
Annexe E
Quelques options exotiques

Dans cette partie, nous reprenons la mthodologie dtaille dans la partie prcdente pour l'adapter aux cas d'options dont le payo ne s'exprime pas comme une fonction du sous-jacent des dates discrtes. Dans ce cadre des modications sont ncessaires pour amnager cette mthode des calculs de sensibilits. Nous avons choisi des options trs rpandues : les options asiatiques et les options barrires. Les premires prsentent un intrt particulier car il n'existe pas de formules fermes pour les valuer. Nous proposons une tude comparative des mthodes numriques les plus couramment utilises pour valoriser les options : quations aux drives partielles, mthodes d'arbres et enn Monte-Carlo. Le but est de voir quel point la mthode propose permet des applications numriques utilisables en salle de march. Dans un second temps, on s'intresse aux cas des options barrires trs couramment utilises. Les premiers arguments de comparaison donns dans la section prcdente permettent d'esprer des rsultats intressants : dans le cadre de payo discontinu, Malliavin obtient des rsultats plus probants. Les barrires rentrent pleinement dans ce cadre.
E.1 Les options asiatiques

Nous allons d'abord prsenter les amnagements ncessaires pour prolonger notre mthode aux cas des asiatiques. Ensuite, on expose les direntes mthodes d'valuation de ces options (on pourra consulter)et fournissons une tude comparative de leur performance avec d'autres mthodes numriques classiques. Une option asiatique est le nom gnrique d'une classe d'options dont le pay-o dpend de la moyenne sur une priode donne de l'actif risqu. Le sous-jacent peut-tre de nouveau multi dimensionnel et vrie encore sous la probabilit risque-neutre :
dXt = (t, Xs )dWs + b(t, Xs )dt et X0 = x

Le prix aujourd'hui d'une option asiatique de maturit T ( on ne considre que le cas europen c'est dire lorsque l'exercice ne peut se faire qu' la maturit de l'option ) est donn sous la probabilit risque-neutre par : Q P (x) = erT Ex [f (XT , AT )] o
AT =
1 T
Xu du.
0
La fonction payo peut valoir par exemple : pour un call strike xe : f (s, a) = g(a) = (a K)+ pour un put strike xe : f (s, a) = g(a) = (K a)+ pour un call strike ottant : f (s, a) = (a s)+ pour un put strike ottant : f (s, a) = (s a)+ xiii
xiv
ANNEXE E. QUELQUES OPTIONS EXOTIQUES
E.1.1 Caractrisation des poids

Dans un premier temps, nous allons nous limiter au cas des payo ne dpendant que de la moyenne f (s, a) = g(a). En eet comme dans le cas d'un taux d'intrt stochastique de la section 2, le fait d'inclure un payo dpendant explicitement de X rajoute une condition supplmentaire dont la dicult est purement calculatoire. nonons, le thorme caractrisant le poids pour des options asiatiques.
Thorme 10 (Formule de Malliavin pour le delta d'options asiatiques) Dans le cas des options asiatiques, en plus de la condition de non explosion, la fonction engendrant le poids pour le delta doit galement vrier :
pour un payo de la forme ne faisant qu'intervenir la moyenne1 A(T ) :
Q Ex T t
Yt (
0 0
(s, Xs ) Q ws ds)dt|AT , Xt = Ex Ys
Yt dt|AT , Xt
0
pour un payo dpendant et de A(T ) et de X(T ), la condition supplmentaire suivante est ncessaire : T T (s, Xs ) Q Q Ex Yt ws ds|AT , Xt = Ex YT |AT , Xt Ys 0 0
Preuve. La preuve est compltement analogue celle expose dans le cadre des options dont le payo dpend de la valeur du sous-jacent des dates xes. Ainsi, on peut se limiter une preuve pour des payos C et support compact. Cette restriction donne un sens la permutation des oprateurs esprances et drivation. A ce stade, la fonction gnrant le poids w doit satisfaire pour les fonction f C support compact
=E f (AT ) = E f (AT )(w) x
De nouveau nous allons identier aprs dveloppement les deux membres de cette galit Notons que la drive au sens de Malliavin de la variable alatoire A(t) s'exprime aisment en fonction de celle de X(t) car on peut permuter l'oprateur drivation et intgration :
T T
Ds A(t) =
0
Ds Xt dt =
0
Y t Ys1 (s, Xs )1st dt
En appliquant au terme de droite la formule d'intgration par parties :

T
E f (AT )(w) = E
0
Ds At ws ds f (AT )(w)
Alors que pour le terme de droite on obtient simplement :
f (AT ) = E f (AT ) x
Yt dt
0
Alors en identiant ces deux expressions, on en dduit la condition ncessaire sur les esprances conditionnelles du thorme.
E.1.2 Valorisation d'options asiatiques par les techniques de MonteCarlo

On se place dans le cadre du modle de Black et Scholes usuel. Pour une synthse quasi exhaustive des mthodes de valorisation par des techniques de Monte-Carlo d'options asiatiques, nous suggrons la lecture de l'article [?]. T On dcoupe l'intervalle [0, T ] en N morceaux et on dnit les instants tk = kh avec h = N . T On doit simuler le terme AT = 0 Xu , du approximant l'intgrale. Pour cela, trois schmas sont proposs par les auteurs.
1 de type strike xe
E.1. LES OPTIONS ASIATIQUES
xv
Le schma standard A l'aide de sommes de Riemann on approche AT par

N 1
Ar,N = h T
k=0
Xtk .
Deux schmas plus complexes Le deuxime schma rsulte d'un dveloppement limit l'ordre 1 en h partir d'une sorte de mthode des trapzes. Il donne :
N 1
Ae,N = h T
k=0
Xtk
1+
Wt W tk rh + k+1 2 2
Le dernier schma est similaire mais fait intervenir une intgrale stochastique :
N 1
Ap,N = h T
k=0
Xtk
1+
rh + 2 h
tk+1 tk
(Wu Wtk ) du .
Pour l'approximation de l'intgrale stochastique, nous avons dcoup l'intervalle [tk , tk+1 ] en m morceaux de mme longueur suivant
tk+1 m1 t
Wu du =
tk g=0
k+
g+1 m
Wu du.
tk+
g m
Puis nous avons utiliser la loi conditionnelle de Wu pour simuler les trajectoires. Pour chacun des 3 schmas, on approximera le prix d'une option (par exemple un put strike xe) par
erT M
K
j=1
AN T T
o M est le nombre de trajectoires simules. Remarquons qu'il est possible de calculer un prix de put asiatique puis de rcuprer le prix du call correspondant l'aide de la formule de parit2 :
Call(K, T, r) P ut(K, T, r) =
1 erT KerT . rT
Rduction de variance
On approche vante :
1 T T 0 1 Su du par exp( T T 0
logSu du). On dnit alors la variable de contrle sui2 T ) + 2 2 T

T +
Z = erT
x exp (r
Wu du
0
En adaptant chaque variable de contrle aux schmas prcdents, on obtient :

r,N ZT
=e
rT
2 T x exp (r ) + 2 2 T
N 1 k=0
N 1
hWtk
k=0
K
+
r,N ZT
=e
rT
2 T x exp (r ) + 2 2 T
h (Wtk + Wtk+1 ) 2
tk+1
K
+
r,N ZT
=e
rT
2 T ) + x exp (r 2 2 T
N 1 k=0
Wu du
tk
2 exemple pour un strike xe
xvi
E.2 EDP et arbres appliqus aux options asiatiques

E.2.1 Une mthode aux dirences nies
On utilise la mthode propose par Rogers et Shi. Il s'agit de rsoudre numriquement l'quation aux drives partielles : f1 + Lf = 0
1 avec Lf (t, x) = 1 2 x2 f22 (t, x) ( T + rx)f2 (t, x) pour t [0, T ]. 2 Dans le cas d'un strike xe, la variable x, qui rsulte d'un astucieux changement de variables, s'exprime par : 1 t K T 0 Su du xt = , St 1 la condition limite s'crit f (T, x) = x et le prix vaut S0 f (0, KS0 ). Pour un strike ottant, la variable x s'exprime par :
xt =
ST
1 T
t 0
Su du
St
la condition limite s'crit f (T, x) = (1 + x) et le prix vaut S0 f (0, 0). Par ailleurs, nous avons choisi de travailler avec des conditions du type Dirichlet. Ce qui fait que f (t, l) = f (t, l) = 0 lorsque que x [l, l]. Enn, nous avons choisi de travailler avec un schma de Crank et Nicholson. Pour rsoudre numriquement cette quation aux drives partielles, nous avons utilis la mthode des dirences nies avec des conditions aux limites du type Dirichlet. Une fois le -schma obtenu, nous nous sommes rendu compte que seul un schma totalement implicite apportait une relle stabilit dans la convergence. Par ailleurs, il fut ais de passer du cas xe au cas ottant car l'EDP rsoudre est la mme ; seules les conditions la maturit et l'expression du prix changent. En ce qui concerne les pas, nous sommes "monts" jusqu' 10000 pas temporels et spatiaux, au prix d'un temps de calcul assez lev sur des machines pas trs puissantes.
E.2.2 La mthode d'interpolation de Hull et White

Dans l'article Ecient procedures for valuing european and american path-dependent options, John Hull et Alan White gnralisent la mthode par arbre de Cox-Ross-Rubinstein pour le calcul d'options dont le ux terminale dpend de toute la trajectoire du sous-jacent comme c'est la cas pour les options asiatiques (i.e options sur moyenne). La principale dicult de l'utilisation d'une mthode par arbre est, qu' un nud donn, le nombre de valeurs ralisables par la variable alatoire, moyenne du sous-jacent depuis l'instant initial, est exponentiel. Pour rsoudre ce problme, Hull et White proposent de ne calculer la valeur de l'option un nud donn de l'arbre que pour certaines valeurs prdtermines de la moyenne et d'estimer le reste par interpolation.
Notations et principes de bases de la dmarche par arbre

Posons St : la valeur du sous-jacent l'instant t. Ft (S) : la moyenne du sous-jacent S sur l'intervalle [0, t]. Vt (S, F ) : la valeur de l'option asiatique de sous-jacent S l'instant. r : le taux sans risque. Nous faisons les hypothses habituelles d'absence d'opportunit d'arbitrage et de compltude du march, ce qui nous assure l'existence et l'unicit d'une probabilit sous laquelle les prix actualiss des actifs sont des martingales. Cox, Ross et Rubinstein reprsentent la dynamique du brownien gomtrique S par un arbre binomial en divisant uniformment l'intervalle de temps [0, T ] (le pas de la subdivision est donc de
T n ).
Entre les instants ti = i T et ti+1 = ti + T , la valeur du sous-jacent augmente de u = exp( n n

1 u
T n)
avec une probabilit p et diminue de d =
avec une probabilit 1 p.
E.3. LES OPTIONS BARRIRES ET LOOKBACK
xvii
Pour que la valeur actualis du sous-jacent ait un comportement martingale, il faut ncessairement prendre ad p= ud avec T a = exp( ) n On notera (i, j) le nud de l'arbre binomial qui correspond l'vnement : l'instant ti la valeur de S a augment j fois et donc diminu i j fois depuis l'instant initial. Ainsi la valeur du sous-jacent au noeud (i, j) est S0 uj dij . Il s'agit maintenant d'expliquer comment nous allons valuer la valeur de l'option asiatique chacun des nuds (i, j). Soit Fi,j,k la k ime ralisation de la moyenne arithmtique des valeurs passes du sous-jacent, et soit Vi,j,k la valeur de l'option asiatique correspondante cette k ime ralisation. La conguration (i, j, k) conduit une conguration (i + 1, j + 1, ku ) lorsque le cours de l'actif monte et une conguration (i + 1, j, kd ) lorsque le cours de l'actif descend. La valeur actualise du portefeuille rpliquant l'option asiatique tant une martingale sous la probabilit risque-neutre, on a T Vi,j,k = exp(r )(pVi+1,j+1,ku + (1 p)Vi+1,j,kd ) n Cette formule rcursive de type backward permet d'valuer le prix de l'option.
valuation de l'option asiatique par interpolation

Si nous devions prendre en compte toutes les valeurs ralisables par la moyenne arithmtique des valeurs passes de S , la complexit temporelle de l'algorithme serait exponentielle : car en gnral pour un nud de l'arbre situ une profondeur i il y a 2i moyennes de prix considrer ! Pour rsoudre ce problme, Hull et White proposent de ne calculer les valeurs de l'option asiatique au nud (i,j) que pour les valeurs de la moyenne arithmtique de la forme
Fi,j,k = S0 exp(mk h)
o mk est un entier positif ou ngatif et o h est un paramtre que l'on choisit. Il est vident que les entiers mk doivent balayer un intervalle [mmin , mmax ] tel que les ralisations potentielles de la moyenne arithmtique au noeud (i, j) soient toutes incluses dans l'intervalle [S0 exp(mmin h), S0 exp(mmax h)]. Les bornes choisies sont donnes par les formules de rcurrence :
mmax (i) = E(ln(
i exp(mmax (i)) + ui )) + 1 (i + 1)h i exp(mmin (i)) + di )) (i + 1)h
mmin (i) = E(ln(
Une fois ces bornes dtermines, il nous faut alors calculer les prix de l'option au nud (i, j) associs aux ralisations des S0 exp(mk h). Il sut d'utiliser la relation d'AOA prcdente reliant Vi,j,k , Vi+1,j+1,ku et Vi+1,j,kd . On dtermine Vi+1,j+1,ku par interpolation linaire entre Vi+1,j+1,k1 et Vi+1,j+1,k2 o k1 et k2 sont choisis tels que Fi+1,j+1,k1 et Fi+1,j+1,k2 soient les valeurs encadrantes les plus proches de Fi+1,j+1,k2 de la forme S0 exp(mh). On fait pareil pour le calcul de Vi+1,j+1,ku .
E.3 Les options barrires et lookback

Nous avons choisi ce type d'option pour deux raisons. D'une part, le payo d'une option barrire est plus complexe que ceux envisags dans la partie prcdente. Il ne s'expriment pas en fonction de la valeur du sous-jacent certaines dates pr-xes mais de son maximum et ou de son minimum sur la dure de vie de l'option. Un travail d'amnagement intressant est ncessaire pour tendre les rsultats sur les grecques. Pour ce faire, on reprend la mthodologie de l'article de E. Gobet et A. Kohatsu-Higa [GKH01]. D'autre part, les premiers arguments de comparaison donns dans
xviii
la section prcdente permettent d'esprer des rsultats intressants : dans le cadre de payo discontinu, Malliavin obtient des rsultats plus probants. Dans un premier temps, nous exposons les dicults techniques et leurs solutions pour dterminer de nouveau poids. Ensuite nous comparons ensuite de nouveau cette mthode et les dirences nies et fournissons quelques critiques des rsultats obtenus.
E.3.1 Prliminaires sur les options barrires

Dans ce cadre on se limitera aux cas unidimensionnel Black-Scholes. La dynamique de notre sous-jacent vrie donc sous la probabilit risque neutre :
dSt = rdt + dWt et S(0) = s St

Nous nous concentrons donc sur des payos faisant intervenir le maximum ou le minimum de la diusion en notant Mt = maxst Ss et mt = minst Ss
f (MT , mT , ST )
. Une option barrire knock-out est une option europenne qui s'annule lorsque l'actif sous-jacent dpasse une ou deux barrires, dterministes, ventuellement dpendantes du temps. Supposons que l'actif S suive un modle de Black-Scholes :
dSt = St dt + St dBt S0 = x Les barrires sont deux fonctions relles L (infrieure) et U (suprieure) : [0, +[ [0, +[, < U (t) pour tout t. vriant L(t) On appelle le temps de passage du prix S par l'une des barrires : = inf t > 0 | St L(t) ou St U (t)
Le prix d'une option knock-out est alors :
E erT (ST K)+ I>T

o E dsigne la probabilit risque neutre. Pour calculer ce prix, il faut donc connatre la loi de la diusion S tue au temps . Dans le cadre du modle de Black-Scholes, on utiliserait typiquement la diusion log St , laquelle n'est, sous la probabilit risque neutre, qu'un Brownien avec drift :
2 )t + Bt 2 o r est le taux d'intrt instantan suppos constant. En xant un pas de simulation , on peut simuler successivement les positions log Sti aux temps ti = i. La procdure nave consiste dclarer la diusion tue s'il existe une valeur ti pour laquelle la valeur log Sti se trouve en-dessous de L(ti ) = log L(ti ) ou au-dessus de U (ti ) = log U (ti ). On se rend compte immdiatement que cette procdure ne contrle pas la trajectoire entre deux instants successifs de la grille t1 ,t2 ,... : la trajectoire aurait pu traverser l'une des barrires et revenir, sans que ce fait puisse tre dtect. Cette erreur produit systmatiquement une surestimation du prix, par le biais d'une surestimation de la valeur du temps et donc de la probabilit de l'vnement { > T }. L'estimateur fourni par la simulation est biais. Dans la pratique, on constate que mme en rduisant le pas , l'erreur persiste. noter par ailleurs la notion d'option knock-in, duale de l'option knock-out prsente ci-dessus, dont le payo est donn par : log St = log x + (r E erT (ST K)+ .I<T
xix
Une option barrire knock-in est donc active si le sous-jacent atteint une des barrires. Si le sous-jacent reste conn entre les barrires, l'option est toujours nulle. La somme du prix d'une option knock-in et de celui d'une option knock-out est bien entendu gal celui d'un call classique.
La procdure Pour aner les rsultats des simulations, on propose une procdure amliore. Si
on a trouv au cours de la simulation comme valeurs successives pour log Sti :
log Sti = x
log Sti+1 = y
on calcule la probabilit p (dpendante de x, y et des barrires L, U ) que le brownien avec drift (log S ) dpasse l'une des barrires. La diusion est suppose avoir franchi les barrires avec la probabilit p, alors qu'on continue la simulation avec la probabilit 1 p. Il est clair que si l'on dispose de la valeur exacte de cette probabilit, la valeur obtenue fournit un estimateur non biais du prix de l'option. Dans certains cas particuliers, il est possible d'accder p. Le cas simple de la diusion Black-Scholes, dans le cas d'une seule barrire haute constante, avec le conditionnement de pont brownien en (x, y) conduit l'expression explicite de p :
p = exp
2 (b x)(b y) 2
Dans le cas gnral, dans la mesure o il est possible d'accder la valeur de cette probabilit pi , nous distinguerons par la suite deux approches dans le calcul de l'option barrire : la mthode de Baldi et celle de Gobet.
Mthode de Baldi On procde comme suit :
l'tape i + 1, on vrie que le sous-jacent n'est pas hors-barrires en ti+1 (dans le cas contraire l'option est tue) ; on compare p calcule l'tape i + 1 un tirage alatoire d'une loi uniforme. Ceci dcide si le sous-jacent est pass hors-barrire dans l'intervalle [ti , ti+1 ] ou pas.
Mthode de Gobet Dans cette approche, on procde comme suit :
on vrie que le sous-jacent n'est pas hors-barrires en chaque point ti (sinon l'option est tue) ; dans l'hypothse o le spot est rest l'intrieur des barrires entre 0 et T , le prix de l'option au nal est donn par :
N
PCall .
i=1
(1 p ) i
On constate que la mthode de Baldi prsente plus d'occurrences pour lesquelles l'option est tue que pour celle de Gobet. Nanmoins, le prix de l'option pour la mthode de Gobet est plus faible puisque pondr par le produit de termes de type (1 pi ). Le lien est cependant clair, si on constate que la probabilit d'une loi uniforme [0, 1] d'tre au-del de p est (1 p). Le problme fondamental pour le calcul du prix de l'option barrire consistera donc, compte tenu de ces deux mthodes, en la dtermination de cette probabilit p. La partie suivante va s'attacher, par la mthode des grandes dviations, donner explicitement une approximation de la probabilit p en question.
Approximation On supposera que ti = 0. Le processus Xt = log St est de fait un pont brownien,

conditionn selon :
{X0 = x et X = y} s s (y x) + Bs B
En terme de loi, il est identique au processus suivant :
Ys0 = x +
0s
xx
Par changement homothtique de temps, il vient : 0 Yt = x + t (y x) + (Bt tB1 )
0t1
Une telle criture permet de voir Y comme un processus de diusion - noter cependant que le coecient de diusion est pondr par un petit paramtre ; galement et par ailleurs, Y est solution de l'quation direntielle stochastique suivante : Yy dY (t) = dt + dBt 1t Y (0) = x et ce, pour t < 1. La probabilit p que log(St ) dpasse l'une des barrires Lt ou Ut , conditionnellement log(Sti ) = x et log(Sti+1 ) = y pendant l'intervalle de temps [0, ] est gale la probabilit que Y dpasse les barrires pondres Lt ou Ut . Ce cadre d'tude est celui des grandes dviations ; cette thorie donne l'expression de cette probabilit selon :
I o I dsigne l'inmum de la fonctionnelle suivante : log p J : Cx,y

o Cx,y est donn par :
R
1
1 |s |2 ds |1 0 |2 2
Cx,y = {s | 0 = x et 1 = y} {s | s, L(ti ) s U (ti )}

La recherche de l'inmum de cette fonctionnelle J relve d'un calcul variationnel classique et fournit, in ne : 0 si y > U (ti ) ou y < L(ti ) K [U (ti )] si x + y < L(ti ) + U (ti ) I= K [L(ti )] si x + y > L(ti ) + U (ti ) avec : 2 K(z) = 2 (x z)(y z) En revenant la probabilit qui nous intresse, lorsque 0, il vient :
p = f () . eI/
L'tude de la fonction f ainsi dnie relve, quant elle, de la thorie des grandes variations prcises ; ce calcul, assez technique a t eectu rcemment, notamment par Baldi (1995). Finalement :
f () e
avec :
2/ 2 . (U (ti ) x) U (ti ) 2/ 2 . (x L(ti )) L (ti )
si x + y > L(ti ) + U (ti ) si x + y < L(ti ) + U (ti )
En conclusion, la procdure itrative s'eectuera, une fois les valeurs extrmes x = log Sti et y = log Sti+1 connues, selon :
p =
1 e
I/
si y > U (ti ) ou y < L(ti ) si L(ti ) < y < U (ti )
La probabilit que la diusion ait touch les barrires est alors p .
xxi
E.3.2 Les amnagements ncessaires pour la mthode

La mthodologie applique dans le cas prcdent a bien fonctionn car on a pu exprimer la drive du payo en fonction de la drive au sens de Malliavin du processus sous-jacent (Ce qui ncessitait l'inversion de cette drive). Ensuite en utilisant la formule d'intgration par partie, on obtenait bien un poids indpendant du payo. Ici le problme est double : d'une part les expressions des drives au sens de Malliavin des processus maximum et minimum d'une diusion gnrale ne sont pas explicites et on doit donc se ramener des browniens classiques, ventuellement avec drift, pour obtenir des drives au sens de Mallaivin utilisables. d'autre part, Ces drives au sens de Malliavin ne sont pas inversibles directement, il faut donc utiliser une procdure de localisation faisant intervenir un processus dit dominant pour pouvoir conclure. Nous traitons respectivement ces dicults dans les deux parties suivantes.
E.3.3 Passage de la diusion un brownien avec drift

Pour se ramener un brownien avec drift partir de notre diusion, on eectue le changement de variable classique :
log(Xt ) 1 2 X= = log(x) + (r )t + Wt 2
Pour un processus U quelconque tel que pour tout t Ut D1,2 , les variables alatoires maxst (Us ) et minst (Us ) appartiennent galement D1,2 . La proposition suivante explicite ce rsultat quand U est un brownien classique avec ou sans drift.
Proposition 20 (Drive au sens de Malliavin d'un extremum) Soit V un mouvement browt nien standard et considrons Vtf = Vt + 0 f (s)ds, o f est une fonction dterministe. Alors, les f variables alatoires dnies par maxst (Vs ) et minst (Vsf ) appartient D1, et leurs drives de Malliavin au premier ordre sont donnes par : pour t [0, T ]
Dt (maxst (Vsf )) = 1t M Dt (minst (Vsf )) = 1t m
o tauM et taum sont les temps alatoires p.s dnis uniquement sur [0,T] par VfM = maxst (Vs ) et Vfm = minst (Vs )
Comme les processus alatoires 1t M et 1t m paraissent dicilement inversibles, une intgration par partie classique n'est pas tout de suite applicable pour exprimer la drive du payo ne fonction de celle-ci. Nanmoins grce une procdure de localisation utilisant des processus dominants nous arriverons nous servir de la formule d'intgration par partie.
Thorme 11 Supposons les hypothses (S) et (H) vries alors : i) Si le processus K vrie R(1), alors
= ert EP (f (MT , mT , XT )H1
o H1 =
R T Y.
0
(Yt )dt
ii)Si K vrie la condition R(2), alors

= ert EP (f (MT , mT , XT )H2
o H2 =
H R T 1 Y.
0
(Yt )dt
xxii
E.3.4 Deux exemples de processus dominants

On se contente d'exhiber deux processus dominants, et nous soulignons dans quel mesure ils vrient les hypothses du thorme prcdent. Pour une preuve des vrications, le lecteur pourra se rfrer l'artice de E. Gobet et A. Kohatsu-Higa [GKH01]. Le plus simple est probablement le processus des extrema suivant :
Kt = max[s t](Xs x) min(Xs )

De faon immdiate, ce processus est croissant adapt et continu. Ils vrient galement les hypothses (H) et (R(1)). On peut donc calculer le delta l'aide de ce processus. Sa drive au sens de Malliavin rsulte immdiatement de la proposition sur les extrema et vaut donc :
Ds Kt = (1)
Cependant, il ne satisfait pas la condition (R(2)) par manque de rgularit. Il faut donc un candidat plus rgulier pour pouvoir calculer le gamma. On peut galement considrer le processus suivant. Pour un entier pair not , on dnit :
t t 0
Kt = 8 4
0
|Xs Xu | dsdu |s u|m+2
1/
m + 2 m/ t m
t t |Xs Xu | dsdu 0 0 |su|m+2
O 0 < m <
2, pour assurer la condition d'existence du processus, E =
<
Ce processus est clairement croissant, adapt et continu. De plus comme il vrie la condition (R(2)), il permet le calcul du gamma.
Annexe F
Rsultats numriques dans le cas multi dimensionnel

On reprend ici le calcul des sensibilits prsentes dans le chapitre 3 dans le cas d'une option WorstOf sur trois sous-jacents. Nous commenons par dcrire une nouvelle grecque appele Kappa.
F.1 Calcul du Kappa

Proposition 21 La drive de l'option par rapport au facteur de Cholesky U est donne par
vec()
avec :
=E
i=1
1 (Wti Wti1 )(Wti Wti1 ) ti ti1
In (U 1 ) (St1 , . . . , Stm )
la corrlation . En fait, on ne calcule pas d'emble cette grecque mais d'abord la drive par rapport au facteur de Cholesky (le Kappa s'en dduira par composition). Pour cela, on remplace dans l'EDS 3.1 le facteur de Cholesky U par U Q et on drive en = 0. On a donc ici Lt := ( Q)Zt . On introduit le processus
m
Preuve. Le Kappa est une cration originale du GRO1 pour dsigner la drive par rapport
v(t) := U 1 Q
i=1
Zti Zti1 1t]ti1 ,ti ] . ti ti1
Le calcul de (v) est identique celui men pour le Vega. On obtiens alors, grce la proposition 10, pour la drive au point Q
m
(Q) = E
i=1
(Wti Wti1 ) (QU 1 ) 1 (Wti Wti1 ) T r(U 1 Q) (St1 , . . . , Stm ) . ti ti1
Ensuite on fait successivement Q := ei,j de sorte qu'on a pour la direntielle

m
=E
i=1
1 (Wti Wti1 )(Wti Wti1 ) ti ti1
In (U 1 ) (St1 , . . . , Stm ) .
1 Groupe de Recherche Oprationnelle du Crdit Lyonnais.
xxiii
xxiv
ANNEXE F. RSULTATS NUMRIQUES DANS LE CAS MULTI DIMENSIONNEL
F.2 Rsultats numriques

Nous avons pris un strike nul pour nos simulations ainsi qu'une maturit de 6 mois. Les sousjacents ont un nominal de 100 et possdent les mmes caractristiques. Le taux d'intrt sans risque a t x 5%. Nous avons ensuite voulu faire varier le nombre de simulation pour savoir dans quelles mesures pouvons-nous obtenir des estimations acceptables. prix rho theta delta vega gamma kappa 88.745787 -41.512669 11.679774 0.70539543 0.68015183 1.2191756 -15.549425 -11.881378 -19.760958 -0.062458129 0.035038655 0.065692319 -46.846930 4.7001096 5.8035657
0.035038655 -0.19704092 0.056064220 4.7001096 -46.565782 4.8107180
0.065692319 0.056064220 -0.14157468 5.8035657 4.8107180 -47.237705
Tab.
F.1 Calcul des sensibilits d'une option WorstOf. N = 50 000 simulations prix rho theta delta vega gamma kappa 88.687614 -41.640652 12.421383 0.63516572 0.69441443 1.1609069 -16.351514 -12.514187 -20.448232 -0.065570007 0.048737600 0.059818835 -46.977310 4.9286764 5.6493275
0.048737600 -0.21138252 0.068270630 4.9286764 -46.648567 4.9608910
0.059818835 0.068270630 -0.14606990 5.6493275 4.9608910 -47.325987
Tab.
F.2 Calcul des sensibilits d'une option WorstOf. N = 100 000 simulations
F.2. RSULTATS NUMRIQUES
xxv
prix rho theta delta vega gamma kappa
88.733494 -41.622211 12.631238 0.65619997 0.65138106 1.1985430 -18.777724 -12.317791 -19.275074 -0.074730688 0.042719027 0.069700847 -47.303782 4.8291974 5.9064229
0.042719027 -0.20879593 0.079062830 4.8291974 -46.666135 5.0981705
0.069700847 0.079062830 -0.14044667 5.9064229 5.0981705 -47.221137
Tab.
F.3 Calcul des sensibilits d'une option WorstOf. N = 500 000 simulations
Remarque 10 Comme on le voit sur cet exemple trs simple, la convergence du calcul des grecques
demeurent assez lente ; il est donc conseill d'utiliser au moins 500 000 trajectoires pour avoir des estimations acceptables (notamment pour le Gamma).
xxvi
ANNEXE F. RSULTATS NUMRIQUES DANS LE CAS MULTI DIMENSIONNEL
Annexe G
Sensibilits d'options amricaines

G.1 Les sensibilits
Nous exposons rapidement les rsultats relatifs aux calcul de la grecque la plus simple : le delta. Le cas du gamma est trait en annexe ainsi que l'extension de ces rsultats aux multi dimensionnels. La forme sous laquelle est obtenue le delta permet de calculer le delta sur les mmes trajectoires que le prix. Dans la prsentation des rsultats, nous utiliserons frquemment les deux notations suivantes :
H(T, S, f )(.) :=
(S[f ](.)T [1R ](.) T [f ](.)S[1R ](.) , T 2 [1R ](.)
(G.1)
o S et T dsigneront deux oprateurs agissant sur les fonctions de Eb (R) et f une fonction de Eb (R).
wkt := {P kt () < ()}

o P kt () a t dnie prcdemment.
(G.2)
Le Calcul du Delta
Le Delta d'une option indique la variation de la valeur de la position par rapport de faibles uctuations du cours du sous-jacent. En d'autres termes, le Delta de l'option ( not (0, x0 )) sera dni comme :
(0, x0 ) =
a P (0, x0 ). x0
(G.3)
On notera (0, x0 ) l'approximation de (0, x0 )
Lemme 4 Pour tout 0 < t < 1 et tout R,

() = (0, x0 ) = ()1{wt} + exp(rt) Ex0 () c E P 2t (X2t )|Xt = 1wt
(G.4) (G.5)
Cependant cette formule pour le Delta n'est pas exploitable numriquement car elle ncessite le calcul d'une esprance conditionnelle. L'criture sous une forme exploitable numriquement se fait par l'intermdiaire du calcul de Malliavin.
Lemme 5 Pour tout (s, t) [0, T ]2 avec s t, tout R et toute fonction f Eb (R), +
E f (Xt )|Xs = = H(Rs,t , Ts,t , f )(),
xxvii (G.6)
xxviii
ANNEXE G. SENSIBILITS D'OPTIONS AMRICAINES
avec Ts,t dni comme prcdemment et

Rs,t [f ]() 1 H(Xs ) H(Xs ) E f (Xt ) (Ws,t )2 E f (Xt ) (Ws,t ) + 2 2 s(t s) Xs Xs t H(Xs ) + E f (Xt ) (G.7) 2 Xs := tWs sWt + s(t s). (G.8) :=
Ws,t
Lemme 6 Pour tout (s, t) [0, T ]2 avec s t, tout R et toute fonction f Eb (R), +
loc loc E f (Xt )|Xs = = H Rs,t , Ts,t , f ()
loc avec Ts,t dni comme prcdemment et loc Rs,t
(G.9)
:= +
1 F (Xs ) H(Xs ) E f (Xt 2 s(t s) Xs f (Xs ) E f (Xt Ws,t . Xs
(Ws,t )2 + s(t s) st(t s)
+
(G.10)
En couplant les lemmes 4 et 5, on tablit le lemme suivant :
Lemme 7 (Calcul du Delta) Pour tout 0 < t < 1 et tout R,

() (0, x0 ) =
c ()1{wt} + exp(rt)H Rt,2t , Tt,2t , P 2t ()1wt ,
= Ex0 (Xt ) .
(G.11)
Comme le Delta est lui-mme une fonction du cours du support, les teneurs de march utilisent donc un autre indicateur qui les renseigne sur la variation du Delta par rapport au prix du sousjacent. Cet indicateur s'appelle le Gamma.
Le Calcul du Gamma
Le Gamma mesure la convexit de la courbe reprsentative de la valeur de la position globale par rapport au prix de l'action. Il renseigne le teneur de march sur l'volution du Delta de sa position en fonction de la variation du prix de l'action. Il se trouve dni comme :
(0, x0 ) =
2 a P (0, x0 ) x2 0
On notera alors (0, x0 ) l'approximation de (0, x0 ). An d'approcher numriquement le Gamma, nous ritrons le raisonnement eectu prcdemment permettant le calcul du Delta. On montre alors le lemme suivant :
Lemme 8 (Calcul du Gamma) Pour tout 0 < t < 1 et tout R,

() = (0, x0 ) = ()1{wt } + exp(rt)Kt,2t [P 2t ]()1{wt} , Ex0 (Xt ) ,
(G.12) (G.13)
o K dni comme : pour tout (s, t) [0, T ]2 avec s t, tout R et pour toute fonction + f Eb (R),
Ks,t [f ]() := +
2 Us,t [f ]Ts,t [1R Us,t [f ]Ts,t [f ]Ts,t [1R ] 2 2Rs,t [1R Ts,t [f ]] () {Ts,t [1R ]()}3 ,
G.2. PRICING ET HEDGING D'UNE OPTION AMRICAINE : CAS MULTI-DIMENSIONNELxxix
et o les oprateurs T et R ont t prcdemment dnis et U est dni comme :

Us,t [f ]() := + 1 H(Xs ) (Ws,t )3 E f (Xt + 3(Ws,t )2 3 s(t s) Xs s(t s) 3t (2s(t s) )Ws,t 3st(t s) .
(G.14)
G.2 Pricing et Hedging d'une option amricaine : cas multidimensionnel

G.2.1 Introduction et notations
Nous allons considrer d sous-jacents rgis par la dynamique suivante :
dXt Xt
(i)
(i)
= (r qi )dt +
j=1
i,j dWt ,
(j)
o W = (W (1) , . . . , W (d) ) dsigne un mouvement bronien sur notre espace, r le taux d'actualisation, qi le dividende de l'actif X (i) et (i,j )1i,jd dsigne la matrice de diusion. Comme pour la partie prcdente, le prix de l'option amricaine est dni comme :
P a (0, x0 ) = ess sup E(exp(r )(X ))

I0,T
G.2.2 Le calcul du Delta

Cette section n'est consacre qu' l'numration des formules des du Delta d'une esprance conditionnelle. An de calculer les sensibilits des options amricaines, il sura de ritrer le raisonnement eectu dans le cas scalaire. An de simplier la prsentation des lemmes donns ci-dessous, nous allons poser :
As,t
(i), Cs
(i)
:= := :=
1 Xs
(i)
Ws,t H(Xs,t i ) (i) (i) + 1 et Bs,t := Ws,t (i) ii s(t s) Xs,t

(i) (i)
(i)
(i)
H(Xs,t i ) ii [Xs,t ]
et
(i) Ds,t
:=
1 ii s(t s)[Xs,t ]2
(i)
[Ws,t ]2 3t (i) + 3Ws,t + (2ii s(t s) ) ii s(t s) ii
(i)
H(T, S, f )(.)
S[f ](.)T [1Rd ](.) T [f ](.)S[1Rd ](.) , T 2 [1Rd ](.)
o S et T dsigneront deux oprateurs agissant sur les fonctions de Eb (Rd ) et f une fonction de Eb (Rd ).
Lemme 9 (Delta d'une esprance conditionnelle) Pour tout (s, t) [0, T ]2 avec s t, pour
toute fonction f EB (Rd ), tout Rd et tout i {1, . . . , d},
i E[f (Xt )|Xs = ] = H(Rs,t , Is,t , f )(),
(G.15)
avec
Is,t [f ]() = 1 H(Xs j ) (j) E f (Xt Ws,t (j) jj s(t s) Xs j=1 j=1
d j=1 d j=1,j=i d d (j)
(G.16)
Rs,t [f ]() = E f (Xt )As,t
(i)
Bs,t + tE f (Xt )Cs,t
(j)
(i),2
Bs,t .
(j)
(G.17)
xxx
Bibliographie
[BAL01] Bally, Introduction au calcul de Malliavin projet "MATHFI", Cermics 2001. [BEN00a] Benhamou, A Generalisation of Malliavin Weighted Scheme for Fast Computation of the Greeks London School of Economics, Working Paper Mars 2000. [BEN00b] Benhamou, Faster Greeks for Discontinuous Payo Options London School of Economics, Working Paper Mars 2000. [BT02a] Bouchard et Touzi, On the representation of conditional expectations, Preprint 2002. [FLLLT99a] Fournie, Lasry, Lebuchoux, Lions et Touzi, Applications of Malliavin Calculus to Monte-Carlo methods in Finance Finance and Stochastics, 3 pp 391-412 1999. [FLLL01b] Fournie, Lasry, Lebuchoux, et Lions, Applications of Malliavin Calculus to Monte-Carlo methods in Finance II Finance and Stochastics, 5 pp 201-236 2001. [FRI01] Friz, An Introduction to Malliavin Calculus Courant Institute of Mathematical Sciences, NYU 2001. [GKH01] Gobet et Kohatsu-Higa, Computation of Greeks for Barrier and Lookback Options using Malliavin Calculus R.I. no 464 juin 2001. [GOB00] Gobet, cours de mthodes numriques DEA Paris VI et Paris VII 2000. [GKR95] Geman, El Karoui et Rochet, Changes of numeraire, changes of probability measure and option pricing, journal of probabilities 1995. [JOU01] Jouini, Evaluation d'actifs nanciers et arbitrage, ENSAE 2001. [KAR00] El Karoui, cours de l'X de mathmatiques nancires 2000. [KAR00] El Karoui, Cours de mathmatiques nancires D.E.A Paris VI 2000. [LL00] Lamberton et Lapeyre, Introduction au calcul stochastique appliqu la nance, Economica, 2000. [LR01] Lions et Regnier, Calcul du prix et des sensibilits d'une option amricaine par une mthode de Monte Carlo preprint 2001. [OKS97] ksendal, An Introduction to Malliavin Calculus with Applications to Economics, Oslo University, 1997. [NUA95] Nualart, The Malliavin Calculus and related Topics Springer Verlag 1995. [REG00] Regnier, Interprtations probabilistes des E.D.P. linaires paraboliques et applications la nance, DEA de probabilits et nance Paris VI 2000-2001. [RY94] Revuz et Yor, Stochastic dierential equation, 1994. [TL98] Temam et Lapeyre, On the valuation of Asiatic options using Monte Carlo methods, 1998.
xxxi

Le Calcul de Malliavin Applique A La Finance 04062002

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Le Calcul de Malliavin Applique A La Finance 04062002

Titre original :

Transféré par

Droits d'auteur :

Formats disponibles

Le Calcul de Malliavin Appliqu la Finance

Frdric Cosmao, Frdric Dupuy et Antoine Guillon

Table des matires

2 Calcul des sensibilits et applications aux options exotiques

3 Extension au cas des options multi sous-jacents

4 Valorisation et sensibilits d'une option amricaine

TABLE DES MATIRES

A Complments sur le Calcul de Malliavin

E Quelques options exotiques

F Rsultats numriques dans le cas multi dimensionnel

G Sensibilits d'options amricaines

xxvii xxix xxix xxix

Introduction au calcul de Malliavin

1.1 Dnition des oprateurs de Malliavin

1.1.1 Dnition sur des espaces simples

CHAPITRE 1. INTRODUCTION AU CALCUL DE MALLIAVIN

Dnition 1 (L'ensemble des fonctionnelles simples) Soit :

Dnition 2 (L'ensemble des processus simples) Soit :

1[tn ,tn [ (t)Fi (); (t, w) [0, 1] et Fk Sn . i i+1

Dnition 3 (L'oprateur de drivation au sens de Malliavin) Soit F S , alors n N

Exemple : on calcule la drive au sens de Malliavin de W1 . Notons que W1 = 1 donc Ds W1 = 1

1[tn ,tn [ (t)Fi () et Fi = fi (n ) i i+1

1.1. DFINITION DES OPRATEURS DE MALLIAVIN

Si on dnit les processus prvisibles par :

1.1.2 Extension des oprateurs

On pose alors pour F D1,2 ,

On dnit alors pour un tel u

Remarque 2 On aurait pu caractriser l'espace D1,2 autrement. En eet, si on dnit sur S la

est la fermeture de S pour cette norme.

CHAPITRE 1. INTRODUCTION AU CALCUL DE MALLIAVIN

1.2.1 Formule d'intgration par parties

Ds F.us ds) = E(F.(u))

On a donc la relation d'adjonction suivante

Lemme 1 soit une v.a.r. de loi N (o, 2 ), alors pour , g C 1 (R), on a

x2 x 1 exp( 2 )dx g(x) 2 2 2 2

Preuve de la proposition 2. On se donne F Sn , u Pn et on utilise la dnition de Ds F :

f 1 (n )fk (n ) n soit en utilisant le lemme xk 2 n fk (n ) k fk (n ) 2n

1.2.2 Formules de calcul et de commutation

Proposition 3 (Formule de drivation en chane) F1 , . . . , Fd D1,2 , C 1 (Rd ) on a

ainsi que la formule de drivation (dite de drivation en chane) :

Proposition 4 Pour (ut ) adapt, on a :

CHAPITRE 1. INTRODUCTION AU CALCUL DE MALLIAVIN

1.3 Un exemple fondamental : le processus des variations premires

dXt = b(t, Xt )dt + (t, Xt )dWt et X(0) = x,

{Yt } est le processus des variations premires associ au processus {Xt } : Yt =

X(t) D1,2 Ds X(t) = Y (t)Y (s)1 (s, Xs )1{st}

Preuve. Nous dmontrons ici la deuxime assertion de la proprit prcdente.

2 (u, Xu )Ds Xu dWu

4 ce qui assure l'existence du processus.

1.4. EXTENSION AU CAS MULTI-DIMENSIONNEL

Notons Zt = Ds Xt ; le processus {Zt } vrie l'quation direntielle stochastique suivante :

dZt = b2 (t, Xt )dt + 2 (t, Xt )dWt Zt

Ds X(t) = Y (t)Y (s)1 (s, Xs )1{st} .

1.4 Extension au cas multi-dimensionnel

< DF, DG >=

i i Ds F.Ds Gds. k i=1

Remarque 5 Quand la variable alatoire F est de dimension m, la drive au sens de Malliavin

E(F i (ui )) = E(F (u))

Enn on introduit la matrice de covariance de Malliavin.

CHAPITRE 1. INTRODUCTION AU CALCUL DE MALLIAVIN

Dnition 7 (matrice de covariance de Malliavin) Soit F = (F1 , F2 , . . . , Fn ) avec Fi D1,2 ,

Exemple : on considre des diusions sans drift F i = ci +

1.1 Dnition des oprateurs de Malliavin

1.1.1 Dnition sur des espaces simples

Dnition 1 (L'ensemble des fonctionnelles simples) Soit :

Dnition 2 (L'ensemble des processus simples) Soit :

Dnition 3 (L'oprateur de drivation au sens de Malliavin) Soit F S , alors n N

Si on dnit les processus prvisibles par :

On dnit alors pour un tel u

Remarque 2 On aurait pu caractriser l'espace D1,2 autrement. En eet, si on dnit sur S la

Preuve de la proposition 2. On se donne F Sn , u Pn et on utilise la dnition de Ds F :

Notons Zt = Ds Xt ; le processus {Zt } vrie l'quation direntielle stochastique suivante :

Enn on introduit la matrice de covariance de Malliavin.

Dnition 7 (matrice de covariance de Malliavin) Soit F = (F1 , F2 , . . . , Fn ) avec Fi D1,2 ,

Exemple : on considre des diusions sans drift F i = ci +

Permutation des oprateurs Esprance et Direntiation

Comme par ailleurs, par dnition, on a :

Et nalement on obtient comme expression du poids de Malliavin pour le gamma :

2.2.1 La mthode des dirences nies

3.1 Calculs thoriques des coecients de sensibilits