Académique Documents
Professionnel Documents
Culture Documents
- 2012 - voie E
pour Scilab)
Correction proposée par G. Dupont.
Notations et définitions
— Les variables aléatoires qui interviennent dans ce problème sont toutes définies sur un même espace probabilisé
(Ω, A, P) .
— On note Φ la fonction de répartition de la loi normale centrée réduite.
— On note respectivement E [X] et V (X) l’espérance et la variance d’une variable aléatoire X, lorsque celles-ci existent.
— Soit m un réel et σ un réel strictement positif. On dit qu’une variable aléatoire X suit la loi log-normale de paramètres
(m, σ 2 ) si X est à valeurs strictement positives et si ln(X) suit la loi normale de paramètres (m, σ 2 ). On écrit alors
X LN (m, σ 2 ).
iii. Montrer qu’il existe un entier naturel n2 tel que, pour tout n ≥ n2 :
Fn (y + η) ≤ Φ(y + η) + et Fn (y − η) ≥ Φ(y − η) − .
2 2
x − nan
iv. Montrer que Gn (x) = Fn √ , et en déduire que, pour n assez grand, on a :
nbn
2
!
x − µ + v2
Gn (x) − Φ ≤ .
v
(b) En conclure que la suite de variables aléatoires (ln(Cn ))n≥1 converge en loi vers une variable aléatoire suivant
une loi normale dont on précisera les paramètres.
v2 2
9. Démontrer que (Cn )n≥1 converge en loi vers une variable aléatoire de loi log-normale de paramètres µ − , v .
2
v2
2
v + m − ln(K) m − ln(K)
πK = exp m − r + Φ − Ke−r Φ .
2 v v
v2
(b) On suppose que m = r − , ce qui signifie que le rendement moyen de l’action et de l’actif non risqué sont
2
identiques.
Établir la formule de Black-Scholes :
r − ln(K) v r − ln(K) v
πK = Φ + − Ke−r Φ − .
v 2 v 2
13. Dans la pratique, le prix de l’option est fixé par le marché et vaut x, où x est un réel strictement positif. On pose
θ = r − ln(K), de sorte que le prix d’échéance vaut K = exp(r − θ).
On appelle alors volatilité implicite de l’action, tout réel positif v, s’il en existe, tel que :
θ v −θ θ v
x=Φ + −e Φ − .
v 2 v 2
θ v −θ θ v
On définit alors la fonction Ψ : v 7→ Φ + −e Φ − sur ]0, +∞[.
v 2 v 2
(a) Montrer que Ψ est de classe C 1 sur ]0, +∞[ et que pour tout v > 0,
2 !
0 1 1 θ v
Ψ (v) = √ exp − + .
2π 2 v 2
Partie I
1. Les deux paramètres d’une loi normale sont respectivement son espérance et sa variance. Puisque aU + b suit
une loi normale, il suffit de calculer son espérance et sa variance pour obtenir ses paramètres. Or on a
E [aU + b] = aE [U ] + b = am + b
et
V (aU + b) = a2 V (U ) = (aσ)2 .
Ainsi,
aU + b N (am + b, (aσ)2 ).
2. Soit X LN (0, σ 2 ).
(a) X est à valeurs strictement positives donc FX (x) = 0 si x ≤ 0. Soit alors x > 0, on a
FX (x) = P (X ≤ x)
= P (ln(X) ≤ ln(x))
ln(X) ln(x)
=P ≤
σ σ
ln(x)
= FN ,
σ
ln(X)
où N = N (0, 1). Ainsi,
σ
ln(x)
∀x > 0, FX (x) = Φ .
σ
Puisque FX est constante sur R− , elle y est C 1 . Et puisque Φ est C 1 sur R, FX est C 1 sur R∗+ . Il s’ensuit
que FX est C 1 sur R∗ . Par ailleurs,
ln(x)
lim+ FX (x) = lim+ Φ = lim Φ(y) = 0 = lim− FX (x).
x:0 x:0 σ y:−∞ x:0
Ainsi, FX est continue sur R. Il s’agit ainsi de la fonction de répartition d’une variable aléatoire à densité.
0
Une densité fX satisfait fX (x) = FX (x) en tout point x ∈ R∗ . Or, pour x > 0, on a
0 1 0 ln(x) 1 ln(x)
FX (x) = Φ = ϕ .
σx σ σx σ
u2
1
xfX (x) = √ exp − 2 −−−−−→ 0.
σ 2π 2σ u→−∞
Ainsi, fX est prolongeable par continuité en 0 et donc son intégrale converge absolument sur [0, 1].
On a en outre
(ln(x))2
2 2 1
x × xfX (x) = x √ exp −
σ 2π 2σ 2
(ln(x))2
1
= √ exp(2 ln x) × exp −
σ 2π 2σ 2
2
1 (ln(x))
= √ exp 2 ln x −
σ 2π 2σ 2
1 ln(x)
= √ exp ln(x) 2 − .
σ 2π 2σ 2
Or
ln(x)
ln(x) 2 − −−−−−→ −∞
2σ 2 x→+∞
donc
x2 × xfX (x) −−−−−→ 0
x→+∞
et donc
1
xfX (x) = o .
x2
Z +∞
Il suit alors du théorème de comparaison que xfX (x) dx converge et donc
0
On a alors
Z +∞
E [X] = xfX (x) dx
−∞
+∞
(ln(x))2
Z
1
= √ exp − dx
σ 2π 0 2σ 2
Z +∞
y2
1
= √ exp − 2 ey dy
y=ln(x) σ 2π −∞ 2σ
Z +∞ 2
1 1 y
= √ exp − − 2y dy.
σ 2π −∞ 2 σ2
+∞
1 y2
Z
1
E [X] = √ exp − − 2y dy.
σ 2π −∞ 2 σ2
Ainsi,
2
E [X] = eσ /2
.
(c) Variance.
i. Soit α ∈ R∗ . On a
ln(X α ) = α ln(X) N (0, (ασ)2 ).
Ainsi,
Xα LN (0, (ασ)2 ).
ii. Il suit de la question précédente que X 2 suit une loi LN (0, 4σ 2 ) et donc, en vertu de 2.b, X 2 admet
une espérance et
2 2
E X 2 = e(4σ )/2 = e2σ .
Ainsi,
2 2
V (X) = eσ (eσ − 1).
µX LN (m + ln(µ), σ 2 ).
E [X] = E em (e−m X)
= em E e−m X
2
= em eσ /2
2.b
σ2
= em+ 2 .
De même,
V (X) = V em (e−m X)
= e2m V e−m X
2 2
= e2m (eσ (eσ − 1))
2.c
2 2
= e2m+σ (eσ − 1)).
En conclusion,
σ2 2
2
E [X] = em+ 2 et V (X) = e2m+σ eσ − 1 .
Partie II
4. Simulation de la variable aléatoire Cn .
(a) grand(1,1,’uin’,0,1) simule une loi uniforme sur {0, 1}, elle prend donc les valeurs 0 et 1 avec les mêmes
probabilités. Si on multiplie par deux et que l’on retranche 1, on obtient les valeurs −1 et 1 avec la même
probabilité.
Autrement dit,
E [Yk ] = 0 et V (Yk ) = 1.
Pour i = 1, on a
µ v µ v
S1,n = S0,n × 1 + + √ Y1 = 1 + + √ Y1
n n n n
car S0,n = 1. La propriété est donc vérifiée pour i = 1.
Supposons que l’égalité soit vraie pour i ∈ J1, n − 1K et montrons qu’elle est vraie pour i + 1. On a
µ v
Si+1,n = Si,n × 1 + + √ Yi+1
n n
" i #
Y µ v µ v
= 1 + + √ Yk × 1 + + √ Yi+1
n n n n
k=1
i+1
Y
µ v
= 1 + + √ Yk ,
n n
k=1
n
Y µ v
Cn = Sn,n = 1 + + √ Yk .
n n
k=1
ii. On a
" n #
Yµ v
E [Cn ] = E 1 + + √ Yk
n n
k=1
n
Y µ v
= E 1 + + √ Yk ( par indépendance des Yk )
n n
k=1
n
Y µ
= 1+
(5.a) n
k=1
µ n
= 1+ .
n
Ainsi,
µ n
E [Cn ] = 1 + .
n
Par ailleurs,
" n 2 #
2 Y µ v
E Cn = E 1 + + √ Yk
n n
k=1
n
" 2 #
Y µ v
= E 1 + + √ Yk
n n
k=1
n
v2
Y µ 2 µ v
= E 1+ +2 1+ √ Yk + Yk2
n n n n
k=1
n
µ 2 v 2
Y
( car E [Yk ] = 0 et E Yk2 = 1)
= 1+ +
n n
k=1
Ainsi,
n
µ 2 v 2
2
µ 2n
V (Cn ) = E Cn2 − E [Cn ] =
1+ + − 1+ .
n n n
(c) On a, pour n ∈ N∗ ,
µ n
E [Cn ] = 1 +
n µ
= exp n ln 1 +
n
= exp(µ + o(1))
−−−−−→ eµ .
n→+∞
Ainsi,
E [Cn ] −−−−−→ eµ .
n→+∞
Par ailleurs,
n
µ 2 v 2 2µ + v 2 µ2
1+ + = exp n ln 1 + + 2
n n n n
= exp(2µ + v 2 + o(1))
2
−−−−−→ e2µ+v
n→+∞
et
µ 2n µ
1+ = exp 2n ln 1 +
n n
= exp(2µ + o(1))
−−−−−→ e2µ .
n→+∞
Ainsi,
2 2
V (Cn ) −−−−−→ e2µ+v − e2µ = e2µ (ev − 1).
n→+∞
Si on pose
v2
σ=v et m = µ − ,
2
et 2 2 2
V (X) = e2m+σ (eσ − 1) = e2µ (ev − 1) = lim V (Cn ) .
n→+∞
(b) On a
" n #
µ
Y v
ln(Cn ) = ln 1 + + √ Yk
n n
k=1
n
X µ v
= ln 1 + + √ Yk
n n
k=1
Xn
= an + bn Yk
(6.b)
k=1
n
X
= nan + bn Yk .
k=1
Ainsi,
n
X
ln(Cn ) = nan + bn Yk .
k=1
(c) Les (Yi )i≥1 sont des variables aléatoires indépendantes de même loi admettant toute une espérance (nulle
d’après 5.a) et une variance (égale à 1 toujours d’après 5.a). Ainsi, il suit du théorème de la limite centrée
(TCL) que
Xn
Yi − n × 0
i=1 L
√ −−−−−→ N (0, 1).
n×1 n→+∞
Autrement dit,
n
1 X L
√ Yi −−−−−→ N (0, 1).
n i=1 n→+∞
u2
ln(1 + u) = u − + o(u2 ).
2
Ainsi,
v2
2
ln(1 + vx + µx ) = vx + µ − x2 + o(x2 ).
2
Ainsi,
v2
2
ln(1 − vx + µx ) = −vx + µ − x2 + o(x2 ).
2
1
(c) Si on pose x = √ −−−−−→ 0, on a
n n→+∞
n µ v µ v
nan = ln 1 + + √ + ln 1 + − √
2 n n n n
1
= 2 ln 1 + vx + µx2 + ln 1 − vx + µx2
2x
v2 v2
1 2 2 2
= vx + µ − x − vx + µ − x + o(x )
(7.b) 2x2 2 2
2
1 v
= 2 2 µ− x2 + o(x2 )
2x 2
v2
= µ− + o(1)
2
v2
−−−−−→ µ − .
n→+∞ 2
Ainsi,
v2
nan −−−−−→ µ − .
n→+∞ 2
De la même manière,
√
√
n µ v µ v
nbn = ln 1 + + √ − ln 1 + − √
2 n n n n
Ainsi,
√
nbn −−−−−→ v.
n→+∞
v v
Il s’ensuit que bn ∼ √ et donc, pour n suffisamment grand bn est du même signe que √ qui est
n→+∞ n n
strictement positif.
1
8. On note Fn la fonction de répartition de √ (Y1 + · · · + Yn ) et Gn la fonction de répartition de ln(Cn ).
n
2
x − µ + v2
Soit x un réel. On pose y = .
v
(a) Soit un réel strictement positif.
i. Φ est la fonction de répartition d’une variable aléatoire de loi N (0, 1), elle est ainsi continue sur R et
donc en y. En particulier, > 0 étant fixé, il existe η > 0 tel que, pour tout t ∈ R,
|t − y| ≤ η ⇒ |Φ(t) − Φ(y)| ≤ .
2
En particulier, pour t = y − η, on obtient
|Φ(y − η) − Φ(y)| ≤
2
et pour t = y + η, on obtient
|Φ(y + η) − Φ(y)| ≤ .
2
Φ étant une fonction de répartition, elle est croissante et donc
Ainsi,
|Φ(y + η) − Φ(y)| ≤ ⇔ Φ(y + η) − Φ(y)| ≤
2 2
⇔ Φ(y + η) ≤ Φ(y) +
2
et
|Φ(y − η) − Φ(y)| ≤ ⇔ Φ(y) − Φ(y − η) ≤
2 2
⇔ Φ(y) − ≤ Φ(y − η).
2
En conclusion,
Φ(y) − ≤ Φ(y − η) ≤ Φ(y + η) ≤ Φ(y) + .
2 2
Ainsi,
x − nan x − µ + v 2 /2
√ −−−−−→ = y.
nbn n→+∞ v
Puisque η > 0, il suit de la définition de la convergence d’une suite qu’il existe n1 ∈ N tel que, pour
tout n ∈ N,
x − nan
n ≥ n1 ⇒ y−η ≤ √ ≤ y + η.
nbn
n
1 X L
iii. D’après 6.c, √ Yi −−−−−→ N (0, 1) et Φ est continue sur R donc, pour tout t ∈ R, on a
n i=1 n→+∞
En particulier,
Fn (y − η) −−−−−→ Φ(y − η) et Fn (y + η) −−−−−→ Φ(y + η).
n→+∞ n→+∞
Par définition de la convergence de ces deux suites, il existe n2 ∈ N tel que, pour tout n ∈ N,
Fn (y − η) ≥ Φ(y − η) − 2
n ≥ n2 ⇒
Fn (y + η) ≤ Φ(y + η) +
2
Gn (x) = P (ln(Cn ) ≤ x)
n
!
X
= P nan + bn Yk ≤ x
(6.b)
k=1
n
!
X x − nan
= P Yk ≤
(7.c) bn
k=1
n
!
1 X x − nan
=P √ Yk ≤ √
n nbn
k=1
x − nan
= Fn √ .
nbn
Ainsi,
x − nan
∀x ∈ R, Gn (x) = Fn √ .
nbn
Fn (y − η) ≤ Gn (x) ≤ Fn (y + η).
x − µ + v 2 /2
n ≥ n0 ⇒ Gn (x) − Φ ≤ .
v
x − µ + v 2 /2 x − µ + v 2 /2
Φ =P Z≤
v v
v2
= P vZ + µ − ≤x
2
= FN (x),
v2 v2
où N = vZ + µ − N µ − , v2 .
2 2
Ainsi, on peut réécrire 8.a.iv comme Gn (x) −−−−−→ FN (x). Autrement dit,
n→+∞
v2 2
L
ln(Cn ) −−−−−→ N µ− ,v .
n→+∞ 2
v2
9. Soit N N µ − , v2 et Y = eN . On a Cn (Ω) = R∗+ et, pour tout x ∈ R∗+ , on a
2
= P (N ≤ ln(x))
= P (ln(Y ) ≤ ln(x))
= P (Y ≤ x)
= FY (x).
v2 2
Ainsi, (Cn ) converge en loi vers Y et et ln(Y ) = N N µ− ,v de sorte que Y suit une loi log-normale
2
v2
LN µ − , v 2 . En conclusion,
2
v2 2
L
Cn −−−−−→ LN µ − , v .
n→+∞ 2
πK = e−r E [f (C − K)] .
Dans les questions suivantes, c’est cette valeur de πK que l’on utilise.
11. (a) f est nulle sur R− , elle y est donc continue. f est égale à l’identité sur R+ , elle y est donc continue. Enfin,
on a
lim f (x) = lim 0 = 0 = lim x = lim f (x)
x:0− x:0− x:0+ x:0+
(b) C suit une loi log-normale de paramètres (m, v 2 ) dont on note fC une densité. Alors, d’après le théorème
Z +∞
de transfert, f (C − K) admet une espérance si et seulement si l’intégrale I = |f (x − K)|fC (x) dx
−∞
converge. Or
Z +∞
I= |f (x − K)|fC (x) dx
−∞
Z +∞
= |f (x − K)|fC (x) dx ( car C(Ω) = R∗+ )
0
Z +∞
= (x − K)fC (x) dx
K
Z +∞
= (ey − K)fC (ey )ey dy.
y=ln(x) ln(K)
FC (ey ) = P (C ≤ ey ) = P (N ≤ y) = FN (y)
de sorte que
fN (y) = FN0 (y) = ey FC0 (ey ) = ey fC (ey ).
Ainsi,
Z +∞
I= (ey − K)fN (y) dy
ln(K)
+∞ 2 !
y−m
Z
1y 1
= (e − K) √ exp − dy
ln(K) v 2π 2 v
1
qui converge car l’intégrande est continue sur [ln(K), +∞[, positive et négligeable devant en +∞. Alors,
y2
il suit du théorème de transfert que f (C − K) admet une espérance et que
Z +∞
E [f (C − K)] = f (x − K)fC (x) dx
−∞
Ainsi,
+∞
(y − m)2
Z
1 y
E [f (C − K)] = √ (e − K) exp − dy.
v 2π ln(K) 2v 2
πK = e−r E [f (C − K)]
Z +∞
−r
=e (ex − K)fN (x) dx
ln(K)
Z +∞ Z +∞
= e−r ex fN (x) dx − Ke−r fN (x) dx.
ln(K) ln(K)
Or,
Z +∞
fN (x) dx = P (N ≥ ln(K))
ln(K)
= 1 − P (N ≤ ln(K))
N −m ln(K) − m
=1−P ≤
v v
ln(K) − m
=1−Φ
v
m − ln(K)
=Φ ,
v
Ainsi,
+∞ +∞ 2 !
x − (m + v)
Z Z
−r x −r+m+ v2
2 1 1
e e fN (x) dx = e √ exp −
ln(K) ln(K) v 2π 2 v
2
−r+m+ v2
=e P (N1 ≥ ln(K)) ,
où N1 N (m + v 2 , v).
Or,
et donc
+∞
m + v 2 − ln(K)
Z
2
−r x −r+m+ v2
e e fN (x) dx = e Φ .
ln(K) v
En conclusion,
m + v 2 − ln(K)
−r+m+ v2
2
−r m − ln(K)
πK = e Φ − Ke Φ .
v v
(b) On a
v2 v2
m=r− ⇒ v 2 + m − ln(K) = + r − ln(K)
2 2
v 2 + m − ln(K) v r − ln(K)
⇒ = +
v 2 v
et
m − ln(K) r − v 2 /2 − ln(K)
=
v v
r − ln(K) v
= −
v 2
et donc la formule établie en 12.a devient
r − ln(K) v r − ln(K) v
πK = Φ + − Ke−r Φ − .
v 2 v 2
13. On pose θ = r − ln(K), de sorte que le prix d’échéance vaut K = exp(r − θ).
On appelle alors volatilité implicite de l’action, tout réel positif v, s’il en existe, tel que :
θ v −θ θ v
x=Φ + −e Φ − .
v 2 v 2
θ v θ v
On définit alors la fonction Ψ : v 7→ Φ + − e−θ Φ − sur ]0, +∞[.
v 2 v 2
(a) Φ est de classe C 1 sur R comme fonction de répartition d’une variable aléatoire à densité continue et
θ v
v 7→ ± est C 1 sur R∗ de sorte que Ψ est C 1 sur R∗ et donc sur R∗+ .
v 2
En outre, pour tout v > 0, on a
0 θ 1 θ v −θ θ 1 θ v
Ψ (v) = − 2 + ϕ + −e − 2− ϕ −
v 2 v 2 v 2 v 2
mais
2 !
−θ θ v −θ 1 1 θ v
e ϕ − =e √ exp − −
v 2 2π 2 v 2
de sorte que
θ v
Ψ0 (v) = ϕ + > 0.
v 2
Ainsi,
Si θ > 0, on a
θ v θ v
+ −−−−→ +∞ et − −−−−→ +∞
v 2 v→0+ v 2 v→0+
donc
θ v θ v
Φ + −−−−→ 1 et Φ − −−−−→ 1
v 2 v→0 + v 2 v→0 +
de sorte que
Ψ(v) −−−−→
+
1 − e−θ .
v→0
Si θ < 0, on a
θ v θ v
+ −−−−→ −∞ et − −−−−→ −∞
v 2 v→0+ v 2 v→0+
donc
θ v θ v
Φ + −−−−→ 0 et Φ − −−−−→ 0
v 2 v→0 + v 2 v→0 +
de sorte que
Ψ(v) −−−−→
+
0.
v→0
Enfin, si θ = 0,
θ v θ v
+ −−−−→ 0 et − −−−−→ 0
v 2 v→0+ v 2 v→0+
donc
θ v 1 θ v 1
Φ + −−−−→ Φ(0) = et Φ − −−−−→ Φ(0) =
v 2 v→0 + 2 v 2 v→0 + 2
de sorte que
Ψ(v) −−−−→
+
Φ(0) − e0 Φ(0) = 0.
v→0
Ainsi,
0 si θ ≤ 0
lim+ Ψ(v) =
v:0 1 − e−θ si θ > 0.
et donc
lim Ψ(v) = 1.
v:+∞
v 0 +∞
1
Ψ(v)
0
et quand θ > 0,
v 0 +∞
1
Ψ(v)
1 − e−θ
(b) Pour x donné, il existe une volatilité implicite s’il existe v tel que Ψ(v) = x.
Si θ ≤ 0, Ψ induit une bijection de ]0, +∞[ vers ]0, 1[ de sorte qu’il existe une volatilité implicite quand
x ∈]0, 1[ et que celle ci est alors unique.
Dans ce cas, on a 1 − e−θ ≤ 0 de sorte que f (1 − e−θ ) = 0 et donc
Si θ > 0, Ψ induit une bijection de ]0, +∞[ vers ]1 − e−θ , 1[ de sorte qu’il existe une volatilité implicite
quand x ∈]1 − e−θ , 1[ et que celle-ci est alors unique.
Dans ce cas, on a 1 − e−θ > 0 donc f (1 − e−θ ) = 1 − e−θ et donc