Compte Rendu

TP 1

FENNENI SIRINE
GHORMA RADJAA
2023/11/17
Le modèle Vasicek, du nom de son créateur Oldrich Vasicek, est un modèle
mathématique populaire de taux courts utilisé en finance pour prédire les taux
d'intérêt.

Publié pour la première fois en 1977, il a été l'un des premiers modèles à décrire
l'évolution des taux d'intérêt à l'aide du calcul stochastique.

L'objectif principal du modèle est de saisir le comportement de retour à la moyenne

des taux d'intérêt - c'est-à-dire qu'ils ont tendance à ne pas rester trop bas ou trop
élevés pendant de longues périodes - et de fournir des prévisions qui peuvent être
utilisées pour fixer le prix des dérivés de taux d'intérêt, gérer le risque de taux
d'intérêt et prendre des décisions de trading ou d'investissement

Dans le modèle de Vasicek, le taux sans risque est modélisé par un processus
d'Ornstein-Uhlenbeck, sous la probabilité neutre au risque Q

Dr = k (0 - rt) dt + adW'2

Oh k, 0 et a sont des constantes positives avec 0 la moyenne à long terme du

processus, k le taux de retour à la moyenne, a est le coefficient de diffusion de la
volatilité et r est le taux d'intérêt sans risque. Ce modèle autorise des taux d'intérêts
négatifs avec probabilité positive (mais petite) !

Afin d'estimer les paramètres du modèle de Vasicek, nous utiliserons

l'historique des taux d'intérêts des bons du trésor Américain, ces
données sont journalières et s'étalent sur la période allant du
03/01/2012 au 02/10/2012.

L'estimation se fera en utilisant le maximum de vraisemblance (EMV)

PAGE 1
= E (rt -- art-1)

Avec

N (1 -- a)

72 En i=1 r2 i~1 ~ (Pnb i=1 ri~1)2

b =

N Ei riri_i -- Ei ri Ei ri_i

-- log(a)

bk = (4.6)

dt

2k 17' 2

(1 -- e-2idt)

avec 9.2 = 1 V(ri -- arj_i -- E(1 -- a))2 (4.7)

0"

bO = 0.06494378
bk = 2.88582778

b
= 0.05732961

Discrétisation du modèle de Vasicek, le processus d'Ornstein-

Uhlenbeck d'écrit :

s/

drt+h = brt + k (O - brt)h + a hZ avec Z '-" .A/(0, 1)

PAGE 2
Algorithme 29 modêle de Vasicek

1.Simuler m réalisatioms (z1...zn) de la variable aléatoire z '-" .Af(0, 1)

2.Imitialiser r0

3.Pour j = 1...m, calculer :

r3 = r3_1 + k (O - ri_1) A t + cr A tz3

Le procédé de discrétisation d’Euler consiste en l’approximation du processus

continu X par le processus discret X ~ défini, avec les mêmes notations que
précédemment, par :

Ce procédé est obtenu, en négligeant le reste dans le développement d’Itô-Taylor au

premier ordre de (2) :

Où le reste R ( ) 0,t 1 est donné par :

Le schéma d’Euler revient donc à faire l’approximation naturelle suivante :

PAGE 3
Aussi le processus discret r ~ déterminé par le schéma d’Euler peut s’écrire :

Le graphique suivant permet de comparer les évolutions moyennes de la diffusion

définie par (3) selon que l’on se tourne vers la discrétisation exacte ou vers le
schéma d’Euler.

Les discrétisations exacte et selon le schéma d’Euler sont relativement proches

graphiquement. L’écart est en particulier négligeable lorsque l’on s’intéresse aux
évolutions moyennes d’un bon de capitalisation qui évolue selon les taux simulés
pour effectuer le graphique précédent :

PAGE 4
Le schéma de Milstein est obtenu en allant plus avant dans le développement d’Itô-
Taylor. Le processus discret X ~ est alors défini par :

Où ( ) X t x t , ~ σ désigne la dérivée par rapport au premier argument de la fonction

σ(.,.) évaluée en ( ) X t t , ~ .

Ce schéma est obtenu à partir d’un des développements d’Itô-Taylor au deuxième

ordre :

Où le reste R2, qui sera négligé pour obtenir le schéma de Milstein, est donné par :

PAGE 5
En outre, le schéma de Milstein peut poser des problèmes pratiques de mise en
œuvre en dimension supérieure ou égale à 2.

Un exemple sur logiciel Matlab :

clear

all;

randn('state',50)

n=100;

T=10;

dt=T/n;

t=[0:dt:T];

xzero=1;

x=xzero;

xe=xzero;

xm=xzero;

alpha=2;beta=0.8;sigma=0.1;

for i=2:n

dw=sqrt(dt)*randn;

x(i)=x(i-1)*exp(-beta*dt)+alpha*(1-exp(-beta*dt))+sigma*sqrt((1-exp(-2*beta*dt))/(2*beta))*dw;

xe(i)=xe(i-1)+beta*(alpha-xe(i-1))*dt+sigma*sqrt(dt)*dw;

xm(i)=xm(i-1)+beta*(alpha-xm(i-1))*dt+sigma*sqrt(dt)*dw+(0.5*sigma^2)*(dw^2-1);

end

hold on

plot(x)

plot(xe,'r')

plot(xm,'g')

hold off

l’exécution :

PAGE 6
Simulation du modèle de Vasicek, Euler et Milstein

PAGE 7