Université Paris Dauphine 2017–2018

Département MIDO
Master 1 – Méthodes de Monte Carlo

Travaux Dirigés n°3

stoehr@ceremade.dauphine.fr

Définition. On dit qu’une fonction Φ : Rd → R est croissante, respectivement décroissante, en

chacune de ses variables si, et seulement si, pour tout k ∈ {1, ..., d }, l’application

Φk : Rd +1 → R
(x−k , t , u) 7→ (t − u) (Φ(x 1 , ..., x k−1 , t , x k+1 , ..., x n ) − Φ(x 1 , ..., x k−1 , u, x k+1 , ..., x n )) ,

avec x−k = (x 1 , . . . , x k−1 , x k+1 , . . . , x n ) ∈ Rd −1 , est de signe positive, respectivement négative, sur Rd +1 .

On cherche à calculer E [Φ(Z)], avec Z = (Z1 , . . . , Zd ) un d -uplet de variables aléatoires i.i.d. suivant
la loi ν et Φ : Rd → R une fonction mesurable croissante en chacune de ses coordonnées telle que
E Φ2 (Z) < +∞. Dans la suite on se donne Z(n) n≥1 = Z1(n) , . . . , Zd(n) n≥1 une suite de variables aléatoires
£ ¤ ¡ ¢ ¡ ¢

i.i.d. suivant la loi de Z.

1. Rappeler les propriétés de l’estimateur de Monte Carlo classique

1X n ³ ´ 1X n ³ ´
Yn= Φ Z(i ) = Φ Z1(i ) , . . . , Zd(i ) .
n i =1 n i =1

Solution. La fonction Φ étant mesurable, les variables Φ Z(i ) , i = 1, . . . , n, sont i.i.d.. L’estimateur
¡ ¢

est donc convergent (loi forte des grands nombre) et sans biais. Sous l’hypothèse E Φ2 (Z) < +∞,
£ ¤

le théorème central limite donne que l’erreur associée à cet estimateur suit asymptotiquement
h i une
loi normale N (0 , Var[Φ(Z)]). La précision de l’estimation est donnée par Var Y n = Var[Φ(Z)]/n.

Soit Ψ : Rd → R une fonction mesurable décroissante en chacune de ses coordonnées telle que Φ(Z1 , . . . , Zd )
et Ψ(Z1 , . . . , Zd ) ont même loi. On souhaite montrer que l’estimateur
1 X n 1 X n
Φ Z(i ) + Ψ Z(i ) = Φ Z1(i ) , . . . , Zd(i ) + Ψ Z1(i ) , . . . , Zd(i )
¡ ¢ ¡ ¢ ¡ ¢ ¡ ¢
Ỹn =
2n i =1 2n i =1

est plus efficace (en terme de réduction de variance) que l’estimateur Yn .

Cas de la dimension d = 1.
2. Soient x, y des réels. Étudier le signe de Φ(x) − Φ(y) Ψ(x) − Ψ(y) .
¡ ¢¡ ¢

Solution. Φ et Ψ ayant des monotonies opposées, pour tout réels x, y, Φ(x) − Φ(y) et Ψ(x) − Ψ(y)
ont des signes contraires. Donc Φ(x) − Φ(y) Ψ(x) − Ψ(y) ≤ 0.
¡ ¢¡ ¢

3. En déduire que Cov[Φ(Z), Ψ(Z)] ≤ 0.

1
TD n°3 Méthodes de Monte Carlo

Solution. Soient X, Z, des variables aléatoires i.i.d. suivant la loi ν. D’après la question 2, on a

E [{Φ(X) − Φ(Z)} {Ψ(X) − Ψ(Z)}] ≤ 0.

En développant le produit, comme X et Y sont identiquement distribuées, on a

0 ≥ E [{Φ(X) − Φ(Z)} {Ψ(X) − Ψ(Z)}] = E [Φ(X)Ψ(X)] − E [Φ(X)Ψ(Z)] − E [Φ(Z)Ψ(X)] + E [Φ(Z)Ψ(Z)]

= 2E [Φ(Z)Ψ(Z)] − 2E [Φ(X)Ψ(Z)].

Par ailleurs, par hypothèse sur Ψ, Ψ(X) et Φ(X) on même loi, donc E [Φ(X)Ψ(Z)] = E [Ψ(X)Ψ(Z)].
Enfin X et Z sont indépendantes, donc, sous l’hypothèse de mesurabilité, Ψ(X) et Ψ(Z) sont indé-
pendantes et E [Ψ(X)Ψ(Z)] = E [Ψ(X)]E [Ψ(Z)]. On a donc

2E [Φ(Z)Ψ(Z)] − 2E [Φ(Z)]E [Ψ(Z)] = 2Cov[Φ(Z), Ψ(Z)] ≤ 0.

4. Comparer les estimateurs Y n et Y 2n avec Ỹn .

Solution. Sous l’hypothèse que Φ(Z) et Ψ(Z) ont même loi, la variance de l’estimateur Ỹn est
donnée par
1 1 1
Var Ỹn = Var[Φ(Z) + Ψ(Z)] = Var[Φ(Z)] + Cov[Φ(Z), Ψ(Z)].
£ ¤
4n 2n 2n
Il en résulte d’après la question 3
£ ¤ 1 h i 1 1 h i
Var Ỹn = Var Y n + Cov[Φ(Z), Ψ(Z)] ≤ Var Y n .
2 2n 2
À nombre de simulations fixé, on a une condition suffisante pour réduire la variance. Il suffit de
trouver une fonction Ψ de monotonie opposée à celle de Φ et telle que Ψ(Z) ait même loi que Φ(Z).
Le coût de la réduction de variance est le coût de l’évaluation de Ψ en n points : on a 2n évaluations
de fonctions pour Y n contre n pour Ỹn .

Par ailleurs, toujours d’après la question 3

h i 1 h i
Var Ỹn = Var Y 2n + Cov[Φ(Z), Ψ(Z)] ≤ Var Y 2n
£ ¤
2n
La condition devient nécessaire et suffisante. Les deux estimateurs sont comparables en terme
d’évaluations de fonctions, en revanche le coût de simulation n’est pas le même. On a besoin de n
réalisation pour calculer Ỹn contre 2n pour calculer Y 2n .

Remarque. Dans le cas des variables antithétiques, si l’on note A la transformation telle que A(Z)
ait même loi que Z, il suffit que Φ et Φ ◦ A aient des monotonies opposées pour que
l’estimateur Ỹn soit plus efficace, en terme de réduction de variance que l’estimateur
de Monte Carlo classique. On retrouve le résultat du cours dans le cas particuler où
Z est une variable aléatoire réelle suivant une loi normale N µ , σ . Dans ce cas, on a
¡ ¢

A : x 7→ 2µ − x qui est décroissante, il suffit donc que Φ soit monotone.

Cas de la dimension d > 1. L’objectif est de montrer par récurrence sur d que

Cov[Φ(Z), Ψ(Z)] = Cov[Φ(Z1 , . . . , Zd ), Ψ(Z1 , . . . , Zd )] ≤ 0. (1)

2
TD n°3 Méthodes de Monte Carlo

On suppose dans la suite que (1) est vérifiée au rang d − 1.

5. Montrer que

Λ : R → R Γ : R → R
et
x 7→ E [Φ(Z1 , . . . , Zd −1 , x)], x 7→ E [Ψ(Z1 , . . . , Zd −1 , x)],

sont respectivement croissantes et décroissantes sur R.

Solution. Soient x, y des réels. Sous l’hypothèse que Φ est croissante en chacune de ses coordon-
nées, on a par définition de Λ,

(x − y) Λ(x) − Λ(y) = E (x − y) Φ(Z1 , . . . , Zd −1 , x) − Φ(Z1 , . . . , Zd −1 , y) ≥ 0.

© ª £ © ª¤

Autrement dit Λ est croissante. Sous l’hypothèse que Ψ est décroissante en chacune de ses coor-
données, on obtient de façon analogue que Γ est décroissante.

6. En déduire que E [Λ(Zd )Γ(Zd )] − E [Λ(Zd )]E [Γ(Zd )] ≤ 0.

Solution. Φ(Z) et Ψ(Z) sont identiquement distribuées donc Λ(Zd ) et Γ(Zd ) ont également même
loi. En utilisant le résultat de monotonie de la question 5 et celui obtenu à la question 3 dans le
cadre de la dimension 1, on a

E [Λ(Zd )Γ(Zd )] − E [Λ(Zd )]E [Γ(Zd )] = Cov[Λ(Zd ), Γ(Zd )] ≤ 0.

7. Montrer que E [Φ(Z)Ψ(Z)] − E [Λ(Zd )Γ(Zd )] ≤ 0, et en déduire le résultat au rang d .

Solution. Il suffit d’appliquer l’hypothèse de récurrence. En effet,

Z Z
E [Φ(Z)Ψ(Z)] − E [Λ(Zd )Γ(Zd )] = Φ(z 1 , . . . , z d )Ψ(z 1 , . . . , z d )ν(dz 1 ) . . . ν(dz d ) − Λ(z d )Γ(z d )ν(dz d )
ZR
d R

= E [Φ(Z1 , . . . , Zd −1 , z d )Ψ(Z1 , . . . , Zd −1 , z d )] − Λ(z d )Γ(z d )ν(dz d )

ZR
= Cov[Φ(Z1 , . . . , Zd −1 , z d )Ψ(Z1 , . . . , Zd −1 , z d )]ν(dz d )
R

Or Cov[Φ(Z1 , . . . , Zd −1 , z d ), Ψ(Z1 , . . . , Zd −1 , z d )] ≤ 0 par hypothèse de récurrence. D’où l’inégalité

souhaitée. En combinant celle-ci avec l’inégalité de la question 6, on obtient

E [Φ(Z)Ψ(Z)] − E [Λ(Zd )]E [Γ(Zd )] ≤ 0.

Or par définition de Λ,
Z Z
E [Λ(Zd )] = E [Φ(Z1 , . . . , Zd −1 , z d )]ν(dz d ) = Φ(z 1 , . . . , z d )ν(dz 1 ) . . . ν(dz d ) = E [Φ(Z)].
R Rd

De même E [Γ(Zd )] = E [Ψ(Z)]. On en déduit le résultat au rang d

E [Φ(Z)Ψ(Z)] − E [Λ(Z)]E [Γ(Z)] = Cov[Φ(Z), Ψ(Z)] ≤ 0.

8. Comparer les estimateurs Y n et Y 2n avec Ỹn .

3
TD n°3 Méthodes de Monte Carlo

Solution. On retrouve les mêmes conclusions que dans le cas de la dimension 1. Une condition
suffisante, voire nécessaire et suffisante, est de trouver Ψ décroissante en chacune de ces coordon-
nées telle que Ψ(Z) et Φ(Z) ont même loi.

Applications au cas gaussien. On suppose que Z est un vecteur gaussien de loi N (0d , Id ) et Φ une
fonction monotone en chacune de ses coordonnées et bornée.

9. En vous appuyant sur les résultats précédents, proposer une méthode d’estimation de E [Φ(Z)].

Solution. Soient (²1 , . . . , ²d ) ∈ {−1, 1}d . On considère l’application

L : Rd → Rd
(z 1 , . . . , z d ) 7→ (²1 z 1 , . . . , ²d z d ).

Alors LZ est un vecteur gaussien de loi N 0d , LL T = N (0d , Id ) et E [Φ(Z)] = E [Φ ◦ L(Z)]. Pour la

¡ ¢

suite, on choisit (²1 , . . . , ²d ) tels que ²i = 1, respectivement ²i = −1, si la Φ est croissante, respecti-
vement décroissante, par rapport à sa i -ème coordonnée, i = 1, . . . , d . Alors Φ ◦ L est croissante en
chacune de ses coordonnées.

Par ailleurs, on considère la transformation

A : Rd → Rd
(z 1 , . . . , z d ) 7→ (−z 1 , . . . , −z d ).

A(Z) est également un vecteur gaussien de loi N (0d , Id ) et Φ ◦ L ◦ A est décroissante en chacune de
ses coordonnées. On applique les résultats précédents Φ ◦ L et Φ ◦ L ◦ A. Pour estimer E [Φ(Z)], on
peut utiliser l’estimateur suivant (plus efficace que l’estimateur de Monte Carlo classique)
1 X n
δ̂n = Φ ◦ L Z1(i ) , . . . , Zd(i ) + Φ ◦ L − Z1(i ) , . . . , −Zd(i ) .
¡ ¢ ¡ ¢
2n i =1

Modèle de Black-Scholes. Soient S 0 , σ, r ∈ R∗+ et W = (Wt )t ≥0 un mouvement brownien standard. On

pose
σ2
½µ ¶ ¾
S t (W ) = S 0 exp r − t + σWt
2
On se donne T > 0 et Φ : R → R une fonction, dite de payoff, monotone, continue et bornée.

10. Quelle est la signe de Cov[Φ ◦ S T (W ), Φ ◦ S T (−W )] ?

p ª
Solution. On pose g : x 7→ S 0 exp r − σ2/2 T + σ T x . On a alors
©¡ ¢

WT
· µ ¶ µ ¶¸
−WT
Cov[Φ ◦ S T (W ), Φ ◦ S T (−W )] = Cov Φ ◦ g p , Φ ◦ g p .
T T
p
On a WT/ T ∼ N (0 , 1). On applique le résultat de la question 3 :

• Φ ◦ g est croissante comme composée de fonctions croissantes,

4
TD n°3 Méthodes de Monte Carlo

• x 7→ Φ ◦ g (−x) est décroissante,

p p p
• Φ ◦ g (WT/ T ) et Φ ◦ g (−WT / T ) ont même loi car −WT / T suit également une loi normale N (0 , 1).

11. Proposer des méthodes d’estimation de E [Φ ◦ S T (W )] plus efficaces que la méthode de Monte Carlo
classique.

Solution. Soient Z(n) n∈N une suite de variables aléatoires i.i.d. suivant la loi N (0 , 1).
¡ ¢

1 X n
δ̂(1) Φ ◦ g Z (i ) + Φ ◦ g Z (i ) (pour la question 10).
¡ ¢ ¡ ¢
n =
2n i =1

12. Quel autre méthode serait-il possible d’utiliser pour réduire la variance ?

Solution. On pourrait utiliser une méthode de stratification en considérant une partition de R.

13. Pour k ∈ {0, . . . , N }, N ∈ N∗ , on considère t k = k∆t avec ∆t = T /N . Montrer que

1 NX −1 S0 Wt1 Wt2 − Wt1 Wt N −1 − Wt N −2
µ ¶
N
A T (W ) := S t (W ) = ΨN −1 p , p ,··· , p
N k=0 k N ∆t ∆t ∆t
où,
ΨN −1 : RN −1 → ( R
¶ )
NX
−1 p X k σ2
µ
(z 1 , · · · , z N −1 ) 7→ exp σ ∆t zj +k r − ∆t .
k=0 j =1 2

Solution. Il s’agit simplement de simplifier une somme télescopique.

( ¶ )
σ2
¶ N −1 k Wt − Wt
Wt1 Wt2 − Wt1 Wt N −1 − Wt N −2 p X
µ µ
j j −1
ΨN −1 exp σ ∆t ∆t
X
p , p ,··· , p = p +k r −
∆t ∆t ∆t k=0 j =1 ∆t 2
NX
−1 σ2
½ µ ¶ ¾
= exp σWtk + r − tk
k=0 2
1 NX −1 N N
= S tk (W ) = A (W ).
S 0 k=0 S0 T

14. En déduire le signe de Cov Φ ◦ A TN (W ), Φ ◦ A TN (−W ) .

£ ¤

Solution. On a Cov Φ ◦ A TN (W ), Φ ◦ A TN (−W ) ≤ 0. On applique la question 7 et le raisonnement

£ ¤

de la question 9, la fonction ΨN −1 étant croissante en chacune de ses coordonnées et les accroisse-

p
ments du mouvement brownien étant indépendant et stationnaire, i.e., (Wtk+1 −Wtk )/ ∆t ∼ N (0 , 1).