REPUBLIQUE DU CAMEROUN REPUBLIC OF CAMEROON

Paix-Travail-Patrie Peace-Work-Fatherland
********* *********
Ministère de l’Enseignement Ministry of Higher
Supérieur Education
********** **********
Université de Douala The University of Douala
********** **********
ECOLE SUPERIEURE DES HIGHER SCHOOL OF
SCIENCES DE LA FINANCE DE SCIENCE OF FINANCE
L’ASSURANCE ET DES RISQUES INSURANCE AND HAZARDS
********* *********

RAPPORT DE RECHERCHE EN
GESTION DE RISQUES :
THEME : MODELES HYPERBOLIQUE ET
VAR : PROCESSUS DE LEVY A SIMULER

Par : KAMENI FOKAM GABRIEL & NDAWA MITSOU

Étudiant en Master 2 Actuariat

SOUS L’ENCADREMENT DE :

M. DIDIER FAIVRE

Année académique 2022- 2023

RAPPORT DE RECHERCHE

SOMMAIRE
SOMMAIRE ................................................................................................................................... 2
TABLE DE FIGURES ................................................................................................................... 3
INTRODUCTION .......................................................................................................................... 4
I. RAPPELS MATHEMATIQUES : ........................................................................................ 5
I.1 DISTRIBUTION HYPERBOLIQUE : ............................................................................ 5
I.2 Fonction de Bessel de troisième espèce :......................................................................... 5
I.3 Calcul des rendements sur données historiques : ............................................................. 5
I.4 Formulation Mathématique d’un processus de Levy : ..................................................... 5
I.5 Définition et propriétés : .................................................................................................. 5
I.6 Exemple de simulation d’un processus de Levy : ............................................................ 6
I.7 Comment génère-t-on des prix avec un processus de Lévy ? .......................................... 6
II. PRESENTATION DES DONNEES HISTORIQUES :........................................................ 7
II.1 Représentation graphique des rendements : ..................................................................... 7
II.2 Représentation de fonction de densité des rendements des prix historiques journalières :
8
II.3 Coefficient d’asymétrie et d’aplatissement :.................................................................... 8
II.4 Représentation des Q-Q plots : ........................................................................................ 8
II.5 Test de Shapiro : .............................................................................................................. 9
III. CONSTRUCTION DU MODELE HYPERBOLIQUE POUR LA EVALUATION DES
OPTIONS : ..................................................................................................................................... 9
III.1 PILIERS DU MODELE HYPERBOLIQUE : ............................................................. 9
III.2 Définition Générale d’un modèle hyperbolique avec processus de Levy : .................. 9
III.3 Processus de Lévy hyperbolique généralisé (GH) ..................................................... 10
III.4 Rappel des principes du pricing des options : ............................................................ 11
III.5 Cas pratique 1 : ........................................................................................................... 11
IV. CAS PRATIQUE 2 : MODELE CALIBRE : ..................................................................... 12
V. CALCUL DE LA VAR (RISK MANAGEMENT) : .......................................................... 13
V.1 Définition et intérêt du Calcul de la VaR : .................................................................... 13
V.2 Utilisation de l'analyse VaR pour la décision d'achat ou de vente d'une option : .......... 13
V.3 Utilisation de l'analyse VaR pour la comparaison des options : .................................... 14
V.4 Utilisation de l'analyse VaR pour le suivi des performances d'une option : .................. 14
V.5 Implémentation de la VaR : ........................................................................................... 14
V.6 Cas Pratique 3 : Calcul de la VAR sur les cycles longs et les cycles courts : ............... 15
CONCLUSION ............................................................................................................................ 16
ANNEXE ...................................................................................................................................... 17
BIBLIOGRAPHIE ....................................................................................................................... 18

2
RAPPORT DE RECHERCHE
TABLE DE FIGURES
Figure 1: processus mixte à sauts gaussiens (Merton) ................................................................... 6
Figure 2: Rendements journaliers ................................................................................................... 7
Figure 3: Rendements hebdomadaires ............................................................................................ 7
Figure 4: Rendements mensuels ..................................................................................................... 7
Figure 5: densité des rendements des prix historiques et des simulations journalières .................. 8
Figure 6: qq-plot ............................................................................................................................. 8
Figure 7: Un processus de Lévy hyperbolique généralisé (GH) .................................................. 11
Figure 8: Prix simulés ................................................................................................................... 12
Figure 9: Prix simulés-Modèle calibré ......................................................................................... 13
Figure 10: Var............................................................................................................................... 15

3
RAPPORT DE RECHERCHE
INTRODUCTION
L’un des problèmes les plus importants en finance de marché est celui de la confrontation des
modèles avec la réalité observée. C’est évidemment et toujours un sujet fondamental quel que soit
le domaine d’étude, mais il revêt ici une acuité toute particulière. Dans la théorie d’évaluation de
titres dérivés ainsi que dans d’autres questions financières, la forme de distribution des rendements
des actifs sous-jacents joue un rôle clé. Ceci va nous pousser à examiner les hypothèses classiques,
en particulier l’hypothèse de normalité, nous allons introduire un modèle qui s’adapte aux données
avec grande précision et nous tirons quelques conclusions concernant l’évaluation des options.
Le modèle hyperbolique avec processus de Lévy est un modèle mathématique utilisé pour décrire
le comportement des prix des actifs. Le modèle repose sur l’idée que les prix des actifs suivent
une distribution hyperbolique généralisée, qui est un type de distribution ayant des queues plus
lourdes que la distribution normale.
Le modèle hyperbolique avec processus de Lévy s’est avéré plus précis que la distribution normale
pour décrire le comportement des prix des actifs.
Le modèle hyperbolique avec processus de Lévy a été utilisé pour évaluer une variété de produits
dérivés financiers, tels que les options et les contrats à terme. Le modèle a également été utilisé
pour développer des outils de gestion des risques pour les institutions financières.

4
 RAPPORT DE RECHERCHE
I. RAPPELS MATHEMATIQUES :
I.1 DISTRIBUTION HYPERBOLIQUE :

La fonction de densité hyperbolique est donnée par :

√𝜶𝟐 − 𝜷𝟐 𝟐 +(𝒙−𝝁)𝟐 +𝜷(𝒙−𝝁)

𝒇(𝒙)(𝜶,𝜷,𝜹,𝝁) = 𝒆−𝜶√𝜹
𝟐𝜶𝜹𝑲𝟏 (𝜹√𝜶𝟐 − 𝜷𝟐 )

 𝐾1 Représente la fonction de Bessel de troisième espèce ;

 On a  et  sont des paramètres de formes avec les conditions suivantes 0||< ;
 On a  et  sont des paramètres d’échelle tels que :   R.

I.2 Fonction de Bessel de troisième espèce :

La fonction de Bessel de troisième espèce est donnée par :

∞ 𝟏 −𝟏 )
𝑲𝝀 = ∫ 𝒚𝝀−𝟏 𝒆−𝟐𝒙(𝒚−𝒚 𝒅𝒚
𝟎

I.3 Calcul des rendements sur données historiques :

Soit 𝑋𝑡 le prix d’un actif à la date t et 𝑋𝑡+1 le prix de l’actif à la date t+1 le rendement quotidien
de l’actif est donné par :
𝑿𝒕+𝟏
𝑹𝒕|𝒕+𝟏 = 𝐥𝐨𝐠⁡( )
𝑿𝒕

D’autres auteurs le calcul avec une approximation donnée par :

𝑿𝒕+𝟏
𝑹𝒕|𝒕+𝟏 ≅ −𝟏
𝑿𝒕

I.4 Formulation Mathématique d’un processus de Levy :

Les processus de Lévy ont été nommés par Paul Lévy, qui a établi leur relation avec les lois
indéfiniment divisibles. Théoriquement, ils représentent une sous classe importante des processus
Markovien. Ils sont un exemple de semi-martingale (soit une sur-martingale ou une sous-
martingale) pour lesquelles les calculs stochastiques sont applicables. Expérimentalement, ils
représentent des lois à queues épaisses qui prennent en compte la liquidité et le risque du marché.

I.5 Définition et propriétés :

On appelle processus de Lévy un processus stochastique 𝐿𝑡 à valeurs dans R, adapté avec 𝐿0 = 0

(presque sûrement), à accroissements indépendants et stationnaires dont les trajectoires sont
continues en probabilité. Ce qui signifie que :

 Indépendance : si 0 ≤ s < t, 𝐿𝑡 − 𝐿𝑆 est indépendant de la tribu 𝐹𝑆 ;

 Stationnarité : 𝐿𝑡 − 𝐿𝑆 a la même loi que 𝐿𝑡 − 𝐿𝑆 pour 0 ≤ s < t ;
 Continuité : 𝐿𝑡 est continu en probabilité lim 𝐿𝑡 = 𝐿𝑠 .
𝑡→𝑠

Les processus de Lévy sont une sous famille des processus P.A.I.S. On peut citer deux processus
de Lévy bien connus, le mouvement brownien 𝑊𝑡 et le processus de Poisson 𝑁𝑡 .
5
RAPPORT DE RECHERCHE
NB : La continuité en probabilité n’implique pas la continuité des trajectoires. Les seuls processus
de Lévy dont les trajectoires sont continues sont les mouvements browniens.

I.6 Exemple de simulation d’un processus de Levy :

Nous allons simuler un processus de Levy de manière optimal en combinant un processus de

poissons et un processus composer d’une partie diffusion générale donné par :

𝑵𝒕

𝑳𝒕 = 𝝁𝒕 + 𝑩𝒕 + ∑ 𝑱𝒊
𝒊=𝟏

I.7 Comment génère-t-on des prix avec un processus de Lévy ?

Le cours de l’actif support des options étudiées est représenté par une exponentielle d’un processus
de Lévy particulier qui est la somme d’un mouvement Brownien arithmétique et d’un processus
de Poisson composé. Un tel processus est appelé processus mixte saut-diffusion, ou plus
simplement processus de Lévy.
La loi particulière de la taille des sauts conduit à retenir trois processus particuliers. Formellement,
le cours du sous-jacent de l’option à l’instant t s’écrit :

𝑺𝒕 = 𝑺𝟎 𝐞𝐱𝐩⁡(𝑿𝒕 )

Avec 𝑆0 le prix de l’actif à l’instant t=0 et 𝑋𝑡 un processus de Levy.

𝑵𝒕

𝑿𝒕 = 𝒂𝒕 + 𝝈𝑾𝒕 + ⁡ ∑ 𝑱𝒊
𝒊=𝟏
𝑵𝒕
 𝒂𝒕 + 𝝈𝑾𝒕 Est la partie diffusive et ∑𝒊=𝟏 𝑱𝒊 la partie à saut.

𝑊𝑡 est un mouvement brownien standard avec W0 = 0. Les constantes 𝑎 et σ > 0 constituent la

dérive et la volatilité de la partie diffusive de la dynamique de cours. N est un processus de Poisson
simple de paramètre λ. Les variables aléatoires (Ji) sont indépendantes et identiquement
distribuées et représentent la taille des sauts pouvant survenir.
Nous allons maintenant présenter le processus mixte considéré dans le cadre de notre travail, le
processus mixte à sauts gaussiens (Merton) que l’on peut écrire :

𝝈𝟐 𝒕 𝑵
𝑺𝒕 = 𝑺𝟎 𝐞𝐱𝐩⁡((𝝁 − )𝒕 + 𝝈𝑾𝒕 + ⁡ ∑𝒊=𝟏 𝑱𝒊 )
𝟐

Figure 1: processus mixte à sauts gaussiens (Merton)

6
 RAPPORT DE RECHERCHE
II. PRESENTATION DES DONNEES HISTORIQUES :

Les données que nous disposons sont les rendements des actions d’APPLE sur une durée
d’environ trois ans qui vont du 01/01/2020 au 31/05/2023. Nous disposons de trois bases de
données :
 AAPL Historical Data Daily, pour les observations journalières ;
 AAPL Historical Data Weekly, pour les observations hebdomadaires ;
 AAPL Historical Data Monthly, pour les observations Mensuelles.
 Représentation graphique de l’évolution des rendements :

II.1 Représentation graphique des rendements :

Figure 2: Rendements journaliers

Figure 3: Rendements hebdomadaires

Figure 4: Rendements mensuels

7
RAPPORT DE RECHERCHE
II.2 Représentation de fonction de densité des rendements des prix
historiques journalières :1

Figure 5: densité des rendements des prix historiques et des simulations journalières

En observant la densité ces rendements, on constate qu’ils ont une queue longue et cette densité
n’épouse pas celle de la loi normale. Pour poursuivre notre analyse nous allons calculer les
coefficients les coefficients de symétrie (Skewness) et d’aplatissement (Kurtosis).

II.3 Coefficient d’asymétrie et d’aplatissement :

Pour une loi normale, les coefficients d’asymétrie et d’aplatissement sont respectivement d’ordre
de 0 et 3. Dans le cadre de nos données historiques ils sont d’ordre 0.1349197 et 7.30552, celle
des simulations sont respectivement d’ordre -0.1287812 et 5.607685. Ce qui nous pousse déjà à
soupçonner que nos données n’ont probablement pas une distribution normale. Pour cela nous
allons représenter les Q-Q plot.
II.4 Représentation des Q-Q plots :

Figure 6: qq-plot

On observe qu’une bonne partie les données n’est pas ajustée à la droite de Henry dans le graphe.
En statistiques, un Q-Q (quantile-quantile) plot est une méthode graphique pour comparer deux
distributions de probabilité en affichant leurs quantiles contre quantiles. Un point (x, y) du

1
Les prix simulés servent juste à effectuer le test de normalité, et ne constituent pas les prix issus du modèle
hyperbolique avec processus de Lévy hyperbolique généralisé défini plus bas. Nous avons utilisé pour cette partie le
processus classique de Merton.
8
 RAPPORT DE RECHERCHE
graphique représente un quantile de la seconde distribution (axe y) contre le même quantile de la
première distribution (axe x).
II.5 Test de Shapiro :2

Le test de Shapiro-Wilk est un test statistique utilisé pour tester l'hypothèse nulle selon laquelle
un échantillon de données suit une distribution normale. Si la valeur de p associée à la statistique
de test est inférieure à un seuil de signification prédéterminé, généralement 0.05, l'hypothèse nulle
est rejetée, ce qui signifie que les données ne sont pas considérées comme normales.
 Rendements journaliers : Les rendements ne suivent pas une distribution normale
(p-value < 0.05) ;
 Rendements hebdomadaires : Les rendements ne suivent pas une distribution
normale (p-value < 0.05) ;
 Rendements mensuels : Les rendements peuvent suivre une distribution normale (p-
value >= 0.05).

III. CONSTRUCTION DU MODELE HYPERBOLIQUE POUR LA

EVALUATION DES OPTIONS :
Les hypothèses classiques suivantes sur le fonctionnement du marché sont adoptées dans ce
travail. Le marché financier est supposé être parfait. Les actifs peuvent être échangés en n’importe
quelle quantité, sans coûts de transaction ni imposition. Les ventes à découvert sont autorisées. Le
taux d’intérêt est le même tant pour le prêt que pour l’emprunt. Il est instantané, supposé constant
et égal à r.
III.1 PILIERS DU MODELE HYPERBOLIQUE :

Le modèle hyperbolique repose sur les hypothèses suivantes :

 Le prix de l’actif sous-jacent suit un processus de Lévy ;
 Le processus de Lévy a une dérivé, une volatilité et une taille de saut constantes ;
 Les sauts sont indépendants les uns des autres ; Les sauts sont distribués selon une
distribution hyperbolique ;
 La distribution hyperbolique est un type de distribution de probabilité qui a des queues
lourdes, Cela signifie qu’elle est plus susceptible de produire des valeurs extrêmes que
d’autres distributions, comme la distribution normale. C’est important pour l’évaluation
des options car cela permet au modèle de capturer la possibilité de grands mouvements de
prix, qui peuvent avoir un impact significatif sur la valeur d’une option.

III.2 Définition Générale d’un modèle hyperbolique avec processus de

Levy :

Le modèle hyperbolique avec processus de Lévy est un modèle mathématique utilisé pour décrire
le comportement des prix des actifs financiers. Il repose sur l'hypothèse que les prix des actifs
suivent une distribution hyperbolique généralisée (GH), qui est un type de distribution ayant des
queues plus lourdes que la distribution normale.
Le modèle hyperbolique avec processus de Lévy peut être défini comme suit :

𝒅𝑺𝒕 = 𝝁𝒅𝒕 + 𝝈𝒅𝑾𝒕 + 𝜷(𝑺𝒕 )𝒅𝑳𝒕 (𝑺𝒕 )

2
Voir ANNEXE 2
9
RAPPORT DE RECHERCHE
Où St est le prix de l'actif à l'instant 𝑡, 𝜇 est le drift du prix de l'actif, 𝜎 est la volatilité du prix de
l'actif, 𝑊t est un mouvement brownien standard, 𝐿𝑡 (𝑆𝑡 ) est un processus de Lévy et 𝛽(𝑆𝑡 ) est la
mesure de saut du processus de Lévy.
Le drift 𝜇 contrôle la tendance à long terme du prix de l'actif. La volatilité 𝜎 contrôle les
fluctuations à court terme du prix de l'actif. Le mouvement brownien 𝑊𝑡 capture les variations
aléatoires du prix de l'actif. Le processus de Lévy 𝐿𝑡 (𝑆𝑡 ) capture les sauts du prix de l'actif.

III.3 Processus de Lévy hyperbolique généralisé (GH)3

Un processus de Lévy hyperbolique généralisé (GH) est une classe de processus stochastiques
utilisés pour modéliser la dynamique d'un large éventail de systèmes complexes qui présentent un
comportement à queue lourde, y compris des systèmes en finance, économie, biologie et physique.
Il est intéressant de noter qu'un processus de Lévy hyperbolique généralisé n'a pas de composante
continue de mouvement brownien et a une infinité de sauts sur chaque intervalle de temps.
 Densité de probabilité d'une distribution hyperbolique généralisée (GH) :4

𝒚 𝝀
( ⁄𝜹) 𝒆𝜷(𝒙−𝝁) ∗ 𝑲𝝀−𝟏⁄𝟐 ∗ (𝜶√𝜹𝟐 + (𝒙 − 𝝁)𝟐 )
𝒇(𝒙) = ∗ 𝟏⁄𝟐−𝝀
√𝟐𝝅 ∗ 𝑲𝝀 𝟐
√𝜹 + (𝒙 − 𝝁) ⁄𝟐
( 𝜶)
Avec
𝒚 = √𝜶𝟐 − 𝜷𝟐 .

 K, est la fonction de Bessel de second ordre.

Un processus de Lévy hyperbolique généralisé (GH) est défini comme le mélange variance-
moyenne normal où la distribution de mélange est la distribution inverse gaussienne généralisée
(GIG), qui est un cas particulier de la distribution GH. La distribution GH peut être utilisée pour
modéliser la distribution des incréments d'un processus de Lévy GH.

Pour alpha = 1.7, beta = 0.5 et n=1000 on génère le processus de Lévy hyperbolique généralisé
(GH) suivant :

3
Schoutens, W. (2003). Lévy processes in finance: Pricing financial derivatives. Wiley.
4
https://researchers.mq.edu.au/en/publications/evt-and-tail-risk-modelling-evidence-from-market-indices-and-vola
10
RAPPORT DE RECHERCHE

Figure 7: Un processus de Lévy hyperbolique généralisé (GH)

III.4 Rappel des principes du pricing des options :

Une option est un contrat financier qui donne à son détenteur le droit, mais pas l'obligation,
d'acheter ou de vendre un actif sous-jacent à un prix fixé à l'avance (prix d'exercice) et à une date
déterminée (date d'échéance). Il existe deux types d’options : les options d'achat (call) et les
options de vente (put). Le prix d'une option dépend de plusieurs facteurs, tels que le prix actuel de
l'actif sous-jacent, le prix d'exercice, le temps restant jusqu'à l'échéance, le taux d'intérêt sans
risque, la volatilité de l'actif sous-jacent et les dividendes éventuels. Le pricing des options consiste
à déterminer la valeur actuelle d'une option en fonction de ces facteurs. Il existe plusieurs méthodes
pour évaluer les options, comme les méthodes analytiques, les méthodes numériques ou les
méthodes probabilistes.
 La méthode probabiliste : elle consiste à simuler des trajectoires aléatoires pour le prix de
l'actif sous-jacent et à calculer la moyenne empirique du pay-off actualisé pour obtenir
une estimation du prix de l'option. Cette méthode permet aussi de traiter des cas plus
généraux que la méthode analytique, mais elle nécessite aussi plus de calculs et peut être
sujette à une variance élevée. Par exemple, pour une option européenne dans le cas
général où le processus de Lévy est quelconque, on peut utiliser la méthode de Monte
Carlo.
 Nous avons donc opté pour la méthode de Monte tel que décrit dans l’annexe 1.

III.5 Cas pratique 1 :5

Dans la suite nous allons déterminer le prix d’un CALL sur l’action du géant américain Apple.
Nous avons utilisé le langage python pour implémenter le modèle comme l’atteste l’annexe 2. Les
caractéristiques de l’option sont :
 S0 = 100 $;

5
Voir ANNEXE 2
11
 RAPPORT DE RECHERCHE
 K = 110 $ ;
 T=1;
 r = 0.05 ;
 sigma = 0.2 ;
 alpha = 1.7 ;
 beta = 0.5

Figure 8: Prix simulés

Le prix de ce call déterminer par notre modèle est, option_prices :

2.9519308003055387 $.

 Conclusion : Ainsi nous avons pu implémenter notre modèle mais rien ne nous garantir
qu’il aura une utilité et s’il est performant. Pour s’assurer que le modèle est cohérent, il
faut estimer les paramètre α et β pour que les prix estimés se rapproche au mieux des prix
observés. Nous allons estimer ces paramètres par la méthode du maximun de
vraisemblance. C’est une forme de calibration. Nous allons effectuer cette calibration sur
les données d’APPLE.
 La calibration du modèle s’effectuera sur les données journalières. Mais pour
l’évaluation du risque de marché, on tiendra compte des trois bases de données.

IV. CAS PRATIQUE 2 : MODELE CALIBRE :6

Dans la suite nous allons déterminer le prix du CALL précèdent, mais cette fois avec le modèle a
été calibré sur les données journalières.7 Nous avons utilisé le langage python pour implémenter
le modèle comme l’atteste l’annexe 2. Les caractéristiques de l’option sont :

6
Voir ANNEXE 2
7
Nous avons estimé les paramètres alpha et beta par maximun de vraisemblance.
12
 RAPPORT DE RECHERCHE
 S0 = 100 $;
 K = 110 $ ;
 T=1;
 r = 0.05 ;
 sigma = 0.2 ;
 alpha = 1.7 ;
 beta = 0.5

Figure 9: Prix simulés-Modèle calibré

Le prix de ce call déterminer par notre modèle calibré est, option_prices :

2.1110563233991195 $.

V. CALCUL DE LA VAR (RISK MANAGEMENT) :

V.1 Définition et intérêt du Calcul de la VaR :

La VaR (Value-at-Risk) est une mesure du risque financier qui estime la perte maximale que peut
subir un portefeuille ou un actif sur une période donnée et avec un niveau de confiance donné. Par
exemple, une VaR de 10% sur un jour à 95% signifie qu'il y a 95% de chances que la perte ne
dépasse pas 10% sur un jour.
L'analyse VaR peut être utilisée pour évaluer les options dans le modèle hyperbolique avec
processus de Lévy, car elle permet de prendre en compte les sauts dans le prix de l'actif sous-jacent
qui sont caractéristiques de ce modèle. En effet, les sauts peuvent entraîner des pertes importantes
pour les détenteurs d'options, surtout si les sauts sont défavorables à leur position. L'analyse VAR
peut avoir plusieurs applications pour les options dans le modèle hyperbolique avec processus de
Lévy, comme nous allons le voir dans les sous-sections suivantes.

V.2 Utilisation de l'analyse VaR pour la décision d'achat ou de vente d'une

option :

L'analyse VaR peut être utilisée pour prendre des décisions quant à savoir si oui ou non acheter
ou vendre une option dans le modèle hyperbolique avec processus de Lévy. En effet, en calculant
la VaR pour une option donnée, on peut avoir une idée du risque associé à cette option et du
potentiel de perte en cas de scénario défavorable.
Par exemple, si on calcule une VaR élevée pour une option d'achat (call), cela signifie qu'il y a un
risque important que le prix de l'actif sous-jacent baisse fortement et que l'option devienne sans
valeur à l'échéance. Dans ce cas, on peut décider de ne pas acheter l'option ou de la vendre si on
la détient déjà.
Inversement, si on calcule une VaR faible pour une option de vente (put), cela signifie qu'il y a un
risque faible que le prix de l'actif sous-jacent augmente fortement et que l'option devienne sans
13
RAPPORT DE RECHERCHE
valeur à l'échéance. Dans ce cas, on peut décider d'acheter l'option ou de la conserver si on la
détient déjà.

V.3 Utilisation de l'analyse VaR pour la comparaison des options :

L'analyse VaR peut être utilisée pour comparer différentes options dans le modèle hyperbolique
avec processus de Lévy. En effet, en calculant la VaR pour un ensemble d'options différentes, on
peut avoir une idée du niveau de risque associé à chaque option et du potentiel de perte en cas de
scénario défavorable.
Par exemple, si on calcule une VaR plus faible pour une option A que pour une option B, cela
signifie que l'option A est moins risquée que l'option B et qu'elle a moins de chances de subir une
perte importante en cas de saut défavorable du prix de l'actif sous-jacent. Dans ce cas, on peut
préférer l'option A à l'option B.
Inversement, si on calcule une VAR plus élevée pour une option C que pour une option D, cela
signifie que l'option C est plus risquée que l'option D et qu'elle a plus de chances de subir une perte
importante en cas de saut défavorable du prix de l'actif sous-jacent. Dans ce cas, on peut préférer
l'option D à l'option C.

V.4 Utilisation de l'analyse VaR pour le suivi des performances d'une

option :

L'analyse VaR peut être utilisée pour suivre les performances d'une option dans le modèle
hyperbolique avec processus de Lévy. En effet, en calculant la VaR pour une option sur une base
régulière, on peut avoir une idée du changement du risque associé à cette option et du potentiel de
perte en cas de scénario défavorable.
Par exemple, si on observe une augmentation de la VaR pour une option au fil du temps, cela
signifie que le risque associé à cette option augmente et que le potentiel de perte en cas de saut
défavorable du prix de l'actif sous-jacent augmente également. Dans ce cas, on peut décider de
vendre l'option ou de réduire sa position. Inversement, si on observe une diminution de la VaR
pour une option au fil du temps, cela signifie que le risque associé à cette option diminue et que le
potentiel de perte en cas de saut défavorable du prix de l'actif sous-jacent diminue également. Dans
ce cas, on peut décider d'acheter l'option ou d'augmenter sa position.

V.5 Implémentation de la VaR :

On calcule le pay-off actualisé de l'option à l'échéance pour chaque trajectoire simulée en utilisant
la formule :
𝑽𝑻 = 𝒆−𝒓𝑻 𝒈(𝑿𝑻 )

Où 𝑟 est le taux d'intérêt sans risque, 𝑇 est la date d'échéance et 𝑔(𝑋𝑇 ) est le pay-off de l'option à
l'échéance.
On trie les pay-offs actualisés par ordre croissant et on détermine le quantile correspondant au
niveau de confiance choisi. Par exemple, si on a simulé 𝑀 trajectoires et qu'on a choisi un niveau
de confiance à 95%, on prend le (𝑀+1) ×0.05 -ème pay-off actualisé comme valeur de la VAR.

On calcule la perte potentielle associée à la VaR en soustrayant la valeur actuelle de l'option du

pay-off actualisé correspondant à la VAR. Par exemple, si on a acheté une option d'achat (call)
dont la valeur actuelle est 𝑉0, On a :

𝐏𝐞𝐫𝐭𝐞⁡𝐩𝐨𝐭𝐞𝐧𝐭𝐢𝐞𝐥𝐥𝐞 = 𝑽𝟎 − 𝑽𝑻

14
RAPPORT DE RECHERCHE
V.6 Cas Pratique 3 : Calcul de la VAR sur les cycles longs et les cycles
courts :8
En appliquant les resultats ci-dessus comme précisés dans l’annexe 2, on obtient :
 Daily Value at Risk : 0.032978980430055614 ;
 Weekly Value at Risk : 0.07518796992481203 ;
 Monthly Value at Risk : 0.1417278373800113
Les résultats obtenus en calculant la VaR pour des cycles courts et longs peuvent être interprétés
comme des estimations de la perte maximale que pourrait subir le portefeuille sur des périodes
journalières, hebdomadaires et mensuelles avec un certain niveau de confiance. Ces résultats
peuvent être utilisés pour évaluer le risque du portefeuille et prendre des décisions en matière de
gestion du risque. Par exemple, si la VaR hebdomadaire du portefeuille est considérée comme trop
élevée, des mesures pourraient être prises pour réduire l’exposition au risque du portefeuille.

Figure 10: Var

8
Voir ANNEXE 2
15
RAPPORT DE RECHERCHE
CONCLUSION
Le modèle hyperbolique avec processus de Lévy est un modèle qui permet de décrire le
comportement des prix des actifs financiers en tenant compte des sauts qui peuvent survenir. Ce
modèle repose sur l’hypothèse que les prix des actifs suivent une distribution hyperbolique
généralisée, qui a des queues plus lourdes que la distribution normale. Ce modèle a été utilisé pour
évaluer des produits dérivés financiers, tels que les options, et pour développer des outils de
gestion des risques.
Dans ce travail, nous avons présenté les principes du pricing des options dans le modèle
hyperbolique avec processus de Lévy, en utilisant la méthode probabiliste de Monte Carlo. Nous
avons implémenté le modèle en langage Python et nous avons déterminé le prix d’un call sur
l’action d’Apple. Nous avons également calibré le modèle sur les données historiques des
rendements d’Apple, en estimant les paramètres alpha et beta par la méthode du maximum de
vraisemblance. Nous avons ensuite calculé la VaR (Value-at-Risk) pour l’option, en utilisant
l’analyse VaR pour évaluer le risque du portefeuille et prendre des décisions en matière de gestion
du risque.
Nous pouvons conclure que le modèle hyperbolique avec processus de Lévy est un modèle
performant et cohérent, qui s’adapte bien aux données observées et qui permet de prendre en
compte les sauts dans le prix des actifs. Ce modèle offre une alternative intéressante aux modèles
classiques basés sur la distribution normale, qui sont souvent insuffisants pour capturer la réalité
du marché financier.

16
RAPPORT DE RECHERCHE
ANNEXE9
 ANNEXE 1_Modèle hyperbolique avec processus de Lévy pour le pricing des options, et
VAR ;
 ANNEXE_2MODEL HYPERBOLIQUE 1.0 – DASH ;
 AAPL Historical Data Daily, pour les observations journalières ;
 AAPL Historical Data Weekly, pour les observations hebdomadaires ;
 AAPL Historical Data Monthly, pour les observations Mensuelles.

9
Les documents seront joints à ce rapport.
17
RAPPORT DE RECHERCHE
BIBLIOGRAPHIE
 Paolella, M. S. (2007). Modeling data with generalized hyperbolic distributions. Wiley.
 Senhadji El Rhazi. Modélisation et calibration des prix spot électriques : Le modèle
factoriel de Schwartz & Le modèle hyperbolique généralisé. Finance [q-fin.GN]. Paris 6,
2004. Français. NNT : tel-01086146f
 Joly, Louis-Philippe (2007). Convergence faible de processus de Lévy vers processus
hyperbolique généralisé pour l’évaluation d’options.
 Rhodes, Rémi (2018). Processus de Lévy et calcul stochastique. Cours de MASEF, Aix-
Marseille Université
 https://theses.hal.science/tel-00944239
 https://shs.hal.science/halshs-00542475
 https://hal.univ-lorraine.fr/tel-01750699
 http://www.master-statistique-
finance.com/2019/courses/Processus_Levy.pdf

18