Académique Documents
Professionnel Documents
Culture Documents
2
)(T t)
T t
d
2
= d
1
T t
Dans tout ce qui suit, V = V (S, K, , t, T) reprsente la valeur dune option
europenne sur un actif sous-jacent suivant la dynamique de Black-Scholes.
3.1.1 Delta
Dnition 3.1.1 Le Delta dune option reprsente la variation du prix de
loption par rapport une variation montaire du prix de lactif sous-jacent,
i.e.
=
V
S
.
Dans le cas de loption dachat europenne, on a
=
V
S
= N(d
1
). (3.1)
Le Delta dune option dachat varie entre 0 et 1 tandis que celui de loption
de vente varie entre 0 et -1. Loption dachat dont le sous-jacent ne verse pas
de dividende verra son Delta voluer avec sa valeur. Ainsi Delta tendra vers 0
lorsque que loption sera hors de la monnaie et tendra vers 1 lorsque loption
sera dans la monnaie. S = 1, ..., 15, K = 10, = 0.2, T = 0.5, r = 0.05.
17
5 10 15
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
S
D
e
l
t
a
Figure 3.1: Evolution de Delta par rapport au sous-jacent ( S = 1, ..., 15,
K = 10, = 0.2, T = 0.5, r = 0.05).
3.1.2 Vega
Dnition 3.1.2 Vega reprsente la sensibilit de loption par rapport la
volatilit du sous-jacent, i.e.
=
V
.
Dans le cas de loption dachat europenne, on a
=
V
= S
T tN
(d
1
).
Bien que la volatilit soit suppose constante dans la formule de Black-Scholes,
elle est trs souvent variable dans la ralit. La valeur de loption est de fait
aecte par la variation de la volatilit de lactif sous-jacent. Lo (1986) montre
limportance de calculer Vega. En partant de la formule de Black-Scholes pour
une option dachat europenne, il fait le lien entre la variance du prix de loption
et la volatilit de lactif sous-jacent. Il dduit ainsi que pour une meilleure
estimation du prix de loption il est ncessaire de tenir compte de la variation
18
par rapport la volatilit du sous-jacent sur toute la dure de vie de loption.
Ainsi Vega est une fonction croissante du prix de loption dachat puisque
quune augmentation de la volatilit implique une hausse de la probabilit
dexercice et produit leet contraire dans le cas dune option de vente.
5 10 15
0
0.5
1
1.5
2
2.5
3
S
V
e
g
a
Figure 3.2: Evolution de Vega par rapport au sous-jacent (S = 1, ..., 15, K = 10,
= 0.2, T = 0.5, r = 0.05).
Il est dicile de dterminer la volatilit et il faut recourir des modles
de calibration. Connatre la sensibilit de loption par rapport la volatilit
permet de jauger la abilit de son prix par rapport au modle de calibration.
Cest trs souvent le paramtre calculer.
3.1.3 Gamma
Dnition 3.1.3 Gamma correspond la variabilit du prix de loption par
rapport celle dune unit du Delta de ladite option ; cest donc la drive
19
seconde par rapport lactif sous-jacent, i.e.
=
2
V
S
2
.
Dans le cas de loption dachat europenne, on a
=
2
V
S
2
=
N
(d
1
)
S
T t
. (3.2)
Le Gamma dune option est son maximum lorsque celle-ci est la mon-
naie. Lorsque loption est hors de la monnaie ou dans la monnaie Gamma tend
vers 0.
5 10 15
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
S
G
a
m
m
a
Figure 3.3: Evolution de Gamma par rapport au sous-jacent (S = 1, ..., 15,
K = 10, = 0.2, T = 0.5, r = 0.05).
3.1.4 Rho
Dnition 3.1.4 Rho permet de mesurer la variabilit dune option par rap-
port au niveau des taux dintrt sans risque, i.e.
Rho =
V
r
.
20
Dans le cas de loption dachat europenne, on a
Rho =
V
r
= K(T t)e
r(Tt)
N(d
2
).
Un Changement dans les taux dintrt va entraner une variation du facteur
dactualisation et ainsi de la valeur de loption. Cependant, il a un impact rela-
tivement faible sur la valeur de loption compar aux autres drives partielles.
5 10 15
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
S
R
h
o
Figure 3.4: Evolution de Rho par rapport au sous-jacent (S = 1, ..., 15, K = 10,
= 0.2, T = 0.5, r = 0.05).
3.1.5 Theta
Dnition 3.1.5 Theta exprime la sensibilit de loption par rapport au temps,
i.e.
=
V
t
.
Il fournit une indication sur la vitesse laquelle le prix de loption dcrot plus
la date dchance approche.
21
Dans le cas de loption europenne dachat, on a
=
V
t
=
SN
(d
1
)
2
T t
+ SN(d
1
) rKe
r(Tt)
N(d
2
). (3.3)
Pour une option dachat, Theta est proche de 0 lorsque loption est hors de
la monnaie et large et ngatif lorsque loption est la monnaie.
5 10 15
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
S
T
h
e
t
a
Figure 3.5: Evolution de Theta par rapport au sous-jacent (S = 1, ..., 15, K =
10, = 0.2, T = 0.5, r = 0.05).
3.2 Utilit et application des greeks
Soit un gestionnaire de portefeuille doptions. Lorsquil ne peut pas se r-
frer au march pour grer le risque li son portefeuille, il peut se er aux
direntes valeurs de sensibilit par rapport aux facteurs de risque des options
de son portefeuille pour le couvrir. La sensibilit des options sera mesure par
22
rapport dirents paramtres pour aboutir des stratgies de couverture ou
de calcul de la VaR (Valeur Risque) de portefeuille.
3.2.1 Les valeurs de sensibilit doptions pour les strat-
gies de couverture
Soit un portefeuille dactifs et doptions portant sur les mmes actifs.
Pour simplier, supposons une volatilit et un taux sans risque constant.
partir dune expansion de Taylor, et en ignorant les termes dordre 2 autre
que (S)
2
, nous pouvons exprimer tout changement dans la valeur de notre
portefeuille par :
d = dt + dS +
1
2
(dS)
2
+ d + Rho dr
Une couverture du portefeuille consisterait le rendre neutre aux dirents
greeks
Delta
Delta informe sur la variabilit de loption ainsi que sur la probabilit de
lexercer. Beaucoup de gestionnaires utilisent la technique du Delta hedging
comme moyen de couverture de leurs portefeuilles. Il sagit dune gestion en
temps continu du risque. Elle consiste rquilibrer le nombre de parts dac-
tifs sous-jacents dtenir pour couvrir le risque de variabilit de loption par
rapport son sous-jacent.
23
Lorsque change, il faut rquilibrer le portefeuille dactions pour garder
la position Delta neutre. Lorsque le portefeuille est Delta neutre, sa variation
est donne par :
d = dt +
1
2
(dS)
2
+ d + Rho dr
Cette technique ne peut tre applicable que lorsque les variations des prix
des sous-jacents ne sont pas trs importantes car dans la pratique il peut tre
dicile de rquilibrer le portefeuille lorsque lopration doit porter sur un
volume important dactions compte tenu des cots de transactions, des risques
de pertes, etc.
Gamma
Gamma dsigne galement la frquence et le niveau auquel un portefeuille
doit tre rquilibr pour conserver la position Delta neutre. Ainsi, pour petit,
le rquilibrage du portefeuille dactions ne se fera pas trs souvent. Par contre,
lorsque Gamma est lev, Delta est de fait trs sensible aux variations de prix
de lactif sous-jacent. Pour maintenir la position Delta neutre, le gestionnaire
devra ajuster son portefeuille dactions sur des intervalles de temps trs rduits
et souvent pour des quantits importantes.
Dans ces cas-ci, tant donn la dicult garder la position Delta neutre,
le gestionnaire peut avoir recours la position Gamma neutre. Pour ce faire, il
doit rquilibrer non pas seulement le portefeuille dactions mais galement un
portefeuille doptions dans des proportions lui garantissant la position Delta
24
neutre et Gamma neutre :
d = dt + d + Rho dr
Dans le modle Black-Scholes, et r tant supposs constants, la position
Delta Gamma neutre quivaut une position Theta neutre galement (pour
respecter la condition dautonancement d = r =dt = r).
Vega
Dans le cas o le Vega est lev, la valeur de loption est trs sensible aux
plus petites variations de la volatilit mais uctuera peu dans le cas contraire.
L galement, le gestionnaire peut chercher la position Vega neutre pour rduire
la sensibilit face aux variations du sous-jacent :
d = dS + dt +
1
2
(dS)
2
+ Rho dr
On note cependant quil est trs rare daboutir sur une position Gamma
neutre et Vega neutre la fois et cest donc au gestionnaire de dcider dans
ces cas quelle est la position neutre privilgier.
Theta
Limportance de Theta dans les stratgies de couverture relve de linter-
prtation que lon peut tirer de Gamma. En eet, pour loption dachat euro-
penne, plus Theta est grand et positif, plus Gamma a tendance tre grand
et ngatif et vice versa.
25
Rho
Rho dtermine la variabilit de la valeur de loption par rapport un chan-
gement des taux dintrt sans risque. Cette mesure est intressante dans le
cas des taux dintrt dterministes. Dans le cas des options sur devises tran-
gres, lusager peut galement viser assurer la neutralit de son portefeuille
par rapport au taux tranger.
En parallle avec la stratgie de couverture, le manager peut utiliser les
greeks pour dnir lexposition maximale un facteur de risque quil peut
tolrer dans son portefeuille. Ainsi, il est courant dans la pratique de dnir la
limite Vega, Delta ou Rho selon les cas pour les portefeuilles.
3.2.2 Les valeurs de sensibilit doptions pour le calcul
des VaR
La VaR est une mesure statistique de risque qui dcrit le risque de march
li un portefeuille. Cest la perte maximale espre dun portefeuille sur
un horizon de temps donn pour un intervalle de conance dni. Elle peut
tre calcule au moyen de plusieurs mthodes dont lapproximation Delta et
lapproximation Delta-Gamma.
Soit un portefeuille doptions portant sur un actif sous-jacent. Lapproxima-
tion Delta consiste dnir lcart type de notre portefeuille partir de celui
de lactif sous-jacent cest--dire multiplier lcart type de lactif sous-jacent
au Delta du portefeuille par rapport ce sous-jacent.
26
Lapproximation Delta est pertinente dans les cas ou les variations du sous-
jacent sont linaires (portefeuilles dactions, dobligations ou de contracts for-
ward). La variation dans les portefeuilles de produits drives tels que les op-
tions ntant pas linaire, il devient appropri dinsrer Gamma dans la m-
thode de calcul car lapproximation Delta est une estimation linaire sous la-
quelle la valeur calcule est normalement distribue. Gamma permet de consi-
drer toute la convexit de la fonction de distribution et de calculer une VaR
plus exacte (Mina and Ulmer (1999), Jaschke(2002)).
3.3 valuation des greeks par les mthodes de
Broadie et Glasserman (1996)
Dans cette section, nous nous attarderons sur les travaux de Broadie et
Glasserman puisque nous lavons dit plus haut, lobjet de ce mmoire est den
faire une extension aux options ayant plusieurs actifs sous-jacents.
Broadie et Glasserman (1996) dveloppent deux mthodes directes de calcul
des paramtres de sensibilit des valeurs doptions au moyen de la simulation
Monte Carlo, la mthode des trajectoires et celle du rapport de vraisemblance
par opposition aux mthodes de computation indirectes telle la resimulation.
Les auteurs prconisent deux mthodes directes car elles permettent un gain
de temps puisquune simulation supplmentaire est inutile et quelles gnrent
des rsultats non biaiss ce qui nest pas toujours le cas des mthodes indirectes.
27
3.3.1 Cadre thorique
Soit la valeur lchance dune option europenne portant sur un actif
qui verse des dividendes. Dans le cas dune option dachat, on a
(S
T
) = max (S
T
K, 0) (3.4)
pour un prix dexercice K et une maturit T > 0.
Le prix de loption au temps t = 0 est donn par
V = e
rT
E [(S
T
)] (3.5)
avec E dsignant lesprance en monde neutre au risque. Comme cest une
esprance, elle peut tre estime sans biais par simulation.
En monde neutre au risque, lquation direntielle stochastique du prix de
lactif sous-jacent S
t
est la suivante :
dS
t
= S
t
(r ) dt + S
t
dW
t
(3.6)
o r est le taux sans risque, le taux de payement des dividendes , la volatilit
et W un mouvement brownien standard.
Sous la mesure neutre au risque, ln
_
S
T
S
0
_
suit une loi normale desprance
_
r
2
2
_
T et de variance (
2
T).
3.3.2 Mthode des trajectoires (pathwise method)
La mthode des trajectoires repose sur la relation entre la fonction de paie-
ment (payo ) et le paramtre tudi (, r, S, T). Ici, le prix de lactif sous-jacent
28
est modlis par un mouvement brownien gomtrique et scrit sous la forme
S
T
= S
0
e
(r
2
2
)T+
TZ
(3.7)
o Z est une variable alatoire normale centre rduite.
Pour obtenir une estimation de Vega,
dV
d
, les auteurs drivent S
T
par rap-
port la volatilit puisque celle-ci naecte V qu travers S
T
ce qui donne :
dS
T
d
= S
T
_
T +
TZ
_
=
S
T
_
ln
_
S
T
S
0
_
_
r +
1
2
2
_
T
_
(3.8)
Par la suite il sut dvaluer la variation de par rapport S
T
pour arriver
la variation de V par rapport :
dV
d
= e
rT
E
_
d
dS
T
dS
T
d
_
(3.9)
= e
rT
E
_
(S
T
)
S
T
_
ln
_
S
T
S
0
_
_
r +
1
2
2
_
T
__
(3.10)
Cette expression de Vega est facilement calcule par le biais de la simulation
et les auteurs montrent que les rsultats obtenus sont sans biais.
Dans le cas de loption dachat, on trouve que
d
dS
T
= 1
(S
T
K)
(3.11)
o 1 dsigne la fonction indicatrice de lvnement S
T
K. On note cependant
que lorsque que S
T
= K la fonction de paiement ntant plus drivable, il est
plus dicile de justier le changement de variables de drivation mais le rsultat
reste similaire. On obtient alors
dV
d
= e
rT
E
_
1
(S
T
K)
S
T
_
ln
_
S
T
S
0
_
_
r +
1
2
2
_
T
__
. (3.12)
29
En appliquant le mme raisonnement on obtient lexpression suivante de
Delta
dV
dS
0
= e
rT
E
_
d
dS
T
dS
T
dS
0
_
= e
rT
E
_
d
dS
T
S
T
S
0
_
,
ce qui donne
dC
dS
0
= e
rT
E
_
1
(S
T
K)
S
T
S
0
_
(3.13)
pour loption dachat.
Lexpression obtenue de Rho est
dV
dr
= TV + e
rT
E
_
d
dS
T
dS
T
dr
_
= TV + Te
rT
E
_
d
dS
T
S
T
_
,
ce qui donne
dC
dr
= KTe
rT
E
_
1
(S
T
K)
(3.14)
pour loption dachat.
Quant Theta, la drive par rapport t, elle est value par
dV
dt
=
dV
dT
= rV e
rT
E
_
d
dS
T
dS
T
dT
_
,
ce qui donne
dC
dt
= re
rT
E [max (S
T
K, 0)]
e
rT
E
_
1
(S
T
K)
S
T
2T
_
ln
_
S
T
S
0
_
+
_
r
2
2
_
T
__
(3.15)
pour loption dachat.
Cette mthode peut tre dicile appliquer pour le calcul du Gamma.
En eet, dans le cadre de loption dachat europenne, Broadie et Glasserman
30
expriment Gamma, en partant de (3.13), comme suit :
d
2
V
dS
2
0
= E
_
e
rT
_
S
T
S
0
_
S
0
1
(S
T
(S
0
)K)
_
= E
_
e
rT
_
K
S
0
_
2
g(K)
_
= E
_
e
T
n(d
1(K)
S
0
T
_
(3.16)
o
d
1
(x) =
ln
_
S
0
x
_
+
_
r +
2
2
_
T
T
= d (x) +
T
3
.
et
g(x) =
1
x
T
n(d (x)) , x 0.
avec n(x) =
1
2
e
x
2
2
.
En partant de (3.7) et (3.13), on remarque que la drive seconde par rap-
port S
0
est nulle. Pour tre en mesure de dterminer lexpression de Gamma
les auteurs supposent le cas dun payo exponentiel. Ainsi,
V = E
_
e
rT
e
S
T
(3.17)
En drivant deux fois cette expression par rapport S
0
et sachant que
dS
T
dS
0
=
S
T
S
0
et
d
2
S
T
dS
2
0
= 0 , on obtient
d
2
V
dS
2
0
= E
_
e
rT
e
S
T
_
_
dS
T
dS
0
_
2
d
2
S
T
dS
2
0
__
= E
_
e
rT
e
S
T
_
S
T
S
0
_
2
_
(3.18)
31
3.3.3 Mthode du rapport de vraisemblance
La mthode du rapport de vraisemblance est base sur la relation entre la
fonction de densit du prix de loption et le paramtre tudi. Le rapport de
vraisemblance est obtenu en partant de la valeur de loption :
V = e
rT
E
_
_
S
0
e
_
r
2
2
_
T+
TZ
__
(3.19)
= e
rT
_
+
_
S
0
e
_
r
2
2
_
T+
Tz
_
e
z
2
2
2
dz
= e
rT
_
+
0
(x)
e
1
2
2
T
_
ln
(
x
S
)
_
r
2
2
_
T
_
2
x
2T
dx (3.20)
Soit f la densit de la variable x :
f (x) =
e
1
2
2
T
_
ln
(
x
S
)
_
r
2
2
_
T
_
2
x
2T
(3.21)
=
e
1
2
_
_
ln
(
x
S
)
2
2
T
_
_
2
x
2T
=
1
x
T
n(d (x)) , x 0;
o
n(z) =
1
2
e
z
2
2
et
d (x) =
ln
_
x
S
0
_
_
r
2
2
_
T
T
Le prix de loption peut alors tre crit de la manire suivante :
V =
_
+
0
(x)e
rT
f (x) dx. (3.22)
32
Le premier greek valu ici est Vega, la drive premire par rapport .
dV
d
=
_
+
0
e
rT
(x)f (x) dx
=
_
+
0
e
rT
(x)
f
(x)dx
=
_
+
0
e
rT
(x)
log f
(x)f(x)dx
= E
_
e
rT
(S
T
)
log f
(S
T
)
_
, (3.23)
puisque la fonction de paiement ne dpend pas daucun des paramtres S
0
, , t, T.
Sachant que
d ln (f (x))
d
= d
d
et
d
=
ln
_
S
0
x
_
+
_
r +
2
2
_
T
T
Il devient facile dimplanter (3.23). En refaisant le mme exercice mais cette
fois ci en drivant par rapport S
0
, on obtient lexpression sans biais suivante
de Delta :
dV
dS
0
= E
_
e
rT
(S
T
)
log f
S
0
(S
T
)
_
. (3.24)
De plus,
ln (f (S
T
))
S
0
=
d (x)
S
0
T
=
ln
_
x
S
0
_
+
_
r
2
2
_
T
S
0
2
T
.
33
Comme les expressions (3.23) et (3.24) sont des esprances, elles peuvent
tre facilement estimes par simulation.
Lestimateur sans biais de Rho est valu comme suit :
dV
dr
= E
_
e
rT
(S
T
)
_
T +
d
__
tandis que celui de Theta est donn par
dV
dT
= E
_
e
rT
(S
T
)
_
r + d
d
T
+
1
2T
__
(3.25)
o
d
T
=
_
ln
_
S
T
S
0
_
_
r
1
2
2
_
T
_
2T
3/2
Concernant le calcul de la drive seconde Gamma, les auteurs lexpriment
en partant de lquation (3.22) :
d
2
V
dS
2
0
=
2
S
2
0
_
+
0
e
rT
(x)f (x) dx
=
_
+
0
e
rT
(x)
2
f (x)
S
2
0
dx
=
_
+
0
e
rT
(x)
2
f (x)
S
2
0
1
f (x)
f (x) dx
= E
_
e
rT
(S
T
)
2
f (S
T
)
S
2
0
1
f (S
T
)
_
(3.26)
avec
2
f (S
T
)
S
2
0
1
f (S
T
)
=
d
2
d
T 1
S
2
0
2
T
Cette formule permet galement dobtenir un estimateur sans biais de Gamma.
34
Il est noter cependant que dans le cas du rapport de vraisemblance, le
paramtre tudi pourrait ne pas apparatre dans la fonction de densit, auquel
cas un changement de variables simposerait pour rendre la mthode applicable.
Les avantages et les inconvnients de ces deux mthodes sont explicits dans
la section suivante.
3.3.4 Rsultats donns par les deux mthodes
Les auteurs, en plus du cas de loption dachat europenne appliquent leurs
mthodes aux cas des options asiatiques et volatilit stochastique. Ils com-
parent les rsultats obtenus ceux obtenus lorsque la mthode de resimulation
est utilise.
Dans le cas de loption dachat europenne pour laquelle il existe des for-
mules explicites, lestimation des greeks ainsi que lcart type obtenus par re-
simulation sont identiques ceux donns par la mthode des trajectoires ex-
ception faite du Gamma pour lequel la mthode des trajectoires produit une
estimation exacte. Ces deux mthodes gnrent des rsultats meilleurs ceux
obtenus par la mthode du rapport de vraisemblance.
Concernant lapplication aux options asiatiques auquel cas la fonction de
payo dpend de la moyenne des valeurs de lactif sous-jacent pendant la dure
de vie de loption, on observe la mme tendance des rsultats que dans le cas
de loption dachat europenne.
Pour valider leurs mthodes par rapport aux options multiples variables
35
dtat, Broadie et Glasserman font une application sur les options volatilit
stochastique. L galement, la tendance des rsultats est la mme que dans les
deux cas cits ci-dessus. Nanmoins, la mthode du rapport de vraisemblance
nest pas applique ici cause de la complexit dnir les estimateurs.
Ces deux mthodes destimation des greeks requirent un certain travail
analytique dans le calcul des drives, des intgrales et dans la vrication des
conditions de changement de variables an dobtenir des rsultats ables et
sont plus complexes pour ce qui est de lvaluation de la drive seconde. Elles
sont toutes deux plus rapides que la technique de resimulation avec cependant
une meilleure performance de la mthode des trajectoires quant il sagit de la
prcision des rsultats.
3.4 Extension des mthodes de Broadie et Glas-
serman (1996) au cas des options ayant plu-
sieurs actifs sous-jacents
3.4.1 Particularits des options ayant plusieurs actifs sous-
jacents
Une option portant sur plusieurs actifs sous-jacents (multi-asset option) est
une option dont la fonction de paiement (payo) dpend de deux ou plusieurs
actifs. Ce type doptions appartient la catgorie des options exotiques car
elles sont spciquement cres pour rpondre un besoin particulier dune
36
entreprise.
Les actifs sous-jacents peuvent tre des actions, des devises, des indices
boursiers, etc. Ils sont dans la majorit des cas modliss par des processus
stochastiques continus. Le prix de ce type doption peut galement tre exprim
comme une esprance dans le cas multidimensionnel.
Tout comme lvaluation des options standards (sur un actif sous-jacent), il
existe pour certains cas des solutions fermes. Lorsque ces solutions analytiques
ne sappliquent pas, on peut alors avoir recours aux mthodes numriques. Une
dimension de plus en plus grande devient vite une limite lusage des certaines
mthodes (binomiales, Dirences nies), auquel cas les mthodes Monte Carlo
semblent tre plus indiques pour lestimation.
Il existe dirents types doptions sur plusieurs actifs sous-jacents :
Les options Panier
Les options panier (basket) sont des options dont le sous-jacent est un
portefeuille dactifs. Cette option ne prend pas en compte la somme des pon-
drations des actifs pris de faon indpendante mais repose plutt sur un por-
tefeuille constitus dactifs avec des pondrations quivalentes ou non. La cor-
rlation entre les actifs constituant le panier permet de gnrer une baisse de la
volatilit et par consquent un prix moins lev que celui obtenu en sommant
des options individuelles sur chacun des actifs. La premire dicult rencontre
dans lvaluation de ces options est la dtermination de la corrlation entre les
37
dirents actifs. Par la suite, la dimension leve et la possibilit dun exercice
prmatur peuvent rendre plus dicile la tche de lusager.
Les options Rainbow
Les options rainbow sont des options dont la fonction de paiement (payo)
dpend de 2 ou plusieurs actifs risqus sous-jacents. Dans la catgorie des
options rainbow, on retrouve :
Les options sur minimum / maximum : il sagit dune option de type
vanille avec cependant quelques spcicits. Loption porte sur plusieurs
sous-jacents, mais lchance, lexercice portera sur un seul des actifs
sous-jacents , celui ayant la valeur minimale ou maximale selon les cas.
Loption dchange comme son nom lindique, permet leur dtenteur
dchanger un actif pour un autre. Lactif peut tre une devise ou une
action.
Les spread options quant eux correspondent des options dont la
fonction de paiement est base sur la dirence entre plusieurs actifs.
Les worst of / better of options (alternative options) procurent leur
dtenteur une fonction de paiement (payo) correspondant lactif ayant
la plus faible ou la plus forte valeur suivant les cas. Ces options peuvent
inclure un paiement supplmentaire dun montant donn, on parle alors
de worst of / better of and cash options.
Lvaluation des options rainbow doit tenir compte de la particularit du
produit driv mais aussi de la corrlation qui existe entre les dirents actifs
38
en question.
Les options quantos
Les quantos ou cross currency derivative sont des produits drivs pour
lesquels la fonction de paiement (payo) est dnie par rapport des actifs
exprims dans une certaine devise mais dont le paiement se fera dans une autre
devise. Loption est alors expos au taux de change entre les direntes devises.
3.4.2 Cadre thorique
Dans ce qui suit, nous nous proposons de faire une extension de la mthode
des trajectoires et de celle du rapport de vraisemblance dveloppes par Broadie
et Glasserman (1996).
Pour cela, nous allons supposer le cas plus gnral dune option europenne
dont la fonction de paiement (payo) dpend de d actifs sous-jacents S
et est indpendante de la trajectoire des actifs sous-jacents. Les actifs sous-
jacents sont reprsents par des mouvements browniens gomtriques corrls
entre eux et suivent une distribution log-normale. Ces actifs, en monde neutre
au risque, satisfont le systme dquations direntielles suivant :
dS
i
(t) = S
i
(t) rdt + S
i
(t)
i
dW
i
(t)
pour i = 1, ..., d, o reprsente la volatilit et W le mouvement brownien.
Notons la matrice de corrlation des mouvements browniens et la ma-
39
trice de variance-covariance dnie par
ik
=
i
ik
, 1 i, k d
Puisque est symtrique dni positif, il est possible dobtenir par une
dcomposition de Cholesky une matrice triangulaire suprieure a contenant
toute linformation de dpendance entre les mouvements browniens tel que
= a
a
Cette rcriture de nous permet dcrire chaque actif sous-jacent sous
la forme dun mouvement brownien indpendant pondr par le coecient de
dpendance :
S
i
(t) = S
i
(0) e
(
r
ii
2
)
t+
i
k=1
a
ki
Z
k
(t)
pour i = 1, ..., d,
ii
=
2
i
et Z
1
, ..., Z
d
des mouvement browniens indpendants.
On dnit alors le vecteur de volatilit par = a = (a
11
, ..., a
1d
, a
22
, ..., a
dd
).
Ainsi, la variation par rapport chacun des lments de a ne constitue la
variation par rapport la volatilit des sous-jacents pris individuellement. Vega
ici reprsente la sensibilit de loption par rapport aux coecients de volatilit
prsents dans le processus de diusion des actifs sous-jacents.
Dans le cas, dune option portant sur 2 actifs sous-jacents corrls avec
S
1
(t) = S
1
(0) exp
__
r
2
1
2
_
t+
1
tZ
1
_
et
S
2
(t) = S
2
(0) exp
__
r
2
2
2
_
t+
2
tZ
1
+
1
2
tZ
2
_
.
40
Les coecients de volatilit devant les mouvements browniens sont pour
S
1
:
1
et pour S
2
:
2
et
_
1
2
2
.
Quand aux drives croises
ik
pour i = k, elles permettent de mesurer
limpact dun mouvement simultan de deux actifs sous-jacents sur le prix de
loption.
Dans ce qui suit nous allons dans le cadre dune simulation Monte Carlo
dterminer les greeks dune option portant sur plusieurs sous-jacents selon la
mthode des trajectoires puis celle du rapport de vraisemblance.
3.4.3 Mthode des trajectoires
Dans le cadre dune simulation des valeurs doptions europennes portant
sur plusieurs sous-jacents, les titres peuvent tre reprsents comme suit :
(
S
j
)
i
= s
i
e
(
r
ii
2
)
+
l=1
a
li
Z
jl
(3.27)
avec 1 i d, 1 j N, N tant le nombre de simulations eectues, s
est la valeur initiale du titre i, Z = (Z
1
, ..., Z
d
)
N
d
(0, 1) indpendants et
= T t la dure de vie restante avant lchance de loption.
La valeur au temps t de loption europenne venant chance au temps T
est estime par
V = e
r
1
N
N
j=1
S
j
_
o dsigne la fonction de paiement de loption.
41
Proposition 1 Si est drivable presque partout et admet des drives par-
tielles, alors pour tout i = 1, ..., d la drive par rapport un paramtre
quelconque
_
r, t, s
1
, ..., s
d,
v
1
, ..., v
d(d+1)/2
_
est :
V =
(e
r
)
1
N
N
j=1
S
j
_
+ e
r
1
N
N
j=1
d
k=1
S
j
_
S
jk
,
o
k
(s) =
s
k
(s
1
, . . . , s
d
). Les estimateurs sans biais des drives partielles
par rapport chacun des paramtres sont :
Delta
s
i
V = e
r
1
N
N
j=1
S
j
_
S
ji
s
i
Vega
_
a
ii
V = e
r 1
N
N
j=1
S
j
_
S
ji
(
Z
ji
a
ii
)
pour i = 1, . . . , d,
a
ik
V = e
r 1
N
N
j=1
S
j
_
S
jk
(
Z
ji
a
ik
)
pour 1 i < k d.
Theta
V = r
V e
r
1
N
N
j=1
d
i=1
S
j
_
_
r
ii
2
+
1
2
k=1
a
ki
Z
jk
_
S
ji
Rho
r
V =
V + e
r
1
N
N
j=1
d
i=1
S
j
_
S
ji
Gamma : Concernant les drives secondes, tout comme dans le cas une
dimension, la mthode des trajectoires ne permet pas de gnrer Gamma.
Dans beaucoup de cas, les drives secondes de sont nulles presque
42
partout. Ici galement on utilisera la formule de Black-Scholes pour d-
terminer le Gamma par rapport chacun des titres. Quant aux drives
croises, nous ne sommes pas en mesure de les valuer non plus.
Pour plus de dtail sur les calculs se rfrer lannexe A.
3.4.4 Mthode du rapport de vraisemblance
Dans le cas de multiples actifs sous-jacents, lanalogue de la fonction de
vraisemblance (3.21), est donne par
f (x) =
1
d
i=1
(a
ii
x
i
) (2)
d/2
e
1
2
avec
1
=
_
a
a
_
1
et
i
= ln
_
x
i
s
i
_
_
r
ii
2
_
.
Remarquons que f est drivable par rapport chacun des paramtres qui
nous interesse. On peut alors reprsenter V en faisant apparatre f (x) dans
son expression :
V = e
r
_
(x) f (x) dx
o dsigne la fonction de paiement de loption.
Proposition 2 Lorsque que le paramtre tudi apparat dans la fonction de
densit, lestimation sans biais de la drive partielle (dordre 1) par rapport
ce paramtre est donne par lexpression suivante :
V =
_
e
r
_
1
N
N
j=1
S
j
_
+ e
r
1
N
N
j=1
S
j
_
{ln f (x)}
|x=
S
j
(3.28)
43
Les drives partielles dordre 1 par rapport chacun des paramtres tudis
sont :
Delta
s
i
V = e
r
1
N
N
j=1
1
s
i
_
a
1
Z
j
_
i
_
S
j
_
Vega
_
a
ii
V = e
r 1
N
N
j=1
S
j
__
(a
1
Z
j
)
i
(Z
ji
a
ii
)
1
a
ii
_
pour i = 1, . . . , d,
a
ik
V = e
r 1
N
N
j=1
S
j
_
(a
1
Z
j
)
k
(Z
ji
a
ik
)
pour 1 i < k d.
Theta
t
V =
V
=
_
r +
d
2
_
V
e
r
2N
N
j=1
S
j
_
_
_
Z
j
Z
j
_
+ 2
i=1
_
r
kk
2
_
_
a
Z
j
_
k
_
Rho
r
V = e
r
V + e
r
1
N
N
j=1
S
j
_
d
k=1
_
a
1
Z
j
_
k
Lestimateur sans biais dune drive partielle (dordre 2) par rapport au
paramtre s prsent dans la fonction de densit est donn par :
S
i
S
k
V =
1
N
e
r
N
j=1
S
j
_
{
S
i
(
S
k
ln f (x)) + (
S
i
ln f (x)) (
S
k
ln f (x))}
dou
44
Gamma (drive seconde)
S
i
S
i
V =
1
N
e
r
N
j=1
S
j
_
_
(
a
1
Z
j
)
2
i
(
a
1
Z
j
)
i
(
1
)
ii
S
2
i
_
Gamma (drive croise)
S
i
S
k
V =
1
N
e
r
N
j=1
S
j
_
_
(a
1
Z
j
)
i
(a
1
Z
j
)
k
(
1
)
ik
S
k
S
i
_
Les dtails des calculs sont donns dans lannexe B.
Le chapitre suivant traitera de la mise en application des propositions (1)
et (2).
45
Chapitre 4
Application numrique
Dans les chapitres prcdents, nous avons dduit une estimation des para-
mtres de sensibilit des options sur plusieurs actifs sous-jacents partir des
approches proposes par Broadie et Glasserman.
Dans cette section, nous allons procder une application numrique sur
des options dimension N de nos estimations selon les 2 approches.
La premire partie sera consacre une analyse comparative de nos estima-
tions avec le modle Black-Scholes pour une option dchange dun actif risqu
pour un autre.
La seconde partie portera sur une option panier de dimension 2 et 5. Enn
la troisime partie viendra commenter et conclure les rsultats obtenus.
46
4.1 Loption dchange dun actif risqu pour un
autre
Une option dchange dun actif risqu pour un autre octroie son dtenteur
le droit dchanger une quantit dtermine dun actif donn pour une certaine
quantit dun autre actif risqu spci et ce, la date de maturit de loption.
Considrons une option europenne C (S
1
, S
2
) dont la fonction de paiement
dpend de 2 actifs risqus. La valeur lchance de cette option vaut
C (S
1
, S
2
) = max(q
2
S
2
q
1
S
1
, 0) (4.1)
o q
1
et q
2
sont des quantits positives et constantes.
La dynamique des actifs risqus est dnie par :
dS
1
S
1
=
1
dt +
1
dW
1
dS
2
S
2
=
2
dt +
2
dW
2
o W
1
et W
2
sont 2 mouvements browniens dpendants de corrlation .
47
4.1.1 Mthodes Monte Carlo pour la valeur et les para-
mtres de sensibilit pour une option dchange
La valeur en monde neutre au risque de loption dchange est donne par
C (t, S
1
, S
2
) = exp
(r(Tt))
E [(q
1
S
1
(T), q
2
S
2
(T))] (4.2)
avec
S
1
(t) = S
1
(0) exp
__
r
2
1
2
_
t+
1
tZ
1
_
et
S
2
(t) = S
2
(0) exp
__
r
2
2
2
_
t+
2
tZ
2
_
o Z
2
= Z
1
+
_
1
2
Z
3
, Z
1
et Z
3
tant des variables indpendantes N(0, 1).
Les expressions de S
1
et S
2
permettent de rcrire (4.2) :
C (t, s
1
, s
2
) = e
r(Tt)
E
_
max
_
q
2
s
2
e
__
r
2
2
2
_
(Tt)+
2
TtZ
2
_
q
1
s
1
e
__
r
2
1
2
_
(Tt)+
1
TtZ
1
_
, 0
__
A partir de cette expression, on peut dduire lestimateur Monte Carlo sans
biais de la valeur de loption dchange dun actif risqu pour un autre
V au
temps t :
V (t, s
1
, s
2
) =
e
r(Tt)
N
N
j=1
max
_
q
2
s
2
e
__
r
2
2
2
_
(Tt)+
2
TtZ
2j
_
q
1
s
1
e
__
r
2
1
2
_
(Tt)+
1
TtZ
1j
_
, 0
_
(4.3)
48
o Z
11
, . . . , Z
1N
, Z
31
, . . . , Z
3N
sont des variables alatoires indpendantes N(0, 1)
et Z
2j
= Z
1j
+
_
1
2
Z
3j
, j = 1, . . . , N.
Les estimations Monte Carlo des dirents paramtres de sensibilit de
(4.3) selon la mthode des trajectoires et celle du ratio de vraisemblance sont
donnes par les propositions 1 et 2.
An de vrier la prcision de nos rsultats sur ces estimations, nous les
avons compars ceux gnrs dans un monde Black-Scholes.
4.1.2 Formules de Black-Scholes pour la valeur et les pa-
ramtres de sensibilits pour une option dchange
Dans un modle Black-Scholes, la valeur dune option change dun actif
risqu pour un autre est donne par
C(t, S
1
, S
2
) = q
2
S
2
(t)N(D
1
) q
1
S
1
(t)N(D
2
) (4.4)
avec N la fonction cumulative normale,
D
1
=
ln
_
q
2
S
2
(t)
q
1
S
1
(t)
_
+
1
2
2
(T t)
T t
D
2
= D
1
T t
et
2
=
2
1
+
2
2
2
1
2
. Posons = T t. Cette expression de la valeur
de loption dchange ne dpend pas du taux sans risque r. partir de cette
reprsentation de loption dchange tire de Willmott (1998), lon est mme
den dduire une solution analytique des paramtres de sensibilit :
49
Proposition 3 Les drives partielles premires par rapport aux actifs sous-
jacents dune option dchange dans une formulation Black-Scholes sont don-
nes par :
1
= q
1
N(D
2
)
2
= q
2
N(D
1
)
Quant aux drives partielles secondes par rapport aux actifs sous jacents, elles
sont :
11
= q
1
n(D
2
)
1
S
1
(t)
22
= q
2
n(D
1
)
1
S
2
(t)
12
= q
1
n(D
2
)
1
S
2
(t)
a avec
a =
_
_
1
2
0
_
1
2
2
_
_
,
se dcompose en :
V
a
11
=
_
a
11
a
12
_
q
2
S
2
(t)n(D
1
)
V
a
12
= V
a
21
=
_
a
12
a
11
_
q
2
S
2
(t)n(D
1
)
V
a
22
=
_
a
22
_
q
2
S
2
(t)n(D
1
)
50
La sensibilit par rapport au temps, Theta, est dnie par
= q
1
S
1
(t)
n(D
2
)
2
V
)
N
.
Dune manire gnrale, on note que la mthode des trajectoires produit une
meilleure approximation des paramtres de sensibilit par rapport celle du
ratio de vraisemblance. De plus, lerreur standard produite par la mthode de
vraisemblance est plus grande que celle produite par la mthode des trajectoires
surtout lorsque loption est trs dans la monnaie.
Tout comme dans larticle de Broadie et Glasserman (1996), la mthode des
trajectoires est plus prcise pour chacune des drives. Enn, lerreur standard
la plus leve est produite par la mthode du ratio de vraisemblance lorsque
loption est trs dans la monnaie
4.2 Loption panier
La prochaine application numrique des propositions (1) et (2) porte sur
une option panier de dimension d = 2 et d = 5. Loption panier est compose
de d titres dont la dynamique est reprsente par :
dS
i
S
i
=
i
dt +
i
dW
i
pour i = 1, .., d
55
4.2.1 Loption panier de dimension 2
La valeur lchance dune option panier dachat portant sur 2 titres
risqus, de prix dexercice K est dnie par
C(T, S
1
, S
2
) = max((S
1
+ S
2
) K, 0)
Lestimateur Monte Carlo de la valeur de loption panier au temps t est
donn par
C(t) = e
r(Tt)
1
N
N
j=1
max((
S
j1
(T) +
S
j2
(T)) K, 0)
Les paramtres de sensibilit de cette option sont estims par les proposi-
tions 1 et 2.
Description des donnes et rsultats
Les donnes de cette simulation sont les mmes que celles utilises pour
loption dchange dans la section prcdente. La valeur initiale des titres S
1
et
S
2
est de respectivement 25.76 et 26.96 et le prix dexercice K est x 52.9.
La dure de vie de loption, le taux sans risque, la matrice a ainsi que le nombre
de simulations restent inchangs. Les rsultats apparaissent dans le tableau 4.2.
56
Option Panier de 2 actifs risqus
S1=25.75 Erreur
S2=26.96 stand
Option panier 3.8261
Delta
Resimulation 0.5758 0.0011
0.6062 0.0012
Trajectoires 0.5757 0.0011
0.6062 0.0011
Rapport de Vraisemblance 0.5760 0.0048
0.6044 0.0036
Vega
Resimulation 5.6746 5.9265 0.0271 0.0288
5.9265 4.4236 0.0288 0.0317
Trajectoires 5.6744 6.0699 0.0268 0.0272
6.0699 4.4231 0.0272 0.0313
Rapport de Vraisemblance 5.6791 5.7865 0.1555 0.0900
5.7865 4.4325 0.0900 0.1163
Gamma
Resimulation 0.0495 0.0482 0.0023 0.0012
0.0482 0.0471 0.0012 0.0012
Trajectoires - -
Rapport de Vraisemblance 0.0489 0.0470 0.0023 0.0012
0.0470 0.0466 0.0012 0.0012
Rho
Resimulation 15.5862 0.0293
Trajectoires 15.4849 0.0287
Rapport de Vraisemblance 13.9344 0.0700
Theta
Resimulation -3.8868 0.0000
Trajectoires -3.7869 0.0120
Rapport de Vraisemblance -3.8383 0.0485
Tableau 4.2: Valeurs et paramtres de sensibilit dune option panier de 2 titres
Le calcul des paramtres de sensibilit pour loption panier ne dire pas
de celui de loption dchange. La variante est la fonction de paiement , le reste
du calcul reste inchang.
57
A des ns de comparaison, nous avons ajout la mthode de resimulation.
Pour cela, nous avons perturb les paramtres tudis de h = 0.0001 (pour
Gamma, h = 0.05). Le choix de h est le mme que dans notre article de rf-
rence. Tout comme dans Broadie et Glasserman (1996), on note que la mthode
des trajectoires gnre des rsultats trs proches de ceux de la resimulation.
La tendance observe des rsultats est la mme que dans le prcdent
exemple : les valeurs donnes par les deux mthodes sont proches, et la mthode
de vraisemblance gnre plus dincertitude que celle des trajectoires.
Sur un ordinateur de 1GB de Ram, les rsultats pour 1000000 de trajec-
toires sont gnrs en 1.9929 secondes pour la mthode des trajectoires, 2.0730
secondes pour la mthode du ratio de vraisemblance et 3.9857 secondes pour
la resimulation. La resimulation requiert 2 fois plus de temps de calcul que les
mthodes des trajectoires et du ratio de vraisemblance.
4.2.2 Loption panier de dimension 5
La valeur dune option panier dachat portant sur 5 titres risqus avec un
prix dexercice K est dnie par
C(T, S
1
, S
2
, S
3
, S
4
, S
5
) = max((S
1
(T) +S
2
(T) +S
3
(T) +S
4
(T) +S
5
(T)) K, 0)
Lestimateur Monte Carlo de la valeur de loption panier au temps t est
donn par
C = e
r(Tt)
1
N
N
j=1
max
_
5
k=1
S
jk
(T) K, 0
_
.
58
Les paramtres de sensibilit de cette option sont estims par les proposi-
tions (1) et (2).
Description des donnes et rsultats
Pour cet exemple, nous conservons les donnes historiques sur les deux
titres utilises pour les exemples prcdents. Nous avons rajout, pour le mme
nombre dobservations sur la mme priode, 3 autres titres lists sur le Nasdaq
notre panier, APPLE, DELL et CISCO. Leurs volutions sont prsentes
ci-dessus :
59
0 100 200 300 400 500 600
5
10
15
20
25
30
35
40
45
50
0 100 200 300 400 500 600
30
32
34
36
38
40
42
44
0 100 200 300 400 500 600
16
18
20
22
24
26
28
30
Figure 4.2: Evolution des Titres APPLE, DELL et CISCO
La valeur initiale des titres S
1
,S
2
, S
3
,S
4
et S
5
est respectivement 25.76,
26.96 19.15, 35.05 et 21.5. Le prix dexercice K est x la monnaie 129.28.
La matrice a est donne par
a =
_
_
_
_
_
_
_
_
_
_
_
0.1969 0.1436 0.1307 0.0035 0.0246
0 0.2554 0.0805 0.0161 0.027
0 0 0.3659 0.0022 0.0103
0 0 0 0.2184 0.1675
0 0 0 0 0.2441
_
_
_
_
_
_
_
_
_
_
_
60
et la matrice de corrlation est
_
_
_
_
_
_
_
_
_
_
_
1 0.4901 0.3295 0.0158 0.0823
0.4901 1 0.3383 0.0719 0.1193
0.3295 0.3383 1 0.0293 0.0773
0.0158 0.0719 0.0293 1 0.5513
0.0823 0.1193 0.0773 0.5513 1
_
_
_
_
_
_
_
_
_
_
_
La dure de vie de loption, le taux sans risque ainsi que le nombre de simula-
tions restent inchangs. Les rsultats apparaissent dans le tableau 4.3.
61
Option Panier de 5 actifs risqus
S1=25.75 S2=26.96 S3=19.15 S4=35.05 S5=21.5
Erreur
Valeur de loption
Monte Carlo 5.99698
Delta
Trajectoires 0.5291 0.0011
0.5513 0.0011
0.5641 0.0012
0.5361 0.0011
0.5360 0.0011
Rapport de Vraisemblance 0.5251 0.0074
0.5535 0.0051
0.5629 0.0051
0.5343 0.0053
0.5378 0.0063
Vega
Trajectoires 4.0132 5.2476 3.6504 5.3982 3.1312 0.0274 0.0301 0.0220 0.0355 0.0218
5.2476 3.2419 2.6937 4.2735 2.3532 0.0301 0.0308 0.0219 0.0366 0.0225
3.6504 2.6937 1.9019 3.3317 1.9601 0.0220 0.0219 0.0236 0.0372 0.0230
5.3982 4.2735 3.3317 5.6483 4.4494 0.0355 0.0366 0.0372 0.0382 0.0242
3.1312 2.3532 1.9601 4.4494 1.6625 0.0218 0.0225 0.0230 0.0242 0.0242
Rapport de Vraisemblance 4.1203 4.1745 2.9469 5.4362 3.3075 0.2128 0.1203 0.0843 0.1678 0.1237
4.1745 3.2131 2.2663 4.0718 2.5281 0.1203 0.1540 0.0806 0.1568 0.1157
2.9469 2.2663 1.9175 3.3136 1.9908 0.0843 0.0806 0.1061 0.1568 0.1134
5.4362 4.0718 3.3136 5.6567 3.5587 0.1678 0.1568 0.1557 0.2078 0.1191
3.3075 2.5281 1.9908 3.5587 1.7460 0.1237 0.1157 0.1134 0.1191 0.1420
Gamma
Trajectoires
Rapport de Vraisemblance 0.0299 0.0271 0.0265 0.0280 0.0275 0.0034 0.0018 0.0017 0.0018 0.0021
0.0271 0.0278 0.0272 0.0269 0.0276 0.0018 0.0016 0.0012 0.0012 0.0015
0.0265 0.0272 0.0284 0.0269 0.0264 0.0017 0.0012 0.0015 0.0012 0.0015
0.0280 0.0269 0.0269 0.0279 0.0280 0.0018 0.0012 0.0012 0.0018 0.0016
0.0275 0.0276 0.0264 0.0280 0.0302 0.0021 0.0015 0.0015 0.0016 0.0025
Rho
Trajectoires 31.7654 0.0625
Rapport de Vraisemblance 32.1730 0.1597
Theta
Trajectoires -6.3720 0.0198
Rapport de Vraisemblance -7.4213 0.0986
Tableau 4.3: Valeurs et paramtres de sensibilit dune option panier de 5 titres
62
Le but de cet exercice est de montrer que les extensions que nous proposons
dans les propositions 1 et 2 sont galement facilement applicables des options
de dimension plus leve. Lapplication des deux propositions la dimension
5 de loption panier ne requiert pas changement dans les formules. Quant
limplementation, il ny a pas de calcul supplmentaire par rapport loption
de dimension 2. Enn, pour ce qui est de la prcision des estimateurs, on
conserve la mme tendance observe avec les deux premiers exemples.
63
Chapitre 5
Conclusion
Ce mmoire a port sur lestimation des paramtres de sensibilit Greeks
des valeurs doptions portant sur plusieurs actifs sous-jacents au moyen des
simulations Monte Carlo.
Pour Cela, nous avons choisi comme approche de dpart celles proposes
par Broadie et Glasserman (1996) : la mthode des trajectoires Pathwise me-
thod et celle du ratio de vraisemblance Likelihood ratio method. Cet article
sintressait au cas des options comportant un actif sous-jacent.
La problmatique ici tait de transposer ces mthodes aux cas doptions
dont la valeur dpend de plusieurs actifs sous-jacents pouvant tre corrls
entre eux.
Pour ce faire, nous avons utilis les simulations Monte Carlo comme m-
thode numrique pour leurs performances dans lvaluation des valeurs dop-
64
tions comportant plusieurs variables dtat.
Dans un premier temps nous avons exprim les actifs sous-jacents en fonc-
tion de leur dpendance les uns des autres grce une dcomposition de Cho-
lesky.
Pour la mthode des trajectoires, nous avons crit lestimateur Monte Carlo
de la valeur de loption partir des direntes trajectoires possibles pour cha-
cun des actifs sous-jacents. Nous avons ensuite dduit les drives partielles qui
nous intressent de la valeur de loption sur chacune des trajectoires.
Concernant la mthode du ratio de vraisemblance, nous avons exprim les-
timateur Monte Carlo de la valeur de loption sous forme dune intgrale de la
fonction de densit du prix de loption. Nous avons obtenu nos drives par-
tielles de la valeur de loption en drivant la fonction de densit par rapport
aux paramtres qui nous intressaient.
En procdant ainsi, nous avons pu dgager une expression des estimateurs
de Delta, Vega, Rho et Theta pour chacune des deux mthodes et lestimateur
de Gamma pour la mthode du rapport de vraisemblance.
Nous avons ensuite test la performance de nos estimateurs en comparant
les rsultats quils produisaient ceux gnrs par le modle de Black-Scholes
et par la technique de resimulation. Notre extension de Broadie et Glasserman
(1996) permet dapproximer les paramtres de sensibilit doptions portant sur
plusieurs actifs sous-jacents. De manire gnrale, la mthode des trajectoires
est plus prcise que celle du rapport de vraisemblance et les estimateurs sont
plus prcis lorsque loption est la monnaie.
65
Enn pour complter notre tude, nous avons montr que ces extensions
taient facilement adaptables des options de direntes dimensions, nous
avons illustr les cas avec 2 et 5 actifs sous-jacents.
Ces extensions sont facilement applicables et implantables et requirent
un court temps de simulation (1.9929 secondes et 2.0730 secondes pour les
mthodes des trajectoires et du ratio de vraisemblance contre 3.9857 secondes
pour la resimulation). Elles seraient donc trs utiles un usager qui souhaite
connatre et contrler le risque de son option multidimensionnelle. Dans un
souci de prcision, celui-ci pourrait ajouter des techniques de rduction de
variance son modle an den amliorer la convergence.
Enn pour une meilleure gnralisation, il serait intressant dtudier lap-
plicabilit de la mthode des trajectoires aux cas doptions dont la fonction de
paiement est discontinue. Il y a lieu de penser que cela fonctionne si lensemble
des discontinuits est de mesure de Lebesgue nulle.
66
Appendices A
Mthode des trajectoires
A.1 Forme gnrale
Dans le cadre dune simulation des valeurs doptions europennes portant
sur plusieurs sous-jacents, les titres peuvent tre reprsents comme suit :
(
S
j
)
i
= s
i
e
(
r
ii
2
)
+
k=1
a
ki
Z
jk
(A.1)
avec 1 i d, 1 j N , Z = (Z
1
, ..., Z
d
)
N
d
(0, 1) indpendants et
= T t la dure de vie restante avant lchance de loption.
La valeur lchance T de loption europenne venant au temps t donne
par
67
V = e
r
E {(S
T
)}
e
r
1
N
N
j=1
S
j
_
(A.2)
Si est drivable presque partout et admet des drives partielles, alors
pour tout i = 1, ..., d, la drive par rapport un paramtre se calcule comme
suit :
V =
(e
r
)
1
N
N
j=1
S
j
_
+ e
r
1
N
N
j=1
S
j
__
=
(e
r
)
1
N
N
j=1
S
j
_
+ e
r
1
N
N
j=1
_
S
j
__
S
j
_
=
(e
r
)
1
N
N
j=1
S
j
_
+ e
r
1
N
N
j=1
d
k=1
S
j
_
S
jk
(A.3)
A.2 Delta
A partir de lexpression gnrale de
V , dterminons cette drive pour
= S cest dire .
s
i
V =
s
i
(e
r
)
1
N
N
j=1
S
j
_
+ e
r
1
N
N
j=1
S
j
_
s
i
S
j
= e
r
1
N
N
j=1
S
j
_
s
i
S
ji
(A.4)
68
o
i
correspond la drive par rapport la i
me
composante de , car pour
i = k,
_
s
i
S
j
_
k
= 0.
Trouvons ensuite
s
i
S
ji
. On a
s
i
_
S
j
_
i
=
s
i
_
s
i
e
(
r
ii
2
)
+
k=1
a
ki
Z
jk
_
= e
(
r
ii
2
)
+
k=1
a
ki
Z
jk
=
S
ji
s
i
, (A.5)
do
=
s
i
V = e
r
1
N
N
j=1
S
ji
_
S
ji
s
i
pour 1 i d. (A.6)
A.3 Vega
Le mme raisonnement appliqu gnre lestimateur sans biais de . Puisque
le vecteur de volatilit est dni par a
a
ik
=
a
ik
(e
r
)
1
N
N
j=1
S
j
_
+ e
r
1
N
N
j=1
S
j
_
a
ik
S
jk
= e
r
1
N
N
j=1
S
j
_
a
ik
S
jk
(A.7)
valuons dabord cette drive pour i = k, soit
a
ii
S
ji
.
69
On a
a
ii
(
S
j
)
i
=
a
ii
_
s
i
e
(
r
ii
2
)
+
l=1
a
li
Z
jl
_
=
S
ji
_
Z
ji
a
ii
_
(A.8)
et lon obtient
a
ii
V = e
r
1
N
N
j=1
S
j
_
S
ji
_
Z
ji
a
ii
_
. (A.9)
A prsent, dterminons cette drive pour 1 i < k d, soit
a
ik
S
jk
:
a
ik
(
S
j
)
k
=
a
ik
_
s
k
e
_
r
kk
2
_
+
l=1
a
lk
Z
jl
_
=
S
jk
_
Z
ji
a
ik
_
, (A.10)
et on arrive
a
ik
V = e
r
1
N
N
j=1
S
j
_
S
jk
_
Z
ji
a
ik
_
. (A.11)
A.4 Theta
Une autre des drives est celle par rapport
V =
(e
r
)
1
N
N
j=1
S
j
_
+ e
r
1
N
N
j=1
d
i=1
S
j
_
S
ji
= (r) e
r
1
N
N
j=1
S
j
_
+ e
r
1
N
N
j=1
d
i=1
S
j
_
S
ji
= r
V + e
r
1
N
N
j=1
d
i=1
S
j
_
S
ji
. (A.12)
70
Cherchons
S
ji
:
S
ji
=
_
s
i
e
(
r
ii
2
)
+
k=1
a
ki
Z
jk
_
=
_
_
r
ii
2
_
+
1
2
k=1
a
ki
Z
jk
_
s
i
e
(
r
ii
2
)
+
k=1
a
ki
Z
jk
=
_
_
r
ii
2
_
+
1
2
k=1
a
ki
Z
jk
_
S
ji
. (A.13)
En remplaant (A.13) dans (A.12) , on obtient
V = r
V e
r
1
N
N
j=1
d
i=1
S
j
_
_
r
ii
2
+
1
2
k=1
a
ki
Z
jk
_
S
ji
. (A.14)
A.5 Rho
Enn, la drive par rapport au taux sans risque r sobtient comme suit :
r
V =
r
(e
r
)
1
N
N
j=1
S
j
_
+ e
r
1
N
N
j=1
d
i=1
S
j
_
r
S
ji
= () e
r
1
N
N
j=1
S
j
_
+ e
r
1
N
N
j=1
d
i=1
S
j
_
r
S
ji
=
V + e
r
1
N
N
j=1
d
i=1
S
j
_
r
S
ji
. (A.15)
71
Cherchons
r
S
ji
:
r
S
ji
=
r
_
s
i
e
(
r
ii
2
)
+
k=1
a
ki
Z
jk
_
=
_
s
i
e
(
r
ii
2
)
+
k=1
a
ki
Z
jk
_
=
S
ji
(A.16)
En remplaant dans (A.16 ) lquation (A.15), on arrive
r
V =
V + e
r
1
N
N
j=1
d
i=1
S
j
_
S
ji
. (A.17)
A.6 Gamma
Concernant les drives secondes, tout comme dans le cas une dimension,
la mthode des trajectoires ne permet pas gnrer Gamma. Dans beaucoup de
cas, les drives secondes de sont nulles presque partout. Ici galement on
utilisera la formule de Black-Scholes pour dterminer le Gamma par rapport
chacun des titres. Quant aux drives croises, nous ne sommes pas en mesure
de les valuer non plus.
72
Appendices B
Mthode du rapport de
vraisemblance
B.1 Forme gnrale
Selon la distribution des actifs sous-jacents, la valeur de loption est mod-
lise comme suit :
V = e
r
E {(S
T
)}
= e
r
_
+
_
s
i
e
(
r
ii
2
)
+
k=1
a
ki
z
k
_
e
1
2
d
k=1
z
2
k
(2)
d/2
dz
pour 1 i d
Nous cherchons dnir la fonction du rapport de vraisemblance dans le
cas dactifs sous-jacents multiples. Pour ce faire, eectuons le changement de
73
variables suivant :
x
i
= s
i
e
(
r
ii
2
)
+
k=1
a
ki
z
k
, i = 1, . . . , d,
o la densit jointe des z est donne par
1
(2)
d/2
e
1
2
d
k=1
z
2
k
.
Pour trouver dx = Jacobien dz, remarquons que
x
i
z
k
= x
i
a
ki
pour 1 i d et k i
=
dx =
_
d
i=1
x
i
_
det (a)
=
_
d
i=1
a
ii
x
i
_
d/2
.
De mme,
z
z =
1
avec
1
=
_
a
a
_
1
et = a
i=1
(a
ii
x
i
) (2)
d/2
e
1
2
Remarquons que f est drivable par rapport chacun des paramtres qui
nous interesse.
74
On peut alors reprsenter V en faisant apparatre f (x) dans son expression :
V = e
r
_
(x) f (x) dx
et par consquent, on a
V =
_
e
r
_
_
(x) f (x) dx+e
r
_
(x)
f (x) dx =
_
e
r
_
I+e
r
J,
(B.1)
o
I =
_
(x) f (x) dx
et
J =
_
(x)
f (x) dx.
I =
1
N
N
j=1
S
j
_
. (B.2)
De mme,
J =
_
(x)
f (x) dx
=
_
(x)
f (x)
f (x)
f (x) dx
=
_
{(x)
ln f (x)} f (x) dx
= E
_
(
S)
ln f (x)
_
et donc peut tre estim par
J =
1
N
N
j=1
S
j
_
{ln f (x)}
|x=
S
j
. (B.3)
75
En remplaant I et J dans (B.1) par leurs estimations (B.2) et (B.3), une
estimation sans biais de
V =
_
e
r
_
1
N
N
j=1
S
j
_
+ e
r
1
N
N
j=1
S
j
_
{ln f (x)}
|x=
S
j
. (B.4)
B.2 Delta
Calculons lestimation de la drive partielle de V par rapport S
i
:
S
i
V =
S
i
_
e
r
_
1
N
N
j=1
S
j
_
+ e
r
1
N
N
j=1
S
j
_
S
i
{ln f (x)}
|x=
S
j
= e
r
1
N
N
j=1
S
j
_
S
i
{ln f (x)}
|x=
S
j
.
Calculons prsent
S
i
ln f (x) :
S
i
ln f (x) =
1
2
S
i
_
S
i
ln
_
x
1
...x
d
a
11
a
22
...a
dd
(2)
d/2
_
=
1
2
S
i
_
_
(B.5)
Cette dernire drive sobtient comme suit :
S
i
_
_
=
_
S
i
1
+
S
i
1
_
+
1
(
S
i
)
=
_
S
i
1
+
1
(
S
i
) (B.6)
o
S
i
= (
S
i
1
,
S
i
2
, ...,
S
i
i
, ...,
S
i
d
) .
76
S
i
k
= 0 pour i = k car
k
= ln
_
x
k
S
k
_
(r
kk
2
) nest pas une fonction
de S
i
pour i = k, et donc
S
i
i
, ..., 0)
et
S
i
i
=
S
i
_
ln
_
x
i
S
i
_
_
r
ii
2
_
_
=
1
S
i
,
ce qui nous donne
(
S
i
)
1
=
1
S
i
_
_
i
. (B.7)
Preuve. Preuve de (B.7) ( Rmillard (2004))
_
S
i
1
=
_
0, ...,
1
S
i
, 0, ..., 0
_
_
_
_
_
_
1
11
1
1d
.
.
.
.
.
.
.
.
.
1
d1
1
dd
_
_
_
_
_
_
_
_
_
_
1
.
.
.
d
_
_
_
_
_
=
1
S
i
_
1
i1
, ...,
1
id
_
_
_
_
_
_
1
.
.
.
d
_
_
_
_
_
=
1
S
i
d
k=1
1
ik
k
Calculons
1
:
_
_
_
_
_
1
11
1
1d
.
.
.
.
.
.
.
.
.
1
d1
1
dd
_
_
_
_
_
_
_
_
_
_
1
.
.
.
d
_
_
_
_
_
=
_
_
_
_
_
_
_
d
k=1
1
1k
k
.
.
.
d
k=1
1
dk
k
_
_
_
_
_
_
_
77
la ime ligne correspond
d
k=1
1
ik
k
= (
1
)
i
Par la suite,
1
(
S
i
) =
_
1
_
i
_
1
S
i
_
=
1
S
i
_
_
i
(B.8)
car
S
i
= (0, ...,
1
S
i
, 0, ..., 0) et puisque est symtrique alors
_
1
_
i
=
(
1
)
i
.
En remplaant (B.7) et (B.8) dans (B.6) on obtient :
S
i
_
_
=
1
S
i
__
_
i
+
_
_
i
_
=
2
S
i
_
_
i
On peut alors rcrire (B.5)
S
i
{ln f (x)}
|x=
S
j
=
1
2
S
i
_
_
=
1
2
_
2
S
i
_
_
i
_
=
1
S
i
_
i
=
1
S
i
_
a
1
Z
j
_
i
=
1
S
i
_
a
1
Z
j
_
i
car (
1
)
i
= (
a
1
Z
j
)
i
pour x =
S
j
.
78
Il en rsulte lexpression suivante de Delta
S
i
V = e
r
1
N
N
j=1
1
S
i
_
a
1
Z
j
_
i
_
S
j
_
(B.9)
B.3 Gamma
On a
S
i
S
k
V =
_
e
r
_
_
(x) f (x) dx + e
r
_
(x)
S
i
S
k
f (x) dx (B.10)
Lestimation de I =
_
(x) f (x) dx reste telle que trouve lquation
(B.2). valuons J =
_
(x)
S
i
S
k
f (x) dx.
On a
J =
_
(x)
S
i
S
k
f (x) dx
=
_
(x)
S
i
(
S
k
f (x))
f (x)
f (x) dx. (B.11)
Or,
S
i
(
S
k
ln f (x)) =
S
i
S
k
f (x)
f (x)
_
S
i
f (x)
f (x)
__
S
k
f (x)
f (x)
_
(B.12)
do
S
i
S
k
f (x)
f (x)
=
S
i
(
S
k
ln f (x)) + (
S
i
ln f (x)) (
S
k
ln f (x)) (B.13)
79
Ceci nous permet de rcrire J comme suit :
J =
_
(x) {
S
i
(
S
k
ln f (x)) + (
S
i
ln f (x)) (
S
k
ln f (x))} f (x) dx
= E
_
S
_
{
S
i
(
S
k
ln f (x)) + (
S
i
ln f (x)) (
S
k
ln f (x))}
_
,
qui peut tre estime par
J =
1
N
N
j=1
S
j
_
{
S
i
(
S
k
ln f (x)) + (
S
i
ln f (x)) (
S
k
ln f (x))} . (B.14)
En remplaant I et J dans (B.10) par leurs estimations, on obtient
S
i
S
k
V =
I
S
i
S
k
_
e
r
_
+ e
r
J
= e
r
J
=
1
N
N
e
r
j=1
S
j
_
{
S
i
(
S
k
ln f (x)) + (
S
i
ln f (x)) (
S
k
ln f (x))} ,
(B.15)
avec
S
i
ln f (x) =
1
S
i
_
_
i
(B.16)
et
S
k
ln f (x) =
1
S
k
_
_
k
(B.17)
ce qui nous permet de rcrire (B.15) comme suit :
S
i
S
k
V =
1
N
e
r
N
j=1
S
j
_
_
1
S
i
S
k
2
_
_
i
_
_
k
+
S
i
(
S
k
ln f (x))
_
.
(B.18)
80
Calculons
S
i
(
S
k
ln f (x)) :
S
i
(
S
k
ln f (x)) =
S
i
_
1
S
k
_
_
k
_
=
1
S
i
_
1
S
k
d
l=1
_
1
_
kl
l
_
. (B.19)
Si i = k alors,
S
i
(
S
k
ln f (x)) =
1
S
i
_
1
S
i
d
l=1
_
1
_
il
l
_
=
1
S
2
i
_
_
i
+
1
S
i
d
l=1
_
1
_
il
S
i
l
=
1
S
2
i
_
_
i
+
1
S
i
(
1
S
i
_
1
_
ii
)
=
1
S
2
i
_
_
i
1
S
2
i
_
1
_
ii
. (B.20)
Par contre, si i = k alors,
S
i
(
S
k
ln f (x)) =
1
S
k
S
i
d
l=1
_
1
_
kl
l
=
1
S
k
d
l=1
_
1
_
kl
S
i
l
=
1
S
k
(
1
S
i
_
1
_
ki
)
=
1
S
k
S
i
_
1
_
ik
. (B.21)
En remplaant (B.20) dans (B.18), on obtient lexpression suivante de les-
81
timation de la drive seconde :
S
i
S
i
V =
1
N
N
e
r
j=1
S
j
_
_
1
S
2
i
2
_
_
2
i
1
S
2
i
__
_
i
+
_
1
_
ii
_
_
=
1
N
N
e
r
j=1
S
j
_
_
1
S
2
i
2
_
a
1
Z
j
_
2
i
1
S
2
i
__
a
1
Z
j
_
i
+
_
1
_
ii
_
_
=
1
N
N
e
r
j=1
S
j
_
_
(
a
1
Z
j
)
2
i
(
a
1
Z
j
)
i
(
1
)
ii
S
2
i
_
. (B.22)
Concernant lestimation des drives croises, en remplaant (B.21) dans
(B.18), elles sont exprimes comme suit
S
i
S
k
V =
1
N
N
e
r
j=1
S
j
_
_
1
S
i
S
k
2
_
_
i
_
_
k
1
S
k
S
i
_
1
_
ik
_
=
1
N
N
e
r
j=1
S
j
_
_
1
S
i
S
k
2
_
a
1
Z
j
_
i
_
a
1
Z
j
_
k
1
S
k
S
i
_
1
_
ik
_
=
1
N
N
e
r
j=1
S
j
_
_
(a
1
Z
j
)
i
(a
1
Z
j
)
k
(
1
)
ik
S
k
S
i
_
. (B.23)
B.4 Vega
En partant de B.4, dterminons lestimation de Vega :
a
ik
V =
a
ik
_
e
r
_
1
N
N
j=1
S
j
_
+ e
r
1
N
N
j=1
S
j
_
a
ik
{ln f (x)}
|x=
S
j
= e
r
1
N
N
j=1
S
j
_
a
ik
{ln f (x)}
|x=
S
j
(B.24)
82
tudions la drive par rapport ln f(x) :
a
ik
{ln f (x)} =
1
a
ik
_
1
2
_
(B.25)
a
ik
_
ln
_
x
1
x
2
...x
d
a
11
a
22
...a
dd
(2)
d/2
__
, (B.26)
avec
a
ik
_
1
2
_
=
a
ik
_
1
2
_
=
1
2
_
a
ik
1
+
1
2
a
ik
1
_
(B.27)
+
1
2
1
(
a
ik
) . (B.28)
Posons I
1
=
1
2
_
a
ik
1
, I
2
=
1
2
(
a
ik
1
) et enn I
3
=
1
2
1
(
a
ik
).
On a donc
a
ik
_
1
2
_
= I
1
+ I
2
+ I
3
. (B.29)
Voyons dabord quelques dtails. Tout dabord, = a
a et
mn
=
d
h=1
a
hm
a
hn
=
min(m,n)
h=1
a
hm
a
hn
.
Alors on voit que pour 1 i k d, on a
a
ik
mn
=
_
_
2a
ik
si m = n = k
a
in
si m = k = n
a
im
si n = k = m
0 sinon
(B.30)
En outre pour le calcul de I
2
dterminons les expressions suivantes :
a
ik
1
hl
=
1
(
a
ik
)
1
. (B.31)
83
Preuve. On a
0 =
a
ik
I =
a
ik
_
1
_
= (
a
ik
)
1
+
_
a
ik
1
_
,
do
a
ik
1
= (
a
ik
)
1
.
Notons A = (
a
ik
)
1
. Alors
A
ml
=
d
n=1
(
a
ik
)
mn
_
1
_
nl
=
d
n=1
(
a
ik
mn
)
_
1
_
nl
.
Posons prsent B =
1
A. Alors,
B
hl
=
_
1
A
_
hl
=
d
m=1
1
hm
A
ml
=
d
m=1
_
1
hm
d
n=1
(
a
ik
mn
)
1
nl
_
=
d
m=1
d
n=1
_
1
hm
(
a
ik
mn
)
1
nl
_
=
d
m=1
_
1
hm
(
a
ik
mm
)
1
ml
_
+
d
m=1
m=n
_
1
hm
(
a
ik
mn
)
1
nl
_
= 2
1
hk
(a
ik
)
1
kl
+
d
n=k
_
1
hk
(a
in
)
1
nl
_
+
k1
m=k
_
1
hm
(a
im
)
1
kl
_
=
d
n=1
_
1
hk
a
in
1
nl
_
+
d
m=1
_
1
hm
a
im
1
kl
_
. (B.32)
84
Or (a
1
)
il
=
_
1
a
_
li
et
_
a
1
_
=
_
aa
1
_
a
_
1
_
=
_
a
_
1
=
_
a
1
_
, (B.33)
ce qui permet dcrire
_
a
1
_
il
=
_
_
a
1
_
_
il
=
_
a
1
_
li
.
De la mme manire,
B
hl
=
_
a
1
_
li
_
1
_
hk
+
_
a
1
_
hi
_
1
_
kl
. (B.34)
On sait que
a
ik
1
hl
= B
hl
. Ceci nous permet dcrire
a
ik
1
hl
=
_
a
1
_
li
_
1
_
hk
_
a
1
_
hi
_
1
_
kl
. (B.35)
Reprenons le calcul de Vega et calculons les direntes expressions des I
contenues dans
I
1
=
1
2
_
a
ik
1
(B.36)
et
a
ik
=
_
a
ik
1
, ...,
a
ik
j
, ...,
a
ik
d
_
(B.37)
Or,
h
= ln
_
x
h
S
h
_
r +
hh
2
, (B.38)
et daprs (B.30),
a
ik
hh
=
_
_
_
2a
ik
si h = k
0 sinon
(B.39)
85
ce qui implique
a
ik
=
_
0, .., 0,
2a
ik
2
, 0, ...0
_
(B.40)
do
I
1
=
1
2
a
ik
_
k
. (B.41)
En eet,
1
=
(
1
)
1
.
.
.
(
1
)
d
. (B.42)
De mme,
I
3
=
1
2
a
ik
1
_
k
=
1
2
a
ik
_
k
. (B.43)
Daprs la dnition de B on peut rcrire I
2
comme suit :
I
2
=
1
2
B
=
1
2
_
_
_
_
_
(
1
, ...,
d
)
_
_
_
_
_
B
1h
h
.
.
.
B
dh
h
_
_
_
_
_
_
_
_
_
_
(B.44)
En remplaant B par son expression, on arrive
B
lh
h
=
d
l=1
_
l
_
a
1
_
li
d
h=1
1
hk
h
_
(B.45)
l=1
_
l
_
a
1
_
lk
d
h=1
1
hi
h
_
. (B.46)
86
Ensuite, (B.45) est donn par
d
l=1
_
l
_
a
1
_
li
d
h=1
1
hk
h
_
=
_
d
l=1
l
_
a
1
_
li
__
d
h=1
1
hk
h
_
=
_
d
l=1
l
_
a
1
_
li
_
_
_
k
=
_
d
l=1
_
a
1
_
il
l
_
_
_
k
=
_
a
1
_
i
_
_
k
, (B.47)
car
1
= a
1
_
a
_
1
, do a
1
=
_
a
_
1
et par consquent (a
1
)
li
=
(a
1
)
li
=
_
a
_
1
il
, tandis que (B.46) correspond
_
l
_
a
1
_
lk
d
h=1
1
hi
h
_
=
_
_
k
_
a
1
_
i
, (B.48)
ce qui nous permet daboutir lexpression suivante de B :
B
lh
h
= 2
_
a
1
_
i
_
_
k
. (B.49)
En remplaant
_
i
_
_
k
Avec les direntes expressions des I dans (B.29) on obtient
a
ik
_
1
2
_
=
1
2
a
ik
_
k
_
a
1
_
i
_
_
k
+
1
2
a
ik
_
k
= a
ik
_
k
_
a
1
_
i
_
_
k
(B.50)
87
ce qui nous donne lexpression suivante de (B.24)
a
ik
V = e
r
1
N
N
j=1
S
j
_
_
_
_
1
((a
1
)
i
(
1
)
k
a
ik
(
1
)
k
)
a
ik
ln
_
x
1
x
2
...x
d
a
11
a
22
...a
dd
(2)
d/2
_
_
_
_
|x=
S
j
(B.51)
Lorsque i = k
a
ik
ln
_
x
1
x
2
...x
d
a
11
a
22
...a
dd
(2)
d/2
_
= 0 (B.52)
La drive Vega par rapport a
ik
est alors estime par
a
ik
V = e
r
1
N
N
j=1
S
j
_
1
__
a
1
_
i
_
_
k
a
ik
_
k
_
= e
r
1
N
N
j=1
S
j
_
_
_
k
_
1
_
a
1
_
i
a
ik
_
= e
r
1
N
N
j=1
S
j
_
_
a
1
Z
j
_
k
_
1
_
aa
1
Z
j
_
i
a
ik
_
= e
r
1
N
N
j=1
S
j
_
_
a
1
Z
j
_
k
_
Z
ji
a
ik
_
(B.53)
Lorsque i = k, alors
a
ii
ln
_
x
1
x
2
...x
d
a
11
a
22
...a
dd
(2)
d/2
_
=
1
a
ii
. (B.54)
La drive Vega par rapport a
ii
est alors estime par
a
ii
V = e
r
1
N
N
j=1
S
j
_
_
1
__
a
1
_
i
_
_
k
a
ik
_
k
_
1
a
ii
_
= e
r
1
N
N
j=1
S
j
_
_
_
a
1
Z
j
_
i
_
Z
ji
a
ii
_
1
a
ii
_
. (B.55)
88
B.5 Theta
Dduisons prsent Theta, la drive de la valeur de loption par rapport
:
V =
_
e
r
_
1
N
N
j=1
S
j
_
+ e
r
1
N
N
j=1
S
j
_
{ln f (x)}
|x=
S
j
= re
r
1
N
N
j=1
S
j
_
+ e
r
1
N
N
j=1
S
j
_
{ln f (x)}
|x=
S
j
,
o
ln f (x) =
1
2
ln
_
x
1
x
2
...x
d
a
11
a
22
...a
dd
(2)
d/2
_
=
_
1
2
_
1
1
2
_
1
1
2
1
_
1
2
1
(
ln(
d/2
)
=
_
1
2
_
1
1
2
_
1
2
1
(
)
d
2
. (B.56)
Estimons les direntes drives de (B.56). Dabord,
_
1
2
_
=
1
2
2
89
et
1
= (
1
, ...,
d
)
_
_
_
_
_
1
11
1
1d
.
.
.
.
.
.
.
.
.
1
d1
1
dd
_
_
_
_
_
_
_
_
_
_
1
.
.
.
d
_
_
_
_
_
= (
1
, ...,
d
)
_
_
_
_
_
_
_
d
k=1
1
1k
k
.
.
.
d
k=1
1
1k
k
_
_
_
_
_
_
_
= (
1
, ...,
d
)
d
l=1
_
d
k=1
1
lk
k
_
= (
1
, ...,
d
)
d
l=1
_
_
l
= (
1
, ...,
d
)
_
d
l=1
_
_
l
_
=
_
d
k=1
_
a
Z
j
_
k
__
d
l=1
_
a
1
Z
j
_
l
_
(B.57)
=
_
d
k=1
Z
j
Z
j
_
, (B.58)
do
_
1
2
_
1
=
1
2
2
_
_
d
k=1
Z
j
Z
j
__
=
1
2
_
d
k=1
Z
j
Z
j
_
. (B.59)
La deuxime expression quant elle est donne par
(
1
, ....,
d
)
90
avec
k
=
r
_
ln
_
x
k
S
k
_
_
r
kk
2
_
_
=
_
r
kk
2
_
et
=
d
k=1
_
r
kk
2
_
,
do
1
2
_
1
=
1
2
k=1
_
r
kk
2
_
_
a
Z
j
_
k
. (B.60)
Enn, en partant de la premire expression, on en dduit la troisime :
1
2
1
(
) =
1
2
k=1
_
r
kk
2
_
_
a
Z
j
_
k
. (B.61)
En remplaant (B.59) (B.60) (B.61) dans (B.56)on obtient
ln f (x) =
1
2
_
Z
j
Z
j
_
+
2
2
k=1
_
r
kk
2
_
_
a
Z
j
_
k
d
2
=
1
2
_
_
Z
j
Z
j
_
+ 2
k=1
_
r
kk
2
_
_
a
Z
j
_
k
d
_
=
1
2
_
_
Z
j
Z
j
_
+ 2
k=1
_
r
kk
2
_
_
a
Z
j
_
k
d
_
,
91
do
t
V =
V
= re
r
1
N
N
j=1
S
j
_
1
2N
e
r
N
j=1
S
j
_
_
_
Z
j
Z
j
_
+ 2
k=1
_
r
kk
2
_
_
a
Z
j
_
k
d
_
=
_
r +
d
2
_
V
1
2N
e
r
N
j=1
S
j
_
_
_
Z
j
Z
j
_
+ 2
k=1
_
r
kk
2
_
_
a
Z
j
_
k
_
.
B.6 Rho
Enn, trouvons lestimation de la drive de V par rapport r :
r
V =
r
_
e
r
_
1
N
N
j=1
S
j
_
+ e
r
1
N
N
j=1
S
j
_
r
{ln f (x)}
|x=
S
j
= e
r
1
N
N
j=1
S
j
_
+ e
r
1
N
N
j=1
S
j
_
r
{ln f (x)}
|x=
S
j
.
On a
r
{ln f (x)} =
1
2
r
_
r
ln
_
x
1
x
2
...x
d
a
11
a
22
...a
dd
(2)
d/2
_
=
1
2
r
_
_
=
1
2
__
1
+
1
_
+
1
(
r
)
=
1
2
__
1
+
1
(
r
)
92
avec
=
r
(
1
, ...,
d
)
et
i
=
r
_
ln
_
x
i
S
i
_
_
r
ii
2
_
_
=
do
= (, ..., )
ce qui donne
_
1
=
d
k=1
_
k
.
De mme,
_
1
_
i
(
r
) =
_
_
i
1
= (
1
)
i
. On aboutit
r
{ln f (x)} =
1
2
_
2
d
k=1
_
_
i
_
=
d
k=1
_
_
k
=
d
k=1
_
a
1
Z
j
_
k
,
do
r
V = e
r
1
N
N
j=1
S
j
_
+ e
r
1
N
N
j=1
S
j
_
d
k=1
_
a
1
Z
j
_
k
93
Appendices C
Modle de Black-Scholes pour
loption dchange
La fonction de paiement dchange entre 2 actifs risqus au temps T est
donn par
(S
1
, S
2
, T) = max(q
2
S
2
q
1
S
1
, 0). (C.1)
La valeur Black-Scholes au temps t de loption dchange de maturit T est
donne par :
(S
1
(t), S
2
(t), T) = q
2
S
2
(t)N(D
1
) q
1
S
1
(t)N(D
2
),
avec N la fonction cumulative de la loi normale centre rduite, q
1
et q
2
des
94
quantits positives et
D
1
=
ln
_
q
2
S
2
(t)
q
1
S
1
(t)
_
+
1
2
,
D
2
=
ln
_
q
2
S
2
(t)
q
1
S
1
(t)
_
1
2
,
pour = T t et
2
=
2
1
+
2
2
2
1
2
.
C.1 Delta
1
=
S
1
(q
2
S
2
(t)N(D
1
) q
1
S
1
(t)N(D
2
))
= q
2
S
2
(t)
S
1
(N(D
1
)) q
1
N(D
2
) q
1
S
1
(t)
S
1
(N(D
2
))
= q
2
S
2
(t)n(D
1
) q
1
N(D
2
) q
1
S
1
(t)n(D
2
)
= q
1
N(D
2
).
De mme,
2
=
S2
(q
2
S
2
(t)N(D
1
) q
1
S
1
(t)N(D
2
))
= q
2
N(D
1
) + q
2
S
2
(t)n(D
1
) q
1
S
1
(t)n(D
2
)
2
= q
2
N(D
1
),
avec n(x) =
1
2
e
x
2
2
.
95
Preuve. Premirement, notons que D
2
= D
1
. Par consquent,
n(D
1
)
n(D
2
)
=
exp
_
D
2
1
2
_
exp
_
D
2
2
2
_
= exp
[
1
2
(D
2
1
D
2
2
)
]
= exp
[
1
2
(D
1
D
2
)(D
1
+D
2
)
]
.
Comme D
1
D
2
=
et D
1
+ D
2
= 2
ln
_
q
2
S
2
(t)
q
1
S
1
(t)
_
, on a
n(D
1
)
n(D
2
)
= exp
_
ln
_
q
2
S
2
(t)
q
1
S
1
(t)
__
=
q
1
S
1
(t)
q
2
S
2
(t)
.
De cette galit on dduit que n(D
1
)q
2
S
2
(t) = n(D
2
)q
1
S
1
(t).
C.2 Vega
La matrice de variance covariance est donne dans la proposition suivante :
Proposition 4
2
=
2
1
+
2
2
2
1
2
= a
a
=
_
_
2
1
1
2
2
2
_
_
,
96
avec a =
_
_
1
2
0
_
1
2
2
_
_
. Nous allons exprimer Vega en fonction de
chacun des lments de la matrice a.
V
a
ik
=
V
(S
1
(t), S
2
(t), T)
a
ik
.
Trouvons la premire expression :
V
(S
1
(t), S
2
(t), T) =
(q
2
S
2
(t)N(D
1
) q
1
S
1
(t)N(D
2
))
= q
2
S
2
(t)n(D
1
)
(D
1
) q
1
S
1
(t)n(D
2
)
(D
2
)
= q
2
S
2
(t)n(D
1
)
(D
2
+
) q
1
S
1
(t)n(D
2
)
(D
2
)
= q
2
S
2
(t)n(D
1
)(
D
2
+
) q
1
S
1
(t)n(D
2
)
(D
2
)
=
D
2
[q
2
S
2
(t)n(D
1
) q
1
S
1
(t)n(D
2
)] + q
2
S
2
(t)n(D
1
)
)
= q
2
S
2
(t)n(D
1
)
).
Trouvons ensuite la deuxime expression :
a
ik
=
a
ik
2
=
a
ik
2
2
.
On obtient donc lexpression suivante de vega :
V
a
ik
= q
2
S
2
(t)n(D
1
)
a
ik
2
2
Cette expression applique chacun des lments qui composent
2
nous donne
la sensibilit de loption par rapport :
V
a
11
=
_
a
11
a
12
_
q
2
S
2
(t)n(D
1
)
97
V
a
12
= V
a
21
=
_
a
12
a
11
_
q
2
S
2
(t)n(D
1
)
V
a
22
=
_
a
22
_
q
2
S
2
(t)n(D
1
)
C.3 Gamma
On a
1
=
S
1
1
=
S
1
(q
1
N(D
2
))
= q
1
n(D
2
)
S
1
(D
2
)
= q
1
n(D
2
)
1
S
1
(t)
.
De mme,
2
=
S
2
2
=
S
2
(q
2
N(D
1
))
= q
2
n(D
1
)
S
2
(D
1
)
= q
2
n(D
1
)
1
S
2
(t)
,
98
et enn la drive croise
12
=
S
2
1
=
S
2
(q
1
N(D
2
))
= q
1
n(D
2
)
S
2
(D
2
)
= q
1
n(D
2
)
1
S
2
(t)
.
C.4 Rho
Dans le modle Black-Scholes pour loption dchange entre deux actifs
risqus, le taux sans risque r napparat pas dans lexpression de la valeur de
loption. Par consquent la sensibilit de loption par rapport r est nulle.
C.5 Theta
Theta =
t
(q
2
S
2
(t)N(D
1
) q
1
S
1
(t)N(D
2
))
= q
2
S
2
(t)n(D
1
)
t
(D
1
) q
1
S
1
(t)n(D
2
)
t
(D
2
)
Puisque D
1
D
2
=
, on a
t
(D
2
) =
t
D
1
=
t
D
1
+
2
,
99
do
Theta = q
2
S
2
(t)n(D
1
)
t
(D
1
) q
1
S
1
(t)n(D
2
)
t
(D
1
) q
1
S
1
(t)n(D
2
)
2
= q
1
S
1
(t)n(D
2
)
2
.
100
Rfrences
[1] Bernis,G., E.Gobet et A. Kohatsu-Higa, Monte Carlo Evaluation of
Greeks for Multidimensional Barrier and Lookback Options, Mathemati-
cal Finance, 13 (2003), pp 99-113.
[2] Black, F. et M. Scholes, , The pricing of Options and Corporate Liabili-
ties, The Journal of Political Economy, 81 (1973), pp 637-654.(1997)
[3] Boyle, P., Options : A Monte Carlo Approach, Journal of Financial Eco-
nomics, 4 (1997), pp 323-238.
[4] Brennan, M. and Swartz, E.,Finite Dierence Methods and Jump Pro-
cesses Arising in the Pricing of Contingent Claims : A Synthesis, Journal
of Financial and Quantitative Analysis, 13 (1978), pp 462-474.
[5] Broadie, M. et P. Glasserman, Estimating Security Price Derivatives
Using Simulation, Management Science, 42 (1996), pp. 269-285.
[6] Carr, P., Deriving derivatives orf derivative securities, Journal of Com-
putational Finance, 4 (2000/2001), pp. 5-27.
[7] Chung, S-L. and M. Shackleton, The Binomial Black-Scholes Model and
The Greeks, The Journal of Futures Markets, 22 (2202), pp. 143-153.
101
[8] Duan,J-C., An Enhanced Path-Derivative Monte Carlo Method for Com-
puting Option GreeksUniversity of Toronto, Working paper.
[9] Fourni, E., J-M. Lasry, J. Lebuchoux, P-L. Lions et N. Touzi, Applica-
tions of Malliavin Calculus to Monte Carlo Methods in Finance, Finance
and Stochastic, 3(1999), 391-412.
[10] Fourni, E., J-M. Lasry, J. Lebuchoux, et P-L. Lions, Applications of
Malliavin Calculus to Monte-Carlo Methods in Finance. II, Finance and
Stochastic, 5 (2001), 201-236.
[11] Franois, P., Options et Contrats Terme : Recueil de textes , Hec
Montral,(2004-2005).
[12] Fu, M. C.et J. Hu Sensitivity Analysis for Monte Carlo Simulation of
Option Pricing, Probability in the Engineering and Information Sciences,
9 (1995), 417-449.
[13] Glasserman, P.(2003), Monte Carlo Methods in nancial Engineering,
Springer.
[14] Glasserman, P. and Zhao,X., Fast Greeks by Simulation in Forward Libor
Models, Journal of Computational Finance, 3 (1999), pp. 5-39.
[15] Hull, J.(1993), Options, Futures, and Other Derivative Securities, Pren-
tice Hall, 2nd edition.
[16] Jaschke, S., The Cornish-Fisher Expansion in the Context of Delta-
Gamma-Normal Approximations , Journal of Risk,4 (2002), pp 33-52.
[17] Lo, A.W, Statistical Tests of Contingent Claims Asset-pricing Models,
Journal of Financial Economics, 17 (1986), pp. 143-173.
102
[18] Mina, J. and Ulmer A., Delta-Gamma Four ways , Technical Report,
RiskMetrics Group, 1999.
[19] Pelsser, A. and Vorst, T. ,The Binomial Model and The Greeks, The
Journal of Derivatives, 1 (1994), pp. 45-49.
[20] Reiss, O. and Wystup, U. Computing Option Price Sensitivities Using
Homogeneity And Other Tricks, The Journal of Derivatives, winter 2001,
pp. 41-53.
[21] Rmillard, B., Mthodes Numriques en Ingnierie Financire : Notes de
Cours , Hec Montral,(2004).
[22] Tavella, D. and Randall, C. (2000), Pricing Financial Instruments : The
Finite Dierence Method, John Wiley & Sons.
[23] Tomas III, J. M. ;Yalamanchili, K. K., An Application of Finite Elements
to Option Pricing,The Journal of Futures Markets, 21 (2001), pp. 19-42.
[24] Willard, Gregory A. , Calculating Prices And Sensitivities For Path-
independant Derivative Securities In Multifactor Models, The Journal of
Derivatives, 5 (1997), pp.45-61.
[25] Willmott, Paul, Derivatives : The Theory And Practice Of Financial En-
gineering, John Wiley & Son, 1998.
103