KKane

HEC MONTRAL
Mthodes Monte Carlo pour lvaluation des paramtres de

sensibilit des valeurs doptions sur plusieurs actifs sous-jacents
Mmoire prsent HEC Montral
en vue de lobtention du grade de
Matre s Sciences de Gestion (M.Sc.) en Ingnierie Financire
c Kadiata Kane, 2006
Sommaire
Ce mmoire traite de lestimation des paramtres de sensibilit des produits
drivs m dimensions et ce partir des rsultats de Broadie et Glasserman
1996 Estimating Security Price Derivatives Using Simulation.
Dans cet article, Broadie et Glasserman prsentent deux mthodes desti-
mation des paramtres de sensibilit laide de la simulation Monte Carlo pour
des options portant sur un actif sous-jacent.
Au travers de ce mmoire nous tendons ces 2 approches, la mthode des
trajectoires et la mthode du ratio de vraisemblance des produits drivs
portant sur plusieurs actifs sous-jacents en partant de la matrice de variance
covariance. Pour la mthode des trajectoires, les paramtres de sensibilit sont
drivs par rapport chacune des trajectoires possibles de la valeur de loption
tandis que pour la mthode du ratio de vraisemblance, les sensibilits sont
drives par rapport la fonction de densit du prix de loption.
Nous illustrons ensuite nos rsultats par des applications numriques sur le
cas dune option dchange dun actif risqu pour un autre, dune option panier
portant sur 2 actifs risqus et enn sur une option panier portant sur 5 actifs
risqus.
Remerciements
Mes remerciements vont lendroit de mon professeur et directeur de m-
moire Bruno Remillard pour avoir encadr ce travail de ses prcieux conseils.
Merci davoir nanc mon projet, davoir fait preuve dune grande disponibilit
et surtout davoir su prodiguer un encadrement de qualit.
Mes remerciements Chantal Labb et Frank Leclerc pour avoir accepter
de lire ce travail ; vos commentaires et suggestions ont permit den amliorer
la qualit.
Mes sincres remerciements ma famille. A mes chers parents, merci pour
votre soutien moral et nancier et surtout merci davoir pousser la paresseuse
que je suis aux tudes. A mon frre Mamadou, tes eorts et ta persvrance
mont permis de raliser ce projet, merci. Selly merci dtre le gnie que tu
es, Fadima et Alpha merci pour votre soutien sans faille.
Table des matires
1 Introduction 1
2 Revue de la littrature 4
2.1 Calcul des greeks lorsque des formules fermes existent . . . . . 5
2.2 Mthodes des dirences nies . . . . . . . . . . . . . . . . . . . 6
2.3 Mthodes du modle binomial . . . . . . . . . . . . . . . . . . . 8
2.4 Calcul de Malliavin . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.5 Mthodes Monte Carlo . . . . . . . . . . . . . . . . . . . . . . . 11
2.6 Lien avec le mmoire . . . . . . . . . . . . . . . . . . . . . . . . 15
3 Mthodologie 16
3.1 Dnition des greeks . . . . . . . . . . . . . . . . . . . . . . . . 16
3.1.1 Delta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
i
3.1.2 Vega . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.1.3 Gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.1.4 Rho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.1.5 Theta . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2 Utilit et application des greeks . . . . . . . . . . . . . . . . . . 22
3.2.1 Les valeurs de sensibilit doptions pour les stratgies de
couverture . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.2.2 Les valeurs de sensibilit doptions pour le calcul des VaR 26
3.3 valuation des greeks par les mthodes de Broadie et Glasser-
man (1996) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.3.1 Cadre thorique . . . . . . . . . . . . . . . . . . . . . . . 28
3.3.2 Mthode des trajectoires (pathwise method) . . . . . . . 28
3.3.3 Mthode du rapport de vraisemblance . . . . . . . . . . 32
3.3.4 Rsultats donns par les deux mthodes . . . . . . . . . 35
3.4 Extension des mthodes de Broadie et Glasserman (1996) au cas
des options ayant plusieurs actifs sous-jacents . . . . . . . . . . 36
3.4.1 Particularits des options ayant plusieurs actifs sous-jacents 36
3.4.2 Cadre thorique . . . . . . . . . . . . . . . . . . . . . . . 39
ii
3.4.3 Mthode des trajectoires . . . . . . . . . . . . . . . . . . 41
3.4.4 Mthode du rapport de vraisemblance . . . . . . . . . . 43
4 Application numrique 46
4.1 Loption dchange dun actif risqu pour un autre . . . . . . . . 47
4.1.1 Mthodes Monte Carlo pour la valeur et les paramtres
de sensibilit pour une option dchange . . . . . . . . . 48
4.1.2 Formules de Black-Scholes pour la valeur et les para-
mtres de sensibilits pour une option dchange . . . . . 49
4.1.3 Description des donnes . . . . . . . . . . . . . . . . . . 51
4.2 Loption panier . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.2.1 Loption panier de dimension 2 . . . . . . . . . . . . . . 56
4.2.2 Loption panier de dimension 5 . . . . . . . . . . . . . . 58
5 Conclusion 64
A Mthode des trajectoires 67
A.1 Forme gnrale . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
A.2 Delta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
iii
A.3 Vega . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
A.4 Theta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
A.5 Rho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
A.6 Gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
B Mthode du rapport de vraisemblance 73
B.1 Forme gnrale . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
B.2 Delta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
B.3 Gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
B.4 Vega . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
B.5 Theta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
B.6 Rho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
C Modle de Black-Scholes pour loption dchange 94
C.1 Delta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
C.2 Vega . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
C.3 Gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
iv
C.4 Rho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
C.5 Theta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
v
Liste des gures
3.1 Evolution de Delta par rapport au sous-jacent ( S = 1, ..., 15,
K = 10, = 0.2, T = 0.5, r = 0.05). . . . . . . . . . . . . . . . 18
3.2 Evolution de Vega par rapport au sous-jacent (S = 1, ..., 15,
K = 10, = 0.2, T = 0.5, r = 0.05). . . . . . . . . . . . . . . . 19
3.3 Evolution de Gamma par rapport au sous-jacent (S = 1, ..., 15,
K = 10, = 0.2, T = 0.5, r = 0.05). . . . . . . . . . . . . . . . 20
3.4 Evolution de Rho par rapport au sous-jacent (S = 1, ..., 15, K =
10, = 0.2, T = 0.5, r = 0.05). . . . . . . . . . . . . . . . . . . 21
3.5 Evolution de Theta par rapport au sous-jacent (S = 1, ..., 15,
K = 10, = 0.2, T = 0.5, r = 0.05). . . . . . . . . . . . . . . . 22
4.1 Evolution du titre MSFT Evolution du titre INT . . . . . . . . 52
4.2 Evolution des Titres APPLE, DELL et CISCO . . . . . . . . . . 60
vi
Liste des tableaux
4.1 Valeurs et paramtres de sensibilit dune option dchange . . . 54
4.2 Valeurs et paramtres de sensibilit dune option panier de 2
titres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.3 Valeurs et paramtres de sensibilit dune option panier de 5
titres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
vii
Chapitre 1
Introduction
Les institutions nancires sont soumises un risque de march dans le
cadre de leurs activits. Chaque fois quelles orent leur clientle institution-
nelle des produits drivs, elles sexposent en retour un important risque de
perte quelles ne peuvent couvrir par une couverture de type assurance. Pour
faire face ce risque, deux alternatives sorent elles, soit acqurir le produit
driv en question si celui-ci est transig sur le march organis, soit lorsquelles
sont en prsence de produits drivs conus pour un besoin spcique propre
un client et transig sur le march Other The Counter (OTC) , mettre en
place une stratgie de rplication (ou duplication).
La stratgie de rplication dynamique va permettre linstitution nancire
de compenser sa perte sur la position du produit driv par celle du portefeuille
de rplication. Pour construire ce portefeuille de rplication et le rquilibrer,
elle doit se servir des direntes sensiblilits du produit driv par rapport
1
ses paramtres : les greeks.
Les greeks (grecques) sont des drives dune valeur doption par rapport
dirents paramtres. Ils permettent de quantier la sensibilit dune option
ses dirents paramtres et sont utiliss dans les stratgies de rplication et
de couverture doptions ou de portefeuilles doptions. Ils sont appels greeks
parce quils sont reprsents par des lettres grecques (exception faite de Vega
qui bien que considr comme greek nest pas une lettre grecque) :
Le Delta dune option reprsente la variation du prix de loption par
rapport la variation de lactif sous-jacent.
Le Gamma dune option se dni comme la variation du par rapport
celle de lactif sous-jacent.
Le Theta dune option dtermine la sensibilit de loption par rapport
une variation de la dure de vie de loption.
Le Vega dune option (galement appel Lambda ) quivaut la varia-
tion de loption par rapport la volatilit.
Le Rho dune option reprsente la sensibilit de loption par rapport
une variation du niveau des taux dintrt.
Il existe dautres greeks comme speed (ordre 3), charm (ordre 2), color
(ordre 3), etc., mais nous nous tendrons sur ceux cits ci-dessus, qui ont plus
dapplications. Tout au long de ce travail nous utiliserons langlicisme greeks
plutt que la traduction grecques.
Un portefeuille qui rplique un autre portefeuille de produits drivs nces-
site des greeks calculs avec precision. ce sujet, il existe plusieurs mthodes
2
dvaluation des greeks, certaines analytiques, dautres numriques, lutilisa-
teur nayant qu choisir celle qui sapplique le mieux au type doptions quil
souhaite rpliquer. Parmi celles-ci on peut citer celles proposes par Broadie et
Glasserman (1996).
Ce mmoire se veut une extension des travaux de Broadie et Glasserman
(1996) au cas spcique des options portant sur plusieurs actifs sous-jacents.
Nous essayerons destimer les greeks des valeurs portant sur plusieurs actifs
sous-jacents par le biais de la simulation Monte Carlo car celle-ci savre par-
faitement indique lorsquon est en prsence de plusieurs variables dtat.
Notre tude dbutera tout dabord par une revue de la littrature dj
existante sur lvaluation des greeks, puis nous entamerons la mthodologie
dans laquelle aprs une dnition des greeks, nous prsenterons les mthodes
proposes par Broadie et Glasserman (1996) et lextension que nous en tirerons.
Par la suite nous testerons nos propositions par simulation Monte Carlo puis
analyserons les rsultats obtenus.
3
Chapitre 2
Revue de la littrature
Lobjectif de cette revue de littrature est de faire une prsentation des
direntes contributions apportes dans le calcul des dirents paramtres de
sensibilt des options.
Le premier volet de ce chapitre portera sur les direntes formes analytiques
de calcul des greeks existants. Par la suite nous aborderons dans les autres
sections le calcul des greeks bas sur les mthodes numriques. Un intrt
particulier sera accord aux dernires mthodes prsentes, celles bases sur la
simulation Monte Carlo dont Broadie et Glasserman (1996).
4
2.1 Calcul des greeks lorsque des formules fer-
mes existent
Cest Black et Scholes (1973) qui introduisent lusage des greeks. Ils montrent
que la position de couverture ne dpend pas du prix de lactif sous-jacent mais
plutt de la variation de la valeur de loption par rapport celle de son sous-
jacent. Leur article demeure une rfrence importante dans lvaluation des
valeurs doptions et dans le calcul des paramtres de sensibilit. Les greeks
sont calculs en drivant la valeur de loption, obtenue par le modle de Black-
Scholes, par rapport au paramtre tudi.
Carr (2001) parvient exprimer les greeks en les interprtant comme une
valeur dune certaine quantit du produit driv en question. A partir de lqua-
tion aux drivs partielles de loption obtenue par le modle de Black-Merton-
Scholes, il exprime le Delta qui a la mme expression que lquation aux drivs
partielles de loption exception faite de la drive (drift) et du taux dactualisa-
tion. partir de ces quations et des relations qui existent entre les dirents
greeks, en se servant dune expansion en srie de Taylor, il est mme de
dduire les autres greeks. Cependant, la rsolution des quations aux drives
partielles de loption et celle du Delta se fait numriquement. Cest seulement
la dtermination des autres drives qui se fait analytiquement.
Reiss et Wystup (2001) proposent une approche rapide de calculer les
greeks. Ils tablissent les liens entre les dirents greeks. Ils dduisent une
relation base sur lhomognit du temps (le prix de loption dpend de la
date de maturit plutt que du temps au moment courant) et une autre base
5
sur le niveau de prix du produit nancier (les prix des produits drivs peuvent
tre exprims en direntes units montaires par exemple). Ils montrent en-
suite comment dduire les autres greeks lorsquon en connat un ou deux en
exploitant ces direntes proprits. Ainsi, lusager vite les cots de calcul de
mme que le calcul de drives quelquefois fastidieux.
Dans certains cas cependant, il est possible que loption value ne rponde
pas aux direntes hypothses ou spcicits numres par chacune des m-
thodes ci-dessus cites. Lusager nest alors pas en mesure de se servir des
formes analytiques pour dduire les greeks. Il peut alors avoir recours aux m-
thodes numriques ou aux techniques de simulation pour valuer la valeur des
greeks.
2.2 Mthodes des dirences nies
Les mthodes de dirences nies sont hrites de la physique et leurs pre-
mires applications en nance sont dues Brennan et Schwartz (1978). Dans
leur article, ils se proposent dvaluer des produits drivs dont lactif sous-
jacent suit une dynamique de saut au moyen des dirences nies. Pour ar-
river une approximation en dirences nies, Brennan et Schwartz partent
de lquation aux drives partielles de Black-Scholes laquelle ils appliquent
la log transformation. Dans cette nouvelle quation, ils remplacent les drives
partielles par des dirences nies. Ils sont alors mme de rsoudre cette qua-
tion pour chaque intervalle de temps. La rsolution de cette quation permet
de dduire les greeks qui sont exprims dans lquation.
6
Dans la suite des travaux de Brennan et Schwartz (1978), on peut citer ceux
de Courtadon (1982) qui en adoptant une discrtisation dirente du temps
parvient une meilleure approximation des greeks et par consquent une
meilleure prcision des rsultats. Il fait galement une extension de Brennan et
Schwartz (1978) au cas dune option dachat europenne.
Hull et White (1990) quant eux font une application gnrale de ces
mthodes et plus prcisment lapproche explicite lvaluation des produits
drivs. En adoptant une discrtisation plus ne du temps et de la valeur du
sous-jacent tout en respectant un certain ordre de grandeur dni de mme
quune transformation de variables qui assure la constance de la volatilit, ils
obtiennent une meilleure convergence de la mthode et une gnralisation de
son application lvaluation des produits drivs dpendant dune ou de deux
variables dtat. Les greeks qui peuvent tre dduits sont alors plus prcis.
Thomas III et Yalanmanchili (2001) proposent une autre mthode de discr-
tisation nanmoins dirente pour la computation des greeks, la mthode des
lments nis. Dans la mthode des lments nis, lensemble des quations
aux drives partielles qui forment la solution est remplac par des equations
algbriques dont les inconnues seront values aux dirents noeuds de la grille.
Cette mthode peut savrer avantageuse par rapport celle des dirences
nies lorsque la grille de discrtisation nest pas uniforme.
Ces mthodes gnrent des rsultats plus ou moins bons selon lapproche
utilise (approche implicite, explicite ou Crank-Nicholson pour les dirences
nies) et le type doption valuer. Leur ecacit repose galement sur la dis-
crtisation choisie, les conditions aux bornes et le nombre de variables dtat.
7
Les greeks tant des mesures de la sensibilit des valeurs doptions, les erreurs
produites lors de lvaluation de loption vont se rpercuter sur les valeurs des
greeks. Ces mthodes produisent un biais important lorsque les fonctions de
paiement (payos) sont discontinues comme cest le cas des options rtrovi-
seurs, binaires, etc.
2.3 Mthodes du modle binomial
Le modle de larbre binomial est propos par Cox, Ross et Rubinstein
(1979) et Rendleman et Bartter (1979). Le produit driv est valu en temps
discret en fonction des direntes trajectoires possibles de lactif sous-jacent.
Cette rsolution par approche martingale est une reprsentation du produit
driv par lesprance actualise de sa valeur future dans un monde neutre au
risque.
Hull (1993) nonce un moyen de dtermination des greeks partir des
arbres binomiaux. Les greeks sont exprims en fonction des prix de loption,
des valeurs du sous-jacent, de la volatilit ou du temps selon les cas. Ces calculs
se font dirents noeuds de larbre suivant la date de calcul dsire. Dans
la pratique, le calcul des greeks seectue le plus souvent la date zro. Cela
requiert une valuation sur plusieurs noeuds.
Pelsser et Vorst (1994) proposent une alternative au modle binomial base
sur une extension de larbre. Ils tendent un arbre binomial de manire obtenir
un arbre pour lequel il serait possible de calculer des valeurs antrieures au
8
temps zro. Les greeks sont alors exprims en fonction des valeurs prises autour
du temps zro selon les dirents paramtres. Cette mthode est plus rapide
et plus prcise que la premire, notamment pour le calcul de Gamma, car
elle requiert moins de noeuds pour estimer les greeks. Ces travaux portent
essentiellement sur la dtermination du Delta et du Gamma.
Pour ce qui est du calcul du Theta, du Rho et du Vega, ils proposent de les
calculer pour le premier par une approximation du Delta et du Gamma et pour
les autres par les mthodes de drivation numrique. La prcision des calculs
restent trs sujette au choix des intervalles de temps et de prix du sous-jacent.
Chung and Shackleton (2002) remettent jour lutilisation du modle bi-
nomial pour le calcul des greeks en liminant les limites cites ci-dessus quant
son utilisation. Pour ce faire, ils travaillent partir de la mthode bino-
miale Black-Scholes (BBS dans ce qui suit) introduite par Broadie et Detemple
(1996). Broadie et Detemple avaient montr quen appliquant la formule de
Black-Scholes au pnultime noeud larbre binomial, on obtenait des rsul-
tats plus prcis pour un arbre de mme taille. Ces performances se retrouvent
lorsquon applique le modle BBS pour le calcul des greeks. En outre, les er-
reurs relatives la discrtisation napparaissent plus puisque la mthode BBS
est base sur des fonctions lisses des prix du sous-jacent et du temps proches
de la date de maturit. Dans leur article, ils montrent que cette mthode de
computation est trs adapte pour les options de type vanille.
9
2.4 Calcul de Malliavin
Le Calcul de Malliavin, de son auteur Paul Malliavin, est le calcul de la
variation pour les processus stochastiques dnis sur un espace de Wiener et
peut tre visualis comme un modle dintgration par partie sur cet espace. Il
est parfois ncessaire de mesurer leet dune perturbation dans la trajectoire
dun sous-jacent mouvement brownien sur la fonction en question. Le calcul de
Malliavin permet de mesurer cet eet dou son usage de plus en plus frquent
en ingnierie nancire. La drive de Malliavin dune fonction quelconque de
mouvements browniens, continue et drivable, est la variation de cette fonction
due une quelconque variation dans la trajectoire des mouvements browniens.
Le calcul des greeks par le calcul de Malliavin est utilis pour la premire
fois par Fourni, Lasry, Lebuchoux, Lions et Touzi (1999). Selon leur approche,
chaque greek peut tre exprim comme une moyenne de pondration de la fonc-
tion de payement (payo) partir de la drive de Malliavin. Cette pondration
est fonction des conditions initiales et dune faible variation de la volatilit lo-
cale. Fourni, Lasry, Lebuchoux et Lions (2001) font une extension de larticle
prcdent en dterminant les pondrations optimales qui correspondent une
variance minimale. Les avantages de la mthode rsident dans le fait que les
calculs peuvent se faire sans toutefois connatre la fonction de densit. De plus,
lorsque les pondrations utilises sont optimales, des travaux ont t fait dans
ce sens notamment par Benhamou (2003), lvaluation des greeks par le calcul
de Malliavin savre eciente et rapide.
Cependant, la dtermination de la drive de Malliavin est un calcul assez
10
ardu et la mthode ne peut tre gnralise toutes les options car la condition
de dpart requiert une fonction de paiement lisse.
2.5 Mthodes Monte Carlo
La simulation Monte Carlo pour lvaluation des options a t introduite
par Boyle (1976). Cette approche consiste gnrer des trajectoires de pro-
cessus stochastiques an destimer les volutions possibles de loption pendant
sa dure de vie. La valeur de loption est ensuite exprime sous forme dune
esprance des dirents cas de gure une date donne. La simulation est trs
utile lorsquil sagit de calculer des valeurs doptions pour lesquelles il nexiste
pas de formules analytiques et lorsquon est en prsence de plusieurs variables
dtat. Cest une technique trs approprie pour traiter les processus continus
ou avec sauts. Les rsultats et performances produits par la mthode par rap-
port aux cots de computation en ont fait un outil trs utilis notamment dans
lvaluation des valeurs doption et des valeurs de sensibilit y arents.
Depuis, plusieurs travaux sur lvaluation des dirents types doptions via
la simulation Monte Carlo ont t dvelopps. Les greeks taient alors calculs
en faisant une resimulation supplmentaire pour mesurer la variation occasion-
ne sur la valeur de loption par celle du paramtre tudi. Cette mthode
requrait la dtermination de la variation optimale appliquer au paramtre
en question et un temps de calcul supplmentaire voir double. Le succs des
mthodes Monte Carlo ont entran en parallle plusieurs travaux sur la dter-
mination des greeks simultanment lestimation du produit driv.
11
Cette voie est ouverte par Fu et Hu (1995) qui proposent comme alternative
la resimulation, la mthode des gradients. Ils dterminent les esprances
des drives partielles pour le cas dune option europenne et dune option
amricaine.
Par la suite, Broadie et Glasserman (1996) sur la base de la simulation
Monte Carlo, prsentent deux nouvelles mthodes de calcul des greeks. La pre-
mire, la mthode par trajectoire (pathwise method) suppose que la fonction
de payo est drivable presque partout et que les drives partielles des va-
leurs doptions existent pour chacun des paramtres. La fonction de payo suit
une distribution log-normale et est reprsente par un mouvement brownien
gomtrique. Partant de l, il devient possible dvaluer chacune des drives
partielles correspondant aux greeks. La mthode exige cependant une conti-
nuit des fonctions de paiement pour tre applicable.
Cest pourquoi ils proposent en alternative une deuxime mthode, celle
du rapport de vraisemblance (likelihood ratio method). Le principe de la m-
thode est de supposer que les rendements des sous-jacents suivent une fonction
de densit g. La fonction de payo est alors dnie comme une intgrale par
rapport au sous-jacent de la fonction de densit actualise. Pour obtenir les
dirents greeks il sut de diviser le g dans la fonction de payo par les dif-
frents paramtres. La mthode ncessite cependant de connatre la fonction
de densit des rendements. Broadie et Glasserman arrivent la conclusion que
la mthode des trajectoires lorsquelle est applicable donnent de meilleurs r-
sultats que celle du rapport de vraisemblance. Comme montr par Detemple,
Garcia et Rindisbacher (2002), la mthode des trajectoires ainsi que celle du
12
rapport de vraisemblance peuvent tre vues comme des mthodes du calcul de
Malliavin dans le cas du mouvement brownien gomtrique.
Toujours avec la simulation Monte Carlo, Willard (1997) suggre lutili-
sation du Monte Carlo Conditionnel pour calculer les valeurs des sensibilits
doptions dont la fonction de payo la date dexercice est indpendante du
reste la trajectoire dans le cas des modles facteurs multiples. Le condi-
tionnement est une technique de rduction de variance. En lassociant la
simulation Monte Carlo elle permet de simplier les calculs en exprimant des
valeurs conditionnelles sous forme de solutions explicites. Pour ce faire, il donne
lexemple dune option europenne volatilit stochastique. Il calcule la vola-
tilit moyenne sur la dure de vie de loption. En conditionnant la volatilit
stochastique un processus de Wiener, il parvient une volatilit constante et
exprimer ainsi la valeur de loption par la formule de Black-Scholes. De l, il
peut tirer les expressions des dirents greeks voulus. Cette technique permet
de gagner en temps de computation et donne de bons rsultats, cependant elle
ne sapplique que dans le cas des options dont la fonction de paiement (payo)
est indpendante du reste de la trajectoire.
Dans la suite de Broadie et Glasserman (1996), Glasserman et Zhao (1999)
font une application des mthodes des trajectoires et du rapport de vraisem-
blance pour le calcul des greeks des modles de Libor et Forward semblables
ceux prsents dans les modles de Heath, Jarrow et Merton avec une par-
ticularit cependant, car ils modlisent la dynamique de la courbe des taux
forward. La structure de ces modles rend le calcul des greeks plus complexe
que dans le cas doptions. Ils y ajoutent une combinaison des deux mthodes
13
pour le calcul de certains greeks. Grce une analyse comparative, ils dter-
minent la meilleure approche adapte lvaluation des greeks dans les modles
de structure terme selon le type de la fonction de valeur (continue ou discon-
tinue).
Toujours dans la foule de Broadie et Glasserman (1996), Duan (2003) d-
veloppe une gnralisation de la mthode des trajectoires. Il introduit un lissage
naturel partir de la formule analytique de la fonction de paiement disponible
certains points une date proche de la maturit an de rendre applicable
la mthode aux options dont les trajectoires sont non direntiables. Il rus-
sit appliquer sa mthode au calcul des greeks pour des options barrire,
asiatiques ou encore sur des modles Garch.
Glasserman (2003) fait une extension de la mthode des trajectoires et de
celle du ratio de vraisemblance au cas doptions avec multiples sous-jacents
mais seulement pour le calcul du Delta.
Dans le cas particulier des options, Bernis, Gobet et Kohatsu-Higa (2003)
utilisent le calcul de Malliavin pour driver des pondrations additionnelles qui
permettront lusage de la simulation Monte Carlo pour la dtermination des
greeks. Leur travail porte sur le cas multidimensionnel en plus de traiter de la
particularit des options barrires et rtroviseurs savoir que la valeur nale
dpendra des extrema de la trajectoire pendant la dure de vie de loption.
Cette mthode pour ce type doption savre plus performante dans le sens
o elle permet une plus grande applicabilit ( des options dont la fonction
de valeur est discontinue) que celle des dirences nies ou celle du calcul de
Malliavin utilise toute seule. Cette manire de faire est encore appele Quasi-
14
Monte Carlo.
2.6 Lien avec le mmoire
De nombreux travaux ont t mens en matire de calcul des greeks. Depuis
larticle de Black et Scholes (1973), lusager a le choix entre plusieurs mthodes
dvaluation des paramtres de sensibilit des valeurs doptions adaptes plus
ou moins au cas quil traite. Cependant lorsque loption porte sur plusieurs
actifs sous-jacents, le choix de lusager est beaucoup plus restreint. Dans ce
travail nous nous proposons de faire une gnralisation des mthodes de tra-
jectoires et du rapport de vraisemblance prsentes par Broadie et Glasserman
(1996) au cas des options sur plusieurs actifs sous-jacents.
15
Chapitre 3
Mthodologie
Dans cette section, nous nous proposons de faire une extension de Broadie
et Glasserman (1996) aux options portant sur plusieurs actifs sous-jacents.
An dexpliciter lintrt dun tel travail, la premire partie de ce chapitre sera
consacre la dnition ainsi qu lutilit des greeks. Par la suite nous ferons
un expos des mthodes de Broadie et Glasserman (1996) et enn lextension
qui peut en tre faite.
3.1 Dnition des greeks
Dans cette partie, nous allons prsenter les greeks et dcrire leurs caract-
ristiques dans le cadre dune option dachat dans un contexte de Black-Scholes,
i.e., lorsque lactif sous-jacent suit la dynamique suivante :
dS
t
= S
t
dt + S
t
dW
t
16
Les proprits et formules prsentes ci-dessus sappliquent au cas de lop-
tion dachat europenne dont la valeur au temps t est :
C(S, K, t, T) = SN(d
1
) Ke
r(Tt)
N(d
2
)
avec N la fonction cumulative de la loi normale centre rduite, S lactif sous-
jacent, K le prix dexercice, T la date dchance et
d
1
=
ln
_
S
K
_
+ (r +
1
2
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
.
=
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
.
=

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
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)
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)
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)
o n(x) reprsente la fonction de densit de la loi normale centre rduite.

Le paramtre de sensibilit Vega, sachant que = a
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
Dans le cadre de notre formulation Black-Scholes, tel quon peut le voir

dans (4.4), la sensibilit par rapport au taux dintert sans risque est nulle
puisque r napparat pas dans la fonction de valeur de loption.
Rho = 0
Nous avons ajout les drives croiss an de mesurer limpact dun mou-
vement simultan de la volatilit ou du prix de deux actifs sous-jacents.
Le dtail des direntes formules est explicit en annexe C.
4.1.3 Description des donnes
Pour cette premire application numrique, nous avons choisi 2 titres Intel
(INT) et Microsoft (MSFT), tous deux lists sur le NASDAQ. Les donnes
historiques utilises sont les valeurs ajustes et portent sur une priode allant
du 27 Mai 2003 au 24 Mai 2005 pour un total de 503 observations :
51
0 100 200 300 400 500 600
20
21
22
23
24
25
26
27
28
0 100 200 300 400 500 600
18
20
22
24
26
28
30
32
34
Figure 4.1: Evolution du titre MSFT Evolution du titre INT
Les estimations sur la volatilit et la corrlation des 2 titres ont t faites
sur leurs rendements respectifs grce aux fonctions Matlab COV (pour la va-
riance covariance. Nous avons multipli la matrice par 252 an dobtenir la
variance annuelle) et CHOL (pour la dcomposition de Cholesky). Nous avons
la dcomposition de Cholesky car elle permet une resolution simpli des ma-
trices symtriques et produit une seule matrice apres transformation, ce qui
facilite les manipulations.
Loption dchange porte sur q
1
= q
2
= 1 quantit de chacun des titres. S
1
reprsente le titre MSFT et S
2
le titre INT. La matrice de variance covariance
exprime partir des rendements historiques est
_
_
0.0388 0.0283
0.0283 0.0859
_
_
, ce qui
correspond au vecteur a =
_
_
0.1969 0.1436
0 0.2554
_
_
et au coecient de corrlation
= 0.4901. La dure de vie de loption T = 6 mois.
Pour la simulation Monte Carlo, le nombre de simulation N = 1000000 et
le taux sans risque r = 0.0259.
52
Nous avons implant les 2 mthodes destimation Monte Carlo ainsi que
le modle comparatif de Black-Scholes dans une routine Matlab. Les rsultats
obtenus pour direntes valeurs des sous-jacents sont prsents dans le tableau
suivant 4.1.
53
Option dchange entre 2 actifs risqus
S1=25.75 Erreur S1=21 Erreur S1=19 Erreur
S2=26.96 stand S2=19 stand S2=25.75 stand
Valeur de loption
Black-Scholes 2.60159 0.68031 6.83442
Monte Carlo 2.60577 0.68209 6.83966
Delta
Black-Scholes -0.5622 -0.2628 -0.9401
0.6335 0.3263 0.9591
Trajectoires -0.5626 0.0010 -0.2630 0.0009 -0.9398 0.00052
0.6340 0.0011 0.3266 0.0011 0.9590 0.00060
Rapport de Vraisemblance -0.5639 0.0032 -0.2636 0.0018 0.9445 0.0071
0.6351 0.0028 0.3274 0.0020 0.9613 0.0043
Vega
Black-Scholes 1.4670 -1.4670 0.9902 -0.9902 0.3269 -0.3269
-1.4670 7.0238 -0.9902 4.7409 -0.3269 1.5650
Trajectoires 1.4796 -1.0932 0.0262 0.0263 0.9945 -0.8472 0.0146 0.0145 0.3386 -0.3264 0.0.257 0.0259
-1.0932 7.0373 0.0263 0.0281 -0.8472 4.7499 0.0145 0.0194 -0.3264 1.5907 0.0259 0.0346
Rapport de Vraisemblance 1.4451 -1.4724 0.0773 0.0584 0.9827 -0.9893 0.0350 0.0279 0.2823 - 0.3421 0.1270 0.0852
-1.4724 7.0619 0.0584 0.1013 -0.9893 4.7607 0.0279 0.0542 -0.3421 1.6175 0.0852 0.1351
Gamma
Black-Scholes 0.0829 -0.0792 0.0842 -0.0930 0.0339 -0.0250
-0.0792 0.0757 -0.0930 0.1028 -0.0250 0.0185
Trajectoires - - - -
Rapport de Vraisemblance 0.0808 -0.0776 0.0017 0.0012 0.0820 -0.0909 0.0013 0.0011 0.0328 -0.0253 0.0047 0.0023
-0.0776 0.0741 0.0012 0.0011 -0.0909 0.1006 0.0011 0.0011 -0.0253 0.0186 0.0023 0.0016
Rho
Black-Scholes 0 0 0
Trajectoires -2.5300e-014 0 1.0880e-014 0 7.8623e-013 0
Rapport de Vraisemblance 0.00016 0 6.0023e-004 0 0.00030 0
Theta
Black-Scholes -1.8722 -1.2637 -0.4171
Trajectoires -1.8761 0.0071 -1.2662 0.0050 -0.4237 0.0089
Rapport de Vraisemblance -1.8767 0.0290 -1.2675 0.0148 -0.4188 0.0421
Tableau 4.1: Valeurs et paramtres de sensibilit dune option dchange
54
Le tableau ci-dessus prsente 3 cas de gures : S
1
< S
2
loption est lg-
rement dans la monnaie, S
1
> S
2
, loption est la monnaie et enn S
1
< S
2
,
loption est trs dans la monnaie. La colonne Erreur standard reprsente la
variation en quon pourrait observer pour un intervalle de conance donn
de 95%.Lerreur standard est calcule comme suit : 1.96

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
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
0.5513 0.0011
0.5641 0.0012
0.5361 0.0011
0.5360 0.0011
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
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
, la drive partielle par rapport la

volatilit sera calcule par rapport (a
11
, ..., a
1d
, a
22
, ..., a
2d
, ....a
dd
)
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
. On peut alors crire la fonction de densit

de x comme suit :
f (x) =
1
d
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.
S tant une variable alatoire, I peut tre estim par :
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 est donne par
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
= (0, ..., 0, ...,

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
B par son expression en (B.49), on obtient lexpression

suivante de I
2
I
2
=
_
a
1
_
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

KKane

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

KKane

Transféré par

Droits d'auteur :

Formats disponibles

HEC MONTRAL

Mthodes Monte Carlo pour lvaluation des paramtres de

o n(x) reprsente la fonction de densit de la loi normale centre rduite.

Dans le cadre de notre formulation Black-Scholes, tel quon peut le voir

, la drive partielle par rapport la

. On peut alors crire la fonction de densit

S tant une variable alatoire, I peut tre estim par :

V est donne par

= (0, ..., 0, ...,

B par son expression en (B.49), on obtient lexpression

Vous aimerez peut-être aussi