Académique Documents
Professionnel Documents
Culture Documents
Financière
OBJECTIF GENERAL
’équation forward
a variable y prend la valeur y’ à l'instant t’, mais comment est-ce arrivé là?.
La transition de la fonction de densité de
probabilité
a probabilité d'être à y’ à l'instant t’ est lié aux probabilités d'être aux trois valeurs
précédentes et de se déplacer dans la bonne direction:
(y, t; y’, t’) = α p(y, t; y’+δy, t’− δt) +(1 − 2α)p(y, t; y’, t’− δt)
ous pouvons facilement développer chacun des termes de la série Taylor au point
y’, t’
on obtient:
La transition de la fonction de densité de
probabilité
La transition de la fonction de densité de
probabilité
La transition de la fonction de densité de
probabilité
La transition de la fonction de densité de
probabilité
La transition de la fonction de densité de
probabilité
Observations•
Il s'agit d'une équation différentielle partielle pour p une fonction de deux
variables indépendantes y’ et t’
C'est un exemple d'équation de diffusion.
y et t sont plutôt comme des paramètres dans ce problème, pensez à eux comme
les quantités de départ pour la marche aléatoire.
Ceci est une équation de diffusion. Vous avez besoin de cette relation spéciale
entre α, δt et δy pour obtenir cette équation.
C'est aussi un exemple de mouvement brownien.
Lorsque nous passons aux applications financières, la quantité c est lié à la
volatilité.
La transition de la fonction de densité de
probabilité
’équation backward
ette équation est utile pour calculer les probabilités d'atteindre un état finale
spécifiée de divers états initiaux.
e sera une équation nécessitant des conditions imposées dans le futur et résolu
en remontant le temps.
lors que l'équation forward avait des variables indépendantes t’ et y’, l'équation
bacward a les variables t et y.
La transition de la fonction de densité de
probabilité
Example: A 17h, vous êtes au bureau. (Ceci est le point (y, t).) À 18h, vous serez
à l'un des trois endroits: Le Pub; Toujours au bureau travaillant tard ou chez
Alfred. (Ce sont les points(y + δy, t + δt), (y, t + δt) et (y - δy, t + δt).)Nous allons
regarder la probabilité qu'à minuit soyez au lit. (Ceci est le point (y’, t’).)
La transition de la fonction de densité de
probabilité
La transition de la fonction de densité de
probabilité
ttention:
La première étape
est de changer du temps présent en terme du temps future
La pay-off est reçue à
l’instant T mais cette option est valorisé à l’instant t.
On écrit donc:
V(s,t) = e-r(T-t) U(s,t)
∂V/∂t = r e-r(T-t) U(s,t) +
e-r(T-t) ∂U/∂t
L’équation différentiel
devient
∂U/∂t + 1/2
σ S ∂ U/∂S + rs ∂U/∂S = 0
2 2 2 2
La transition de la fonction de densité de
probabilité
a première étape consiste à trouver une solution spéciale de ∂ W/∂ τ = 1/2 σ2∂2W/∂ x2,
appelée la solution fondamentale. Cette solution présente des propriétés utiles.
ταf((x-x’)/τβ) (2)
ous avons vu que les martingales sont de très gentils processus à utiliser car ils
possèdent de nombreuses propriétés enviables:
ls sont sans dérive, de sorte que tout ce que nous devons penser est le caractère
aléatoire du mouvement brownien
n effet, pour que le prix de l’actif actualisé S* soit une martingale sous la
mesure P, il faudrait que S* soit sans dérive, c’est-à-dire (μ - r) S dt = 0 donc
que μ = r
ar extension, si μ > r (comme cela devrait être le cas sur les marchés financiers),
alors S est un sous martingale; et si μ <r, S est un super martingale.
Application du théorème de Radon-Nikodym
Si nous voulons que le processus S (t) bénéficie de toutes les belles propriétés
martingale, nous devrons nous éloigner de la mesure P vers une nouvelle
mesure sous laquelle S (t) est toujours un martingale.
Notre objectif général est donc de trouver une mesure Q sous laquelle S est un
martingale; et alors, utiliser le théorème du radon Nikodym pour effectuer le
changement de mesure.
xercices
oit S l’évolution du prix du titre risqué, soit Q la mesure dans le monde neutre
au risque et P la mesure dans le monde réel. Trouver le radon nikodym pour
passer de la mesure dans le monde réel à la mesure dans le monde neutre au
risque.
Exercice Corrigé
Exercice Corrigé
rocessus stochastiques modélisant les taux
d'intérêt
Différentes approches pour modéliser les taux
d’intérêt
éterministe
lack’76
ulti facteur
rièvement, on assume qu’il y a une quantité appelée le taux d’intérêt comptant. Ceci
étant le taux d’intérêt payé sur une courte période de temps. Cette quantité pourrait être
constante dans le cas le plus simple ( c’est ce que nous assumons fréquemment lorsque
nous tarifions les options sur les actions ) ou une fonction dépendante du temps.
(t)
En 1976, Fischer Black a introduit l'idée de traiter les obligations comme des actifs
sous-jacents afin d'utiliser les formules de Black – Scholes sur les actions pour les
instruments à revenu fixe.
La première étape de la trajectoire stochastique des taux d’intérêt a utilisé les taux
d'intérêt à court terme, le taux au comptant, comme facteur aléatoire entraînant
toute la courbe des taux.
Les équations de diffusion régissaient les prix des dérivés, et les prix des produits
dérivés pourraient être interprétés comme les valeurs actuelle de tous les flux de
trésorerie également.
Taux au contant stockastique
Les modèles ont ensuite été conçus pour contourner les deuxième et troisième de
ces problèmes.
Comme le modèle est généralement résolu par simulation, il est simple ayant un
certain nombre de facteurs aléatoires et donc une structure très, très riche pour le
comportement de la courbe des taux. Le seul inconvénient de ce modèle, dans la
mesure où la mise en œuvre est concerné, est qu'il suppose une distribution
continue des échéances et l'existence d'un taux spot.
Le modèle de marché Libor
Le modèle de marché LIBOR (LMM) tel que proposé par Miltersen, Sandmann,
Sondermann, Brace, Gata rek, Musiela et Jamshidian dans diverses combinaisons
et à divers moments, les modèles échangés à taux forward de différentes
échéances sous forme de marches aléatoires corrélées.
L’avantage clé par rapport à HJM est que seuls les prix qui existent sur le
marché sont modélisés, les taux LIBOR. Chaque taux à terme négocié est
représenté par le modèle d’une équation différentielle stochastique avec un taux
de dérive et une volatilité, ainsi qu'une corrélation avec chacun des autres modèles
de taux forward. Aux fins de la tarification des dérivés, nous travaillons comme
d'habitude dans un monde sans risque. Dans ce monde, les dérives ne peuvent pas
être spécifiées indépendamment des volatilités et des corrélations.
Le modèle de marché Libor
ncore une fois, le LMM est résolu par simulation, avec la courbe de rendement
«Aujourd'hui» étant donné les données initiales. L'étalonnage à la courbe de
rendement est donc automatique.
e LMM peut également être conçu pour être conforme à la norme approche de
la tarification des plafonds (cap), flottants et swaptions en utilisant Black 1976.
Ainsi, l'étalonnage sur un liquide dépendant de la volatilité et de la corrélation
des instruments peuvent également être réalisés. Si le LMM est un bon modèle,
en termes de précision scientifique c’est une autre affaire, mais sa facilité
d'utilisation et d'étalonnage et sa relation avec les modèles standard le rend très
attrayant pour les pratiquants.
Introduction à la modèlisation
Les arbres
l s'agit d'une introduction au cadre EDP pour les produits de taux d'intérêt. La
base de cette section est de dériver l'équation du prix des obligations pour un
modèle factoriel. La variable d'état sous-jacente est un actif non négociable. Par
conséquent, lors de la tarification des dérivés souscrits sur ces titres, un
nouveau terme appelé le prix du marché du risque apparaît dans l'équation.
ela fait l'objet d'une modélisation des taux d'intérêt à un facteur. Nous
commençons par avoir une source aléatoire, le taux d'intérêt au comptant. Le
modèle permettra au taux d'intérêt à court terme, le taux au comptant, de
suivre une marche aléatoire. Ce modèle conduit à une équation différentielle
partielle parabolique pour les prix d’obligations et d’autres produits dérivés de
taux d’intérêt.
Taux d’intérêt stochastique
e «taux au comptant» que nous modéliserons est un terme ayant une quantité
très vaguement défini, censée représenter le rendement d’une obligation à
maturité infinitésimale. En pratique, on devrait considérer ce taux comme le
rendement d'une obligation liquide à échéance finie, disons un mois. Il existe
des obligations à un jour d'expiration, mais leur prix n'est pas nécessairement
un guide des autres taux à court terme. Puisque nous ne pouvons pas prévoir de
façon réaliste l'évolution future d'un taux d'intérêt, il est naturel de le modéliser
comme un variable aléatoire.
upposons que le taux d'intérêt r soit régi par une équation stochastique
différentielle de la forme
a partie gauche de l’équation ne dépend que de V1 sur T1. La partie droite de l’équation
dépend de V2 uniquement sur T2. C'est une équation à deux inconnues qui devrait
tenir pour tout r et t.
ar conséquent, cette équation est une fonction de (r; t); soit une fonction de 2 variables
communes à V1 et V2. La partie gauche est f (r; t; T1) et la partie droite est g (r; t; T2).
haque côté peut être fonction de r et t mais doit être indépendant de T1 et T2: Les deux
côtés doivent être égaux à une constante universelle.
e seul moyen pour que cela soit possible est que les deux parties soient indépendantes
de la date de maturité.
Equation de tarification du modèle général
Equation de tarification du modèle général
Equation de tarification du modèle général
Equation de tarification du modèle général
Equation de tarification du modèle général
L
'équation est similaire à l'équation arrière pour une densité de probabilité à l'exception de la
durée d'actualisation finale.
n tant que tel, nous pouvons interpréter la solution de l'équation du prix des obligations
comme la valeur actuelle escompté de tous les flux de trésorerie. Cette idée devrait être
familière des dérivés sur actions.
C
omme pour les options sur actions, cette attente ne concerne pas le variable aléatoire, mais
plutôt par rapport à la variable neutre au risque.
I
l y a cette différence parce que le terme de dérive dans l'équation n’est pas la dérive du taux
spot réel u, mais la dérive d'un autre taux, appelé le taux spot neutre au risque. Ce taux a une
dérive de u - λw
Le Prix du Marché du Risque
Rappelons que pour les actions nous avons un taux de dérive réel noté μ. Cependant, nous
évaluons comme si l'actif croît avec un taux r, le taux sans risque.
our les produits à revenu fixe, la croissance réelle du taux d'intérêt pourrait être u (r; t)
mais nous évaluons comme s'il s'agissait de u (r; t) - λ (r; t) w (r; t). Ce dernier est le taux
de dérive ajusté au risque.
ous pouvons utiliser des simulations Monte Carlo pour la tarification… des produits à
revenu fixe, mais nous nous assurons de simuler le processus de taux spot neutre au
risque.
Inférence pour le modèle de Black Scholes
Introduction
a formule de Black et Scholes qui a été développer pour des actifs dont le
comportement est celui du mouvement Brownien géométrique et qui permet de
calculer le prix d'une option a apporté en 1973 une contribution majeure à la
théorie financière.
e modèle de Black-Scholes est le plus utilisé pour le pricing des options européennes et
leurs dérivées. Son expression analytique est simple à utiliser et comme tous les
modèles d’arbitrage, il ne requiert pas la connaissance de l’aversion au risque de
l’investisseur.
tant donné que le prix d’une option européenne ne dépend que de la volatilité du sous-
jacent, et non de son rendement moyen, dans la pratique, deux approches sont
couramment utilisées pour estimer la volatilité : La méthode empirique (ou historique)
et l’approche implicite.
ar exemple, pour un Put donné dont le prix est disponible sur le marché, on peut
trouver une fonction σ tel que le Put théorique égalise celui du marché comme suit :
P(r, T, K, to, σbs) = Pmarket
Estimation de valeurs d'options et
estimation implicite
insi pour tout PMkt et tous autres paramètres du marché (T, K, r, S), la
résolution numérique permet d’obtenir une volatilité dite implicite.
a volatilité historique se calcule comme l’écart-type des rentabilités logarithmiques sur une
période donnée. Elle est la plus simple à calculer car elle ne nécessite que très peu d’outils
mathématiques et peut être estimée sur différents horizons de temps suivant l’analyse
désirée. L’une des limites à cette méthode et non la moindre, repose sur le fait qu’il n’est
pas toujours fiable de se baser sur des données historiques pour prédire les variations
futures.
ependant, dans la pratique, les prix réels des options permettent de calculer
une volatilité implicite qui dépend du temps avant maturité. Quelques données
montrent qu’en général, la volatilité implicite est plus élevée que son équivalent
historique.
arce que cette expression est exacte et simple, c'est le meilleur moment
algorithme de progression à utiliser. . . mais seulement si nous avons un payoff
qui dépend uniquement de la valeur de l'actif final, c'est-à-dire est européen et
de chemin indépendant.
ous pouvons ensuite simuler le prix final de l'actif en un bond géant,en utilisant
un pas de temps de T si les deux propositions ci-dessous sont vérifiées : l’
équation différentielle stochastique est intégrable et• le contrat est européen et
non dépendant du chemin
Simulation de Monte carlo
Simulation de Monte carlo
les erreurs
Il y a deux (au moins) sources d'erreur dans la méthode de Monte Carlo
méthode:
1.Si la taille du pas de temps est δt, nous pouvons introduire des erreurs
de O(δt) en vertu de l'approximation discrète d’évènements continus
2.Parce que nous simulons seulement un nombre fini d‘une infinité de nombre de
chemins possibles, l'erreur due à l'utilisation de N réalisations des trajectoires de
prix des actifs est O (N-1/2).
Simulation de Monte carlo
les erreurs
Il y a deux (au moins) sources d'erreur dans la méthode de Monte Carlo
méthode:
1.Si la taille du pas de temps est δt, nous pouvons introduire des erreurs
de O(δt) en vertu de l'approximation discrète d’évènements continus
2.Parce que nous simulons seulement un nombre fini d‘une infinité de nombre de
chemins possibles, l'erreur due à l'utilisation de N réalisations des trajectoires de
prix des actifs est O (N-1/2).
Simulation de Monte carlo
Il y a deux (au moins) sources d'erreur dans la méthode de Monte Carlo
méthode:
1.Si la taille du pas de temps est δt, nous pouvons introduire des erreurs
de O(δt) en vertu de l'approximation discrète d’évènements continus
2.Parce que nous simulons seulement un nombre fini d‘une infinité de nombre de
chemins possibles, l'erreur due à l'utilisation de N réalisations des trajectoires de
prix des actifs est O (N-1/2).
Simulation de Monte carlo
Simulation de Monte carlo
Les mathématiques dont vous avez besoin pour effectuer une simulation de
Monte Carlol peut être très basique.
Les corrélations peuvent être facilement modélisées et il est facile de fixer le prix
de l’option sur de nombreux actifs (contrats de grande dimension)
La méthode est très lente, vous avez besoin de beaucoup de simulations pour
obtenir une réponse précise
La méthode n’est pas très adapté aux exercices précoces d’options.
Simulation de Monte carlo
Ne pas faire confiance à une simple simulation de Monte Carlo à moins qu’on
pense qu’on a de bonne raison de croire qu’elle converge suffisamment.
Ne pas faire confiance au fait qu’on soit dans l’intervalle d’une erreur standard
autour du résultat soit dans la gamme acceptable pour l’objectif.
Ne pas répéter une simulation en utilisant une “graine” différente, utiliser plutôt
un générateur de nombres différent.
Le moyen le plus intuitif pour contrôler la convergence est donné par un
diagramme de convergence, la recommandation est de tracer la moyenne courante
comme une fonction du nombre d’itérations N tel que les points traces pour N soit
des puissance de 2.
Simulation de Monte Carlo
Simulation de Monte Carlo
Simulation de Monte Carlo
Simulation de Monte Carlo
Variantes uniformes
Variantes uniformes
Les algorithmes simples les plus courants sont les générateurs congruents
mn+1 = (amn + c) mod M. pour l'entier mn. Les variables réelles sur (0,1) sont
ensuite produites à partir de mn en mettant xn = (mn +1) / (M + 1).
Il existe de nombreux générateurs de nombres: Pour n'en nommer qu'un seul: le
Mersenne Twister.
La couverture uniforme est assurée par un placement sélectif dans une
dimension et un échantillonnage incommensurable entre les dimensions.
Les simulations de Monte Carlo utilisant des nombres de faible divergence sont,
en théorie, censées converger en ~ c (d) (lnN) d / N alors que la convergence en
utilisant des nombres aléatoires est, devrait être ~ 1 / √N.
Le problème avec les nombres à faible divergence est que c (d) peut exploser
géométriquement avec d.
Simulation de Monte Carlo
Deux méthodes sont couramment utilisées pour tester les nombres à faible
écart: l'évaluation numérique d'une mesure pour la non-uniformité (c'est-à-dire
la divergence) et les projections par paires
Simulation de Monte Carlo
tant donné une variable uniforme u ∈ (0,1), la densit é de distribution ψ (x), son
intégrale Ψ (x) (ie la fonction de distribution cumulative), et l'inverse de la fonction de
distribution cumulative Ψ-1 (u), la variate x: = Ψ-1 (u) est distribué ~ψ (x). Chaque fois
que la fonction de distribution cumulative peut être inversée avec précision à un coût
de calcul modéré, c'est la méthode de choix préférée.
Simulation de Monte Carlo
Lorsqu'une approximation efficace et précise pour l'inverse de Ψ (x) n'est pas disponible
mais que Ψ (x) est, une table de conversion inverse efficace peut être établie comme suit:
couvert.
3.Calculer les valeurs de probabilité cumulatives associées Ψ (xi) et stocker en tant
qu'éléments ui dans un second vecteur.
Simulation de Monte Carlo
Simulation de Monte Carlo
Simulation de Monte Carlo
Simulation de Monte Carlo
Variante normale
La méthode préférée devrait toujours être l'inverse direct cumulatif normal de
Peter Acklam
Le schémas d’Euler
Une bonne méthode pour construire des chemins qui pondèrent les dimensions
de la pertinence par leur importance est l'une des plus importantes méthodes de
réduction de la variance.
Remarque: Les nombres Sobol ', chaque fois que le nombre d'itérations est un
nombre de Mersenne, c'est-à-dire 2n-1 pour un entier n, contrairement aux
nombres pseudo-aléatoires, ont la fonction antithétique (approximativement)
intégrée.
Une copule est une relation fonctionnelle qui encode une structure de
dépendance en un ensemble de fonctions de densité cumulative marginale (CDF)
afin de générer un CDF commun.
Concrètement, une copule est un type spécial de fonctions multivariées qui est
utilisé pour agréger un certain nombre de CDF marginaux en un CDF conjoint.
Pour simplifier quelque peu: les CDF marginaux représentent la probabilité
associée à chaque variable aléatoire; la copule représente la relation de structure
de dépendance entre les différentes variables aléatoires.
Qu’est ce qu’une copule et que fait-elle?
Dans cette section, nous basons notre discussion sur deux variables (2
dimensions) copules pour plus de clarté.
C'est en fait l'une des grandes forces et attraits majeurs des copules: les concepts
clés et les résultats ne deviennent pas beaucoup plus compliqué lorsque la
dimension du problème augmente. Les copules sont donc particulièrement
adaptées aux problèmes de dimensionnalité élevés.
Qu’est ce qu’une copule n’est pas?
... et sans structure de décision dynamique, ce qui signifie statique CDO, swaps
par défaut de panier et options de panier européen. Les copules ont été
rapidement adoptées comme une boîte à outils utile pour évaluer le risque des
dérivés de crédit de panier tels que les CDO et kth to default credit swaps.
La prémisse dans ce cas est que le développement d'un modèle représentant
fidèlement la dépendance la structure des défauts dans le panier est plus
importante que la modélisation précise des risques de défaillance individuels
Définitions préliminaires
Définitions fonction 2-increasing
Sous copules et copules
Examples
Exercices
ontrer que
(v,z) = vz
L
es résultats clés : Le théorème de Sklar
L
e théorème de Sklar est important parce que:
l montre que chaque CDF commun peut être divisé en son marginal CDF et une fonction
copule;
ela montre que si vous avez un CDF marginal et une copule , vous pouvez créer un CDF
commun.
E
t maintenant déclarons le théorème de Sklar ...
Les résultats clés : le théorème de Sklar
Les résultats clés : le théorème de Sklar
l'inverse, si F (x; y) est une fonction de densité conjointe avec des marges F1(x),
F2 (y), alors il existe une sous-population unique C dont le domaine est égal au
produit croisé des gammes de F1 et F2, tel que F (x, y) = 𝒞 (F1 (x), F2 (y)).
Comme présenté ci-dessus, le modèle Li peut aussi bien être utilisé pour la
tarification que pour la gestion de risque.
La structure du modèle Li est indépendante de la mesure de probabilité qu’on
utilise ou de l’application qu’on veut développer.
Pour tarifier les applications, nous voudrons utiliser les fonctions de probabilités
de défauts non risqué et prendre l’espérance mathématique non risqué.
Pour les applications de gestions de risque, nous voudrions utiliser les fonction
de probabilité
Modélisation de défaut corrélés
e principal obstacle est que les marchés des actions et du crédit sont distinct: ce
qui est bon pour les actionnaires n'est pas nécessairement bon pour obligataires
et vice versa. Par conséquent, la corrélation des actions peut ne pas être une
donnée divine pour évaluer les dérivés de crédit.
Modélisation de défaut corrélés
ne autre possibilité consiste à estimer la corrélation entre les spreads des CDS,
en effet les CDS étant désormais une classe d'actifs assez liquide. Encore une
fois, c'est juste un proxy pour la vraie statistique, mais au moins c'est une étape
plus proche car il existe désormais une véritable connexion de crédit.
Modélisation de défaut corrélés
L'
un des principaux problèmes du modèle Li est de savoir comment estimer la matrice de
corrélation.
Id
éalement, ce que nous voulons vraiment, c'est une corrélation entre les temps de défaut.
Cependant, une estimation précise de la corrélation des temps de défaut est virtuellement
impossible:
Po
ur commencer, les temps de défaut ne peuvent évidemment pas être estimés jusqu'à ce qu'un
émetteur fasse défaut, ce qui est un événement très rare. De plus, généralement, un émetteur ne
fera défaut qu'une seule fois. Par conséquent, après la défaillance d'un émetteur, toute
statistique sur sa valeur de défaut devient essentiellement inutile du point de vue des prix; Et
enfin, de bonnes estimations des corrélations nécessitent une grande nombre de points de
données.