Methode Statistique en Ingénierie Financière

Méthodes Statistiques en Ingénierie
Financière
OBJECTIF GENERAL
Le but de ce cours est de fournir aux étudiants une base solide

de connaissances des différentes méthodes de statistiques
utilisées en ingénierie financière et de leur permettre
d’appliquer avec expertise les routines et méthodologies
existantes aux applications financières.
OBJECTIF Spécifiques
A la fin de ce module, l’étudiant doit être capable:
De maitriser les concepts, méthodologies et routine

dispensés pendant les cours.
D’appliquer ces outils nouvellement acquis
individuellement et en équipe à des résolutions pratiques de
problèmes à travers des programmations de routines sous
VBA et Excel.
De savoir adapter et appliquer les notions de calculs
numériques acquises aux applications financières.
a transition de la fonction de densité de probabilité
La transition de la densité de probabilité
a transition de la fonction de densité de probabilité de p (y, t; y’, t’) satisfait

deux équations, l'une impliquant des dérivés par rapport à l'avenir état et heure
(y’ et T’) et appelé l'équation avant, et l'autre impliquant des dérivés par rapport
à l'actuel état et temps (y et t) et appelé l'équation arrière.
La transition de la fonction de densité de
probabilité
Du modèle trinomial à la transition de fonction de densité de

probabilité.
La variable y peut augmenter, baisser ou prendre la même valeur après

un pas de temps δt. Ces mouvements ont certaines probabilités
associés avec eux.
probabilité
ttention: La marche aléatoire trinomiale présentée ici est «discrète»dans le

sens que le temps et la variable aléatoire ne prennent que des valeurs discrète.
Nous allons passer à une variable continue et un modèle continu.
’équation forward
a variable y prend la valeur y’ à l'instant t’, mais comment est-ce arrivé là?.
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)
+α p(y, t; y’− δy, t’− δt) (1)
ous pouvons facilement développer chacun des termes de la série Taylor au point
y’, t’
on obtient:
probabilité
probabilité
probabilité
probabilité
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.
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.
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’).)
probabilité
probabilité
n trouve exactement la même équation que celle du forward à un signe prêt.
e signe fait toute la différence.
ttention:
lus généralement, les marches aléatoires donnent des équations backward et

forward plus compliqués et la différence n’est pas juste à un signe près.
ette démarche met en évidence le rôle important jouer par la distribution

normale.
probabilité
probabilité
probabilité
probabilité
'équation de Black-Scholes est:

∂V/∂t + 1/2
σ S ∂ V/∂S + rs ∂V/∂S -rV = 0
2 2 2 2
Cette équation doit être

résolu avec la condition final qui dépend de la pay-off.
Chaque contrat aura
une forme fonctionnelle différente en fonction des exigences prescrits à l’instant t = T.
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
probabilité
La deuxième étape est d’écrire τ = T-t

Notre équation devient:
∂ U/∂ τ = 1/2 σ2S2∂2U/∂S2 + rs ∂U/∂S
S est un stock que l’on sait normalement distribué, on pose donc intuitivement
que:
ξ = log S
∂/∂S = e-ξ ∂/∂ ξ et ∂2/∂S2 = e-2ξ ∂ 2 /∂ ξ2 - e-2ξ ∂ /∂ ξ
Maintenant, l’équation de Black-Scholes devient
∂ U/∂ τ = 1/2 σ2∂2U/∂ ξ 2 +( r – 1/2 σ2 )∂U/∂ ξ

probabilité
La dernière étape est simple

On obtient:
x = ξ + (r + σ2/2) τ et U = w(x , τ)
Il s'agit simplement d'une «traduction» du système de coordonnées. C'est un peu

comme l'utilisation du prix à terme de l'actif au lieu du prix au comptant comme
variable.
Après le changement de variable, Black-Scholes devient plus simple.
∂ W/∂ τ = 1/2 σ2∂2W/∂ x2 (1)

probabilité
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.
a deuxième étape consiste à utiliser la linéarité de l'équation et la propriétés utiles de la

solution spéciale pour trouver la solution générale de l'équation.
a solution de ∂ W/∂τ = 1/2 σ2 ∂2W/∂ x2 sera de la forme suivante:
ταf((x-x’)/τβ) (2)
ù x est une constante arbitraire, et les paramètres α et β sont constantes, à choisir

ultérieurement.
probabilité
probabilité
probabilité
probabilité
probabilité
probabilité
La fonction de densité de probabilité de
transition
Changement de mesure et processus d’Itô
Changement de Mesure
Changement de Mesure
Processus d’Itô
Processus d’Itô
Processus d’Itô
Processus d’Itô
Théorème de Radon-Nikodym
Théorème de Girnasov
Théorème de Girnasov
Application du théorème de Radon-Nikodym
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
eur espérance conditionnelle est facile à calculer
es intégrales Itô sont des martingales
es martingales peuvent être représentées comme des intégrales Itô;

Application du théorème de Radon-
Nikodym
n conséquence, pour faciliter notre dérivation, nous aimerions que notre

principale processus stochastique, le prix de l’actif actualisé S* (t) soit
martingale.
ependant, le prix de l'actif actualisé S* n'est généralement pas un martingale

sous la mesure P
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.
 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.
 La mesure que nous recherchons s'appelle une mesure de martingale.
Définition de la mesure de martingale.

Une mesure de probabilité Q sur (Ω ; F) et équivalent à P est appelé une mesure
de martingale pour S si S est une martingale sous Q
Nikodym
Nikodym
Nikodym
Exercice
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
aux comptant stochastique
ulti facteur
eath, Jarrow et Morton
ibor Market Model

Les taux déterministes
’histoire de la modélisation du taux d’intérêt commence avec le taux déterministe et

l’idée du rendement à maturité, duration, etc.
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)
omment connaitre r(t) ?

Les taux déterministes
'est le sujet du bootstrap. L'hypothèse de déterminisme n'est pas du tout

satisfaisante pour la tarification dérivés.
Black 76
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.
Tout ce que vous devez savoir est la volatilité de l’obligation «sous-jacente». Ce

n'est pas entièrement satisfaisant car il peut y avoir des contradictions dans cette
approche. D'une part, les prix des obligations sont aléatoires, et ainsi de suite les
taux d'intérêt d'autre part utilisés pour l'actualisation de l'expiration jusqu'à
présent sont supposés déterministes.
Cependant, le principal avantage de cette approche est que pour le contrats à

revenu fixe, il existe des formules simples pour leurs prix. Pour les instruments
plus complexes et moins liquides, une cohérence interne de l'approche des taux
stochastiques était nécessaire.
Taux au contant stockastique
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 mathématiques de ces modèles de taux au comptant sont identiques à celles

pour les modèles d'actions, et les dérivés à revenu fixe satisfont des équations
similaire à celle des actions dérivés.
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.
Les méthodes de résolution des méthodes de différences finies pour résolution

d'équations aux dérivées partielles, d'arbres et de simulation de Monte Carlo sont
utilisé. Les modèles de ce type sont Vasicek, Hull & White.
L’avantage de ses modèles sont:

Ils sont cohérents en interne
Ils sont faciles à résoudre numériquement par de nombreuses méthodes
différentes
Mais il y a plusieurs désavantage:

 Le taux au comptant n'existe pas, il doit être approximé en
d'une certaine façon
 Avec une seule source de caractère aléatoire, la courbe de rendement est très
contrainte dans la façon dont elle peut évoluer, changements essentiellement
parallèles
 La courbe de rendement produite par le modèle ne correspondra pas
à la courbe des taux du marché. Dans une certaine mesure, le marché pense
de chaque maturité comme étant semi-indépendante des autres,
donc un modèle devrait correspondre à chacune des maturités, autrement il y aura
des opportunités d'arbitrage.
Multi facteur
Les modèles ont ensuite été conçus pour contourner les deuxième et troisième de
ces problèmes.
 Un deuxième facteur aléatoire a été introduit, représentant parfois le taux

d'intérêt à long terme (Brennan & Schwartz), et parfois la volatilité du taux au
comptant (Fong & Vasicek). Cela a permis une structure plus riche pour les
courbes de rendement.
Et un paramètre arbitraire dépendant du temps (ou parfois deux ou trois) a été
autorisé à la place de ce qui avait été des constante (s). La dépendance temporelle
a permis le rendement courbe (et autres quantités souhaitées) pour être
instantanément assorti. Ainsi est née l'idée de l'étalonnage, le Modèle Ho & Lee.
MulHeath, Jarrow et Morton
e travail d'étalonnage dans de tels modèles était rarement simple. La prochaine

étape dans le développement de modèles a été par Heath, Jarrow & Morton
(HJM) qui a modélisé l'évolution de l'ensemble des courbes de rendement
directement afin que l'étalonnage devienne simplement une question de
spécifier une courbe initiale. Le modèle est facile à implémenter via la
simulation.
n raison de la nature non markovienne du modèle général HJM, il n’est pas

possible de les résoudre via les solution des différences finies des équations
différentielles.
Heath, Jarrow et Morton
l'équation différentielle partielle régissant serait généralement dans un nombre

infini de variables, représentant la mémoire infinie du modèle général HJM.
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
ors de la tarification des produits dérivés non linéaires, un modèle du caractère

aléatoire du sous-jacent est requis. Cela est aussi vrai pour les instruments à
revenu fixe que pour les dérivés sur actions.
l y a plusieurs moyen de modéliser les taux d’intérêts

 Monte Carlo
 Les arbres
 Les équations différentielles partielles

Introduction à la modélisation
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.
'évolution cela sera discuté en détail. Contrairement aux actions, il existe de

nombreux modèles pour les taux d'intérêt. Un nombre d'entre eux seront
présentés. L'accent sera mis sur les prix des obligations qui peuvent être
obtenus analytiquement, c'est-à-dire des modèles tractables et affine. Nous
commençons par définir des équations différentielles stochastiques pour
modéliser la nature aléatoire du taux d'intérêt, en utilisant une seule source de
hasard.
Introduction à la modélisation
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.
ous allons modéliser le comportement de r, le taux d'intérêt reçu par le dépôt le

plus court possible. De la, nous verrons le développement d'un modèle pour
tous les autres taux. Le taux d'intérêt pour le dépôt le plus court possible est
communément appelé le taux d'intérêt au comptant.
Taux d’intérêt stochastique
upposons que le taux d'intérêt r soit régi par une équation stochastique
différentielle de la forme
dr = u(r; t) dt + w(r; t)dX
es formes fonctionnelles de u (r; t) et w (r; t) déterminent le comportement du

taux au comptant r. Pour le moment, nous ne préciserons aucun choix
particulier pour ces fonctions.
Equation de tarification du modèle général
a tarification d'un instrument à revenu fixe présente de nouveaux problèmes

techniques, et est dans un sens plus difficile que la tarification d'une option car
il n'y a pas de sous-jacent actif avec lequel se couvrir. La seule façon de
construire un portefeuille couvert est de couvrir une obligation avec une
obligation de maturité différente.
ous avons mis en place un portefeuille contenant deux obligations à échéances

différentes T1 et T2. L'obligation à échéance T1 à le prix V1 (r; t; T1) et
l'obligation avec la maturité T2 a le prix V2 (r; t; T2).
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.
ar exemple, la condition finale pour le coupon zéro est V ( r, T ) = 1
l s'agit donc d'une condition normalisée appelée valeur de remboursement.

Le Prix du Marché du Risque
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
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.
ors de la tarification des dérivés de taux d'intérêt, il est important de modéliser et de

tarifier en utilisant le taux neutre au risque. Le taux spot neutre au risque évolue en
fonction de dr = (u - λ w) dt + w dX
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.
ependant, le premier problème auquel on se trouve confronté et qui concerne

les modèles en général est celui de l'estimation des paramètres. Ce problème,
purement technique doit être correctement traité si l'on souhaite disposer d'un
instrument fiable de gestion de portefeuille.
Modèle de base
Vraisemblance, Log-vraisemblance
Loi des estimateurs de maximum de
vraisemblance, comportement asymptotique
Modèle de Black et Scholes
Précision de la méthode et estimation de la
matrice de Fisher
Précision de la méthode et estimation de la
matrice de Fisher
Précision de la méthode et estimation de
la matrice de Fisher
Estimation de valeurs d'options et
estimation implicite
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.
’est un indicateur utile pour les tradeurs car il correspond à la volatilité

anticipée par les participants du marché pour la durée de vie de l’option et
transparaît dans la prime de l’option. Ainsi plus sa valeur est élevée, plus la
prime de l’option est élevée et vice versa. Le fait que la volatilité implicite soit
censée rendre compte de la volatilité future est cohérent avec le fait que ce qui
compte pour la valeur de l’option, c’est la capacité du sous-jacent à varier
pendant la période qui reste jusqu’à la maturité.
Estimation de valeurs d'options et estimation
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.
nsuffisance du Modèle de Black-Schole
a volatilité implicite d’une option est sous-entendue équivalente à la volatilité historique et

les rendements de l’actif sous-jacent suivent une loi normale. Dans cette hypothèse,
l’évolution future de la volatilité sera inspirée par son évolution passée et l’écart-type des
rendements qui est constant en est un bon estimateur.
implicite
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.
es périodes de forte volatilité se traduisent souvent par des cours bas

permettant d’anticiper une rentabilité plus élevée. Ainsi, le modèle de volatilité
réel doit prendre en compte la variable temps.
ans le cas où l’on prend en compte de l’incertitude de la volatilité du sous jacent

d’une option, on parle de modèles à volatilité stochastique.
implicite
Estimation de performance – la méthode
des moments
Estimation de performance – la méthode
des moments
Exercices
Simulation de monte carlo
Simulation de Monte Carlo basique
Simulation de Monte carlo
L’algorithm de la simulation de Monte carlo
1.Simulez la marche aléatoire sans risque à partir de la journée d'aujourd'hui

valeur de l'actif S0 sur l'horizon temporel requis. Cela donne une réalisation du
chemin de prix sous-jacent.
2.Pour cette réalisation, calculer la pay off de l’option
3.Effectuez plusieurs réalisations similaire sur l'horizon temporel.
4.Calculer la moyenne des pay off de toutes ces réalisations.
5.Prendre la valeur présente de cette moyenne et c’est la valeur l’option.

Comment simule t-on l’actif
Il y a deux manière de simuler l’actif.
1.Si l’équation différentielle stochastique est intégrable et que le contrat est

indépendant du chemin ou n’est pas américain, alors on peut simuler le tout en un
grand saut
2.Sinon on doit simuler pas à pas le chemin entier.

Comment simule t-on l’actif
Il y a deux manière de simuler l’actif.
1.Si l’équation différentielle stochastique est intégrable et que le contrat est

indépendant du chemin ou n’est pas américain, alors on peut simuler le tout en un
grand saut
2.Sinon on doit simuler pas à pas le chemin entier.

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
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).
les erreurs
méthode:
Générer les variables normale
méthode:
a méthode de Box-Muller consiste à générer des paires de nombres aléatoire à

distribution normale centrée réduite, à partir d'une source de nombres aléatoires de loi
uniforme.
a transformation prend communément deux formes. La forme simple transforme des

coordonnées cartésiennes uniformément distribuées dans le cercle unité en des
coordonnées normalement distribuées. La forme polaire transforme des coordonnées
polaires uniformément distribuées en des coordonnées cartésiennes normalement
distribuées.
n peut également utiliser la méthode de la transformée inverse pour générer des

nombres normalement distribués ; la méthode de Box-Muller a été mise au point pour
être algorithmiquement plus efficace.
Avantages des simulations 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)
Il est computationnellement assez efficace dans les dimensions élevées
Il y a beaucoup de logiciels disponibles, de plus on a des fonctions de feuille de

calcul qui suffiront la plupart du temps.
Pour obtenir une meilleure précision, exécutez simplement plus de simulations.

'effort investi pour obtenir des résultats est très faible
es modèles peuvent souvent être changés sans beaucoup de travail
a dépendance au chemin complexe peut souvent être facilement incorporée
e nombreux contrats peuvent être tarifés en même temps
es gens acceptent la technique et croient vos réponses

Inconvénients des simulations de Monte Carlo•
La méthode est très lente, vous avez besoin de beaucoup de simulations pour
obtenir une réponse précise
Trouver les Grecs peut être difficile
La méthode n’est pas très adapté aux exercices précoces d’options.
Les points importants à retenir du point de vue des praticiens :
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
haque résultat de simulation de Monte Carlo pour une variable normalement

distribuée a une probabilité approximativement d’un tiers d’être plus d’une
erreur standard de la vraie valeur espéré non connu.
n pratique, pratiquement aucune des distributions qui nous intéressent n’est

normalement distribué.
e moins il y a de similarité entre la distribution de la quantité cible et la

distribution normale, le moins de signification à la valeur de l’erreur standard.
Variantes uniformes
Les variantes aléatoires uniforme standard sont supposés également distribué

sur [0,1], [0,1) ou (0,1) (en fonction de l’algorithme utilisé). Pour les applications
en finances sans exceptions, nous devons nous assurer que le générateur de
nombre est confiné à (0,1).
Variantes uniformes
Il existe deux types d’algorithme générateur de nombres.
Les générateurs de nombres pseudo-aléatoires , ces générateurs n’ont pas de

mécanisme intégrés pour échantillonner de manière efficiente. Ils conduisent
généralement à des grappes et des lacunes qui peuvent ou peuvent ne pas être
souhaitables. Ils émulent le hasard (les nombres aléatoires)
Générateurs de nombres à faible divergence (parfois aussi, à tort, appelés

générateurs de nombres quasi-aléatoires). Ces algorithmes sont conçus pour tirer
parti de notre connaissance de la dimensionnalité et de l'ordre d'importance du
problème de simulation donné. Ces schéma d'échantillonnage holistique visent le
moins de hasard possible.
Les générateurs de nombres pseudo-aléatoires
Une couverture uniforme est assurée grâce à la décorrélation en série.
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.
 Les générateurs de nombres sont très sensibles à la falsification - ne le faites

pas! Toute modification apportée à un générateur de nombres existant sans une
compréhension approfondie de la théorie de l'indexation intégrée est une garantie
pratique pour détruire les fonctions désirées
Générateurs de nombres à faible divergence
La couverture uniforme est assurée par un placement sélectif dans une
dimension et un échantillonnage incommensurable entre les dimensions.
Les mathématiques peuvent être très impliquées, bien que l'algorithme

d'exécution qui en résulte soit généralement extrêmement efficace.
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.
ependant, il est apparu que les algorithmes de discordance superficielle qui ne

subissent pas la dégradation de la dimensionnalité, à savoir les nombres de
Sobol avec une initialisation appropriée [Sob76], et les nombres de
Niederreiter-Xing [NX95, NX96].
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
ariantes non uniformes
nverser la fonction de distribution cumulative
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.
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:
1.Choisissez le nombre de points d'interpolation à utiliser.

2.Remplir un vecteur de valeurs xi tel que tout le domaine de x est raisonnablement
couvert.
3.Calculer les valeurs de probabilité cumulatives associées Ψ (xi) et stocker en tant
qu'éléments ui dans un second vecteur.
Variante normale
La méthode préférée devrait toujours être l'inverse direct cumulatif normal de
Peter Acklam
N'utilisez jamais Application.NormSInv d'Excel pour toute simulation.
Box-Muller est déconseillé pour trois raisons:

1.Il nécessite un générateur pipeliné par paire.
2.Il est moins efficace que la normale inverse cumulative normale.
3.L'effet Neave et les entraînements similaires.
Le schémas d’Euler
Notons l'approximation numérique de la solution de dX = adt + bdW

pour un schéma sur des pas égaux de taille Δt à l'instant n · Δt en Y (t n). Le
schéma explicite d'Euler est alors donné par:
Y (tn+1) = Y (tn)+ a(tn,Y(tn))∆t + b(tn,Y(tn))∆W
Sans surprise, le schémas implicit d’Euler est donné par:

Y (tn+1) = Y (tn)+ a(tn,Y(tn+1))∆t + b(tn,Y(tn+1))∆W .
Techniques de réductions de la variance
La réduction de la variation de l'oscillateur Monte-Carlo (qui s'auto-effectue)

améliore le comportement de convergence de Monte-Carlo. C'est pourquoi les
améliorations de la convergence Monte Carlo sont appelées techniques de
réduction de la variance.
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.
L'échantillonnage d'importance, découlant naturellement d'un choix judicieux

de la densité de l'échantillonneur, est une autre méthode puissante de réduction
de la variance.
L'échantillonnage antithétique est bon pour:

fonctionnelles à un côté
L'échantillonnage antithétique est mauvais pour:

fonctionnalité à double face de gain (double knock-outs, range accruals)
fonctionnalité de gain avec les caractéristiques discrètement symétriques
prononcées
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.
⇒ N'utilisez pas cette méthode avec des nombres à faible divergence!

Introduction aux copules
Qu’est ce qu’une copule et que fait-elle?
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.
Cependant, cette discussion peut être étendue très facilement à copules à n

dimensions.
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?
une technique pour susciter réellement la structure de dépendance: vous avez

besoin de connaître ou d'assumer une structure de dépendance pour utiliser des
copules;
la copule est un outil statistique agissant directement au niveau de la

distribution de probabilité. Il est donc incompatible avec l'analyse stochastique et
la couverture dynamique
un outil dynamique: les copules sont un outil statique.

A quoi sert une copule?
Aux problèmes de dimensionnalité élevés dans lesquels l'actif sous-jacent est un

panier avec n> 2 titres (c'est-à-dire des options de panier, des CDO, swaps par
défaut de panier) ...
... 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) = max ( v+z -1, 0)
(v,z) = min (v,z)
(v,z) = vz
ont des copules et des sous copules

Comment le tout est lié aux probabilités
Comment exprimer les probabilités en
terme de copules
Les résultats clés : le théorème de Sklar
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 ...
e théorème de Sklar (suite)
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)).
i de plus F1 (x) et F2 sont continus, alors la sous-population est une copule.

Sinon, il existe une copule C telle que C (v; z) = 𝒞 (v; z) pour chaque (v; z) dans
le produit croisé des gammes F1 et F2.
n résumé, le seul rôle de la fonction copule est de fournir un structure de

dépendance. Cette séparation entre marginal et dépendance est en fait la vraie
puissance de l'approche copule. Cela donne beaucoup plus de liberté au
modélisateur que l'approche traditionnelle de distribution conjointe, puisque le
modélisateur peut utiliser les deux dimensions de la dépendance et du
comportement marginal par rapport aux données observées.
Copule de survie
Copule de survie
Copule de survie
Copules bivariées et mesures de dépendance
Modélisation de défaut corrélés
Importante remarque sur le modèle Li
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
lternativement, Li a suggéré l'utilisation de la corrélation des prix des actions.

Après tous, les cours des actions sont facilement disponibles, donc estimer les
corrélations devrait être relativement facile. Cette solution présente autant de
problèmes comme il résout.
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.
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.
stimation de la matrice de corrélation dans le modèle Li
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.

Methode Statistique en Ingénierie Financière

Transféré par

Informations du document

Titre original

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

Methode Statistique en Ingénierie Financière

Transféré par

Droits d'auteur :

Formats disponibles

Méthodes Statistiques en Ingénierie

Le but de ce cours est de fournir aux étudiants une base solide

A la fin de ce module, l’étudiant doit être capable:

De maitriser les concepts, méthodologies et routine

a transition de la fonction de densité de probabilité de p (y, t; y’, t’) satisfait

Du modèle trinomial à la transition de fonction de densité de

La variable y peut augmenter, baisser ou prendre la même valeur après

ttention: La marche aléatoire trinomiale présentée ici est «discrète»dans le

+α p(y, t; y’− δy, t’− δt) (1)

n trouve exactement la même équation que celle du forward à un signe prêt.

e signe fait toute la différence.

lus généralement, les marches aléatoires donnent des équations backward et

ette démarche met en évidence le rôle important jouer par la distribution

'équation de Black-Scholes est:

Cette équation doit être

La deuxième étape est d’écrire τ = T-t

∂ U/∂ τ = 1/2 σ2∂2U/∂ ξ 2 +( r – 1/2 σ2 )∂U/∂ ξ

La dernière étape est simple

Il s'agit simplement d'une «traduction» du système de coordonnées. C'est un peu

Après le changement de variable, Black-Scholes devient plus simple.

∂ W/∂ τ = 1/2 σ2∂2W/∂ x2 (1)

a deuxième étape consiste à utiliser la linéarité de l'équation et la propriétés utiles de la

a solution de ∂ W/∂τ = 1/2 σ2 ∂2W/∂ x2 sera de la forme suivante:

ù x est une constante arbitraire, et les paramètres α et β sont constantes, à choisir

eur espérance conditionnelle est facile à calculer

es intégrales Itô sont des martingales

es martingales peuvent être représentées comme des intégrales Itô;

n conséquence, pour faciliter notre dérivation, nous aimerions que notre

ependant, le prix de l'actif actualisé S* n'est généralement pas un martingale

 La mesure que nous recherchons s'appelle une mesure de martingale.

Définition de la mesure de martingale.

aux comptant stochastique

eath, Jarrow et Morton

ibor Market Model

’histoire de la modélisation du taux d’intérêt commence avec le taux déterministe et

omment connaitre r(t) ?

'est le sujet du bootstrap. L'hypothèse de déterminisme n'est pas du tout

Tout ce que vous devez savoir est la volatilité de l’obligation «sous-jacente». Ce

Cependant, le principal avantage de cette approche est que pour le contrats à

Les mathématiques de ces modèles de taux au comptant sont identiques à celles

Les méthodes de résolution des méthodes de différences finies pour résolution

L’avantage de ses modèles sont:

Mais il y a plusieurs désavantage:

 Un deuxième facteur aléatoire a été introduit, représentant parfois le taux

e travail d'étalonnage dans de tels modèles était rarement simple. La prochaine

n raison de la nature non markovienne du modèle général HJM, il n’est pas

l'équation différentielle partielle régissant serait généralement dans un nombre

ors de la tarification des produits dérivés non linéaires, un modèle du caractère

l y a plusieurs moyen de modéliser les taux d’intérêts

 Les équations différentielles partielles

'évolution cela sera discuté en détail. Contrairement aux actions, il existe de

ous allons modéliser le comportement de r, le taux d'intérêt reçu par le dépôt le

dr = u(r; t) dt + w(r; t)dX

es formes fonctionnelles de u (r; t) et w (r; t) déterminent le comportement du

a tarification d'un instrument à revenu fixe présente de nouveaux problèmes

ous avons mis en place un portefeuille contenant deux obligations à échéances

ar exemple, la condition finale pour le coupon zéro est V ( r, T ) = 1

l s'agit donc d'une condition normalisée appelée valeur de remboursement.

ors de la tarification des dérivés de taux d'intérêt, il est important de modéliser et de

ependant, le premier problème auquel on se trouve confronté et qui concerne

’est un indicateur utile pour les tradeurs car il correspond à la volatilité

nsuffisance du Modèle de Black-Schole

a volatilité implicite d’une option est sous-entendue équivalente à la volatilité historique et