Annexe Simulations de Monte Carlo

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "Annexe Simulations de Monte Carlo"

Transcription

1 Annexe Simulations de Monte Carlo Cette annexe présente, de façon pratique, les principales techniques opératoires des simulations de Monte Carlo. Le lecteur souhaitant une présentation plus rigoureuse et plus approfondie pourra se référer à un des nombreux ouvrages spécialisés qui traitent de cette question.. Introduction : présentation générale du problème, des notations et de la méthode On considère un portefeuille ou un titre dont la valeur en date t est notée V(t, Y(t)) car elle dépend du temps et de F facteurs aléatoires Y(t) = (Y (t), Y (t),..., Y F (t)). Il pourra s agir par exemple d une option dont la valeur dépend de deux facteurs aléatoires, le prix du sous-jacent S(t), et le taux d intérêt r(t) (dans ce cas F =, Y (t) = S(t) et Y (t) = r(t)). On cherche à connaître, au moins empiriquement, la distribution de probabilités de V(t, Y(t)) ou certains moments de cette distribution. Selon les cas il importera de connaître V(t, Y(t)) dans tout l intervalle de temps (0, T) (on s intéresse donc aux «trajectoires» de V), ou simplement à sa valeur V(T, Y(T)) au seul horizon T. La simulation de Monte Carlo est une méthode probabiliste utilisée quand, à défaut de pouvoir déterminer analytiquement la loi (ou les premiers moments) de la distribution de V(t, Y(t)), on en simule une distribution empirique. Dans un premier temps, on génère un grand échantillon tiré de la loi de Y(t) et à chaque élément de cet échantillon on associe la valeur V(t, Y(t)) correspondante en construisant ainsi une distribution empirique de V(t, Y(t)). Selon le problème traité, la simulation de Monte Carlo comportera la génération d un grand nombre M de trajectoires possibles de Y t ] t=t, t,, t N, à partir desquelles on calcule les trajectoires V(t, Y t )] t=t, t,, t N, correspondantes, ou bien se contentera de calculer M valeurs de (Y(T), V(T, Y(T)) en une date unique T. Le lecteur notera que Y t désigne une réalisation particulière de la variable aléatoire Y(t) : cette différence de notation permet de distinguer un tirage Y t d une variable aléatoire de la variable Y (t) elle-même. La méthode de Monte Carlo repose sur la génération d un grand nombre de tirages d une loi de probabilités donnée. Nous décrivons au les méthodes qui permettent de tels tirages. Le lecteur pourra notamment consulter, pour un exposé rigoureux et complet, Paul Glasserman : Monte Carlo Methods in Financial Engineering, Springer, 004.

2 Nous expliquons au 3 comment élaborer des simulations de Monte Carlo en présence d un seul facteur de risque Y avant de traiter, au 4, le cas de plusieurs facteurs en général corrélés. Le 5 présente quelques observations sur l efficacité des procédures et propose quelques techniques pour améliorer celle-ci.. Génération d un échantillon tiré d une loi de distribution donnée Examinons brièvement le problème général du tirage à partir d une fonction de répartition quelconque donnée avant d aborder la génération d un échantillon issu d une loi normale. a) Génération d un échantillon tiré d une loi quelconque Considérons donc une variable aléatoire quelconque X dont on veut tirer un échantillon et dont la fonction de répartition F X est supposée connue ; rappelons que F X (x) = Proba (X x) prend des valeurs dans (0, ). On part d un échantillon a (a i ) i=,,, N tiré d une variable aléatoire A distribuée selon une loi uniforme dans l intervalle (0, ) dont la fonction de répartition est F A (y) = y pour y (0,). Un tel échantillon est relativement facile à obtenir, par exemple à l aide d une table de nombres aléatoires, ou d une «fonction» de génération de nombres aléatoires présente dans un grand nombre de logiciels (Matlab, Mathematica,...) et dans les langages de programmation (C ++, Fortran,..). Définissons x i = F - - X (a i ) où F X est la loi de répartition inverse de X. On construit ainsi un nouvel échantillon x (x i ) i=,,, N. L échantillon x est tiré de la loi de distribution de X car la variable aléatoire F - X (A) a la même distribution que X; en effet : Proba[ F - X (A) x] = Proba[F X (F - X (A)) F X (x)] (car F X est croissante) = Proba[A F X (x)] = F A (F X (x)) = F X (x) (d après la fonction de répartition d une loi uniforme). On peut ainsi construire une variable aléatoire X qui suit une loi de répartition F quelconque donnée, à partir d une simple variable uniforme A. b) Construction d un échantillon tiré d une loi normale Les simulations de Monte Carlo sont souvent fondées sur des tirages effectués à partir de lois normales. La méthode présentée précédemment permet de construire un échantillon tiré d une distribution F quelconque, en particulier d une distribution normale. Ces tirages gaussiens peuvent aussi être obtenus à l aide de la technique de Box-Muller. Cette technique est exacte

3 et plus simple que celle qui fait intervenir la loi de répartition inverse de la loi normale qui n a pas d expression analytique exacte. Soient A et A deux variables aléatoires indépendantes et uniformément distribuées dans (0, ) et posons : U = ln( A ) cos(πa ). On peut montrer que U ainsi défini suit exactement une loi normale centrée réduite. Il est alors facile de générer N valeurs tirées d une loi normale à partir de N valeurs tirées d une loi uniforme. En pratique, de nombreux logiciels disposant d un générateur de nombres aléatoires tirés d une loi normale, il est rarement nécessaire d appliquer la formule de Box-Muller. Par ailleurs, il est le plus souvent utile et souhaitable de coupler chaque tirage u i à son «antithétique» -u i ; on double ainsi, à moindre coût, la taille de l échantillon généré et on s assure que la moyenne de celui-ci est exactement égale à zéro. 3. Simulations de Monte Carlo dans le cas d un seul facteur de risque Y Traitons d abord le cas d un facteur de risque unique Y. On distinguera deux situations. Dans la première, la nature du problème posé exige la simulation de différentes trajectoires de V(t, Y(t)) entre 0 et T. Dans la seconde, la simulation de différentes valeurs V(T, Y(T)) à la seule date T est suffisante pour traiter le problème. a) Simulations de trajectoires de Y(t) et de V(t, Y(t)) dans l intervalle de temps (0, T) On commence par la simulation de Y(t). Cette simulation est fondée sur l équation stochastique qui est censée régir l évolution de Y(t) dans le temps. Selon les cas, au départ, cette évolution est écrite en temps discret ou en temps continu. Dans le cas du temps continu, il s agit par exemple d un processus de diffusion : () dy = μ(t,y(t))dt + σ(t,y(t))dw, où dw est l incrément d un mouvement brownien standard et μ() et σ() sont deux fonctions connues représentant respectivement la dérive et le coefficient de diffusion du processus. Par exemple, l utilitaire d analyse d Excel permet de générer des réalisations de variables aléatoires distribuées selon différentes lois, dont la loi normale. Cet utilitaire, bien qu imparfait, est utile pour de petites applications. 3

4 On décompose l intervalle (0, T) en N périodes de même durée égale à Δt = T/N. Le nombre N de périodes est choisi suffisamment grand pour que leur durée commune Δt soit «courte» (le jour ouvré ou la semaine, typiquement). On définit t i iδt, ce qui permet de dénoter les N périodes de durée Δt simplement par (t 0, t ), (t, t ),, (t i-, t i ),..., (t N-, t N ) ; on retiendra que t 0 = 0 et t N = T. On simule Y(t) et V(t, Y(t)) aux dates t = t, t N. Pour ce faire, on procède à une «discrétisation» de l équation () qui conduit à : () Y(t j ) Y(t j- ) = μ(t j-,y(t j- ))Δt + σ( t j-,y(t j- )) Δt U(j) où les U(j) (pour j=,, N) sont des variables normales, centrées, réduites et indépendamment distribuées. On notera U j une réalisation particulière de U(j) et Ytj la valeur correspondante de Y(t j ). Dans certains cas, la dynamique de Y(t) est directement donnée par un processus en temps discret de type () qui permet de calculer Y(t j ) à partir du couple (Y(t j- ), U(j)). Une trajectoire particulière Y t ] t= t,.., t N est calculée à partir d une succession de N tirages indépendants U j ] j=,.., N tirés d une loi gaussienne standardisée et de l application «de proche en proche» de l équation () 3. Ces tirages U j peuvent être obtenus à l aide d un logiciel approprié (par exemple l utilitaire d analyse d Excel) ou programmés directement en s appuyant sur la formule de Box-Muller (cf. ). Par ailleurs, à chaque trajectoire Y tj ] j=,.., N correspond une trajectoire V(t j, Y tj )] j=,.., N. Pour résumer, la simulation d une trajectoire comporte, dans l ordre : (i) le tirage, à partir d une loi normale centrée réduite, de N valeurs U j ] j=,.., N ; (ii) le calcul, à partir de ces N tirages et à l aide de (), de la séquence Y tj ] j=,.., N constituant une trajectoire particulière de Y(t) ; (iii) le calcul de la trajectoire correspondante de V(t, Y(t)), conformément au schéma cidessous : U j ] j=,.., N Y tj ] j=,.., N V(t j, Y tj )] j=,.., N Cette procédure est répétée autant de fois qu il est jugé nécessaire d obtenir de trajectoires différentes : le nombre de simulations est très variable selon le problème posé et la méthode utilisée et varie typiquement de plusieurs milliers à plusieurs millions. Exemple 3 Y est calculée à l aide de () à partir de Y 0 (connu) et du premier tirage U ; Y permet alors de calculer Y grâce à () et à U, et ainsi, de proche en proche, Y n est calculée à partir de Y n- et de U n, à l aide de (). 4

5 Considérons une action s de prix S et d une position composée de cette action ainsi que de produits dérivés sur s tels que des options. On se situera dans l univers de Black et Scholes (BS) dans lequel la valeur V(t, S(t)) de cette position est affectée par le temps et un seul facteur aléatoire Y(t) S(t) ; la fonction V(t, S) est présumée connue (les prix des options sont par exemple donnés par la formule de Black-Scholes, BS ci-après). En conformité avec BS on supposera que S(t) suit le mouvement Brownien géométrique : (3 a) ds/s = μdt + σ dw (3 b) S(t) = S(0) e (μ-0,5σ ) t + σw(t) où w(t) est un brownien standard, μ et σ sont des constantes connues «annualisées», et le temps est mesuré en années. On va élaborer des simulations avec un pas de temps hebdomadaire. Les paramètres de dérive et de volatilité hebdomadaires s écrivent respectivement μ/5 et σ/ 5 en fonction des paramètres «annuels» μ et σ. :. Supposons que l action s cote S(0) = 00 en date 0 et que son taux de rentabilité espéré et sa volatilité, annualisés, soient égaux respectivement à μ = % et σ = 36%. En termes de paramètres hebdomadaires, ceci implique : dérive = 0,/5= 0,003 ; volatilité = 0,36/ 5= 0,050. On peut donc réécrire (3-b) avec ces paramètres, pour aboutir à l expression du cours de l action, au terme de la n ème semaine, noté dans cet exemple S(n): (4) S(n) = 00 e 0,0005n+ 0,05( U + U U n ) où la somme des n variables normales centrées réduites U + U + + U n, elle même normale centrée et de variance égale à n, correspond à w(n) = w() + (w() w()) + + w(n) w(n-). Une trajectoire S n ] n=,, N est obtenue à l aide de (4) par une séquence de N tirages U n ] n=,, N. Le tableau ci-dessous contient les 6 premières et les six dernières trajectoires obtenues lors d une simulation de 000 trajectoires sur 0 semaines (trajectoires i = à 6 et 995 à 000). Une trajectoire correspond à une ligne ; le tableau du haut contient séquences de U i n] n=,..,0 et celui du bas les séquences correspondantes S i n] n=,.., 0 U i n] n=,.., 0 pour i = à 000 (000 trajectoires, dont 000 antithétiques, de 0 points) , ,8343 0, ,6468-0, ,469 -, , ,664 0, ,05499,8343-0, , , ,469 +, , ,664-0, , , ,5745,455346, , ,6345 -,8490 0, , ,767845, ,5745 +, ,67888, ,6345 +,8490-0, , , , ,53709, ,60594, , , ,35643,

6 6 0,453447, , , , , , ,83488, , , ,7547-0, ,6634-0, ,0365 0,58593,5043 0,0607 -, , ,7547 0, ,6634 0,74436,0365-0, ,5043-0,0607, , , , ,3394 -,099-0, ,7908 0, , , , , , ,3394,099 0, ,7908-0, ,764460, , ,998 0,94899, , ,7346 -, ,8973-0, , , ,998-0, , , ,7346, ,8973 0, ,6093 S i n] n=,.., 0 pour i = à 000 (000 trajectoires de 0 semaines) ,38 9,78 9,08 93,40 9,76 86,46 77,66 75,8 76,36 77,97 99,83 09,4 09,9 07,97 08,96 7,3 30,68 34,5 33,48 3, ,34 9,4 88,93 95,75 04,0 95, 98,38 89,78 9,40 87, ,0 09,85 3,6,83,8 3,04 9,33 3,03 7,59 34,3 5 97,86 9,07 89,73 98, 95, 03,95,94 8, 0,48 3,36 6 0,40 09,07,6 0,79 06,4 97,43 8,56 86, 9,6 8, ,0 93,9 88,90 87,84 84,7 80,54 8,7 9, 93,4 85, ,59 07,65 3,0 4,8 9,30 5,75 4,89 0,3 09,3 9, ,4 08,03 0,86 09,0 03,47 0,77 05,99 0,9 4,7 0, ,90 9,96 90,78 9,36 97,68 99,5 95,76 9, 88,85 00, ,86 97,38 0, 07,6 09,38 0,75 98,45 99,49 99,0 97, ,4 99,04 03,6 03,4 0,0 6,50 38,08 43,93 53,3 4,3 On remarquera que les trajectoires vont par paires «antithétiques» ; ainsi, les deux premières trajectoires et sont liées par la relation U n= U n pour n =,, 0 (par exemple U = 0,05499 et U = 0,05499). Plus généralement, à partir de la i ème trajectoire impaire obtenue par les 0 tirages U i n] n=,.., 0 on calcule la (i+) ème trajectoire paire par U i+ n = U i n pour n =,.., 0. On tire parti du fait que l échantillon des U i est aussi légitime que celui des U i car la loi normale centrée est symétrique par rapport à 0. On obtient ainsi 000 trajectoires pour S(t) à partir de tirages U i n seulement (et non pas 000 0) 4. Cette méthode, dite des «variables antithétiques», permet d économiser du temps de calcul et, surtout, de s assurer que la moyenne empirique des tirages U est exactement égale à 0. Considérons maintenant un portefeuille contenant l action s et des produits dérivés, par exemple des options, écrits sur s. A chaque instant t, la valeur de ce portefeuille est une fonction V(t, S(t)) présumée connue. Même si la fonction V est complexe et la distribution de 4 Naturellement, il est maladroit et inutile d enregistrer les antithétiques U i dans le tableau des tirages aléatoires car il suffit de calculer deux valeurs de S(n) à partir d un seul tirage U i n. Nous avons inscrit les antithétiques dans le tableau des U i j à seule fin de faciliter les explications. 6

7 V(t, S(t)) n a pas d expression analytique, des trajectoires de V(t, S(t)) peuvent être construites à partir de celles de S(t) à l aide de la fonction V(t, S). b) Simulations de Y(T) et de V(T, Y(T)) à la seule date T Dans ce qui précède on a montré comment on simule des trajectoires (Y i j, V(t, Y i j) j=,.., N. Dans de nombreux cas, notamment quand il s agit d évaluer des options européennes d échéance T ou d apprécier une VaR à horizon T, seule la connaissance de la distribution empirique de V(T, Y(T)) est utile. Il serait alors inutile et maladroit de simuler les valeurs intermédiaires de Y(t) pour t<t si, comme dans les exemples précédemment étudiés, des simulations de Y(T) peuvent être obtenues directement 5. Exemple Reprenons l exemple précédent dans lequel le seul facteur de risque Y(t) est le cours S(t) qui suit le brownien géométrique de paramètres (annualisés) μ = % et σ = 36%. Contrairement au cas de cet exemple, on ne s intéresse ici qu aux seules valeurs terminales S(T) et V(T, S(T)). De préférence à (4) on utilise alors l équation (5) suivante : (μ-σ/)t +σ TU (5) S(T) = 00 e où U est une variable gaussienne standard. Pour T = 0 semaines = 0,93 années, (μ 0,5σ )T = 0,005 et σ T = 0,58 ; on s appuie donc sur : S(T) = 00 e 0, ,58U. On effectue alors, par exemple, 000 tirages de U, U i ] i=,, 000, auxquels on couple les antithétiques, pour obtenir 4000 simulations de S(T) : S(T) i =00 e 0, ,58 U i ] i=,, 000 et les antithétiques S (T) i = 00 e 0,005-0,58 Ui ] i=,, 000 On calcule alors les 4000 valeurs V(T, S(T) i ) et V(T, S (T) i ) correspondantes. c) Applications Application : calcul d une VaR et d une TVaR (cf le chapitre ZZZ) Le calcul de la VaR du portefeuille dont la valeur en date T est V(T, S(T)) est effectué à partir des valeurs simulées de V(T, S(T)) et de la perte V(0, S(0)) V(T, S(T)). Dans l exemple ci 5 Dans certains cas la simulation de Y(T) ne peut être opérée «directement» et nécessite la simulation «pas à pas» des Y tj ) j=,, N par l application successive de l équation () ; on revient alors au cas précédent. C est la situation qui prévaut quand une solution analytique de l équation différentielle stochastique () ne peut être obtenue, contrairement à l exemple simple du mouvement brownien géométrique choisi à titre d illustration pédagogique dans les exemples introductifs de cette annexe. 7

8 dessus, la VaR(0 jours, 5%) s apprécie à l aide du 00 ème résultat le plus défavorable parmi les 4000 valeurs simulées. En outre, la moyenne arithmétique des 00 pertes les plus élevées donne la TVaR(0 jours, 5%). Application : évaluation d une option européenne Evaluons le prix O(0) une option européenne d échéance T dont le payoff est V(T, S(T)). Il peut s agir d une option non standard (dans le cas contraire, la formule de BS s applique) dont le payoff V(T, S(T)) peut prendre une forme complexe (mais connue) dont l espérance ne s exprime pas de façon analytique. Les simulations de Monte Carlo permettent d évaluer simplement cette option en actualisant au taux sans risque la moyenne empirique du payoff résultant de simulations élaborées à l aide d une dynamique «risque-neutre». On procède de la manière suivante : - On simule M (M >000) valeurs S i ] i=,,m de S(T), déduites d une dynamique «risqueneutre», et de M tirages gaussiens U i, par exemple à l aide de l équation : S i = S(0) e (r-σ/)t +σ Tu i. Rappelons que dans l univers «risque-neutre» l espérance du taux de croissance du cours S(t) est égal au taux d intérêt r (différent de μ). - On calcule les M valeurs V(T, S i )] i=,,m correspondantes du payoff. - On calcule la moyenne arithmétique de ces M payoffs et on actualise le résultat sur une durée T au taux r pour obtenir la valeur O(0) de l option en date courante 0 : O(0) = e -rt M VTS (, i ) M = Exemple 3. Reprenons les données des exemples et et supposons le taux r continu égal à 4% et constant. Il s'agit d évaluer la valeur O d une option européenne d échéance T = 0 semaines, écrite sur une action de prix S(t) et de volatilité σ = 0,36. Le payoff de l option est V(T, S(T)). Les simulations de S(T) s opèrent ici à partir de la formule : S(T) = 00 e (r -σ/)t +σ T U =00 e i -0, ,58 U A partir d un tirage de 000 valeurs U i et de leurs antithétiques U i on obtient ainsi 4000 valeurs S i ] i=,,4000 de S(T), donc 4000 valeurs V(T, S j )] j=,,4000. La valeur de l option sera alors estimée à : O(0) = e -0, VTS (, j ) j= 8

9 Application 3 : évaluation d une option «path-dependent» Supposons maintenant que l on cherche à évaluer une option «path-dependent», c'est-à-dire dont la valeur dépend des valeurs prises par le sous-jacent entre 0 et T (date d expiration de l option). Ce type d option a été étudié dans le chapitre ZZ. Contrairement aux cas des applications et, on ne pourra donc se contenter de simuler la seule variable S(T) mais il faudra procéder à des simulations de toute la trajectoire de S(t) entre 0 et T. La méthode consiste à simuler M trajectoires de N points pour S(t) (comme indiqué dans le paragraphe a) ci-dessus), d associer à chaque trajectoire i (S i, S i,..., S i N ) un payoff actualisé Ψ(S i, S i,..., S i N ) pour i =,, M et d estimer le prix de cette option par la moyenne : M M ψ (S i, S i,..., S i N ). i= En pratique, l évaluation d une telle option par cette méthode exige des simulations nombreuses et surtout très denses (le nombre N d instants considérés entre 0 et T devant être très élevé) pour éviter qu un événement déterminant pour la valeur de l option ne soit pas détecté par la discrétisation. Un exemple simple suffira à illustrer le problème. Soit à évaluer un call à barrière «down and in» dont la barrière activante est 0 (le cours actuel du sousjacent est 4 et le strike est 5). Supposons que, pour une trajectoire donnée, le cours minimum qui aurait été observé avec un pas de temps de heure soit de 09,90, ce qui aurait activé l option, et que le support termine à 34. La valeur terminale du call pour cette trajectoire aurait donc été (34-5) = 9. Malheureusement, du fait de l adoption d un pas de temps de jour (correspondant par exemple au cours de clôture), le «vrai» minimum a été manqué par la simulation qui indique un minimum de (par exemple) 0,5. La valeur terminale retenue pour le call est alors 0 (au lieu de 9) pour cette trajectoire, le call n ayant pas été activé. De nombreuses trajectoires étant susceptibles de rencontrer ce problème, la valeur simulée du call peut être significativement inférieure à sa «vraie» valeur, et ce d autant plus que le pas de temps adopté est grand, car le vrai minimum (continu) est toujours plus petit que le minimum simulé. Dans d autres exemples, la valeur simulée de l option peut au contraire être d autant supérieure à la «vraie» valeur que le pas de temps adopté est important. Remarquons enfin que la méthode simple exposée ici est inadaptée au calcul de la valeur d une option américaine. En effet, la simulation procède nécessairement de façon forward, 9

10 c est-à-dire en parcourant le temps dans son sens naturel, de l instant courant vers la maturité T de l option. Les différentes trajectoires simulées (vers l avant) n étant pas connectées les unes aux autres, on ne peut pas en effet procéder en arrière, à partir de la maturité de l option (date à laquelle la valeur de l option est connue) comme dans les arbres binomiaux à la Cox- Ross-Rubinstein. Pour appliquer Monte Carlo avec succès, il faudrait pouvoir, à chaque pas correspondant à une future date t, déterminer s il est optimal ou non d exercer l option (quand elle est dans la monnaie), ce qui suppose une estimation de sa valeur temps pour la durée (T-t) restant à courir. Cette estimation est impossible puisqu on ne sait jamais s il sera optimal ou non d exercer l option de manière anticipée. Application 4 : évaluation des paramètres grecs d une option Supposons que le payoff V(T, S(T)) soit celui d une option à évaluer. Il est possible, une fois estimée la valeur O (0) de celle-ci, d en calculer les paramètres grecs. Pour ce faire, on utilise une valeur légèrement différente pour le support (par exemple 0 au lieu de 00) si on veut obtenir le delta, ou pour un paramètre, comme la volatilité ou le taux d intérêt, si on désire estimer une autre sensibilité (comme le véga ou le rho). Une seconde simulation est alors effectuée avec cette nouvelle valeur, en maintenant identiques le nombre de périodes N et celui des trajectoires M et en utilisant les mêmes suites U i (et antithétiques U i ) que celles de la première simulation. On obtient ainsi une seconde valeur O (0). Le paramètre grec est alors calculé par la formule : O ( 0) O (0) ΔS où ΔS est la variation retenue du cours du sous-jacent ou du paramètre concerné (égale à dans notre exemple chiffré). 4. Simulations de Monte Carlo dans le cas de plusieurs facteurs de risque : décomposition de Choleski et copules Considérons maintenant le cas plus général d une position dont la valeur V(t, Y(t)) dépend de F facteurs de risque Y (Y,, Y F ) qui sont le plus souvent corrélés ; on ne peut donc simuler les réalisations des différents facteurs Y i (t) indépendamment les uns des autres. Comme 0

11 précédemment, on distingue le cas où la simulation des trajectoires de Y(t) entre 0 et T est nécessaire de celui où les seules valeurs terminales Y(T), V(T, Y(T)) sont utiles. Dans les deux cas, le tirage d une loi multivariée dont les composantes sont gaussiennes et corrélées peut reposer sur la décomposition de Choleski dont en explique le principe dans le paragraphe a) suivant. Les copules gaussiennes, présentées en b), permettent de représenter et de simuler les réalisations d un vecteur non gaussien à composantes corrélées. La simulation de trajectoires d un processus de diffusion multi-varié est décrite en c). a) Simulation d une variable normale multi-variée : décomposition de Choleski Présentons d abord la méthode dans le cas simple d un vecteur aléatoire bidimensionnel gaussien X (X, X ) dont les composantes ont des écarts-type respectivement égaux à σ et σ, des espérances égales à m et m et sont supposées liées par un coefficient de corrélation ρ (ces différents coefficients sont présumées connus). Dans la simulation du couple (X, X ), on ne peut donc pas simuler indépendamment les deux composantes du fait de leur corrélation. Pour obtenir des tirages de (X, X ) issus d une loi qui respecte cette corrélation, nous posons : X = m + λ U X = m + λ U + λ U. U et U sont des variables normales centrées réduites, indépendantes entre elles. Pour que U ait un écart-type σ, on doit avoir λ = σ. Pour que X ait un écart-type σ et sa corrélation avec X soit égale à ρ, conformément aux hypothèses, il faut que les deux conditions suivantes soient satisfaites : λ + λ = σ et λ λ = ρ σ σ. Ces deux conditions déterminent les deux coefficients : λ = ρσ et λ = σ (- ρ ). La variable bi-variée (X, X ) s écrit donc : X = m + σ U ; X = m + ρσ U + σ ρ(.) U. Il suffit alors de tirer un échantillon des deux variables centrées réduites indépendantes U et U pour obtenir un échantillon de (X, X ) satisfaisant toutes les propriétés requises : N tirages d une normale centrée réduite fournissent N tirages pour le couple (X, X ), ou même N tirages en utilisant les antithétiques des U.

12 Cette méthode, présentée dans le cas de deux variables, se généralise au cas d un vecteur gaussien F-dimensionnel X quelconque à composantes corrélées. On utilise alors la décomposition de Choleski de la matrice de variance-covariance Σ de X présumée connue. En effet, comme toute matrice symétrique définie positive, Σ peut s'écrire comme le produit d une matrice triangulaire Λ et de sa transposée Λ' : Σ = ΛΛ 6. On écrit alors le vecteur X sous la forme : X = m + Λ U ; Les F composantes de U sont des variables aléatoires gaussiennes centrées réduites, indépendantes entre elles. N réalisations de X sont obtenues à partir de F N tirages U et de leurs antithétiques. De façon plus détaillée, les F composantes de X obéissent aux équations suivantes dont il s agit de déterminer les coefficients λ ij : X = m + λ U X = m + λ U + λ (.)U... X i = m i + λ i U + λ i U λ ii U i.... X F = m F + λ F U + λ F U λ FF U F Les λ ij sont déterminés de proche de proche (en commençant par λ ), à partir de la matrice de variance covariance Σ de terme général σ ij, comme suit : λ = σ, de manière à se conformer à la variance présumée de X. λ et λ comme solution des deux équations suivantes : λ +λ = σ (.), pour se conformer à la variance présumée de X ; λ λ = σ, pour se conformer à la covariance présumée de X et X ;.... Les termes d ordre général i, λ i, λ i,..., λ ii sont déterminés comme solutions des i équations suivantes : σ 6 0 En présence de deux facteurs, comme précédemment, on a Λ = ρσ ρ σ σ ρσ σ et Λ =, dont le produit donne bien Σ = 0 ρ σ ρσ σ ρσ σ. σ

13 i λij = σ ii, pour se conformer à la variance présumée de X i ; j= i j= λλ = σ ik, pour k =,..., i-, afin de respecter les i- covariances présumées entre X i ij kj et X k. Un exemple d application de la méthode est présenté dans le paragraphe c) suivant, dans le contexte de la simulation d une trajectoire. b) Représentation et simulation d un vecteur non gaussien à composantes corrélées à l aide d une copule. La méthode précédente permet de représenter et de simuler un vecteur gaussien à composantes corrélées. Supposons maintenant qu il s agisse de simuler un vecteur à m composantes non gaussiennes (X, X,, X m ). Nous notons F j la loi de distribution inconditionnelle (ou marginale) de X j. On rappelle que la loi marginale (ou inconditionnelle) F j (x) = Proba(X j x)) est celle de X j en absence de toute hypothèse concernant les X k pour k j et que la loi jointe J(x, x,, x m ) = Proba (X x et X x et X m x m ) diffère du produit simple F (x ) F (x ) F m (x m ) des lois marginales, sauf dans le cas particulier de variables X j indépendantes entre elles. Sauf dans des cas bien précis, tel que le cas gaussien, il n existe pas un moyen direct et univoque de représenter la loi jointe J en fonction des lois marginales F j, même quand on connaît les coefficients de corrélation ρ jk entre X j et X k pour tous les couples j, k 7. Cependant, l utilisation d une copule permet une telle représentation. L analyse qui suit est centrée sur les copules gaussiennes, les seules utilisées dans cet ouvrage, le cas de copules non gaussiennes étant simplement évoqué à la fin de ce paragraphe. L utilisation d une copule gaussienne permet de «transformer» un vecteur gaussien (U, U,, U m ) en un vecteur (X, X,, X m ) non gaussien, d obtenir ainsi, indirectement, une représentation de la loi jointe de (X, X,, X m ) et de procéder à des simulations de ce dernier vecteur. Pour expliquer les copules gaussiennes commençons par considérer le cas unidimensionnel (dont l intérêt est purement didactique) et par remarquer que, si X est une variable aléatoire quelconque dont la loi de distribution est Φ, l'on a : 7 Dans des cas particuliers tel que celui de variables gaussiennes la loi jointe s exprime analytiquement. 3

14 pour tout y compris entre 0 et, Proba (Φ(X) y) y. En effet, Φ - étant croissante : Proba (Φ(X) y) = Proba(X Φ - (y)) = Φ(Φ - (y)) = y. Dans la suite N désignera la loi de distribution d une variable U distribuée N(0,) (normale, centrée, réduite), donc N(u) = π u e z dz, et on utilisera la remarque précédente (en posant Φ = N, y = F(x)) qui implique que Proba (N(U)) F(x)) = F(x). Montrons maintenant comment on peut transformer une variable normale centrée réduite U en une variable aléatoire X de loi de distribution F quelconque donnée. La correspondance entre U et X est décrite sous la forme de la proposition suivante : Proposition a) Soit une loi de distribution F quelconque et une variable U gaussienne centrée réduite. La variable aléatoire X = F - (N(U)) a F pour loi de distribution. b) Réciproquement, soit une variable aléatoire X de loi de distribution F quelconque. La variable aléatoire U = N - (F(X)) est normale, centrée, réduite. Démonstration de a). Proba(X x) = Proba(F - (N(U)) x) = Proba(N(U)) F(x)) = F(x) (la dernière égalité est obtenue en vertu d une remarque précédente). Donc Proba(X x) = F(x) et F est bien la loi de distribution de X. La démonstration de b) suit des voies analogues. Corollaire : L on obtient des tirages aléatoires x i d une loi F quelconque à partir de tirages u i aléatoires d une loi normale N(0,) par la correspondance : x i = F - (N(u i )). Intuitivement cette correspondance, qui s écrit aussi F(x i ) = N(u i ) = p i, signifie que x i et u i correspondent au même p i -quantile de leur loi de distribution respective : à chaque tirage u i, qui correspond à un p i -quantile de la loi N (p i = N(u i )) on associe le p i -quantile x i de la loi F selon la succession de correspondances suivantes : u i p i = N(u i ) x i = F - (p i ). On remarquera que cette méthode repose sur les mêmes principes que celle, décrite au début du chapitre, consistant à obtenir des tirages issus de F à partir d un échantillon a i tiré d une loi uniforme (x i = F - (a i )). En fait, la méthode est surtout utile quand elle est appliquée, sous une forme plus générale, à des distributions multi-variées à composantes corrélées. En effet, elle permet de construire un 4

15 échantillon tiré d une loi multivariée (X,, X m ) où la loi marginale de la composante X j, notée F j, est donnée et où les différentes composantes sont corrélées entre elles. Dans un premier temps, la méthode consiste en la construction d un échantillon [u i (u i,, u m i )] i=,,n de N tirages d un vecteur gaussien (U,, U m ) dont les composantes U j suivent toutes la même loi marginale N(0,) et sont liées les unes aux autres par des coefficients de corrélation ρ jk = cor(u j,u k ) donnés, qualifiés de corrélations de copule et choisis «conformes» à la corrélation désirée entre X j et X k. Dans la suite i désigne un élément de l échantillon ou tirage (m-dimensionnel) et j ou k des composantes (uni-dimensionnelles). L échantillon des u i est, par exemple, obtenu par l application de la méthode décrite dans le paragraphe a) précédent (décomposition de Choleski). Dans un deuxième temps, on fait correspondre à chaque u i (u i,, u m i ) un x i (x i,, x m i ) avec : x i = F - (N(u i )),, x m i = F - m (N(u m i )). L échantillon [(x i,, x m i )] i=,,n ainsi obtenu a des composantes tirées des lois marginales F j désirées et leurs corrélations sont fonction des corrélation de copule ρ jk = Cor[U j,u k ]. On retiendra que le coefficient de corrélation entre X j et X k est une fonction de ρ jk mais diffère en général de ce dernier (car Cor[F - j (N(U j )), F - k (N(U k ))] Cor[U j,u k ]). Exemple 4 Considérons deux variables T et T distribuées selon des lois exponentielles, les deux distributions marginales étant respectivement : F (t) = Proba(T t) = e -λ t ; F (t) = Proba(T t) = e -λ t λ et λ sont deux paramètres positifs en général compris entre 0 et. Nous expliquons dans le chapitre ZZ que de tels modèles sont utilisés pour représenter les distributions de probabilité des premières dates de défaut de deux créances affectées, dans un intervalle de durée dt, par des probabilités de défaillance respectivement égales à λ dt et λ dt (processus de Poisson d intensités λ et λ ). Nous supposons en outre que les deux variables T et T sont corrélées et nous allons tenir compte de cette corrélation à l aide d une copule gaussienne. Nous allons donc associer à T et T deux variables U et U distribuées N(0,) et liées entre elles par une corrélation de coefficient ρ. - Dans un premier temps, nous simulons des réalisations d un tel couple gaussien (U, U ). Pour ce faire on peut simplement écrire U = ρu + ρ V avec V distribué N(0,) et indépendant de U, réaliser un nombre égal M de tirages indépendants de chacune des deux 5

16 gaussiennes standard U et V et d en déduire, pour chacun des M couples de réalisations (u, v) les valeurs correspondantes de u = ρ u + ρ v ; les M couples (u, u ) ainsi calculés et leurs antithétiques (-u, -u ) forment un échantillon de M éléments tirés d une loi normale bivariée de corrélation ρ. - Dans un deuxième temps on associe à chaque couple (u, u ) le couple (t, t ) tel que : e -λ t = N(u ), soit t = λ Ln( N(u )) = λ Ln(N( u )) ; t = λ Ln(N( u )) (ou t i = Ln(N(ui ) en utilisant les antithétiques). λ i Les couples (t, t ) ainsi calculés sont présumés tirés de la loi jointe de (T, T ). Le coefficient de corrélation entre T et T impliqué par la corrélation de copule ρ peut être estimé «empiriquement» à l aide de l échantillon des M couples (t, t ) ainsi construit; une trop grande divergence de ce coefficient par rapport à celui souhaité a priori peut conduire à itérer la simulation avec différentes valeurs de ρ. A titre d exemple, une simulation a été effectuée avec les paramètres suivants : corrélation de copule ρ = 0,3 ; λ = 5% ; λ = 4%. Le tableau ci-dessous reproduit 4 tirages (v, u ) de cette simulation qui permettent de calculer 4 couples (u, u ), puis 4 couples (t, t ) représentant les temps restant à courir (en années) avant les premiers défauts. u = t = t = v u 0,3* u + 0,954* v N(u ) N(u ) -Ln(N(u ))/λ -Ln(N(u ))/λ 0, , , , ,664363, , , , , , , , , ,700958, , , ,44096, , , , , , , ,079 7,33473 À titre indicatif, dans une simulation de 0000 tirages (nombre très faible) on a obtenu, à partir d une corrélation de copule égale à 0,3, un coefficient de corrélation empirique entre T et T égal à 0,64, ce qui pourrait justifier une deuxième simulation avec un coefficient ρ = 0,34. Dans le chapitre ZZ, on s appuiera sur cet exemple afin d illustrer l évaluation de CDS first et second to default. Notons pour terminer que l on peut définir une copule à partir de lois de distribution non gaussiennes. Considérons simplement l exemple de la t-copule (ou copule de Student) dont la 6

17 mise en œuvre s appuie en fait sur une copule gaussienne. Quand on utilise une copule de Student avec f degrés de liberté on procède comme suit : - on effectue un tirage χ d une distribution χ avec f degrés de liberté (les fonctions Excel, par exemple, permettent un tel tirage) ; - on tire un vecteur gaussien u d une distribution normale multivariée à composantes corrélées, par exemple à l aide d une décomposition de Choleski ; - on définit le vecteurs M-dimensionnels y = f / χ u dont les M composantes y i sont corrélées et dont la loi marginale est t f (loi de Student avec f degrés de liberté) ; - on obtient les M composantes x i par la correspondance x i = F i - (t f (y i )); on construit ainsi un premier vecteur x = (F - (t f (y )),, F M - (t f (y M )) ; - on recommence l opération N fois pour obtenir un échantillon de N vecteurs x. On peut montrer que les corrélations entre les composantes X i des vecteurs obtenus à l aide d une copule de Student augmentent sur les plages de valeurs extrêmes (alors qu on montre qu elles sont constantes avec une copule gaussienne). Cette propriété de la corrélation sur les queues de distribution (tail correlation) constitue un avantage de la copule de Student sur la Gaussienne, puisque l on observe que les corrélations des variables de marché augmentent effectivement dans les conjonctures de crise. c) Simulation des trajectoires Les simulations des trajectoires du vecteur aléatoire de F facteurs Y(t) entre 0 et T doivent tenir compte de la structure des corrélations telle qu elle est exprimée par la matrice de variance-covariance Σ(t) des variations de ces F facteurs. Selon que l on utilise une représentation de la dynamique de Y(t) en en temps continu (équation ) ou temps discret (équation ), le terme général de la matrice Σ(t) s écrit : σ' ij (t,y(t)) = dt cov(dy i, dy j ), pour i, j =,, F en temps continu ; σ ij (t,y(t)) = σ' ij (t,y(t)) Δt et σ i = σ ii = σ' i Δt en temps discret. Les primes désignent ici les paramètres annualisés pour les distinguer des paramètres correspondant à des périodes de durée Δt. Comme les simulations de Monte Carlo requièrent une discrétisation des processus continus, c est la deuxième formulation (en temps discret) qui est utilisée en pratique. 7

18 σ ij Par ailleurs on note ρ ij (t,y(t)) = σσ i j le coefficient de corrélation entre les variations des facteurs i et j ; m(t,y(t)) désigne la dérive de Y entre t et t + Δt (m = μ Δt si μ est la dérive annualisée). Comme dans le paragraphe 3-a, on décompose la période (0, T) en N périodes de durée Δt = T/N notées (t j-, t j ) (j= 0,..., N ; t 0 = 0 et t N = T) et on exprime les variations de la première composante Y entre t j- et t j à l aide de l équation discrétisée de type () : Y (t j ) Y (t j- ) = m (t j-,y(t j- )) + λ (t j-,y(t j- )) U (j), pour j=,, N, où les variables U (j) sont normales, centrées, réduites et sériellement indépendantes. Les variations des différents Y i doivent être corrélées entre elles. Pour les représenter, on utilise une décomposition triangulaire de Choleski telle qu elle a été présentée dans le paragraphe a) ci-dessus, qui, dans ce contexte, conduit à poser : Y (t j ) Y (t j- ) = m (.) + λ (.)U (j) Y (t j ) Y (t j- ) = m (.) + λ (.)U (j) + λ (.)U (j)... Y i (t j ) Y i (t j- ) = m i (.) + λ i (.)U (j) + λ i (.)U (j) λ ii (.)U i (j).... Y F (t j ) Y F (t j- ) = m F (.) + λ F (.)U (j) + λ F (.)U (j) λ FF (.)U F (j) où les U i (j) sont des variables normales centrées réduites, sériellement indépendantes et indépendantes entre elles et où, pour simplifier l écriture, (.) représente (t j-,y(t j- )). Deux trajectoires de N points pour Y sont obtenues à partir de F N tirages U et de leurs antithétiques. Selon la procédure expliquée en a), les λ ij (.) sont déterminés de proche de proche (en commençant par λ ), à partir de la matrice de variance covariance Σ(.) de terme général σ ij, et sont solutions des i équations suivantes : i λij = σ ii, pour se conformer à la variance présumée de Y i (t j ) Y i (t j- ) ; j= i j= λλ = σ ik, pour k =,..., i-, afin de respecter les i- covariances présumées entre la ij kj variation de Y i (t) et celle des Y k (t). Exemple 5: simulations sur un modèle à trois facteurs (cours, taux et volatilité stochastiques) 8

19 Considérons un portefeuille composé de TCN, d une action (ou un indice) et d options sur l action dont la valeur dépend de trois facteurs aléatoires: le taux d intérêt r, le prix S de l action et la volatilité σ de l action qui influence la dynamique de S et le cours de l option. Ces trois facteurs sont présumés suivre le processus de diffusion tridimensionnel suivant régi par les trois browniens standards indépendants w, w, w 3 : dr = a(b r(t)) dt + λ dw ds/s = (r(t) + θ) dt + λ (.) dw + λ (.)dw dσ = c(φ(s(t)) σ(t)) dt + λ 3 (.) dw + λ 3 (.) dw + λ 33 (.)dw 3 (r) (S) (σ) Ces trois équations (r), (S) et (σ) requièrent des explications. - Equation (r) : Le taux r(t) suit un processus d Orstein-Uhlenbeck avec une force de rappel d intensité a qui l attire vers une valeur normale b. λ est égal à l écart-type instantané σ r des variations du taux. Les trois paramètres a, b et σ r sont supposés constants et connus. Ce processus gaussien est celui qui sous-tend le modèle de taux de Vasicek (cf. annexe G et chapitre UU). - Equation (S). L équation de la rentabilité ds/s de l action met en évidence une prime de risque supposée constante θ qui s'ajoute au taux d'intérêt de sorte que, à chaque instant, l espérance de rentabilité de l action est égale à r(t) + θ. Les coefficients λ (.) et λ (.) doivent être compatibles avec la volatilité σ(t) de l action qui suit le processus représenté par la troisième équation (σ); cette condition s écrit : (c) λ (.) + λ (.) = σ (t) En outre, le coefficient λ (.) est choisi de sorte que la corrélation (négative) des mouvements du taux r et du cours S soit au niveau désiré ρ donné et supposé constant; cette exigence implique donc σ r λ (.) = ρ σ r σ(t), soit une deuxième condition : (c) λ = ρ σ(t) Les deux conditions (c) et (c) conduisent donc aux valeurs de λ et λ : λ = ρ σ(t) ; λ = σ(t) ρ - Equation (σ). La volatilité σ(t) suit un processus impliquant une force de rappel vers une valeur normale φ(s(t)) qui dépend négativement du niveau du cours S. Nous avons déjà 9

20 signalé que l on observe que la volatilité est d autant plus forte que le cours est bas et que ce phénomène s explique théoriquement par l effet de levier (cf. notamment le chapitre ZX). Les coefficients λ 3, λ 3 et λ 33 autorisent une corrélation avec r et avec S et sont déterminés par ces deux corrélations et par l écart-type présumé des variations de volatilité (3 équations). λ 3 = 0 (on suppose que le taux d intérêt et la volatilité sont non corrélés) ; λ 3 + λ 33 = k (k représente l écart-type instantané de la volatilité, supposé donné) ; λ λ 3 =ρ k σ (la corrélation entre la variation relative du cours S et la volatilité est supposée égale à ρ, donnée) ; On en déduit donc : λ 3 = ρ k ρ ρ ρ et λ 33 = k. ρ Le processus de diffusion régissant les trois facteurs qui respecte les volatilités et les corrélations désirées s écrit alors: dr = a(b r(t)) dt + σ r dw ds/s = (r(t) + θ) dt + ρ σ(t) dw + σ(t) ρ dw dσ = c(φ(s) σ(t)) dt + ρ k ρ ρ ρ dw + k dw 3. ρ Ce processus tridimensionnel est écrit en temps continu ; la simulation de Monte Carlo repose sur une discrétisation de ce processus : r(t j ) r(t j- ) = a(b r(t j- )) Δt + σ r Δt U S(t j ) S(t j- ) = S(t j- )[(r(t j- ) + θ) Δt + ρ σ(t j- )(.) Δt U + σ(t j- ) Δt ρ U ] σ(t j ) σ(t j- ) = c[φ(s(t j- )) σ(t j- )]Δt + ρ k ρ ρ ρ Δt U + k Δt U 3. ρ Pour une application numérique avec des pas hebdomadaires (Δt =/5 = 0,93), on pourra choisir, par exemple, les paramètres suivants : a = 0,8 ; b = 0,04 ; σ r = 0, ; θ = 0,05 ; ρ = 0,30 ; c = 0,5 ; ρ = - 0, ; k = 0,08. On pourra choisir φ(s(t)) égale à une constante (par exemple 0,3) ou une fonction décroissante de S(t), par exemple : φ(s(t)) = 0,5 ( + S(0) ); la volatilité annualisée «normale» S(0) + S( t) 0

21 est ainsi égale à 0,3 pour un cours S(t) = S(0) actuel, mais elle est multipliée par,5 quand S(t) tend vers zéro et divisée par quand il tend vers l infini. Deux trajectoires de 5 points hebdomadaires seront obtenues à partir de 56 tirages de U et leurs antithétiques ; la simulation de 000 trajectoires sur un an requiert donc tirages (en comptant U j et son antithétique pour un seul tirage). 5. La précision, le temps de calcul et quelques techniques de réduction de la variance Les simulations de Monte Carlo sont parfois très gourmandes en temps calcul. En fait, dans la plupart des applications, un compromis s impose entre deux objectifs antinomiques : la précision et la richesse des informations empiriques obtenues (que l on souhaite maximum), qui croît avec le nombre de simulations opérées ; le temps de calcul (que l on souhaite minimum). Une procédure «efficace» conduit à une précision suffisante obtenue au prix d un temps calcul limité. Pour cerner de façon plus précise cette notion d efficacité et indiquer quelques techniques pour l accroître, nous supposerons que l on cherche à estimer, par des simulations de Monte Carlo, un paramètre e de la distribution de V(T, Y(T)). Il peut s agir d un quantile de cette distribution (c est par exemple le cas quand il s agit d apprécier une VaR), d une espérance (par exemple si on cherche à évaluer une option), ou un moment quelconque de la distribution de V(T, Y(T)). Considérons le cas d un Monte Carlo simple (par opposition à un Monte Carlo intégrant des techniques sophistiquées dont certaines sont introduites plus avant). Appelons M le nombre de simulations qui conduisent à un estimateur ê du paramètre e. L erreur standard de ê, égal à la racine carrée de la variance de ê divisée par M, est donc inversement proportionnel à M : le nombre de simulations devra donc être quadruplé si l on souhaite doubler la précision de ê (quand celle-ci est mesurée avec l erreur standard). Cependant plusieurs techniques peuvent être mises en œuvre pour améliorer l efficacité des simulations. a) Variables antithétiques et contrôle des moments Nous avons déjà présenté la technique des variables antithétiques consistant à associer à chaque tirage U j son opposé - U j. On divise ainsi le nombre de tirages par deux et, surtout, on

22 s assure que la moyenne empirique de l échantillon des U est bien nulle, ce qui peut grandement contribuer à l efficacité de l estimateur e $. Dans le même ordre d idées, après avoir introduit les antithétiques qui fixent la moyenne à 0, on peut s assurer que l écart-type empirique de l échantillon des U j est exactement égal à : il suffit de diviser tous les U j par leur écart-type empirique ( M U M j= j ) pour obtenir un échantillon parfaitement standardisé. b) Variable de contrôle Une autre technique qui permet d améliorer l efficacité des simulations est celle de la «variable de contrôle» («control variate» en anglais). Pour faciliter l explication, on suppose que le paramètre e qu il s agit d estimer représente l espérance de V(T, Y(T)). Supposons également qu il existe par ailleurs une variable aléatoire V (T, Y(T)) fortement corrélée avec V(T, Y(T)) dont l espérance e est proche de e (bien que différente) et que e est connue. Plutôt que d estimer e à partir de simulations sur V à l aide de M l estimateur standard ê = V ( T, Y i ), on a intérêt à utiliser la connaissance que l on a de M i= e et à estimer l écart δ = e e à l aide de simulations sur V V. Dès lors, sous sa forme la plus simple, la méthode de la variable de contrôle se présente comme suit : - on calcule à partir de N simulations Y i : $ δ = ( V ( T, Y ) V '( T, ) M i Y i ) M i= - l estimateur utilisé pour e sera alors : ê = e + $ M δ (plutôt que ê = V ( T, Y i ) ). M On peut comprendre intuitivement que les «erreurs d échantillon» affectant les Y i affecteront les valeurs V (T, Y i ) dans les mêmes proportions que les V (T, Y i ) sans affecter sensiblement l écart $ δ entre les deux (les erreurs ayant tendance à se compenser). Ainsi, grâce à l utilisation de la variable de contrôle (V, e ), on obtient un estimateur ê qui peut être sensiblement plus efficace que l estimateur standard ê. Intuitivement encore, l amélioration de l efficacité dépend de manière cruciale du degré de corrélation entre les V(T,Y(T)) et les V (T, Y(T)). Le choix d une «bonne» variable de contrôle est donc prépondérant. i= ; Application 4 et exemple

23 Supposons qu une simulation de Monte Carlo ait pour but d évaluer une option d achat «path-dependent». L estimation de cette dernière requiert des simulations «serrées» de toute la trajectoire du sous jacent, très coûteuses en temps calcul (cf. application 3, 3-c supra). Supposons qu une option d achat européenne classique écrite sur le même sous-jacent soit cotée sur le marché et évaluable analytiquement avec une formule de type BS. Le prix e de cette option européenne «homologue» est donc connu et égal à l espérance «risque-neutre» du payoff V (T, S(T)) actualisé : e = e -rt E(V (T, S(T)). Le prix e de l option exotique «path-dependent» homologue est inconnu, légèrement supérieur à e et égal à la valeur présente de l espérance risque neutre des payoffs qu elle induit. Ces payoffs dépendent de la trajectoire de S(t). Rappelons que la méthode de Monte Carlo simple consiste à simuler M trajectoires de N points pour S(t), à associer à chaque trajectoire i simulée (S i, S i,..., S i N ) un payoff actualisé Ψ(S i, S i,..., S i N ) et à estimer le prix de cette option par la moyenne : ê = M M ψ (S i, S i,..., S i N ). i= L utilisation de la variable de contrôle (e, V (T, S(T)) consiste à estimer l écart δ = e e à l aide de la moyenne empirique $ M i rt δ = ( ( S,..., S i N ) e V ( T S i N ) ψ, et à utiliser M i= ê = e + $ δ comme estimateur du prix de l option exotique. Intuitivement, l information contenue dans le prix (connu) de l option européenne et pertinente à l estimation de son homologue exotique est utilisée pour améliorer l estimation de cette dernière. Nous présentons maintenant brièvement une version améliorée et plus complexe de la méthode de la variable de contrôle. Supposons encore qu il s agisse d estimer l espérance e de la distribution de V(T, Y(T)) et que la variable aléatoire V (T, Y(T)), corrélée avec V(T, M Y(T)), a une espérance e connue. Notons ê l estimateur V '( T, Y i ) de ce paramètre e M M connu et ê = V ( T, Y i ) M i= d améliorer. Considérons la famille d estimateurs : $ eα = ê α (ê e ), où α est un nombre réel. i= l estimateur standard du paramètre e inconnu qu il s agit 3

Simulations des Grecques : Malliavin vs Différences finies

Simulations des Grecques : Malliavin vs Différences finies 0.1. LES GRECQUES 1 Simulations des Grecques : iavin vs Différences finies Christophe Chorro Ce petit document vise à illustrer de manière numérique les techniques présentées lors du mini cours sur le

Plus en détail

Ecole Supérieure d Ingénieurs Léonard de Vinci

Ecole Supérieure d Ingénieurs Léonard de Vinci Ecole Supérieure d Ingénieurs Léonard de Vinci «Pricing d options Monte Carlo dans le modèle Black-Scholes» Etudiant : / Partie A : Prix de Call et Put Européens Partie B : Pricing par Monte Carlo et réduction

Plus en détail

Introduction à la simulation de Monte Carlo

Introduction à la simulation de Monte Carlo Introduction à la simulation de 6-601-09 Simulation Geneviève Gauthier HEC Montréal e 1 d une I Soit X 1, X,..., X n des variables aléatoires indépendantes et identiquement distribuées. Elles sont obtenues

Plus en détail

Les options : Lien entre les paramètres de pricing et les grecs

Les options : Lien entre les paramètres de pricing et les grecs Cette page est soutenue par ALGOFI Cabinet de conseil, d ingénierie financière et dépositaire de systèmes d information financiers. Par Ingefi, le Pôle Métier Ingénierie Financière d Algofi. ---------------------------------------------------------------------------------------------------------------------

Plus en détail

Principes de Finance

Principes de Finance Principes de Finance 13. Théorie des options II Daniel Andrei Semestre de printemps 2011 Principes de Finance 13. Théorie des options II Printemps 2011 1 / 34 Plan I Stratégie de réplication dynamique

Plus en détail

Simulations de Monte Carlo

Simulations de Monte Carlo Simulations de Monte Carlo 2 février 261 CNAM GFN 26 Gestion d actifs et des risques Gréory Taillard GFN 26 Gestion d actifs et des risques 2 Biblioraphie Hayat, Sere, Patrice Poncet et Roland Portait,

Plus en détail

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Université Paris1, Licence 00-003, Mme Pradel : Principales lois de Probabilité 1 DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Notations Si la variable aléatoire X suit la loi L, onnoterax

Plus en détail

Plan de la présentation. La simulation de Monte Carlo des processus de diffusion. La simulation de Monte Carlo. La simulation de Monte Carlo

Plan de la présentation. La simulation de Monte Carlo des processus de diffusion. La simulation de Monte Carlo. La simulation de Monte Carlo La simulation de Monte Carlo des processus de diffusion Les méthodes stochastiques dans les sciences de la gestion 6-640-93 Geneviève Gauthier Plan de la présentation La simulation de Monte Carlo La simulation

Plus en détail

Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1

Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1 Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1 1. a. On considère un modèle de marché (B, S) à une étape. On suppose que S = 5 C et qu à la date t = 1 on a (S u 1 = 51, S d 1 = 48).

Plus en détail

3. Evaluer la valeur d une option. 1. Arbres binomiaux 2. Modèle de Black, Scholes et Merton

3. Evaluer la valeur d une option. 1. Arbres binomiaux 2. Modèle de Black, Scholes et Merton 3. Evaluer la valeur d une option 1. Arbres binomiaux. Modèle de Black, choles et Merton 1 Les arbres binomiaux ; évaluation des options sur actions Cox, Ross, Rubinstein 1979 Hypothèse absence opportunité

Plus en détail

Le modèle de Black et Scholes

Le modèle de Black et Scholes Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un

Plus en détail

A propos du calcul des rentabilités des actions et des rentabilités moyennes

A propos du calcul des rentabilités des actions et des rentabilités moyennes A propos du calcul des rentabilités des actions et des rentabilités moyennes On peut calculer les rentabilités de différentes façons, sous différentes hypothèses. Cette note n a d autre prétention que

Plus en détail

Support du cours de Probabilités IUT d Orléans, Département d informatique

Support du cours de Probabilités IUT d Orléans, Département d informatique Support du cours de Probabilités IUT d Orléans, Département d informatique Pierre Andreoletti IUT d Orléans Laboratoire MAPMO (Bât. de Mathématiques UFR Sciences) - Bureau 126 email: pierre.andreoletti@univ-orleans.fr

Plus en détail

Ecole Supérieure d Ingénieurs Léonard de Vinci

Ecole Supérieure d Ingénieurs Léonard de Vinci Ecole Supérieure d Ingénieurs Léonard de Vinci «Evaluation et couverture de produits dérivés» Etudiants : Colonna Andrea Pricing d'un Call Lookback par Monte Carlo et Ponts Browniens Rapport de Projet

Plus en détail

Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1

Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1 Master IMEA Calcul Stochastique et Finance Feuille de T.D. n o Corrigé exercices8et9 8. On considère un modèle Cox-Ross-Rubinstein de marché (B,S) à trois étapes. On suppose que S = C et que les facteurs

Plus en détail

Modèles en temps continu pour la Finance

Modèles en temps continu pour la Finance Modèles en temps continu pour la Finance ENSTA ParisTech/Laboratoire de Mathématiques Appliquées 23 avril 2014 Evaluation et couverture pour les options européennes de la forme H = h(s 1 T ) Proposition

Plus en détail

TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options

TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce

Plus en détail

Projets scilab. L3 Maths Appliquées lagache@biologie.ens.fr 02 Avril 2009

Projets scilab. L3 Maths Appliquées lagache@biologie.ens.fr 02 Avril 2009 Projets scilab L3 Maths Appliquées lagache@biologie.ens.fr 2 Avril 29 REMARQUE: quelques résultats importants concernant le théorème central limite et les intervalles de confiance sont rappelés dans la

Plus en détail

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Master Modélisation et Simulation / ENSTA TD 1 2012-2013 Les méthodes dites de Monte-Carlo consistent en des simulations expérimentales de problèmes

Plus en détail

Chapitre IV : Couples de variables aléatoires discrètes

Chapitre IV : Couples de variables aléatoires discrètes UNIVERSITÉ DE CERG Année 0-03 UFR Économie & Gestion Licence d Économie et Gestion MATH0 : Probabilités Chapitre IV : Couples de variables aléatoires discrètes Généralités Définition Soit (Ω, P(Ω), P)

Plus en détail

MATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA

MATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA MATHS FINANCIERES Mireille.Bossy@sophia.inria.fr Projet OMEGA Sophia Antipolis, septembre 2004 1. Introduction : la valorisation de contrats optionnels Options d achat et de vente : Call et Put Une option

Plus en détail

Texte Agrégation limitée par diffusion interne

Texte Agrégation limitée par diffusion interne Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse

Plus en détail

Chapitre 2 Le problème de l unicité des solutions

Chapitre 2 Le problème de l unicité des solutions Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)

Plus en détail

1 La formule de Black et Scholes en t discret

1 La formule de Black et Scholes en t discret Université de Provence Préparation Agrégation Epreuve de Modélisation, Option Proba. Texte : La formule de Black Scholes en Finance Étienne Pardoux 1 La formule de Black et Scholes en t discret On suppose

Plus en détail

Valorisation d es des options Novembre 2007

Valorisation d es des options Novembre 2007 Valorisation des options Novembre 2007 Plan Rappels Relations de prix Le modèle binomial Le modèle de Black-Scholes Les grecques Page 2 Rappels (1) Définition Une option est un contrat financier qui confère

Plus en détail

CHAMPION Matthieu Modèles de Marché en Visual Basic ESILV S04 S6. Sommaire... 1. Introduction... 2

CHAMPION Matthieu Modèles de Marché en Visual Basic ESILV S04 S6. Sommaire... 1. Introduction... 2 Sommaire Sommaire... 1 Introduction... 2 1 Trois différentes techniques de pricing... 3 1.1 Le modèle de Cox Ross Rubinstein... 3 1.2 Le modèle de Black & Scholes... 8 1.3 Méthode de Monte Carlo.... 1

Plus en détail

IAE Master 2 Gestion de Portefeuille Année 2011 2012. Feuille 3 Pricing et couverture Modèles discret

IAE Master 2 Gestion de Portefeuille Année 2011 2012. Feuille 3 Pricing et couverture Modèles discret Université de Paris Est Créteil Mathématiques financières IAE Master 2 Gestion de Portefeuille Année 2011 2012 1. Le problème des partis 1 Feuille 3 Pricing et couverture Modèles discret Le chevalier de

Plus en détail

Chapitre 2 : Méthode de Monte-Carlo avec tirages indépendants, pour le calcul approché d une intégrale.

Chapitre 2 : Méthode de Monte-Carlo avec tirages indépendants, pour le calcul approché d une intégrale. Aix Marseille Université. Algorithmes Stochastiques. M MIS. Fabienne Castell... Chapitre : Méthode de Monte-Carlo avec tirages indépendants, pour le calcul approché d une intégrale. Le but de ce chapitre

Plus en détail

1.1 Prime d une option d achat dans le modèle de Cox, Ross et Rubinstein

1.1 Prime d une option d achat dans le modèle de Cox, Ross et Rubinstein 1 Examen 1.1 Prime d une option d achat dans le modèle de Cox, Ross et Rubinstein On considère une option à 90 jours sur un actif ne distribuant pas de dividende de nominal 100 francs, et dont le prix

Plus en détail

Hedging delta et gamma neutre d un option digitale

Hedging delta et gamma neutre d un option digitale Hedging delta et gamma neutre d un option digitale Daniel Herlemont 1 Introduction L objectif de ce projet est d examiner la couverture delta-gamma neutre d un portefeuille d options digitales Asset-Or-Nothing

Plus en détail

Chapitre 17 Le modèle de Black et Scholes

Chapitre 17 Le modèle de Black et Scholes Chapitre 17 Le modèle de Black et Scholes Introduction Au début des 70 s, Black, Scholes et Merton ont opéré une avancée majeure en matière d évaluation d options Ces contributions et leurs développements

Plus en détail

Cours de Méthodes Déterministes en Finance (ENPC) Benoît Humez Société Générale Recherche Quantitative benoit.humez@sgcib.com

Cours de Méthodes Déterministes en Finance (ENPC) Benoît Humez Société Générale Recherche Quantitative benoit.humez@sgcib.com Cours de Méthodes Déterministes en Finance (ENPC) Benoît Humez Société Générale Recherche Quantitative benoit.humez@sgcib.com Points abordés Méthodes numériques employées en finance Approximations de prix

Plus en détail

Obligation : transfert dans le temps

Obligation : transfert dans le temps Obligation : transfert dans le temps Dans ce premier chapitre nous introduirons les principales notions concernant les obligations. Les principes élémentaires de la notion d arbitrage y sont décrits. Une

Plus en détail

Examen Mesures de Risque de Marché

Examen Mesures de Risque de Marché ESILV 2012 D. Herlemont Mesures de Risque de Marché I Examen Mesures de Risque de Marché Durée: 2 heures. Documents non autorisés et calculatrices simples autorisées. 2 pt 1. On se propose d effectuer

Plus en détail

VALORISATION DES PRODUITS DE CHANGE :

VALORISATION DES PRODUITS DE CHANGE : VALORISATION DES PRODUITS DE CHANGE : TERMES, SWAPS & OPTIONS LIVRE BLANC I 2 Table des Matières Introduction... 3 Les produits non optionnels... 3 La méthode des flux projetés... 3 Les options de change

Plus en détail

Principes de Finance

Principes de Finance Principes de Finance 12. Théorie des options I Daniel Andrei Semestre de printemps 211 Principes de Finance 12. Théorie des options I Printemps 211 1 / 43 Plan I Introduction II Comprendre les options

Plus en détail

Probabilités III Introduction à l évaluation d options

Probabilités III Introduction à l évaluation d options Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un

Plus en détail

CONCOURS D ADMISSION. Option économique MATHEMATIQUES III. Année 2006

CONCOURS D ADMISSION. Option économique MATHEMATIQUES III. Année 2006 ESSEC M B A CONCOURS D ADMISSION Option économique MATHEMATIQUES III Année 2006 La présentation, la lisibilité, l orthographe, la qualité de la rédaction, la clarté et la précision des raisonnements entreront

Plus en détail

5 Méthodes algorithmiques

5 Méthodes algorithmiques Cours 5 5 Méthodes algorithmiques Le calcul effectif des lois a posteriori peut s avérer extrêmement difficile. En particulier, la prédictive nécessite des calculs d intégrales parfois multiples qui peuvent

Plus en détail

EXAMEN 14 janvier 2009 Finance 1

EXAMEN 14 janvier 2009 Finance 1 EXAMEN 14 janvier 2009 Durée 2h30 heures Exercice 1 On considère un modèle de marché de type arbre binomial à trois étapes avec un actif risqué S et un actif non risqué. On suppose S 0 = 1000$ et à chaque

Plus en détail

Exercices de simulation 1

Exercices de simulation 1 Licence MIA 2ème année Année universitaire 2009-2010 Simulation stochastique C. Léonard Exercices de simulation 1 Les simulations qui suivent sont à effectuer avec Scilab. Le générateur aléatoire de Scilab.

Plus en détail

Delta couverture de produits dérivés en Finance. ESILV Ingénierie Financière S8 Cours du 24 avril 2012 Partie 2 Marie Bernhart

Delta couverture de produits dérivés en Finance. ESILV Ingénierie Financière S8 Cours du 24 avril 2012 Partie 2 Marie Bernhart Delta couverture de produits dérivés en Finance ESILV Ingénierie Financière S8 Cours du 24 avril 2012 Partie 2 Marie Bernhart Plan de la présentation Couverture de produits dérivés en Finance Principe

Plus en détail

Méthodes de Monte Carlo pour le pricing d options

Méthodes de Monte Carlo pour le pricing d options Méthodes de Monte Carlo pour le pricing d options Mohamed Ben Alaya 14 février 2013 Nous allons tester les différentes méthodes probabilistes vu dans le cours en l appliquant au calcul du call ou le put

Plus en détail

Loi normale ou loi de Laplace-Gauss

Loi normale ou loi de Laplace-Gauss LivreSansTitre1.book Page 44 Mardi, 22. juin 2010 10:40 10 Loi normale ou loi de Laplace-Gauss I. Définition de la loi normale II. Tables de la loi normale centrée réduite S il y avait une seule loi de

Plus en détail

Cours de Mathématiques Seconde. Généralités sur les fonctions

Cours de Mathématiques Seconde. Généralités sur les fonctions Cours de Mathématiques Seconde Frédéric Demoulin 1 Dernière révision : 16 avril 007 Document diffusé via le site www.bacamaths.net de Gilles Costantini 1 frederic.demoulin (chez) voila.fr gilles.costantini

Plus en détail

Etude de Cas de Structuration Magistère d Economie et de Statistiques

Etude de Cas de Structuration Magistère d Economie et de Statistiques Etude de Cas de Structuration Magistère d Economie et de Statistiques David DUMONT - TEAM CALYON 22 avril 2008 Dans 2 ans, si l EURODOL est inférieur à 1,40 touchez 116% du nominal investi en euros, sinon

Plus en détail

Exercice du cours Gestion Financière à Court Terme : «Analyse d un reverse convertible»

Exercice du cours Gestion Financière à Court Terme : «Analyse d un reverse convertible» Exercice du cours Gestion Financière à Court Terme : «Analyse d un reverse convertible» Quand la trésorerie d une entreprise est positive, le trésorier cherche le meilleur placement pour placer les excédents.

Plus en détail

9. Distributions d échantillonnage

9. Distributions d échantillonnage 9. Distributions d échantillonnage MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v3) MTH2302D: distributions d échantillonnage 1/46 Plan 1. Échantillons aléatoires 2. Statistiques et distributions

Plus en détail

Première STMG1 2014-2015 progression. - 1. Séquence : Proportion d une sous population dans une population.

Première STMG1 2014-2015 progression. - 1. Séquence : Proportion d une sous population dans une population. Première STMG1 2014-2015 progression. - 1 Table des matières Fil rouge. 3 Axes du programme. 3 Séquence : Proportion d une sous population dans une population. 3 Information chiffrée : connaître et exploiter

Plus en détail

Formation ESSEC Gestion de patrimoine

Formation ESSEC Gestion de patrimoine Formation ESSEC Gestion de patrimoine Séminaire «Savoir vendre les nouvelles classes d actifs financiers» Les options Plan Les options standards (options de 1 ère génération) Les produits de base: calls

Plus en détail

Annexe commune aux séries ES, L et S : boîtes et quantiles

Annexe commune aux séries ES, L et S : boîtes et quantiles Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans

Plus en détail

Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes

Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes Clément Dombry, Laboratoire de Mathématiques de Besançon, Université de Franche-Comté. C.Dombry (Université

Plus en détail

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques

Plus en détail

Prix d options européennes

Prix d options européennes Page n 1. Prix d options européennes Une société française tient sa comptabilité en euros et signe un contrat avec une entreprise américaine qu elle devra payer en dollars à la livraison. Entre aujourd

Plus en détail

Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini.

Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini. Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini. 1 Introduction Des actions comme lancer un dé, tirer une carte d un jeu, observer la durée de vie d une ampoule électrique, etc...sont

Plus en détail

Théorème du point fixe - Théorème de l inversion locale

Théorème du point fixe - Théorème de l inversion locale Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion

Plus en détail

Tension d alimentation : V CC. i C R C R B

Tension d alimentation : V CC. i C R C R B Chapitre 4 Polarisation du transistor bipolaire à jonction 4.1 Le problème de la polarisation 4.1.1 Introduction Dans le chapitre 3, nous avons analysé un premier exemple de circuit d amplification de

Plus en détail

Le Modèle de Black-Scholes. DeriveXperts. 27 octobre 2010

Le Modèle de Black-Scholes. DeriveXperts. 27 octobre 2010 27 octobre 2010 Outline 1 Définitions Le modèle de diffusion de Black-Scholes Portefeuille auto-finançant Objectif de BS 2 Portefeuille auto-finançant et formule de Black-Scholes Formulation mathématique

Plus en détail

Couverture dynamique des produits dérivés de crédit dans les modèles à copules

Couverture dynamique des produits dérivés de crédit dans les modèles à copules Couverture dynamique des produits dérivés de crédit dans les modèles à copules David Kurtz, Groupe de Recherche Opérationnelle Workshop Copula in Finance, 14 mai 2004, ENS Cachan Sommaire 1 Le marché des

Plus en détail

+ 1. Qu est ce que cela donne pour notre calcul de 1,01? On pose x = 1,01 donc f (x) 1 + 1 0,01

+ 1. Qu est ce que cela donne pour notre calcul de 1,01? On pose x = 1,01 donc f (x) 1 + 1 0,01 Eo7 Dérivée d une fonction Vidéo partie. Définition Vidéo partie. Calculs Vidéo partie 3. Etremum local, théorème de Rolle Vidéo partie 4. Théorème des accroissements finis Eercices Fonctions dérivables

Plus en détail

Théorie Financière 8 P. rod i u t its dé dérivés

Théorie Financière 8 P. rod i u t its dé dérivés Théorie Financière 8P 8. Produits dit dérivés déié Objectifsdelasession session 1. Définir les produits dérivés (forward, futures et options (calls et puts) 2. Analyser les flux financiers terminaux 3.

Plus en détail

Master Modélisation Statistique M2 Finance - chapitre 1. Gestion optimale de portefeuille, l approche de Markowitz

Master Modélisation Statistique M2 Finance - chapitre 1. Gestion optimale de portefeuille, l approche de Markowitz Master Modélisation Statistique M2 Finance - chapitre 1 Gestion optimale de portefeuille, l approche de Markowitz Clément Dombry, Laboratoire de Mathématiques de Besançon, Université de Franche-Comté.

Plus en détail

INTRODUCTION : EDP ET FINANCE.

INTRODUCTION : EDP ET FINANCE. INTRODUCTION : EDP ET FINANCE. Alexandre Popier Université du Maine, Le Mans A. Popier (Le Mans) EDP et finance. 1 / 16 PLAN DU COURS 1 MODÈLE ET ÉQUATION DE BLACK SCHOLES 2 QUELQUES EXTENSIONS A. Popier

Plus en détail

Couples de variables aléatoires discrètes

Couples de variables aléatoires discrètes Couples de variables aléatoires discrètes ECE Lycée Carnot mai Dans ce dernier chapitre de probabilités de l'année, nous allons introduire l'étude de couples de variables aléatoires, c'est-à-dire l'étude

Plus en détail

Cours 1: lois discrétes classiques en probabilités

Cours 1: lois discrétes classiques en probabilités Cours 1: lois discrétes classiques en probabilités Laboratoire de Mathématiques de Toulouse Université Paul Sabatier-IUT GEA Ponsan Module: Stat inférentielles Définition Quelques exemples loi d une v.a

Plus en détail

Simulation de variables aléatoires

Simulation de variables aléatoires Simulation de variables aléatoires S. Robin INA PG, Biométrie Décembre 1997 Table des matières 1 Introduction Variables aléatoires discrètes 3.1 Pile ou face................................... 3. Loi de

Plus en détail

La méthode Monte-Carlo. DeriveXperts. 19 mai 2011

La méthode Monte-Carlo. DeriveXperts. 19 mai 2011 19 mai 2011 Outline 1 Introduction Définition Générale Génération de nombre aléatoires Domaines d application 2 Cadre d application Méthodologie générale Remarques Utilisation pratique Introduction Outline

Plus en détail

Chapitre 1 : Évolution COURS

Chapitre 1 : Évolution COURS Chapitre 1 : Évolution COURS OBJECTIFS DU CHAPITRE Savoir déterminer le taux d évolution, le coefficient multiplicateur et l indice en base d une évolution. Connaître les liens entre ces notions et savoir

Plus en détail

L essentiel sur les tests statistiques

L essentiel sur les tests statistiques L essentiel sur les tests statistiques 21 septembre 2014 2 Chapitre 1 Tests statistiques Nous considérerons deux exemples au long de ce chapitre. Abondance en C, G : On considère une séquence d ADN et

Plus en détail

Mathématiques appliquées à la finance J. Printems Année 2008 09

Mathématiques appliquées à la finance J. Printems Année 2008 09 IAE Gustave Eiffel Master 2 Gestion de Portefeuille Université Paris xii Val de Marne Mathématiques appliquées à la finance J. Printems Année 2008 09 Épreuve du 15 juillet 2009 Durée : 1 heure 30 Calculatrices

Plus en détail

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions :

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions : Probabilités I- Expérience aléatoire, espace probabilisé : 1- Définitions : Ω : Ensemble dont les points w sont les résultats possibles de l expérience Des évènements A parties de Ω appartiennent à A une

Plus en détail

Simulations de Monte Carlo en finance : Pricer d option

Simulations de Monte Carlo en finance : Pricer d option Emma Alfonsi, Xavier Milhaud - M2R SAF Simulations de Monte Carlo en finance : Pricer d option Sous la direction de M. Pierre Alain Patard ISFA - Mars 2008 . 1 Table des matières 1 Introduction 4 2 Un

Plus en détail

Notes de cours L1 MATH120. Hervé Le Dret

Notes de cours L1 MATH120. Hervé Le Dret Notes de cours L1 MATH120 Hervé Le Dret 18 octobre 2004 40 Chapitre 3 Vecteurs dans R m Dans ce chapitre, nous allons nous familiariser avec la notion de vecteur du point de vue algébrique. Nous reviendrons

Plus en détail

TS. 2012/2013. Lycée Prévert. Corrigé du contrôle n 3. Durée : 3 heures. Mardi 20/11/12

TS. 2012/2013. Lycée Prévert. Corrigé du contrôle n 3. Durée : 3 heures. Mardi 20/11/12 TS. 01/013. Lycée Prévert. Corrigé du contrôle n 3. Durée : 3 heures. Mardi 0/11/1 Exercice 1 : ( 6,5 pts) Première partie : Démonstration à rédiger { Démontrer que si ( ) et (v n ) sont deux suites telles

Plus en détail

Représentation des nombres entiers et réels. en binaire en mémoire

Représentation des nombres entiers et réels. en binaire en mémoire L3 Mag1 Phys. fond., cours C 15-16 Rep. des nbs. en binaire 25-09-05 23 :06 :02 page 1 1 Nombres entiers 1.1 Représentation binaire Représentation des nombres entiers et réels Tout entier positif n peut

Plus en détail

t 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :

t 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre : Terminale STSS 2 012 2 013 Pourcentages Synthèse 1) Définition : Calculer t % d'un nombre, c'est multiplier ce nombre par t 100. 2) Exemples de calcul : a) Calcul d un pourcentage : Un article coûtant

Plus en détail

Chapitre 3 : INFERENCE

Chapitre 3 : INFERENCE Chapitre 3 : INFERENCE 3.1 L ÉCHANTILLONNAGE 3.1.1 Introduction 3.1.2 L échantillonnage aléatoire 3.1.3 Estimation ponctuelle 3.1.4 Distributions d échantillonnage 3.1.5 Intervalles de probabilité L échantillonnage

Plus en détail

MATHÉMATIQUES ET SCIENCES HUMAINES

MATHÉMATIQUES ET SCIENCES HUMAINES MATHÉMATIQUES ET SCIENCES HUMAINES B. MARCHADIER Dépendance et indépendance de deux aléas numériques images Mathématiques et sciences humaines, tome 25 (1969), p. 2534.

Plus en détail

Méthodes numériques pour le pricing d options

Méthodes numériques pour le pricing d options Méthodes numériques pour le pricing d options Mohamed Ben Alaya 6 février 013 Nous allons tester les différentes méthodes de différence finies vu dans le cours en l appliquant au calcul du call ou le put

Plus en détail

Université Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications

Université Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications Université Paris-Dauphine DUMI2E 1ère année, 2009-2010 Applications 1 Introduction Une fonction f (plus précisément, une fonction réelle d une variable réelle) est une règle qui associe à tout réel x au

Plus en détail

Agrégation externe de mathématiques, session 2013 Épreuve de modélisation, option B : Calcul Scientifique

Agrégation externe de mathématiques, session 2013 Épreuve de modélisation, option B : Calcul Scientifique Agrégation externe de mathématiques, session 2013 Épreuve de modélisation, option (Public2014-B1) Résumé : On présente un exemple de système de deux espèces en compétition dans un environnement périodique.

Plus en détail

BTS Groupement A. Mathématiques Session 2011. Spécialités CIRA, IRIS, Systèmes électroniques, TPIL

BTS Groupement A. Mathématiques Session 2011. Spécialités CIRA, IRIS, Systèmes électroniques, TPIL BTS Groupement A Mathématiques Session 11 Exercice 1 : 1 points Spécialités CIRA, IRIS, Systèmes électroniques, TPIL On considère un circuit composé d une résistance et d un condensateur représenté par

Plus en détail

La Volatilité Locale

La Volatilité Locale La Volatilité Locale Bertrand TAVIN Université Paris 1 - Panthéon Sorbonne 26 mai 2010 Résumé Dans cette courte note nous introduisons le concept de volatilité locale et les modèles de pricing basés sur

Plus en détail

Sensibilité du rendement actuariel au nombre de trimestres rachetés

Sensibilité du rendement actuariel au nombre de trimestres rachetés IV.B.2.c. Sensibilité du rendement actuariel au nombre de trimestres rachetés L étude de sensibilité est réalisée pour les profils cadre et non-cadre n entrainant pas de réversion et n ayant élevé aucun

Plus en détail

Université René Descartes Faculté de Pharmacie - Master Professionnel Dimension Économique des Produits de Santé 14 décembre 2005

Université René Descartes Faculté de Pharmacie - Master Professionnel Dimension Économique des Produits de Santé 14 décembre 2005 Université René Descartes Faculté de Pharmacie - Master Professionnel Dimension Économique des Produits de Santé 14 décembre 2005 Prise en Compte de l Incertitude dans l Évaluation des Technologies de

Plus en détail

Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre

Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables

Plus en détail

Correction de l exercice 2 du cours Gestion de patrimoine : «Analyse d un produit structuré à capital garanti»

Correction de l exercice 2 du cours Gestion de patrimoine : «Analyse d un produit structuré à capital garanti» Correction de l exercice 2 du cours Gestion de patrimoine : «Analyse d un produit structuré à capital garanti» Question 1 : représenter graphiquement le taux de rentabilité du produit à capital garanti

Plus en détail

Le corps R des nombres réels

Le corps R des nombres réels Le corps R des nombres réels. Construction de R à l aide des suites de Cauchy de nombres rationnels On explique brièvement dans ce paragraphe comment construire le corps R des nombres réels à partir du

Plus en détail

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2014 2015 Cours de B. Desgraupes. Simulation Stochastique

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2014 2015 Cours de B. Desgraupes. Simulation Stochastique UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2014 2015 L2 MIASHS Cours de B. Desgraupes Simulation Stochastique Séance 04: Nombres pseudo-aléatoires Table des matières 1

Plus en détail

3- Valorisation d'options

3- Valorisation d'options 3- Valorisation d'options Valorisation des options classiques : options d'achat (call) options de vente (put) Une pierre angulaire de la finance moderne : décisions d'investissement (options réelles) conditions

Plus en détail

Master ISIFAR 2ème année Exercices pour le cours Mathématiques Financières

Master ISIFAR 2ème année Exercices pour le cours Mathématiques Financières Master ISIFAR 2ème année Exercices pour le cours Mathématiques Financières Chapitre 1 Exercice 1. * Calculer le prix à terme d échéance T d une obligation de nominal N, qui verse un coupon C à la date

Plus en détail

Problème de contrôle optimal pour une chaîne de Markov

Problème de contrôle optimal pour une chaîne de Markov Problème de contrôle optimal pour une chaîne de Markov cours ENSTA MA206 Il s agit de résoudre un problème d arrêt optimal pour une chaîne de Markov à temps discret. Soit X n une chaîne de Markov à valeurs

Plus en détail

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème.

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème. Mathématiques - classe de 1ère des séries STI2D et STL. 1. Analyse On dote les élèves d outils mathématiques permettant de traiter des problèmes relevant de la modélisation de phénomènes continus ou discrets.

Plus en détail

Eléments de correction du Bac Blanc n 2 de Mathématiquesdu Lundi 8 Avril2013. Calculatrice autorisée - Aucun document n'est autorisé.

Eléments de correction du Bac Blanc n 2 de Mathématiquesdu Lundi 8 Avril2013. Calculatrice autorisée - Aucun document n'est autorisé. TES Spé Maths Eléments de correction du Bac Blanc n 2 de Mathématiquesdu Lundi 8 Avril2013 Calculatrice autorisée - Aucun document n'est autorisé. Vous apporterez un grand soin à la présentation et à la

Plus en détail

est diagonale si tous ses coefficients en dehors de la diagonale sont nuls.

est diagonale si tous ses coefficients en dehors de la diagonale sont nuls. Diagonalisation des matrices http://www.math-info.univ-paris5.fr/~ycart/mc2/node2.html Sous-sections Matrices diagonales Valeurs propres et vecteurs propres Polynôme caractéristique Exemples Illustration

Plus en détail

Examen Gestion d Actifs

Examen Gestion d Actifs ESILV 2012 D. Herlemont Gestion d actifs Examen Gestion d Actifs 2 pt 1. On considère un portefeuille investi dans n actifs risqués, normalement distribués d espérance en excès du taux sans risque µ =

Plus en détail

M2 IAD UE MODE Notes de cours (3)

M2 IAD UE MODE Notes de cours (3) M2 IAD UE MODE Notes de cours (3) Jean-Yves Jaffray Patrice Perny 16 mars 2006 ATTITUDE PAR RAPPORT AU RISQUE 1 Attitude par rapport au risque Nousn avons pas encore fait d hypothèse sur la structure de

Plus en détail

CHOIX OPTIMAL DU CONSOMMATEUR. A - Propriétés et détermination du choix optimal

CHOIX OPTIMAL DU CONSOMMATEUR. A - Propriétés et détermination du choix optimal III CHOIX OPTIMAL DU CONSOMMATEUR A - Propriétés et détermination du choix optimal La demande du consommateur sur la droite de budget Résolution graphique Règle (d or) pour déterminer la demande quand

Plus en détail

Limites finies en un point

Limites finies en un point 8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,

Plus en détail