Obtention de la formule de Black-Scholes par passage à la limite dans le modèle de Cox-Ross-Rubinstein
|
|
- Diane Beaupré
- il y a 8 ans
- Total affichages :
Transcription
1 Obtention de la formule de Black-Scholes par passage à la limite dans le modèle de Cox-Ross-Rubinstein Introduction Christophe Chorro, Alexandre Marino Ce document constitue, dans sa forme actuelle, un complément à vos notes de cours Il deviendra probablement, dans un futur proche, un polycopié plus élaboré écrit en collaboration avec Alexandre Marino Le but est d introduire le formalisme mathématique de modélisation des marchés financiers en utilisant le langage rigoureux de la théorie des probabilités Pour la partie plus financière introduite en préambule de ce cours, je renvois aux premiers chapitres de [] L objectif est ici d obtenir la célèbre formule de pricing de Black-Scholes ([1]) qui est encore aujourd hui un outil de référence pour les praticiens opérant sur les marchés financiers Deux approches sont possibles à ce stade : 1) Aborder le problème de front en modélisant le cours de l actif risqué à l aide d une équation différentielle stochastique On est alors dans le cadre d un modèle en temps continu Cette approche nécessite cependant un minimum de bagage mathématique concernant la théorie des processus stochastiques Il m a semblé un peu utopique de traiter proprement cette question durant le temps qui m était accordé (7 1h30) Pour les personnes intéressées, le livre de Lamberton et Lapeyre constitue une excellente référence ([4]) ) Étudier la modélisation en temps discret des marchés et effectuer de manière rigoureuse le passage à la limite Cette seconde voie a le mérite de faire appel au minimum d outils mathématiques tout en permettant d introduire les notions fondamentales (condition d autofinancement, arbitrage, marché complet, probabilité risque neutre, etc) La présentation adoptée ici doit beaucoup à l enseignement dispensé par le professeur Touzi dans le cadre de la promotion du DEA MMME de l Université Paris 1 Le partiel : L examen d évaluation qui aura lieu a l issu de cet enseignement aura pour but de tester votre aptitude à effectuer des raisonnements d arbitrage ainsi que la maîtrise des définitions et des modèles abordés en cours Il n y aura donc pas de mauvaises surprises BO COURAGE!!!!!! 1
2 Table des matières 1 Modélisation mathématique d un marché organisé d actifs financiers 3 11 Actif sans risque 3 1 Actifs risqués 4 13 Hypothèses de modélisation 5 14 Discussion des hypothèses 6 15 Problématique : 7 Le modèle binomial 7 1 Modèle binomial 1 période 7 11 Hypothèse H 1 : 8 1 Hypothèse H : 9 Modèle binomial périodes 1 1 Les hypothèses H 1 et H sont vérifiées 13 Pricing et Hedging 13 3 Modèle binomial périodes 15 4 Modèle de Cox-Ross-Rubinstein (CRR) Le modèle 17 4 Rappels et notations de probabilités Convergence en loi des variables aléatoires 0 44 Passage à la limite Bibliographie 7
3 1 Modélisation mathématique d un marché organisé d actifs financiers On se donne une échelle de temps : - C = [0, T ] : Marché en temps continu - D = {0, T,, T } : marché en temps discret à périodes On considère un espace de probabilité (Ω = {configurations macro-économiques}, A, P ) et une famille croissante (F t ) t C ((F t ) t D ) de sous tribus de A représentant la quantité d information disponible sur le marché à la date t Remarque : La condition F t F t lorsque t t est très naturelle Elle signifie simplement que l information disponible sur le marché se dévoile au cours du temps Une telle famille de sous tribus est appelée une filtration Définition 11 Un processus stochastique en temps discret (en temps continu) est une famille de variables aléatoires réelles indexée par D (C) On peut alors définir deux grandes familles de processus stochastiques : Définition 1 Un processus stochastique en temps discret (S t : Ω R) t D est prévisible (adapté) si, t > 0, S t est F t 1 mesurable ( F t mesurable) et si S 0 est F 0 mesurable Pour ce qui est du cas continu, la définition du caractère adapté d un processus est analogue à celle donnée en temps discret Pour le caractère prévisible on considérera dans ce cours qu il est identique au caractère adapté pour les processus en temps continu On définit sur ce marché deux grandes catégories d actifs : 11 Actif sans risque On note r le taux d intérêt (supposé constant) de la banque de France sur la période [0, T ] On note S 0 t : Ω R + la valeur d une unité d actif sans risque En accord avec la définition 1, on suppose que le processus S 0 est prévisible En pratique on considérera toujours que S 0 t = e rt 3
4 1 Actifs risqués Soit d On considère que sur le marché sont présents d actifs risqués : si S i t : Ω R +, i > 1, représente le cours de l actif i à la date t, le processus S i est seulement adapté (on ne peut anticiper l information) On note S R t = (S 1 t,, S d t ) Définition 13 Un portefeuille financier est un processus prévisible Φ t = (Φ 0 t, Φ 1 t,, Φ d t ) R d+1 } {{ } Φ R t où Φ i t représente la quantité d actif i que l on détient à la date t En notant x le capital de départ investit, on a x = Φ 0 0S Φ R 0 S R 0 La valeur à l instant t de ce portefeuille est égale à V x,t = Φ 0 t S 0 t + Φ R t S R t Remarque : Φ 0 t < 0 représente un emprunt à la banque au taux r, Φ i t < 0 représente une vente à découvert Définition 14 (finance) Un portefeuille financier est autofinancé si après avoir investi x à t = 0, on ne réinjecte ou on ne retire aucun capital jusqu à T En revanche on a le droit, sous cette contrainte, de réagencer le portefeuille à sa guise à chaque instant Explications : (temps discret) : En temps discret, on part du capital x = Φ 0 0S Φ R 0 S R 0 Entre 0 et T on peut modifier la composition du portefeuille qui devient (Φ0 T, Φ R T ) On doit avoir la contrainte Φ 0 0S Φ R 0 S R 0 = Φ 0 T S0 0 + Φ R T S0 R En généralisant ce raisonnement, on obtient k 0,, 1, Φ 0 kt S 0 kt + Φ R kt S R kt = Φ 0 (k+1)t S 0 kt + Φ R (k+1)t On montre très facilement (exo) que la relation (1) est valide 4 S R kt (1)
5 k 0,, 1 si et seulement si on a, k 0,, 1, V (k+1)t x, = V x, kt + Φ 0 (k+1)t (S 0 (k+1)t S 0 kt ) + Φ R (k+1)t (S R (k+1)t S R kt ) En temps continu : Entre instants t et t + ε (ε > 0) on doit avoir par analogie avec le cas discret V x,t+ε = V x,t + Φ 0 t+ε(s 0 t+ε S 0 t ) + Φ R t+ε(s R t+ε S R t ) Cette relation est notée (de manière heuristique) : dv x,t = Φ 0 t ds 0 t + Φ R t ds R t La condition ci-dessus peut s exprimer de manière rigoureuse en utilisant la notion d équation différentielle stochastique Remarque : Si on connaît le capital de départ x nécessaire à la constitution d un portefeuille autofinancé, la connaissance de Φ R t implique la connaissance de Φ 0 t (voir (1)) 13 Hypothèses de modélisation H 1 : Absence d opportunités d arbitrage (AOA), une définition mathématique Il n existe pas de portefeuille autofinancé constitué à partir d un capital nul dont la valeur vérifie V 0,T 0 et P (V 0,T > 0) > 0 Exo : Montrer que la condition précédente équivaut à dire qu il n existe pas de portefeuille autofinancé tel que V x,0 = x < 0, V x,t 0 et P (V x,t = 0) > 0 Théorème 11 Considérons deux portefeuilles autofinancés A et B tels que V x,t A = V x,t B Alors, t [0, T ], V x,t A = V x,t B H : Tout actif contingent est réplicable Définition 15 Un actif contingent est une variable aléatoire F T mesurable (par exemple le payoff d un call ou d un put sur un des actifs risqués) Définition 16 On dit qu un actif contingent B est réplicable si il existe un portefeuille autofinancé tel que V x,t = B 5
6 Remarque : L hypothèse H nous assure que l on peut, à l aide d un portefeuille bien choisi, créer grâce au marché la richesse B à T Définition 17 On dit qu un marché est complet ssi H 1 et H sont vérifiées Définition 18 Dans le cadre d un marché complet, on appelle prix à l instant t de l actif contingent B (noté P t (B)) la valeur à l instant t d un portefeuille autofinancé répliquant B En particulier si (Φ t ) est tel que V x,t = B alors le prix de l actif à t = 0 est x Ce prix sera noté P 0 (B) = p(b) Remarque : En vertu du théorème 11, la définition précédente ne présente aucune ambiguïté : la valeur de l actif contingent à l instant t est définie de manière unique Il est fondamentale de comprendre que l idée essentielle de la théorie moderne du pricing est d utiliser le marché pour créer de la valeur Définition 19 Soit B un actif contingent et (Φ 0 t, Φ R t ) le portefeuille de réplication associé, on note t = Φ R t 14 Discussion des hypothèses Dans le cadre d un marché complet, les raisonnements d arbitrage présentés dans cette section (point de vue mathématique) coincident avec ceux effectués dans le préambule de ce cours (point de vue financier) Un excellent exercice est de réécrire les raisonnements d un point de vue formel pour comprendre où interviennent les hypothèses H 1 et H L hypothèse H est intimement liée à la construction de portefeuilles sans risque Considérons un actif contingent B (pour fixer les choses, B peut être un call européen d échéance T ) L hypothèse de réplication nous assure l existence d un portefeuille autofinancé (Φ t ) tel que Ainsi, de même, Φ 0 T S 0 T + Φ R T S R T = B S 0 T = B ΦR T SR T Φ 0 T, S 0 t = P t(b) Φ R t S R t Φ 0 t 6
7 On parle alors de gestion neutre : le problème de la réplication de B se ramène à la construction d un portefeuille financier (contenant une unité d actif contingent B et une certaine quantité d actifs risqués) permettant de reproduire grâce au marché le taux des placements sans risque Ce point de vue est notamment adopté dans [] 15 Problématique : ous allons maintenant proposer une réponse concrète aux trois problèmes financiers fondamentaux suivant : 0) Modéliser le cours des actifs risqués ous allons ainsi présenter plusieurs exemples de modélisation en temps discret 1) Pricing Trouver, dans un modèle donné, le prix d un actif contingent, en particulier, celui d un call européen sur un des actifs risqués ) Hedging (couverture) Comment produire la richesse nécessaire à la livraison de l actif : Connaître la composition exacte du portefeuille autofinancé de réplication d un actif, en particulier, d un call Le modèle binomial 1 Modèle binomial 1 période On considère un exemple très simple (le plus simple) de marché financier On suppose 1) T = 1, = 1, ainsi, D 1 = {0, 1} ) Ω = {w u, w d }, F = P(Ω), P est une probabilité telle que 0 < P (w u ) < 1 3) Un seul actif risqué est disponible avec S 0 0 = 1, S 0 1 = e r S 1 0 = s, S 1 1(w u ) = su, S 1 1(w d ) = sd 7
8 où r, s, u, d sont des réels > 0 fixés tels que u > d 4) On supposera de plus que u > e r > d Remarque : Dans ce cas F 0 = {, Ω} et F 1 = P(Ω), en particulier, un portefeuille financier qui est un processus prévisible est, dans ce cas, déterministe (car mesurable par rapport à la tribu triviale F 0 ) t = 0 t = 1 S 1 1(w u ) = su S 1 0 = s S 1 1(w d ) = sd Dynamique de l actif risqué Ce marché est il complet? 11 Hypothèse H 1 : Proposition 1 AOA u > e r > d Preuve : Raisonnons par l absurde -Si u e r À t = 0, on considère le portefeuille Φ 0 = (s, 1) qui reste constant au cours du temps (et qui est donc, de manière évidente, autofinancé) À t = 1, la valeur de ce portefeuille est se r S1 1 s(e r u) 0 De plus, P (se r S1 1 > 0) P (w d ) > 0 ce qui contredit la condition de non arbitrage On remarque au passage pourquoi la condition ) sur la probabilité P a été imposée - Si e r d 8
9 On raisonne de la même manière À t = 0, Φ 0 = ( s, 11) À t = 1, la valeur de ce portefeuille est se r + S1 1 s(d e r ) 0 De plus, P ( se r + S1 1 > 0) P (w u ) > 0 et Par l absurde Soit (Φ 0 t, Φ 1 t ) t {0,1} un portefeuille autofinancé tel que Par autofinancement et donc 0 = Φ Φ 1 0s Φ 0 1e r + Φ 1 1S et P (Φ 0 1e r + Φ 1 1S 1 1 > 0) > 0 Φ Φ 1 1s = 0 Φ 1 1[ se r + S 1 1] 0 et P (Φ 1 1[ se r + S 1 1] > 0) > 0 Un tel portefeuille ne peut exister car de on tire Φ 1 1 = 0 et donc la condition ne peut être vérifiée 1 Hypothèse H : Φ 1 1[ se r + S 1 1] 0 et u > e r > d P (Φ 1 1[ se r + S 1 1] > 0) > 0 Considérons un actif contingent B défini par ses payements à la date t = 1 : on a B(w u ) = B u et B(w d ) = B d Dans ce cas, un portefeuille autofinancé de réplication (Φ t = (Φ 0 t, Φ 1 t )) t {0,1} formé avec le capital initial P (B) = x a pour valeur à t = 1 V x,1 = Φ 0 1e r + Φ 1 1S 1 1 = (x Φ 1 1s)e r + Φ 1 1S 1 1 car la condition d autofinancement entraîne x = Φ Φ 1 1s On doit donc résoudre le système suivant (les inconnues étant les quantités déterministes (x, Φ 1 1)) : V x,1 (w u ) = B u 9
10 V x,1 (w d ) = B d Il s agit d un système linéaire de deux équations à deux inconnues qui se résout aisément On obtient alors et Φ 1 1 = B u B d su sd (dérivée discrète) x = P (B) = er d u d B u e + u er r u d B d e r Remarque : La condition d autofinancement x = Φ 0 1 +Φ 1 1s, nous fournit aussi la quantité d actif sans risque que doit contenir le portefeuille de réplication : Φ 0 1 = P (B) B u B d su sd En définissant sur Ω la probabilité suivante on peut voir que Q(w u ) = er d u d et Q(w d) = u er u d P (B) = E Q [Be r ] De plus, la condition u > e r > d implique Q(w u ) > 0 et Q(w d ) > 0 Cette observation est un cas particulier d un résultat important bien plus général (Admis, [4], chap1) : Définition 1 Deux probabilités P et Q définies sur l espace mesuré (Ω, A) sont équivalentes ssi A A P (A) = 0 Q(A) = 0 Théorème 1 Lorsque un marché financier est complet, il existe une unique probabilité Q équivalente à P telle que le prix p(b) d un actif contingent B soit égal à l espérance sous Q de sa valeur finale actualisée 10
11 Remarque : Liens avec la finance ( le monde mathématique coincide avec le monde financier ) Bien que naturelle, la définition de P (B) peut paraître arbitraire ous allons montrer par un raisonnement d arbitrage purement financier qu elle est totalement justifiée Considérons que l actif contingent B soit disponible à la vente sur un marché organisé au prix Π(B), on a alors la proposition suivante : Proposition En l AOA, on a forcément Π(B) = P (B) Preuve -Si Π(B) > P (B) - On achète B à t = 0, au prix Π(B) du marché - On achète à t = 0, Φ 1 1 = B u B d su sd unités d actifs risqué au prix Φ1 1s - On achète à t = 0, P (B) + Φ 1 } {{ 1s unités d actif sans risque au prix P (B) + } Φ 0 1 Φ 1 1s Le capital nécessaire pour mettre en place cette stratégie est P (B) Π(B) < 0 A t = 1, la valeur de ce portefeuille est Contradiction (Exo : Faire le cas Π(B) < P (B)) B B = 0 11
12 Modèle binomial périodes On suppose 1) T = 1, =, ainsi, D = {0, 1, 1} ) Ω = {w u, w d }, F = P(Ω), on munit Ω d une probabilité produit de la forme P P où P est une probabilité sur {w u, w d } telle que 0 < P (w u ) < 1 3) Un seul actif risqué est disponible avec S 0 0 = 1, S 0 1 = e r, S 0 1 = e r S0 1 = s, S 1 1 (w u ) = su, S 1 1 (w d ) = sd S1(w 1 u, w u ) = su, S1(w 1 u, w d ) = S1(w 1 d, w u ) = sud, S1(w 1 d, w d ) = sd où r, s, u, d sont des réels > 0 fixés tels que u > d 4) On supposera de plus que Dans ce cas, F 0 = {, Ω}, F 1 u > e r > d = {, Ω, {w u }, {w d }}, F 1 = P(Ω) t = 0 t = 1/ t = 1 S1(w 1 u, w u ) = su S 1 1 (w u ) = su S 1 0 = s S 1 1 (w d ) = sd S 1 1(w u, w d ) = S 1 1(w d, w u ) = sud Dynamique de l actif risqué S1(w 1 d, w d ) = sd 1
13 1 Les hypothèses H 1 et H sont vérifiées Proposition 3 (Exo) On montre par un raisonnement analogue à celui de la preuve de la proposition 1 que l AOA est équivalente à u > e r > d Preuve : Indication : Considérer le portefeuille constant au cours du temps (s, 1) (le portefeuille ( s, 1))) si u e r (si e r d) Proposition 4 L hypothèse H est trivialement vérifiée en effectuant un raisonnement BACKWARD (récurrence arrière) permettant de se ramener au cas de trois marchés financiers complets une période (un tel raisonnement sera mis en place dans le paragraphe suivant) Pricing et Hedging Dans ce contexte, on se propose d étudier la réplication d un actif contingent de la forme B = g(s 1 1) où g est une fonction continue Remarque : otons que dans le cas considéré, B(w u, w d ) = B(w d, w u ) ce qui simplifie un peu les choses t = 0 t = 1/ t = 1 B(w u, w u ) P 1 (B)(w u ) P (B) P 1 (B)(w d ) B(w u, w d ) = B(w d, w u ) B(w d, w d ) Dynamique de l actif contigent 13
14 Pour pricer cet actif, on fait un raisonnement BACKWARD (récurrence arrière) On décompose le problème en trois marchés une période On montre, par analogie avec la section précédente, que [ ] B(wu, ) P 1 (B)(w u ) = E Q (on intégre en la deuxième variable) e r où Q est la probabilité sur {w u, w d } défini par De même, Enfin, Au final, on a Q (w u ) = q = e r d u d [ ] B(wd, ) P 1 (B)(w d ) = E Q e r [ ] P 1 (B) P (B) = E Q e r P (B) = E Q Q [ B e r ] Remarque : On retrouve le résultat du théorème 1 car la probabilité Q Q est équivalente à P P Si B = g(s 1 1) on obtient (comme B est symétrique) P (B) = 1 e r g(su k d k )Ck(q ) k (1 q ) k k=0 On montre aussi que la quantité d actif risqué que doit contenir le portefeuille de réplication à t = 1 vaut Φ 1 1 De la même manière, w {w u, w d }, = P 1 (B)(w u ) P 1 (B)(w d ) us ds Φ 1 1(w) = B(w, w u) B(w, w d ) us 1 1 (w) ds 1 1 (w) 14
15 Remarque : Le portefeuille Φ est autofinancé par construction car P (B) = Φ 1 1 S0 1 + Φ 0 1 et Φ 1 1 S Φ 0 1 e r = P 1 (B) = Φ 1 1S Φ 0 1e r De plus il réplique l actif : Φ 1 1S1 1 + Φ 0 1e r = B 3 Modèle binomial périodes Dans le cas du modèle périodes, nous allons préciser le formalisme mathématique sous-jacent et donner les formules de couverture et de pricing sans démonstrations Le raisonnement utilisé est la généralisation immédiate du cas = t = 0 t = 1/ t = 1 t = 1 t = s u s us uds ds d s u s u 1 ds u d s u i d i s u d s ud 1 s d s Dynamique de l actif risqué On suppose 1) T = 1,, ainsi, D = {0, 1,, 1} ) Ω = {w u, w d }, F = P(Ω), on munit Ω d une probabilité produit de la forme P } {{ P } où P est une probabilité sur {w u, w d } telle que 0 < fois P (w u ) < 1 15
16 3) Le marché comprend un seul actif risqué De plus, S 0 0 = 1, k {1, }, S 0 k = e kr Pour w {w u, w d } k, on note i k (w) = #{i {1,, k} w i = w u }, j k (w) = #{j {1,, k} w j = w d } (i k (w) + j k (w) = k) Alors, 4) On supposera de plus que Dans ce cas, k {0, }, F k S0 1 = s, S 1 k (w) = su ik(w) d jk(w) u > e r > d = P({w u, w d } k ) Ce marché financier vérifie, par analogie avec le cas =, les hypothèses H 1 et H t = k t = k+1 P k+1 (B)(w, w u ) P k (B)(w) P k+1 (B)(w, w d ) Dynamique de l actif contingent De plus, lorsque B = g(s 1 1) avec g continue, on montre que, k {0,, 1}, w {w u, w d } k, P k (B)(w) = 1 e r [q P k+1 où Q est la probabilité sur {w u, w d } telle que (B)(w, w u ) + (1 q )P k+1 (B)(w, w d )] () Q (w u ) = q = e r d u d 16
17 Ainsi, par une récurrence arrière, on en déduit que [ ] g(s 1 P k (B)(w) = E 1 (w, )) (Q ) k e r(1 k ) et donc que k {1,, }, w {w u, w d } k, P k (B)(w) = En particulier, 1 e r(1 k ) P (B) = 1 e r k j=0 j=0 ( ) g S 1 k (w)u j d k j C k j q j (1 q ) k j g ( su j d j) C j q j (1 q ) j (3) Remarque : La formule () nous permet d avoir la méthode la plus efficace de calcul du prix de l actif car elle permet d éviter le calcul numérique des C n k qui pose des problèmes Pour ce qui est du problème de la couverture, on obtient par analogie immédiate avec le cas =, k {1,, }, w {w u, w d } k, Φ 1 k (w) = P (B)(w, w k u ) P k (B)(w, w d ) (u d)s 1 k 1 Il faut bien comprendre que le modèle multi-périodes est en fait une succession de (+1) problèmes locaux 1 période 4 Modèle de Cox-Ross-Rubinstein (CRR) 41 Le modèle Le modèle CRR est un cas particulier du modèle binomial périodes dont les paramètres u et d (qui vont dépendre de ) sont choisis pour permettre le passage à la limite lorsque L intérêt de ce modèle datant de 1979 est qu il approche de manière satisfaisante le célèbre modèle en temps continu proposé par Black et Scholes en ) On se place dans le cas où T = 1, ainsi D = {0, 1,, 1} ) Ω = {w u, w d }, F = P(Ω) et on munit Ω d une probabilité de la forme P P où P est une probabilité sur {w u, w d } telle que 0 < P (w u ) < 1 17
18 3) On définit alors une famille de variables aléatoires (Z 1,, Z ) telles que i {1,, }, avec Z i : w = (w 1,, w ) Ω Z i (w i ) { 1, 1} P (Z i = 1) = p P (Z i = 1) = 1 p avec 1 > p > 0 Dans ce cas les Z i forment un -échantillon On pose F k = σ(z 1, Z k ) Le cours de l actif risqué est alors donné par S 1 0 = s et k {1,, }, S 1 k = se kb +σ kp i=1 Z i Le cours de l actif sans risque vérifie, quant à lui, k {0,, }, S 0 k = e kr Il s agit donc d un cas particulier de modèle binomial avec u = e b +σ et d = e b σ On impose donc la condition d AOA u > e r > d Dans ce cas ce modèle vérifie H 1 et H On s intéresse, dans cette partie, à l évaluation de l actif contingent B = g(s1) 1 = (S1 1 K) + (Payoff d un call européen de strike K sur l actif risqué S 1 ) pour une certaine constante positive K D après la formule (3), on a, en notant P (B) le prix à t = 0 de l actif contingent B dans le modèle CRR périodes, où En notant P (B) = 1 e r j=0 ( g su j d j q = e r d, 1 q = u e u d u d η = inf {j {0,, }/su j d j ) C j q j (1 q ) j (4) r K}, 18
19 P (B) = 1 e r j=η ( ) su j d j K Cj q j (1 q ) j (5) Remarque : La quantité η {0,, }, de plus, j η, su j d j K En effet, on remarque (en passant au log) que la fonction i su i d i est croissante car u > d De plus, on peut toujours supposer su K car sinon l actif contingent B est nul ce qui est peu intéressant L ensemble {j {0,, }/su j d j K} est donc non vide et sa borne inférieure finie 4 Rappels et notations de probabilités Une variable aléatoire X définie sur (Ω, A, P ) et à valeurs dans {0,, n} suit une loi binomiale de paramètres (n, p) si, k {0,, n}, On note alors X B(n, p) P (X = k) = C n k p k (1 p) n k Remarque : Si X suit une loi binomiale de paramètres (n, p), on peut écrire X = n i=1 X i où les X i sont des variables aléatoires indépendantes suivant une loi de Bernoulli de paramètre p, c est à dire, P (X i = 1) = p et P (X i = 0) = 1 p On notera de plus D après la formule (5), B(n, p, η) = P (X η) et donc P (B) = 1 e r j=η ( ) su j d j K Cj q j (1 q ) j P (B) = s j=η C j ( u q ) ( ) j j (1 q )d K e r e r e r 19 j=η C j q j (1 q ) j
20 En remarquant que on obtient u q e r + (1 q )d e r = 1, P (B) = sb(, u q e r, η ) K e r B(, q, η ) (6) 43 Rappels concernant la convergence en loi des variables aléatoires Pour la démonstration des résultats présentés ici nous renvoyons à [3] Convergence en loi des variables aléatoires Définition Une suite (X n ) n de variables aléatoires définie sur (Ω, A, P ) et à valeurs dans R converge en loi vers une variable aléatoire X réelle définie sur (Ω, A, P ) ssi pour toute fonction continue bornée f : R R On notera alors E P [f(x n )] n E P [f(x)] X n L n X Critères de convergence ous donnons maintenant deux critères permettant de démontrer la convergence en loi d une suite de variables aléatoires Définition 3 Si Y est une variable aléatoire définie sur (Ω, A, P ) à valeurs dans R on notera F Y : R [0, 1] (resp Φ Y : R R) sa fonction de répartition (resp sa fonction caractéristique) qui est définie, t R, par F Y (t) = P (Y t) (resp Φ Y (t) = E P [ e ity ] ) Proposition 5 On a X n vérifiée : L n X ssi une des deux assertions suivantes est a) F Xn (t) n F X (t) pour tout point t où F X est continue b) t R, Φ Xn (t) n Φ X (t) Le corollaire suivant est une conséquence immédiate du théorème de Dini 0
21 Corollaire 1 Si X L n X et si t n t dans R, alors, n n Corollaire Si X n 1) F Xn (t n ) n F X (t) L n X avec F X continue, alors, ) Si t n n t, P (X n t) n P (X t) P (X n t n ) n P (X t) La loi normale (m, σ ) Définition 4 Une variable aléatoire X suit une loi normale de moyenne m et de variance σ (on note alors X (m, σ )) si 1 t F X (t) = e (x m) σ πσ On peut montrer de plus que Théorème de la limite centrale Φ X (t) = e itm e σ t La loi normale (appelée aussi loi de Gauss) est fondamentale en théorie des probabilités car elle apparaît comme limite dans le résultat de convergence en loi suivant : Théorème Soit (X n ) n une suite de variables aléatoires iid de moyenne m et de variance finie notée σ, alors, n X i nm nσ i=1 L (0, 1) n Preuve : On note Y i = X i m σ 1
22 Ainsi, n X i nm nσ i=1 Φ 1 n np (t) = Y i i=1 = 1 n où les Y i sont iid de moyenne nulle et de variance 1 En utilisant l indépendance et l équi-distribution, on a [ ( )] n t Φ Y1 n Comme Y 1 est de carré intégrable, le théorème de dérivation sous le signe somme de Lebesgue nous assure que Φ Y1 est deux fois dérivable avec et n i=1 Φ Y 1 (0) = ie[y 1 ] = 0 Y i Φ Y 1 (0) = E[Y 1 ] = 1 En appliquant la formule de Taylor Young au voisinage de 0, on obtient ( ) t Φ Y1 = 1 t n n + o( t n ) Un simple calcul de limite nous assure alors Φ 1 n np (t) Y i i=1 e t n = Φ (0,1) (t) On a donc le résultat en utilisant la proposition 5 ous avons à présent le matériel nécessaire pour effectuer le passage à la limite dans le modèle CRR 44 Passage à la limite ous allons supposer dans ce paragraphe que b = b et σ = σ, b et σ étant deux paramètres strictement positifs appelés le drift (la tendance, la dérive) et la volatilité Remarque : Les résultats que nous allons démontrer ici sont valables lorsque les suites (b ) et (σ ) vérifient
23 b b et σ σ En utilisant la relation (6), on a démontré que P (B) = sb(, u q, η ) K e B(, q, η r ) e r ous allons étudier le comportement asymptotique du terme B(, q, η ), la méthode étant identique (le faire en exercice) pour le terme B(, u q, η ) e r Ainsi, si on note,, (X1,, X ) un -échantillon d une loi de Bernoulli de paramètre q, ( ) B(, q, η ) = P Xi η i=1 Comme E[X 1 ] = q et var[x 1 ] = q (1 q ) on a Xi q P i=1 q (1 q ) η q q (1 q ) où en vertu du théorème n Xi i=1 q q (1 q ) ous aurons besoin du lemme technique suivant : Lemme 1 En notant d 1 = log( s σ ) + (r + K σ η q q (1 q ) Preuve du lemme : Comme L (0, 1) (7) ) d 1 + σ, η = inf {j {0,, }/su j d j K}, 3
24 nous avons et avec su η d η K (8) su η 1 d η +1 < K (9) u = e b + σ et d = e b σ On déduit aisément en passant au logarithme dans l inégalité (8) que η + ( log( K s ) b ) σ De la même manière on déduit de l inégalité (9) que η < + ( log( K s ) b ) + 1, σ ainsi, η = + ( log( K s ) b ) + o( ) σ De plus, comme q = e r d u d on obtient par développement limité que q = r b + σ σ + o( 1 ) σ + o( 1 ) et donc De ce fait, q = 1 ( ) r b σ η q = ( log( K σ ) (r + s σ + 1 σ 4 + o( 1 ) ) ) + σ + o( ) Comme q (1 q ) = 1 + o( 1 ), 4
25 η q q (1 q ) log( K s σ ) (r + ) + σ = d 1 + σ σ En utilisant (7), le lemme 1 et le corollaire, on obtient B(, q, η ) 1 F ( d 1 + σ) = F (d 1 σ) où F est la fonction de répartition d une (0, 1) De la même manière, on montre que B(, u q e r, η ) F (d 1 ) ous obtenons alors la proposition suivante : Proposition 6 Dans le modèle CRR à périodes, le prix du call européen P (B), à l instant t = 0, converge vers la limite P (B) = sf (d 1 ) Ke r F (d 1 σ) (10) où d 1 = log( s σ ) + (r + K σ ) Remarque : La formule (10) est connue sous le nom de formule de Black- Scholes ([], p????) Il est bon de voir quelle ne dépend ni de la probabilité a priori P ni du drift b Elle nécessite uniquement la connaissance du paramètre de volatilité σ otons également que l utilisation de la parité call-put (valable en AOA) nous fournit sans calculs le prix d un put de strike K sur l actif S 1 En notant Φ 1, 0 la quantité d actif risqué que doit contenir le portefeuille de réplication d un call européen dans le modèle CRR périodes, on obtient le résultat suivant dont la preuve est laissée en exercice Il coincide également avec le résultat que l on obtient en utilisant le modèle en temps continu de Black-Scholes Proposition 7 Φ 1, 0 F (d 1 ) = P (B) s 5
26 Remarque : Les résultats obtenus précédemment sont très naturels et soulignent l intérêt du modèle CRR comme approximation du modèle en temps continu de Black-Scholes En effet, les calculs dans CRR peuvent s effectuer de manière purement algorithmique à l aide d une simple routine programmée sur ordinateur (formule ()) 6
27 Références [1] F Black and M Scoles, The pricing of options and corporate liabilities, Journal of Political Economy, 81 (1973), [] J C Hull, Options, Futures, and Other Derivatives, Sixth Edition, Prentice Hall, 004 [3] J Jacod and P Protter, Probability essentials, Springer, 00 [4] D Lamberton and B Lapeyre, Introduction to stochastic calculus applied to finance, Translated from the 1991 French original by icolas Rabeau and Francois Mantion, Chapman & Hall, London,
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 détailProbabilités 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 détailI. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.
I. Introduction. 1. Objectifs. Le but de ces quelques séances est d introduire les outils mathématiques, plus précisément ceux de nature probabiliste, qui interviennent dans les modèles financiers ; nous
Plus en détailLes mathématiques de la finance Université d été de Sourdun Olivier Bardou olivier.bardou@gdfsuez.com 28 août 2012 De quoi allons nous parler? des principales hypothèses de modélisation des marchés, des
Plus en détailTP1 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 détailPrix et couverture d une option d achat
Chapitre 1 Prix et couverture d une option d achat Dans cette première leçon, on explique comment on peut calculer le prix d un contrat d option en évaluant celui d un portefeuille de couverture de cette
Plus en détailTRAVAIL D ETUDE ET DE RECHERCHE. Utilisation des arbres binomiaux pour le pricing des options américaines
Ensimag - 2éme année Mai 2010 TRAVAIL D ETUDE ET DE RECHERCHE Utilisation des arbres binomiaux pour le pricing des options américaines Anne-Victoire AURIAULT 1/48 2/48 Cadre de l Étude Cette étude a été
Plus en détailMATHS 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 détailValorisation 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 détailThéorie 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 détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailPropriétés des options sur actions
Propriétés des options sur actions Bornes supérieure et inférieure du premium / Parité call put 1 / 1 Taux d intérêt, capitalisation, actualisation Taux d intéret composés Du point de vue de l investisseur,
Plus en détailIntroduction à la théorie des options financières
Introduction à la théorie des options financières Christophe Chorro (christophe.chorro@gmail.com) ESC REIMS Le 16 Janvier 2008 hristophe Chorro (christophe.chorro@gmail.com) (ESC REIMS) Théorie des options
Plus en détailLoi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
Plus en détailIntégration et probabilités TD1 Espaces mesurés Corrigé
Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailMARTINGALES POUR LA FINANCE
MARTINGALES POUR LA FINANCE une introduction aux mathématiques financières Christophe Giraud Cours et Exercices corrigés. Table des matières I Le Cours 7 0 Introduction 8 0.1 Les produits dérivés...............................
Plus en détailPRIME D UNE OPTION D ACHAT OU DE VENTE
Université Paris VII - Agrégation de Mathématiques François Delarue) PRIME D UNE OPTION D ACHAT OU DE VENTE Ce texte vise à modéliser de façon simple l évolution d un actif financier à risque, et à introduire,
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en détailContinuité en un point
DOCUMENT 4 Continuité en un point En général, D f désigne l ensemble de définition de la fonction f et on supposera toujours que cet ensemble est inclus dans R. Toutes les fonctions considérées sont à
Plus en détailDéveloppement décimal d un réel
4 Développement décimal d un réel On rappelle que le corps R des nombres réels est archimédien, ce qui permet d y définir la fonction partie entière. En utilisant cette partie entière on verra dans ce
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailLimites 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 détailTexte 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 détailThéorème 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 détailChapitre 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 détailDe même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que
Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailHedging 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 détailCalcul Stochastique pour la finance. Romuald ELIE
Calcul Stochastique pour la finance Romuald ELIE 2 Nota : Ces notes de cours sont librement inspirées de différentes manuels, polycopiés, notes de cours ou ouvrages. Citons en particulier ceux de Francis
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Plus en détailMaster 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 détailListe des notes techniques... xxi Liste des encadrés... xxiii Préface à l édition internationale... xxv Préface à l édition francophone...
Liste des notes techniques.................... xxi Liste des encadrés....................... xxiii Préface à l édition internationale.................. xxv Préface à l édition francophone..................
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailIntégration et probabilités TD1 Espaces mesurés
Intégration et probabilités TD1 Espaces mesurés 2012-2013 1 Petites questions 1) Est-ce que l ensemble des ouverts de R est une tribu? 2) Si F et G sont deux tribus, est-ce que F G est toujours une tribu?
Plus en détailDIPLOME D'ETUDES APPROFONDIES EN ECONOMIE ET FINANCE THEORIE DES MARCHES FINANCIERS. Semestre d hiver 2001-2002
Département d économie politique DIPLOME D'ETUDES APPROFONDIES EN ECONOMIE ET FINANCE THEORIE DES MARCHES FINANCIERS Semestre d hiver 2001-2002 Professeurs Marc Chesney et François Quittard-Pinon Séance
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailSuites numériques 3. 1 Convergence et limite d une suite
Suites numériques 3 1 Convergence et limite d une suite Nous savons que les termes de certaines suites s approchent de plus en plus d une certaine valeur quand n augmente : par exemple, les nombres u n
Plus en détailIntroduction à la finance quantitative présenté par N. Champagnat IECL et INRIA
Introduction à la finance quantitative présenté par N. Champagnat IECL et INRIA Contents 1 Introduction aux marchés financiers 2 1.1 Rôle des marchés financiers......................... 2 1.2 Les différents
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailLISTE D EXERCICES 2 (à la maison)
Université de Lorraine Faculté des Sciences et Technologies MASTER 2 IMOI, parcours AD et MF Année 2013/2014 Ecole des Mines de Nancy LISTE D EXERCICES 2 (à la maison) 2.1 Un particulier place 500 euros
Plus en détail4. Martingales à temps discret
Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les
Plus en détailOptions exotiques. April 18, 2000
Options exotiques Nicole El Karoui, Monique Jeanblanc April 18, 2000 1 Introduction Les options exotiques sont des produits complexes, qui constituent un marché d une réelle importance depuis les années
Plus en détailLEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.
LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,
Plus en détailFinance, Navier-Stokes, et la calibration
Finance, Navier-Stokes, et la calibration non linéarités en finance 1 1 www.crimere.com/blog Avril 2013 Lignes directrices Non-linéarités en Finance 1 Non-linéarités en Finance Les équations de Fokker-Planck
Plus en détailRésumé des communications des Intervenants
Enseignements de la 1ere semaine (du 01 au 07 décembre 2014) I. Titre du cours : Introduction au calcul stochastique pour la finance Intervenante : Prof. M hamed EDDAHBI Dans le calcul différentiel dit
Plus en détailEstimation: intervalle de fluctuation et de confiance. Mars 2012. IREM: groupe Proba-Stat. Fluctuation. Confiance. dans les programmes comparaison
Estimation: intervalle de fluctuation et de confiance Mars 2012 IREM: groupe Proba-Stat Estimation Term.1 Intervalle de fluctuation connu : probabilité p, taille de l échantillon n but : estimer une fréquence
Plus en détailExercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
Plus en détailLa fonction exponentielle
DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction
Plus en détailOptions et Volatilité (introduction)
SECONDE PARTIE Options et Volatilité (introduction) Avril 2013 Licence Paris Dauphine 2013 SECONDE PARTIE Philippe GIORDAN Head of Investment Consulting +377 92 16 55 65 philippe.giordan@kblmonaco.com
Plus en détailContinuité d une fonction de plusieurs variables
Chapitre 2 Continuité d une fonction de plusieurs variables Maintenant qu on a défini la notion de limite pour des suites dans R n, la notion de continuité s étend sans problème à des fonctions de plusieurs
Plus en détailERRATA ET AJOUTS. ( t) 2 s2 dt (4.7) Chapitre 2, p. 64, l équation se lit comme suit : Taux effectif = 1+
ERRATA ET AJOUTS Chapitre, p. 64, l équation se lit comme suit : 008, Taux effectif = 1+ 0 0816 =, Chapitre 3, p. 84, l équation se lit comme suit : 0, 075 1 000 C = = 37, 50$ Chapitre 4, p. 108, note
Plus en détailLa tarification d options
La tarification d options Proposition pour une approche déterministe Pierre Bernhard 1 Stéphane Thiery 2 Marc Deschamps 3 Nous proposons ici une théorie de la tarification d options sur la base d un modèle
Plus en détailLes indices à surplus constant
Les indices à surplus constant Une tentative de généralisation des indices à utilité constante On cherche ici en s inspirant des indices à utilité constante à définir un indice de prix de référence adapté
Plus en détailDualité dans les espaces de Lebesgue et mesures de Radon finies
Chapitre 6 Dualité dans les espaces de Lebesgue et mesures de Radon finies Nous allons maintenant revenir sur les espaces L p du Chapitre 4, à la lumière de certains résultats du Chapitre 5. Sauf mention
Plus en détailLa mesure de Lebesgue sur la droite réelle
Chapitre 1 La mesure de Lebesgue sur la droite réelle 1.1 Ensemble mesurable au sens de Lebesgue 1.1.1 Mesure extérieure Définition 1.1.1. Un intervalle est une partie convexe de R. L ensemble vide et
Plus en détailSur certaines séries entières particulières
ACTA ARITHMETICA XCII. 2) Sur certaines séries entières particulières par Hubert Delange Orsay). Introduction. Dans un exposé à la Conférence Internationale de Théorie des Nombres organisée à Zakopane
Plus en détailwww.h-k.fr/publications/objectif-agregation
«Sur C, tout est connexe!» www.h-k.fr/publications/objectif-agregation L idée de cette note est de montrer que, contrairement à ce qui se passe sur R, «sur C, tout est connexe». Cet abus de langage se
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailde calibration Master 2: Calibration de modèles: présentation et simulation d
Master 2: Calibration de modèles: présentation et simulation de quelques problèmes de calibration Plan de la présentation 1. Présentation de quelques modèles à calibrer 1a. Reconstruction d une courbe
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailDérivées d ordres supérieurs. Application à l étude d extrema.
Chapitre 5 Dérivées d ordres supérieurs. Application à l étude d extrema. On s intéresse dans ce chapitre aux dérivées d ordre ou plus d une fonction de plusieurs variables. Comme pour une fonction d une
Plus en détailRésolution de systèmes linéaires par des méthodes directes
Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.
Plus en détailM2 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 détailOptions, Futures, Parité call put
Département de Mathématiques TD Finance / Mathématiques Financières Options, Futures, Parité call put Exercice 1 Quelle est la différence entre (a) prendre une position longue sur un forward avec un prix
Plus en détailRelation d ordre. Manipulation des relations d ordre. Lycée Pierre de Fermat 2012/2013 Feuille d exercices
Lycée Pierre de Fermat 2012/2013 MPSI 1 Feuille d exercices Manipulation des relations d ordre. Relation d ordre Exercice 1. Soit E un ensemble fixé contenant au moins deux éléments. On considère la relation
Plus en détailChaînes de Markov au lycée
Journées APMEP Metz Atelier P1-32 du dimanche 28 octobre 2012 Louis-Marie BONNEVAL Chaînes de Markov au lycée Andreï Markov (1856-1922) , série S Problème 1 Bonus et malus en assurance automobile Un contrat
Plus en détailGroupe symétrique. Chapitre II. 1 Définitions et généralités
Chapitre II Groupe symétrique 1 Définitions et généralités Définition. Soient n et X l ensemble 1,..., n. On appelle permutation de X toute application bijective f : X X. On note S n l ensemble des permutations
Plus en détailChapitre VI - Méthodes de factorisation
Université Pierre et Marie Curie Cours de cryptographie MM067-2012/13 Alain Kraus Chapitre VI - Méthodes de factorisation Le problème de la factorisation des grands entiers est a priori très difficile.
Plus en détailQUESTIONS D ENTRETIENS EN FINANCE DE MARCHE
QUESTIONS D ENTRETIENS EN FINANCE DE MARCHE Le présent document est un recueil de questions, la plupart techniques, posées à des candidats généralement jeunes diplômés, issus d école d ingénieurs, de commerce
Plus en détailMaster Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2.
Master Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2. Techniques de correction pour les options barrières 25 janvier 2007 Exercice à rendre individuellement lors
Plus en détailCouples 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 détailMathématiques pour la finance Définition, Evaluation et Couverture des Options vanilles Version 2012
Mathématiques pour la finance Définition, Evaluation et Couverture des Options vanilles Version 2012 Pierre Andreoletti pierre.andreoletti@univ-orleans.fr Bureau E15 1 / 20 Objectifs du cours Définition
Plus en détailEspérance conditionnelle
Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle
Plus en détailn N = u N u N+1 1 u pour u 1. f ( uv 1) v N+1 v N v 1 1 2 t
3.La méthode de Dirichlet 99 11 Le théorème de Dirichlet 3.La méthode de Dirichlet Lorsque Dirichlet, au début des années 180, découvre les travaux de Fourier, il cherche à les justifier par des méthodes
Plus en détailLe produit semi-direct
Le produit semi-direct Préparation à l agrégation de mathématiques Université de Nice - Sophia Antipolis Antoine Ducros Octobre 2007 Ce texte est consacré, comme son titre l indique, au produit semi-direct.
Plus en détailFibonacci et les paquerettes
Fibonacci et les paquerettes JOLY Romain & RIVOAL Tanguy Introduction Quand on entend dire que l on peut trouver le nombre d or et la suite de Fibonacci dans les fleurs et les pommes de pin, on est au
Plus en détailModèles et Méthodes de Réservation
Modèles et Méthodes de Réservation Petit Cours donné à l Université de Strasbourg en Mai 2003 par Klaus D Schmidt Lehrstuhl für Versicherungsmathematik Technische Universität Dresden D 01062 Dresden E
Plus en détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
Plus en détailSéminaire TEST. 1 Présentation du sujet. October 18th, 2013
Séminaire ES Andrés SÁNCHEZ PÉREZ October 8th, 03 Présentation du sujet Le problème de régression non-paramétrique se pose de la façon suivante : Supposons que l on dispose de n couples indépendantes de
Plus en détailÉquation de Langevin avec petites perturbations browniennes ou
Équation de Langevin avec petites perturbations browniennes ou alpha-stables Richard Eon sous la direction de Mihai Gradinaru Institut de Recherche Mathématique de Rennes Journées de probabilités 215,
Plus en détailProgrammation linéaire et Optimisation. Didier Smets
Programmation linéaire et Optimisation Didier Smets Chapitre 1 Un problème d optimisation linéaire en dimension 2 On considère le cas d un fabricant d automobiles qui propose deux modèles à la vente, des
Plus en détailChapitre 3. Quelques fonctions usuelles. 1 Fonctions logarithme et exponentielle. 1.1 La fonction logarithme
Chapitre 3 Quelques fonctions usuelles 1 Fonctions logarithme et eponentielle 1.1 La fonction logarithme Définition 1.1 La fonction 7! 1/ est continue sur ]0, +1[. Elle admet donc des primitives sur cet
Plus en détailThéorie de la Mesure et Intégration
Université Pierre & Marie Curie (Paris 6) Licence de Mathématiques L3 UE LM364 Intégration 1 & UE LM365 Intégration 2 Année 2010 11 Théorie de la Mesure et Intégration Responsable des cours : Amaury LAMBERT
Plus en détailCorrection de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
Plus en détailIntroduction au pricing d option en finance
Introduction au pricing d option en finance Olivier Pironneau Cours d informatique Scientifique 1 Modélisation du prix d un actif financier Les actions, obligations et autres produits financiers cotés
Plus en détailDérivés Financiers Options
Stratégies à base d options Dérivés Financiers Options 1) Supposons que vous vendiez un put avec un prix d exercice de 40 et une date d expiration dans 3 mois. Le prix actuel de l action est 41 et le contrat
Plus en détailProcessus aléatoires avec application en finance
Genève, le 16 juin 2007. Processus aléatoires avec application en finance La durée de l examen est de deux heures. N oubliez pas d indiquer votre nom et prénom sur chaque feuille. Toute documentation et
Plus en détailLe théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche
Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines
Plus en détailCalcul différentiel. Chapitre 1. 1.1 Différentiabilité
Chapitre 1 Calcul différentiel L idée du calcul différentiel est d approcher au voisinage d un point une fonction f par une fonction plus simple (ou d approcher localement le graphe de f par un espace
Plus en détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Plus en détailBien lire l énoncé 2 fois avant de continuer - Méthodes et/ou Explications Réponses. Antécédents d un nombre par une fonction
Antécédents d un nombre par une fonction 1) Par lecture graphique Méthode / Explications : Pour déterminer le ou les antécédents d un nombre a donné, on trace la droite (d) d équation. On lit les abscisses
Plus en détailPetite introduction aux mathématiques des dérivés financiers (notes de cours, version provisoire)
Petite introduction aux mathématiques des dérivés financiers notes de cours, version provisoire Michel Miniconi Département de Mathématiques Laboratoire Jean-Alexandre Dieudonné Université de Nice Sophia-Antipolis
Plus en détailProcessus Stochastiques
Processus Stochastiques Olivier Scaillet University of Geneva and Swiss Finance Institute Outline 1 Introduction 2 Chaînes de Markov 3 Application en assurance 4 Application en nance Processus Stochastique
Plus en détailPROBABILITÉS: COURS DE LICENCE DE MATHÉMATIQUES APPLIQUÉES LM 390
PROBABILITÉS: COURS DE LICENCE DE MATHÉMATIQUES APPLIQUÉES LM 390 Université PARIS 6 2008/2009 Jean BERTOIN 1 Table des Matières ( ) ces parties peuvent ^etre omises en première lecture, et ne feront pas
Plus en détailExercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.
14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,
Plus en détailINTRODUCTION INTRODUCTION
INTRODUCTION INTRODUCTION Les options sont des actifs financiers conditionnels qui donnent le droit mais pas l'obligation d'effectuer des transactions sur des actifs supports. Leur intérêt réside dans
Plus en détailLogique. Plan du chapitre
Logique Ce chapitre est assez abstrait en première lecture, mais est (avec le chapitre suivant «Ensembles») probablement le plus important de l année car il est à la base de tous les raisonnements usuels
Plus en détailQu est-ce-qu un Warrant?
Qu est-ce-qu un Warrant? L epargne est investi dans une multitude d instruments financiers Comptes d epargne Titres Conditionnel= le detenteur à un droit Inconditionnel= le detenteur a une obligation Obligations
Plus en détail