Obtention de la formule de Black-Scholes par passage à la limite dans le modèle de Cox-Ross-Rubinstein

Dimension: px
Commencer à balayer dès la page:

Download "Obtention de la formule de Black-Scholes par passage à la limite dans le modèle de Cox-Ross-Rubinstein"

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,

Master Modélisation Statistique M2 Finance - chapitre 3 Modèles financiers discrets

Master Modélisation Statistique M2 Finance - chapitre 3 Modèles financiers discrets Master Modélisation Statistique M2 Finance - chapitre 3 Modèles financiers discrets Clément Dombry, Laboratoire de Mathématiques de Besançon, Université de Franche-Comté. C.Dombry (Université de Franche-Comté)

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

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

Utilisation des arbres binomiaux pour le pricing des options américaines

Utilisation des arbres binomiaux pour le pricing des options américaines Utilisation des arbres binomiaux pour le pricing des options américaines Anne-Victoire Auriault Plan de la présentation Introduction. Le problème des options 2. Le modèle de Cox-Ross-Rubinstein 3. Les

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

Introduction aux modèles financiers

Introduction aux modèles financiers Notes pour le module spécifique Introduction aux modèles financiers Ecole Centrale de Lyon Option Mathématiques 1 2 Introduction Quelques références Pour comprendre les marchés financiers, avoir un apreçu

Plus en détail

Le Modèle de taux de Ho-Lee - Pricing d obligation

Le Modèle de taux de Ho-Lee - Pricing d obligation Le Modèle de taux de Ho-Lee - Pricing d obligation Le modèle de Thomas S. Y. Ho et Sang-bin Lee [1] est un modèle simple de fluctuation de taux d intérêts. Il est utilisé sous l hypothèse d absence d opportunité

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

Mathématiques financières

Mathématiques financières Mathématiques financières Arnaud Triay Table des matières 1 Introduction Position du problème.1 Pricing des options........................................... Formalisme..............................................

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

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

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

I. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.

I. 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 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

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

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

Mathématiques Financières

Mathématiques Financières Mathématiques Financières 3 ème partie Marchés financiers en temps discret & instruments financiers dérivés Université de Picardie Jules Verne Amiens Par Jean-Paul FELIX Cours du vendredi 19 février 2010-1

Plus en détail

Master Modélisation Statistique M2 Finance - chapitre 0. Introduction au cours de finance

Master Modélisation Statistique M2 Finance - chapitre 0. Introduction au cours de finance Master Modélisation Statistique M2 Finance - chapitre 0 Introduction au cours de finance Clément Dombry, Laboratoire de Mathématiques de Besançon, Université de Franche-Comté. C.Dombry (Université de Franche-Comté)

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

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

Propriétés des options sur actions

Propriétés 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 détail

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

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

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

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

Les mathématiques appliquées de la finance

Les mathématiques appliquées de la finance Les mathématiques appliquées de la finance Utiliser le hasard pour annuler le risque Emmanuel Temam Université Paris 7 19 mars 2007 Emmanuel Temam (Université Paris 7) Les mathématiques appliquées de la

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

5. Options américaines Une option américaine peut être exercée à n importe quelle instant compris entre

5. Options américaines Une option américaine peut être exercée à n importe quelle instant compris entre 5. Options américaines Une option américaine peut être exercée à n importe quelle instant compris entre 0 et l échéance N. Définition 5.1. Une option américaine est définie par une suite (h n ) n=0..n,

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

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

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

Les 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 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

Chapitre 9 Le modèle Cox-Ross-Rubinstein

Chapitre 9 Le modèle Cox-Ross-Rubinstein Chapitre 9 Le modèle Cox-Ross-Rubinstein Considérons un actif valant S 0 à la période initiale et qui, à chaque période, peut être haussier (et avoir un rendement u) avec une probabilité p ou baissier

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

Portefeuille - Probabilité risque neutre

Portefeuille - Probabilité risque neutre Portefeuille - Probabilité risque neutre Marché complet sans opportunité d arbitrage ½/ Actifs risqué et non risqué Constitution du portefeuille On notera F n l information dont on dispose à l instant

Plus en détail

Prix et couverture d une option d achat

Prix 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 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

Modèles structurels. Chapitre 4. 4.1 Modèle de Merton

Modèles structurels. Chapitre 4. 4.1 Modèle de Merton Chapitre 4 Modèles structurels 4.1 Modèle de Merton L idée principale de modèles structurels est basée sur l article fondateur de Merton [?], où un défaut est provoqué quand une entreprise n arrive pas

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

Finance des matières premières (2) Les options, marchés complets, AOA

Finance des matières premières (2) Les options, marchés complets, AOA Finance des matières premières (2) Les options, marchés complets, AOA Joël Priolon - 12 mars 2014 Définition générale Une option est un contrat financier qui lie : l émetteur de l option et le détenteur

Plus en détail

Évaluation des options américaines par méthodes de Monte-Carlo. Jacky Mochel

Évaluation des options américaines par méthodes de Monte-Carlo. Jacky Mochel Évaluation des options américaines par méthodes de Monte-Carlo Jacky Mochel 3 décembre 2002 1 2 TABLE DES MATIÈRES Table des matières 1 Introduction 3 1.1 Définitions et notations..............................

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

Incertain, Marché financier, M1 - Arnold Chassagnon, Université de Tours, PSE - Automne 2015

Incertain, Marché financier, M1 - Arnold Chassagnon, Université de Tours, PSE - Automne 2015 Incertain, Marché financier, - M1 - Arnold Chassagnon, Université de Tours, PSE - Automne 2015 Plan du cours 1. Incertain, actifs financiers et marché financier 2. Les conditions d un marché sans arbitrage

Plus en détail

Image d un intervalle par une fonction continue

Image 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 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

StatEnAction 2009/10/30 11:26 page 111 #127 CHAPITRE 10. Machines à sous

StatEnAction 2009/10/30 11:26 page 111 #127 CHAPITRE 10. Machines à sous StatEnAction 2009/0/30 :26 page #27 CHAPITRE 0 Machines à sous Résumé. On étudie un problème lié aux jeux de hasard. Il concerne les machines à sous et est appelé problème de prédiction de bandits à deux

Plus en détail

CONCOURS 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) 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 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

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

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

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

Calcul stochastique appliqué à la finance. Romuald ELIE & Idris KHARROUBI

Calcul stochastique appliqué à la finance. Romuald ELIE & Idris KHARROUBI Calcul stochastique appliqué à la finance Romuald ELIE & Idris KHARROUBI . Table des matières 1 Notion d arbitrage 5 1.1 Hypothèses sur le marché............................ 5 1.2 Arbitrage....................................

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

Filtrage stochastique non linéaire par la théorie de représentation des martingales

Filtrage 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 détail

Calcul Stochastique et Applications Financières

Calcul Stochastique et Applications Financières 0 Calcul Stochastique et Applications Financières Aurélia Istratii Luis Macavilca Taylan Kunal M I.E.F. SOMMAIRE I. MODELE DE COX-ROSS-RUBINSTEIN II. III. INTRODUCTION AUX METHODES DE MONTE CARLO EQUATION

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

Loi binomiale Lois normales

Loi 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 détail

COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR

COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR Université Paris VII. Préparation à l Agrégation. (François Delarue) COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR Ce texte vise à l étude du temps d attente d un client à la caisse d un

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

Formules d inclusion-exclusion

Formules d inclusion-exclusion Université de Rouen L1 M.I.EEA 2011 2012 Mathématiques discrètes Formules d inclusion-exclusion Je présente ici une correction détaillée de l Exercice 5 de la Feuille d exercices 1, en reprenant le problème

Plus en détail

Cours Produits dérivés M1 IM Université Nice Sophia-Antipolis. François Delarue

Cours Produits dérivés M1 IM Université Nice Sophia-Antipolis. François Delarue Cours Produits dérivés M1 IM Université Nice Sophia-Antipolis François Delarue CHAPITRE 1 Actifs et exemples de dérivés Dans ce chapitre, nous discutons de la notion d actif financier et d actif dérivé

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

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

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

TRAVAIL D ETUDE ET DE RECHERCHE. Utilisation des arbres binomiaux pour le pricing des options américaines

TRAVAIL 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 détail

Points fixes de fonctions à domaine fini

Points fixes de fonctions à domaine fini ÉCOLE POLYTECHNIQUE ÉCOLE NORMALE SUPÉRIEURE DE CACHAN ÉCOLE SUPÉRIEURE DE PHYSIQUE ET DE CHIMIE INDUSTRIELLES CONCOURS D ADMISSION 2013 FILIÈRE MP HORS SPÉCIALITÉ INFO FILIÈRE PC COMPOSITION D INFORMATIQUE

Plus en détail

Tutorat 3 de Mathématiques (2ème année)

Tutorat 3 de Mathématiques (2ème année) Tutorat 3 de Mathématiques (2ème année) Marches aléatoires et marchés financiers Groupe 4 tuteur : J. Bouttier 8 février 2010 Résumé Depuis la thèse de Bachelier, les marchés nanciers ont constitué un

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

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

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

Options, Futures, Parité call put

Options, 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 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

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

Couverture et calcul de Malliavin

Couverture et calcul de Malliavin Couverture et calcul de Malliavin L. Decreusefond TPT L. Decreusefond (TPT) Couverture et calcul de Malliavin 1 / 1 Modèle binomial L. Decreusefond (TPT) Couverture et calcul de Malliavin 2 / 1 Modèle

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

À propos des matrices échelonnées

À propos des matrices échelonnées À propos des matrices échelonnées Antoine Ducros appendice au cours de Géométrie affine et euclidienne dispensé à l Université Paris 6 Année universitaire 2011-2012 Introduction Soit k un corps, soit E

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

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

Continuité en un point

Continuité 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 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

Suites numériques 3. 1 Convergence et limite d une suite

Suites 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 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

LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.

LEÇON 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 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

Cours de terminale S Suites numériques

Cours de terminale S Suites numériques Cours de terminale S Suites numériques V. B. et S. B. Lycée des EK 13 septembre 2014 Introduction Principe de récurrence Exemple En Mathématiques, un certain nombre de propriétés dépendent d un entier

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

Un tout petit peu d homotopie

Un tout petit peu d homotopie Vincent Beck On note I = [ 0, 1 ]. Un tout petit peu d homotopie 0.1 Homotopie Définition 1 Applications homotopes. Soient X, Y deux espaces topologiques et f, g : X Y deux applications continues. On dit

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

UNIVERSITÉ DE CERGY Année 2012-2013 U.F.R. Économie & Gestion Licence d Économie et Mathématiques MATH104 : Mathématiques

UNIVERSITÉ DE CERGY Année 2012-2013 U.F.R. Économie & Gestion Licence d Économie et Mathématiques MATH104 : Mathématiques 1 UNIVERSITÉ DE CERGY Année 2012-201 U.F.R. Économie & Gestion Licence d Économie et Mathématiques MATH104 : Mathématiques Chapitre III : Polynômes 1 Fonctions polynômes & polynômes Définition 1. Soit

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

PRIME D UNE OPTION D ACHAT OU DE VENTE

PRIME 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 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

ECOLE DES HAUTES ETUDES COMMERCIALES DE L UNIVERSITE DE LAUSANNE. Professeur Matière Session. A. Ziegler Principes de Finance Automne 2005

ECOLE DES HAUTES ETUDES COMMERCIALES DE L UNIVERSITE DE LAUSANNE. Professeur Matière Session. A. Ziegler Principes de Finance Automne 2005 ECOLE DES HAUTES ETUDES COMMERCIALES DE L UNIVERSITE DE LAUSANNE Professeur Matière Session A. Ziegler Principes de Finance Automne 2005 Date: Lundi 12 septembre 2005 Nom et prénom:... Note:... Q1 :...

Plus en détail

Sommaire. Chapitre 1 Variables et vecteurs aléatoires... 5. Chapitre 2 Variables aléatoires à densité... 65

Sommaire. Chapitre 1 Variables et vecteurs aléatoires... 5. Chapitre 2 Variables aléatoires à densité... 65 Sommaire Chapitre 1 Variables et vecteurs aléatoires............... 5 A. Généralités sur les variables aléatoires réelles.................... 6 B. Séries doubles..................................... 9

Plus en détail

L enseignement des probabilités à Telecom Paristech

L enseignement des probabilités à Telecom Paristech L enseignement des probabilités à Telecom Paristech L. Decreusefond TPT L. Decreusefond (TPT) L enseignement des probabilités à Telecom Paristech 1 / 39 1 Enjeux 2 Difficultés 3 Modèle de Cox-Ross-Rubinstein

Plus en détail

Calcul stochastique appliqué à la finance. Volatilités stochastique, locale et implicite

Calcul stochastique appliqué à la finance. Volatilités stochastique, locale et implicite Calcul stochastique appliqué à la finance Ioane Muni Toke Draft version Ce document rassemble de brèves notes de cours. Les résultats sont proposés sans démonstration, les preuves ayant été données en

Plus en détail

Vidéo partie 1. Logique Vidéo partie 2. Raisonnements Exercices Logique, ensembles, raisonnements

Vidéo partie 1. Logique Vidéo partie 2. Raisonnements Exercices Logique, ensembles, raisonnements Exo7 Logique et raisonnements Vidéo partie 1. Logique Vidéo partie 2. Raisonnements Exercices Logique, ensembles, raisonnements Quelques motivations Il est important d avoir un langage rigoureux. La langue

Plus en détail

Développement décimal d un réel

Développement 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 détail