Modélisation Des Options Asiatiques Sur Le Taux De Change. Auteur: Mariane Mouhammed, Ensae

  • Uploaded by: mariane
  • 0
  • 0
  • December 2019
  • PDF

This document was uploaded by user and they confirmed that they have the permission to share it. If you are author or own the copyright of this book, please report to us by using this DMCA report form. Report DMCA


Overview

Download & View Modélisation Des Options Asiatiques Sur Le Taux De Change. Auteur: Mariane Mouhammed, Ensae as PDF for free.

More details

  • Words: 14,910
  • Pages: 47
Rapport de Groupe de Travail

Papa Gora Ndao Mouhammed Marianne Antoine de Milleville

30 mai 2007

LES OPTIONS ASIATIQUES

encadr´e par Georges Nemes (SGCIB)

2

Table des mati` eres Introduction

1

1 Pr´ esentation du march´ e du change 1.1 D´efinitions . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2 Principales caract´eristiques . . . . . . . . . . . . . . . . . 1.2.1 Un march´e domin´e par quelques places financi`eres 1.2.2 Un march´e domin´e par quelques monnaies . . . . . 1.2.3 Un march´e domin´e par les op´erations `a terme . . .

. . . . .

2 2 2 2 2 2

. . . .

3 3 3 3 4

. . . . . . . . .

7 7 8 9 10 10 11 11 12 14

. . . .

14 14 15 15 15

. . . . .

16 16 16 18 18 20

2 Mod` ele de Garman et Kohlhagen 2.1 Quelques notations . . . . . . . . . . . . . . 2.2 Mod´elisation financi`ere . . . . . . . . . . . . 2.2.1 Hypoth`eses classiques . . . . . . . . 2.2.2 Absence d’opportunit´e d’arbitrage et

. . . . . . . . . . . . . . . . . . . . . changement

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . de probabilit´e

. . . . .

. . . .

. . . . .

. . . .

. . . . .

. . . .

. . . . .

. . . .

. . . . .

. . . .

. . . . .

. . . .

3 M´ ethode de Monte Carlo 3.1 Principe de la r´esolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2 Application au pricing d’une option asiatique . . . . . . . . . . . . . . . . . . . . . 3.2.1 Simulation de la partie stochastique du taux de change . . . . . . . . . . . 3.2.2 Simulation d’une loi uniforme U(0,1) . . . . . . . . . . . . . . . . . . . . . . 3.2.3 Simulation de la loi normale N (0, 1) : M´ethode d’inversion . . . . . . . . . 3.3 Monte Carlo et Techniques de R´eduction de Variance . . . . . . . . . . . . . . . . . 3.3.1 utilisation de variables antith´etiques . . . . . . . . . . . . . . . . . . . . . . 3.3.2 R´esultats Num´eriques : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.4 Reconstitution de la densit´e de la moyenne `a partir de simulations de Monte Carlo 4 Turnbull et Wakeman 4.1 le principe de l’algorithme de Turnbull et Wakeman 4.2 Approximation de la densit´e de S . . . . . . . . . . . 4.2.1 Calcul des deux premiers moments de S . . . 4.2.2 D´etermination de la loi de Y . . . . . . . . . 5 R´ esolution par ´ equations aux d´ eriv´ ees 5.1 EDP en dimension 2 . . . . . . . . . . 5.1.1 ´etablissement de l’´equation . . 5.1.2 commentaires . . . . . . . . . . 5.2 EDP en dimension 1 . . . . . . . . . . 5.3 Discr´etisation en temps . . . . . . . .

partielles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . .

. . . .

. . . . .

. . . .

. . . . .

. . . .

. . . . .

. . . .

. . . . .

. . . .

. . . . .

. . . .

. . . . .

. . . .

. . . . .

. . . .

. . . . .

. . . .

. . . . .

. . . .

. . . . .

. . . .

. . . . .

. . . .

. . . . .

. . . .

. . . . .

. . . .

. . . . .

. . . .

. . . . .

. . . .

. . . . .

. . . .

. . . . .

. . . . .

. . . .

. . . . . . . . .

. . . .

. . . . .

. . . . .

. . . .

. . . . . . . . .

. . . .

. . . . .

5.4 5.5 5.6

Discr´etisation en espace . . . . . . . . . . . . . . . . . . Algorithme de calcul de la fonction valeur . . . . . . . . Interpolation et interpr´etation des r´esultats num´eriques 5.6.1 Interpolation des resultats . . . . . . . . . . . . . 5.6.2 Interpr´etation . . . . . . . . . . . . . . . . . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

6 Introduction d’un mod` ele avec taux stochastiques 6.1 Mod´elisation financi`ere . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.1.1 Dynamiques des processus de prix en absence d’arbitrage . . . . . . . 6.1.2 Lien entre primes de risque λd et λf . . . . . . . . . . . . . . . . . . . 6.1.3 Construction de la probabilit´e de Pricing : Probabilit´e Forward Neutre 6.1.4 Application au Pricing d’Options . . . . . . . . . . . . . . . . . . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

21 21 22 22 22

. . . . .

24 24 25 25 26 27

7 Analyse des r´ esultats

30

Conclusion

32

A ANNEXES A.1 Graphes de Prix . . . . . . . . . . . . . . . . . . A.2 Graphes de densit´e . . . . . . . . . . . . . . . . . A.3 Turnbull et Wakeman . . . . . . . . . . . . . . . A.3.1 d´emonstration du cacul des deux premiers A.4 Evaluation par ´equations aux d´eriv´ees partielles A.4.1 Algorithme de calculde la fonction valeur

33 33 37 39 39 41 41

. . . . . . . . . . . . . . . . . . . . . . . . . . . moments de S . . . . . . . . . . . . . . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

INTRODUCTION

1

Introduction Avec la croissance des march´es financiers, des produits de plus en plus sophistiqu´es sont maintenant offerts. La complexit´e de ces instruments ne cesse de croˆıtre pour r´epondre aux besoins pressants des entreprises qui cherchent `a se couvrir contre des risques de plus en plus nombreux. Ces innovations financi`eres, connues sous le nom d’options exotiques, se caract´erisent par des paiements beaucoup plus ´ compliqu´es que les options standards. Echang´ ees sur le march´e hors bourse, ou de gr´e `a gr´e, elles sont faites sur mesure pour, d’une part, r´epondre aux besoins sp´ecifiques des investisseurs, d’autre part, fournir de nouveaux instruments de couverture. En utilisant ou en cr´eant de tels produits, les professionnels de la finance se voient confront´es au probl`eme de leur ´evaluation ou pricing. En effet la complexit´e des payoffs relatifs `a ces produits rend impossible l’utilisation de formules ferm´ees simples comme la formule de Black-Scholes pour les options vanille. Le but de ce projet est alors d’´etudier et de comparer diff´erentes m´ethodes de pricing pour un produit particulier : les options asiatiques. La particularit´e de ces options est que le paiement terminal d´epend d’une moyenne (arithm´etique le plus souvent, parfois pond´er´ee ou encore g´eom´etrique) calcul´ee sur les cours du sous-jacent des options, observ´es `a diff´erentes dates ´etablies `a la signature du contrat. Nous ´etudierons plus pr´ecis´ement ces produits financiers sur le march´e du change, et nous restreindrons aux options sur moyenne arithm´etique. Dans un premier temps, nous pr´esenterons les principales caract´eristiques du march´e du change avant de nous attarder sur le mod`ele de base utilis´e dans notre ´etude, `a savoir le mod`ele de Garman et Kohlhagen, application du mod`ele de Black et Scholes pour les options de change. Puis, nous insisterons sur les m´ethodes num´eriques d´evelopp´ees dans notre programme, impl´ement´e en JAVA, pour ´evaluer ces options, `a savoir la m´ethode de Monte Carlo, l’algorithme de Turnbull et Wakeman et la r´esolution d’´equations aux d´eriv´ees partielles. Enfin, nous proposerons une alternative au mod`ele de Garman et Kohlhagen en introduisant un mod`ele de taux stochastiques.

´ ´ DU CHANGE PRESENTATION DU MARCHE

1

2

Pr´ esentation du march´ e du change

1.1

D´ efinitions

Le change est l’acte par lequel on ´echange les monnaies des diff´erents pays. La majeure partie des actifs mon´etaires ´echang´es sur le march´e du change sont des d´epˆ ots `a vue dans les banques. Le taux de change est le prix de la monnaie d’un pays en terme de la monnaie d’un autre. Un taux de change peut ˆetre exprim´e de deux mani`eres : la cotation au ”certain” consiste `a donner le nombre d’unit´es mon´etaires ´etrang`eres ´equivalent `a une unit´e de monnaie locale ; la cotation `a ”l’incertain” indique le nombre d’unit´es mon´etaires locales correspondant `a une unit´e de monnaie ´etrang`ere. Ainsi, lorsque l’euro s’appr´ecie contre les autres devises, sa cotation au certain s’´el`eve tandis que sa cotation `a l’incertain diminue.

1.2 1.2.1

Principales caract´ eristiques Un march´ e domin´ e par quelques places financi` eres

Le march´e du change ne connaˆıt pas de fronti`ere : il y a un seul march´e du change dans le monde. Les transactions sur devises se font aussi bien `a Paris, Londres, Tokyo ou New York. Le march´e du change est donc une organisation ´economique sans v´eritable r´eglementation ; elle est auto-organis´ee par les instances publiques et priv´ees qui y interviennent. Il est g´eographiquement tr`es concentr´e sur les places financi`eres de quelques pays. En 1998, le Royaume-Uni repr´esentait 32% des op´erations, les Etats-Unis, 18%, le Japon, 8%, l’Allemagne, 5%, et la France 4%. 1.2.2

Un march´ e domin´ e par quelques monnaies

Les op´erations sur le march´e du change, repr´esentant plus de 3 milliards de dollars d ’´echange quotidien, sont concentr´ees sur un petit nombre de monnaies, et tr`es majoritairement sur le dollar. En 1998, le dollar am´ericain intervenait en moyenne dans 87% des transactions identifi´ees, soit du cˆot´e de l’offre, soit du cˆot´e de la demande. Aujourd’hui, les monnaies de la zone euro apparaissent dans 52% des transactions. Le yen et la livre sont plus en retrait puisqu’ils interviennent respectivement dans 21% et 11% des transactions. 1.2.3

Un march´ e domin´ e par les op´ erations ` a terme

Le risque de change est le risque de perte en capital li´e aux variations futures du taux de change. Depuis les ann´ees soixante-dix, ce risque s’est fortement accru avec le flottement g´en´eralis´e des monnaies et le d´eveloppement des transactions commerciales et financi`eres internationales. L’existence de variations des taux de change entraˆıne deux types d’attitude de la part des intervenants sur le march´e : certains groupes ne souhaitent pas ou n’ont pas le droit de parier sur ce que seront les taux de change dans le futur. Ils sont expos´es `a un risque de change dans le cours de leurs activit´es ordinaires et

` MODELE DE GARMAN ET KOHLHAGEN

3

recherchent une couverture `a leur position cr´editrice ou d´ebitrice. D’autres groupes estiment pouvoir prendre une position expos´ee `a un risque de change pour r´ealiser un gain. Il y a alors sp´eculation sur l’´evolution future des taux au moyen d’op´erations d’arbitrage. Le contrat de change `a terme est le principal moyen de se couvrir ou de sp´eculer sur le march´e du change. Ce qui explique pourquoi il domine le contrat de change au comptant . Il existe diff´erents contrats de change `a terme : les contrats fond´es sur les op´erations traditionnelles, terme bancaire et ”swap”cambiste, sont les plus r´epandus (57% des op´erations des march´es du change ) ; ceux fond´es sur les autres produits d´eriv´es, ”futures” et options sur devises restent encore marginaux (6% des op´erations ).

2

Mod` ele de Garman et Kohlhagen

2.1

Quelques notations

Nous avons ´etudi´e le mod`ele de Garman et Kohlhagen en nous inspirant de l’article ”Foreign Currency Option Values”.(cf Annexes) Puisque nous travaillons sur le march´e du change, nous allons consid´erer un univers compos´e de deux devises : la devise ´etrang`ere, indic´ee par f et la devise domestique, indic´ee par d. Dans chacune des deux ´economies (domestique (d) et ´etrang`ere (f)), la devise crrespondante constitue un actif sans risque, dont la dynamique entre t et t + dt d´epend du taux sans risque (rd pour l’´economie domestique et rf pour l’´economie ´etrang`ere). Par contre, vue de l’´economie domestique(d), la devise (f) est un actif risqu´e dont la valeur `a chaque instant est donn´ee par le taux de change Sf →d . Pour all´eger les ´equations, nous noterons Sf →d ≡ S. La premi`ere devise indiqu´ee en d´enommant l’option sera toujours la devise ´etrang`ere, et la seconde devise sera la devise domestique. Par exemple une option EuroDollar, repr´esentera une option sur le taux de change Euro (´etranger) vers Dollar (domestique) et son prix sera exprim´e en Dollar. De plus, on note rd le taux sans risque de l’´economie domestique, rf le taux sans risque de l’´economie ´etrang`ere.

2.2 2.2.1

Mod´ elisation financi` ere Hypoth` eses classiques

Avant de pricer les options asiatiques de change, il est imp´eratif de supposer quelques hypoth`eses sur les march´es financiers puis de mod´eliser l’´evolution des taux de change dans cet univers. La mod´elisation financi`ere couramment retenue pour ces actifs est celle de Garman et Kohlhagen, qui est analogue au mod`ele de Black et Scholes, utilis´e pour caract´eriser l’´evolution du cours des actions et ainsi pricer les options vanille sur ces derniers sous-jacents. Les hypoth`eses que nous avons retenues sont les suivantes : – Il est possible de vendre et d’acheter le sous-jacent `a tout moment sans coˆ ut de transaction. – Les ventes `a d´ecouvert sont autoris´ees.

` MODELE DE GARMAN ET KOHLHAGEN

4

– On supposera enfin que les taux de change sont des variables al´eatoires suivant une loi lognormale et leur ´evolution est donc mod´elis´ee par l’´equation de diffusion suivante : dS = µSdt + σSdW P o` u W P est un mouvement brownien, sous la probabilit´e historique propre `a l’agent, µ est un param`etre de drift, ou rendement moyen et σ repr´esente la volatilit´e de l’actif sous-jacent. On notera (Ft )(t≥0) la filtration engendr´ee par le mouvement brownien et Ω l’ensemble des ´etats possibles du monde. Pour mod´eliser les taux d’int´erˆet, on utilise une courbe de taux z´ero-coupon, `a partir de laquelle on calcule les facteurs d’actualisation B(t, T ) selon l’´equation suivante : µ Z B(t, T ) = exp − t

T

¶ r(s)ds =

1 (1 + R(t, T ))T −t

o` u R(t, T ) d´esigne le taux z´ero-coupon entre t et T, r´ecup´er´e `a partir des donn´ees de march´e. 2.2.2

Absence d’opportunit´ e d’arbitrage et changement de probabilit´ e

Le principe de non arbitrage est une hypoth`ese fondamentale sur le march´e. Nous allons donner ci-dessous sa traduction math´ematique dans deux situations : d’abord dans le cas d’un actif ne versant pas de dividendes, puis dans le cas d’un actif versant une r´emun´eration avec un taux de dividende continu not´e c(t). Notons que si c(t) est le dividende continu, cela traduit qu’entre t et t+dt, l’actif verse un montant c(t)S(t)dt. Sous la probabilit´e historique P, le processus de prix de l’actif suit la dynamique suivante : dS(t) = µ(t)dt + σ(t)dW P (t) S(t) o` u W P (t) est un P-mouvement brownien. En l’absence d’opportunit´e d’arbitrage, il existe un vecteur λ(t), d´enomm´e prime de risque tel que µ(t) = r(t) + σ(t)λ(t). Dans le cas o` u l’actif verse un dividende avec un taux continu c(t), il existe un vecteur de prime de risque λ(t) tel que µ(t)+c(t) = r(t)+σ(t)λ(t) Remarque : D’un point de vue financier, ce r´esultat exprime le fait que le rendement instantan´e de n’importe quel portefeuille sans risque ( σ(t) = 0) est exactement ´egal au taux sans risque. Dans le cas ou l’actif verse un dividende, le rendement instantan´e global est λ(t) + c(t). Applications : Nous nous pla¸cons maintenant dans l’´economie domestique, dans laquelle la devise domestique (d) constitue l’actif sans risque avec une dynamique : dSd (t) = Sd (t)rd (t)dt La devise ´etrang`ere est un actif risqu´e , qui, avec les notations adopt´ees a une dynamique qui s’´ecrit : dS(t) = µ(t)S(t)dt + σ(t)S(t)dW P

` MODELE DE GARMAN ET KOHLHAGEN

5

D’autre part il est clair que la devise ´etrang`ere peut ˆetre vue comme un titre versant un dividende continu rf (t), rf (t) ´etant le taux sans risque ´etranger. En effet, la possession d’une unit´e de devise ´etrang`ere entre t et t+dt donne droit `a une r´emun´eration ´egale `a rf (t)dt. On peut donc en se pla¸cant dans l’´economie (d) appliquer la deuxi`eme assertion du th´eor`eme pr´ec´edent et ainsi conclure en l’existence d’une prime de risque not´ee λd (t) telle que µ(t) + rf (t) = rd (t) + σ(t)λd (t) L’´equation (1) de la diffusion du taux de change peut donc se r´e´ecrire sous la forme (2) suivante : dS(t) = (rd − rf )S(t)dt + σ(t)S(t)(dW P + λd (t)dt) D’apr`es le th´eor`eme de Girsanov, il existe une probabilit´e Qd ´equivalente a P sous laquelle W P (t)+ λd (t)t reste un mouvement brownien. Cette mesure Qd est la probabilit´e risque neutre de la devise domestique. On peut `a pr´esent r´e´ecrire la dynamique du taux de change sous la probabilit´e Qd . En exprimant dans l’´equation (2) le fait que sous Qd , WdQ (t) = W P (t) + λd (t)t est un mouvement brownien, on en d´eduit que sous Qd la diffusion du taux de change satisfait l’´equation (3) suivante : dS(t) = (rd (t) − rf (t))dt + σ(t)(dWdQ (t)) S(t) Nous savons de plus que sous la mesure Qd , la valeur actualis´ee de toute strat´egie autofinanc´ee est martingale. Pour pricer notre option de change, il suffit alors de calculer l’esp´erance du payoff actualis´e de notre actif. Application au Pricing d’options de Change : Nous avons donc d’apr`es ce qui pr´ec`ede une mesure Qd qui rend martingale toute strat´egie autofinanc´ee actualis´ee, et par cons´equent le processus de prix actualis´e de n’importe quelle option sur le taux de change. Consid´erons une option de change livrant un payoff quelconque Φ `a la date T. On en d´eduit une formule g´en´erale donnant son prix a la date t : · Pt =

EtQd

µ Z Φ exp − t

T

¶¸ rd (s)ds

. Quelques Exemples :

³ R ´ T – Pour un Call de strike K : Pt = exp − t rd (s)ds EtQd [max(ST − K, 0)] – Pour une option asiatique sur moyenne discr`ete avec constatations aux dates (t1 , t2 , ..., tN ), on N X 1 d´efinit la moyenne discr`ete S = N Sti , alors i=1

µ Z Pt = exp −

t

T

¶ £ ¤ rd (s)ds E Qd max(S − K, 0)

` MODELE DE GARMAN ET KOHLHAGEN

6

Pour les calls, une formule ferm´ee d’´evaluation existe et le pricing ne pose aucune difficult´e particuli`ere. La formule d’´evaluation repose sur le r´esultat suivant, connu sous le nom de formule de Black-Scholes. Si X est une variable al´eatoire suivant une loi lognormale, telle que ln(X) a une variance σ 2 . Alors E [max(X − K), 0] = E(X)N (d1 ) − KN (d2 ) avec

N ³

la ´

fonction

E(X) K

de

r´epartition

de

la

loi

normale

centr´ee

r´eduite.

1 2 2σ

ln + d1 = et d2 = d1 − σ. σ Cas d’un Call de Change : L’´equation de diffusion sous la probabilit´e risque neutre est dSt = [rd (t) − rf (t)]dt + σt dWdQ (t) St et donne par int´egration · Z ST = St exp −

T

t

1 rd (s) − rf (s)ds + 2

Z

T

Z 2

σ (s)ds + t

t

¸

T

σ(s)dWs

La formule de Black-Scholes donne alors le prix par formule ferm´ee d’un call de change : µ Z Ct = exp −

t

Avec d1 =

ln SKt +

RT t

T

¶ µ Z rd (s)ds St N (d1) − K exp −

rd (s) − rf (s)ds + qR T 2 t σ (s)ds

t

RT t

T

¶ rf (s)ds N (d2)

σ 2 (s)ds

et s

Z

T

σ 2 (s)ds

d2 = d1 − t

Conclusion : Le mod`ele de Garman et Kohlhagen donne donc dans le cas d’un call et d’un put vanilles, une formule ferm´ee, tout comme celui de Black-Scholes. Par contre, on voit que pour une option asiatique, on ne peut pas effectuer un calcul analogue `a celui que l’on vient de faire. En effet, la moyenne du taux de change apparaˆıt comme une somme de variables al´eatoires lognormales corr´el´ees, et sa distribution n’est donc pas lognormale. Ainsi, les sections suivantes vont traiter de m´ethodes de r´esolution du mod`ele

´ METHODE DE MONTE CARLO

7

de Garman et Kohlhagen dans le cas d’une option asiatique (M´ethode de Monte-Carlo, Algorithme de Turnbull et Wakeman, approche par EDP).

3

M´ ethode de Monte Carlo

3.1

Principe de la r´ esolution

Nous commen¸cons par rappeler bri`evement les arguments th´eoriques qui justifient la m´ethode de Monte-Carlo ainsi que les moyens d’´evaluer num´eriquement sa pr´ecision. Th´ eor` eme1 : Loi Forte des Grands Nombres Soit X1 , .., Xn , une suite de variables al´eatoires iid (ind´ependantes, identiquement distribu´ees de moyenne m et de variance σ 2 ), telles que ∀i, E(|Xi |) < ∞, et d´efinies sur un mˆeme espace de probabilit´e. N X Alors la suite N1 Xi converge presque sˆ urement vers la valeur m = E(Xi ). i=1

ˆ = Ce th´eor`eme assure la convergence presque-sˆ ure vers la valeur E(Xi ). L’estimateur X

1 N

N X i=1

Xi

est donc convergent. D’autre part, il est facile de voir qu’il est sans biais, par lin´earit´e et ind´ependance des Xi . Le contrˆole de l’erreur est donn´e par le th´eor`eme suivant. Th´ eor` eme2 : Th´ eor` eme Central Limite Sous les mˆemes hypoth`eses que le th´eor`eme pr´ec´edent, on peut conclure que : " n # √ 1X Xi − m à N (0, σ 2 ) n n i=1

la convergence ´etant une convergence en loi. Commentaires : On peut d´eduire de cette convergence en loi que pour tout couple de r´eels a et b "

# ¶ µ Z b n X a b Xi 1 1 2 lim P σ √ < − m < σ√ =√ exp − x dx n→∞ n 2 n n 2Π a i=1

´ METHODE DE MONTE CARLO

8

h D’autre part, si X suiti une loi normale N (0, 1), on sait que P (| X |< 1.96) = 95%. On en d´eduit que P | Xni − m |) < 1.96 √σn → 95%. Ainsi, on obtient `a l’aide de ce th´eor`eme, un intervalle de confiance `a 95%. Mais on voit qu’il reste `a pouvoir estimer le param`etre inconnu, pour pouvoir achever l’´evaluation de l’erreur effectu´ee dans la m´ethode de MonteCarlo. Le dernier r´esultat rappel´e ci-dessous donne un estimateur du param`etre, `a partir de la variance empirique de l’´echantillon iid. Th´ eor` eme3 : Estimation du param` etre : Sous les mˆemes hypoth`eses que les deux th´eor`emes pr´ec´edents, la variance empirique " n µ Pn ¶2 # X 1 2 i=1 Xi σn = Xi − n−1 n i=1

est un estimateur sans biais et convergent de σ 2 (convergence presque sˆ ure). Commentaires : Ce dernier r´esultat permet donc de calculer l’erreur MonteCarlo. En pratique, on σn consid`erera que l’erreur `a 95% est 1.96 √ . n

3.2

Application au pricing d’une option asiatique

Nous consid´erons une option asiatique sur taux de change qui livre `a la date T le payoff : "

N

1X Φ= Sti − K N

#+

i=1

Le prix de non arbitrage de cette option `a la date t s’´ecrit : · µ Z T ¶ ¸ Pt (Φ) = E exp − rd (s)ds Φ t

L’application de la m´ethode de MonteCarlo va consister d’abord `a simuler N variables al´eatoires Φ1 , ..., ΦN de mˆeme loi que Φ. En vertu de la loi forte des grands nombres, on pourra utiliser comme estimateur du prix : µ Z Pt (φ) = exp −

t

T

¶ X N 1 Φh rd (s)ds N h=1

Ensuite, on estime l’erreur en utilisant les deux derniers r´esultats de la section pr´ec´edente. On commence par estimer la volatilit´e de l’estimateur du prix `a l’aide de l’´echantillon tir´e. On a : Ã µ Z T ¶ ¶ ! N N µ X 1 X Gh 2 2 σ (Pt (Φ)) = exp −2 rd (s)ds Gh − N −1 N t h=1

h=1

´ METHODE DE MONTE CARLO

9

Le r´esultat pr´ec´edent permet de conclure que l’erreur MonteCarlo avec une probabilit´e de 95% est la suivante : ¶ µ Z T 1.96 rd (s)ds σ (Pt (Φ)) ErreurM C = √ exp − n t Chaque variable al´eatoire Φh `a simuler s’´ecrit : Ã Φh =

N 1 X h Sti − K N

!

i=1

.

On voit donc que la simulation d’une variable al´eatoire Φi n´ecessite donc de savoir tirer une trajectoire de N points du taux de change. La diffusion du taux de change sous la probabilit´e risque neutre a d´ej`a ´et´e ´etablie dans les sections pr´ec´edentes et s’´ecrit de la mani`ere suivante : dSt = (rd (t) − rf (t)) dt + σdWtQ St En notant S0 , la valeur initiale du taux de change, on montre en utilisant le lemme d’Itˆo que la solution de cette ´equation stochastique est : ·Z St = S0 exp

0

t

1 rd (s) − rf (s)ds − 2

Z

t

Z 2

σ (s)ds + 0

t

¸ σ(s)dW s

0

Tout d’abord, on peut·Zconstater que St s’´ecrit d’un facteur d´eterministe que nous ¸ Z comme produit t 1 t 2 noterons Ft = S0 exp rd (s) − rf (s)ds − σ (s)ds et d’un facteur stochastique not´e exp(Yt ) 2 0 0 Rt avec Yt = 0 σ(s)dW s. Le facteur Ft se calcule ais´ement avec les donn´ees de march´e. Nous pr´esentons Rt ci-dessous la m´ethode de simulation d’une trajectoire du processus Gt = exp(Yt ) avec Yt = 0 σ(s)dW s. 3.2.1

Simulation de la partie stochastique du taux de change Rt Le processus Yt = 0 σ(s)dW s est une int´egrale de Wiener dans la mesure o` u on suppose que σ(s) est d´eterministe. On a donc les ³ deuxR propri´et´es´suivantes qui serviront `a effectuer la simulation de Yt . t – Yt suit une loi normale N (0, 0 σ 2 (s)ds) – Le processus est `a accroissements ind´ependants (si t > s, alors Yt − Ys est ind´ependant de Fs o` u Fs d´esigne la filtration engendr´ee jusqu’`a la date s par le processus Y). En subdivisant l’intervalle [0, T] avec un pas de temps h, on peut donc ´ecrire que : – Y0 = 0 ³ R ´ (k+1)h 2 – Y(k+1)h − Ykh suit une loi N 0, kh σ (s)ds . Ainsi la r´ecurrence ci-dessous permet de simuler une trajectoire du processus Yt . – Y0 = 0 qR (k+1)h 2 – Y(k+1)h = Ykh + σ (s)dsZk kh

´ METHODE DE MONTE CARLO

10

o` u les Zk sont des tirages ind´ependants suivant une loi normale N (0, 1). La simulation de Gt = exp(Yt ) en d´ecoule en prenant `a chaque date kh, Gkh = exp(Ykh ). Remarque : La simulation de trajectoires n´ecessite donc d’effectuer des tirages ind´ependants selon une loi normale N (0, 1). Ceci est un point crucial dans la simulation de Monte Carlo ; il est donc n´ecessaire d’obtenir un g´en´erateur de nombres al´eatoires performant (avec de bonnes propri´et´es statistiques) et disposant d’une p´eriode suffisante pour les calculs que l’on souhaite mener. Nous pr´esentons ci-dessous la d´emarche que nous avons adopt´ee dans le cadre de notre projet qui consiste `a commencer par simuler une loi uniforme sur [0,1], puis utiliser la m´ethode d’inversion de la fonction de r´epartition. 3.2.2

Simulation d’une loi uniforme U(0,1)

Des g´en´erateurs de nombres quasi-al´eatoires sont disponibles dans la plupart des syst`emes. D’une mani`ere g´en´erale, ces g´en´erateurs sont des g´en´erateurs congruentiels, c’est-`a-dire qu’ils forunissent une suite d’entiers (xn )n≥0 donn´es par la relation de r´ecurrence suivante : xn+1 = axn + b (modulo m). La valeur x0 est appel´ee la graine, a est le multiplicateur et la p´eriode maximale d’une telle s´equence est de m. Des exemples de g´en´erateurs int´egr´es aux syst`emes sont par exemple les fonctions RANDOM de Pascal et Java, ou encore le RAND (´ecrit par les auteurs du syst`eme Unix). La qualit´e de ces g´en´erateurs est ´evalu´ee `a l’aide de tests statistiques d’uniformit´e, d’ind´ependance, mais aussi de l’´evaluation de leur p´eriode. On peut par exemple citer le test de Kolmogorov-Smirnov qui compare n X la fonction de r´epartition empirique calcul´ee `a la suite de nombres Fn (t) = n1 χ[U i
la fonction indicatrice), `a la vraie fonction de r´epartition F (t) = P (U < t) = t quelque soit t dans [0,1]. La plupart de ces g´en´erateurs pr´ed´efinis n’ont pas de tr`es bonnes propri´et´es statistiques. Nous nous sommes donc fond´es sur la litt´erature existant sur ce sujet et les conclusions des nombreux tests d´ej`a effectu´es dans ce domaine. L’un des meilleurs g´en´erateurs disponibles `a l’heure actuelle est celui de Mersenne Twister d´evelopp´e par Makoto Matsumoto et Takuji Nishimura en 1997 (enti`erement disponible sur le site Internet des auteurs : http ://www.math.sci.hiroshima-u.ac.jp/). Notre projet utilise une impl´ementation de cet algorithme en JAVA. 3.2.3

Simulation de la loi normale N (0, 1) : M´ ethode d’inversion

Le r´esultat utilis´e est le suivant. On suppose que U suit une loi uniforme U[0,1]. Alors, si on pose Y = F −1 (U ), avec F −1 inverse de la fonction de r´epartition de la loi normale N (0, 1), la variable al´eatoire Y suit une loi normale N (0, 1). D´emonstration : La preuve vient du fait que P (Y < t) = P [F −1 (U ) < t] = P [U < F (t)] = F (t) avec F fonction r´epartition de la loi normale N (0, 1). On en d´eduit que Y suit une loi normale N (0, 1). D’un point de vue num´erique, nous avons impl´ement´e sous Java l’algorithme d’inversion de Moro d’une tr`es grande pr´ecision . (Ref Moro ” The Full Monte ” , Risk, Vol 8 No2, F´evrier 95-P57-58). Description de l’Algorithme d’inversion de Moro : En supposant connue la valeur de N(x), l’algorithme ci-dessous permet de retrouver x.

´ METHODE DE MONTE CARLO

11

L’approximation est faite en fonction de la valeur de N(x). Soit y = N (x) − 0, 5 Si|y| ≤ 0, 42, alors l’approximation faite est : 3 X

x = y i=0 4 X

ai y 2i bj y 2j

j=0

Si en revanche |y| > 0, 42, alors l’approximation est faite `a l’aide des polynˆomes de Tchebychev : x=ε

" 8 X

# ci Ti (t) − ε

i=0

c0 2

o` u ε est le signe de y et : · t = k1

µ ¶ ¸ 1 2ln −ln( − |y|) − k2 2

En r´esum´e, nous avons donc pr´esent´e les m´ethodes utilis´ees pour pouvoir g´en´erer une trajectoire à N !+ X h 1 du taux de change et ´evaluer le payoff associ´e `a chaque trajectoire (h) : Φh = N Sti − K . Les i=1

calculs de prix et d’erreurs s’en d´eduisent en utilisant les formules ´etablies un peu plus haut, `a savoir N ³ R ´ X T 1 Φh . L’erreur `a 95% s’´ecrit : que l’estimateur du prix est Pt (Φ) = exp − t rd (s)ds N h=1

µ ErreurM C =

3.3 3.3.1

µ Z T ¶ ¶ 1.96 √ exp − rd (s)ds σ(Pt (Φ)) N t

Monte Carlo et Techniques de R´ eduction de Variance utilisation de variables antith´ etiques

La pr´ecision de la m´ethode de MonteCarlo peut ˆetre am´elior´ee par des techniques de r´eduction de la variance de l’estimateur. Aussi, allons-nous utiliser ici la technique des variables antith´etiques. Rappelons cependant le th´eor`eme suivant, n´ecessaire `a la mise en oeuvre de cette technique : Th´ eor` eme : Soit X une variable al´eatoire, T une transformation d´ecroissante de < telle que T(X) a la mˆeme loi que X et Φ une fonction monotone. Alors COV (Φ(X), T (Φ(T (X)) ≤ 0 .

´ METHODE DE MONTE CARLO Ã Pour pricer l’option de payoff Φ = consist´e `a approximer E(Φ) par

1 N

N X

12 !+ Sthi

−K

, la m´ethode de Monte Carlo classique a

i=1 (Φ1 +Φ2 +...+ΦN ) . On N

va utiliser une propri´ ³Ret´e de sym´ ´etrie en loi dans l’exti pression de Φ. Comme indiqu´e dans la section pr´ec´edente Sti = Fti exp 0 σ(s)ds o` u Fti est le facteur ´ ³ R t d´eterministe vu `a la section pr´ec´edente (´evalu´e `a la date ti ). Posons St∗i = Fti ∗ exp − 0 i σ(s)dW s . Ã N !+ X Sti∗ − K , §∗ti est appel´ee Par sym´etrie, Sti * garde la mˆeme loi que Sti . Ainsi, si on pose Φ∗ = N1 i=1

la variable antith´etique associ´ee `a §ti . Dans la mesure o` u E(Φ) = E(Φ∗ ), on en d´eduit que pour calculer E(Φ), on peut effectuer N tirages ind´ependants de Φ et Φ∗ et utiliser l’estimateur suivant : E∗ =

1 (Φ1 + Φ∗1 + ... + ΦN + Φ∗N ) 2N

`a la place de l’estimateur classique E=

1 (Φ1 + ... + Φ2N ) 2N

. Ces deux estimateurs de l’esp´erance sont tous les deux convergents et sans biais, mais l’int´erˆet d’utiliser le premier r´esulte du fait que sa variance est plus faible. En effet , en utilisant l’hypoth`ese d’ind´ependance et de distribution identique des tirages, on montre que V ar(Φ∗ ) = V ar(Φ) + cov(Φ, Φ∗ ). Le gain de variance r´esulte du th´eor`eme pr´ec´edent qui permet d’´etablir que cov(Φ, Φ∗ ) ≤ 0. En effet, N X en l’appliquant `a la variable al´eatoire X = N1 Sti , et pour la fonction Φ(x) = (x − K)+ . i=1

3.3.2

R´ esultats Num´ eriques :

Les graphes ci-dessous permettent de comparer la convergence des prix et les erreurs Monte carlo obtenues avec et sans r´eduction de variance en faisant varier le nombre de trajectoires.

´ METHODE DE MONTE CARLO

13

Fig. 1 – Comparaison des erreurs Monte Carlo avec et sans r´eduction de variance

Fig. 2 – Convergence des prix Monte Carlo avec et sans r´eduction de variance Nous constatons que la variance obtenue avec la m´ethode antith´etique est plus faible. On remarque ´egalement que la courbe des prix de Monte Carlo antith´etique a moins de fluctuations que dans le cas d’un Monte Carlo sans r´eduction de variance, donc que le prix converge effectivement plus rapidement dans le premier cas.

TURNBULL ET WAKEMAN

14

3.4 Reconstitution de la densit´ e de la moyenne ` a partir de simulations de Monte Carlo Notons qT (x) la densit´e de la moyenne arithm´etique sur l’horizon T. Le prix d’un Call asiatique sur moyenne (de strike K) calcul´e `a l’aide de la simulation de Monte Carlo s’exprime aussi par l’int´egrale suivante : µ Z C0 (K) = exp −

T

0

¶Z rd (s)ds



K

qT (x)(x − K)dx

On d´eduit de cette relation que µ Z T ¶ ∂ 2 C0 (K) = exp − rd (s)ds qT (K) ∂K 2 0 Ainsi qT (K) est li´e `a la d´eriv´ee seconde du prix par rapport au strike. µZ qT (K) = exp

0

T

¶ 2 ∂ C(K) rd (s)ds ∂K 2

Cette relation est connue sous le nom de formule de Breeden Litzenberger. L’approximation num´erique que nous avons effectu´ee consiste `a ´evaluer le prix du call pour une s´erie de valeurs discr`etes de strike K1 , K2 , ..., KN . (On suppose que Ki −Ki−1 = δ constant). La d´eriv´ee seconde de C est alors approxim´ee par µ 2 ¶ ∂ C(K) C(Ki−1 )C(Ki+1 ) − 2C(Ki ) = 2 ∂K δ2 K=Ki On pourra se reporter aux annexes pour les graphes de densit´e obtenue `a l’aide de cette m´ethode. qui sont par ailleurs comment´es dans la section 7 ”Analyse des r´esultats”. Conclusion : Finalement le pricing des options par les simulations de Monte Carlo donne des r´esultats relativement pr´ecis. On peut de plus am´eliorer la performance de cette m´ethode par une technique de r´eduction de variance. N´eanmoins, cette technique de pricing est coˆ uteuse en temps de calcul puisque pour obtenir des r´esultats de densit´e satisfaisants, il est n´ecessaire de simuler au moins un million de trajectoires de prix. Nous allons donc dans la partie suivante ´etudier un proc´ed´e beaucoup plus rapide :l’algorithme de Turnbull et Wakeman.

4 4.1

Turnbull et Wakeman le principe de l’algorithme de Turnbull et Wakeman

Pour d´evelopper cette partie, nous avons ´etudi´e l’article de Turnbull et Wakeman, ”A Quick Algorithm for pricing european Asian Options”, dont les r´ef´erences sont not´ees en annexes. Soit Ct le prix du call europ´een consid´er´e, o` u K est le prix d’exercice de l’option et n le nombre d’observations du prix de l’actif sous-jacent.

TURNBULL ET WAKEMAN

15

· Z Ct = Et exp(−

¸

T

0

rd dt)S − K/S ≥ K

o` u E t est l’esp´erance conditionnelle sachant le prix de l’actif en t et S =

1 N

N X

Sti

i=1

Pour ´evaluer cette option, il faut donc connaˆıtre la fonction de densit´e de la moyenne S. Or S ´etant une somme de lognormales corr´el´ees, il est en g´en´eral difficile d’´evaluer sa densit´e ; n´eanmoins, on peut plus facilement calculer ses moments. L’algorithme de Turnbull et Wakeman repose alors sur une approximation de la distribution de S par une distribution lognormale dont les deux premiers moments sont cal´es sur ceux de S. Cette approche nous permet par la suite d’´evaluer notre option par la formule ferm´ee de Black-Scholes.

4.2

Approximation de la densit´ e de S

³ On suppose que S est ´egale en loi `a une variable al´eatoire lognormale qu’on notera Y = µ exp σX −

o` uX Ã N (0, 1). De cette condition d’´egalit´e en loi, les deux premiers moments de S sont ´egaux `a ceux de Y. Nous sommes donc amen´es `a calculer les deux premiers moments de S pour d´eterminer les param`etres µ et σ. En utilisant la transform´ee de Laplace,on trouve les deux premiers moments de Y et on a :

E(Y ) = µ 2

2

(1) 2

2

2

E(Y ) = µ exp(−σ )E[exp(2σX)] = µ exp(σ )

(2)

car E [exp(2σX)] = exp(2σ 2 ) 4.2.1

Calcul des deux premiers moments de S

On se r´ef´erera aux annexes pour la d´emonstration de ces r´esultats. On a, apr`es calcul :

E(S) = 2

E(S ) =

·Z ti ¸ N −1 S0 X exp (rd (s) − rf (s))ds N 0 i=0 µZ ti ¸ Z tj Z ti ∧tj n−1 n−1 S02 X X 2 exp (rd (s) − rf (s))ds + (rd (s) − rf (s))ds σ (s)ds n 0 0 0 i=0 j=0

4.2.2

D´ etermination de la loi de Y 2

Nous avons choisi d’approcher la densit´e de S par une loi lognormale de la forme Y = µ exp(σX− σ2 ) o` u X Ã N (0, 1) (cf ci-dessus). Les param`etres µ et σ 2 , qui caract`erisent ainsi exactement la loi de

σ2 2

´ ,

´ ´ ´ ´ RESOLUTION PAR EQUATIONS AUX DERIV EES PARTIELLES

16

Y, sont alors d´etermin´es de telle sorte que les deux premiers moments de Y co¨ıncident avec les deux moments que nous venons de calculer. Nous devons donc avoir :

E(Y ) = µ = E(S)

(3)

V (Y ) = E(Y 2 ) − E(Y )2 = µ2 exp(σ 2 ) − µ2 = V (S)

(4)

2

ce qui nous donne µ2 exp(σ 2 ) = E(S ) soit à σ

2

= ln

2

E(S ) µ2

!

µ = E(S)

La loi de Y est alors compl`etement caract´eris´ee, ce qui va nous permettre de pricer notre call en calculant l’esp´erance de son payoff actualis´e ; on obtient ainsi : µ Z Ct = exp −

0

T

¶ rd (s)ds [µN (d1) − KN (d2)]

ln( µ )+ 1 σ 2

K 2 avec d1 = et d2 = d1 − σ σ Conclusion : L’avantage de cette m´ethode par rapport `a la m´ethode probabiliste de Monte Carlo est qu’elle est beaucoup plus rapide car ne suppose que deux calculs, `a savoir les deux premiers moments de S. En contrepartie, elle repose sur une approximation fausse consid´erant la densit´e de S lognormale. En effet, mˆeme si on constate pour certains couples, par exemple dans le cas du couple EUR/USD, que ne tenir compte que des deux premiers moments de la loi de S conduit `a des r´esultats tr`es satisfaisants, nous obtenons parfois (comme dans le cas du couple EUR/JPY) des prix diff´erents de ceux donn´es par la premi`ere m´ethode. (L’analyse de ces r´esultats est pr´esent´ee dans la section 7.) Dans la partie suivante, nous allons alors envisager une nouvelle approche qui assimile la moyenne discr`ete `a une moyenne continue. Cette technique consiste `a ´evaluer les options par r´esolution d’´equations aux d´eriv´ees partielles.

5

R´ esolution par ´ equations aux d´ eriv´ ees partielles

5.1 5.1.1

EDP en dimension 2 ´ etablissement de l’´ equation

En conservant les mˆemes notations que pr´ec´edemment, rappelons les dynamiques des actifs sans risque Sd (actif domestique), Sf (actif ´etranger) et de l’actif risqu´e S.

´ ´ ´ ´ RESOLUTION PAR EQUATIONS AUX DERIV EES PARTIELLES

dSd Sd dSf Sf dS S

17

= rd dt = rf dt = (rd − rf )dt + σdWtQ

o` u (WtQ )(t≥0) est un mouvement brownien sous la probabilit´e risque neutre Q, probabilit´e sous laquelle les actifs actualis´es sont martingales. Soient ρ0t et ρt , les quantit´es respectives de l’actif sans risque domestique et de l’actif risqu´e, d´etenus par un investisseur sur le march´e. Notons par ailleurs Φ[(St )0≤t≤T ] le payoff d’un call asiatique sur l’actif St , ´evalu´e sur la moyenne de la p´eriode [0, T ] : !+ ÃR T S du u 0 −K Φ[(St )0≤t≤T ] = T En absence d’opportunit´e d’arbitrage, le prix de ce call s’´ecrit : "Ã R T Pt = exp(−rd (T −

t))EtQ

0

Su du −K T

!+ #

En supposant que notre march´e est complet, on peut r´epliquer tout actif contingent par une strat´egie d’investissement autofinanc´ee fond´ee sur les actifs risqu´e et sans risque : ∃(ρ0t , ρt ) ∈ <2 \Pt = ρ0t St0 + ρt St Mais ´etant donn´e que le payoff n’est pas markovien(il d´epend de la moyenne sur la p´eriode), on Rt introduit la variable It = 0 Su du qui va permettre de le rendre markovien. Par application du lemme d’Itˆo, on trouve : ·

¸ · ¸ ∂P ∂P 1 ∂ 2 P 2 2 ∂P ∂P dPt = + S(rd − rf ) + S σ + s dt + Sσ dWtQ ∂t ∂S 2 ∂S 2 ∂I ∂S Par ailleurs, en utilisant le caract`ere autofinanc´e de la strat´egie de r´eplication, on trouve : dPt = (ρ0t St0 rd dt + ρt St rf + ρt St rf )dt + ρt σSt dWtQ et en identifiant les termes des ´equations pr´ec´edentes, on tire l’´equation d´eterministe de Pt qui s’´ecrit sous la forme du probl`eme suivant de Cauchy sur ([0, T ] ∗ <2 ) :

∂t Pt + =S,I P

= rd Π, 0 ≤ t < T

P (T, S, I) = Φ(I)

(5) (6)

´ ´ ´ ´ RESOLUTION PAR EQUATIONS AUX DERIV EES PARTIELLES

avec

5.1.2

18

1 =S,I = σ 2 S 2 ∂S2 2 + (rd − rf )S∂S + S∂I 2 commentaires

– On constate que l’EDP de dimension 2 satisfaite par le prix du call asiatique fait apparaˆıtre un terme suppl´ementaire qui traduit la d´ependance du payoff en la valeur moyenne de l’actif. – Notons que la pr´esence de ce terme suppl´ementaire fait sortir l’approximation du prix de l’option asiatique du cadre standard de r´esolution des EDP, ce qui n´ecessite un cadre de traitement sp´ecifique comme celui propos´e par ”Zvan et Al” et qui permet de tenir compte de la nature d´eg´en´er´ee de I dans l’op´erateur =S,I .

5.2

EDP en dimension 1

En op´erant le changement de variables suivant : Z I0T

T

= 0

xt = −

Su du − KT

ItT T St

(7) (8)

et par application du lemme d’Itˆo, on trouve que dxt =

−xt σdWtQ

¸ · 1 σ2 dt − (rd − rf − )xt + 2 T

On peut donc montrer que : Pt = St u(t, xt ) exp(−rf t) o` u u est solution de l’´equation diff´erentielle suivante : µ ¶ ∂u 1 ∂u 1 2 2 ∂ 2 u + (rd − rf )x + − σ x = 0, x > 0, t > 0 ∂t T ∂x 2 ∂x2 u(0, x) = 0, x ≥ 0 1 u(t, 0) = (1 − exp(−(rd − rf )T )), t ≥ 0 (rd − rf )T

(9) (10) (11)

Comme le montre le travail de Leli`evre, le probl`eme (9, 10, 11) donne des r´esultats instables lorsque la diffusion (la volatilit´e) est petite. Une m´ethode pour contourner ce probl`eme consiste `a transformer l’´equation d’advection-diffusion en une pure diffusion, c’est `a dire de faire disparaˆıtre le terme convectif

´ ´ ´ ´ RESOLUTION PAR EQUATIONS AUX DERIV EES PARTIELLES

19

li´e `a la premi`ere d´eriv´ee grˆace `a un changement de variable appropri´e. Pour cela on doit simplement int´egrer l’´equation suivante : (rd − rf )x +

1 y = exp((rd − rf )t), y > 0 T T

(12)

On constate que : – lorsque t = 0, la relation (12)s’´ecrit pour x > 0 et y > 1 : 1 (y − 1) T – lorsque x = 0, on a simplement pour t > 0 et y < 1 : (rd − rf )x =

y = exp(−(rd − rf )T ) Ces consid´erations conduisent aux changements de variable suivants : (t, x) 7→ (Θ ≡ t, y ≡ ((rd − rf )T x + 1) exp(−(rd − rf )t)) avec la condition suppl´ementaire Θ>

1 1 log( ) (rd − rf ) y

ainsi que le changement de la fonction inconnue u(.,.) : u(t, x) ≡ v(τ, y) Suite `a ces transformations, les d´eriv´ees partielles dans l’´equation (9) deviennent : ∂u ∂t ∂u ∂x ∂2u ∂x2

=

∂v ∂v − (rd − rf )y ∂τ ∂y

= (rd − rf )T exp(−(rd − rf )τ )

∂v ∂y

= ((rd − rf )T )2 exp(−2(rd − rf )τ )

∂2v ∂y 2

compte tenu de la relation (9), on a 2 2 1 2 1 2 1 2 2 ∂2u 2∂ v 2∂ v σ x = σ ((r − r )xT exp(−(r − r )τ )) = σ (y − exp(−(r − r )τ )) , d f d f d f 2 ∂x2 2 ∂y 2 2 ∂y 2

et l’´equation d’´evolution de la nouvelle fonction inconnue s’´ecrit : ∂v 1 2 ∂2v 1 1 − σ (y − exp(−rτ ))2 2 = 0, τ > 0, y > 0, τ > log( ) ∂τ 2 ∂y (rd − rf ) y Dans cette nouvelle ´equation, les conditions au bord deviennent :

(13)

´ ´ ´ ´ RESOLUTION PAR EQUATIONS AUX DERIV EES PARTIELLES

20

– pour τ = 0 et y > 1, la condition initiale prend maintenant 10 la forme v(0, y) = 0 – pour y < 1 et τ =

1 (rd −rf )

µ v

log( y1 ), la condition `a la limite devient :

1 1 log( ), y (rd − rf ) y

¶ = g(y) =

1 (1 − y), 0 < y ≤ 1 (rd − rf )T

. On constate alors que le probl`eme aux limites (9, 10, 11) est pos´e sur un domaine non rectangulaire : ½ ΩT = (τ, y), 0 ≤ τ ≤ T, τ ≥

¾ 1 1 log( ) (rd − rf ) y

dont la fronti`ere contient la courbe d´efinie par : ½µ Γ= τ=

¶ ¾ 1 1 log( ), y , 0 < y ≤ 1 (rd − rf ) y

La discr´etisation de ce probl`eme demande de r´efl´echir sur un maillage en espace-temps qui contient explicitement la courbe de fronti`ere. On sugg`ere le sch´ema de pr´ecision d’ordre deux obtenu grˆace `a un θ-sch´ema en temps `a pas constant et `a pas non uniforme pour la variable y.

5.3

Discr´ etisation en temps

Nous ´ecrivons l’´equation (13) sous la forme ∂v = A(τ ) · (v(τ )) ∂τ avec τ qui varie au cours du temps et y ≥ exp(−rτ ). L’op´erateur A(τ ) est donn´e par : A(τ ) = µ(τ, y)

2 ∂2 σ2 2 ∂ ≡ (y − exp(−rτ )) ∂y 2 2 ∂y 2

(14)

(15)

A pr´esent, on introduit un pas de temps subdivisant notre intervalle [0 ;T] en N intervalles ´egaux [τk ; τk+1 [ associ´es aux instants interm´ediaires τk : T , τk ≡ k∆t , 0 ≤ k ≤ N N Pour trouver des solutions approch´ees, nous utilisons des θ-sch´emas : ∆t =

¤ 1£ 1 (vk+1 − vk ) = A(τk+1 ) · (vk ) ∆t 2

(16)

(17)

qu’on peut ´ecrire autrement sous la forme suivante : (1 − (1 − θ)∆t Ak+1 ) · (vk+1 ) = (1 + θ∆t Ak )v k , O ≤ θ ≤ 1

(18)

´ ´ ´ ´ RESOLUTION PAR EQUATIONS AUX DERIV EES PARTIELLES

21

et la condition initiale (10) peut s’´ecrire sous la forme suivante : v0 = 0

5.4

Discr´ etisation en espace

Les temps interm´ediaires θk d´efinissent naturellement pour 0 ≤ k ≤ N , des points yN −k sur la courbe limite et l’on pose : yj ≡ exp(−rτN −j ), 0 ≤ j ≤ N. On remarque ´egalement que y0 = exp(−rT ) et yN = 1. On ´etablit par ailleurs la relation suivante :

yj+1 = exp (r∆t ) yj

(19)

Les donn´ees g´eom´etriques introduites ci-dessus conduisent `a une grille cart´esienne (τk , yj ) `a pas constant en temps et `a pas g´eom´etrique en espace, en suivant la relation 19. La condition pour un point discret d’appartenir au domaine s’exprime, compte tenu de la relation pr´ec´edente, sous la forme :

(τk , yj ) ∈ ΩT ⇔ j ≥ N − k

(20)

Les conditions aux limites sur la grille discr`ete sont : – d’une part `a l’instant initial : vj0 = 0, j ≥ 0 – d’autre part sur la courbe limite : k vN −k =

5.5

1 (1 − yN −k ), 0 ≤ k ≤ N (rd − rf )T

Algorithme de calcul de la fonction valeur

On doit dans un premier temps borner l’ensemble des valeurs ponctuelles en espace, de mani`ere `a d´efinir un ensemble fini de variables. On le fait en fixant un entier J qui indique le nombre de points de discr´etisation `a l’instant initial. L’ensemble des points admissibles en espace au pas de temps num´ero k est param´etr´e par des entiers j qui v´erifient la condition : N −k ≤j ≤N +J Par ailleurs, dans un souci de simplicit´e de la mise en oeuvre, on garde ici une progression g´eom´etrique pour l’ensemble des points de la suite (yj ), qui v´erifient donc la relation (19) pour tous les indices j tels que 0 ≤ j ≤ N + J.

´ ´ ´ ´ RESOLUTION PAR EQUATIONS AUX DERIV EES PARTIELLES

22

Par cons´equent, l’ordre du syst`eme lin´eaire `a r´esoudre est variable en fonction de l’indice du pas de temps. Au fur et `a mesure que le temps discret avance, l’ordre du syst`eme lin´eaire `a r´esoudre passe progressivement de J(`a l’instant initial), `a N + J (` a l’instant final) ; `a l’instant k, on a un syst`eme lin´eaire d’ordre J + k `a r´esoudre. Compte tenu de la relation (14) valable dans le cas d’un espace continu, l’op´erateur discret Ak agit sur les fonctions valeur `a l’aide d’un op´erateur aux diff´erences finies : (

∂2ω k ) ' ∂y 2 j

NX −k+J

ωm ∆kj,m

m=N −k

qui doit ˆetre compatible avec les points existants sur la grille `a l’instant k. En pratique, pour un indice j, on choisit un op´erateur aux diff´erence finies centr´e `a cinq points(voir Annexes ”Evaluation par ´equations aux d´eriv´ees partielles” pour le calcul des coefficiants ∆j,m ).

5.6 5.6.1

Interpolation et interpr´ etation des r´ esultats num´ eriques Interpolation des resultats

Cherchons par exemple `a calculer le prix d’un call asiatique `a la monnaie (x = 1) `a maturit´e T. Une premi`ere difficult´e consiste `a situer la position x = 1 entre deux points yj de la grille. En vertu de la relation (15), nous proc´edons de la mani`ere suivante : nous pla¸cons d’abord le point x = 1 entre deux points xj et xj+1 tels que : 1 1 (yj exp(rT ) − 1) ≤ x = 1 ≤ xj+1 = (yj+1 exp(rT ) − 1) rT rT Puis nous ´evaluons la valeur de u(T, x = 1) `a partir des valeurs calcul´ees uj avec la m´ethode des diff´erences finies. Dans le cas d’interpolation affine, nous utilisons les valeurs uj et uj+1 ainsi que le coefficient d’interpolation naturel associ´e `a la relation pr´ec´edente. Dans le cas d’une interpolation parabolique, nous utilisons le triplet (j-1, j, j+1) ou le triplet (j, j+1, j+2). La derni`ere approximation que nous avons employ´ee prend la forme d’un polynˆome de degr´e 3 ; trois quadruplets sont donc utilis´es : ”`a gauche”, (j − 2, j − 1, j, j + 1), au ”centre”, (j − 1, j, j + 1, j + 2), et ”`a droite” (j, j + 1, j + 2, j + 3). Pour ´evaluer UN (T, x = 1), nous disposons donc de six m´ethodes d’approximation sur la grille qu’on peut combiner par les trois θ-sch´emas les plus utilis´es dans la discr´etisation des EDP (implicite, Crank-Nicholson, explicite). xj =

5.6.2

Interpr´ etation

Dans le cas particulier d’une option asiatique sur le taux de change EUR/USD (reuro = 3.151%, rdollar = 5.531%, σ = 6.850%) en utilisant un maillage de points compos´e de N=250 pas de temps et J=250 points de discr´etisation `a la date initiale, les prix obtenus par les diff´erentes approximations sont expos´es dans le tableau suivant.

´ ´ ´ ´ RESOLUTION PAR EQUATIONS AUX DERIV EES PARTIELLES

23

Fig. 3 – Comparaison des prix pour diff´erentes m´ethodes d’interpolation Dans ce cas, on constate l’apparition d’une incertitude sur les r´esultats num´eriques qui s’accentue particuli`erement en utilisant l’approximation lin´eaire des prix. En effet, pour un θ-sch´ema donn´e, le calcul pr´edit une valeur du prix avec 4 chiffres significatifs qui correspondent au nombre de chiffres identiques pour les 6 m´ethodes d’approximation. Si on ne prend pas en compte l’interpolation affine, (qui utilise peu d’informations pour approximer le prix), les valeurs pr´edites ont une significativit´e qui s’´el`eve au sixi`eme chiffre apr`es la virgule. Cette remarque ´etant faite, nous avons choisi l’approximation cubique centr´ee pour comparer les r´esultats donn´es par les EDP avec ceux obtenus par d’autres approches. Pour choisir le θ-sch´ema `a utiliser dans l’approximation des prix, nous avons trac´e le graphe de convergence des prix dans les trois situations. --E.D.P-Convergence vers le prix de l'option par raffinement du maillage de points

0,0274

Prix

0,0269 0,0264

Explicite

0,0259

Crank-Nicholson

Implicite

0,0254 0,0249

25

50

75

100

150

200

250

300

350

400 450 500 600 Nombre de discrétisations

Fig. 4 – Convergence vers le prix de l’option

` INTRODUCTION D’UN MODELE AVEC TAUX STOCHASTIQUES

24

On observe que la m´ethode de r´esolution par un sch´ema implicite donne des r´esultats moins satisfaisants puisque la convergence vers le prix de l’option est plus lente que dans le cas du sch´ema de Crank-Nicholson ou dans le cas du sch´ema explicite, qui donne les r´esultats les plus performants. D’ailleurs, le graphe ci-dessous confirme ce constat : --E.D.P-Gain de précision par raffinement du maillage de points

Précision

5,00E-03 4,00E-03 3,00E-03

Explicite

2,00E-03

Crank-Nicholson

Implicite

1,00E-03

0,00E+00

75 --> 100

100 --> 150

150 --> 200

200 --> 250

250 --> 300

300 --> 350

350 --> 400

400 --> 450

450 --> 500

550 --> 600

Explicite

1,64E-03 7,90E-04 9,73E-05 4,07E-05 6,31E-05 6,65E-05 5,98E-05 5,31E-05 4,66E-05 8,43E-10

Implicite

4,12E-03 3,24E-03 1,32E-03 6,91E-04 4,75E-04 2,73E-04 1,96E-04 1,24E-04 3,45E-05 2,74E-07

Crank-Nicholson 2,88E-03 2,01E-03 7,06E-04 3,24E-04 1,80E-04 1,07E-04 7,04E-05 4,82E-05 3,45E-05 1,04E-08

Fig. 5 – Gain de pr´ecision par raffinement du maillage de points Nous avons repr´esent´e le gain de pr´ecision apport´e par une augmentation du nombre de points de discr´etisation. Par exemple, dans le cas du sch´ema explicite, lorsque l’on passe de 75 `a 100 points de discr´etisation, nous am´eliorons la pr´ecision de notre prix de 1, 64.10−3 . Cela signifie que si pour deux points cons´ecutifs d’une des courbes, l’am´elioration de la pr´ecision ´evolue peu, nous sommes d´ej` a proches du prix de convergence. Nous remarquons alors que c’est effectivement le sch´ema explicite qui converge le plus rapidement.

6

Introduction d’un mod` ele avec taux stochastiques

L’objectif de cette section est de proposer une alternative au mod`ele de Garman et Kohlhagen qu’on a ´etudi´e jusque-l`a. Il s’agit notamment d’introduire des taux stochastiques, et d’observer l’impact de cette mod´elisation sur les prix . De fa¸con empirique, on constate que sur le march´e, on peut avoir des mouvements de translation, pivotement de la courbe des taux. Le prix d’un z´ero-coupon peut donc varier suite `a un mouvement de la courbe des taux et doit donc en r´ealit´e ˆetre mod´elis´e par un processus stochastique. Ce ” risque de taux ” ne peut `a priori pas ˆetre n´eglig´e, surtout sur des maturit´es longues. Nous allons pr´esenter la mod´elisation utilis´ee pour prendre en compte ce ph´enom`ene et analyser les r´esultats num´eriques en comparaison avec ceux des sections pr´ec´edentes. Pour d´evelopper cette section, nous nous sommes inspir´es des articles ref 8 et ref 9 de la bibliographie)

6.1

Mod´ elisation financi` ere

Diff´erentes approches ont ´et´e d´evelopp´ees. Par exemple, le mod`ele de Vasicek consiste `a consid´erer la courbe des taux comme fonction d’une variable d’´etat qui est le taux court et `a le mod´eliser par un

` INTRODUCTION D’UN MODELE AVEC TAUX STOCHASTIQUES

25

processus de retour `a la moyenne. D’autres approches comme celle pr´esent´ee dans l’aricle de Geman Elkaraoui, (Rochet 95) consistent `a partir des processus de prix des z´ero-coupon B(t,T) et `a les mod´eliser par des processus d’Itˆo avec un drif µ(t, T ) et un vecteur de risque ou de volatilit´e σ(t, T ). Nous allons nous placer dans ce cadre et mod´eliser respectivement les deux processus de prix de z´ero-coupon dans les deux ´economies. Les prix `a la date t des z´ero-coupon de maturit´e T dans les deux ´economies sont not´es respectivement Bd (t, T ) et Bf (t, T ). Les taux courts instantan´es sont not´es rd (t) et rf (t), et le taux de change de (f) vers (d) est not´e S(t) . On suppose que dans les deux ´economies, n sources de bruits ind´ependantes(n ≥ 3) expliquent les perturbations al´eatoires de tous les produits financiers. On notera W P (t) ce brownien multidimensionnel sous la probabilit´e historique P propre `a l’agent et (Ft )(t≥0) , la filtration qu’il engendre. 6.1.1

Dynamiques des processus de prix en absence d’arbitrage

On note : λd (t) et λf (t), les primes de risque dans chaque ´economie,σd (t, T ) et σf (t, T ) les vecteurs de volatilit´e des deux z´ero-coupon. En l’absence d’opportunit´e d’arbitrage, dans chacune des deux ´economies, on peut ´ecrire les relations suivantes. dBd (t, T ) Bd (t, T ) dBf (t, T ) Bf (t, T ) dS(t) S(t)

= rd (t)dt+ < σd (t, T ), dW p (t) + λd dt > = rf (t)dt+ < σf (t, T ), dW p (t) + λf dt > = (rd − rf )dt+ < σs (t, T ), dW p (t) + λd dt >

Le lien entre les deux primes de risques λd et λf s’obtient en traduisant le non arbitrage entre les deux ´economies (d) et (f). 6.1.2

Lien entre primes de risque λd et λf

Bf (t, T ) est le prix du z´ero coupon ´etranger exprim´e en monnaie ´etrang`ere. On exprime que la dynamique du processus Zt = Bf (t, T )S(t) qui correspond au prix exprim´e en devise (d) satisfait au principe de non arbitrage ´enonc´e dans l’´economie (d). Sa dynamique est donc de la forme : rd (t)dt+ < σZ , dW P (t) + λd dt > . Par application du lemme d’Itˆo, on a dZ dS dBf dS dBf = + +< , > Z S Bf S Bf

` INTRODUCTION D’UN MODELE AVEC TAUX STOCHASTIQUES

26

dB

f es calcul nous donne le lien entre les deux primes avec < dS S , Bf >=< σs (t), σf (t, T ) > dt ce qui apr` de risque suivant : λf = λd − σs dt D’autre part, comme on l’a d´ej`a effectu´e pr´ec´edemment, on peut d´efinir une probabilit´e Qd , RT ´equivalente `a P sous laquelle W Qd = W P + 0 λd (s)ds est un mouvement brownien. Sous la probabilit´e Qd (risque neutre domestique), les dynamiques des trois processus s’´ecrivent donc de la fa¸con suivante :

dBd (t) Bd (t) dBf (t, T ) Bf (t, T ) dS(t) S(t)

= rd (t)dt+ < σd (t, T ), W Qd (t) > = [rf (t)− < σf (t), σs (t) >]dt+ < σf (t, T ), W Qd (t) > = (rd − rf )dt+ < σs (t), W Qd (t) >

Sous la probabilit´e Qd (domestique), on a d´ej` a vu que le prix en t d’un actif contingent versant Φ a` la date T s’´ecrit : · µ Z T ¶¸ Qd Pt = E Φ exp − rd (s)ds t

Il est clair que dans le cas de taux stochastiques, le facteur d’actualisation ne peut ˆetre sorti de l’esp´erance permettant de calculer le prix d’un actif contingent comme dans les section pr´ec´edentes et il n’est plus tr`es commode de se placer sous la probabilit´e Qd . Nous allons donc effectuer un changement de num´eraire. 6.1.3

Construction de la probabilit´ e de Pricing : Probabilit´ e Forward Neutre

La technique du changement de num´eraire que nous allons utiliser ici est d´evelopp´ee dans l’article d’El Karaoui, Geman et Rochet (95). On note Ft , le prix `a la date t du forward de change d’´ech´eance T : B (t,T ) Ft = St Bfd (t,T ) . En utilisant les ´equations de diffusion du paragraphe pr´ec´edent, ainsi que les formules d’Itˆo, on montre que, dFt =< σs (t) + σf (t) − σd (t, T ), dW Qd (t) − σd (t, T )dt > Ft . Nous voyons donc que si on arrive `a d´efinir une probabilit´e QT telle que dW Qd (t) − σd (t, T )dt est un QT mouvement brownien, le forward sera martingale sous QT . Une telle probabilit´e QT existe d’apr`es le th´eor`eme de Girsanov, et on a µ Z T ¶ Z T dQT 2 ( ) = ZT = exp − σd (s, T )ds + σd (s, T )dW s dQd \FT 0 0 La probabilit´e ainsi d´efinie est la probabilit´e forward neutre, qui rend martingale les processus de prix forward de n’importe quel actif contingent. Ainsi, si on note Pt , le prix `a la date t d’un actif contingent versant Φ `a la date T dans l’´economie domestique (d), la formule de pricing devient Pt = Bd (t, T )E QT (Φ)

` INTRODUCTION D’UN MODELE AVEC TAUX STOCHASTIQUES

27

. 6.1.4

Application au Pricing d’Options

Application au Pricing d’Options Nous allons d’abord (pour des objectifs de calibration du mod`ele), calculer le prix d’un Call de Change. Prix d’un call de change On a d´ej`a ´etabli dFt =< σs (t) + σf (t, T ) − σd (t, T ), dWQT > Ft et on note le vecteur des volatilit´es du forward d’´ech´eance T : σGK (t, T ) = σs (t) + σf (t, T ) − σd (t, T ) . En int´egrant cette ´equation entre les dates t et T , on obtient : · ¸ Z Z T Bf (t, T ) 1 T 2 ST = St exp − σGK (s, T )ds − σGK (s, T )dW s Bd (t, T ) 2 t t . En supposant la volatilit´e du forward d´eterministe, on conclut que XT suit une loi lognormale et on peut calculer le prix d’un Call de Change dans ce mod`ele, en utilisant la formule de Black Scholes. Ct = St Bf (t, T )N (d1) − KBd (t, T )N (d2) avec

RT 2 St Bf (t,T ) (s, T )ds ln KB + 21 t σGK d (t,T ) qR d1 = T 2 t σGK (s, T )ds

et

s Z d2 = d1 − t

T

2 (s, T )ds σGK

Remarques sur la calibration du mod` ele : On note de fa¸con g´en´erale ρxy , le coefficient de X ,σY > corr´elation instantan´e entre les prix de deux processus de prix X et Y (ρxy = <σ kσX kkσY ). Le prix de march´e `a la date 0 d’un Call de change de maturit´e T permet donc de calibrer le mod`ele. La volatilit´e moyenne implicite qui en est d´eduite est la quantit´e : Z t Z t 2 σGK (u, t)du = σs2 (u, t) + σf2 (u, t) + σd2 (u, t) 0

0

+ 2ρsf kσs (u))kk(σf (u, t))k − 2ρsd k(σs (u))kk(σd (u, t))k + 2ρf d k(σf (u, t))kk(σd (u, t))kdu

` INTRODUCTION D’UN MODELE AVEC TAUX STOCHASTIQUES

28

Cette ´equation donne le lien entre la volatilit´e implicite(observ´ee) et la volatilit´e du spot qui servira notamment dans le calcul du prix de l’option asiatique par la m´ethode de MonteCarlo. Il est `a noter que la volatilit´e implicite inclut la volatilit´e des trois processus de prix ainsi que leur corr´elation. Prix de l’Option Asiatique Il reste donc `a pr´eciser la dynamique de St sous la probabilit´e Forward neutre, pour pouvoir appliquer la m´ethode de MonteCarlo. En partant de la relation dFt =< σGK (t, T )dW QT >=< σs (t) + σf (t, T ) − σd (t, T )dW QT , Ft on d´eduit que

· ¸ Z Z T Bf (0, T ) Bd (t, T ) 1 T 2 St = S0 exp − σGK (s, T )ds − σGK (s, T )dW s Bf (t, T ) Bd (0, T ) 2 t t B (t,T )

Bd (t,T ) et Bff (0,T ) , autrement dit les dynamiques des Il faut maintenant pouvoir exprimer les ratio B d (0,T ) z´ero-coupon sous la probabilit´e QT . Pour ´etablir ces ´equations, on utilise Bd (t, T ) et Bf (t, T ) comme num´eraires et on montre par application du lemme d’Itˆo qu’`a t’ fix´e, les z´ero-coupon domestique et ´etranger d’´ech´eance t’ ont pour dynamique dans ces num´eraires :

dBd (t, t0 ) Bd (t, T ) dBf (t, t0 ) Bf (t, T )

=

Bd (t, t0 ) < σd (t, t0 ) − σd (t, T ), dW QT > Bd (t, T )

= < σf (t, T ) − σf (t, t0 ), σGK (t, T ) > dt+ < σf (t, T ) − σf (t, t0 ), dW QT >

On int`egre ensuite ces ´equations entre les dates 0 et t , puis on pose t’=t, ce qui permet d’exprimer Bd (t, T ) et Bf (t, T ) en fonction de Bf (0, t) et Bd (0, t). L’avantage est que ces quantit´es sont connues `a partir de la courbe des taux initiale. La dynamique du spot sous la probabilit´e forward neutre s’´ecrit finalement : · ¸ Z Bf (0, t) 1 t exp − (σs (u) + σf (u, T ) − σd (u, T ))2 du Bd (0, t) 2 0 · ¸ Z t 1 exp − < (σs (u) + σf (u, T ) − σd (u, T )), σd (u, t) − σd (u, T ) > du 2 0 ·Z t ¸ Qt exp < (σs (u) + σf (u, T ) − σd (u, T )), dW (u) > du

St = S0

0

Remarque : Cette ´equation de diffuson du spot permettra d’effectuer l epricing par simulations Monte Carlo. Notons ´egalement que lorsque σd (u, t) = 0 et σf (u, t) = 0, on retrouve la dynamique ´etablie dans le cadre du mod`ele de Garman Kohlhagen avec taux d´eterministes. Simulation de MonteCarlo : La simulation n´ecessite de pouvoir g´en´erer de nouvelles trajectoires de spot avec taux stochastiques, l’´equation de diffusion du spot ´etant celle obtenue ci-dessus. La structure de volatilit´e prise pour les z´ero-coupon est la suivante : σd (t, T ) = [1 − exp(−αd (T − t))] Ud

` INTRODUCTION D’UN MODELE AVEC TAUX STOCHASTIQUES

29

o` u Ud est un vecteur de <3 σf (t, T ) = [1 − exp(−αf (T − t))] Uf o` u Uf est un vecteur de <3 . Les normes de Ud et Uf , ainsi que les valeurs de αd et αf sont interpr´et´ees comme des facteurs permettant de mod´eliser les d´eformations de la courbe de taux en niveau et en pente. D’autre part, les produits scalaires entre vecteurs de volatilit´e intervenant dans la dynamique de St , sont interpr´et´es `a l’aide de la corr´elation. Les corr´elations entre les diff´erents processus ρf d , ρf s , ρsd , ainsi que les normes des vecteurs Ud et Uf sont donc les param`etres variables de la simulation. Enfin, σS (t) qui est la derni`ere grandeur non encore sp´ecifi´ee, est calcul´ee en utilisant l’´equation ´etablie dans la section pr´ec´edente donnant le lien entre volatilit´e implicite σGK (t, T ) observable sur le march´e (celle du forward de change) , les autres volatilit´es σd (t, T ), σf (t, T ), et les termes de corr´elation. Les simulations ont ´et´e effectu´ees pour certains jeux de param`etres et sont pr´esent´es dans la section suivante.

Analyse des r´esultats

7

30

Analyse des r´ esultats

Nous nou ssomes d’abord plac´es dans le cadre du mod`ele de Garman et Kohlhagen et avons impl´ement´e trois m´ethodes de pricing (pricing par formule ferm´ee d´erivant de l’algorithme de Turnbull et Wakeman, m´ethode de Monte Carlo et r´esolution par ´equations aux d´eriv´ees partielles). Ensuite nous avons prolong´e notre ´etude en ajoutant un un mod`ele de taux stochastiques. Notre objectif ´etait alors de comparer l’efficacit´e et le temps de calcul de ces diff´erentes m´ethodes. Ainsi, pour rendre compte de leur performance , nous avons trac´e les graphes de densit´e et de prix obtenus. On se r´ef`erera aux annexes pour l’observation de ces graphes. Leur ´etude nous permet de comparer d’une part, les r´esultats d’une m´ethode selon les param`etres choisis (comme le nombre de trajectoires pour les simulations Monte Carlo, le nombre de dates servant `a calculer la moyenne des cours de change ou encore le nombre de points de discr´etisation pour la r´esolution par EDP), d’autre part, l’efficience des unes par rapport aux autres, compte tenu de leurs contraintes (hypoth`eses de base ou temps de calcul). Int´eressons-nous dans un premier temps aux graphes de prix (figures 6, 7, 8, 9 en annexes). – Les graphes 6 et 7 comparent les prix obtenus par EDP et par simulations de Monte Carlo pour des nombres de dates (pour le calcul de la moyenne) diff´erents ( respectivement 12 dates et 50 dates) : on constate que plus le nombre de dates augmente, plus les prix Monte Carlo se rapprochent des prix EDP. Cette remarque va dans le sens de l’hypoth`ese de r´esolution par EDP qui consiste `a assimiler moyenne discr`ete te moyenne continue. D’ailleurs, nous pouvons constater qu’avec seulement 50 dates l’´ecart de prix entre les deux m´ethodes est de l’ordre de 10−4 . – En r´ealisant les graphes 8 et 9, nous avons tent´e de comparer l’approche de Monte Carlo avec 50 dates, aux deux autres approches. On remarque alors qu’`a l’instar de la m´ethode par EDP, l’´evaluation d’options par le mod`ele de Turnbull et Wakeman donne les mˆemes prix (ou du moins des ´ecarts du mˆeme ordre de grandeur) que la m´ethode de Monte Carlo pour le couple de devises EURO/USD. Cette observation aurait pu nous amener `a retenir la m´ethode d’´evaluation par formule ferm´ee de Turnbull et Wakeman qui est beaucoup plus rapide que les deux autres (elle est presque instantan´ee alors que les autres demandent plusieurs heures de temps de calcul, `a savoir `a peu pr`es 6 heures pour des simulations Monte Carlo `a un million de trajectoires antith´etiques et 3h30 pour la r´esolution par EDP avec 600 points de discr´etisation du temps et de l’espace). Cependant, on a par ailleurs constat´e que pour certains couples de devises (comme le couple EURO/JPY cf figure 10 en annexes), les prix donn´es par cette approximation n’´etaient pas exacts. D’autre part, dans la mesure o` u c’est la densit´e de notre moyenne qui est `a la base de tout calcul de prix d’options, nous avons ´etudi´e les diff´erenes fonctions de densit´e obtenues par chaque approche. La figure 11 des annexes donne trois courbes de densit´es Monte Carlo (12 dates, 24 dates et 50 dates) et une courbe de densit´e EDP. Comme on avait pu le constater pour les prix, on observe qu’avec

Analyse des r´esultats

31

l’accroissement du nombre de dates servant `a calculer la moyenne du cours de change, la densit´e Monte Carlo se rapproche de la densit´e EDP. Cette remarque tend donc `a l´egitimer les r´esultats obtenus puisque la r´esolution par EDP utilise une moyenne continue. Sur le graphe de la figure 14, on constate aussi que les densit´es Monte Carlo 50 dates et EDP sont relativement proches. De mˆeme (cf FIG 15), les densit´es obtenues par l’algorithme de Turnbull et Wakeman et Monte Carlo avec taux stochastiques sont tr`es proches. Enfin, nous avons ´egalement ´etudi´e l’impact de la volatilite des taux d’int´erˆet sur les prix en comparant les prix Monte Carlo ou Turnbull et Wakman avec taux d´eterministes et les prix Monte Carlo avec taux stochastiques. Pour cette ´etude, nous avons consid´er´e deux maturit´es : une maturit´e courte de 6 mois et une maturit´e longue de 6 ans. On constate alors (cf figures 11 et12 ) que pour des options de maturit´e courte, l’introduction d’al´eas sur les taux d’int´erˆet influence peu les prix d’options. A l’inverse, dans le cas des maturit´es longues, les prix sont beaucoup plus ´elev´es. Ce r´esultat nous semble coh´erent dans la mesure o` u on introduit un al´ea suppl´ementaire li´e aux taux qui peut aussi bien faire augmenter le cours de l’actif sous-jacent, que le faire fortement diminuer. Mais alors que dans le premier cas, le gain peut ˆetre tr`es ´elev´e dans le cas d’un call), dans le second cas, la perte se limite `a la prime. Par ailleurs, cet al´ea sur les taux a beaucoup plus de chances d’influer sur le cours des actifs, donc sur le prix des options, si la maturit´e de l’option est ´elev´ee.

CONCLUSION

32

Conclusion En conclusion, nous avons impl´ement´e trois m´ethodes de pricing des options asitiques de change en nous fondant sur le mod`ele de Garman et Kohlhagen. La premi`ere approche, l’algorithme de Turnbull et Wakeman, a l’avantage d’ˆetre extrˆemement rapide, mais repose sur une hypoth`ese fausse puisque ce mod`ele suppose lognormale la densit´e d’une moyenne de varibles lognormales corr´el´ees. Mˆeme si elle nous a fourni des r´esultats satisfaisants pour certains prix d’options, elle donne parfois des r´esultats peu fiables. Nous avons alors impl´ement´e une technique plus robuste mais beaucoup plus longue en temps de calcul, `a savoir la technique des simulations de Monte Carlo. Ce proc´ed´e apporte effectivement des r´esultats coh´erents mais pour cela, il suppose la simulation d’un million de trajectoires de cours du spot, soit pr`es de 6 heures de temps de calcul. Enfin, la derni`ere approche est une m´ethode de pricing de r´esolution par ´equations aux d´eriv´ees partielles ; elle est fond´ee sur une hypoth`ese moins contraignante que le mod`ele de Turnbull et Wakeman : elle consiste `a assimiler la moyenne discr`ete pour le calcul du payoff `a une moyenne continue. Dans une derni`ere partie, nous avons finalement introduit un mod`ele de taux stochastiques pour tenir compte du risque de taux et nous avons alors mis en ´evidence l’impact de cet al´ea sur les taux pour les options `a maturit´e longue uniquement.

ANNEXES

A A.1

ANNEXES Graphes de Prix

Fig. 6 – Comparaison des prix Monte Carlo avec 12 dates et prix EDP

Fig. 7 – Comparaison des prix Monte Carlo avec 50 dates et prix EDP

33

ANNEXES

34

Fig. 8 – Comparaison des prix Monte Carlo et des prix par EDP

Fig. 9 – Comparaison des prix Monte Carlo et des prix Turnbull et Wakeman

ANNEXES

35

Fig. 10 – Comparaison des prix Monte Carlo et des prix Turnbull et Wakeman pour le couple EURO/JPY

ANNEXES

36

Fig. 11 – Comparaison des prix Monte Carlo avec taux d´eterministes et taux stochastiques `a maturit´e courte

Fig. 12 – Comparaison des prix Monte Carlo avec taux d´eterministes et taux stochastiques `a maturit´e longue

ANNEXES

A.2

Graphes de densit´ e

Fig. 13 – Comparaison des densit´es EDP et Monte Carlo

37

ANNEXES

Fig. 14 – Comparaison des densit´es Monte Carlo 50 dates et EDP

38

ANNEXES

39

Fig. 15 – Comparaison des densit´es Turnbull et Wakeman et Monte Carlo avec taux stochastiques `a maturit´e courte

A.3 A.3.1

Turnbull et Wakeman d´ emonstration du cacul des deux premiers moments de S

On rappelle l’´equation de St ´etablie pr´ec´edemment : ¸ ·Z t Z t Z 1 t 2 σ(s)dW s (rd (s) − rf (s))ds − σ (s)ds + St = S0 exp 2 0 0 0 Posons : ·Z Ft = exp

0

t

1 (rd (s) − rf (s))ds − 2

Z

t

¸ σ (s)ds 2

0

Alors on a : ·Z St = S0 Ft exp On sait de plus que :

Z

t

t

¸ σ(s)dW s

0

µ Z t ¶ 2 σ(s)dW s à N 0, σ (s)ds

0

0

N (0, v 2 ),

Or si X Ã la transform´ee de Laplace nous permet de d´eterminer les moments d’ordre k de Y = exp(X) ; en effet, on a : · ¸ k2 v2 E(Y ) = exp km + 2 k

ANNEXES

40

Donc

·

µZ

¶¸ · Z t ¸ 1 2 σ(s)dW s = exp σ (s)ds 2 0

t

E exp 0

et finalement ·Z E(St ) = S0 exp

0

t

¸ (rd (s) − rf (s))ds)

Nous pouvons d´esormais calculer l’esp´erance de la moyenne du prix de notre sous-jacent. En effet, puisque N −1 1 X S= Sti N i=0

on a

N −1 1 X E(S) = E(Sti ) N i=0

soit E(S) =

·Z ti ¸ N −1 S0 X exp (rd (s) − rf (s))ds N 0 i=0

2

Nous devons `a pr´esent calculer le moment d’ordre 2 de S, E[S ] 2

N −1 X

1 N

En d´eveloppant S , sachant que S =  2

S =

N −1 X

1  N2

Sti , on obtient :

i=0

i=0

St2i + 2

N −1 j≤N X X−1 i=0

 Sti Stj 

j>i

On a d’apr`es les calculs pr´ec´edents :

E(St2i ) soit

=

S02 exp

· Z 2

ti

0

¸ · Z rd (s) − rf (s)ds exp −

ti

¸ µ · Z θ (s)ds E exp 2

0

· Z E(St2i ) = S02 exp 2

0

ti

0

ti

¸ · Z θ2 (s)ds exp 2

0

ti

¸¶ θ(s)dW s

ti

¸ θ2 (s)ds

0

¸ · Z rd (s) − rf (s)ds exp −

· Z 2 2 E(Sti ) = S0 exp 2

ti

2

¸ ·Z rd (s) − rf (s)ds exp

0

ti

¸ 2 θ (s)ds

0

De plus, E(Sti Stj ) =

S02 exp

· Z 2 0

ti

¸ · Z r2 (d) − rf (s)ds exp 2

0

tj

¸ rd (s) − rf (s)ds

ANNEXES

41 ¸ · ¸ Z Z 1 ti 2 1 tj 2 exp − θ (s)ds exp − θ (s)ds 2 0 2 0 · · Z ti ¸¸ Z tj E exp 2 θ(s)dW s + θ(s)dW s ·

0

Z

ti

Z

tj

ti

Or les variables al´eatoires θ(s)dW s et θ(s)dW s sont ind´ependantes, donc la variable 0 Z tj Z ttii al´eatoire Y = θ(s)dW s + 2 θ(s)dW s est normale. ti

0

Ses deux premiers moments sont : – E(Y ) = 0

Z

– V (Y ) = 4

Z

ti

2

tj

θ (s)ds + 0

θ2 (s)ds

ti

Par la transform´ee de Laplace, on en d´eduit · Z E(exp(Y )) = exp 2 0

ti

1 θ (s)ds + 2 2

Z

tj

¸ θ (s)ds 2

ti

d’o` u l’on tire, apr`es calcul : ·Z E(Sti Stj ) =

S02 exp

0

ti

¸ ·Z rd (s) − rf (s)ds exp

0

tj

¸ ·Z rd (s) − rf (s)ds exp

ti

¸ θ (s)ds 2

0

Donc : ·Z ti ¸ N −1 S0 X exp (rd (s) − rf (s))ds E(S) = N 0 i=0 µZ ti ¸ Z tj Z ti ∧tj n−1 n−1 S02 X X 2 2 E(S ) = exp (rd (s) − rf (s))ds + (rd (s) − rf (s))ds σ (s)ds n 0 0 0 i=0 j=0

A.4

Evaluation par ´ equations aux d´ eriv´ ees partielles

A.4.1

Algorithme de calculde la fonction valeur

On d´esigne par j le num´ero du point courant et on suppose que les points yn utilis´es pour l’approximation de la d´eriv´ee seconde sont bien d´efinis, ainsi que les valeurs un du champ U. On pose yk,l = yl − yk L’approximation centr´ee `a cinq points se pr´esente sous la forme d’un sch´ema num´erique du type :

ANNEXES

42

j+2 X ∂2u (yj ) ≈ ∆j,m um ∂y 2 m=j−2

Apr`es un calcul ´el´ementaire, on obtient : ∆j,j−2 = 2

yj,j+1 yj,j+2 + yj,j+2 yj,j−1 + yj,j−1 yj,j+1 yj−2,j−1 yj−2,j yj−2,j+1 yj−2,j+2

∆j,j−1 = −2 ∆j,j = 2

yj,j+1 yj,j+2 + yj,j+2 yj,j−2 + yj,j−2 yj,j+1 yj−2,j−1 yj−1,j yj−1,j+1 yj−1,j+2

yj,j−2 yj,j−1 + yj,j+1 yj,j+2 + (yj,j−2 + yj,j−1 )(yj,j+1 + yj,j+2 ) yj−2,j yj−1,j yj,j+1 yj,j+2

∆j,j+1 = −2 ∆j,j+2 = 2

yj,j−1 yj,j+2 + yj,j+2 yj,j−2 + yj,j−2 yj,j−1 (yj−2,j+1 yj−1,j+1 )yj,j+1 yj+1,j+2

yj,j−1 yj,j+1 + yj,j+1 yj,j−2 + (yj,j−2 yj,j−1 ) (yj−2,j+2 yj−1,j+2 )yj,j+2 yj+1,j+2

L’approximation d´ecentr´ee `a droite `a cinq points que nous avons utilis´ee s’´ecrit : j+3 X ∂2u (y ) ≈ ∆j,m um j ∂y 2 m=j−1

Le calcul des coefficiants ∆ conduit aux valeurs suivantes : ∆j,j−1 = 2 ∆j,j = −2

yj,j+1 yj,j+2 + yj,j+2 yj,j+3 + yj,j+3 yj,j+1 yj−1,j yj−1,j+1 yj−1,j+2 yj−1,j+3

yj,j−1 yj,j+3 + yj,j+3 yj,j+1 + (yj,j−1 + yj,j+3 )(yj,j+3 + yj,j+2 ) yj−1,j yj,j+1 yj,j+2 yj,j+3

∆j,j+1 = 2 ∆j,j+2 = −2 ∆j,j+3 = 2

yj,j−1 yj,j+2 + yj,j+2 yj,j+3 + yj,j+3 yj,j−1 (yj−1,j+2 yj,j+2 )yj+1,j+2 yj+2,j+3 yj,j−1 yj,j+1 + yj,j+1 yj,j+3 + (yj,j+3 yj,j−1 ) (yj−1,j+2 yj,j+2 )yj+1,j+2 yj+2,j+3

yj,j−1 yj,j+1 + yj,j+1 yj,j+2 + (yj,j+2 yj,j−1 ) (yj−1,j+3 yj,j+3 )yj+1,j+3 yj+2,j+3

L’approximation des points `a droite du domaine d’´etude utilis´ee se fonde sur une approximation `a quatre points et s’´ecrit sous la forme : j X ∂2u ∆j,m um (yj ) ≈ ∂y 2 m=j−3

ANNEXES

43

avec ∆j,j−3 = 2

yj−2,j yj−1,j yj−3,j−2 yj−3,j−1 (yj−3,j )2

∆j,j−2 = −2 ∆j,j−1 = 2

∆j,j = −2

yj−3,j yj−1,j yj−3,j−2 yj−2,j−1 (yj−3,j )2

yj−3,j yj−2,j yj−3,j−1 yj−2,j−1 (yj−1,j )2

2 2 2 2 2 2 + yj−3,j yj−2,j yj−1,j (yj−3,j + yj−2,j + yj−1,j ) yj−3,j + yj−1,j yj−1,j + yj−2,j yj−2,j yj−3,j 2 2 2 yj−2,j yj−3,j yj−1,j

La derni`ere d´eriver `a approximer concerne les avant-derniers points du domaine d’´etude. l`a aussi, on utilise une approximation `a quatre points : j+1 X ∂2u (yj ) ≈ ∆j,m um ∂y 2 m=j−2

avec

∆j,j = −2

∆j,j−2 = −2

yj,j+1 (3yj+1,j − 2yj+1,j−1 ) yj−2,j−1 yj−2,j (yj−2,j+1 )2

∆j,j−1 = −2

yj,j+1 (3yj+1,j − 2yj+1,j−2 ) yj−2,j−1 yj−1,j (yj,j+1 )2

2 6yj+1,j − 3(yj+1,j−2 + yj+1,j−1 )yj+1,j + yj+1,j−2 yj+1,j−1 2 yj−2,j yj−1,j yj,j+1

∆j,j+1 = −2 + −

3 3(yj+1,j−2 + yj+1,j−1 )yj+1,j + (yj+1,j−2 yj+1,j−1 )2 2 2 2 yj−2,j+1 yj−1,j+1 yj,j+1

2 2 2 yj+1,j−2 yj+1,j−1 − 2(yj+1,j−2 + yj+1,j )(yj+1,j ) 2 2 2 yj−2,j+1 yj−1,j+1 yj,j+1

2yj+1,j−2 yj+1,j−1 yj+1,j (yj+1,j−2 + yj+1,j−1 ) 2 2 2 yj−2,j+1 yj−1,j+1 yj,j+1

´ ERENCES ´ REF

44

R´ ef´ erences [1] John HULL : Options, futures et autres actifs d´eriv´es, Pearson, 2004 [2] Bruno BOUCHARD : Polycopi´e Cours ENSAE 3´eme ann´ee : Evaluation d’actifs financiers par absence d’opportunit´e d ’ arbitrage [3] GARMAN et KOHLHAGEN : Foreign Currency Option Values. J. International Money and Finance 2, 231-237,1983 [4] Makoto MATSUMOTO et Takuji NISHIRUMA : http ://www.math.sci.hiroshima-u.ac.jp/, 1997 [5] TURNBULL et WAKEMAN : A Quick Algorithm for pricing european Asian Options. Journal of Financial and Quantitative Analysis 26, 1992 (P377-389) [6] Bruno BOUCHARD : Polycopi´e Cours ENSAE 2`eme ann´ee : Methodes de MonteCarlo [7] Lionel MARTELLINI, Philippe PRIAULET : Produits de taux d’int´erˆet, Economica, 2004 [8] EL KARAOUI, GEMAN et ROCHET :Changes of numeraire,changes of probability measures and options pricing, 1995 [9] Klaus SANDMAN : Pricing of Asian Exchange Rate Options under stochastic Rates as a sum of Options. Finance and Stochastic Manuscripts, 1997 [10] Julien GAUBERT et David RUSO : Pricing et Couverture des Options Asitiques, 2004 [11] Tony LELIEVRE et Fran¸cois DUBOIS :Calcul d”terministe du prix des options asiatiques, 2004 [12] ROGERS et Z.SHI : The value of an asian option [13] S.CREPEY : Computational finance, 2007

Related Documents


More Documents from "Jean-Philippe Solanet-Moulin"

December 2019 24
Antropologia.docx
April 2020 10
Arrival Time.docx
December 2019 21
December 2019 10