Simulation des mod`eles financiers

Monte Carlo & differences finies pour les EDP

Yassine EL QALLI

Institut National de Statistique et dEconomie

Appliqu
ee

Novembre 2013
Fili`ere Actuariat-Finance - Semestre 5

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

Methodes Monte-Carlo pour les options

Introduction
Reduction de la variance
Simulation des processus stochastiques
Methodes speciales

Methodes des differences finies

Generalites sur les EDP
Differences finies pour lEDP de Black et Scholes

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

Methodes Monte-Carlo pour les options

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

Introduction

Introduction

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

Introduction

En Finance le payoff des produits derives est donne par une fonction
de lactif sous-jacent `a une (ou des) date(s) future(s).
Le prix du produit derive, dans un mod`ele complet, est alors
lesperance sous lunique probabilite risque neutre du payoff actualise.
Lobjectif numerique est donc de calculer cette esperance de la
mani`ere la plus efficace et la plus rapide possible.

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

Introduction

Les methodes numeriques:

Ces esperances peuvent `a laide de la formule de Feynman-Kac
secrire comme la solutions dequations aux derivees partielles. Ainsi,
on peut utiliser les methode existantes de type elements finis ou
differences finies.
Il existe egalement les methodes dites darbre, qui consistent `a
approcher la solution de lequation differentielle stochastique par une
chane de Markov discr`ete.
Enfin, les methodes de Monte-Carlo. Ces methodes necessitent de
savoir simuler lEDS du sous-jacent. Souvent, il faut recourir `a des
schemas numeriques. De plus, meme cette discretisation effectuee, il
peut saverer que la methode ne soit pas efficace, par exemple lorsque
la variance est trop elevee. Les methodes de reduction de variance
permettent deviter ce genre de difficulte.

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

Introduction

Theor`eme (Loi forte des grands nombres)

Soit (Xi , i 1) une suite de variables aleatoires independantes et
identiquement distribuees (iid) telles qe E(|X1 |) < +, alors
!
n
1X
Xi = E(X1 ).
lim
n+ n
i=1

Ce theor`eme permet dutiliser des algorithmes probabilistes pour calculer

nimporte quelle esperance. Considerons le cas o`
u les variables aleatoires
suivent une loi uniforme sur [0, 1]. Alors un generateur aleatoire permet de
simuler cette loi. Pour approcher son esperance, il suffit donc de simuler n
fois cette loi et de faire la moyenne des simulations. Cest aussi pour cela
que le terme de gauche est souvent appele moyenne arithmetique et on le
n.
notera X
Simulation des mod`
eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

Introduction

Il faut remarquer egalement que cette Rmethode permet de calculer un

1
certain nombre dintegrales. Soit I = 0 f (u)du o`
u f est une fonction
integrable. On voit immediatement que I se reecrit comme I = E[f (U )]
o`
u U est une variable aleatoire de loi U[0,1] . En appliquant lalgorithme
precedant `a Xi = f (Ui ) on calcule I.
Le probl`eme se pose maintenant devaluer theoriquement lefficacite de
cette methode. Il existe des theor`emes qui permettent de calculer la
vitesse de convergence dune methode de Monte-Carlo.
Theor`eme (Theor`eme central Limite)
Soit (Xi , i 1) une suite de variables aleatoires, independantes et
identiquement distribuees telles que E(Xi2 ) < +. On pose
2 = V ar(Xi ), alors


n
1
L
E(X
)

(X
+
.
.
.
+
X
)

G
o`
u G N (0, 1).
1
1
n
2
n

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

Introduction

Remarque
Si on consid`ere lerreur de lestimation
n = E(X1 )

1
(X1 + . . . + Xn )
n

alors dapr`es le theor`eme central limite pour tout c1 < c2

 Z c2

x2 dx

lim P c1 n c2 =
e 2
n+
n
n
2
c1
Ainsi, si on veut construire des intervalles de confiance, leurs largeurs
depend du nombre de simulations et de la variance.
En pratique on applique lapproximation precedente pour n assez large et
2
n N (0, n ).

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

Introduction

A noter quil est impossible de borner lerreur puisque le support dune

variable gaussienne est R. Neanmoins, on peut definir un intervalle de
confiance. Par exemple, remarquer que
P(|G| 1.96) 0.95.
Donc, avec une probabilite de 0.95, pour n assez large on a

|n | 1.96 .
n
Il faut egalement noter que :
Levaluation de la variance est cruciale pour mesurer lefficacite de la
methode.

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

Introduction

N lestimateur Monte-Carlo de E(X)

On note par X
N
X
N = 1
X
Xi .
N
i=1

Lestimateur standard de la varianceNest donne par

1 X
2
N )2 .

N
=
(Xi X
N 1
i=1

Donc avec une probabilite de 0.95, E(X) appartient `a lintervalle

(aleatoire) donne par


1.96
N
1.96
N

, XN +
.
XN
N
N
Donc avec un peu de calcul additionnel, (calcul de
N ) on peut donner
N .
une estimation raisonnable de lerreur dapproximation de E(X) par X
La possibilite davoir une erreur destimation avec un co
ut numerique
faible est une propri`ete tr`es utile des methodes Monte-Carlo.
Simulation des mod`
eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

Introduction

Les methodes de Monte-Carlo reposent sur la capacite de simuler des

variables aleatoires. Pour ce faire, on a recours `a des generateurs de
nombres aleatoires.
Un ordinateur nest en pratique capable que de generer des suites
deterministes. Il existe neanmoins des procedes permettant de
construire des suites de nombres qui se comportent statistiquement
comme des suites aleatoires.
Ces suites sont construites par recurrence
un+1 = h(un ),

n N.

La valeur de u0 (le germe) doit alors etre choisie par lutilisateur sous
peine de toujours obtenir la meme suite de nombres. Souvent, on
utilise lhorloge de lordinateur pour initialiser le germe.
Lexemple le plus simple est celui du generateur congruentiel lineaire
h(x) = (ax + b) (mod. m)

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

Introduction

En C (library stdlib.h), la fonction srand() permet dinitialiser le

germe du generateur rand(). On peut par exemple ecrire
srand(time(NULL));.
La fonction rand() retourne la valeur dun entier (de type
long int) uniformement distribue dans [0, RAND MAX].
Attention, rand() peut renvoyer la valeur 0.
Maintenant, pour obtenir une variable gaussienne on peut se servir de la
methode la plus utilisee; la methode de Box-Muller.
Proposition (Box-Muller)
Soient U et V deux variables aleatoires independantes de loi uniforme sur
[0, 1]. On definit X et Y par
p
p
X = 2 log U sin(2V )
;
Y = 2 log U cos(2V ).
Alors X et Y sont deux variables aleatoires de loi normale N (0, 1).
Simulation des mod`
eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

Introduction

Donc pour simuler une variable normale sous C on proc`ede comme suit :
Faire le changement dechelle
uu
:=

u
.
RAND MAX

tel que u
[0, 1].
Generer maintenant deux variables uniformement distribuees dans
rand()
rand()
[0, 1], u1 = RAND
MAX ; u2 = RAND MAX et donc
p
G = 2 log u1 sin(2u2 ) N (0, 1)
Proposition (Algorithme polaire)
2
2
Soit (U,
V ) de loi uniforme sur {(u, v); 0 < u + v < 1}. On pose
2
2
R = U + V et
p
p
X = U 2 ln(R2 )/R2
;
Y = V 2 ln(R2 )/R2 .

Alors (X, Y ) N (0, I2 )

Simulation des mod`
eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

Introduction

En pratique, on a souvent besoin de pouvoir simuler des vecteurs gaussiens

faisant intervenir des correlations entre les differentes dimensions.
Proposition
Soit Rd et Md une matrice symetrique definie positive. Alors
il existe A Md , telle que = AAT (par exemple lalgorithme de
Cholesky).
si G N (0, Id ), alors + AG N (, ).
Sous GSL library on peut utiliser la fonction
gsl linalg cholesky decomp(gsl matrix *A) pour faire la
decomposition de Cholesky.

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

R
eduction de la variance

Reduction de la variance

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

R
eduction de la variance

Nous avons vu que lerreur due `a lapproximation de lesperance par

unemethode Monte-Carlo `a N simulations est majore par le ratio
/ N .
On a donc interet `a reecrire cette esperance comme fonction dune
esperance dune autre variable aleatoire qui a une variance plus faible.
Cest lidee de base des techniques de la reduction de la variance.
Supposons quon souhaite evaluer E(X). On cherche donc une
representation alternative pour cette esperance telle que
E(X) = E(Y ) + C
en utilisant une variable aleatoire Y qui a une variance inferieure `a
celle de X et C une constante connue. Plusieurs techniques ont ete
developpees pour implementer cette idee. variables de controles,
variables antithetiques, fonction dimportance,...

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

R
eduction de la variance

Variables de contr
oles
Lidee de base de la methode des variables de contr
oles est decrire
E(f (X)) comme
E(f (X)) = E(f (X) h(X)) + E(h(X)),
o`
u E(h(X)) est desperance nulle ou calculable explicitement et
Var(f (X) h(X))  Var(f (X)).
Dans ce cas le calcul de E(f (X)) sera effectue en utilisant une methode
Monte-Carlo pour estimer E(f (X) h(X)).
Comme la variance est plus faible, lestimateur sera de meilleure qualite.

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

R
eduction de la variance

Reduction de la variance via la parite Call-put

Soit St le prix `a linstant t dun actif risque. On note par C le prix dune
option dachat europeenne et par P le prix dune option de vente
europeenne




C = E erT (ST K)+
,
P = E erT (K ST )+ .
On rappelle la parite Call-put qui est une relation qui ne depend pas du
choix du mod`ele
C P = S0 KerT .
Cette formule peut etre utilisee pour reduire la variance dun call puisque


C = E erT (K ST )+ + S0 KerT .
Le calcul Monte-Carlo du call est reduit au calcul du put.
Simulation des mod`
eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

R
eduction de la variance

Remarque
En general, la variance dune option put est plus faible que celle dune
option call, puisque le payoff du put est borne contrairement au payoff du
call.

Exemple 1 : Option Asiatique

La pariteR call-put peut etre obtenue pour loption asiatique. Posons
T
ST = 1
Su du. On a
T

E (ST K)+ E (K ST )+ = E(ST ) K,
et dans le cas de Black-Scholes on a
Z
Z
1 T
1 T
erT 1

E(Su )du =
S0 eru du = S0
E(ST ) =
.
T 0
T 0
rT

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

R
eduction de la variance

Methode de Kemna-Vorst pour les options Asiatiques

Kemna and Vorst. A pricing method for options based on average
asset values. Journal of Banking and Finance., 113-129.
Le prix dun put Asiatique est
+ !

Z
1 T
rT
.
Su du
P =E e
K
T 0
De plus on a dans le cadre de Black-Scholes



2
St = x exp
r
t + Wt
2
o`
u (Wt , t 0) est un mouvement brownien sous la probabilite
risque-neutre.
Si et r sont assez petits, on peut esperer que
 Z T

Z
1 T
1
Su du nest pas trop loin de exp
log (Su ) du
T 0
T 0
Simulation des mod`
eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

R
eduction de la variance

Cet argument heuristique sugg`ere dutiliser la variable de controle suivante

Y = erT (K exp(Z))+
avec Z = T1
explicitement

RT
0

log (Su ) du. Comme Z est gaussienne on peut calculer

E erT (K exp(Z))+ .

Elle est donnee par la formule



p


1
E erT (K exp(Z))+ = KN (d)eE(Z)+ 2 Var(Z) N d Var(Z) .
o`
ud=

E(Z)log(K)

.
Var(Z)

Cette methode est efficiente quand 0.3 par an et r 0.1 par an et

T 1 annee. Bien s
ur, si les valeurs de et r sont plus grand, le gain
obtenu avec cette variable de contr
ole est moins signifiant mais la
methode reste utile.
Simulation des mod`
eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

R
eduction de la variance

Exemple 2 : Option Panier

Supposons quon a, pour i = 1, . . . , d

p
p
X
X
1
2
STi = xi exp r
ij
T+
ij WTj
2
j=1

j=1

o`
u W 1 , . . . , W p sont des mouvements Brownien independants. Soient
ai , 1 i p, des nombres reels positifs tels que a1 + + ad = 1. On
souhaite calculer le prix dune option put sur un panier


E erT (K X)+
o`
u X = a1 ST1 + + ad STd . Lidee est dapprocher
a1 x1 rT +Ppj=1 1j WTj
ad xd rT +Ppj=1 dj WTj
X
=
e
+ +
e
m
m
m
Simulation des mod`
eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

o`
u m = a1 x1 + + ad xd , par
Pd

Y = me

Y
m

i=1

R
eduction de la variance

o`
u Y est la variable log normale
ai xi
m

(rT +

Pp

j=1

ij WTj )

Puisque on peut avoir une formule explicite pour

E(K Y )+ ,
Lutilisation de Z = (K Y )+ comme variable de controle et la
simulation de (K X)+ (K Y )+ fournissent un algorithme efficace.

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

R
eduction de la variance

Fonctions dimportance

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

R
eduction de la variance

On souhaite calculer E(g(X)) o`

u X est une v.a. de densite f . Lidee de
cette methode est dintroduire une nouvelle densite de probabilite f > 0.
On peut alors ecrire


Z
g(Y )f (Y )
g(x)f (x)f(x)
dx = E
E(g(X)) =
f(x)
f(Y )
o`
u Y est une v.a. de densite f. On peut donc approcher E(g(X)) par


1 g(Y1 )f (Y1 )
g(Yn )f (Yn )
+ +
,
n
f(Y1 )
f(Yn )
o`
u Y1 , . . . , Yn sont des copies independantes de Y . Posons
Z = g(Y )f (Y )/f(Y ). La variance de la simulation sera reduite si
Var(Z) < Var(g(X)).

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

R
eduction de la variance

La variance de Z est donnee par



g(Y )2 f (Y )2
Var(Z) = E
[E(g(X))]2
f(Y )2
Z
g(x)2 f (x)2
=
dx [E(g(X))]2 .
f(x)
Si on prend
g(x)f (x)
f(x) =
E(g(X))
La variance de Z sera nulle !!! Ce resultat ne peut pas etre utilise en
pratique puisque il faudrait connatre ce que lon cherche `a calculer i.e.
E(g(X)).

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

R
eduction de la variance

Exemple
Supposons quon souhaite calculer E((G)) o`
u G N (0, 1). On choisira

la variable aleatoire G = G + m `a simuler o`

u m doit etre bien choisit. On a
!


(G)

m2
(G)f

m
G+

2
E((G)) = E
= E (G)e
.

f(G)
Cette egalite peut etre reecrite


2
mG m2
E((G)) = E (G + m)e
.
Supposons quon souhaite calculer une option call dans le mod`ele de
Black-Scholes, on a donc

+
(G) = eG K ,


et on suppose que  K. Dans ce cas, P eG > K est tr`es petite et
lexercice de loption est peu probable.
Simulation des mod`
eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

R
eduction de la variance

Cette situation peut mener `a une grande erreur dans la methode

Monte-Carlo standard. Pour augmenter la possibilite dexercice, on peut
utiliser legalite precedente



+

+ 
m2
E eG K
= E e(G+m) K emG 2
Le choix de m = m0 tel que em0 = K donne

 1
P e(G+m0 ) > K = .
2
A noter que ce choix de m0 nest pas optimal, mais iml ameliore
considerablement lefficience de la methode Monte-Carlo quand  K.

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

R
eduction de la variance

Proposition
Soit et K deux reels positifs tels que < K et Xm la v.a

+
m2
Xm = e(G+m) K emG 2 .
2 sa variance. Alors 2 est une fonction d
On note m
ecroissante de m
m
log(K/)
quand m m0 =
.

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

R
eduction de la variance

Variables antith
etiques

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

R
eduction de la variance

La techniques des variables antithetiques est largement utilisee dans la

simulation Monte-Carlo. Cette technique est souvent efficiente mais ses
gains sont moins signifiants que les autres techniques. Considerons cet
exemple pour illustrer.

Exemple
Considerons lintegrale suivante
Z
I=

g(x)dx.
0

Si U suit une loi uniforme sur [0, 1], alors 1 U `a la meme loi que U , et
donc


Z
1 1
1
I=
(g(x) + g(1 x))dx = E
(g(U ) + g(1 U )) .
2 0
2
On peut donc generer n variables independantes U1 , . . . , Un de loi
uniforme sur [0, 1], et approcher I par


1 1
1
I2n =
(g(U1 ) + g(1 U1 )) + . . . + (g(Un ) + g(1 Un ))
n 2
2
Simulation des mod`
eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

R
eduction de la variance

1
[g(U1 ) + g(1 U1 ) + . . . + g(Un ) + g(1 Un )] .
2n
Pour tester lefficience de cette methode on la compare `a la methode
standard avec 2n simulations
I2n =

0
I2n
= [g(U1 ) + g(U2 ) + . . . + g(U2n1 ) + g(U2n )] .

On a
0
Var(I2n
)=

1
V ar(g(U1 )),
2n

et
V ar(I2n )

=
=
=



1
1
Var
(g(U1 ) + g(1 U1 ))
n
2
1
(Var(g(U1 )) + Var(g(1 U1 )) + 2Cov(g(U1 ), g(1 U1 )))
4n
1
[Var(g(U1 )) + Cov(g(U1 ), g(1 U1 ))] .
2n

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

On a V ar(I2n ) V

0 )
ar(I2n

R
eduction de la variance

si et seulement si Cov(g(U1 ), g(1 U1 ) 0.

Theor`eme
Soit X une v.a., T une transformation decroissante de R telle que
loi
T (X) = X, et f une fonction monotone alors
Cov(f (X), f (T (X))) 0,
avec inegalite si f est strictement monotone sur un domaine de mesure
non nulle.
Le principe de cette methode est dutiliser des proprietes de symetrie de la
loi simulee pour reduire la variance.

Exemple en finance
Considerons une
gaussienne standard G et une option dachat
E (eG K)+ .
loi

Evidement
G G, et la fonction T `a considerer dans ce cas est
T (x) = x.
Simulation des mod`
eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

R
eduction de la variance

Comme le payoff est croissant comme fonction de G, lestimateur

antithetique suivant certainment va reduire la variance
I2n =

1
(g(G1 ) + g(G1 ) + + g(Gn ) + g(Gn )) ,
2n

o`
u g(x) = (ex K)+ .
TP

Ecrire
un programme
C comparant les prix dune option dachat


E (eG K)+ en utilisant
La formule close de Black-Scholes;
En utilisant un estimateur antithetique de Monte-Carlo ; Preciser
lintervalle de confiance.
En utilisant une variable de contr
ole ; Preciser lintervalle de
confiance.
Proposer aussi une amelioration dans le cas o`
u  K.
Simulation des mod`
eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

R
eduction de la variance

Stratification

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

R
eduction de la variance

On souhaite calculer lesperance suivante

Z
I = E(g(X)) = g(x)f (x)dx,
o`
u X est une v.a. de loi f .
Soient (Di , 1 i m) une partition de Rd . I peut etre exprime comme
suit
I=

m
X
i=1

E(1{XDi } g(X)) =

m
X

E(g(X)|X Di )P(X Di ),

i=1

o`
u
E(g(X)|X Di ) =

E(1{XDi } g(X))
.
P(X Di )

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

R
eduction de la variance

A noter que E(1{XDi } g(X)) peut etre interpretee comme E(g(X i )) o`

u
Xi est une v.a. dont la loi est est la loi de X conditionnee par
lappartenance de X `a Di et dont la densite est donnee par
1
1{xDi } f (x)dx.
Di f (y)dy

R
Remarque

La variable X i peut etre simulee en utilisant la procedure

dacceptation-rejet. Mais cette methode nest pas efficiente dans le cas o`
u
P(X Di ) est petite.
Dans le cas o`
u on peut calculer pi = P(X Di ) on peut utiliser la
methode Monte-Carlo pour approcher chaque esperance conditionnelle
Ii = E(g(X)|X Di ) par
1
Ii = (g(X1i ) + + g(Xni i )).
ni
o`
u (X1i , . . . , Xni i ) sont des copies independantes de X i .
Simulation des mod`
eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

R
eduction de la variance

Un estimateur I de I peut etre donne par

m
X

I=
pi Ii .
i=1

Bien s
ur les simulations utilisees pour calculer Ii sont supposees
independantes et donc la variance de I est
m
X
2
=
Var(I)
p2i i ,
ni
i=1

i2

g(X i ).

o`
u
est la variance de
P
Fixons maintenant le nombre total des simulations n = m
i=1 . Si on choisit
pi i
ni = n Pm
i=1 pi i
alors la variance de I est donnee par
1
n

m
X

!2
pi i

i=1

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

R
eduction de la variance

Cette variance est inferieure `a celle obtenue sans stratification. En effet,

Var(g(X)) = E(g(X)2 ) [E(g(X))]2
=
=

m
X
i=1
m
X

m
X

pi E(g(X)2 |X Di )
pi Var(g(X)|X Di ) +

i=1

!2
pi E(g(X)|X Di )

i=1
m
X

pi E(g(X)|X Di )2

i=1
m
X

!2
pi E(g(X)|X Di )

i=1

P
Pm
2
2
EnPutilisant la convexite de x2 on a linegalite ( m
i=1 pi ai )
i=1 pi ai
m
si i=1 pi = 1 on aura donc linegalite
Var(g(X))

m
X

pi Var(g(X)|X Di )

i=1
Simulation des mod`
eles financiers, Monte Carlo & diff
erences finies pour les EDP

m
X

!2
pi i

i=1
INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

R
eduction de la variance

Pour plus de details sur le choix optimal des ni et Di voir

Cochran 1977. Sampling Techniques. Wiley Series in Probabilities
and Mathematical Statistics.

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

R
eduction de la variance

Valeur moyenne et conditionnement

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

R
eduction de la variance

Cette methode utilise le fait que le conditionnement reduit la variance.

Soit Z une variable aleatoire de carre integrable, on a
E(Z) = E(E(Z|Y )),
o`
u Y est nimporte quelle variable aleatoire construite sur le meme espace
de probabilite. Il est connu que E(Z|Y ) peut secrire comme
E(Z|Y ) = (Y ).
De plus, on a E(Z) = E((Y )) et par linegalite de Jensen pour les
esperances conditionnelle on a
E((Y )2 ) E(Z 2 ),
donc Var((Y )) Var(Z).

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

R
eduction de la variance

Bien s
ur, lefficacite de la methode repose sur la connaissance de la
fonction . Cela est clair lorsque Z = f (X, Y ), o`
u X et Y sont des
variables independantes. Dans ce cas,
E(f (X, Y )|Y ) = (Y ),
o`
u (y) = E(f (X, y)).

Exemple en finance : Volatilite stochastique

Soit (Wt , t 0) un mouvement Brownien. On suppose que (St , t 0) suit
le mod`ele `a volatilite stochastique suivant
dSt = St (rdt + t dWt ) , S0 = x,
o`
u (t , t 0) est un processus stochastique independant de (Wt , t 0).

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

R
eduction de la variance

On souhaite calculer, en utilisant des techniques de Monte-Carlo

E(erT f (ST )),
o`
u f est une fonction de payoff. Clairement ST sexprime comme


Z T
Z T 2
t
dt +
t dWt .
ST = x exp rT
2
0
0
Mais, comme les processus (t , t 0) et (Wt , t 0) sont independants
on peut montrer que
s
Z T
Z
1 T 2
loi
t dWt
dt WT .
T 0 t
0

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

R
eduction de la variance

En conditionnant par rapport au processus on obtient

E erT f (ST ) = E((t , 0 t T )),
o`
u pour une trajectoire de volatilite fixee (vt , 0 t T )



q R
R v2
rT 0T 2t dt+ T1 0T vt2 dtWT
rT
(vt , 0 t T ) = E e
f xe
s

Z T
1
=
v 2 dt .
T 0 t
Or () est donne par





2
() = E erT f x exp
r
T + WT
.
2
Ainsi quand f est le payoff du call ou du put, il peut sexprimer
directement en utilisant les resultats de Black-Scholes.
Simulation des mod`
eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

Simulation des processus stochastiques

Simulation des processus stochastiques

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

Simulation des processus stochastiques

Nous avons vu des methodes de simulation permettant de calculer des

esperances de variables aleatoires par la methode de Monte Carlo.
Ceci nest possible que lorsque lon est capable de simuler selon la loi
des dites variables aleatoires.
En finance, il sagit souvent de calculer des esperances de la forme
E((Xs , s T )),
o`
u est une fonctionnelle du processus (Xt , t 0).
Le but de cette partie est de decrire quelques methodes utilisees pour la
simulation trajectorielle dun processus donne. Cette simulation est
necessaire lorsque lon veut calculer une option dependant de la trajectoire
(options asiatiques, barri`eres, etc...).

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

Simulation des processus stochastiques

Simulation recursive dune trajectoire Brownienne

On consid`ere (Wt , 0 t T ) un mouvement Brownien definit sur [0, 1].
Soit 0 = t0 < t1 < < tn = T une subdivision de [0, T ]. On cherche `a
simuler une trajectoire du mouvement Brownien en les points de la
subdivision, cest `a dire que lon cherche la loi du processus discret
(Wti , i = 0, . . . , n).
Proposition
Soit (Gi )i=1,...,n une suite i.i.d selon N (0, 1). On definit
X0 = 0

Xi =

i
X
p
tj tj1 Gj ,

i > 0.

j=1

Les vecteurs (Wt0 , . . . , Wtn ) et (X0 , . . . , Xn ) sont egaux en loi.

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

Simulation des processus stochastiques

Notons bien que cette methode de simulation nengendre pas derreur de

discretisation sur le processus discret.
Pour simuler la valeur de Wt on a exploite les proprietes des increments en
decomposant Wt comme suit : Pour un pas h = t on ecrit
Wt = Wt + (W2t Wt ) + (W3t W2t ) + . . . + (Wt Wtt )
Pour obtenir une realisation de (Wph , 1 p N ) il suffit de calculer
X
h
Gk .
Wph
= h
1kp

(Algorithme pour simuler les trajectoires du MB)

choisir t


T
t0 = 0 ; n = ent t
pour j = 0 `a n
tj = tj1 + t
generer Zj N (0, 1)
Wtj = Wtj1 + Zj t
J ++
Simulation des mod`
eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

Simulation des processus stochastiques

Figure: Une trajectoire du mouvement Brownien tracee sous Gnuplot.

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

Simulation des processus stochastiques

Simulation du mod`ele de Black-Scholes

Soit



2
St = x exp
r
t + Wt .
2
En utilisant le paragraphe precedent, on construit une simulation exacte
en loi du vecteur (Sph , 1 p N ) en posant



2
h
h
Sph = x exp
r
ph + Wph .
2


Il faut remarquer que lon peut obtenir une simulation exacte quand la
volatilite est une fonction du temps puisque
Z (p+1)h
s dWs ,
ph

reste une suite de variable aleatoire gaussienne de moyenne 0 et de

variance
Z (p+1)h
s2 ds.
ph
Simulation des mod`
eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

Simulation des processus stochastiques

Imaginons maintenant que lon veuille ajouter un point `a notre subdivision

entre les instants ti et ti+1 , comment faire pour simuler cette nouvelle
valeur sans devoir simuler `a nouveau toute la trajectoire apr`es linstant ti ?

Simulation retrograde dune trajectoire Brownienne

Dans certains cas nous avons besoin dune methode de simulation qui
peut etre raffinee en certains points de la trajectoire.
Lalgorithme suivant illustre cette caracteristique.
Il faut noter que cet algorithme donne aussi une construction dune
trajectoire Brownienne.
Cette simulation repose sur le calcul de la loi conditionnelle de W t+s
2
sachant Ws et Wt .
Si s t, le vecteur (Ws , W t+s , Wt ) est un vecteur gaussien. On peut donc
2
trouver deux nombres et tels que la variable aleatoire Z, definie par
Z, = W t+s Ws Wt
2

soit independante de (Ws , Wt ).

Simulation des mod`
eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

Simulation des processus stochastiques

Imaginons maintenant que lon veuille ajouter un point `a notre subdivision

entre les instants ti et ti+1 , comment faire pour simuler cette nouvelle
valeur sans devoir simuler `a nouveau toute la trajectoire apr`es linstant ti ?

Simulation retrograde dune trajectoire Brownienne

Dans certains cas nous avons besoin dune methode de simulation qui
peut etre raffinee en certains points de la trajectoire.
Lalgorithme suivant illustre cette caracteristique.
Il faut noter que cet algorithme donne aussi une construction dune
trajectoire Brownienne.
Cette simulation repose sur le calcul de la loi conditionnelle de W t+s
2
sachant Ws et Wt .
Si s t, le vecteur (Ws , W t+s , Wt ) est un vecteur gaussien. On peut donc
2
trouver deux nombres et tels que la variable aleatoire Z, definie par
Z, = W t+s Ws Wt
2

soit independante de (Ws , Wt ).

Simulation des mod`
eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

Simulation des processus stochastiques

Le vecteur (Z, , Ws , Wt ) est encore un vecteur gaussien de moyenne

nulle. Donc Z, est independante de Ws et de Wt si et seulement si
Cov(Z, , Ws ) = 0 et

Cov(Z, , Wt ) = 0

Puisque pour tout t, s, E(Ws Wt ) = t s et que

Cov(Z, , Ws ) = E(W t+s Ws ) E(Ws2 ) E(Ws Wt )
2

on obtient
t+s
s t
2
Il est clair que les deux covariances sannulent si et seulement si
= = 1/2. De plus, comme Z, est une combinaison lineaire
delements dun vecteur gaussien, cest une variable gaussienne. Pour
determiner enti`erement sa loi, il suffit de calculer sa moyenne et sa
variance. On a E(Z 1 , 1 ) = 0 o`
u
Cov(Z, , Ws ) = s s s idem

Cov(Z, , Ws ) =

2 2

1
Z 1 , 1 = W t+s (Ws + Wt )
2 2
2
2
Simulation des mod`
eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

Simulation des processus stochastiques

et la variance de Z 1 , 1 est
2 2

1
Var(Z 1 , 1 ) = (t s)
2 2
4
Z 1 , 1 peut donc secrire
2 2

Z1,1 =
2 2

1
t sG
2

o`
u G N (0, 1) et independante de (Ws , Wt )
Remarque
On peut aussi montrer que G est independante de (Wu , u s) et
(Wu , u t).
On peut resumer ce raisonnement comme suit :
(

W t+s = 12 (Ws + Wt ) + 12 t sG
2
G(Wu , u s) et (Wu , u t)
Simulation des mod`
eles financiers, Monte Carlo & diff
erences finies pour les EDP

()

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

Simulation des processus stochastiques

On peut envisager une procedure de simulation de la trajectoire de

(Wu , 0 u 1)
(Algorithme de simulation retrograde dune trajectoire Brownienne)
1

Calculer W1 avec une variable N (0, 1),

Utiliser (), avec s = 0 et t = 1 pour simuler W 1 ,

2

Utiliser (), avec s = 0 et t =

Utiliser (), avec s =

et ainsi de suite !

1
2

1
2

pour simuler W 1
4

et t = 1 pour simuler W 3

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

Simulation des processus stochastiques

Discretisation dEDS
La methode de Monte-Carlo utilisee pour approcher E[f (XT )]
suppose que lon sait simuler la loi de la variable aleatoire XT .
En general, on ne peut pas resoudre explicitement lequation
differentielle stochastique associee au processus X (Cest le cas de la
plupart des mod`eles de taux dinteret).
De plus, meme si on trouve une solution, celle-ci peut etre trop
complexe pour etre simulee directement.
Il est naturel de chercher `a simuler une solution `a partir de lequation
elle-meme en utilisant des schemas dapproximation.
La methode dePMonte-Carlo va consister en lapproximation de
n ) o`
n est le schema.
E[f (XT )] par i f (X
uX
t
t
Lerreur de ces methodes `a deux causes : une erreur statistique et une
erreur liee `a la discretisation.
Simulation des mod`
eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

Simulation des processus stochastiques

Le schema dEuler
Notre but est de trouver un schema approchant la solution dune equation
differentielle stochastique. Soit (Xt , t 0) le processus d-dimensionnel
solution de
Z t
Z t
b(Xs )ds +
(Xs )dWs
()
Xt = X0 +
0

o`
u (Wt , t 0) est un mouvement Brownien r-dimensionnel.
Soit n le nombre dintervalles de discretisation et h = Tn . La solution
exacte verifie
Z h
Z h
Xh = X0 +
b(Xs )ds +
(Xs )dWs
0

Une approximation naturelle de Xh , basee sur la definition de lintegrale

dIt
o, peut etre donnee par
Xh ' X0 + b(X0 )h + (X0 )(Wh W0 ).
Simulation des mod`
eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

Simulation des processus stochastiques

En procedant par recurrence, on obtient le schema dEuler pour lEDS

()
X0n = X0 ,
n
n
n
n
X(k+1)h
= Xkh
+ b(Xkh
)h + (Xkh
)(W(k+1)h Wkh )

(~)

Ce schema est une generalisation naturelle aux EDS des schemas dEuler
utilises pour les equations differentielles ordinaires. La simulation dun
schema dEuler est extremement simple puisquil suffit de simuler les
variables gaussiennes W(k+1)h Wkh .

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

Simulation des processus stochastiques

Theor`eme (Convergence forte)

Soient b et deux fonctions lipschitziennes. Soit (Wt , t 0) un
mouvement brownien r-dimensionnel. On note (Xt , t 0) lunique
solution de
dXt = b(Xt )dt + (Xt )dWt , X0 = x,
n , k 0) la suite de variables d
et par (Xkh
efinies par lequation (~). Alors,
pour tous q 1
!

n
sup |Xkh
Xkh |2q

Chq .

k,khT

urement
De plus, pour tous < 21 , presque s
lim

h0

1
sup |X n Xkh | = 0
h k,khT kh

Ce theor`eme prouve que la vitesse de convergence dans L2 est de lordre

de h1/2 et que la vitesse de convergence presque sure est dordre h1/2 ,
pour tout eles>financiers,
0. Monte Carlo & differences finies pour les EDP
Simulation des mod`
INSEA D
ec 2013
Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

Simulation des processus stochastiques

Le schema de Milshtein
Pour les equations differentielles ordinaires, le schema dEuler peut
etre ameliore par les methodes de Runge Kutta.
Plusieurs schemas dordre superieur ont ete proposes pour les EDS.
Cependant leur mise en uvre reste delicate.
Le plus simple schema dordre 2 est le schema de Milshtein. Il permet
de faire converger `a une vitesse superieure dans les espaces Lp mais
est difficile `a simuler quand la dimension est strictement plus grande
que 1 et converge en loi `a la meme vitesse que le schema dEuler.

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

Simulation des processus stochastiques

n = x et pour
Le schema de Milshtein quand d = r = 1 est defini par X
0
k1






n
n
n
n
X
W(k+1)h Wkh
(k+1)h = Xkh + b Xkh h + Xkh

 
 Z (k+1)h
0
n
n

+ Xkh Xkh
(Ws Wkh )dWs
kh

Explication: Pour comprendre comment le nouveau terme apparat,

considerons lequation sans drift suivante
dXt = (Xt )dWt .
On peut etendre le schema dEuler `a tous t dans [tk , tk+1 ], (tk = kh), par
interpolation lineaire.


n = X
n + X
n (Wt Wt ).
X
t

tk

tk

tn donne une approximation de Xt sur [tk , tk+1 ] qui est meilleure que
X
Xtnk (approxi dEuler en tk ).
Simulation des mod`
eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

Simulation des processus stochastiques

n est une meilleure approximation de

On peut esperer aussi que X
t
(Xt ) que (Xtnk ). Un bonne proposition pour un schema dordre
superieur est
Z t  
n
n

n dWs .
Xt = Xtk +
X
s
tk

Ce shema peut etre approche en utilisant la formule de Taylor

 




tn
tn + X
tn (Wt Wt )
X
= X
k
k
k



 

n + 0 X
n X
n (Wt Wt )
X
tk
tk
tk
k
Cela conduit au schema suivant



 
Z t
n
n
n
n
0
n

Xt = Xtk + Xtk (Wt Wtk ) + Xtk Xtk

(Ws Wtk )dWs .
tk

Cest le schema de Milstein avec b = 0. Le calcul setend au cas o`

u b 6= 0.
Simulation des mod`
eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

Simulation des processus stochastiques

On note quen pratique lintegrale qui figure dans la formule de Milstein

est calculable par la formule dIt
o
Z

(k+1)h

(Ws Wkh )dWs =

kh



2
1
W(k+1)h Wkh h .
2

Le schema de Milstein se reecrit comme

n
(k+1)h
X

 


 





n
n
n
n
n
kh
kh
kh
kh
kh
X
+ b X
21 0 X
X
h+ X
W(k+1)h Wkh

 


2
n
n
kh
kh
+ 1 0 X
X
W(k+1)h Wkh
()
2

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

Simulation des processus stochastiques

Exemple
Considerons le cas du mod`ele de Black-Scholes avec
Wk = W(k+1)h Wkh
dSt = St (rdt + dWt ) ,

S0 = x.

Le schema dEuler secrit

n
n
X
(k+1)h = Xkh (1 + rh + Wk ) .
Le schema de Milstein




1 2
1 2
n
n
2

X(k+1)h = Xkh 1 + r h + Wk + (Wk ) .

2
2

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

Simulation des processus stochastiques

Theor`eme
On suppose que b et sont deux fois continuement differentiables avec
des derivees bornees. On note (Xt , t 0) lunique solution de
dXt = b(Xt )dt + (Xt )dWt

X0 = x,

n , k 0) la suite de variables aleatoires definis par (). Alors

et par (X
kh
!

q
 n

E
sup Xkh Xkh  Chq
q 1.
k,khT



1
 n

sup
X

X

 = 0 p.s,
kh
kh
h0 h k,khT
lim

< 1

Le schema de Milshtein ameliore les vitesses de convergence

trajectorielles
: il est dordre h alors que le schema dEuler est dordre h.
Simulation des mod`
eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

Simulation des processus stochastiques

TP
Considerer le mod`ele de Black-Scholes et comparer les schemas dEuler et
Milstein avec la solution explicite.

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

M
ethodes sp
eciales

Methodes speciales

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

M
ethodes sp
eciales

Quand le payoff dune option est specifie on peut construire des methodes
plus efficaces que les methodes general vues precedemment.

Options asiatiques
On suppose que le payoff secrit

Z
f ST ,


Ss ds ,

o`
u f est une fonction bornee et (St , t 0) est la solution de lEDS de
Black-Scholes
1 2
St = xe(r 2 )t+Wt .
Si on veut utiliser des methodes de Monte-Carlo pour calculer le prix
dune de ces options, on doit simuler la moyenne de St , et donc approcher
son integrale. Ici, il nest pas necessaire dapprocher St car il peut etre
simule exactement aux instants kh avec h = T /N , et on notera alors les
instants tk = kT /N = kh. Nous introduisons trois schemas pour
RT
approcher YT = 0 Su du.
Simulation des mod`
eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

M
ethodes sp
eciales

Le schema standard
Comme il est facile de simuler St `a linstant t, lintegrale peut etre
approchee par une somme de Rieman.
YT1,N = h

N
1
X

Stk .

k=0

Si M represente le nombre de simulations de Monte-Carlo, une

approximation du prix dun call fixe asiatique est donnee par
M
erT X
M
j=1

N 1
h X
Stk K
T

!+
.

k=0

La complexite de cet algorithme est en O( N1M ) et il comporte deux type

derreurs : lerreur de simulation qualifiee par lecart type et lerreur due au
schema de discretisation en h.
Simulation des mod`
eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

M
ethodes sp
eciales

Un schema dordre superieur

Une mani`ere de construire des schemas plus precis est de remarquerque
+
RT
dans L2 , la variable aleatoire la plus proche de T1 0 Ss ds K ,
quand les (Stk , k = 0, . . . , N ) sont connus est donnee par
 Z T
+  !
1

E
Ss ds K  Bh ,

T 0
o`
u Bh est la tribu engendree par les (Stk , k = 0, . . . , N ). Bien
evidemment, il est impossible de calculer exactement cette esperance
conditionnelle, mais la loi conditionnelle de Wu par rapport `a Bh pour
u [tk , tk+1 ] peut etre decrite, on peut calculer
 
  Z T
+

1

E
Ss ds Bh K
T 0
en tant que fonction de (Wtk , k = 0, . . . , N ).
Simulation des mod`
eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

M
ethodes sp
eciales

 
 R

T
Le calcul explicite de E T1 0 Ss ds Bh et la formule de Taylor
conduisent au schema suivant
YT2,N



N 1
Wtk+1 Wtk
rh
h X
Stk 1 +
+
=
T
2
2
k=0

Notons que ce schema est equivalent `a la formule de trap`ezes. En effet

on peut montrer que

YT2,N

N 1
1 X Stk + Stk+1

h
T
2

!2

k=0

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP


=O

1
N3


.

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

M
ethodes sp
eciales

Calcul des sensibilites

Soit X un actif sous jacent solution de
dXt = rXt dt + (t, Xt )dWt
o`
u est une fonction. On suppose que lon cherche `a calculer les
sensibilites dune option de payoff g(Xt , 0 t T ) par Monte-Carlo. Si
X0 = x, on note u(t, x) = E[er(T t) g(Xsx , 0 s T )]. On rappelle que

E[erT g(Xsx , 0 s T )]
x

=
E[erT g(Xsx , 0 s T )]
x2
Le est la couverture, il represente la quantite dactif risque que lon
doit detenir pour repliquer loption.
Le represente la convexite du prix dune option en fonction du cours du
sous-jacent. Il indique si le prix de loption a tendance `a evoluer plus ou
moins vite que le prix du sous-jacent ; il doit rester faible sinon cela signifie
que le nombre dinterventions sera trop eleve.
=

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

M
ethodes sp
eciales

Lapproche la plus simple pour calculer les greques est lapproximation par
differences finies :
=
=

1
u

(0, x)
(u(0, x + ) u(0, x )) =
x
2

u
1 

(0,
x)

(0,
x
+
)

(0,
x

)
=
x2
2

Il existe deux possibilites de simulation

On utilise N simulations pour estimer une approximation u
(0, x + )
de u(0, x + ) et N autres (independantes) pour estimer u
(0, x )
comme approximation de u(0, x ). Dans ce cas


u
(0, x + ) u
(0, x )
2

1
(Var(
u(0, x + )) + Var(
u(0, x )))
42


Var(g(Xsx , 0 s T ))
Var(g(Xsx , 0 s T ))
1
+
2
4
N
N
1
x
Var(g(Xs , 0 s T ))
2N 2

Var

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes Monte-Carlo pour les options

M
ethodes sp
eciales

On simule N trajectoires du mouvement Brownien et on construit

X x+ et X x avec les memes trajectoires. Dans ce cas

Var

u
(0, x + ) u
(0, x )
2

g(Xsx+ , 0 s T ) g(Xsx , 0 s T ))
2

1
Var
N

1
Var(g 0 (Xsx , 0 s T ))
N

Si  est petit et g reguli`ere, la seconde methode sera en general preferable

`a la premi`[Link] methode est tr`es simple `a mettre en uvre mais le
choix du  nest pas evident. Si  est trop petit, la variance de lestimateur
peut etre tr`es grande, cest le cas si le payoff est tr`es irregulier. Si  est
trop grand, lapproximation des derivees est mauvaise.

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes des diff
erences finies

Methodes des differences finies

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes des diff
erences finies

G
en
eralit
es sur les EDP

Generalites sur les EDP

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes des diff
erences finies

G
en
eralit
es sur les EDP

Une EDP (equations aux derivees partielles) est une equation(s) o`

u
linconnue est une fonction(s) de plusieurs variables o`
u interviennent des
derivees partielles de cette fonction. Selon les cas cette equation doit etre
completee de conditions aux limites, dune condition initiale, etc...
Dune facon generale on se place dans O un ouvert de RN et on distingue
au moins trois categories
Probl`
eme elliptique : le cas mod`ele est le probl`eme de Dirichlet
u = f,

u = 0 sur O

o`
u O designe le bord (la fronti`ere de louvert) et u le laplacien de
P
2u
u : u = N
i=1 x2i .
Probl`
eme Parabolique : le cas mod`ele est lequation de la chaleur

u = f
t (0, T ), x O
t
u(t = 0) = u0
dans O (donnee initiale)

u=0
sur(0, T ) O (donnee sur le bord)
Par rapport au cas precedent on ajoute la variable t (le temps), une
condition initiale (cest un probl`eme devolution), et loperateur u
t .
Simulation des mod`
eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes des diff
erences finies

G
en
eralit
es sur les EDP

Probl`
eme hyperbolique :
ordre 1 (probl`eme de transport)
(
u
u
+ a(t, x)
=f
t
x
u(t = 0) = u0

(0, T ) R

ordre 2 (equation des ondes)

2u
u = f
2
t
(donnee initiale)

Chaque categorie provient de situation physique/mecanique differente et

poss`ede des proprietes specifiques. Generalement donner une expression
simple de la solution dune EDP est illusoire. Dans certains cas on peut
esperer une expression sous forme integrale, analytique, de series de
Fourier, etc.
La theorie mathematique pour comprendre ces equations est tr`es large et
utilise entre autres les espaces de Hilbert, les espaces de Sobolev, lanalyse
fonctionnelle, la geometrie differentielle, etc.
Simulation des mod`
eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes des diff
erences finies

G
en
eralit
es sur les EDP

Black-Scholes comme equation de la chaleur

Rappelons que lequation de Black-Scholes est donnee par
V
1
2V
V
+ 2 S 2 2 + rS
rV = 0
t
2
S
S
Proposition
Si on pose S = K exp(x) , t =
T 22 , q =
v(, x) = V K exp(x), T 22 . Alors

2r
2

et



1
1
2
v(, x) = K exp (q 1) x (q + 1) y(, x)
2
4
o`
u la fonction y ainsi definie est solution de lequation de la chaleur
y
2y
2 =0

x
Simulation des mod`
eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes des diff
erences finies

G
en
eralit
es sur les EDP

Une deuxi`eme simplification de Black-Scholes

Premi`erement on simplifie lEDP de B-S en posant x = ln(S) tel que
V
V
1 2V
+r
+ 2 2 = rV.
t
x
2 x
Si on pose u(t, x) = er(T t) V (ex , t), alors u qui correspond au prix
forward de loption V satisfait
1 2 2u
u
u

+r
=
2
2 x
x
t

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes des diff
erences finies

Diff
erences finies pour lEDP de Black et Scholes

Differences finies pour lEDP de Black et Scholes

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes des diff
erences finies

Diff
erences finies pour lEDP de Black et Scholes

Les differences finies consistent `a resoudre une version discr`ete de lEDP

sur une grille en remplacant les derivees partielles par des approximations
discr`etes du type difference progressive, centree, retrograde, etc.
On suppose que u(t, x) t R, x R est suffisamment reguli`ere. Comment
ee vient de la definition de u
approcher u
t (t, x) ? Lid
t (t, x) :
u
u(t + h, x) u(t, x)
(t, x) = lim
.
h0
t
h
` laide des developpements de Taylor on obtient
A
difference progressive pour u
t (t, x) :
u
u(t + k, x) u(t, x) k 2 u
(t, x) =

(t, x),
t
k
2 t2
difference retrograde pour

u
t (t, x)

t < t < t + k.

u
u(t, x) u(t k, x) k 2 u
(t, x) =
+
(t, x),
t
k
2 t2
Simulation des mod`
eles financiers, Monte Carlo & diff
erences finies pour les EDP

t k < t < t.

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes des diff
erences finies

difference centree pour

u
x (t, x)

Diff
erences finies pour lEDP de Black et Scholes

u(t, x + h) u(t, x h)
u
h2 3 u
(t, x
),
(t, x) =
+
x
2h
6 x3

difference centree pour

2u
(t, x)
x2

xh<x
< x + h.

u(t, x + h) 2u(t, x) + u(t, x h) h2 4 u

2u
(t, x) =

(t, x
),
2
x
h2
12 x4

xh < x
< x+h.

Les differences finies ne permettent pas dapprocher la solution sur un

intervalle infinie (cest generalement le cas des methodes numeriques). On
se place donc sur (t, x) [0, T ] [a, b] avec a < b. Pour M N et
N N , on pose
T
ba
k = t =
h = x =
M +1
N +1
tj = jk
xn = a + nh

0j M +1
0 n N + 1.

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes des diff
erences finies

Diff
erences finies pour lEDP de Black et Scholes

On definit Uj,n = u(tj , xn ), k = t est le pas de discretisation en temps

tandis que h = x est celui en espace.
Lequation discr`ete sera obtenue en ecrivant lEDP en (tj , xn ) et en
remplacant les derivees partielles par les differences definis auparavant
(sans lerreur de troncature).
On va etudier lequation de la chaleur etant donne que cest notre
equation source. Pour lequation de Black et Scholes on a le choix entre
equation de la chaleur + changement de variables et differences finies
en les variables originelles (directement sur lequation).
Pour avoir un probl`eme bien pose au sens mathematique (existence et
unicite) des conditions dites conditions sur le bord doivent etre ajoutees.
Ainsi dans la suite on va etudier lapproximation par les differences finies
du probl`eme

u 2 u

2 = f sur [0, T ] [a, b]

t
x
u(t
=
0,
x) = u0 (x) dans [a, b],

u(t, x = a) = , u(t, x = b) = t [0, T ].

Simulation des mod`
eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes des diff
erences finies

Diff
erences finies pour lEDP de Black et Scholes

Schema explicite
On utilise la difference progressive et la difference centree pour ecrire
lequation en un point (tj , xn ) de la grille. Remarquons tout de suite que
pour xN +1 = b et x0 = a il nest pas possible decrire la difference centree
car on sort de lintervalle [a, b]. Pour x0 par exemple on obtient
2u
u(t, a + h) 2u(t, a) + u(t, a h)
(t, x0 )
2
x
h2
Cest la condition aux limite qui aidera! Donc pour 0 j M et
1 n N on a
Uj+1,n Uj,n Uj,n+1 2Uj,n + Uj,n1

= f (tj , xn ).
k
h2
Comme nous avons une donnee initiale, la quantite
u(t0 , xn ) = u(0, xn ) = u0 (xn ) est determinee pour tout 0 n N + 1.
On se pose donc
1 n N, U0,n = u0 (xn ).
Simulation des mod`
eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes des diff
erences finies

Diff
erences finies pour lEDP de Black et Scholes

Comme on a une condition aux limites u(tj , x0 ) = et u(tj , xN +1 ) =

on pose
j {1, . . . , M + 1} Uj,0 = , Uj,N +1 = .
Pour alleger les notations nous poserons aussi
Fj,n = f (tj , xn ).
On peut donc reecrire notre schema numerique : pour 0 j M
Uj+1,1 = Uj,1 +



k
(U

2U
)
+
k
+
F
j,2
j,1
j,1
h2
h2

k
(Uj,n+1 2Uj,n + Uj,n1 ) + kFj,n 2 n N 1
h2



k
+
F
= Uj,N + 2 (2Uj,N + Uj,N 1 ) + k
j,N
h
h2

Uj+1,n = Uj,n +
Uj+1,N

On constate assez facilement que la connaissance de Uj,n pour tout

1 n N entrane celle de Uj+1,n pour tout 1 n N . On retrouve ici
le c
ote evolution en temps de lequation de la chaleur.
Simulation des mod`
eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes des diff
erences finies

Diff
erences finies pour lEDP de Black et Scholes

Ecriture
Matricielle

U (j)

Uj,1
Uj,2
..
.

Uj,N 1
Uj,N

(j)
F =

On a alors
U

(j+1)

h2

+ Fj,1
Fj,2
..
.

Fj,N 1
+ Fj,N

h2

2
1

A =

1
2
..
.

1
..
.

..

..

..

.
1

1
2



k
= I 2 A U (j) + kF (j)
h

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes des diff
erences finies

Diff
erences finies pour lEDP de Black et Scholes

Definition
On definit lerreur de troncature (ou de consistance) locale pour
1 j M , 1 n N du sch
ema explicite
j,n (M, N ) =

u(tj+1 , xn ) u(tj , xn ) u(tj , xn+1 ) 2u(tj , xn ) + u(tj , xn1 )

f (tj , xn ).

k
h2

et lerreur de troncature globale

(M, N ) =

max

1jM,1nN

|j,n (M, N )|

un schema est dit consistant si

lim

t,x0

(M, N )

schema est dit dordre p en temps et q en espace sil existe C > 0

verifiant pour tout M, N
(M, N ) C ((t)p + (x)q )
Simulation des mod`
eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes des diff
erences finies

Diff
erences finies pour lEDP de Black et Scholes

Proposition
Si la solution u est suffisamment reguli`ere, le schema explicite est
consistant, dordre 1 en temps et dordre 2 en espace.
On pose
(j) U (j)
E (j) = U
(j) est le vecteur solution exacte en tj et xn .
o`
uU
Proposition
Le schema explicite est convergent pour (t, x) tends vers (0, 0) sous la
2
condition, dite de stabilite, t (x)
2 . On peut montrer que
k E (j) k C((t) + (x)2 )

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes des diff
erences finies

Diff
erences finies pour lEDP de Black et Scholes

Schema implicite
Le schema implicite consiste `a prendre pour la derivee en temps la
difference retrograde par rapport au schema explicite. On obtient alors
Uj,n Uj1,n Uj,n+1 2Uj,n + Uj,n1

= f (tj , xn ).
k
h2
ou encore
Uj+1,n Uj,n Uj+1,n+1 2Uj+1,n + Uj+1,n1

= f (tj+1 , xn ).
k
h2
Avec les memes notations que precedemment, ce schema se traduit sous
forme matricielle par


k
I + 2 A U (j+1) = U (j) + kF (j+1) .
h
Ce schema est dit implicite car U (j+1) verifie une equation en U (j) .
Heureusement cest un probl`eme lineaire :

1 

k
U (j+1) = I + 2 A
U (j) + kF (j+1) .
h
Simulation des mod`
eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes des diff
erences finies

Diff
erences finies pour lEDP de Black et Scholes

Proposition
Le schema implicite est consistant dordre 1 en temps et dordre 2 en
espace. Il est inconditionnellement convergent i.e. pour tout couple
(t, x).
Lavantage par rapport au schema explicite est le c
ote
inconditionnellement convergent, ce qui evite une condition sur x par
rapport `a t. Par contre il y a un syst`eme lineaire `a resoudre. Comme la
matrice est trigonale cette resolution nest pas tr`es co
uteuse.

Simulation des mod`

eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes des diff
erences finies

Diff
erences finies pour lEDP de Black et Scholes

Schema de Crank-Nicolson
Le schema de Crank-Nicolson consiste en une moyenne des deux formules
explicite et implicite


Uj+1,n Uj,n
Uj+1,n+1 2Uj+1,n + Uj+1,n1
1 Uj,n+1 2Uj,n + Uj,n1

+
k
2
h2
h2
1
= (f (tj+1 , xn ) + f (tj , xn )) .
2

soit sous forme matricielle


 1

U (j+1) U (j)
1
2 A U (j) + U (j+1) =
F (j) + F (j+1) .
k
2h
2
Proposition
Le schema de Crank-Nicolson est consistant dordre deux en temps et en
espace, inconditionnellement convergent.
Lerreur commise avec le schema de Cranck-Nicolson sera meilleure que
pour les deux schemas precedents.
Simulation des mod`
eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes des diff
erences finies

Diff
erences finies pour lEDP de Black et Scholes

Algorithme differences finies

Pour les trois schemas lorganisation de lalgorithme est identique. A noter
que f, , , u0 , a, b et T sont donnees.
1

Calcul de t, x et verification de la stabilite si schema explicite

On entre la matrice diteration (selon le schema) et eventuellement

on etablit sa decomposition

initialisation de U (0) V par la donnee initiale

for j=0 to M do

Calcul de F (j) (eventuellement F (j+1) selon le schema)

Resolution du syst`eme lineaire (sauf pour le schema explicite o`

u cest
juste un calcul matriciel) : la variable V est mise `a jour

end for

M +1
La variable V contient une approximation de U

Le schema explicite est `a eviter, son interet est purement academique. On

pref`ere evidemment le schema de Crank-Nicolson au schema implicite.
Simulation des mod`
eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes des diff
erences finies

Diff
erences finies pour lEDP de Black et Scholes

Schemas numeriques pour Black et Scholes

Initialement le mod`ele de Black et Scholes est une EDP o`
u S (le
sous-jacent) appartient `a ]0, +[. Apr`es le changement de variable
exp(x) = S/K , la nouvelle variable x appartient `a ] , +[ et nous
avons une equation de la chaleur sur R tout entier. Pour faire nos schemas
numeriques il est indispensable de restreindre R `a [a, b] avec a < 0 < b et
donc pour completer lEDP il faut specifier des conditions sur le bord en
accord avec Black et Scholes. Sinon la simulation numerique ne sera pas
valide. Rappelons que
VC (S, t) = 0 pour S = 0, et VP (S, t) = 0 pour S ()
Pour completer linformation en + pour le call et 0 pour le put, on
utilise la parite call-put : S + VP VC = K exp(r(T t)). On en deduit
VC (S, t) = S K exp(r(T t)) S +

()

VC (S, t) = K exp(r(T t)) S 0+ ()

Simulation des mod`
eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes des diff
erences finies

Diff
erences finies pour lEDP de Black et Scholes

Rappelons le changement de variables

2
2r
S = K exp(x), t = T 2 , q = 2



2
v(, x) = V K exp(x), T 2 .



1
1
2
v(, x) = K exp (q 1) x (q + 1) y(, x)
2
4
o`
u la fonction y est solution de lequation de la chaleur
2y
T 2
y
2 = 0 (, x) [0,
]R

x
2
Determinons maintenant et pour que les condition aux limites du
probl`eme

y
2y
T 2

2 = 0 sur [0,
] [a, b]

x
2
u( = 0, x) = u0 (x) dans [a, b],

u(, x = a) = ( ), u(, x = b) = ( ) t [0, T ].

soient une approximation de () ().
Simulation des mod`
eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI

M
ethodes des diff
erences finies

Diff
erences finies pour lEDP de Black et Scholes

Pour un call
Comme VC (0, t) = 0 en a on imposera u(, a) = ( ) = 0.
En +
y(, x)







1
1
1
Kex K exp r T (T 2 / 2 )
exp (q 1) x (q + 1)2
K
2
4


1
1
2
x
e exp (q 1) x (q + 1)
2
4


1
1
exp (q + 1) x (q + 1)2
2
4

En effetdevant exp(x) on

estime que le terme
2
exp r T (T 2 / ) est negligeable. On posera donc pour le call
(
( ) = 0 

( ) = exp 21 (q + 1) b 14 (q + 1)2
Pour un put. De facon similaire


(
( ) = exp 21 (q 1) a 14 (q 1)2
( ) = 0
Simulation des mod`
eles financiers, Monte Carlo & diff
erences finies pour les EDP

INSEA D
ec 2013

Yassine EL QALLI