Projet de Fin d’Étude :

Les lettres grecques dans le modèle de

Black-Scholes
Département Génie Mathématique

2020-2021

Auteur : Tuteur :
Mme Marie Marteaux Ciotir
Mme Ioana
 Table des matières

1 Introduction 6

2 Introduction au marché des produits financiers 7

2.1 Actif financiers et produits dérivés . . . . . . . . . . . . . . . . . . 7
2.2 Les options . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2.1 Caractéristiques et types d’options . . . . . . . . . . . . . . 8
2.2.2 Les positions en options . . . . . . . . . . . . . . . . . . . . 9
2.3 Arbitrage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3.1 Absence d’arbitrage . . . . . . . . . . . . . . . . . . . . . . 12
2.3.2 La Parité Call-Put . . . . . . . . . . . . . . . . . . . . . . . 12
2.3.3 Marchés viables et complets . . . . . . . . . . . . . . . . . . 14

3 Modèle de Cox, Ross et Rubinstein :

les arbres binomiaux 15
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.2 Modèle d’arbre binomial à une période . . . . . . . . . . . . . . . . 16
3.2.1 Modèle théorique . . . . . . . . . . . . . . . . . . . . . . . 16
3.2.2 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.3 Risque neutre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.3.1 Application de l’évaluation risque-neutre au modèle bino-
mial à une période . . . . . . . . . . . . . . . . . . . . . . . 20
3.4 Modèle d’arbre binomial à deux périodes . . . . . . . . . . . . . . 21
3.4.1 Modèle théorique . . . . . . . . . . . . . . . . . . . . . . . 21
3.4.2 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.5 Modèle à n-périodes . . . . . . . . . . . . . . . . . . . . . . . . . . 23

4 Modèle de Black et Scholes 24

4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4.2 Notions stochastiques . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.2.1 Notation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.2.2 Portefeuille Autofinancé . . . . . . . . . . . . . . . . . . . 25
4.2.3 Processus stochastique continu . . . . . . . . . . . . . . . . 26
4.2.4 Martingales . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4.2.5 Processus de Wiener . . . . . . . . . . . . . . . . . . . . . . 27
4.2.6 Lemme d’Itô . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.2.7 Lemme de Itô . . . . . . . . . . . . . . . . . . . . . . . . . 29

2
 4.3 Modèle de Black et Scholes . . . . . . . . . . . . . . . . . . . . . . 31
4.3.1 Extension du modèle . . . . . . . . . . . . . . . . . . . . . 32
4.3.2 Démonstration du modèle . . . . . . . . . . . . . . . . . . . 32
4.4 Équations de Black et Scholes . . . . . . . . . . . . . . . . . . . . 35
4.4.1 Formulation des équations . . . . . . . . . . . . . . . . . . 35
4.4.2 Démonstration . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.5 Volatilité historique et Volatilité implicite . . . . . . . . . . . . . . 37
4.5.1 Volatilité historique . . . . . . . . . . . . . . . . . . . . . . 37
4.5.2 Volatilité implicite . . . . . . . . . . . . . . . . . . . . . . . 37

5 Les lettres grecques 38

5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
5.2 Delta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
5.2.1 Démonstration . . . . . . . . . . . . . . . . . . . . . . . . . 39
5.3 Gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
5.3.1 Démonstration . . . . . . . . . . . . . . . . . . . . . . . . . 41
5.4 Vega . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
5.4.1 Démonstration . . . . . . . . . . . . . . . . . . . . . . . . . 42
5.5 Thêta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
5.6 Rhô . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
5.7 Résumé des formules théoriques . . . . . . . . . . . . . . . . . . . 43
5.8 Utilisation des lettres grecques . . . . . . . . . . . . . . . . . . . . 43
5.8.1 Delta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
5.8.2 Gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.8.3 Vega . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
5.8.4 Thêta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

6 Calcul numérique des lettres grecques 46

6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
6.2 Méthode de Monte Carlo . . . . . . . . . . . . . . . . . . . . . . . 47
6.2.1 Principe de la méthode . . . . . . . . . . . . . . . . . . . . 47
6.2.2 Application au modèle de Black et Scholes . . . . . . . . . . 47
6.2.3 Algorithme de Simulation . . . . . . . . . . . . . . . . . . . 48
6.2.4 Erreur de la méthode . . . . . . . . . . . . . . . . . . . . . 49
6.3 Différentes finies . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
6.3.1 Principe de la méthode . . . . . . . . . . . . . . . . . . . . 49
6.3.2 Application aux lettres grecques . . . . . . . . . . . . . . . 49
6.3.3 Algorithme de calculs . . . . . . . . . . . . . . . . . . . . . 50
6.4 Retour sur la méthode . . . . . . . . . . . . . . . . . . . . . . . . 50
6.4.1 Avantages . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
6.4.2 Inconvénients . . . . . . . . . . . . . . . . . . . . . . . . . 50

3
7 Implémentation 51
7.1 Représentation de l’option Call/Put . . . . . . . . . . . . . . . . . 51
7.2 Représentation des lettres grecques : méthode théorique . . . . . . 52
7.3 Représentation des lettres grecques : méthode de Monte Carlo . . . 53
7.3.1 Cas d’une option Call . . . . . . . . . . . . . . . . . . . . . 53
7.3.2 Cas d’une option Put . . . . . . . . . . . . . . . . . . . . . 55
7.4 Représentation des lettres grecques : méthode de Monte Carlo et
des Différences finies . . . . . . . . . . . . . . . . . . . . . . . . . . 56
7.4.1 Cas d’une option Call . . . . . . . . . . . . . . . . . . . . . 56
7.4.2 Cas d’une option Put . . . . . . . . . . . . . . . . . . . . . 57
7.5 Influence des paramètres dans la méthode de Monte Carlo et des
Différences finies . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
7.5.1 Influence du nombre d’itérations . . . . . . . . . . . . . . . 58
7.5.2 Influence du pas de temps h . . . . . . . . . . . . . . . . . 59

8 Conclusion 60

9 Annexe 62
9.1 Loi des Grands Nombres . . . . . . . . . . . . . . . . . . . . . . . 62
9.2 Théorème de limite centrale . . . . . . . . . . . . . . . . . . . . . . 62
9.3 Code R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
9.3.1 Représentation de l’option Call/Put . . . . . . . . . . . . . 63
9.3.2 Représentation théorique des lettres grecques . . . . . . . . 64
9.3.3 Calculs des lettres grecques avec la méthode de Monte Carlo
dans le cas d’un Call . . . . . . . . . . . . . . . . . . . . . 65
9.3.4 Calculs des lettres grecques avec la méthode de Monte Carlo
et des Différences finies dans le cas d’un Call . . . . . . . . 66
9.3.5 Influence du nombre d’itérations sur la méthode de Monte
Carlo et des Différences finies . . . . . . . . . . . . . . . . . 67
9.3.6 Influence du pas de temps sur la méthode de Monte Carlo
et des Différences finies . . . . . . . . . . . . . . . . . . . . 68

4
 Table des figures

2.1 Call européen long position . . . . . . . . . . . . . . . . . . . . . . 9

2.2 Call européen short position . . . . . . . . . . . . . . . . . . . . . 10
2.3 Put européen long position . . . . . . . . . . . . . . . . . . . . . . 10
2.4 Put européen short position . . . . . . . . . . . . . . . . . . . . . . 11
3.1 Valeurs de l’action et de l’option dans un arbre à une période . . . 16
3.2 Valeurs de l’action et de l’option dans un arbre à une période . . . 18
3.3 Valeurs de l’action et de l’option dans un arbre à une période . . . 20
3.4 Valeurs de l’action et de l’option dans un arbre à deux périodes . . 21
3.5 Valeurs de l’action et de l’option dans un arbre à n-périodes . . . . 23
5.1 Représentation du Delta dans le cas d’un Call/Put européen . . . . 39
5.2 Représentation du Gamma dans le cas d’un Call/Put européen . . 40
5.3 Représentation du Vega dans le cas d’un Call/Put européen . . . . 41
5.4 Zone de fluctuation de la valeur sous-jacente d’une option Put po-
sition long . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
7.1 Représentation de la valeur de l’option Call/Put en fonction du
nombre de simulations . . . . . . . . . . . . . . . . . . . . . . . . . 51
7.2 Représentation de la valeur Delta dans le cas d’une option Call et
Put . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
7.3 Représentation de la valeur Gamma dans le cas d’une option Call
et Put . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
7.4 Représentation de la valeur Vega dans le cas d’une option Call et
Put . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
7.5 Représentation des lettres grecques dans le cas d’une option Call
par la méthode de Monte Carlo . . . . . . . . . . . . . . . . . . . . 53
7.6 Représentation de Delta dans le cas d’une option Put par la mé-
thode de Monte Carlo . . . . . . . . . . . . . . . . . . . . . . . . . 55
7.7 Représentation des lettres grecques dans le cas d’une option Call
par la méthode de Monte Carlo et des Différences finies . . . . . . 56
7.8 Représentation de Delta dans le cas d’une option Put par la mé-
thode de Monte Carlo et des Différences finies . . . . . . . . . . . . 57
7.9 Représentation des lettres grecques selon l’influence du nombre
d’itérations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
7.10 Représentation des lettres grecques selon l’influence du pas de temps 59

5
 Chapitre 1

Introduction
Dans le système financier actuel, indispensable dans l’économie, la place des
marchés financiers notamment du marché des produits dérivés est incontestable.
Le marché des produits dérivés ne cesse au cours du temps de prendre de l’im-
portance de par le volume des transactions effectuées chaque jour et la valeur des
produits échangés. Toutefois, à cause de son caractère risqué vu que les instru-
ments échangés sont des actifs financiers servant à la fois pour se couvrir mais
aussi pour spéculer, il est attentivement surveillé et étudié de près.

À ce sujet, les mathématiciens se sont penchés sur l’étude du risque encouru

lors d’une transaction, de la chute du prix d’un actif ou d’un autre instrument
financier dont le prix est y est sensiblement lié. Plusieurs d’entre eux ont réussi à
développer des modèles crédibles. Black et Scholes ont découvert la formule d’éva-
luation des options sur actions ce qui a ouvert aux financiers un nouvel espace
de stratégies d’investissement. Le grand choix de possibilités offertes, tant pour
la couverture d’actifs, que pour la spéculation ou l’arbitrage, a permis le dévelop-
pement rapide de ce marché. Découlant de ce modèle d’évaluation d’options, les
lettres grecques sont apparues. Elles sont des instruments de gestion financière
des options, mais avant tout des indicateurs de risques. Elles calculent l’impact
sur le prix de l’option d’une variation des paramètres qui le détermine (le prix du
sous-jacent, le prix d’exercice fixé par l’option, la volatilité, le taux d’intérêt).

Dans ce projet nous verrons dans un premier temps quelques bases de marché
financier pour poser le cadre de l’étude avant de présenter les deux modèles celui de
Cox, Ross et Rubinstein ainsi que celui de Black et Scholes. Dans un second temps,
nous nous attarderons sur les lettres grecques leurs définitions, leurs utilisations
ainsi que leurs calculs. Finalement, nous aborderons leurs calculs numériques grâce
à l’utilisation de la méthode de Monte Carlo et des Différences Finies que nous
implémenterons sous le logiciel R.

6
 Chapitre 2

Introduction au marché des produits

financiers
Afin de mieux comprendre les outils mathématiques dans les différents modèles,
il nous faut poser le cadre financier en définissant les notions clés.
Ce chapitre utilisera les travaux [15],[16] ainsi que [17].

2.1 Actif financiers et produits dérivés

Pour débuter, on appelle actifs financiers un titre ou un contrat, générale-
ment transmissible et négociable (par exemple sur un marché financier), qui est
susceptible de produire à son détenteur des revenus ou un gain en capital, en
contrepartie d’une certaine prise de risque. Notre actif considéré peut être sûr
(compte bancaire ou encore obligation) ou risqué (devises, actions).
On peut alors calculer l’évolution de la valeur de notre actif sûr en fonction de la
nature de l’intérêt. Si notre actif a une valeur initiale de S0 on aura alors si :
— l’intérêt est simple, que l’onnote r,St = S0 (1 + rt)
n
t
— l’intérêt continu, St = S0 1 + t dans ce cas il y a convergence vers
n
St = e−rt S0 pour n −→ ∞.
Ainsi, St = e−r(T −t) S0 pour t ∈ [0, T ]

Un autre instruments financiers important pour l’étude est le produit dérivé.

Les produits dérivés sont des contrats financiers portant sur un actif financier,
conclus entre deux parties sur les marchés de gré à gré ou organisés.
L’appellation de produits dérivés correspond au fait qu’ils se rapportent à un actif
sous-jacent, appelé spot, (actions, obligations, instruments monétaires ou matières
premières) dont ils sont dérivés.
La valeur d’un produit dérivé dépend donc de celle de son sous-jacent au cours
du temps. L’usage de ces produits permet aux investisseurs de se couvrir contre
l’évolution défavorable d’un marché ou de spéculer en amplifiant la valorisation
du sous-jacent grâce à l’effet de levier.

7
2.2 Les options
Une option est un produit qui donne le droit, (et non l’obligation),
— soit d’acheter (option d’achat appelée call)
— soit de vendre (option de vente appelée put)
une quantité donnée d’un actif financier, le sous-jacent, à un prix précisé à l’avance
appelé prix d’exercice (strike) et à une échéance convenue (la maturité).

2.2.1 Caractéristiques et types d’options

A partir de ce que l’on a définit au dessus, on peut dégager six caractéristiques :

1. le prix d’exercice
2. l’actif sous-jacent
3. la quantité de l’actif sous-jacent
4. la nature de l’option (call ou put)
5. la période d’exercice
6. le prix de l’option (prime)

La valeur de l’option dépend de plusieurs facteurs déterminants : la valeur

actuelle du sous-jacent, le temps qui reste à l’option avant son échéance (exprimé
en années), le prix d’exercice fixé par l’option, le taux d’intérêt sans risque et la
volatilité du prix de l’action. Il existe plusieurs modèles qui permettent de déter-
miner la valeur de l’option (modèle de Black et Scholes, modèle de Garman et
Kohlhagen, modèle de Black-ScholesMerton,...)

Lorsque que l’on parle d’option on l’associe généralement à son playoff .Le
payoff désigne aussi bien un profit qu’une perte. Le payoff qualifie le rendement
intrinsèque d’une option, après déduction de la prime d’acquisition. Ce payoff va-
rie en fonction des fluctuations des marchés à terme. Sa valeur réelle est calculée
soit à sa date d’exercice, soit à sa date d’échéance.
Selon le moment de l’exercice de l’option, on peut différencier deux types d’op-
tions :
— les options européennes : l’option ne peut être exercée qu’à échéance
— les options américaines : l’option peut survenir à tout moment jusqu’à
échéance

8
 2.2.2 Les positions en options

À échéance, le résultat d’une option (le payoff ) ne dépend que du prix du

sous-jacent ainsi en fonction du type d’option on aura des positions différentes.

Le cas d’un call

Si on se place dans le cas d’achat (long position), l’exercice de l’option aura

lieu seulement si le cours du sous-jacent est supérieur au prix d’exercice.L’achat
d’un call permet de profiter d’une hausse du cours du sous jacent. On peut définir
son payoff :
(ST − K)+ = max(ST − K; 0) (2.1)
où ST est le prix du sous-jacent et K le prix d’exercice.
Ainsi, on peut définir le profit d’une option Call européen long position :
P = (ST − K)+ − C(S, T )erT (2.2)
avec C(S, T ) la prime de l’option.

Graphiquement on obtient la courbe suivante :

Figure 2.1 – Call européen long position

Si cette fois on se place dans le cas de vente (short position), on aura l’inverse
de la situation précédente. Le payoff de l’option sera le même vu que l’on se trouve
dans le cas d’un call mais le profit sera différent. Ainsi le profit d’une option Call
européen short position :
P = C(S, T )erT − (ST − K)+ (2.3)
avec C(S, T ) la prime de l’option.

9
Graphiquement on obtient la courbe suivante :

Figure 2.2 – Call européen short position

Le cas d’un put

Dans cette partie, on se place dans le cas d’un put pour commencer en regardant
la long position, l’exercice de l’option aura lieu si le prix d’exercice est cette fois
supérieur au cours du sous-jacent. L’achat d’un put permet de se protéger contre
une baisse de l’actif sous-jacent. On peut définir le profit d’une option Put européen
long position par :
P = (K − ST )+ − C(S, T )erT (2.4)
avec C(S, T ) la prime de l’option.

Graphiquement on obtient la courbe suivante :

Figure 2.3 – Put européen long position

10
 Dans le cas d’une vente, tout comme pour le call, on trouve l’inverse de la
situation d’achat. Le payoff de l’option sera le même vu que l’on se trouve dans le
cas d’un put mais le profit sera différent. Ainsi le profit d’une option Put européen
short position :
P = C(S, T )erT − (K − ST )+ (2.5)
avec C(S, T ) la prime de l’option.

Graphiquement on obtient la courbe suivante :

Figure 2.4 – Put européen short position

11
2.3 Arbitrage
En finance, on utilise le terme d’arbitrage pour définir le fait que l’on ne laisse
aucune place au jugement de valeur. Arbitrer signifie donc de choisir parmi plu-
sieurs stratégies similaires la plus avantageuse. Par extension, ce terme évoque la
possibilité de réaliser un gain sans risque. Une opportunité d’arbitrage se définit
comme une stratégie d’investissement financier qui, en combinant plusieurs opé-
rations, assure un profit et ne nécessite aucune mise de fonds initial.

Par exemple, pour les actions, un arbitrage peut avoir lieu lorsqu’une action est
listée sur des places boursières de deux pays différents. En raison de la différence de
taux de change pour chaque pays, le prix de l’action varie d’une place boursière
à l’autre. Par conséquent, en vendant une action sur une place boursière et en
l’achetant sur une autre, un investisseur peut réaliser un profit immédiat en tirant
parti de la différence de prix.

2.3.1 Absence d’arbitrage

Dans l’étude mathématique, notamment dans le modèle de Black et Scholes,

on est amené à faire l’hypothèse d’absence d’opportunité d’arbitrage(AOA)
(l’impossibilité de gagner de l’argent sans risque). Une des conséquences majeures
de l’AOA sur les marchés financiers est la loi du prix unique. En effet deux actifs
qui ont exactement les mêmes payoffs ont le même prix. Cette absence d’arbitrage
est la base de l’évaluation des produits financiers.

2.3.2 La Parité Call-Put

Cette hypothèse d’AOA entraîne une relation dite de parité entre Call et put
européens. Si le modèle se trouve dans une position AOA alors le prix d’une option
Call à l’instant t que l’on note Ct et le prix d’une option Put noté Pt d’échéance
T et de prix d’exercice K , il vérifie alors la parité Call-Put. Elle s’écrit telle
que :
Ct − Pt = St − Ke−r(T −t) (2.6)
où r est le taux d’intérêt et St le cours de l’actif sous jacent à l’instant t.

Montrons comment obtenir ce résultat :

Supposons que Ct − Pt > St − Ke−r(T −t) c’est à dire que la relation de parité
n’est pas satisfaite. On note Dt la différence entre les deux terme de l’inégalité à
l’instant t, ainsi on obtient :

Dt = Ct − Pt − St + Ke−r(T −t) (2.7)

12
 A l’instant t, on achète une option Call, on vend une option Put et on achète
une action (le raisonnement reste valable pour l’achat d’une obligation,...). De
plus dans notre portefeuille, on place Dt − Ke−r(T −t) pour l’horizon T. Ainsi la
valeur initiale de notre portefeuille est nulle i.e :
Vt = −Ct + Pt + St + Dt − Ke−r(T −t) (2.8)
Mais à l’instant T, le portefeuille garantit un flux qui est strictement positif :
VT = −(ST − K)+ + (K − ST )+ + ST + Dt er(T −t) − K
= K − ST − K + ST + Dt er(T −t) (Pour rappel : x+ − (−x)+ = x)
= Dt er(T −t) > 0

On a donc pu construire une opportunité d’arbitrage.

De manière analogue, en partant de Ct − Pt < St − Ke−r(T −t) , on trouve un gain
positif. On retrouve donc l’égalité :

Ct − Pt = St − Ke−r(T −t)

13
 2.3.3 Marchés viables et complets

Marchés viables

Un marché est viable si il n’existe pas d’opportunité d’arbitrage.

Marchés complets

Un marché est complet si toute fonction {St , 0 ≤ t ≤ T }, notamment ST ou

(ST − K)+(ou (K − ST )+ ) est simulable i.e il existe une stratégie admissible dont
la valeur à l’instant T est égale à (ST − K)+ (respectivement (K − ST )+ ).

On emploie le terme de stratégie admissible pour parler de la façon de fructifier

une certaine richesse initiale, les décisions de modification de la répartition du
portefeuille entre la caisse d’épargne et le(s) support(s) risqué(s) se faisant sur
la base des informations passées, la stratégie étant autofinancée, c’est à dire sans
apport ni retrait d’argent.

14
 Chapitre 3

Modèle de Cox, Ross et Rubinstein :

les arbres binomiaux
Ce chapitre utilisera les travaux [9],[12], [16] et [17] ainsi que l’article [2].

3.1 Introduction
L’approche la plus pédagogique pour évaluer les options et actions, s’appuie
sur la représentation de l’évolution du cours de l’action par un arbre binomial.
Il permet donc de représenter les différentes trajectoires d’évolution d’un actif
financier ou d’un produit dérivé pendant la durée de validité de ce dernier.

Le modèle de l’arbre binomial est proposé par Cox, Ross et Rubinstein en 1979.
Le produit dérivé est évalué en temps discret en fonction des différentes trajec-
toires possibles de l’actif sous-jacent. La résolution repose sur une approche faisant
intervenir la notion de martingale dans un monde de type risque neutre.

En 1993, Hull montre que l’utilisation des arbres binomiaux permet la détermi-
nation des lettres grecques. Elles sont exprimés en fonction des prix de l’option,
des valeurs du sous-jacent, de la volatilité ou du temps selon les cas. Ces calculs
se font à différents noeuds de l’arbre suivant la date de calcul désirée.

15
3.2 Modèle d’arbre binomial à une période
3.2.1 Modèle théorique

On se place dans un contexte particulier, celui d’AOA. On considère une action

au prix S0 et une option sur cette action de valeur f . L’option arrive à échéance
à une date T et le prix de l’actif à cette date est noté ST . On note deux schémas
possibles :
• le cours de l’action peut progresser (état up) et atteindre le nouveau prix de
ST (u) = S0 u. Le payoff de l’option est alors noté fu .
• le cours de l’action peut baisser (état down) et atteindre le nouveau prix de
ST (d) = S0 d. Le payoff de l’option est alors noté fd .
On suppose alors que d < u. On en déduit la rentabilité de l’action dans les deux
états :
• État up : u − 1
• État down :d − 1
On peut alors représenter l’évolution de la trajectoire de notre actif sous forme
de graphe :

Figure 3.1 – Valeurs de l’action et de l’option dans un arbre à une période

On imagine que notre portefeuille est constitué de :

- une position longue sur δ actions
- une position courte sur une option
On va donc avoir deux valeurs, notées Vp , du portefeuille en fonction des scé-
narios possibles :
• Vp = S0 u δ − fu lorsque le cours de l’action est en hausse.
• Vp = S0 d δ − fd lorsque le cours de l’action est en baisse.

16
 Pour avoir un portefeuille sans risque, les deux valeurs doivent être égales :
S0 u δ − fu = S0 d δ − fd (3.1)
C’est à dire que :
fu − fd
δ= (3.2)
S0 (u − d)
La valeur de δ détermine le ratio de la différence des valeurs possibles de l’option
et de la différence des valeurs possibles de l’action.
Si on regarde à présent un portefeuille avec un taux sans risque noté r, sa valeur
actuelle est donc :
(S0 u δ − fu )e−rT (3.3)
Sachant que le coût de constitution du portefeuille est de S0 δ − f , on obtient :
S0 δ − f = (S0 u δ − fu )e−rT
=⇒ f = S0 δ(1 − u e−rT ) + fu e−rT
 
fu − fd
f = S0 (1 − u e−rT ) + fu e−rT
S0 (u − d)
fu (1 − u e−rT ) − fd (u e−rT − 1)
f=
u−d
Soit :
f = e−rT (pfu + (1 − p)fd ) (3.4)
et
erT − d
p= (3.5)
u−d
Ainsi, pour évaluer une option par un modèle binomial à une période, on utilise
les équations 3.4 et 3.5. Cependant, ce résultat n’est valable que dans le cas d’AOA.

3.2.2 Exemple

Afin d’illustrer ce modèle théorique, regardons son application sur un exemple :

Supposons que l’on cherche à évaluer un call européen d’échéance trois mois,
3
T = = 0.25, et de prix d’exercice S0 = 21e.
12

17
 On représente les variations du cours de l’action par un arbre binomial à une
période :

Figure 3.2 – Valeurs de l’action et de l’option dans un arbre à une période

En AOA, un portefeuille sans risque doit rapporter le taux sans risque. On

suppose que dans notre exemple, le taux sans risque, r, soit de 12% par an.
Avec ses données, on peut facilement déduire :
• u = 1.1
• d = 0.9
e0.12×0.25 − 0.9
En utilisant l’équation 3.5 on trouve : p = = 0.6523.
1.1 − 0.9
Puis en utilisant 3.4, on obtient :

f = e−0.12×0.25 (0.6523 × 1 + (1 − 0.6523) × 0) = 0.633

18
3.3 Risque neutre

Le principe d’évaluation risque-neutre lors de la valorisation d’un produit dérivé

permet de supposer que les investisseurs sont différents vis-à-vis du risque. En
d’autres termes, les investisseurs ne cherchent pas à obtenir une espérance de
rentabilité supérieur pour compenser le risque de leur investissement. Il est évident
que ce principe ne reflète pas le monde réel cependant l’univers risque-neutre
fournit une valeur des options identique à celle que l’on obtient dans l’univers
réel.
Cet univers repose sur deux caractéristiques fondamentales qui permettent de
simplifier l’évaluation des produits dérivés :
• La rentabilité espérée de l’investissement est égale au taux sans risque
• Le taux d’actualisation est le taux sans risque
Ainsi si l’on reprend l’équation 3.5, la valeur de p peut être vu comme une
probabilité, la probabilité d’une hausse et donc 1 − p la probabilité de la baisse
dans l’univers risque-neutre.
De plus l’expression 3.4,qui est l’expression de la valeur de l’option aujourd’hui,
représente l’espérance du payoff de l’option dans l’univers risque-neutre actualisé
au taux sans risque. C’est à dire si l’on note E(ST ) l’espérance de la valeur de
l’action à la date T , on a :

E(ST ) = p fu + (1 − p) fd
= p S0 u + (1 − p) S0 d
= S0 [p(u − d) + d]
 rT 
(e − d)(u − d)
= S0 +d
u−d
= S0 erT

Cela nous montre que l’évaluation risque neutre est correcte dans le modèle bino-
mial à une période.
On pourrait l’étendre à des modèles à plusieurs périodes mais l’hypothèse de l’uni-
cité de p n’est toutefois pas toujours vérifié. Ainsi, pour l’applique à un produit
dérivé, il faut tout d’abord calculer les différentes probabilités des payoffs qu’il
peut avoir dans un tel univers afin d’obtenir l’espérance de ses derniers pour l’ac-
tualiser au taux sans risque.
L’évaluation risque-neutre permet de simplifier notre domaine d’étude sans pour
autant avoir des résultats approximatifs.

19
 3.3.1 Application de l’évaluation risque-neutre au modèle bino-
mial à une période

On va montrer dans cette section que l’évaluation risque-neutre nous donne des
résultats identiques sur l’exemple du modèle binomial à une période. Pour rappel,
nous avions l’arbre suivant :

Figure 3.3 – Valeurs de l’action et de l’option dans un arbre à une période

De plus T = 0.25 et r = 0.12.

La probabilité p doit satisfaire l’équation suivante :
S0 erT = p fu + (1 − p) fd ⇐⇒ 20e0.12×0.25 = 22p + 18(1 − p)
⇐⇒ 4p = 20e0.12×0.25 − 18
⇐⇒ p = 0.6523
On sait qu’elle a une probabilité 0.6523 de valoir 1e et 1 − 0.6523 = 0.3477 de
valoir 0e.
Donc f = 0.6523 × 1 + 0.3477 × 0 = 0.6523.
Cependant dans l’univers risque-neutre, il faut actualiser la valeur moyenne au
taux sans risque.
Ainsi la valeur de l’option à la date d’aujourd’hui est de : e−0.12×0.25 × 0.6523 =
0.633 e
On retrouve la même valeur que précédemment.

20
3.4 Modèle d’arbre binomial à deux périodes
3.4.1 Modèle théorique

L’analyse que nous avons fait pour une période peut être étendue à un arbre
binomial à deux périodes.
Supposons que notre action possède un prix S0 et qu’à chaque période le cours de
l’action est soit multiplié par u (lorsque l’action se trouve dans un état up) ou d
(lorsque l’action se trouve dans un état down). Pour facilité la compréhension, on
représente les variations du prix de notre action et de son option dans un arbre
binomial à deux périodes.

Figure 3.4 – Valeurs de l’action et de l’option dans un arbre à deux périodes

On note le taux d’intérêt sans risque r et la période T . Le but est de calculer

la valeur de l’option au noeud initial de l’arbre. Pour cela, on va appliquer la mé-
thode pour un arbre binomial à une période de manière itérative. C’est à dire que
nous supposons connaître les valeurs de fuu ,fud et fdd , et nous voulons connaître
les valeurs fu et fd pour enfin avoir f .

On utilise les formules 3.4 et 3.5.

1. Calculons fu :
fu = e−rT (pfuu + (1 − p)fud )
2. Calculons fd :
fd = e−rT (pfud + (1 − p)fdd )
3. Calculons f :
f = e−rT (pfu + (1 − p)fd )
Ainsi on obtient :
f = e−2rT (p2 fuu + 2p(1 − p)fud + (1 − p)2 fdd ) (3.6)

21
On remarque que cette formule est cohérente avec le prince que nous avons énoncé,
celui de risque-neutre. La valeur de l’option est égale à son payoff espéré dans
l’univers risque-neutre mais actualisé au taux sans risque.

3.4.2 Exemple

Supposons que le cours de l’action est de S0 = 20e, à chaque période, le prix

peut :
- augmenter de 10%
- baisser de 10%
On pose que T = 0.25, c’est à dire que chaque période dure 3 mois, et que le taux
sans risque, r, est de 12%.

1. On commence par déterminer fd :

Il est évident que fd = 0 car elle conduit à deux noeuds où l’option vaut 0.
2. On détermine fu :
on a les paramètres suivant :
- u = 1.1
- d = 0.9
- r = 0.12
- T = 0.25
Donc on obtient p = 0.6523 et ainsi fu = e−0.12×0.25 (0.6523 × 3.2 + (1 −
0.6523) × 0) = 2.0257
3. On peut donc déterminer f :
f = e−0.12×0.25 (0.6523 × 2.0257 + (1 − 0.6523) × 0) = 1.2823
Dans notre exemple, les paramètres u et d sont indépendants des périodes,de
même durée, et des noeuds de l’arbre. On a donc la probabilité p risque-neutre
identique pour chacun des noeuds de l’arbre.

22
3.5 Modèle à n-périodes
On peut construire un arbre à n-périodes sur le même modèle que la section
précédente. On pourra ainsi construire un arbre de type :

Figure 3.5 – Valeurs de l’action et de l’option dans un arbre à n-périodes

La méthode de résolution restant la même mais avec bien plus d’itérations.

Il nous faudra donc calculer les valeurs de l’option en commençant par la date
d’échéance où les valeurs de l’option sont connues, et en rétrogradant d’une ma-
nière itérative jusqu’à déterminer la valeur de l’option à la date désirée.

23
 Chapitre 4

Modèle de Black et Scholes

Ce chapitre se base sur les travaux [6], [9], [11], [13], [15] et [16]. On utilisera
également l’article [3].

4.1 Introduction
Au début des années 1970, Fisher Black, Myron Scholes et Robert Merton ont
opéré une avancée majeure en matière d’évaluation d’options. Leurs contributions
ont donné lieu au célèbre modèle de Black, Scholes et Merton, plus largement
connu sous le nom de modèle de Black et Scholes.
Depuis la publication de leur travail en 1973, la finance et le marché boursier en
particulier ont connu un rebondissement important grâce au modèle présenté par
ces derniers.
L’idée de leur travail était de trouver un modèle mathématique du marché finan-
cier où les prix des actions sont des processus stochastiques en temps continu
contrairement au modèle binomial, modèle de Cox Ross-Rubinstein, conçu un
peu plus tard en 1979, qui les considère comme étant des processus stochastiques
évoluant en temps discret.

24
4.2 Notions stochastiques
4.2.1 Notation

On se place dans un modèle en temps discret avec un actif risqué dont n note
le cours à l’instant t St et un actif non risqué dont le cours est noté Rt , t varie
entre 0 et T .
On suppose que R0 = 1 et ∃ r > 0 tel que :
Rt = (1 + r)t 0 ≤ t ≤ T (4.1)
On peut définir l’actualisation du prix de l’actif risqué à l’instant t :
St
St = St (1 + r)−t = (4.2)
Rt

4.2.2 Portefeuille Autofinancé

Une suite croissante (Ft )t est appelée filtration c’est à dire une suite croissante
de σ-algèbres incluses dans F.
Une suite (Xt )t adaptée si Xt est Ft mesurable ∀ 0 ≤ t ≤ T
Une suite (Xt )t prévisible si si Xt est Ft− mesurable ∀ 0 ≤ t ≤ T

On appelle portefeuille Π = (Π)t une famille de suite prévisible (Π)t =

(Xt , Yt ). La valeur du portefeuille à l’instant t est donnée par :
Vt (X, Y ) = Xt Rt + Yt St (4.3)
On peut donc définir sa valeur actualisée :
Xt Rt + Yt St
Vt (X, Y ) = Vt (X, Y ) (1 + r)−t = = Xt + Yt St (4.4)
Rt

Un portefeuille est autofinancé, il n’y a pas d’apport ni de retrait d’argent, si :

Xt Rt + Yt St = Xt+1 Rt + Yt+1 St
⇐⇒ Vt+1 (X, Y ) − Vt (X, Y ) = Xt+1 (Rt+1 − Rt ) + Yt+1 (St+1 − St )
(4.5)
⇐⇒ Xt + Yt St = Xt+1 + Yt+1 St
⇐⇒ Vt+1 (X, Y ) − Vt (X, Y ) = Yt+1 (S t+1 − S t )

On pose ∆St = St − St−1 et de manière similaire ∆S t = S t − S t−1

25
Ainsi un portefeuille Π est autofinancé si ∀1 ≤ t ≤ T :
t
X
Vt (X, Y ) = V0 (X, Y ) + (Xs ∆Rs + Ys ∆Ss ) (4.6)
s=1

et en utilisant la valeur actualisée on a ∀1 ≤ t ≤ T :

t
X
V t (X, Y ) = V 0 (X, Y ) + Ys ∆S s (4.7)
s=1

4.2.3 Processus stochastique continu

Un processus stochastique fini est une séquence X1 , ..., Xn de variables aléa-

toires définis sur l’espace Ω.
Un processus stochastique continu sur l’intervalle I ⊆ R est une collection
{Xt |t ∈ I} de variables aléatoires de Ω d’indice t ∈ I.

4.2.4 Martingales

Une suite {Mt , 0 ≤ t ≤ T } est une martingale en temps continu par

rapport à la filtration (Ft )t si :
— E(|Mt |) < ∞
— (|Mt |)t est adapté à (Ft )t
— E(Mt |Fs ) = Ms p.s

Temps d’arrêt

Une variable aléatoire T : Ω −→ N est appelée temps d’arrêt si ∀ n ∈ N, on

a:
{T = n} ∈ Fn ⇐⇒ {T ≤ n} ∈ Fn (4.8)
⇐⇒ {T ≥ n} ∈ Fn (4.9)

Théorème d’arrêt de Doob : Soit (Mn ) une martingale et soient S ≤ T deux

temps d’arrêt bornés alors E(MT |FS ) = MS .

26
 4.2.5 Processus de Wiener

Un processus stochastique W : [0, ∞] × Ω −→ R est un mouvement brow-

nien ou un processus de Wiener si :
1. W (0) = 0 p.s
2. t 7−→ W (t, ω) est presque sûrement continue
√
3. Wt − Ws ∼ N (0, t − s) pour t > s
4. ∀ 0 ≤ t1 ≤ t2 ≤ ... ≤ tn , les accroissements Wt1 , Wt2 − Wt1 ,
Wt3 − Wt2 , ..., Wtn − Wtn−1 sont des variables aléatoires indépendantes.

Propriétés processus de Wiener

2
• ∀t ∈ {t1 , ..., t√
n }, Wt suit une loi normale de moyenne 0 et de variance σ t ie
Wt ∼ N (0, σ t)

• Pour t > s, Wt − Ws suit une loi normale de moyenne 0 et de variance

σ 2 (t − s) :
p
(Wt − Ws ) ∼ N (0, σ (t − s)) (4.10)

Si l’on considère un processus de Wiener généralisé, l’évolution du cours dépend

non seulement d’un processus aléatoire mais également d’un paramètre, que nous
avions supposé nul dans le début de la partie, de tendance centrale aussi appelé
drift. Le drift nul signifie que l’espérance d’évolution de la valeur de Wt à une
date future quelconque est égale à sa valeur actuelle.

Mouvement brownien avec drift ou processus de Wiener généralisé

Un processus stochastique de la forme µt + Wt où µ est une constante et Wt

est un processus de Wiener est appelé processus de Wiener généralisé.
Ainsi on a alors les propriétés suivantes :
1. W (0) = 0 p.s
2. t 7−→ W (t, ω) est presque sûrement continue
√
3. Wt ∼ N (µt, σ t)
p
4. Wt − Ws ∼ N (µ(t − s), (t − s)) pour t > s
5. ∀ 0 ≤ t1 ≤ t2 ≤ ... ≤ tn , les accroissements Wt1 , Wt2 − Wt1 ,
Wt3 − Wt2 , ..., Wtn − Wtn−1 sont des variables aléatoires indépendantes.

27
 A partir de cette définition, on peut déterminer la notion de processus de
Wierner standard lorsque σ = 1 et µ = 0.
N’importe quel processus de Wierner généralisé peut alors s’écrire comme :
Wt = µt + σZt (4.11)
où Zt est un processus de Wierner standard.

On utilise les processus de Wiener pour le prix d’une action pour plusieurs
raisons :
1. Le prix d’une action peut être perçue comme une particule que l’on soumet
à un bombardement constant de particules plus fines. Ces dernières repré-
sentant les échanges d’options par exemple.
2. Si on considère que les changement de prix de l’action résultent d’un nombre
suffisamment grand de facteurs plus ou moins indépendant, la modélisation
par une distribution normale semble plutôt réaliste
Cependant, le processus de Wiener peut prendre des valeurs négatives et l’espé-
rance de changement prix entre un instant t et s ne dépend pas du prix initial
(E(Wt − Ws ) = µ(t − s))) ce qui peut poser problème.

Toutefois, on peut résoudre ses problèmes en supposant que le rendement de

l’action suit un processus de Wiener. Si on suppose que St représente le prix à
l’instant t de l’action, S0 son prix initial et Ht un processus de Wiener alors :
St = S0 eHt (4.12)
Ht représente dans ce cas notrerendement sur la période [0, T ]. De plus on
St
peut l’écrire comme Ht = log .
S0

Processus de Wiener géométrique

Un processus stochastique de la forme eWt pour t ≥ 0 où Wt est un processus

de Wiener est appelé processus de Wiener géométrique

28
 4.2.6 Lemme d’Itô

Processus de Itô

Soit Wt un processus de Wierner, on appelle processus d’Itô un processus

stochastique Xt de la forme :
dXt = u(t, ω)dt + v(t, ω)dWt (4.13)
où sous forme intégrale :
Z t Z t
Xt = X0 + u(s, ω)ds + v(s, ω)dWs (4.14)
0 0

Produit de Itô

Pour deux processus de Itô :


dX1 = F1 dt + G1 dWt
dX2 = F2 dt + G2 dWt
On a :
d(X1 X2 ) = X1 dX2 + X2 dX1 + G1 G2 dt (4.15)

4.2.7 Lemme de Itô

On peut alors définir une des notions de base pour le modèle de Balck et Scholes,
le Lemme de Itô : Soit Xt un processus de Itô de la forme :
dXt = u(t, ω)dt + v(t, ω)dWt
et g ∈ C 2 ([0, ∞[×R), alors Yt = g(t, Xt ) est aussi un processus d’Itô de la forme :
∂g ∂g 1 ∂ 2g
dY (t) = (t, Xt )dt + (t, Xt )dXt + 2
(t, Xt )(dXt )2
∂t ∂x 2 ∂x
Sous forme intégrale Xt est de la forme :
Z t Z t
X t = X0 + u(s, ω)ds + v(s, ω)dWs
0 0

on trouve alors :
g(t, Xt ) = g(0, X0 )
Z t
1 2 ∂ 2g

∂g ∂g
+ (s, Xs ) + u (s, Xs ) + v (s, Xs ) ds
0 ∂s ∂x 2 ∂x2 (4.16)
Z t
∂g
+ v (s, Xs )dWs
0 ∂x
29
 Dans le cas d’un stock price, on a comme processus de Itô :
dSt = µSt dt + σSt dWt
On applique le Lemme de Itô avec g(t, S) = ln(S) :
∂g 1 ∂ 2g
dln(St ) = (t, St )dSt + 2
(t, St )(dSt )2
∂x 2 ∂x
1 1 1
= dSt − 2 (dSt )2
St 2 St
1
= µdt + σdWt − σ 2 dt
  2
1
= µ − σ 2 dt + σdWt
2

Sous forme intégrale on trouve :

Z t  Z t
1 2
dln(St ) = ln(S0 ) + µ − σ ds + σdWs ds
2
0  0
1
= ln(S0 ) + µ − σ 2 t + σdWt
2
Ainsi on obtient :
1
!
µ− σ 2 t+σWt
St = S0 e 2 (4.17)
On retrouve bien l’actif sûr lorsque la volatilité est nulle i.e σ = 0.

30
4.3 Modèle de Black et Scholes
Hypothèses du modèle

Ce modèle suppose un certain nombre de conditions :

1. Le prix de l’actif sous-jacent St suit un processus de Wiener géométrique Wt

avec une volatilité σ constante et une dérive µ constante :

dSt = µSt dt + σSt dWt (4.18)

2. On doit être dans un marché AOA

3. Le temps est une fonction continue
4. La vente à découvert est autorisée
5. On ne considère pas les coûts dus aux transactions
6. Il existe un taux d’intérêt sans risque r, connu à l’avance et constant
7. Il n’y a pas de restrictions sur le volume des transactions,on peut acheter des
fractions d’action. Tous les sous-jacents sont parfaitement divisibles
8. Dans le cas d’une action, elle ne paye pas de dividendes durant la validité de
l’option

Formules fermées

Les formules de Balck et Scholes permettant de calculer à l’instant t la valeur

d’un Call/Put européen sur une action qui ne verse pas de dividendes sont les
suivantes :

Ct = St N (d1 ) − Ke−r(T −t) N (d2 ) (4.19)

Pt = Ke−r(T −t) N (−d2 ) − St N (−d1 ) (4.20)
     
St σ 2
 St σ2

ln + r+ 2 τ ln + r− 2 τ
K K
avec : d1 = √ et d2 = √ .
σ τ σ τ
Où :
• N (x) la fonction de répartition de la loi normale centrée réduite N (0, 1),c’est-
1
Rx 1 − u2
à-dire : N (x) = −∞ √ e 2 du
2π
• τ =T −t

31
 4.3.1 Extension du modèle

Il s’agit du cas des coefficients dépendant du temps. La dynamique du sous-

jacent sous la probabilité risque neutre est :
dSt
= r dt + σdWt (4.21)
St

4.3.2 Démonstration du modèle

Une manière de démontrer cette formule est d’utiliser l’approche intégrale qui
consiste à utiliser la méthode d’évaluation risque-neutre et donc la valeur du
Call/Put européen.

Prix d’une option Call / Put

Par définition on définit le prix d’un Call européen de maturité T et de prix

d’exercice K par la formule suivant :
Ct = e−rT ) Ep [(ST − K)+ 1{ST ≥K} ] (4.22)
où r est le taux d’intérêt et Ep l’espérance probabilité risque neutre.

De manière analogue, on peut définir le prix d’un Put européen de maturité T

et de prix d’exercice K par la formule suivant :
Pt = e−rT Ep [(K − ST )+ 1{ST ≥K} ] (4.23)

Formule de Black et Scholes

Commençons par détailler le prix d’un Call (comme vu dans la section précé-
dente) :
Ct = e−rT Ep [(ST − K)+ 1{ST ≥K} ]
= e−rT Ep [ST 1{ST ≥K} ] − e−rT KEp [1{ST ≥K} ]
= e−rT Ep [ST 1{ST ≥K} ] − e−rT KP(ST ≥ K)
On doit donc déterminer l’expression de :
— Ep [ST 1{ST ≥K} ]
— P(ST ≥ K)

32
 On se place dans le cas d’une probabilité risque neutre donc r représente le
rendement sans risque. Pour le deuxième terme, on a besoin de revenir à la
première hypothèse du modèle soit :dSt = µSt dt + σSt dWt , soit dans notre
cas :dSt = rSt dt + σSt dWt qui correspond au cas d’extension du modèle. En ap-
pliquant le Lemme d’Itô sur cette expression (voir les calculs section 4.2.7 Lemme
de Itô), on obtient :
1 2
!
r− σ t+σWt
St = S0 e 2
On remplace l’expression de St dans le calcul de la probabilité :
 
1 2
!
r− σ T +σWT
P(ST ≥ K) = P S0 e
 2 ≥ K


   
1 2 K
=P r − σ T + σWT ≥ ln
2 S0
    
K 1 2

 1 ln − r− σ T
S0 2
= P √
 T W T ≥ √ 
σ T 

     
1 1 S0 1 2
On pose G = √ WT et d2 = √ ln + r− σ T .
T σ T K 2
√
On a WT ∼ N (0, T ) =⇒ G ∼ N (0, 1) et −G = G d’après les propriétés de
la loi normale.
Donc :
P(ST ≥ K) = P(G ≥ −d2 )
= P(−G ≥ −d2 )
= P(G ≤ d2 )
= N (d2 )
où N (x) la fonction de répartition de la loi normale centrée réduite.

33
 À présent, occupons nous du terme : Ep [ST 1{ST ≥K} ]. Comme pour le calcul de
la probabilité, on remplace ST par la formule déterminée avec le Lemme d’Itô,
ainsi on obtient :
 
1 2
!

 r− 2 σ T +σWT
Ep [ST 1{S ≥K} ] = S0 Ep e 1{S ≥K} 

T T

 
1
!
√
r− σ 2 T +σ T G
= S0 Ep e
 2 1{G≥−d2 } 


 
1
!
√
r− σ 2 T +σ T G
=⇒ e−rT Ep [ST 1{ST ≥K} ] = e−rT S0 Ep e
 2 1{G≥−d2 } 


Z −x2 √ σ2
+σ T x− T 1
= S0 1{x≥−d2 } e 2 2 √ dx
R 2π
Z +∞
−1 √
(x−σ T )2 1
= S0 e 2 √ dx
−d2 2π
Z +∞
−x2 1
= S0 √ e 2 √ dx
−d2 −σ T 2π
Z +∞
−x2 1
= S0 e 2 √ dx
−d1 2π
Z d1
−x2 1
= S0 e 2 √ dx
−∞ 2π
= S0 N (d1 )
√
où d1 = d2 + σ T .

Ainsi en réunissant nos deux résultats, on obtient :

Ct = S0 N (d1 ) − Ke−rT N (d2 )

On peut déterminer de manière analogue le prix d’un Put :

Pt = −S0 N (−d1 ) − Ke−rT N (−d2 )

34
4.4 Équations de Black et Scholes
4.4.1 Formulation des équations

Une autre manière de démontrer la formule de Black et Scholes consiste à

résoudre l’équation aux dérivées partielles que l’on obtient par application du
Lemme d’Itô :
∂g ∂g 1 ∂ 2g
(t, S(t)) + r (t, S(t)S(t) + 2
(t, S(t))σ 2 S(t)2 = rg(t, S(t)) (4.24)
∂t ∂x 2 ∂x
L

4.4.2 Démonstration

Cette manière d’appréhender ce modèle est la dérivation originale du prix d’ar-

bitrage selon Black et Scholes. On considère un actif S dont le prix a chaque
moment est S(t) donné par l’équation :
(
dS = µSdt + σSdW
S(0) = 0

On définit la fonction du prix dérivé g(t, x). Par exemple on peut avoir g(t, St ) =
(St − K)+ . On note C(t) = g(x, S(t)). Par le Lemme d’Itô, on obtient :

dC(t) = dg(t, S(t))

∂g ∂g 1 ∂ 2g
= (t, S(t))dt + (t, S(t))dS(t) + 2
(t, S(t))dS(t)2
∂t ∂x 2 ∂x
1 ∂ 2g
 
∂g ∂g
= (t, S(t)) + (t, S(t))µS(t) + 2
(t, S(t))σ 2 S(t)2 dt
∂t ∂x 2 ∂x
∂g
+ (t, S(t))σS(t)dW (t)
∂x
On peut dupliquer par le portefeuille (φ, ψ) formé par S et R, où R est un actif
sûr tel que :
(
dR = rRdt
[Link](t) = ert
R(0) = 1

Comme C(t) = φS(t) + ψR(t)

dC(t) = φdS(t) + ψdR(t)

35
Si on remplace on a :
1 ∂ 2g
 
∂g ∂g 2 2 ∂g
(t, S(t)) + (t, S(t))µS(t) + 2
(t, S(t))σ S(t) dt + (t, S(t))σS(t)dW (t)
∂t ∂x 2 ∂x ∂x
= φµS(t)dt + φσS(t)dW (t) + ψrRdt
On peut par identification déterminer le deux formules suivantes :
2

 ∂g (t, S(t)) + ∂g (t, S(t))µS(t) + 1 ∂ g (t, S(t))σ 2 S(t)2 = φµS(t) + ψrR

∂t ∂x 2 ∂x2
∂g
 (t, S(t))σS(t) = φσS(t)

∂x
Donc :
2

 ∂g (t, S(t)) + 1 ∂ g (t, S(t))σ 2 S(t)2 = ψrR

∂t 2 ∂x2
 ∂g (t, S(t)) = φ

∂x
Or :
∂g
ψR = C − φS = g(t, S(t)) − (t, S(t)S(t)
∂x
L’équation devient :
∂g 1 ∂ 2g 2 2 ∂g
(t, S(t)) + (t, S(t))σ S(t) = rg(t, S(t)) − r (t, S(t)S(t)
∂t 2 ∂x2 ∂x
Après simplification, la fonction g(t, S(t) doit satisfaire l’équation aux dérivées
partielles :

∂g ∂g 1 ∂ 2g
(t, S(t)) + r (t, S(t)S(t) + 2
(t, S(t))σ 2 S(t)2 = rg(t, S(t))
∂t ∂x 2 ∂x

36
4.5 Volatilité historique et Volatilité implicite
4.5.1 Volatilité historique

La volatilité historique est calculée à l’aide de l’historique des cours du

[Link] paramètre de volatilité n’est pas observable mais son estimation
empirique est facile si les rentabilités sont indépendamment et identiquement dis-
tribuées : v
u
u 1 X N
σH = t (Ri − mH (4.25)
N − 1 i=1
où :
• Ri : log-rentabilité du sous jacent sur la période i : Ri = ln(Si+1 ) − ln(Si )
1 PN
• mH : Moyenne empirique des log-rendements : mH = Ri
N i=1

4.5.2 Volatilité implicite

En connaissant le prix du marché pour une option, il est possible d’obtenir une
valeur unique pour la volatilité. Il suffit de trouver la volatilité notée σimp telle
que l’estimation donnée par le modèle de Black et Scholes corresponde à celle
du marché. Cette valeur est appelée volatilité implicite. Plus généralement, la
volatilité implicite d’une option est la volatilité permettant de compléter le modèle
de Black et Scholes pour donner le prix réel de l’option sur le marché.
Dans le cas où σ est déterministe dépendante du temps (σt ), on a la relation
suivante : Z T
2 1
σimp = σs2 ds (4.26)
T −t t
La volatilité implicite est très utilisée pour le calcul des ratios de couverture
des options européennes.

37
 Chapitre 5

Les lettres grecques

Ce chapitre utilisera sur les travaux [6], [11], [13] et [15]. On utilisera également
les articles [1], [4] et [5].

5.1 Introduction
Le modèle de Black et Scholes définit la valeur théorique d’une option de type
européen. Mais la gestion précise d’une telle option a besoin de plus d’outils : les
grecques. Les grecques ou grecques sont des indicateurs de gestion qui permettent
d’anticiper la manière dont va évoluer une option en fonction des possibles modi-
fications des paramètres et variables auxquels elle est liée.
Dans le modèle de Black et Scholes, les grecques les plus utilisés sont les suivants :
— Delta
— Vega
— Gamma
— Theta
— Rhô

5.2 Delta
Le Delta mesure la sensibilité du prix par rapport aux variations du cours du
sous-jacent. Il fournit une information sur la variabilité de l’option mais aussi sur
la probabilité d’exercer l’option. Enfin, elle représente la quantité d’actifs supports
dans le portefeuille de couverture.
Le Delta d’un Call/Put européen dans le modèle de Black et Scholes est donné
par :
∆(Ct ) = N (d1) > 0 (5.1)
∆(Pt ) = N (d2) − 1 < 0 (5.2)

38
 Graphiquement on obtient les courbes suivantes :

Figure 5.1 – Représentation du Delta dans le cas d’un Call/Put européen

5.2.1 Démonstration

On démontre cette formule dans le cas d’un Call européen. Pour les calculs, on
a besoin de rappeler quelques notions :

 
St 
σ2

ln + r+ T 2
K
d1 = √
  Tσ
St σ2

ln + r− 2 T
K
d2 = √
σ T
√
=⇒ d2 = d1 − σ T
∂d2 ∂d2
=⇒ =
∂S ∂S

39
 Par définition du Delta, on a en utilisant le modèle de Black et Scholes :

∂C
∆(Ct ) =
∂S
∂N (d1 ) ∂N (d2 )
= N (d1 ) + S − Ke−rT
∂S ∂S
∂N (d1 ) d1 ∂N (d2 ) d2
= N (d1 ) + S − Ke−rT
∂d1 ∂S ∂d2 ∂S
∂d1 SerT ∂d2
= N (d1 ) + SN (d1 ) − Ke−rT N (d1 )
∂S K ∂S
= N (d1 ) > 0

5.3 Gamma
Le Gamma peut être vu comme la sensibilité du Delta , la convexité du prix
d’une option en fonction du cours du sous-jacent.
Le Gamma d’un Call/Put européen dans le modèle de Black et Scholes est donné
par :
N 0 (d1 )
Γ(Ct ) = Γ(Pt ) = √ >0 (5.3)
Sσ T

En pratique, le Gamma est très important, car la stratégie est traditionnelle-

ment de se positionner en delta-neutre sur un portefeuille, et c’est alors le Gamma,
et donc les fluctuations de grande amplitude du cours, qui vont être responsable
de l’évolution d’un portefeuille.
Graphiquement on obtient la courbe suivante :

Figure 5.2 – Représentation du Gamma dans le cas d’un Call/Put européen

40
 5.3.1 Démonstration

On démontre cette formule dans le cas d’un Call européen. Par définition du
Gamma , on a en utilisant le modèle de Black et Scholes :
∂∆
Γ=
∂S
∂ 2 Ct
=
∂S 2
∂N (d1 )
=
∂S
∂N (d1 ) ∂d1
=
∂d1 ∂S
N 0 (d1 )
= √
Sσ T

5.4 Vega
Le Vega est la sensibilité du prix d’un Call/Put à une petite variation de la
volatilité du sous-jacent. Le Vega d’un Call / Put européen dans le modèle de
Black-Scholes est identique et est donné par :
√
ϑ(Ct ) = ϑ(Pt ) = SN 0 (d1 ) T > 0 (5.4)
Graphiquement on obtient la courbe suivante :

Figure 5.3 – Représentation du Vega dans le cas d’un Call/Put européen

Cette quantité représente peu d’intérêt dans le cas du modèle de Black-Sholes

puisque est supposée constante.
Notons qu’il existe une relation entre le Gamma et le Véga de l’option :
ϑ = S 2 T σΓ (5.5)

41
 5.4.1 Démonstration

On démontre cette formule dans le cas d’un Call européen. Par définition du
Vega , on a en utilisant le modèle de Black et Scholes :
∂Ct
ϑ(Ct ) =
∂σ
∂N (d1 ) ∂N (d2 )
=S − kE −rT
∂σ ∂σ
∂N (d1 ) ∂d1 ∂N (d2 ) ∂d2
=S − kE −rT
∂d1 ∂σ ∂d2 ∂d2
√
= SN 0 (d1 ) T

5.5 Thêta
Le Thêta est la sensibilité du prix d’un Call/Put à une petite variation de la
maturité de l’option. Dans le modèle de Black et Scholes, le Thêta d’un Call/Put
est donné par :
SN 0 (d1 )σ
Θ(Ct ) = − √ − rKe−rT N (d2 ) < 0 (5.6)
2 T
SN 0 (d1 )σ
Θ(Pt ) = − √ + rKe−rT N (−d2 ) (5.7)
2 T

5.6 Rhô
Le Rhô est la sensibilité du prix d’un Call/Put à une petite variation du taux
sans [Link] le modèle de Black et Scholes, le Rhô d’un Call/Put est donné
par :
ρ(Ct ) = T Ke−rT N (d2 ) > 0 (5.8)
ρ(Pt ) = −T Ke−rT N (−d2 ) < 0 (5.9)

42
5.7 Résumé des formules théoriques
Dans le cas du Call et du Put (de prix d’exercice K et d’échéance T ) les valeurs
des grecques à t = 0 sont données par le tableau suivant :
Call Put
∆ N (d1) N (d2) − 1
1 1
Γ √ N 0 (d1 ) √ N 0 (d1 )
Sσ T Sσ T
√ √
ϑ N 0 (d1 ) T N 0 (d1 ) T
Sσ Sσ
Θ √ N 0 (d1 ) − rKe−rT N (d2 ) − √ N 0 (d1 ) + rKe−rT N (−d2 )
2 T 2 T
ρ T Ke−rT N (d2 ) −T Ke−rT N (−d2 )

Table 5.1 – Valeurs des lettres grecques dans le cas d’un Call et d’un Put européen

5.8 Utilisation des lettres grecques

Les grecques Delta, Gamma, Vega et Thêta permettent de comprendre com-
ment le prix des options se forme. Ainsi, une prime d’option est déterminée no-
tamment par le cours de la valeur sous-jacente, la durée de l’option jusqu’à son
échéance et la volatilité.
La volatilité sur le marché des actions augmente avec l’incertitude, ce qui gé-
nère un gonflement des primes des options. Les grecques des options permettent
de comprendre le changement du prix d’une prime d’option lorsque les variables
changent.

5.8.1 Delta

Le delta est la plus importante des grecques. Il porte sur la variation du prix
d’une option par rapport à la variation du prix de la valeur sous-jacente. Le delta
mesure donc l’amplitude de la variation de la prime d’option en cas de hausse
ou de baisse de l’action sous-jacente. Une fluctuation de la valeur sous-jacente
correspond de manière standard à une augmentation ou une baisse de 1 point.

Observons ce phénomène sur un exemple, imaginons que la prime de notre

option Call est égale à 2.5e et que son Delta vaut 0.5 :
• Si l’action sous-jacente augmente de 1 e alors la valeur de l’option augmente
de 0.5 × 1 e = 0.5 e elle passe donc à 3 e
• Inversement si l’action sous-jacente baisse de 1 e alors la valeur de l’option
baisse de 0.5 × 1 e = 0.5 e elle passe donc à 2 e

43
 On observer le comportement du Delta dans le cas d’un Call mais pour les
options Put, le fonctionnement est similaire sauf que le Delta dans le cas d’un
Put est toujours négatif.

5.8.2 Gamma

En fonction des fluctuations de la valeur sous-jacente d’une option, celle-ci est

dite « dans la monnaie » ,« à la monnaie » ou « en dehors de la monnaie ».
Pour mieux situer les différentes zones, observons dans le cas d’un Put en position
Long :

Figure 5.4 – Zone de fluctuation de la valeur sous-jacente d’une option Put position long

Ces fluctuations font évoluer le Delta en permanence. Le Gamma permet de

mesurer la sensibilité au Delta. Le Gamma mesure la variation du Delta qui est
engendrée par une variation du cours du sous-jacent. Les options à la monnaie
ont le Gamma le plus élevé vu qu’une fluctuation de la valeur sous-jacente agit
fortement sur le Delta de ces options. De plus, les options à court terme ont
une valeur temps inférieure à la valeur temps d’options à plus long terme. Une
fluctuation de la valeur sous-jacente aura donc plus d’impact sur la prime d’une
option que pour des options à plus long terme.

44
 5.8.3 Vega

Le Vega d’une option correspond au taux de variation d’une option consécutive

à une variation de la volatilité. Si la volatilité baisse, les cours du sous-jacent fluc-
tueront moins ce qui fera baisser le prix des options. Et à l’inverse, une volatilité
qui augmente fera augmenter la fluctuation des cours du sous-jacent et le prix des
options monte.

Le Vega varie selon le prix d’exercice et la durée d’une option. Une option à
court terme est moins sensible aux changements de la volatilité qu’une option
à long terme. Il correspond à la variation d’un point de la volatilité implicite
de l’option. La volatilité implicite correspond à la variation prévue d’une option
jusqu’à son échéance.

5.8.4 Thêta

Le Thêta mesure la perte quotidienne de la valeur d’une option due au passage

du temps. Le Thêta représente donc combien de valeur l’option perd par jour.
Plus l’échéance d’une option est proche, plus vite l’option perdra de sa valeur
dans le temps.
Le Thêta est impacté par la volatilité en effet, lorsque la volatilité d’une option
est élevée cette dernière perdra davantage de valeur.

45
 Chapitre 6

Calcul numérique des lettres grecques

Ce chapitre se base sur les travaux [6], [8], [10], et [11].

6.1 Introduction
Dans cette partie, on cherche à calculer numériquement les lettres grecques,
parmi celle présentées dans le chapitre précédent, on ne traitera que le cas du
Delta et Gamma (en traitant le Gamma on obtient très facilement le Vega en
utiliant la formule (5.5)).

Le calcul se passe en deux temps :

1. On commence par simuler le modèle de Black et Scholes pour le prix de
l’option (Call ou Put) par la méthode de Monte Carlo. Ainsi on obtiendra
une approximation de ST . On va simuler n fois ST afin de déterminer CT ou
PT .
2. Puis on utilisera les différences finies pour simplifier le calcul des lettres
grecques.
3. En combinant, les deux premiers points, on pourra obtenir les valeurs numé-
riques des lettres grecques.

46
6.2 Méthode de Monte Carlo
6.2.1 Principe de la méthode

La méthode de Monte Carlo est une des techniques les plus générales pour
le ricng d’options. Le principe de cette méthode repose essentiellement sur l’uti-
lisation de la Loi des Grands Nombres (9.1) pour évaluer l’espérance des gains à
maturité de l’option.

6.2.2 Application au modèle de Black et Scholes

Si le sous-jacent évolue selon un processus de Wiener géométrique, les "che-

mins" possibles de sa valeur au cours du temps peuvent être modélisés à partir
de la solution de l’équation (4.18) c’est à dire (4.17) :
1
!
µ− σ 2 t+σdWt
St = S0 e 2

Soit t = t0 < t1 < ... < tn = T une subdivision de [t, T ]. On va donc chercher
à simuler une trajectoire de St en les points de la subdivision, i.e on cherche la loi
du processus discret (Sti )i=0,...,n .
Pour un pas ∆t, on a :
1
!
r− σ 2 ∆t+σ(Wt+∆t −Wt )
St+∆t = St e 2 (6.1)
√
Or d’après (4.10), si Gt = Wt+∆t − Wt alors ∆tGt ∼ N (0, 1)
Donc :
1 2
!
√
r− σ ∆t+σ ∆tGt
St+∆t = St e 2 (6.2)

La méthode de Monte Carlo consiste donc à générer des nombres aléatoires selon
une distribution normale, les insérer dans l’équation (6.2) et calculer la valeur de
l’option à maturité.

47
 En répétant cette opération un grand nombre de fois, la moyenne des valeurs
obtenues va converger vers l’espérance des payoff, qu’il suffira d’actualiser pour
obtenir le prix de l’option :

n
−rT 1 X
Ct = e Ep [(ST − K) ] ≈ e−rT
+
(STi − K)+
n i=1
n (6.3)
−rT + 1 −rT X
Pt = e Ep [(K − ST ) ] ≈ e (K − STi )+
n i=1

On pose :


−rT +
F (t, x) = e Ep [(S(x, t) − K) ]

Pour un Call : avec S(x, t)vérifie (4.18) de condition initiale S0 = x

g(x, K) = (x − K)+ = max(x − K, 0)


−rT +
F (t, x) = e Ep [(K − S(x, t)) ]

Pour un Put : avec S(x, t)vérifie (4.18) de condition initiale S0 = x

g(x, K) = (K − x)+ = max(K − x, 0)


6.2.3 Algorithme de Simulation

En utilisant la formule (6.2) et (6.3), on peut mettre en place l’algorithme

suivant :

Algorithme 1 : Algorithme de Simulation de F (T, x) par la méthode de Monte Carlo

Résultat : Faire une approximation de F (T, x)
Entrée : x, t, T , g(., .), K, r, σ, n et h (le pas de la subdivision de l’intervalle de travail );
Initialiser S −→ x ;
Initialiser F −→ 0;
Initialiser E −→ 0 (une variable temporaire pour calculer la somme de g(x,K));
pour i de 1 à n faire
pour chaque ti dans l’intervalle [t, T ] faire
• Générer une normale G centrée réduite ;
√
  
1
• S −→ S × exp r − σ 2 h + σ hG ;
2
fin
E −→ E + g(S, K);
fin
E
F −→ exp(−rT ) × ;
n
Sortie : F

48
 6.2.4 Erreur de la méthode

L’erreur sur le résultat obtenu avec la génération de n "chemins" peut être

évaluée par la relation : r
σ
= (6.4)
n
où  est l’erreur standard de la solution et σ est la variance des solutions obtenues.

6.3 Différentes finies

6.3.1 Principe de la méthode

La méthode des Différences Finies est une technique courante de recherche de

solutions approchées d’équations aux dérivées partielles qui consiste à résoudre un
système de relations (schéma numérique) liant les valeurs des fonctions inconnues
en certains points suffisamment proches les uns des autres.
Ainsi dans notre cas, on va donc approximer l’expression des différentes lettres
grecques pour faire intervenir FT déterminer par la méthode de Monte Carlo

6.3.2 Application aux lettres grecques

Pour rappel, les lettres grecques sont définies de manières suivante :

∂F
∆= (t, x)
∂x
∂ 2F
Γ= (t, x)
∂x2
En utilisant un schéma de différence finie, on obtient les approximations suivantes :
F (t, x + h) − F (t, x − h)
∆≈
2h (6.5)
F (t, x + h) − 2F (t, x) + F (t, x − h)
Γ≈
h2
où h est suffisamment petit et F (t, x + h),F (t, x) et F (t, x − h) sont calculés par
la méthode de Monte Carlo, définie dans la section précédente.

49
 6.3.3 Algorithme de calculs

En utilisant la formule (6.5) et l’algorithme de Monte Carlo, on peut mettre en

place l’algorithme suivant :
Algorithme 2 : Algorithme d’approximation de ∆ et Γ par la des Différences Finies
Résultat : Faire une approximation de ∆ et Γ
Appel : de la fonction MonteCarloF (déterminer par 1) ;
Entrée : x, t, T , g(., .), K, r, σ, n,et h;
Initialiser ∆ −→ 0 ;
Initialiser Γ −→ 0;
F x −→ M onteCarloF (x, t, T, g, K, r, σ, n, h);
F xh −→ M onteCarloF (x + h, t, T, g, K, r, σ, n, h);
F hx −→ M onteCarloF (x − h, t, T, g, K, r, σ, n, h);
F xh − F x
•∆= ;
2h
F xh − 2F x + F hx
•Γ= ;
h2
Sortie : ∆ et Γ

6.4 Retour sur la méthode

6.4.1 Avantages

Les avantages de la méthode de Monte-Carlo/Différences Finies sont certaine-

ment :
— sa simplicité
— sa facilité d’implémentation
— sa grande généralité pour tous types d’options

6.4.2 Inconvénients

Ses inconvénient sont :

— sa faible vitesse de convergence. Elle impose la génération d’un très grand
nombre de "chemins" du sous-jacent pour obtenir des solutions précises, ce
qui se traduit par des temps de calcul relativement longs
— elle ne permet pas de calculer de manière directe les grecques de l’option
— elle fait appel à deux approximations (celle de Monte Carlo et celle des
Différences Finies) donc deux facteurs d’erreurs
— en pratique le choix de h n’est pas évident :
• le prendre trop grand entraîne une mauvaise approximation des dérivées
(i.e un grand biais)
• le prendre trop petit peut faire exploser la variance de l’estimateur (i.e
augmente sa volatilité) et la qualité des simulations Monte Carlo

50
 Chapitre 7

Implémentation
Afin de tester notre modèle de calcul des lettres grecques, on se propose d’im-
plémenter les deux algorithmes sous le logiciel R.

7.1 Représentation de l’option Call/Put

Pour commencer, on s’intéresse à l’implémentation du prix de l’option. En
effet, lorsque l’on codera la méthode avec les différences finies, on aura besoin
de la valeur du prix de l’option et donc il est intéressant d’observer uniquement
ce résultat avant de l’utiliser pour les lettres grecques afin de détecter les zones
d’approximations ou d’erreurs qui vont se répercuter sur les calculs futurs.
On exécute donc le code suivant 9.1, on peut observer ses deux sorties :

Figure 7.1 – Représentation de la valeur de l’option Call/Put en fonction du nombre de simulations

Grâce à cette première représentation, on peut déjà en tirer cette conclusions :

• Pour une option Put, 400 simulations donne déjà un résultat assez proche de
la valeur théorique alors que pour un Call il faut prendre au minimum 600
simulations. La convergence vers la solution théorique se fait donc en moins
de simulations pour un Put que pour un Call.
• Pour avoir des résultats exploitables pour le calculs des lettres grecques, on
prendra au minimum 800 simulations.

51
7.2 Représentation des lettres grecques : méthode
théorique
Maintenant, on veut observer le comportement des lettres grecques en utilisant
les formules théoriques et ainsi retrouver les courbes représentatives.
On exécute donc le code suivant 9.2, on peut observer ses différentes sorties :

Figure 7.2 – Représentation de la valeur Delta dans le cas d’une option Call et Put

Figure 7.3 – Représentation de la valeur Gamma dans le cas d’une option Call et Put

Figure 7.4 – Représentation de la valeur Vega dans le cas d’une option Call et Put

52
 On retrouve bien les courbes représentatives des lettres grecques cependant avec
un léger décalage que l’on observe surtout pour le Gamma et Vega. Ce décalage
est du à nos choix de paramètres, en effet on s’est placé dans le cas d’un actif
risqué avec une volatilité constante ce qui peut expliqué que le maximum de la
valeur n’est pas atteint pour le prix d’exercice mais un peu avant.

7.3 Représentation des lettres grecques : méthode

de Monte Carlo
Après avoir observer les courbes représentatives des lettres grecques, on va
simuler le prix du sous-jacent par la méthode de Monte Carlo afin d’utiliser les
formules déterminées précédemment 5.1.

7.3.1 Cas d’une option Call

On exécute donc le code suivant 9.3, on peut observer ses différentes sorties :

Figure 7.5 – Représentation des lettres grecques dans le cas d’une option Call par la méthode de Monte Carlo

53
 On peut voir que les valeurs expérimentales des grecques fluctuent autour de
leurs valeurs théoriques ici représentée en pointillé rouge. Les valeurs sont bornées :

— Pour le Delta dans l’intervalle [0, 1] ce qui est cohérent avec la définition de
Delta.

— Pour le Gamma dans l’intervalle [0, 0.04]. Cette première observation semble
déjà indiquée la précision de nos résultats.

— Pour le Vega dans l’intervalle [0, 0.4] ce qui encore une fois est un intervalle
relativement étroit.

Afin de se donner un meilleur aperçu de la justesse de nos résultats, on réalise

la différence entre la valeur théorique et expérimentale pour chaque valeurs expé-
rimentales et on réalise la moyenne de cet écart, on trouve :

— Pour le Delta : 0.1884888. Ainsi pour 800 simulations on trouve en moyenne

un écart d’un dixième entre la valeur théorique et expérimentale.

— Pour le Gamma : 0.007498252 ce qui confirme notre idée de précision de la

méthode pour cette valeur.

— Pour le Vega : 0.09905792

Dans la globalité, cette méthode pour le cas d’un Call donne des résultats
concluant et précis.

54
 7.3.2 Cas d’une option Put

On réalise un code quasiment similaire à celui 9.3 en modifiant les formules des
lettres grecques pour les adaptées au cas d’un Put. On ne s’intéressera qu’a la
valeur de Delta qui possède une valeur différentes dans le cas d’un Call et d’un
Put.
On obtient la sortie suivante :

Figure 7.6 – Représentation de Delta dans le cas d’une option Put par la méthode de Monte Carlo

L’interprétation est la même que pour le cas d’un Call, on obtient un écart
moyen avec la valeur théorique de 0.1936565 ce qui est légèrement plus grand que
pour le cas du Call mais reste tout à fait acceptable.

55
7.4 Représentation des lettres grecques : méthode
de Monte Carlo et des Différences finies
On se représente à présent la seconde méthode celle qui lie la méthode de Monte
Carlo pour déterminer le prix du Call puis la détermination des valeurs des lettres
grecques par méthodes des différences finies.

7.4.1 Cas d’une option Call

On exécute le code 9.4, on peut observer les résultats suivants :

Figure 7.7 – Représentation des lettres grecques dans le cas d’une option Call par la méthode de Monte Carlo
et des Différences finies

On a deux comportements similaires pour le Delta et Gamma de nombreuses

fluctuations autour d’une valeur. Cependant, dans le cas du Delta, les fluctuations
ne se font pas comme attendu autour de la valeur théorique cela peut s’expliquer
par les choix des paramètres notamment celui de la volatilité.
Le Gamma fluctue lui autour de sa valeur théorique et par conséquent a un écart
moyen beaucoup plus faible que le Delta.
En effet, on note un écart de :
— 0.03753216 pour le Gamma
— 0.287266 pour le Delta

Les écarts sont plus élevés que dans la méthode précédente mais le choix des
paramètres peut énormément influencer une méthode.

56
 7.4.2 Cas d’une option Put

Tout comme pour la méthode de Monte Carlo, on exécute un code similaire

que pour le cas d’un Call 9.4 mais en l’adaptant pour le calcul du Delta.
On peut observer le résultat suivant :

Figure 7.8 – Représentation de Delta dans le cas d’une option Put par la méthode de Monte Carlo et des
Différences finies

L’interprétation reste la même que pour le cas du Call cependant on voit que
le Delta expérimentale a une valeur bien plus forte que celui théorique il reste
négatif mais les fluctuations se font loin de la valeur théorique. Malgré tout on
obtient un écart de 0.2335266.

57
7.5 Influence des paramètres dans la méthode de
Monte Carlo et des Différences finies
Comme on a pu voir les paramètres peuvent énormement influencer notre mo-
dèle, on s’intéresse donc à deux d’entre eux :
— le nombre d’itérations dans la simulation
— le pas de temps

7.5.1 Influence du nombre d’itérations

Figure 7.9 – Représentation des lettres grecques selon l’influence du nombre d’itérations

On remarque que les deux lettres grecques semblent converger vers une valeur :

— Pour le Gamma les fluctuations deviennent de plus en plus petites et se

rapproche de la valeur théorique.

— Pour le Delta la convergence est certaine mais pas vers la valeur théorique
comme on avait pu le voir précédemment, on a un décalage entre la valeur
théorique et expérimentale. Cela pourrait peut-être s’expliquer par un mau-
vais calibrage de notre modèle de simulations.

58
 7.5.2 Influence du pas de temps h

Figure 7.10 – Représentation des lettres grecques selon l’influence du pas de temps

Les deux lettres grecques ont un comportement totalement différents par rap-
port à ce paramètre. Le Gamma devient de plus en plus faible lorsque le pas de
temps est important alors que le Delta n’a aucun effet sur la valeur de h. La va-
leur mise au carré dans le dénominateur du Gamma pour le calcul des Différences
Finies explique ce résultat et cet impact.

59
 Chapitre 8

Conclusion
A travers ce projet, on a pu voir différentes notions mathématiques dans le cadre
financier du marché des produits dérivés. La connaissance des lettres grecques
dans l’évaluation des options financières permet l’anticipation de l’évolution des
différents risques en fonction de l’environnement du marché ce qui est primordiale
pour éviter des pertes trop importantes.
Afin de comprendre au mieux l’utilisation des lettres grecques dans les stratégies
de marché, on s’est donné, dans le cadre de ce projet, d’étudier différents modèles
d’évaluations :

• Le modèle de Cox, Ross et Rubinstein qui donne un aperçu de l’évolution

discrète des prix des actifs.
• Le modèle de Black et Scholes plus largement répandu et utilisé donnant une
dynamique continue de l’évolution il a été la base de nos différentes modéli-
sations.

A partir, de ses deux modèles, on a pu y extraire des formules théoriques pour

déterminer les lettres grecques et en déterminer leurs impacts et utilisations.
Pour finir ce projet, on a cherché à calculer numériquement certaines lettres
grecques en utilisant la méthode de Monte Carlo et celle des différences finies.

Si dans la globalité les résultats étaient assez concluant, il aurait été intéres-
sant de pousser un peu plus loin les calculs afin de proposer un modèle avec un
meilleur paramétrage mais aussi le tester avec d’autres types d’options telles que
les options américaines ou exotiques. On aurait pu également proposer une va-
riante pour la méthode de Différences Finies en faisant intervenir le poids dans le
calculs et par ce fait utiliser les techniques du calcul de Malliavin.

Grâce à ce projet, j’ai pu acquérir une certaine ouverture spécifique sur les
outils financiers et le princing d’options sans oublier la base mathématique qui se
cache derrière ses concepts.

60
 Ce fut un projet enrichissant par la diversité des thèmes abordés à la fois très
théoriques et pratiques permettant une bonne compréhension de notions parfois
complexe.
J’ai toutefois une légère frustration vis-à-vis de cette étude : le manque de temps
pour aller plus loin dans la simulation et l’implémentation d’autres options qui
auraient été à mon sens très instructif.

61
 Chapitre 9

Annexe
9.1 Loi des Grands Nombres
La Loi des Grands Nombres stipule que si Yn est une séquence de variables
aléatoires identiquement distribuées et indépendantes, alors on a la relation sui-
vante :
N
1 X
lim Yj = E(Y ) (9.1)
N →∞ N
j=1

9.2 Théorème de limite centrale

Soit (Xn ), n ∈ N∗ une suite de variables aléatoires variables aléatoires indépen-
dantes de même loi, d’espérance µ et de variance
√ σ 2 finies.
n
Posons :∀n ∈ N∗ , X n = X1 +···+X


n
n
et Z n = σ X n − µ .

La loi de Zn converge vers la loi normale N (0, 1), c’est-à-dire que pour tout a < b :
Z b
1 2
lim P[a < Zn < b] = √ e−x /2 dx (9.2)
n→∞ a 2π

62
 9.3 Code R
9.3.1 Représentation de l’option Call/Put

1 ##### O b s e r v a t i o n du p r i x d un c a l l / put #####

2 #I n i t i a l i s a t i o n
3 # N e t t o y a g e de l e s p a c e de t r a v a i l
4 rm ( l i s t =l s ( ) )
5
6 #I n i t i a l i s a t i o n
7 S0=100 #v a l e u r i n i t i a l de n o t r e a c t i f s o u s j a c e n t
8 K=100 #v a l e u r du p r i x d e x e r c i c e
9 Tf=1 # temps f i n a l
10 r =0.05 # taux d i n t e r e t
11 sigma =0.3 #v o l a t i l i t e on s u p p o s e qu e l l e e s t c o n s t a n t e
12 N=1000 #nombre de s i m u l a t i o n pour l a methode de Monte C a r l o
13 C=r e p ( 0 ,N)
14 P=r e p ( 0 ,N)
15
16 #C a l c u l v a l e u r t h e o r i q u e :
17 d1=( l o g ( S0 /K) +( r +( sigma ^2) ∗ 0 . 5 ) ∗ Tf ) / ( sigma ∗ s q r t ( Tf ) )
18 d2=( l o g ( S0 /K) +(r −(sigma ^2) ∗ 0 . 5 ) ∗ Tf ) / ( sigma ∗ s q r t ( Tf ) )
19 C b s c a l l=S0 ∗pnorm ( d1 )−K∗ exp(− r ∗ Tf ) ∗pnorm ( d2 )
20 Cbsput=K∗ exp(− r ∗ Tf ) ∗pnorm(−d2 )−S0 ∗pnorm(−d1 )
21
22 #c a l c u l du p r i x du c a l l pour N s i m u l a t i o n s du p r i x du sous −j a c e n t
23 P r i x C a l l<− f u n c t i o n ( r , sigma , h , S0 , N,K) {
24 #I n i t i a l i s a t i o n
25 S=r e p ( 0 ,N)
26 E=0
27 G=rnorm (N)
28 # N s i m u l a t i o n de ST
29 f o r ( i i n 1 :N) {
30 S [ i ]= S0 ∗ exp ( ( r −(0.5 ∗ sigma ^2) ) ∗h+sigma ∗ s q r t ( h ) ∗G[ i ] )
31 E=E+max( S [ i ]−K, 0 )
32 }
33 C=exp(− r ∗h ) ∗ (E/N)
34 r e t u r n (C)
35 }
36
37 #c a l c u l du p r i x du put pour N s i m u l a t i o n s du p r i x du sous −j a c e n t
38 PrixPut<− f u n c t i o n ( r , sigma , h , S0 , N,K) {
39 #I n i t i a l i s a t i o n
40 S=r e p ( 0 ,N)
41 E=0
42 G=rnorm (N)
43 # N s i m u l a t i o n de ST
44 f o r ( i i n 1 :N) {
45 S [ i ]= S0 ∗ exp ( ( r −(0.5 ∗ sigma ^2) ) ∗h+sigma ∗ s q r t ( h ) ∗G[ i ] )
46 E=E+max(K−S [ i ] , 0 )
47 }
48 C=exp(− r ∗h ) ∗ (E/N)
49 r e t u r n (C)
50 }
51
52 #C a l c u l s de N s i m u l a t i o n s du p r i x de l ’ o p t i o n
53 f o r ( i i n 1 :N) {
54 C [ i ]= P r i x C a l l ( r , sigma , Tf , S0 , i ,K)
55 P [ i ]= PrixPut ( r , sigma , Tf , S0 , i ,K)
56 }

Listing 9.1 – Représentation de l’option Call/Put

63
 9.3.2 Représentation théorique des lettres grecques

1 #### R e p r e s e n t a t i o n d e s l e t t r e s g r e c q u e s dans l e c a s de St connu a v e c l e s f o r m u l e s de BS ####

2
3 # N e t t o y a g e de l e s p a c e de t r a v a i l
4 rm ( l i s t =l s ( ) )
5
6 ##I n i t i a l i s a t i o n ##
7 #I n i t i a l i s a t i o n d e s p a r a m e t r e s
8 K=180 #l e p r i x d ’ e x e r c i c e
9 Tf=1 #l e temps f i n a l
10 r =0.05 #l e taux d ’ i n t e r e t s i r=0 on r e t r o u v e c o u r b e t h e o r i q u e a c t i f s u r
11 sigma =0.10 #l a v o l a t i l i t e on s u p p o s e dans nos c a l c u l s que sigma e s t c o n s t a n t
12 N=200
13
14 #i n i t i a l i s a t i o n d e s v e c t e u r s pour l e s l e t t r e s grecques
15 d e l t a t h e o c a l l=r e p ( 0 ,N)
16 d e l t a t h e o p u t=r e p ( 0 ,N)
17 gamatheo=r e p ( 0 ,N)
18 v e g a t h e o=r e p ( 0 ,N)
19
20
21 #R e m p l i s s a g e de St
22 S0=80
23 S=r e p ( 0 ,N)
24 S [ 1 ] = S0
25 f o r ( i i n 2 :N) {
26 S [ i ]=S [ i −1]+1
27 }
28
29 ##C a l c u l s##
30
31 #C a l c u l s d e s v a l e u r s d e s l e t t r e s g r e c q u e s :
32 f o r ( i i n 1 :N) {
33 d1=( l o g ( S [ i ] /K) +( r +(sigma ^2) ∗ 0 . 5 ) ∗ Tf ) / ( sigma ∗ s q r t ( Tf ) )
34 d2=( l o g ( S [ i ] /K) +(r −(sigma ^2) ∗ 0 . 5 ) ∗ Tf ) / ( sigma ∗ s q r t ( Tf ) )
35 #Cbs=S∗pnorm ( d1 )−K∗ exp(− r ∗ Tf ) ∗pnorm ( d2 ) v a l e u r s du c a l l
36
37 #c a l c u l de d e l t a pour un c a l l / put
38 d e l t a t h e o c a l l [ i ]=pnorm ( d1 )
39 d e l t a t h e o p u t [ i ]=pnorm ( d2 )−1
40
41 #c a l c u l de gamma pour un c a l l / put
42 gamatheo [ i ] = ( exp ( −0.5 ∗ ( d1 ^2) ) / ( s q r t ( 2 ∗ p i ) ) ) / ( S [ i ] ∗ sigma ∗ s q r t ( Tf ) )
43
44 #c a l c u l de vega pour un c a l l / put
45 v e g a t h e o [ i ]= S [ i ] ^ 2 ∗ Tf ∗ sigma ∗ gamatheo [ i ]
46 }

Listing 9.2 – Représentation théorique des lettres grecques

64
 9.3.3 Calculs des lettres grecques avec la méthode de Monte Carlo
dans le cas d’un Call

1 #I n i t i a l i s a t i o n
2 # N e t t o y a g e de l e s p a c e de t r a v a i l
3 rm ( l i s t =l s ( ) )
4
5 #I n i t i a l i s a t i o n
6 S0=100 #v a l e u r i n i t a l e du s o u s j a c e n t
7 S=105 #v a l e u r du s o u s j a c e n t a l i n s t a n t T
8 K=103 #p r i x d e x e r c i c e
9 Tf=1 #temps f i n a l
10 h=10 #pas de temps
11 r =0.08 #taux d i n t e r e t
12 sigma =0.15 #v o l a t i l i t e
13 N=800 #nombre de s i m u l a t i o n s
14
15 d e l t a e x p = r e p ( 0 ,N)
16 gamaexp= r e p ( 0 ,N)
17 vegaexp=r e p ( 0 ,N)
18
19 #C a l c u l v a l e u r t h e o r i q u e :
20 d1=( l o g ( S/K) +( r +(sigma ^2) ∗ 0 . 5 ) ∗ Tf ) / ( sigma ∗ s q r t ( Tf ) )
21 d2=( l o g ( S/K) +(r −(sigma ^2) ∗ 0 . 5 ) ∗ Tf ) / ( sigma ∗ s q r t ( Tf ) )
22 d e l t a t h e o=pnorm ( d1 )
23 gamatheo = ( exp ( −0.5 ∗ ( d1 ^2) ) / ( s q r t ( 2 ∗ p i ) ) ) / ( S∗ sigma ∗ s q r t ( Tf ) )
24 v e g a t h e o=s q r t ( Tf ) ∗ ( exp ( −0.5 ∗ ( d1 ^2) ) / ( s q r t ( 2 ∗ p i ) ) )
25
26 #S i m u l a t i o n du p r i x du s o u s j a c e n t par l a methode d e s de Monte C a r l o
27 #F o n c t i o n pour l e c a l c u l du p r i x du s o u s j a c e n t
28 P r i x s o u s j a c e n t<− f u n c t i o n ( r , sigma , h , S0 ,N) {
29 #I n i t i a l i s a t i o n
30 G=rnorm (N)
31 S=r e p ( 0 ,N)
32 # N s i m u l a t i o n de ST
33 f o r ( i i n 1 :N) {
34 S [ i ]= S0 ∗ exp ( ( r −(0.5 ∗ sigma ^2) ) ∗h+sigma ∗ s q r t ( h ) ∗G[ i ] )
35 }
36 return (S)
37 }
38
39 #### C a l c u l s de Gamma D e l t a a v e c Monte C a r l o ####
40 Sexp=P r i x s o u s j a c e n t ( r , sigma , h , S0 ,N)
41 f o r ( i i n 1 :N) {
42 d1=( l o g ( Sexp [ i ] /K) +( r +(sigma ^2) ∗ 0 . 5 ) ∗ Tf ) / ( sigma ∗ s q r t ( Tf ) )
43 d2=( l o g ( Sexp [ i ] /K) +(r −(sigma ^2) ∗ 0 . 5 ) ∗ Tf ) / ( sigma ∗ s q r t ( Tf ) )
44 d e l t a e x p [ i ]=pnorm ( d1 )
45 gamaexp [ i ] = ( exp ( −0.5 ∗ ( d1 ^2) ) / ( s q r t ( 2 ∗ p i ) ) ) / ( Sexp [ i ] ∗ sigma ∗ s q r t ( Tf ) )
46 vegaexp [ i ]= s q r t ( Tf ) ∗ ( exp ( −0.5 ∗ ( d1 ^2) ) / ( s q r t ( 2 ∗ p i ) ) )
47 }
48
49 #c a l c u l de l e r r e u r :
50 #D e l t a :
51 mean ( abs ( d e l t a e x p −d e l t a t h e o ) )
52 #Gamma
53 mean ( abs ( gamaexp−gamatheo ) )
54 #Vega
55 mean ( abs ( vegaexp−v e g a t h e o ) )

Listing 9.3 – Calculs des lettres grecques avec la méthode de Monte Carlo dans le cas d’un Call

65
 9.3.4 Calculs des lettres grecques avec la méthode de Monte Carlo
et des Différences finies dans le cas d’un Call

1 #### S i m u l a t i o n s pour une v a l e u r de ST on o b s e r v e l e nombre de s i m u l a t i o n ####

2 #I n i t i a l i s a t i o n
3 # N e t t o y a g e de l e s p a c e de t r a v a i l
4 rm ( l i s t =l s ( ) )
5
6 #I n i t i a l i s a t i o n
7 S0=100 #v a l e u r i n i t a l e du s o u s j a c e n t
8 S=105 #v a l e u r du s o u s j a c e n t a l i n s t a n t T
9 K=103 #p r i x d e x e r c i c e
10 Tf=1 #temps f i n a l
11 h=10 #pas de temps
12 r =0.08 #taux d i n t e r e t
13 sigma =0.15 #v o l a t i l i t e
14 N=800 #nombre de s i m u l a t i o n s
15
16 d e l t a e x p d f = r e p ( 0 ,N)
17 gamaexpdf= r e p ( 0 ,N)
18
19 #C a l c u l v a l e u r t h e o r i q u e :
20 d1=( l o g ( S/K) +( r +(sigma ^2) ∗ 0 . 5 ) ∗ Tf ) / ( sigma ∗ s q r t ( Tf ) )
21 d2=( l o g ( S/K) +(r −(sigma ^2) ∗ 0 . 5 ) ∗ Tf ) / ( sigma ∗ s q r t ( Tf ) )
22 d e l t a t h e o=pnorm ( d1 )
23 gamatheo = ( exp ( −0.5 ∗ ( d1 ^2) ) / ( s q r t ( 2 ∗ p i ) ) ) / ( S∗ sigma ∗ s q r t ( Tf ) )
24
25 #### C a l c u l s de Gamma D e l t a a v e c Monte C a r l o + DF####
26 #c a l c u l du p r i x du c a l l pour N s i m u l a t i o n s du p r i x du sous −j a c e n t
27 P r i x C a l l<− f u n c t i o n ( r , sigma , h , S0 , N,K) {
28 #I n i t i a l i s a t i o n
29 S=r e p ( 0 ,N)
30 E=0
31 G=rnorm (N)
32 # N s i m u l a t i o n de ST
33 f o r ( i i n 1 :N) {
34 S [ i ]= S0 ∗ exp ( ( r −(0.5 ∗ sigma ^2) ) ∗h+sigma ∗ s q r t ( h ) ∗G[ i ] )
35 E=E+max( S [ i ]−K, 0 )
36 }
37 C=exp(− r ∗h ) ∗ (E/N)
38 r e t u r n (C)
39 }
40
41
42 #C a l c u l s d e s d i f f e r e n c e s f i n i e s
43 f o r ( i i n 1 :N) {
44 Fx=P r i x C a l l ( r , sigma , h , S0 , N,K)
45 Fhx=P r i x C a l l ( r , sigma , h , S0−h , N,K)
46 Fxh=P r i x C a l l ( r , sigma , h , S0+h , N,K)
47 #C a l c u l s de D e l t a Gamma Vega
48 d e l t a e x p d f [ i ] = ( Fxh−Fx ) / ( 2 ∗h )
49 gamaexpdf [ i ] = ( Fxh−2∗Fx+Fhx ) / ( h ^2)
50 }
51
52
53 #c a l c u l de l e r r e u r :
54 #D e l t a :
55 mean ( abs ( d e l t a e x p d f −d e l t a t h e o ) )
56 #Gamma
57 mean ( abs ( gamaexpdf−gamatheo ) )

Listing 9.4 – Calculs des lettres grecques avec la méthode de Monte Carlo et des Différences finies dans le cas
d’un Call

66
 9.3.5 Influence du nombre d’itérations sur la méthode de Monte
Carlo et des Différences finies

1 #### i n f l u e n c e du nombre d i t e r a t i o n s ####

2 #I n i t i a l i s a t i o n
3 # N e t t o y a g e de l e s p a c e de t r a v a i l
4 rm ( l i s t =l s ( ) )
5
6 #I n i t i a l i s a t i o n
7 S0=100 #v a l e u r i n i t a l e du s o u s j a c e n t
8 S=105 #v a l e u r du s o u s j a c e n t a l i n s t a n t T
9 K=100 #p r i x d e x e r c i c e
10 Tf=1 #temps f i n a l
11 h=10 #pas de temps
12 r =0.08 #taux d i n t e r e t
13 sigma =0.15 #v o l a t i l i t e
14 N=10000 #nombre de s i m u l a t i o n s
15
16 d e l t a e x p d f = r e p ( 0 ,N)
17 gamaexpdf= r e p ( 0 ,N)
18
19
20 #C a l c u l v a l e u r t h e o r i q u e :
21 d1=( l o g ( S/K) +( r +(sigma ^2) ∗ 0 . 5 ) ∗ Tf ) / ( sigma ∗ s q r t ( Tf ) )
22 d2=( l o g ( S/K) +(r −(sigma ^2) ∗ 0 . 5 ) ∗ Tf ) / ( sigma ∗ s q r t ( Tf ) )
23 d e l t a t h e o=pnorm ( d1 )
24 gamatheo = ( exp ( −0.5 ∗ ( d1 ^2) ) / ( s q r t ( 2 ∗ p i ) ) ) / ( S∗ sigma ∗ s q r t ( Tf ) )
25
26
27
28 #### C a l c u l s de Gamma/ D e l t a a v e c Monte C a r l o + DF####
29 #c a l c u l du p r i x du c a l l pour N s i m u l a t i o n s du p r i x du s o u s j a c e n t
30 P r i x C a l l<− f u n c t i o n ( r , sigma , h , S0 , N,K) {
31 #I n i t i a l i s a t i o n
32 S=r e p ( 0 ,N)
33 E=0
34 G=rnorm (N)
35 # N s i m u l a t i o n de ST
36 f o r ( i i n 1 :N) {
37 S [ i ]= S0 ∗ exp ( ( r −(0.5 ∗ sigma ^2) ) ∗h+sigma ∗ s q r t ( h ) ∗G[ i ] )
38 E=E+max( S [ i ]−K, 0 )
39 }
40 C=exp(− r ∗h ) ∗ (E/N)
41 r e t u r n (C)
42 }
43
44
45 #C a l c u l s d e s d i f f e r e n c e s f i n i e s
46 f o r ( i i n 1 :N) {
47 Fx=P r i x C a l l ( r , sigma , h , S0 , i ,K)
48 Fhx=P r i x C a l l ( r , sigma , h , S0−h , i ,K)
49 Fxh=P r i x C a l l ( r , sigma , h , S0+h , i ,K)
50
51 #C a l c u l s de D e l t a /Gamma
52 d e l t a e x p d f [ i ] = ( Fxh−Fx ) / ( 2 ∗h )
53 gamaexpdf [ i ] = ( Fxh−2∗Fx+Fhx ) / ( h ^2)
54 }
55
56 #c a l c u l de l e r r e u r :
57 #D e l t a :
58 mean ( abs ( d e l t a e x p d f −d e l t a t h e o ) )
59
60 #Gamma
61 mean ( abs ( gamaexpdf−gamatheo ) )

Listing 9.5 – Influence du nombre d’itérations sur la méthode de Monte Carlo et des Différences finies dans le
cas d’un Call

67
 9.3.6 Influence du pas de temps sur la méthode de Monte Carlo
et des Différences finies

1 #### i n f l u e n c e du pas de temps ####

2 #I n i t i a l i s a t i o n
3 # N e t t o y a g e de l e s p a c e de t r a v a i l
4 rm ( l i s t =l s ( ) )
5
6 #I n i t i a l i s a t i o n
7 S0=100 #v a l e u r i n i t a l e du s o u s j a c e n t
8 S=105 #v a l e u r du s o u s j a c e n t a l i n s t a n t T
9 K=100 #p r i x d e x e r c i c e
10 Tf=1 #temps f i n a l
11 h=0.1 #pas de temps
12 r =0.08 #taux d i n t e r e t
13 sigma =0.15 #v o l a t i l i t e
14 N=800 #nombre de s i m u l a t i o n s
15
16 d e l t a e x p d f = r e p ( 0 ,N)
17 gamaexpdf= r e p ( 0 ,N)
18 H=r e p ( 0 ,N)
19 H[ 0 ] = h
20
21 #C a l c u l v a l e u r t h e o r i q u e :
22 d1=( l o g ( S/K) +( r +(sigma ^2) ∗ 0 . 5 ) ∗ Tf ) / ( sigma ∗ s q r t ( Tf ) )
23 d2=( l o g ( S/K) +(r −(sigma ^2) ∗ 0 . 5 ) ∗ Tf ) / ( sigma ∗ s q r t ( Tf ) )
24 d e l t a t h e o=pnorm ( d1 )
25 gamatheo = ( exp ( −0.5 ∗ ( d1 ^2) ) / ( s q r t ( 2 ∗ p i ) ) ) / ( S∗ sigma ∗ s q r t ( Tf ) )
26
27 #### C a l c u l s de Gamma/ D e l t a a v e c Monte C a r l o + DF####
28 #c a l c u l du p r i x du c a l l pour N s i m u l a t i o n s du p r i x du s o u s j a c e n t
29 P r i x C a l l<− f u n c t i o n ( r , sigma , h , S0 , N,K) {
30 #I n i t i a l i s a t i o n
31 S=r e p ( 0 ,N)
32 E=0
33 G=rnorm (N)
34 # N s i m u l a t i o n de ST
35 f o r ( i i n 1 :N) {
36 S [ i ]= S0 ∗ exp ( ( r −(0.5 ∗ sigma ^2) ) ∗h+sigma ∗ s q r t ( h ) ∗G[ i ] )
37 E=E+max( S [ i ]−K, 0 )
38 }
39 C=exp(− r ∗h ) ∗ (E/N)
40 r e t u r n (C)
41 }
42
43 #C a l c u l s d e s d i f f e r e n c e s f i n i e s
44 f o r ( i i n 1 :N) {
45 Fx=P r i x C a l l ( r , sigma , h , S0 , N,K)
46 Fhx=P r i x C a l l ( r , sigma , h , S0−h , N,K)
47 Fxh=P r i x C a l l ( r , sigma , h , S0+h , N,K)
48
49 #C a l c u l s de D e l t a /Gamma
50 d e l t a e x p d f [ i ] = ( Fxh−Fx ) / ( 2 ∗h )
51 gamaexpdf [ i ] = ( Fxh−2∗Fx+Fhx ) / ( h ^2)
52
53 h=h+1/ 8
54 H[ i ]=h
55 }
56
57 #c a l c u l de l e r r e u r :
58 #D e l t a :
59 mean ( abs ( d e l t a e x p d f −d e l t a t h e o ) )
60 #Gamma
61 mean ( abs ( gamaexpdf−gamatheo ) )

Listing 9.6 – Influence du pas de temps sur la méthode de Monte Carlo et des Différences finies dans le cas d’un
Call

68
 Bibliographie
[1] Article Wikipédia, Lettres grecques en mathématiques financières
[Link]
A9matiques_financi%C3%A8res
[2] Article Wikipédia, Modèle binomial
[Link]
[3] Article Wikipédia, Option
[Link]
[4] Article Arya Trading, Les grecques, outils de gestion des risques des options
[Link]
[5] Article Lynxbroker de Chrislain TSHIAMANGA Stratégies options : com-
prendre les grecques des options
[Link]
strategies-options-grecques-des-options/
[6] Hamza EL RHOULAM, Étude de la renormalisation de la volatilité equity du
temps business au temps pricer
[Link]
[7] Kadiata KANE, Méthodes Monte Carlo pour l’évaluation des paramètres de
sensibilité des valeurs d’options sur plusieurs actifs sous-jacents
[Link]
[8] Laurent LEFEVERE et Antoine LONGEVIALLE, Calibration des modèles
[Link]
E9tudes%20-%[Link]
[9] Sami ZAYANI, Liens entre le modèle binomial et les équations de Black-
Scholes
[Link]
[10] Christophe CHORRO, Simulations des Grecques : Malliavin vs Différences
finies
[Link]
[11] Arthur CHARPENTIER, Méthodes numériques en finance
[Link]
[12] Renaud BOURLÈS, cours Le modèle Cox-Ross-Rubinstein
[Link]
209%20-%20Le%20modele%[Link]

69
[13] Renaud BOURLÈS, cours Le modèle Black-Scholes
[Link]
2017%20-%20Le%20modele%20de%20Black%20et%[Link]
[14] Marc DIERNER, cours Martingales, arbitrage et complétude
[Link]
[15] Étienne PARDOUX, cours Processus de Markov et applications (Algorithmes,
Réseaux, Génome et Finance)
[16] Ioana CIOTIR, cours Calcul stochastique appliqué à la finance GM5
[17] Livre de John HULL, Options, futures et autres actifs dérivés

70