Devoir Matlab : Simulation Monte
Carlo pour l’Évaluation d’Options en
Finance
Présenté par :
Mouaad AFDEL
Faculté des Sciences d’Agadir
Université Ibn Zohr
Agadir, 12 juillet 2025.
Table des matières
1 Description du travail 2
1.1 Description du travail . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2 Les fonctions/programmations utilisées 4
2.1 Fonctions et programmation utilisées . . . . . . . . . . . . . . . . . . . . 4
3 Application et exécution des fonctions 7
3.1 Application et exécution des fonctions . . . . . . . . . . . . . . . . . . . 7
3.1.1 Contexte et configuration . . . . . . . . . . . . . . . . . . . . . . 7
3.1.2 Déroulement de la simulation . . . . . . . . . . . . . . . . . . . . 7
4 Résultat obtenue 10
1
Chapitre 1
Description du travail
1.1 Description du travail
Ce travail présente une simulation de type Monte Carlo, implémentée sous MATLAB,
visant à modéliser les trajectoires de prix d’une action selon le modèle du Mouvement
Brownien Géométrique (MBG) et à estimer la valeur d’une option d’achat européenne.
Une fonction complémentaire a été intégrée afin de calculer l’intervalle de confiance de
l’estimation, renforçant ainsi l’évaluation de la fiabilité des résultats obtenus.
Le modèle du MBG constitue un standard en finance quantitative pour représenter la
dynamique des prix d’actifs, et repose sur l’équation différentielle stochastique suivante :
dSt = µSt dt + σSt dWt ,
où St désigne le prix de l’actif à l’instant t, µ le taux de rendement espéré, σ la volatilité du
sous-jacent, et Wt un mouvement brownien standard (processus de Wiener). La solution
discrétisée de cette équation permet de générer des trajectoires simulées des prix dans le
cadre de la méthode de Monte Carlo.
L’objectif principal consiste à estimer la valeur d’une option d’achat européenne, c’est-
à-dire un produit dérivé conférant le droit (mais non l’obligation) d’acheter l’actif sous-
jacent à un prix d’exercice K à l’échéance T . Le prix de l’option est déterminé en simu-
lant un grand nombre de trajectoires, en calculant le gain à l’échéance selon la formule
max(ST − K, 0), puis en actualisant la moyenne de ces gains à la valeur présente.
La fonction d’intervalle de confiance permet de quantifier l’incertitude statistique entou-
rant l’estimation du prix de l’option, ce qui est fondamental dans une perspective de
gestion des risques et de robustesse de l’évaluation.
Les paramètres utilisés dans la simulation sont les suivants :
2
Chapitre 1. Description du travail
— Prix initial de l’action : S0 = 100,
— Prix d’exercice : K = 100,
— Taux sans risque : r = 5%,
— Volatilité : σ = 20%,
— Échéance : T = 1 an,
— Nombre d’intervalles temporels : 252 (correspondant aux jours de bourse),
— Nombre de trajectoires simulées : 10 000.
Un intervalle de confiance à 95 % est calculé autour de l’estimation afin d’en évaluer la
précision statistique.
Ce travail met en évidence l’application des techniques de simulation stochastique en
finance quantitative, en insistant sur la solidité des estimations obtenues via l’analyse de
l’intervalle de confiance. Cette méthodologie peut être étendue à d’autres produits dérivés
ou à des modèles de diffusion plus élaborés.
3
Chapitre 2
Les fonctions/programmations
utilisées
2.1 Fonctions et programmation utilisées
Pour mettre en œuvre cette simulation de Monte Carlo sous MATLAB, j’ai structuré
le code autour de quatre fonctions principales. Chaque fonction joue un rôle bien précis
dans le déroulement de l’expérience numérique, depuis la génération des trajectoires de
prix jusqu’au calcul du prix de l’option et de son intervalle de confiance. Voici comment
tout cela s’articule.
1. genererTrajectoires(S0, r, sigma, T, N, M)
Cette fonction est la base de la simulation : elle permet de générer plusieurs trajectoires
possibles pour le prix d’un actif financier, en suivant la dynamique du Mouvement Brow-
nien Géométrique (MBG). L’idée est de discrétiser l’équation stochastique du MBG pour
simuler l’évolution du prix au fil du temps. Concrètement, on utilise la formule :
√
" ! #
σ2
St+1 = St · exp r− ∆t + σ ∆t · Z ,
2
où Z est une variable aléatoire suivant une loi normale standard, générée avec randn.
On répète cela pour chaque pas de temps et pour chaque trajectoire, ce qui donne une
matrice de taille M × (N + 1), où chaque ligne correspond à une trajectoire complète.
2. calculerPayoffAchat(S, K)
Une fois les trajectoires générées, il faut calculer le gain (ou "payoff") associé à chaque
scénario à l’échéance de l’option. Pour une option d’achat européenne, ce gain est sim-
4
Chapitre 2. Les fonctions/programmations utilisées
plement la différence entre le prix final ST et le prix d’exercice K, si cette différence est
positive. Sinon, le payoff est nul. Mathématiquement, c’est exprimé par :
max(ST − K, 0).
On applique donc cette formule à la dernière colonne de la matrice des trajectoires, ce
qui donne un vecteur contenant les payoffs pour l’ensemble des simulations.
3. actualiserPayoff(payoff, r, T)
Comme les gains sont calculés à l’échéance, il est nécessaire de les actualiser pour connaître
leur valeur présente. Cette fonction s’en charge en prenant la moyenne des payoffs, puis
en l’actualisant avec la formule classique :
V0 = exp(−rT ) · mean(payoff).
On obtient ainsi une estimation du prix de l’option aujourd’hui, basée sur la moyenne
des scénarios simulés.
4. calculerIntervalleConfiance(payoff, r, T, niveauConfiance)
Pour compléter l’analyse, cette dernière fonction permet d’évaluer la fiabilité de l’estima-
tion du prix de l’option en calculant un intervalle de confiance. Elle commence par actua-
liser chaque payoff comme dans la fonction précédente. Ensuite, elle calcule la moyenne
et l’écart-type des valeurs actualisées, puis l’erreur standard (l’écart-type divisé par la
racine carrée du nombre de trajectoires). Enfin, en utilisant le quantile de la loi normale
standard (obtenu via norminv), elle construit l’intervalle selon la formule :
moyenne ± z · erreur standard.
Cela permet d’encadrer l’estimation avec un degré de confiance donné, généralement 95 %.
Quelques fonctions MATLAB utilisées
Le code utilise plusieurs fonctions de base de MATLAB pour effectuer les calculs :
— randn pour générer les variables aléatoires normales ;
— exp, max, sqrt pour les calculs mathématiques ;
— mean, std pour la moyenne et l’écart-type ;
— norminv pour obtenir les quantiles de la loi normale ;
— plot pour afficher les trajectoires simulées.
Chaque fonction s’intègre dans un pipeline logique, rendant le code modulaire, lisible
5
Chapitre 2. Les fonctions/programmations utilisées
et facilement extensible à d’autres types d’options ou de dynamiques stochastiques plus
complexes.
6
Chapitre 3
Application et exécution des
fonctions
3.1 Application et exécution des fonctions
Après avoir défini les fonctions essentielles, la simulation est lancée pour modéliser l’évo-
lution du prix d’une action et évaluer le prix d’une option d’achat européenne. L’analyse
intègre également le calcul d’un intervalle de confiance pour juger de la fiabilité de l’es-
timation. Voici comment se déroule concrètement l’exécution du code.
3.1.1 Contexte et configuration
On commence par fixer les paramètres du modèle. Le prix initial de l’action est S0 = 100,
identique au prix d’exercice K = 100, ce qui signifie que l’option est "at-the-money" au
départ. Le taux sans risque est fixé à r = 5%, la volatilité annuelle à σ = 20%, et l’horizon
temporel à un an (T = 1).
Pour représenter les mouvements de marché de façon réaliste, on considère 252 jours
ouvrés dans l’année, soit N = 252 intervalles de temps. La simulation génère M = 10 000
trajectoires, ce qui assure une bonne précision statistique. Enfin, on utilise un niveau de
confiance de 95 % pour l’intervalle de confiance autour de l’estimation.
3.1.2 Déroulement de la simulation
1. Génération des trajectoires de prix
La première étape consiste à générer les trajectoires de prix simulées à l’aide de la fonction
genererTrajectoires. Chaque trajectoire est construite en suivant la formule discrétisée
7
Chapitre 3. Application et exécution des fonctions
du MBG, en ajoutant un terme aléatoire à chaque pas de temps. Ce terme est tiré d’une loi
normale standard avec randn. Au final, on obtient une matrice où chaque ligne correspond
à une trajectoire complète du prix de l’action sur un an.
2. Calcul des payoffs à l’échéance
Une fois les trajectoires en main, on s’intéresse uniquement aux prix de clôture, c’est-à-
dire les valeurs à l’échéance. La fonction calculerPayoffAchat applique alors la formule
du payoff d’une option d’achat européenne, soit max(ST − K, 0), à chacun des 10 000
scénarios. On obtient un vecteur de payoffs, dont la moyenne permettra d’estimer le prix
de l’option.
3. Actualisation des résultats
Pour ramener ces gains futurs à leur valeur actuelle, la fonction actualiserPayoff ap-
plique un facteur d’actualisation basé sur le taux sans risque. Elle calcule donc :
V0 = exp(−rT ) · mean(payoff).
Ce résultat donne une estimation du prix "juste" de l’option aujourd’hui, en tenant compte
du temps et du taux d’actualisation.
4. Calcul de l’intervalle de confiance
Pour compléter l’analyse, la fonction calculerIntervalleConfiance est utilisée pour
encadrer l’estimation du prix par un intervalle de confiance. Chaque payoff est d’abord
actualisé, puis la fonction calcule la moyenne, l’écart-type, et enfin l’erreur standard
√
(σ/ n). En utilisant un score z correspondant à un niveau de confiance de 95 % (environ
1,96), on obtient un intervalle de la forme :
[µ − z · SE, µ + z · SE],
où µ est la moyenne des payoffs actualisés et SE l’erreur standard. Cela permet de quan-
tifier statistiquement l’incertitude autour de notre estimation.
5. Visualisation des trajectoires
Enfin, pour illustrer la variabilité des trajectoires due au caractère aléatoire du modèle,
cinq trajectoires de prix sont sélectionnées et tracées sur un graphique. Cela permet de
visualiser l’impact de la volatilité sur l’évolution des prix, et de mieux comprendre la
logique sous-jacente aux simulations.
En résumé, cette exécution permet non seulement d’estimer le prix d’une option de ma-
nière réaliste en utilisant une approche stochastique, mais aussi de mesurer la précision
8
Chapitre 3. Application et exécution des fonctions
de cette estimation grâce à l’intervalle de confiance, ce qui est indispensable dans une
démarche de gestion rigoureuse du risque en finance quantitative.
9
Chapitre 4
Résultat obtenue
Figure 4.1 – Exemples de trajectoires simulées du prix d’une action selon le modèle
MBG
Le graphique ci-dessus illustre cinq exemples de trajectoires de prix d’action simulées
selon le modèle du Mouvement Brownien Géométrique (MBG), sur un horizon d’un an
(T = 1), avec 252 pas de temps. Chaque ligne colorée correspond à une trajectoire
distincte générée aléatoirement en utilisant les paramètres suivants : S0 = 100, r = 5%,
et σ = 20%.
10