Upload
dauphineparis
View
219
Download
0
Embed Size (px)
Citation preview
8/13/2019 Calcul stochastique appliqu la finance
1/172
Introduction au calcul stochastique
appliqu la finance
Damien Lamberton Bernard Lapeyre
8/13/2019 Calcul stochastique appliqu la finance
2/172
8/13/2019 Calcul stochastique appliqu la finance
3/172
Avant-Propos
Pour cette seconde dition, nous avons apport quelques modifications au texte primitif.
Les premires concernent la correction derreurs plus ou moins importantes. Lerreur la plus
srieuse tait une affirmation fausse concernant les intgrales stochastiques (voir le rsum des
proprits de lintgrale stochastique la fin de la section 4.1 du chapitre 3 et lexercice 15, qui
nous a t inspir par Marc YOR).Nous avons ajout quelques sujets de problmes la fin du chapitre 4. Ces problmes per-
mettent dintroduire et de traiter divers exemples doptions exotiques.
Nous avons complt la bibliographie de quelques titres rcents, en particulier sur le thme
des marchs incomplets, le chapitre 7 ne faisant queffleurer le sujet.
Enfin, nous avons rcrit les programmes de simulation et danalyse numrique dans le lan-
gage Cqui se rpand de plus en plus dans les banques.
Nous remercions les collgues qui nous ont signal des erreurs ou des coquilles. Il en reste
hlas srement et nous esprons que les lecteurs de cette nouvelle dition voudront bien nous
les signaler.
Damien Lamberton et Bernard Lapeyre.
8/13/2019 Calcul stochastique appliqu la finance
4/172
8/13/2019 Calcul stochastique appliqu la finance
5/172
Table des matires
Introduction 9
1 Le problme des options . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2 La notion darbitrage et la relation de parit call-put . . . . . . . . . . . . . . . 10
3 Le modle de Black-Scholes et ses extensions . . . . . . . . . . . . . . . . . . 11
4 Plan du livre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
5 Remerciements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1 Modles discrets 13
1 Le formalisme des modles discrets . . . . . . . . . . . . . . . . . . . . . . . 13
1.1 Les actifs financiers . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2 Les stratgies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.3 Stratgies admissibles et arbitrage . . . . . . . . . . . . . . . . . . . . 15
2 Martingales et arbitrages . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.1 Martingales et transformes de martingales . . . . . . . . . . . . . . . 16
2.2 Marchs financiers viables . . . . . . . . . . . . . . . . . . . . . . . . 17
3 Marchs complets et valuation des options . . . . . . . . . . . . . . . . . . . 19
3.1 Marchs complets . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193.2 Evaluation et couverture des actifs conditionnels dans les marchs com-
plets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.3 Premire approche des options amricaines . . . . . . . . . . . . . . . 22
4 Problme corrig : le modle de Cox, Ross et Rubinstein . . . . . . . . . . . . 23
2 Problme darrt optimal et options amricaines 27
1 Notion de temps darrt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2 Enveloppe de Snell . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3 Dcomposition des surmartingales . . . . . . . . . . . . . . . . . . . . . . . . 30
4 Enveloppe de Snell et chanes de Markov . . . . . . . . . . . . . . . . . . . . 325 Application aux options amricaines . . . . . . . . . . . . . . . . . . . . . . . 32
5.1 Exercice et couverture des options amricaines . . . . . . . . . . . . . 33
5.2 Options amricaines et options europennes . . . . . . . . . . . . . . . 34
6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3 Mouvement brownien et quations diffrentielles stochastiques 39
1 Gnralits sur les processus temps continu . . . . . . . . . . . . . . . . . . 39
2 Le mouvement brownien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3 Martingales temps continu . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4 Intgrale stochastique et calcul dIt . . . . . . . . . . . . . . . . . . . . . . . 44
4.1 Construction de lintgrale stochastique . . . . . . . . . . . . . . . . . 45
4.2 Calcul dIt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
5
8/13/2019 Calcul stochastique appliqu la finance
6/172
8/13/2019 Calcul stochastique appliqu la finance
7/172
TABLE DES MATIRES 7
2.2 Le modle de Cox-Ingersoll-Ross . . . . . . . . . . . . . . . . . . . . 124
2.3 Autres modles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
3 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
7 Modles dactifs avec sauts 133
1 Processus de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
2 Description de lvolution de lactif risqu . . . . . . . . . . . . . . . . . . . . 1353 Evaluation et couverture des options . . . . . . . . . . . . . . . . . . . . . . . 140
3.1 Les stratgies admissibles . . . . . . . . . . . . . . . . . . . . . . . . 140
3.2 Pricing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
3.3 Prix des calls et des puts . . . . . . . . . . . . . . . . . . . . . . . . . 143
3.4 Couverture des calls et des puts . . . . . . . . . . . . . . . . . . . . . 144
4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
8 Simulation et alogrithmes pour les modles financiers 149
1 Simulation et modles financiers . . . . . . . . . . . . . . . . . . . . . . . . . 149
1.1 La mthode de Monte Carlo . . . . . . . . . . . . . . . . . . . . . . . 1491.2 Simulation dune loi uniforme sur[0, 1] . . . . . . . . . . . . . . . . . 150
1.3 Simulation des variables alatoires . . . . . . . . . . . . . . . . . . . . 150
1.4 Simulation de processus stochastiques . . . . . . . . . . . . . . . . . . 152
2 Quelques algorithmes utiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
2.1 Approximation de la fonction de rpartition dune gaussienne . . . . . 155
2.2 Implmentation informatique de la mthode de Brennan et Schwartz . . 156
2.3 Lalgorithme de Cox Ross pour le calcul du prix dune option amricaine 157
3 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
Appendice 161
1 Variables alatoires gaussiennes . . . . . . . . . . . . . . . . . . . . . . . . . 161
1.1 Gaussiennes relles . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
1.2 Vecteurs gaussiens . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
2 Esprance conditionnelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162
2.1 Exemples de sous-tribus . . . . . . . . . . . . . . . . . . . . . . . . . 162
2.2 Proprits de lesprance conditionnelle . . . . . . . . . . . . . . . . . 163
2.3 Calculs desprances conditionnelles . . . . . . . . . . . . . . . . . . 164
3 Thorme de sparation des convexes . . . . . . . . . . . . . . . . . . . . . . 165
Bibliographie 167
8/13/2019 Calcul stochastique appliqu la finance
8/172
8/13/2019 Calcul stochastique appliqu la finance
9/172
8/13/2019 Calcul stochastique appliqu la finance
10/172
10 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
le prix dexercice, qui est le prix (fix davance) auquel se fait la transaction en cas dexer-
cice de loption.
Loption, elle mme, a un prix, appel la prime. Lorsque loption est cote sur un march or-
ganis, la prime est donne par le march. En labsence de cotation, le problme du calcul de
la prime se pose. Et, mme pour une option cote, il peut tre intressant de disposer dune
formule ou dun modle permettant de dtecter dventuelles anomalies de march.
Examinons, pour fixer les ides, le cas dun call europen, dchance T, sur une action, dont
le cours la datetest donn parSt. SoitKle prix dexercice. Il est clair que si, lchance T,
le prixKest suprieur au coursST, le dtenteur de loption na pas intrt exercer. Par contre,
siST > K, lexercice de loption permet son dtenteur de raliser un profit gal ST K, en
achetant laction au prix K et en la revendant sur le march au cours ST. On voit qu lchance,
la valeur du call est donne par la quantit :
(ST K)+= max(STK, 0).
Pour le vendeur de loption, il sagit, en cas dexercice, dtre en mesure de fournir une action au
prixK, et, par consquent de pouvoir produire lchance une richesse gale (ST K)+. Aumoment de la vente de loption, quon prendra pour origine des temps, le cours STest inconnu
et deux questions se posent :
1. Combien faut-il faire payer lacheteur de loption, autrement dit comment valuer
linstant t = 0 une richesse (STK)+ disponible la date T ? Cest le problme du
pricing.
2. Comment le vendeur, qui touche la prime linstant0, parviendra-t-il produire la ri-
chesse(ST K)+ la dateT? Cest le problme de la couverture.
2 La notion darbitrage et la relation de parit call-putLa rponse aux deux questions qui prcdent ne peut se faire qu partir dun minimum
dhypothses de modlisation. Lhypothse de base, retenue dans tous les modles, est que,
dans un march suffisamment fluide, il ny a pas dopportunit darbitrage, cest--dire quil
est impossible de faire des profits sans prendre de risques. Nous traduirons cette hypothse en
termes mathmatiques dans le chapitre 1. Pour linstant, nous nous contenterons de montrer
comment, partir de cette simple hypothse, on peut tablir des relations entre les prix dun
call et dun put europen de mme chance Tet de mme prix dexerciceK, sur une action de
coursSt linstantt. Nous supposerons quil est possible demprunter ou de placer de largent
un taux constantr.
Dsignons parCtetPtles prix respectifs du call et du put linstant t. En labsence dop-
portunit darbitrage, on a la relation suivante, valable tout instantt < Tet appele relation
de parit call-put :
Ct Pt= StKer(Tt).
Pour faire comprendre la notion darbitrage, montrons comment on pourrait raliser un profit
sans risque si on avait, par exemple :
Ct Pt> StKer(Tt).
A linstant t, on achte une action et un put et on vend un call. Cette opration dgage, linstant
t, un profit net gal Ct Pt St.
8/13/2019 Calcul stochastique appliqu la finance
11/172
INTRODUCTION 11
Si cette somme est positive, on la place au taux r jusqu la date T, sinon, on lemprunte au
mme taux. A la dateT, deux cas peuvent se prsenter :
ST > K: alors, le call est exerc, on livre laction, on encaisse la somme K et on solde
lemprunt ou le prt, de sorte quon se retrouve avec une richesse gale : K+er(Tt)(Ct
PtSt)> 0.
ST
K: alors, on exerce son put et on solde comme prcdemment, de sorte quon se
retrouve encore avec une richesse gale : K +er(Tt)(Ct Pt St).
Dans les deux cas, on a ralis un profit positif sans mise de fond initiale : cest un exemple
darbitrage.
On trouvera de nombreux exemples de relations darbitrage telles que la relation de parit
ci-dessus dans le livre de Cox et Rubinstein [CR85]. Nous ne passerons pas en revue toutes ces
relations darbitrage, mais nous montrerons comment on peut caractriser mathmatiquement
les marchs o il ny a pas darbitrage.
3 Le modle de Black-Scholes et ses extensions
Si les raisonnements par arbitrage fournissent de nombreuses relations intressantes, ils ne
sont pas suffisants pour obtenir des formules de prix. Pour cela, on a besoin de modliser de
faon plus prcise lvolution des cours. Black et Scholes ont t les premiers proposer un
modle conduisant une formule explicite pour le prix dun call europen sur une action ne
donnant pas de dividendes et une stratgie de gestion qui, dans le cadre du modle, permet
au vendeur de loption de se couvrir parfaitement, cestdire dliminer totalement le risque.
Le prix du call est, dans le modle de Black-Scholes, la somme dargent dont on doit disposer
initialement pour pouvoir suivre la stratgie de couverture et produire ainsi exactement la ri-
chesse(ST K)+ lchance. De plus, la formule obtenue ne dpend que dun paramtre non
directement observable sur le march et appel volatilit par les praticiens.Cest le recours la notion dintgrale stochastique pour exprimer les gains et les pertes
dans les stratgies de gestion de portefeuille qui permet dutiliser le calcul stochastique et, en
particulier, la formule dIt, et conduit des expressions calculables. De nombreuses exten-
sions des mthodes de Black et Scholes ont t dveloppes ces dernires annes. Nous nous
efforcerons, partir dune tude approfondie du modle de Black-Scholes sous sa forme la plus
simple, de donner au lecteur les moyens de comprendre ces diverses extensions.
4 Plan du livre
Les deux premiers chapitres sont consacrs ltude des modles discrets. On y voit le lien
entre la notion mathmatique de martingale et la notion conomique darbitrage, la notion de
march complet et l valuation des options dans le cadre des marchs complets. Le formalisme
adopt est celui de Harrison et Pliska [HP81] et nous avons repris lessentiel des rsultats de
[HP81] dans le chapitre 1 en prenant comme exemple le modle de Cox-Ross-Rubinstein. Le
chapitre 2 traite des options amricaines laide de la thorie de larrt optimal temps discret
qui relve de mthodes lmentaires et contient toutes les ides transposer dans le cas continu.
Le chapitre 3 introduit le lecteur aux principales notions de calcul stochastique utilises
dans le modle de Black-Scholes, qui est tudi en dtail au chapitre 4. Ce modle donne, pour
les options europennes, des formules explicites. Mais, pour traiter les options amricaines ou
faire des calculs dans des modles plus sophistiqus, on doit avoir recours des mthodes
numriques fondes sur le lien entre valuation des options et quations aux drives partielles
8/13/2019 Calcul stochastique appliqu la finance
12/172
12 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
: ces questions font lobjet du chapitre 5.
Le chapitre 6 est une introduction assez succinte aux principaux modles de taux dintrt
et le chapitre 7 examine les problmes dvaluation et de couverture des options dans le cadre
de modles avec sauts trs simples. Dans ces modles, il ny a plus de couverture parfaite des
options, mais seulement une couverture optimale, en un sens prciser. De tels modles, moins
optimistes que le modle de Black-Scholes, semblent souvent rendre mieux compte de la ralit
des marchs.
Enfin, pour permettre aux tudiants dappliquer la thorie de faon plus concrte, nous avons
inclu un chapitre sur la simulation des modles financiers et lusage quon peut faire de linfor-
matique dans les questions dvaluation et de couverture des options. On trouvera galement,
dans chaque chapitre un certain nombre dexercices ou de problmes.
Ce livre nest quune introduction un domaine qui a dj suscit une abondante littrature.
Les indications bibliographiques donnes la fin de certains chapitres suggrent au lecteur des
pistes de lectures complmentaires sur les sujets traits. Mais certains aspects importants des
mathmatiques de la finance ne sont pas abords, notamment les questions doptimisation et les
problmes dquilibre, pour lesquels on pourra se reporter [Duf88].
Nous avons plac quelques rappels mathmatiques en appendice. La lecture de ce livresuppose de toute faon de bonnes connaissances en probabilits (correspondant essentiellement
aux sept premiers chapitres de [Bou86]).
5 Remerciements
Ce livre est issu dun cours enseign lEcole Nationale des Ponts et Chausses depuis 1988.
La mise en uvre de ce cours naurait pas t possible sans les encouragements de N. Bouleau.
Sous son impulsion, le CERMA (centre de mathmatiques appliques de lE.N.P.C.) stait
engag dans ltude des modles financiers ds 1987, avec le soutien de la Banque Indosuez,
et, plus rcemment, de la Banque Internationale de Placement. Nous avons bnfici, depuis,
de discussions nombreuses et stimulantes avec G. Pags, ainsi quavec dautres chercheurs du
CERMA, en particulier O. Chateau et G. Caplain.
Plusieurs personnes ont bien voulu lire les premires versions de notre travail et nous faire
part de leurs remarques : S. Cohen, O. Faure, C. Philoche, M. Picqu, X. Zhang. Enfin, nous
remercions les collgues de luniversit ou de lI.N.R.I.A. qui nous ont aids de leurs conseils
ou de leurs encouragements : N. El Karoui, T. Jeulin, J.F. Le Gall, D. Talay.
8/13/2019 Calcul stochastique appliqu la finance
13/172
8/13/2019 Calcul stochastique appliqu la finance
14/172
14 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
Lavaleur du portefeuille linstantn est donne par le produit scalaire :
Vn() =n.Sn=
di=0
inSin,
lavaleur actualiseest :
Vn() =n (n.Sn) =n.Sn,
on= 1/S0net
Sn= (1, nS1n, . . . , nS
dn)est le vecteur des prix actualiss.
On dira quune stratgie est autofinance si la relation suivante est ralise pour tout n{0 , 1 , . . . , N 1}:
n.Sn= n+1.Sn .
Cette relation sinterprte de la faon suivante : linstant n, aprs avoir pris connaissance des
coursS0n, . . . ,Sdn, linvestisseur rajuste son portefeuille pour le faire passer de la composition
n la compositionn+1, le rajustement se faisant aux cours de la date n en rinvestissant
la valeur totale du portefeuille et rien de plus. Il ny a donc ni apports, ni retraits de fonds (en
particulier, il ny a pas de consommation).Remarque 1.1 Lgalitn.Sn= n+1.Snest videmment quivalente
n+1.(Sn+1 Sn) =n+1.Sn+1n.Sn,
ou encore
Vn+1() Vn() =n+1.(Sn+1 Sn).
A linstant n + 1, la valeur du portefeuille estn+1.Sn+1et la diffrencen+1.Sn+1 n+1.Snreprsente le gain (net) d la variation des cours entre les instants n et n + 1. Une stratgie
autofinance est donc une stratgie pour laquelle les variations de valeur du portefeuille viennent
uniquement des gains ds lagitation des cours.
La proposition suivante permet de prciser cette remarque en termes de quantits actuali-
ses.
Proposition 1.2 Les conditions suivantes sont quivalentes :
i) La stratgieest autofinance.
ii) Pour toutn{1 , . . . , N},Vn() =V0() +
nj=1
j Sj,
oSjest le vecteurSj Sj1.iii) Pour toutn{1 , . . . , N},
Vn() =V0() +
nj=1
j Sj,
oSjest le vecteurSj Sj1= jSjj1Sj1.
Dmonstration : Lquivalence entre i) et ii) rsulte de la remarque 1.1. Lquivalence entre i)
et iii) sobtient en remarquant quen
.Sn
= n+1
.Sn
si et seulement sin
.Sn
= n+1
.Sn
.
8/13/2019 Calcul stochastique appliqu la finance
15/172
Ch.1 MODLES DISCRETS 15
Cette proposition montre que, pour une stratgie autofinance, la valeur actualise (et, donc,
la valeur tout court) du portefeuille est compltement dtermine par la richesse initiale et le
processus
1n, . . . , dn
0nN des quantitsdactifs risquesdtenues (cela vient simplement
du fait queS0j =0). Plus prcisment, on peut noncer la proposition suivante :
Proposition 1.3 Pour tout processus prvisible
1n, . . . , dn0nN et pour toute variable
V0F0-mesurable, il existe un et un seul processus prvisible
0n
0nN tel que la stratgie
=
0, 1, . . . , d
soit autofinance et de valeur initialeV0.
Dmonstration : La condition dautofinancement entrane :
Vn () = 0n+
1nS1n+ +dnSdn
= V0+
n
j=1 1jS1j + + djSdj Ce qui dtermine 0n. La seule chose vrifier est la prvisibilit de
0, qui est immdiate
partir de lgalit :
0n= V0+
n1j=1
1jS
1j + +djSdj
+
1n
S1n1
+ +dn
Sdn1
1.3 Stratgies admissibles et arbitrage
Nous navons pas impos de condition sur les signes des quantits in. Dire que 0n < 0,
signifie que lon a empruntla quantit |0n| sur le march des placements sans risques. Dire
quein < 0pour uni1, cest dire quon a des dettes libelles en actifs risques (par suitede ventes dcouvert). Les emprunts et les ventes dcouvert sont donc permis, mais nous
imposerons la valeur du portefeuille dtre positive ou nulle tout instant.
Dfinition 1.4 Une stratgie est diteadmissible si elle estautofinanceet si Vn()0 pourtoutn{0 , 1 , . . . , N}.
Linvestisseur doit donc tre en mesure de rembourser ses emprunts tout instant.
La notion darbitrage (ralisation dun profit sans prendre de risques) est alors formalise
de la faon suivante :
Dfinition 1.5 Une stratgie darbitrage est une stratgie admissible de valeur initiale nulle et
de valeur finale non nulle.
La plupart des modles excluent toute possibilit darbitrage et lobjet de la section suivante est
de donner une caractrisation de ces modles grce la notion de martingale.
8/13/2019 Calcul stochastique appliqu la finance
16/172
16 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
2 Martingales et arbitrages
Afin dexaminer les liens entre martingales et arbitrage, nous allons tout dabord introduire
la notion de martingale sur un espace de probabilit fini. Pour cela, lusage de lesprance
conditionnelle est indispensable et nous renvoyons le lecteur lappendice pour un expos des
principales proprits de cet outil.
2.1 Martingales et transformes de martingales
Dans ce paragraphe, on considre un espace de probabilit fini(, F, P), avec F =P()et ,P ({}) > 0, muni dune filtration(Fn)0nN(sans supposerFN =F, niF0 ={, }). On dira quune suite(Xn)0nN de variables alatoires est adapte la filtration si pourtoutn,Xnest Fn-mesurable.Dfinition 2.1 Une suite adapte(Mn)0nNde variables alatoires relles est :
une martingale si E (Mn+1|Fn) =Mnpour toutnN 1. une surmartingale siE
(Mn+1
|Fn
)Mnpour toutnN
1. une sousmartingale siE (Mn+1|Fn)Mnpour toutnN 1.
Ces dfinitions stendent aux variables alatoires vectorielles : on dit par exemple quune suite
(Mn)0nNde variables alatoires valeurs dansRd est une martingale si chaque composantedu vecteurMndfinit une martingale relle.
Dans un modle financier, dire que le cours(Sin)0nN de lactifi est une martingale revient dire que, tout instant n, la meilleure estimation (au sens des moindres carrs) que lon puisse
faire deSin+1, partir des informations disponibles la date n, est donne parSin.
Les proprits suivantes, qui se dduisent aisment de la dfinition qui prcde, consti-
tueront pour le lecteur de bons exercices de maniement de lesprance conditionnelle.
1. (Mn)0nNest une martingale si et seulement si :
E (Mn+j|Fn) =Mn j0
2. Si(Mn)n0est une martingale, on a pour toutn :E (Mn) =E (M0).
3. La somme de deux martingales est une martingale.
4. On a videmment des proprits analogues pour les surmartingales et les sousmartingales.
Dfinition 2.2 Une suite adapte (Hn)0nN de variables alatoires est prvisible si, pour toutn
1,Hnest
Fn1mesurable.
Proposition 2.3 Soit(Mn)0nNune martingale et soit(Hn)0nNune suite prvisible parrapport la filtration(Fn)0nN. On poseMn= MnMn1. La suite(Xn)0nNdfinie
par :
X0 = H0M0
Xn = H0M0+ H1M1+ + HnMn pourn1est une martingale par rapport (Fn)0nN.
(Xn) est parfois appele transforme de la martingale (Mn) par la suite (Hn). Une cons-
quence de cette proposition et de la proposition 1.2 est que, dans les modles financiers o les
prix actualiss des actifs sont des martingales, toute stratgie autofinance conduit une valeur
8/13/2019 Calcul stochastique appliqu la finance
17/172
Ch.1 MODLES DISCRETS 17
finale actualise gale,en moyenne, la richesse initiale.
Dmonstration : Il est clair que(Xn)est une suite adapte. De plus, pour n0, on a :E (Xn+1 Xn|Fn)
= E (Hn+1(Mn+1Mn)|Fn)= Hn+1E (Mn+1 Mn|
Fn) carHn+1est
Fn-mesurable
= 0.
Do :
E (Xn+1|Fn) =E (Xn|Fn) =Xnce qui prouve que(Xn)est une martingale.
La proposition suivante donne une caractrisation des martingales qui nous sera utile par la
suite.
Proposition 2.4 Une suite adapte de variables alatoires relles(Mn)est une martingale si
et seulement si pour toute suite prvisible(Hn), on a :
E
Nn=1
HnMn
= 0
Dmonstration : Si(Mn)est une martingale, il en est de mme, par la proposition 2.3, de la
suite (Xn)dfinie par : X0= 0 et, pour n1, Xn=Nn=1HnMn, pour toute suite prvisible
(Hn). On a doncE(XN) = E(X0) = 0. Rciproquement, on remarque que si j{1 , . . . , N}, tout vnement Fj-mesurable A, on peut associer la suite (Hn)dfinie par Hn= 0 pour n=j +1etHj+1= 1A. Il est clair que la suite (Hn)est prvisible et lgalitE
Nn=1HnMn
= 0
donne :
E (1A (Mj+1Mj)) =0
et par consquentE (Mj+1|Fj) =Mj.
2.2 Marchs financiers viables
Nous revenons maintenant aux modles de marchs discrets introduits au paragraphe 1.
Dfinition 2.5 On dit que le march estviablesil nexiste pas de stratgie darbitrage.
Thorme 2.6 Le march est viable si, et seulement si, il existe une probabilitPquivalente1P sous laquelle les prix actualiss des actifs sont des martingales.
Dmonstration :
a) Supposons quil existe une probabilit P quivalente P sous laquelle les actifs ac-tualiss sont des martingales. Alors, pour toute stratgie autofinance (n), on a, daprs la
proposition 1.2 :
Vn() =V0() +
n
j=1j.Sj.
1Rappellons que deux probabilits P1 et P2 sont quivalentes si et seulement si, pour tout vnement A,P1(A) =0 P2(A) =0. Ici,P quivalente Psignifi e simplement que, pour tout ,P ({})> 0.
8/13/2019 Calcul stochastique appliqu la finance
18/172
18 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
On en dduit, grce la proposition 2.3, que
Vn ()
est une martingale sousP. Donc VN ()a mme esprance sousPque V0 ():
E
VN ()
= E
V0 ()
.
Si la stratgie est admissible et de valeur initiale nulle, on a donc E VN() = 0, avec
VN ()0. Do, VN () =0 puisqueP ({})> 0, pour tout.b) La dmonstration de la rciproque est plus dlicate. Soit le cne convexe des variables
alatoires positives et non nulles. Le march est viable si et seulement si pour toute stratgie
admissibleon a :V0 () =0 VN () /.b1) A tout processus prvisible (1n, . . . ,
dn), on associe le processus dfini par :
Gn () =
nj=1
1jS
1j + +djSdj
.
Cest le processus des gains actualiss cumuls dans toute stratgie autofinance suivant les
quantits dactifs risqus1n, . . . ,dn. Daprs la proposition 1.3, il existe un (unique) processus
(0n)tel que la stratgie((0n, 1n, . . . , dn))soit autofinance et de valeur initiale nulle. Gn ()est alors la valeur actualise linstant n de cette stratgie et lhypothse de viabilit du march
entrane que si cette valeur est positive tout instant, cest--dire si Gn() 0, pour toutn = 1, . . . , N, alors GN() = 0. Le lemme suivant montre que, mme sans lhypothse de
positivit des Gn(), on a encore GN() /.Lemme 2.7 Si le march est viable, tout processus prvisible(1, . . . , d)vrifie :
GN() /.
Dmonstration : Supposons GN()
. On a clairement une contradiction de la viabilit
si Gn() 0 pour toutn {0 , . . . , N}. Si cette dernire proprit na pas lieu, introduisonslentiern = sup
k|P
Gk()< 0
> 0
. On a :
nN 1, P
Gn()< 0
> 0et m > n Gm()0.On dfinit alors un nouveau processus en posant :
j () =
0 sijn1A()j() sij > n
oA est lvnement
Gn()< 0
. En utilisant la prvisibilit de et le fait que A estFn-
mesurable on voit que est aussi prvisible. Dautre part :
Gj () =
0 sijn1A
Gj () Gn ()
sij > n
Alors, on voit que Gj () 0 pour tout j {0 , . . . , N} et que GN () > 0 sur A ce quicontredit la viabilit et achve la dmonstration du lemme.
b2) Il est clair que lensembleVdes variables alatoires de la forme GN (), avec pr-visible valeurs dans Rd, est un sous-espace vectoriel de lespace R de toutes les variables
alatoires relles dfinies sur. Daprs le lemme 2.7, le sous-espace
Vne rencontre pas , ni
le convexe compact K = {X |X() = 1}, qui est contenu dans . Il en rsulte, par lethorme de sparation des convexes (voir lappendice), quil existe ( ())tel que :
8/13/2019 Calcul stochastique appliqu la finance
19/172
Ch.1 MODLES DISCRETS 19
1.XK,
()X()> 0
2. Pour tout prvisible :
()GN () () =0
De la proprit 1, on dduit que () > 0 pour tout , de sorte que la probabilit Pdfinie par :
P ({}) = ()(
)
est quivalente P.
De plus, si on noteElesprance par rapport la probabilitP, la proprit 2 signifie que,pour tout processus prvisible(n) valeurs dansR
d :
EN
j=1 jSj= 0.On en dduit immdiatement que pour tout indice i{1 , . . . , d}et toute suite prvisible(in), valeurs relles, on a :
E Nj=1
ijSij
= 0,
ce qui entrane, grce la proposition 2.4 que, sousP, les prix actualiss(S1n), . . . , (Sdn)sont
des martingales.
3 Marchs complets et valuation des options
3.1 Marchs complets
Nous dfinirons une option2 europennedchance N par la donne dune variable ala-
toire h 0,FN-mesurable, reprsentant le profit que permet lexercice de loption. Ainsi,pour une option dachat ou call sur une unit dactif 1, au prix dexercice K, o n a :
h=
S1N K+
et, pour une option de vente ou put sur une unit dactif1au prix dexercice
K: h=
K S1N
+
. Dans ces deux exemples (les plus importants dans la pratique), la variable
alatoirehest une fonction deSNseulement. Il existe des options pour lesquelles hdpend de
toutes les valeurs des cours jusqu lchance : S0, S1, . . . ,SN. Cest le cas des options dites
asiatiques, dont le prix dexercice est gal la moyenne des cours observs sur une priode
donne, prcdant lchance.
Dfinition 3.1 On dit que lactif conditionnel dfini parhest simulable (ou atteignable3) sil
existe une stratgie admissible dont la valeur linstantNest gale h.
2ou plus gnralement un bien contingent (contingent claim) ou actif conditionnel.3attainabledans certains articles amricains.
8/13/2019 Calcul stochastique appliqu la finance
20/172
20 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
Remarque 3.2 Dans un march viable, pour que loption hsoit simulable, il suffit quil existe
une stratgie autofinance de valeur gale h linstant N. En effet, si est une stratgie
autofinance et siPest une probabilit quivalente Psous laquelle les prix actualiss sont desmartingales, alors, sous P,
Vn()
est une martingale (en tant que transforme de martingale).
On a donc, pourn{0 , . . . , N} Vn() =E VN()|Fn. Il est clair alors que, si
VN()0(en particulier siVN() =h), la stratgieest admissible.
Dfinition 3.3 On dit que le march estcompletsi tout actif conditionnel est simulable.
Supposer quun march financier est complet est une hypothse restrictive dont la justifica-
tion conomique est moins claire que celle de lhypothse de viabilit. Lintrt des marchs
complets est quils se prtent une thorie trs simple de lvaluation et de la couverture des
actifs conditionnels. Le modle de Cox-Ross-Rubinstein, que nous tudierons plus loin, fournit
un exemple de modle de march complet dune grande simplicit. Le thorme suivant donne
une caractrisation des marchs viables et complets.
Thorme 3.4 Un march viable est complet si, et seulement si, il existe une seule probabilitPquivalente P sous laquelle les prix actualiss des actifs soient des martingales.
La probabilit P apparatra dans la suite comme loutil de calcul des formules de prix et decouverture.
Dmonstration :
a) Supposons le march viable et complet. Alors, toute variable alatoire hFN-mesurableet positive peut scrireh= VN ()oest une stratgie admissible, qui simule lactif condi-
tionnelh. Puisque est une stratgie autofinance on a :
h
S0N = VN () =V0 () +
Nj=1
j.Sj.
Alors, siP1etP2sont deux probabilits sous lesquelles les prix actualiss sont des martingales,Vn ()
0nN est une martingale la fois sous P1et sousP2. Do pouri = 1 ou2 :
Ei
VN ()
= Ei (V0 ()) =V0 () ,
la dernire galit venant du fait que F0= {, }. On a donc :
E1 h
S0N
= E2 h
S0N
et, commehest arbitraire,P1= P2sur la tribu FN, que lon a suppose gale F.b) Supposons le march viable et non complet. Alors il existe une variable alatoire h0
non simulable. Notons Vlespace des variables alatoires de la forme :
U0+
Nn=1
n.Sn, (1.1)
avecU0
F0-mesurable et
1n, . . . ,
dn0nN
prvisible, valeurs dansRd. Il rsulte de la
proposition 1.3 et de la remarque 3.2 que la variable alatoire h/S0n nappartient pas V. Vest donc un sous-espace strict de lespace de toutes les variables alatoires dfinies sur (, F).
8/13/2019 Calcul stochastique appliqu la finance
21/172
Ch.1 MODLES DISCRETS 21
Alors, siPest une probabilit quivalente Psous laquelle les prix actualiss sont des martin-gales et si lon munit lespace des variables alatoires du produit scalaire(X, Y) E (XY), onvoit quil existe une variable alatoireX non nulle et orthogonale au sous-espace V.
Posons alors :
P ({}) =
1 +
X()
2
X
P ({})
o X =sup |X()|. On dfinit ainsi une probabilit (carE (X) =0) qui est quivalenteP, et distincte deP. On a de plus
E Nn=1
n.Sn
= 0
pour tout processus prvisible
1n, . . . , dn
0nN, ce qui entrane, par la proposition 2.4,
que(Sn)0nNest uneP-martingale.
3.2 Evaluation et couverture des actifs conditionnels dans les marchs
complets
On suppose le march viable et complet et on note P lunique probabilit sous laquelleles prix actualiss des actifs sont des martingales. Soit un actif conditionnel dfini par une
variable alatoireFN-mesurableh 0et soit une stratgie admissible simulant h, cest--dire vrifiant :
VN() =h.
La suite Vn0nN
est une martingale sousPet par consquent,V0() =E VN(), do
V0() =E hS0N
et plus gnralement
Vn() =S0nE
h
S0N|Fn
, n= 0, 1 , . . . , N.
La valeur tout instant de toute stratgie admissible simulant hest donc compltement dter-
mine parh. Il est naturel dappelerVn()la valeur de loption : cest la richesse qui, dtenue
linstantn, permet, en suivant la stratgie partir de linstantn, de produire exactement la
richesseh linstantN.
Si, linstant0, un investisseur vend loption au prix
E
hS0N
,
il a la possibilit, en suivant une stratgie simulante , de restituer la richesse promise h
linstantN ; cest dire quil peutse couvrir parfaitement.
Remarque 3.5 Il est important de noter que le calcul du prix ncessite seulement la connais-
sance de P (pas celle de P). On aurait pu se contenter de partir de lespace probabilisable(, F), muni de la filtration(Fn), cest--dire, concrtement, de dfinir tous les tats possibleset lvolution de linformation disponible au cours du temps. Ds que lespace (, F) et lafiltration sont spcifis, il est inutile, pour valuer des options par simulation, de dterminer
les vraies probabilits des divers tats possibles (en utilisant notamment une approche sta-
tistique). Ltude du modle de Cox-Ross-Rubinstein montrera comment, dans la pratique, lescalculs de prix et de couverture peuvent tre mens bien.
8/13/2019 Calcul stochastique appliqu la finance
22/172
22 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
3.3 Premire approche des options amricaines
Une option amricaine pouvant tre exerce nimporte quel instant entre 0 et N, nous la
dfinirons comme une suite (Zn) positive et adapte la filtration (Fn), Zn reprsentant leprofit que permet lexercice de loption linstant n. Dans le cas dun call amricain sur une
unit dactif1 au prix dexercice K, Zn = S1nK+ ; dans le cas dun put amricain, Zn =
K S1n+
. Pour dfinir la valeur de loption amricaine associe au processus (Zn)0nN,nous allons raisonner par rcurrence en marche arrire partir de lchance N. Il est clair que
la valeur de loption linstantNestUN= ZN. A quel prix vendre loption linstantN 1 ?
Si lacheteur exerce immdiatement, il fera le profit ZN1, sinon il exercera (ventuellement)
linstantN et le vendeur doit tre prt payer la richesse ZN linstantN. Le vendeur doit
donc encaisser linstantN 1une somme au moins gale ZN1et lui permettant de fournir
la richesse ZN linstant N. La somme qui, disponible linstant N 1, permet dobtenir la
richesseZN linstantN, cest la valeur linstantN 1dune stratgie admissible de valeur
finaleZN, cest--direS0N1E
ZN|FN1
, avec ZN =ZN/S0N. Il est donc naturel de prendre
pour valeur de loption amricaine linstant N 1la quantit :
UN1= max
ZN1, S0N1E
ZNFN1 .
De proche en proche, on dfinit la valeur de loption amricaine linstant n par la relation
de rcurrence suivante, valable pour n = 1, . . . , N :
Un1= max
Zn1, S
0n1E
Un
S0n
Fn1
.
Dans le cas dun taux dintrt constant gal r sur chaque priode,
S0n= (1 + r)n
et :
Un1= max
Zn1,
1
1 +rE (Un |Fn1)
.
Soit Un= UnS0n
la valeur actualise de loption amricaine.
Proposition 3.6 La suite
Un0nN est une P
-surmartingale. Cest la plus petite P-
surmartingale majorant la suite
Zn0nN.
Noter que, contrairement au cas europen, la valeur actualise de loption amricaine ne dfinit
pas ncessairement une martingale sous P.
Dmonstration : De la relation :
Un1= max
Zn1, E
Un |Fn1
,
on dduit que(Un)0nNest une surmartingale majorant(Zn)0nN. Soit maintenant une sur-martingale(Tn)0nNmajorant(Zn)0nN. Alors TN UNet si Tn Unon a :
Tn1 E
Tn |Fn1E
Un |Fn1
et donc :
Tn1max
Zn1, E
Un |Fn1
= Un1.
Ce qui dmontre que(Tn
)majore(Un
), par rcurrence descendante sur n.
8/13/2019 Calcul stochastique appliqu la finance
23/172
Ch.1 MODLES DISCRETS 23
4 Problme corrig : le modle de Cox, Ross et Rubinstein
Le modle de Cox-Ross-Rubinstein est une version discrtise du modle de Black-Scholes
(qui sera tudi au chapitre 4), dans laquelle il y a un seul actif risque, de prix Sn linstant n,
0 nN, et un actif sans risque de rendement certain r sur une priode, de sorte que, avecles notations des paragraphes prcdents : S0n= (1 + r)
n
On fait les hypothses suivantes sur lvolution du cours de lactif risqu : entre deux p-riodes conscutives, la variation relative des cours est soita, soitb, avec1 < a < b :
Sn+1=
Sn(1 + a)
Sn(1 + b)
Le cours initialS0est donn. Lespace naturel des rsultats possibles est donc = {1 + a, 1 +
b}N, chaqueN-uple reprsentant les valeurs successives de Sn+1/Sn,n = 0, 1, . . . , N 1. On
prend naturellement : F0= {, }, et F=P(). La tribu Fnsera, pour n= 1, . . . , N, la tribu(S1, . . . , Sn)engendre par les variables alatoiresS1, . . . ,Sn. Lhypothse dfinissantP une
quivalence prs est que tous les singletons deont une probabilit non nulle.
Introduisons les variables alatoires Tn = Sn/Sn1, pour n = 1, . . . , N. Si (x1, . . . , xN)est un lment de , on a P{(x1, . . . , xN)} = P(T1 = x1, . . . , T N = xN). La connaissance de
P quivaut donc celle de la loi du N-uple (T1, T2, . . . , T N). Notons aussi que, pour n 1,Fn= (T1, . . . , T n).
1. Montrer que le prix actualis (Sn) est une martingale sous P si et seulement si
E(Tn+1|Fn) =1 + r, n{0 , 1 , . . . , N 1}.La relation E(Sn+1|Fn) = Sn est quivalente E(Sn+1/Sn|Fn) = 1, puisque Sn estFn-mesurable et cette dernire galit quivaut E(Tn+1|Fn) =1 + r.
2. En dduire que, pour que le march soit viable, il est ncessaire que r appartienne
lintervalle]a, b[.Si le march est viable, il existe une probabilit P quivalente P, sous laquelle (Sn) est unemartingale. On a donc, daprs la question 1 :
E(Tn+1|Fn) =1 + r
et par consquent E(Tn+1) =1 + r. CommeTn+1est valeurs dans {1 + a, 1 + b}et prend cesdeux valeurs avec une probabilit non nulle, on a ncessairement : (1 + r) ]1 + a, 1 + b[.
3. Donner des exemples darbitrages possibles si la condition ncessaire de viabilit obtenue
en 2 nest pas vrifie.
Supposons par exemple r
a. En empruntant une somme S0 linstant 0, on peut acheter une
unit dactif risqu. A la date N, on rembourse lemprunt et on revend lactif risqu. Le profi tralisSN S0(1+ r)
N est toujours positif ou nul, puisque SN S0(1+ a)N, et strictementpositif avec une probabilit non nulle. On a donc bien un arbitrage. Quand r b, larbitragesobtient en vendant lactif risqu dcouvert.
4. Pour toute la suite, on suppose quer]a, b[et on posep = (br)/(b a). Montrerque (Sn) est une martingale sous P si et seulement et si les variables alatoires T1, T2,
. . . ,TNsont indpendantes quidistribues, leur loi commune tant donne par :P(T1 =
1 + a) =p = 1 P(T1= 1 +b). En dduire que le march est viable et complet.
Si lesTisont indpendantes et vrifi ent P(Ti= 1 + a) =p = 1 P(Ti= 1 + b), on a :
E(Tn+1|Fn) = E(Tn+1) =p(1 + a) + (1 p)(1 + b) =1 + r
et(Sn)est une martingale sous P, daprs la question 1.
8/13/2019 Calcul stochastique appliqu la finance
24/172
24 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
Rciproquement, si, pourn = 0, 1, . . . , N 1, E(Tn+1|Fn) =1 + r, on peut crire :(1 + a)E
1{Tn+1=1+a}|Fn
+ (1 + b)E
1{Tn+1=1+b}|Fn
= 1 + r
On en dduit, en utilisant lgalit
E 1{Tn+1=1+a}|Fn + E 1{Tn+1=1+b}|F
n= 1que E
1{Tn+1=1+a}|Fn
= p et E
1{Tn+1=1+b}|Fn
= 1 p.On voit alors, en raisonnant par
rcurrence surn que, pour tousxi {1 + a, 1 + b},
P (T1= x1, . . . , T n= xn) =
ni=1
pi
opi= p si xi= 1 + aet pi= 1 psi xi= 1 + b, ce qui prouve que les Tisont indpendantes
quidistribues sous Pet vrifi ent P(Ti= 1 + a) =p.
Ainsi, on voit que la condition que (Sn) soit une martingale sous P dtermine la loi du N-uple
(T1, T2, . . . , T N)sous P, et donc la probabilit Pelle-mme, de faon unique. Le march est donc
viable et complet.
5. On noteCn(resp.Pn) la valeur, linstant n, dun call (resp. dun put) europen sur une
unit dactif risqu au prix dexerciceKet dchanceN.
(a) Retrouver, partir des formules de prix sous forme desprances conditionnelles, la
relation de parit call-put :
Cn Pn= Sn K(1 +r)(Nn).
Notant Elesprance par rapport lunique probabilit P sous laquelle(Sn)est une mar-tingale, on a :
Cn Pn = (1 + r)(Nn)
E ((SN K)+ (K SN)+|Fn)= (1 + r)(Nn)E (SN K|Fn)= Sn K(1 + r)
(Nn),
la dernire galit rsultant du fait que (Sn)est une martingale sous P.
(b) Montrer queCnpeut scrire sous la forme :Cn= c(n, Sn), oc est une fonction
que lon explicitera laide deK,a,b,r etp.
En crivantSN= SnNi=n+1Ti, on obtient :
Cn= (1 + r)(Nn)
ESn
N
i=n+1
Ti K
+
Fn
Comme, sous la probabilit P, la variable alatoireNi=n+1Tiest indpendante deFnet
que Sn estFn-mesurable, on peut crire, en utilisant la proposition 2.5 de lappendice :Cn= c(n, Sn), oc est la fonction dfi nie par :
c(n, x)
(1 + r)(Nn)
= Ex N
i=n+1
Ti K
+
=
Nnj=0
(N n)!(N n j)!j!
pj(1 p)Nnj
x(1 + a)j(1 + b)Nnj K+
8/13/2019 Calcul stochastique appliqu la finance
25/172
Ch.1 MODLES DISCRETS 25
6. Montrer que la stratgie de couverture parfaite dun call est dfinie par une quantit dactif
risquHn= (n, Sn1) dtenir linstantn, oest une fonction que lon exprimera
partir de la fonctionc.
NotantH0nla quantit dactif sans risque dans le portefeuille simulant le call, on a :
H0n(1 + r)n+ HnSn= c(n, Sn)
PuisqueH0net Hnsont Fn1-mesurables, ce sont des fonctions deS1, . . .,Sn1seulement et,Sntant gal Sn1(1 + a)ou Sn1(1 + b), lgalit ci-dessus implique :
H0n(1 + r)n + HnSn1(1 + a) =c(n, Sn1(1 + a))
et
H0n(1 + r)n + HnSn1(1 + b) =c(n, Sn1(1 + b))
Do, par soustraction,
(n, x) = c(n, x(1 + b)) c(n, x(1+ a))
x(b a) .
7. On utilise maintenant le modle pour pricer un call ou un put dchanceT sur uneaction. Pour cela, on fait tendre N vers linfini en imposant les relations suivantes :
r = RT/N, log((1+ a)/(1+ r) ) = /
N et log((1+ b)/(1+ r)) = /
N. Le
rel R sinterprte comme le taux dintrt instantan entre les instants 0 et T, puisque
eRT =limN(1 + r)N, et 2 comme la variance limite, sous la probabilit P, de la va-riable alatoire log(SN), quandN tend vers linfini,SNreprsentant le cours de laction
la dateT.
(a) Montrer que si(YN)N1est une suite de variables alatoires de la forme :
YN= XN1 +X
N2 +. . . + X
NN
o, pour chaque N, les variables alatoiresXNi sont indpendantes quidistribues, valeurs dans :
{
N,
N
},
et de moyenne N, avec limN(NN) = , alors la suite (YN) converge en loivers une gaussienne de moyenne et de variance2.
Il suffi t dtudier la convergence de la fonction caractristique YN de YN. Le calcul donne :
YN(u) = E
eiuYN
=
Nj=1
E
eiuXN
j
=E
eiuXN1N
=
1 + iuN
2u2
2N + o(1/N)
N.
Do : limN YN(u) =exp
iu 2u2
2
, ce qui prouve la convergence demande.
(b) Expliciter les valeurs limites du put, puis du call linstant0.
PourN fi x, le prix du put l instant 0 est donn par :
P(N)0 = (1 + RT/N)
NEK S0
N
n=1
Tn
+
= E
(1 + RT/N)NK S0eYN )
+
8/13/2019 Calcul stochastique appliqu la finance
26/172
26 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
oYN=Nn=1 log(Tn/(1 +r)). Avec les hypothses de lnonc, les variables alatoires
XNj = log(Tj/(1+ r)) sont valeurs dans {/
N,/
N}, et indpendantes quidistri-
bues sous la probabilit P. On a de plus :
E(XNj ) = (1 2p)
N
=2 e/
N e/
N
e/N e/
N
N
La suite (YN) est donc du type tudi dans la question 7a, avec = 2/2. Si on pose
(y) = (KeRT S0ey)+, on peut crire :
|P(N)0 E
((YN))|
=
E
(1 + RT/N)NK S0eYN)
+
KeRT S0eYN+
K
(1 + RT/N)N eRTDo, en utilisant la convergence en loi de (YN)et le fait que la fonction est continue bor-
ne (cest prcisment pour avoir une fonction borne que nous avons tudi le put dabord) :
limN
P(N)0 = lim
NE ((YN)) =
12
+
(KeRT S0e2/2+y)+e
y2/2dy.
Lintgrale obtenue sexprime, aprs un calcul lmentaire, laide de la fonction de rpar-
titionF de la loi normale centre rduite, de sorte que :
limN
P(N)0 =Ke
RTF(d2) S0F(d1),
od1= (log(x/K) + RT+ 2/2)/,d2= d1 et
F(d) = 12
d
ex2
/2dx.
Pour le call, on obtient, en utilisant la relation de parit put-call : limN C(N)0 =S0F(d1)
KeRTF(d2).
Remarque 4.1 Dans les formules obtenues, le seul paramtre qui nest pas directement obser-
vable sur le march est . Linterprtation de comme variance suggre de lestimer par des
voies statistiques. Nous reviendrons sur cette question dans le chapitre 4.
Indications bibliographiques Nous avons suppos, dans ce chapitre, quil ny avait pas de
distribution de dividendes. En fait, on peut utiliser les mmes ides pour traiter les marchsavec dividendes (cf. [HL88], chapitre 8). Le thorme de caractrisation des marchs complets
peut tre tendu des espaces de probabilit infinis (cf. [DMW90], [Mor89]). A temps continu,
la formulation du problme est dlicate (cf. [HK79], [Str90] et [DS94]). La thorie des marchs
complets temps continu est dveloppe dans [HP81] et [HP83]. On trouvera une prsentation
lmentaire du modle de Cox-Ross-Rubinstein dans [CR85].
8/13/2019 Calcul stochastique appliqu la finance
27/172
Chapitre 2
Problme darrt optimal et options amricaines
Le but de ce chapitre est de traiter lvaluation et la couverture des options amricaines et
de faire apparatre le lien entre ces questions et le problme darrt optimal. Pour cela, nous
aurons besoin de la notion de temps darrt, qui permet de modliser les stratgies dexercice
dune option amricaine, et de la notion denveloppe de Snell, qui est la cl de la rsolution du
problme darrt optimal. Lapplication de ces notions aux options amricaines sera prcise
dans le paragraphe 5 de ce chapitre.
1 Notion de temps darrt
Le dtenteur dune option amricaine peut lexercer tout moment, jusqu la datedchance. La dcision dexercer ou de ne pas exercer linstant n se fera au vu des infor-
mations disponibles linstantn. Si on se place dans un modle discret construit sur un espace
probabilis filtr
, F, (Fn)0nN , P
fini, on est conduit dcrire la date dexercice par une
variable alatoire appele temps darrt :
Dfinition 1.1 Une variable alatoire, valeurs dans{0 , 1 , 2 , . . . , N}est un temps darrt si,
pour toutn{0,1, , N}:{= n} Fn.
Remarque 1.2 Comme dans le chapitre prcdent, nous supposerons queF = P() etP({}) > 0, . Cette hypothse nest dailleurs pas essentielle : si elle nest pas v-rifie, les rsultats exposs dans ce chapitre restent vrais condition de prendre les galits ausens presque sr. Par contre, nous ne ferons pas les hypothsesF0 = {, }etFN =F, saufdans le contexte purement financier du paragraphe 5.
Remarque 1.3 On pourra vrifier, titre dexercice, que est un temps darrt si et seulement
si, pour toutn{0,1, , N}:{n} Fn.
Cette dfinition quivalente du temps darrt est celle qui se gnralise au temps continu.
Introduisons maintenant la notion de suite arrte un temps darrt. Soit (Xn)0nN une
suite adapte la filtration(Fn)0nNet soit un temps darrt. La suite arrte linstant est dfinie par :
Xn () =X()n ()
cest dire que, sur lensemble{= j}on a :
Xn=
Xj sijnXn sij > n.
Noter queXN () =X()()(=Xjsur{= j}).
Proposition 1.4 Soit (Xn) une suite adapte et soit un temps darrt. La suite arrte
(Xn)0nNest adapte. Si, de plus, (Xn) est une martingale (resp. une surmartingale), alors(Xn)est une martingale (resp. une surmartingale).
8/13/2019 Calcul stochastique appliqu la finance
28/172
28 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
Dmonstration : On remarque que, pourn1, on a :
Xn= X0+
nj=1
j (Xj Xj1) ,
oj= 1{j}. Puisque{j}est le complmentaire de lensemble { < j}= {j 1},le processus(n)0nNest prvisible.
Il est clair alors que (Xn)0nN est adapte la filtration (Fn)0nN. De plus, si (Xn)est une martingale,(Xn)est aussi une martingale par rapport (Fn), en tant que transformede la martingale (Xn). On montre de mme que si la suite (Xn) est une surmartingale (resp.
une sousmartingale), la suite arrte est encore une surmartingale (resp. une sousmartingale) en
utilisant la prvisibilit et la positivit de (j)0jN.
2 Enveloppe de Snell
Dans ce paragraphe, on se donne une suite (Zn)0nNadapte, et on se propose dtudierla suite(Un)0nNdfinie par les relations :
UN = ZNUn = max (Zn, E (Un+1|Fn)) nN 1.
Cette tude est motive par notre premire approche des options amricaines (paragraphe 3.3
du chapitre 1). Nous savons dj, par la proposition 3.6 du chapitre 1, que (Un)0nN est laplus petite surmartingale majorant la suite(Zn)0
nN. On lappelle enveloppe de Snell de la
suite(Zn)0nN.La relation de rcurrence dfinissant(Un)montre qu chaque instant, Unest au dessus de
Zn(avec galit pour n = N) et que, tant que lingalit est stricte,Un = E(Un+1|Fn). Celasuggre quen arrtant convenablement la suite(Un), on puisse obtenir une martingale, comme
le montre la proposition suivante.
Proposition 2.1 La variable alatoire dfinie par :
0= inf{n0|Un= Zn}est un temps darrt et la suite arrte (Un0)0
n
Nest une martingale.
Dmonstration : PuisqueUN= ZN,0dfinit bien un lment de {0,1, , N}et lon a :{0= 0}= {U0= Z0} F0,
et pourk1 :{0= k}= {U0> Z0} {Uk1> Zk1} {Uk= Zk} Fk.
Pour montrer que (U0n ) est une martingale, on crit, comme dans la dmonstration de la
proposition 1.4 :
U0n =Un0 =U0+
nj=1
jUj
8/13/2019 Calcul stochastique appliqu la finance
29/172
Ch.2 PROBLME DARRT OPTIMAL ET OPTIONS AMRICAINES 29
oj= 1{0 j}. Do, pourn{0,1, , N 1}:
U0n+1U0n = n+1 (Un+1 Un)
= 1{n + 10}(Un+1Un)
On a, par dfinition,Un = max (Zn, E (Un+1|Fn))et sur lensemble{n +10},Un > Znet par consquentUn= E (Un+1|Fn). Do :
U0n+1 U0n =1{n +10}(Un+1E (Un+1|Fn))
et, en conditionnant :
E
U0n+1U0n
|Fn
= 1{n + 10}E((Un+1E (Un+1|Fn))|Fn)
car{n+ 10} Fn(puisque le complmentaire de{n +10}est{0 n}.Do :
E
U0n+1 U0n
|Fn
, =0
ce qui prouve queU0 est une martingale.
Dans la suite, nous noterons Tn,Nlensemble des temps darrt qui prennent leurs valeurs dans{n, n + 1, , N}. Remarquons que, puisque est suppos fini, Tn,Nest un ensemble fini. Laproprit de martingale de la suite U0 permet de montrer le rsultat suivant, qui fait le lien
entre enveloppe de Snell et problme darrt optimal.
Corollaire 2.2 Le temps darrt0vrifie :
U0= E (Z0 |F0) = supT0,N
E (Z|F0) .
SiZnsinterprte comme la somme des gains dun joueur aprsnparties dun jeu de hasard,
on voit que sarrter de jouer linstant 0permet de maximiser le gain moyen sachant F0.Dmonstration : PuisqueU0 est une martingale, on a :
U0= U00 =E (U
0N|F0) =E (U0 |F0) =E (Z0 |F0) .
Par ailleurs, si T0,Nla suite arrteU est une surmartingale. Do :
U0 E (UN|F0) =E (U|F0) E (Z|F0) ,
ce qui donne le rsultat.
Remarque 2.3 Une gnralisation immdiate du corollaire 2.2 donne :
Un = supTn,N
E (Z|Fn)= E (Zn |
Fn) ,
on= inf{jn|Uj= Zj}.
8/13/2019 Calcul stochastique appliqu la finance
30/172
30 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
Dfinition 2.4 On appelle temps darrt optimal pour la suite (Zn)0nNtout temps darrttel que :
E (Z|F0) = supT0,N
E (Z|F0)
Il rsulte de ce qui prcde que 0est un temps darrt optimal. Le rsultat suivant donne une
caractrisation des temps darrt optimaux qui montre que 0 est le plus petit temps darrtoptimal.
Thorme 2.5 Un temps darrt est optimal si et seulement si : Z= Uet (Un)0nN est une martingale.
(2.1)
Dmonstration : Si la suite arrteU est une martingale, on a U0= E(U|F0)et par cons-quent, si (2.1) est vrifi, U0 = E(Z|F0), ce qui, compte tenu du corollaire 2.2, entraneloptimalit de.
Rciproquement, si est optimal, on a :
U0= E (Z|F0)E (U|F0) .Mais, puisqueU est une surmartingale :
E (U|F0)U0.Do :
E (U|F0) =E (Z|F0)et puisqueU
Z,U= Z.
De lgalitE (U|F0) =U0et des ingalits :U0 E (Un|F0)E (U|F0)
(qui rsultent du fait que(Un)est une surmartingale) on dduit aussi :
E (Un|F0) =E (U|F0) =E ( E (U|Fn)|F0) .Mais on a Un E (U|Fn), do Un = E (U|Fn), ce qui prouve que (Un) est unemartingale.
3 Dcomposition des surmartingales
La dcomposition suivante (classiquement appele dcomposition de Doob) permet, dans
les modles de marchs viables et complets, dassocier toute surmartingale une stratgie de
gestion dans laquelle la consommation est autorise (voir ce sujet lexercice 5).
Proposition 3.1 Toute surmartingale(Un)0nNpeut scrire de faon unique sous la forme :
Un
= Mn
An
o(Mn)est une martingale et(An)un processus croissant, prvisible, nul en0.
8/13/2019 Calcul stochastique appliqu la finance
31/172
Ch.2 PROBLME DARRT OPTIMAL ET OPTIONS AMRICAINES 31
Dmonstration : Il est clair que le seul choix possible pourn = 0est M0 = U0et A0 = 0.
On doit ensuite avoir :
Un+1 Un= Mn+1Mn (An+1 An) .
Do, en conditionnant par rapport Fnet en utilisant les proprits deMetA : (An+1An) =E (Un+1|Fn) Un
et
Mn+1Mn= Un+1E (Un+1|Fn) .(Mn)et (An)sont ainsi dtermins de manire unique et on voit que (Mn)est bien une mar-
tingale et que (An) est bien prvisible et croissant (parce que (Un) est une surmartingale).
Supposons maintenant que (Un) soit lenveloppe de Snell dune suite adapte (Zn). On peut
alors caractriser le plus grand temps darrt optimal pour (Zn) laide du processus croissant(An)intervenant dans la dcomposition de Doob de(Un):
Proposition 3.2 Le plus grand temps darrt optimal pour(Zn)est donn par :
max
=
N siAN= 0
inf{n, An+1 =0} siAN =0.
Dmonstration : On voit facilement que max est un temps darrt en utilisant le fait que
(An)0nNest prvisible. De lgalitUn= Mn Anet du fait queAj= 0, pourjmax, ondduit queUmax =Mmax ce qui entrane queUmax est une martingale. Pour avoir loptimalit, il
suffit par consquent de montrer lgalit :
Umax =Zmax .
Or :
Umax =
N1j=0
1{max =j}Uj + 1{max =N}
UN
=
N1
j=01{max =j}
max (Zj, E (Uj+1|Fj)) + 1{max =N}ZN,
On a E (Uj+1|Fj) = Mj Aj+1 et, sur lensemble {max =j}, Aj = 0 et Aj+1 > 0, doncUj= MjetE (Uj+1|Fj) =Mj Aj+1< Uj. Par suiteUj= max (Zj, E (Uj+1|Fj)) =Zj. Dofinalement :
Umax =Zmax .
Il reste dmontrer que cest le plus grand temps darrt optimal. Cela rsulte du fait que si
est un temps darrt vrifiant max et P( > max)> 0, alorsE(U) =E(M) E(A) =E(U0) E(A)< E(U0)
et par consquentU ne peut pas tre une martingale.
8/13/2019 Calcul stochastique appliqu la finance
32/172
32 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
4 Enveloppe de Snell et chanes de Markov
Le but de ce paragraphe est de montrer comment, dans un cadre markovien, les calculs
denveloppes de Snell peuvent tre mens bien. Une suite (Xn)n0 de variables alatoires valeurs dans un ensemble fini E est appele chane de Markov si, pour tout entier n1 et pourtous lmentsx0,x1, . . . ,xn1,x,y deE, on a :
P (Xn+1= y|X0= x0, . . . , Xn1= xn1, Xn= x) =P (Xn+1= y|Xn= x)
La chane est ditehomognesi le nombreP(x, y) =P (Xn+1= y|Xn= x)ne dpend pas den.
La matrice P = (P(x, y))(x,y)EE, indexe par E E, est alors appele matrice de transitionde la chane. La matrice P a des coefficients positifs ou nuls et vrifie :
yEP(x, y) = 1,
pour tout xE ; on dit que cest une matrice stochastique. Lorsquon travaille sur un espace deprobabilit filtr
, F, (Fn)0nN , P
, on dfinit la notion de chane de Markov par rapport
la filtration :
Dfinition 4.1 Une suite(Xn)0nN de variables alatoires valeurs dans ensembleEest unechane de Markov homogne de matrice de transition P par rapport la filtration (Fn)0nNsi(Xn)est adapte et si pour toute fonctionf deE dansR, on a :
E (f (Xn+1)|Fn) =Pf (Xn)
oPfdsigne la fonction qui xE associePf(x) = yEP(x, y)f(y).Noter que si lon interprte les fonctions de E dansRcomme des matrices unicolonnes indexes
parE, Pf est bien le produit des deux matrices P etf. On vrifie failement quune chane deMarkov au sens lmentaire est une chane de Markov par rapport sa filtration naturelle, dfinie
par : Fn= (X0, . . . , Xn).La proposition suivante est une consquence immdiate de la dfinition prcdente et de la
dfinition de lenveloppe de Snell.
Proposition 4.2 Soit (Zn) une suite adapte dfinie par Zn = (n, Xn), o (Xn) est une
chane de Markov homogne de matrice de transitionP, valeurs dansE et une fonction de
NE dansR. Alors, lenveloppe de Snell(Un)de la suite (Zn)est donne parUn= u(n, Xn),o la fonctionuest dfinie par les relations suivantes :
u(N, x) =(N, x) xE
et, pournN 1,u(n, ) =max ((n, ), Pu(n + 1, )) .
5 Application aux options amricaines
Nous nous plaons maintenant dans un modle de march viable et complet, construit sur
lespace
, F, (Fn)0nN , P
et, comme dans les paragraphes 3.1 et 3.3 du chapitre 1, nous
noteronsPlunique probabilit sous laquelle les actifs actualiss sont des martingales.
8/13/2019 Calcul stochastique appliqu la finance
33/172
Ch.2 PROBLME DARRT OPTIMAL ET OPTIONS AMRICAINES 33
5.1 Exercice et couverture des options amricaines
Dans le paragraphe 3.3 du chapitre 1, nous avons dfini la valeur(Un)dune option amri-
caine dcrite par une suite(Zn), par les relations :
UN = ZN
Un = max
Zn, S0nEUn+1S0n+1 |Fn
nN 1.La suite( Un)dfinie par Un= Un/S
0n(valeur actualise de loption) est donc lenveloppe de
Snell sousPde la suite(Zn). Il rsulte du paragraphe 2 ci-dessus que lon a :
Un= supTn,N
E
Z|Fn
et par consquent :
Un= S0n sup
Tn,N
E
Z
S0|Fn
.
Daprs le paragraphe 3, on peut crire :
Un= Mn An,
o( Mn)est uneP martingale et( An)est un processus croissant prvisible nul en0. Puisque
le march est complet, il existe une stratgie autofinance telle que :
VN () =S0NMN,
cest dire VN () = MN. Comme la suite
Vn ()
est uneP-martingale, on a :
Vn() = E
VN()|Fn
= E
MN|Fn
= Mn,
et, par consquent :
Un= Vn() An.
Do :
Un= Vn() An,
o An = S0nAn. Il est clair sur cette expression que le vendeur de loption peut se couvrirparfaitement puisque, en encaissant la prime U0= V0(), il peut produire une richesse gale
linstantn Vn()qui majoreUndoncZn.
Quelle est la date dexercice optimale pour lacheteur de loption ? La date dexercice est
choisir parmi tous les temps darrt. Le dtenteur de loption na pas intrt exercer un
instantn o Un> Zn, car il perdrait un actif de valeurUn(loption) contre une richesse gale
Zn(venant de lexercice de loption). Donc une date dexercice optimal vrifie U = Z.
Par ailleurs, il na pas intrt exercer aprs linstant
max =inf{j, Aj+1 =0}
(qui est gal infj, Aj+1 =0), car, cet instant, en vendant loption, il peut se constituerune richesse gale Umax = Vmax() et, en suivant partir de cet instant la stratgie , il se
8/13/2019 Calcul stochastique appliqu la finance
34/172
34 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
constitue un portefeuille dont la valeur est strictement plus grande que celle de loption aux
instantsmax+ 1, max+ 2, , N. On impose donc, comme seconde conditionmax, ce quipermet de dire que U est une martingale. La conclusion de ce qui prcde est que les dates
dexercice optimales sont les temps darrt optimaux pour la suite (Zn), sous la probabilit
P. Pour prciser ce point, reprenons le point de vue du vendeur de loption. Si celui-ci secouvre suivant la stratgiedfinie plus haut et si lacheteur exerce un instant qui nest pas
optimal, on aU> Zou A> 0. Dans les deux cas, le vendeur ralise un profit V() Z=
U+A Z, qui est strictement positif.
5.2 Options amricaines et options europennes
Proposition 5.1 SoitCnla valeur linstantn dune option amricaine dcrite par une suiteadapte (Zn)0nN et soitcn la valeur linstantn de loption europenne dfinie par lavariable alatoire FN-mesurable h= ZN. Alors, on a : Cn cn.
De plus, sicn Zn, pour toutn, alors :
cn=Cn n{0 , 1 , . . . , N}.LingalitCn cn est bien naturelle puisque loption amricaine donne plus de droits queloption europenne.
Dmonstration : Puisque la valeur actualise
Cn
est une surmartingale sousP, on a :
Cn E
CN|Fn
= E (cN|Fn) = cnDo, lingalit : Cn cn.
Si on acn Zn, pour toutn, alors la suite (cn), qui est une martingale sous P, apparatcomme une surmartingale (sousP) majorant la suite(
Zn)et par consquent :
Cn cn n{0 , 1 , . . . , N}
Do lgalit.
Remarque 5.2 On vrifiera sans peine que si les relations de la proposition 5.1 ntaient pas
vrifies, il y aurait des opportunits darbitrage par des transactions sur les options.
Pour illustrer la proposition qui prcde, plaons-nous dans le cas dun march avec un seul
actif risqu, de prixSn linstantn et un taux dintrt sans risque constant, gal r
0sur
chaque priode, de sorte que S0n= (1+r)n. Alors si, avec les notations de la proposition 5.1,on prendZn = (SnK)+, cnest le prix, la daten, dun call europen dchance N et de
prix dexerciceK sur une unit dactif risqu etCnest le prix du call amricain correspondant.On a :
cn = (1 +r)NE ((SN K)+|Fn)
E
SNK(1 + r)N|Fn
= SnK(1 + r)
N,
en utilisant la proprit de martingale de (Sn). Do : cn
SnK(1+r)(Nn)
SnK,
puisquer0. Commecn0, on a aussicn(SnK)+et par la proposition 5.1, Cn= cn.Il y a donc galit entre le prix du call europen et le prix du call amricain correspondant.
8/13/2019 Calcul stochastique appliqu la finance
35/172
Ch.2 PROBLME DARRT OPTIMAL ET OPTIONS AMRICAINES 35
Cette proprit nest pas vrifie dans le cas du put, ni dans le cas de calls sur devises ou sur
actions distribuant des dividendes.
Remarque bibliographique : Pour des complments sur lenveloppe de Snell et larrt optimal,
on pourra consulter [Nev72] (chapitre VI) et [DCD83] (chapitre 5, paragraphe 1). Pour la thorie
de larrt optimal temps continu, voir [Kar81].
6 Exercices
Exercice 1 Soit un temps darrt par rapport une filtration (Fn)0nN. On noteF len-semble des vnementsAtels queA {= n} Fn, pour toutn{0 , . . . , N}.
1. Montrer que Fest une sous-tribu de FN. Fest souvent appele tribu des vnementsantrieurs .
2. Montrer que la variable alatoire est
F-mesurable.
3. SoitX une variable alatoire relle. Montrer lgalit :
E(X|F) =Nj=0
1{= j}E(X|Fj)
4. Soitun temps darrt tel que. Montrer que F F.5. Sous les mmes hypothses, montrer que si(Mn)une martingale, on a
M= E(M|F).(On pourra traiter le cas = N dabord.)
Exercice 2 Soit (Un) lenveloppe de Snell dune suite adapte (Zn). Montrer, sans supposer
F0triviale que :E (U0) = sup
T0,NE (Z) ,
et plus gnralement que :
E (Un) = supTn,N
E (Z) .
Exercice 3 Montrer que est optimal au sens de la dfinition 2.4 si et seulement si :
E (Z) = supT
0,N
E (Z) .
Exercice 4 Lobjet de cet exercice est dtudier le put amricain dans le modle de Cox-Ross-
Rubinstein. Les notations sont celles du chapitre 1.
1. Montrer que le prix Pn, linstantn, du put amricain dchance N, de prix dexerciceKsur une action peut scrire :
Pn= Pam(n, Sn)oPam(n, x)est dfinie parPam(N, x) = (K x)+et, pournN 1
Pam(n, x) =max (K x)+,f(n +1, x)
1 + r ,
avecf(n +1, x) =pPam(n + 1, x(1 +a)) + (1 p)Pam(n + 1, x(1 + b))etp = brba
.
8/13/2019 Calcul stochastique appliqu la finance
36/172
36 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
2. Montrer que la fonctionPam(0, .)peut se mettre sous la forme :
Pam(0, x) = supT0,N
E ((1 + r)(K xV)+) ,
o la suite de variables alatoires (Vn)0nN est dfinie par : V0 = 1 et, pour n 1,Vn =
ni=1Ui, o les Uisont des variables alatoires dont on prcisera la loi conjointe
sousP.3. A partir de la formule de la question prcdente, montrer que la fonctionx Pam(0, x)
est convexe et dcroissante.
4. On suppose a < 0. Montrer quil existe un rel x [0, K] tel que, pour x x,Pam(0, x) = (K x)+et, pourx]x, K/(1 + a)N[,Pam(0, x)> (K x)+.
5. Un agent dtient le put amricain linstant 0. Pour quelles valeurs du cours spot S0a-t-il
intrt exercer immdiatement son option ?
6. Montrer que la stratgie de couverture du put amricain est dfinie par une quantit dactif
risquHn= (n, Sn1) dtenir linstantn, oest une fonction que lon exprimera
partir de la fonctionPam.
Exercice 5 Stratgies de consommation. Les stratgies autofinances dfinies au chapitre 1
excluent toute possibilit de consommation. On peut introduire des stratgies de consommation
de la faon suivante : linstant n, aprs avoir pris connaissance des cours S0n, . . . ,Sdn, linvestis-
seur rajuste son portefeuille pour le faire passer de la composition n la compositionn+1et dcide de la richesse n+1qui sera consomme la date n + 1. Le rajustement se faisant
aux cours de la daten, sil ny a pas dapports de fonds extrieurs, on doit avoir :
n+1.Sn= n.Snn+1. (2.2)
Une stratgie de gestion avec consommation sera donc dfinie par un couple (, ), o est
un processus prvisible valeurs dansRd+1, reprsentant les quantits dactifs dtenues en por-
tefeuille et = (n)1nNun processus prvisible valeurs dans R+, reprsentant la richesseconsomme chaque instant, les processus et tant lis par la relation (2.2), qui remplace
la condition dautofinancement du chapitre 1.
1. Soitun processus prvisible valeurs dans Rd+1 et soitun processus prvisible va-
leurs dansR+. On poseVn() =n.Snet Vn() =n.Sn. Montrer que les conditions
suivantes sont quivalentes :
(a) Le couple(, )dfinit une stratgie de gestion avec consommation.
(b) Pour toutn
{1 , . . . , N},
Vn() =V0() +
nj=1
j.Sj
nj=1
j.
(c) Pour toutn{1 , . . . , N},
Vn() =V0() +
nj=1
j.Sj
nj=1
j/S0j1.
2. Dans toute la suite, on suppose le march viable et complet et on noteP lunique pro-babilit sous laquelle les prix actualiss des actifs sont des martingales. Montrer que si le
couple(, )dfinit une stratgie de gestion avec consommation, alors ( Vn())est unesurmartingale sousP.
8/13/2019 Calcul stochastique appliqu la finance
37/172
Ch.2 PROBLME DARRT OPTIMAL ET OPTIONS AMRICAINES 37
3. Soit(Un) une suite adapte telle que ( Un) soit une surmartingale sous P. Montrer, en
utilisant la dcomposition de Doob, quil existe une stratgie de gestion avec consomma-
tion(, )telle queVn() =Un, pour toutn{0 , . . . , N}.4. Soit (Zn), une suite adapte. On dit quune stratgie de gestion avec consommation (, )
couvre loption amricaine dfinie par(Zn)siVn()Zn, pour toutn{0 , 1 , . . . , N}.Montrer que la valeur(Un)de loption amricaine est la valeur dau moins une stratgiede gestion avec consommation qui couvre (Zn) et que toute stratgie de gestion avec
consommation(, )qui couvre(Zn)vrifieVn()Un, pour toutn{0 , 1 , . . . , N}.5. Soit x un nombre positif, reprsentant la richesse initiale dun investisseur et soit =
(n)1nNune suite prvisible valeurs dansR+. On dira que le processus de consom-mation(n) est finanable partir de la richesse initiale x sil existe un processus pr-
visible valeurs dans Rd+1 tel que le couple (, )dfinisse une stratgie de gestion
avec consommation, avec, de plus : V0() =x et Vn()0, pour toutn{0 , . . . , N}.Montrer que (n) est finanable partir de la richesse initiale x, si et seulement si :
E Nj=1j/S
0j1x.
8/13/2019 Calcul stochastique appliqu la finance
38/172
8/13/2019 Calcul stochastique appliqu la finance
39/172
Chapitre 3
Mouvement brownien et quations diffrentielles
stochastiques
Les deux premiers chapitres de ce livre ont t consacrs ltude de modles temps
discret. On a vu cette occasion limportance des notions de martingales, de stratgies au-
tofinances. . . Nous allons tendre ces notions au cas du temps continu. En particulier, nous
introduirons les outils mathmatiques permettant de construire des modles dvolution dac-
tif et de calculer les prix doptions. Les outils techniques sont plus dlicats utiliser en temps
continu mais les ides essentielles diffrent peu de celles du temps discret.
Pourquoi considre-t-on des modles temps continu ? La premire motivation vient des
phnomnes que lon veut modliser : les variations des cotations sur les marchs organiss
sont en pratique tellement frquentes quun modle temps discret peut difficilement en rendrecompte. Dautre part les modles continus conduisent des mthodes de calcul plus explicites
que les modles discrets, mme sil faut parfois avoir recours des mthodes numriques. Ainsi,
le modle le plus utilis dans la pratique (le modle de Black et Scholes) est un modle temps
continu qui conduit une formule simple. Comme nous lavons signal dans lintroduction,
les liens entre processus stochastiques et finance ne sont pas nouveaux : en 1901, Bachelier
(voir [Bac00]) dans un mmoire intitul Thorie de la spculation est, non seulement lun des
premiers sintresser mathmatiquement aux proprits du mouvement brownien, mais aussi
donner des formules de calcul de prix pour certaines options.
Nous donnons quelques lments mathmatiques ncessaires la comprhension des mo-
dles temps continu. En particulier, nous introduirons le mouvement brownien, qui est lou-
til majeur du modle de Black et Scholes et sert construire la plupart des modles dactifs
en finance. Puis nous tendrons la notion de martingale au cas du temps continu, enfin nous
construirons lintgrale stochastique dIt et nous introduirons le calcul diffrentiel qui lui est
associ : le calcul dIt.
Certaines dmonstrations sont rdiges en petits caractres, ce sont des dmonstrations tech-
niques quil est conseill de sauter lors dune premire lecture.
1 Gnralits sur les processus temps continu
Commencons par prciser ce que lon entend par processus temps continu.
Dfinition 1.1 On appelleprocessus stochastique temps continu et valeurs dans un espace
E muni dune tribu E, une famille (Xt)tR+ de variables alatoires sur un espace de probabilit(, A, P) valeurs dans(E, E).
Remarque 1.2 Dans la pratique lindicet reprsente le temps.
Un processus peut aussi tre vu comme une fonction alatoire : chaque dans on
associe la fonction deR+ dansE,t
Xt(), appeletrajectoiredu processus.
Un processus peut tre considr comme une application de R+ dansE, nous sup-poserons toujours que cette application est mesurable lorsque lon munit R+
de la
tribu B(R+) A etEde la tribu E. On considrera aussi des processus indexs par un intervalle de temps[0, T]born.
8/13/2019 Calcul stochastique appliqu la finance
40/172
40 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
Comme dans le cas discret, on introduit la notion de filtration.
Dfinition 1.3 Soit(, A, P) un espace de probabilit, une filtration (Ft)t0 est une famillecroissante de sous tribus de A.
Le tribuFt reprsente linformation dont on dispose linstant t. On dit quun processus(Xt)t0estadapt(Ft)t0, si pour chaquet,Xtest Ft-mesurable.
Remarque 1.4 Dans la suite, les filtrations que lon considrera, auront la proprit suivante :
SiA A et siP(A) =0, alors pour toutt,A Ft.
Ceci exprime queFtcontient tous les ensembles de mesure nulle deA. Le but de cette hypo-thse technique est de permettre daffirmer que si X = Y Pp.s. et que Y estFt-mesurablealorsX est aussi
Ft-mesurable.
On peut construire une filtration partir dun processus (Xt)t0en posant Ft= (Xs, st). Cette filtration ne vrifie pas, en gnral, lhypothse prcdente. Cependant si on remplace
la tribu Ftpar la tribu Ftengendre par FtetN, lensemble des ensembles de probabilit nulle(on dit aussi ngligeables) deA, on obtient une filtration vrifiant la condition souhaite. Onappelle cette filtration la filtration naturelledu processus(Xt)t0. Quand on parle de filtrationpour un processus sans autres prcisions, il sagit de sa filtration naturelle. Un processus est
bien sr adapt sa filtration naturelle.
La notion de temps darrt nous sera utile comme dans le cas discret. Un temps darrt
modlise un temps alatoire qui dpend du processus de facon non anticipante ( un instant
donnt on sait si un temps darrt est plus petit que t). Formellement, la dfinition est lasuivante :
Dfinition 1.5 On appelletemps darrtpar rapport une filtration(Ft)t0une variable ala-toire valeurs dans R+ {+}telle que, pour toutt0 :
{t} Ft
On associe un temps darrtune tribu que lon note F, dfinie par :
F= {A A, pour toutt0 , A {t} Ft} .
Cette tribu reprsente les informations disponibles avant linstant alatoire . On dmontre que
(voir exercices 8,9,10, 11,14) :
Proposition 1.6 SiS est un temps darrt, S estFSmesurable. Si S est un temps darrt, fini presque srement, et (Xt)t0 est un processus adapt
continu, alorsXSestFSmesurable. SiS etTsont deux temps darrt tels que ST Pp.s., alors FS FT. Si S et T sont deux temps darrt alors S T = inf(S, T) est un temps darrt. En
particulier si S est un temps darrt ett est un temps dterministe S t est un tempsdarrt.
8/13/2019 Calcul stochastique appliqu la finance
41/172
Ch.3 MOUVEMENT BROWNIEN, QU. DIFF. STOCHASTIQUES 41
2 Le mouvement brownien
Un exemple particulirement important de processus stochastique est le mouvement brow-
nien. Il servira de base pour la construction de la plupart des modles dactifs financiers et de
taux dintrt.
Dfinition 2.1 On appellemouvement brownienun processus stochastique (Xt)t0
valeurs
relles, qui est unprocessus accroissements indpendants et stationnaires dont les trajectoires
sont continues. Ce qui signifie que :
continuit: Pp.s. la fonctions Xs()est une fonction continue.indpendance des accroissements : Sis t,XtXs est indpendant de la tribuFs =
(Xu, us). stationnarit des accroissements : si s t, la loi de Xt Xs est identique celle de
XtsX0.
Cette dfinition permet de caractriser la loi de la variable alatoire Xt. Ce rsultat est dlicat
tablir, nous renvoyons [GS80] pour sa dmonstration.
Thorme 2.2 Si(Xt)t0est un mouvement brownien, alors Xt X0est une variable alatoiregaussienne de moyennertet de variance2t,ret tant des constantes relles.
Remarque 2.3 Un mouvement brownien est dit standardsi :
X0= 0 Pp.s. E (Xt) =0, E
X2t
= t.
Dans la suite, lorsque lon parlera de mouvement brownien, sans autre prcision, il sagira dun
mouvement brownien standard. Dans ce cas, la loi deXtprend la forme :
12t
ex2
2t dx,
dxtant la mesure de Lebesgue sur R.
On peut dmontrer une proprit prcisant le caractre gaussien du mouvement brownien.
On vient de voir que pour tout t,Xtest une variable alatoire gaussienne. On a une proprit
plus forte :
Thorme 2.4 Si (Xt)t0 est un mouvement brownien, si 0 t1 < . . . < tn alors(Xt1 , . . . , Xtn)est unvecteur gaussien.
On pourra consulter lappendice page 161 pour des prcisions sur les vecteurs gaussiens.
Dmonstration : Soit0t1< .. . < tn, alors le vecteur alatoire(Xt1 , Xt2 Xt1 , , XtnXtn1) est compos de variables alatoires gaussiennes (daprs le thorme 2.2) et indpen-
dantes (par dfinition du mouvement brownien), ce vecteur est donc un vecteur gaussien. Il en
est donc de mme pour(Xt1 , . . . , Xtn).
On aura besoin dune dfinition lgrement plus prcise dun mouvement brownien par rapport
une tribu Ft.Dfinition 2.5 On appelleraFtmouvement brownien un processus stochastique valeursrelles et trajectoires continues qui vrifie :
Pour toutt0,XtestFt-mesurable. Sist,XtXsest indpendant de la tribu Fs. Sist, la loi de Xt Xsest identique celle deXts X0.
Remarque 2.6 Le premier point de la dfinition prcdente prouve que(Xu, u
t)
Ft.
De plus, il est facile de vrifier quun Ft-mouvement brownien est un mouvement brownien parrapport sa filtration naturelle.
8/13/2019 Calcul stochastique appliqu la finance
42/172
42 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
3 Martingales temps continu
Comme dans le cas des modles temps discret, la notion de martingale est un outil essentiel
pour expliciter la notion darbitrage. La dfinition suivante est une extension de celle du temps
discret.
Dfinition 3.1 Soit(, A, P) un espace probabilis et(Ft)t0 une filtration de cet espace. Unefamille adapte(Mt)t0de variables alatoires intgrables, (cest--dire vrifiantE(|Mt|) a
=Q+sQ+ ,st{Xs> a } .
Ce dernier ensemble est dans Ft, ce qui prouve le rsultat. On notera dans ce qui suitxy =inf(x, y).
Nous allons appliquer le thorme darrt la martingale Mt = exp
Xt (2/2)t
. On
ne peut pas appliquer le thorme darrt Ta (qui nest pas born). Cependant, si n est un
entier positif,Tan est encore un temps darrt (voir proposition 1.6), qui est born, on peut
donc appliquer le thorme darrt. On obtient ainsi :
E (MTan) =1.
8/13/2019 Calcul stochastique appliqu la finance
44/172
44 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
MaisMTan= eXTan
2
2 (Tan) exp(a). De plus, siTa< +, limn+ MTan= MTa
et si Ta= +, on a pour tout t,Xta, do limn+ MTan= 0. Le thorme de Lebesguedonne doncE(1{Ta< +}MTa ) =1, soit, commeXTa =a siTa< + :
E1{Ta< +}e
2
2 Ta
= ea.
En faisant tendre vers0 on obtient queP(Ta< +) =1(ce qui signifie que le mouvementbrownien atteint la valeurapresque srement) puis :
E
e
2
2 Ta
= ea.
On traite le casa < 0en remarquant que :
Ta= inf{s0, Xs= a} ,avec(Xt)t0qui est un Ft-mouvement brownien (car cest un processus continu accroisse-ments indpendants et stationnaires de moyenne nulle et de variance t).
Le thorme darrt permet aussi dobtenir des estimations pour le maximum dune martingale.
SiMtest une martingale, on peut borner le moment dordre 2de sup0tT|Mt|. Cette ingalitest connue sous le nom dingalit de Doob.
Thorme 3.7 (Ingalit de Doob) Si(Mt)0tTest une martingale continue, on a :
E
sup0tT
|Mt|2
4E(|MT|2).
La dmonstration de ce rsultat est donne dans lexercice 13.
4 Intgrale stochastique et calcul dIt
Dans le cas des modles temps discret, la valeur actualise dun portefeuille de valeur
initialeV0et gr selon la stratgie autofinance = (Hn)0nNscrit :
V0+
nj=1
Hj(Sj Sj1).
Cette valeur apparat comme unetransforme de martingalesous une probabilit pour laquelle
le prix de lactif actualis (Sn)0nN est une martingale. Dans le cas des modles temps
continu, nous allons gnraliser cette formule laide dintgrales du type t0
HsdSs.
Cependant les modles utiliss couramment pour dcrire lactif sont obtenus partir du
mouvement brownien. Or, une des proprits importantes du mouvement brownien est que
presque srement ses trajectoires sont nulle part diffrentiables. Autrement dit, si Xt est un
mouvement brownien, il nexiste pas de points t de R+ tels que dXtdt
ait un sens. On ne peut
donc pas dfinir lintgrale prcdente par :t0
f(s)dXs=
t0
f(s)dXs
ds ds.
On peut donner, cependant, un sens prcis ce type d intgrales par rapport au mouvement
brownien. Cest ce que nous allons faire dans ce paragraphe. On appelle ces intgrales des
intgrales stochastiques.
8/13/2019 Calcul stochastique appliqu la finance
45/172
Ch.3 MOUVEMENT BROWNIEN, QU. DIFF. STOCHASTIQUES 45
4.1 Construction de lintgrale stochastique
Soit (Wt)t0 un Ft-mouvement brownien standard sur un espace probabilis filtr(, A, (Ft)t0, P). Nous allons donner un sens
t0
f(s, )dWspour une classe de processus
f(s, )adapts la filtration(Ft)t0. On va commencer par construire lintgrale stochastiquesur un ensemble de processus ditslmentaires. Dans toute la suite, on fixe Tun rel strictement
positif et fini.
Dfinition 4.1 On appelleprocessus lmentaire(Ht)0tTun processus de la forme :
Ht() =
pi=1
i()1]ti1,ti](t)
o0 = t0< t1< . . . < tp= TetiestFti1-mesurable et borne.Lintgrale stochastique dun processus lmentaire H est alors, par dfinition, le processus
continu(I(H)t)0tTdfini par, sit]tk, tk+1]:I(H)t= 1iki(Wti Wti1) + k+1(Wt Wtk).
Notons queI(H)tpeut scrire :
I(H)t=1ip
i(Wtit Wti1t),
ce qui prouve la continuit de la fonction t I(H)t. On notera t0HsdWs pourI(H)t. On aalors le rsultat essentiel suivant :
Proposition 4.2 Si(Ht)0tTest un processus lmentaire :
t
0HsdWs0tT
est une Ft-martingale continue,
E
t0
HsdWs
2= E
t0
H2sds
,
E
suptT
t0
HsdWs
24E
T0
H2sds
.
Dmonstration : Pour dmontrer cette proposition nous allons utiliser des processus temps discret. En effet,
pour tablir quet
0HsdWs
est une martingale, il suffi t de prouver que, pour toutt > s:
E
t0
HudWu|Fs
=
s0
HudWu
Si lon ajoutesett la subdivision t0 =0 < t1 < . . . < tp =T, et si on poseMn = tn0 HsdWset Gn =Ftnpour0 n p, il suffi t de vrifi er que Mnest une Gn-martingale. Pour dmontrer ceci, remarquons que :
Mn =
tn0
HsdWs =
ni=1
i(Wti Wtii)
aveciqui estGi1-mesurable. Dautre partXn = Wtnest une Gn-martingale (en effet,(Wt)t0est un mouve-ment brownien). (Mn)n[0,p]apparat donc comme