Escolar Documentos
Profissional Documentos
Cultura Documentos
Alexis Fauth
Universit Lille I
Master 2 Mathmatiques et Finance
Spcialits Mathmatiques du Risque & Finance Computationelle
2014/2015
2 Taux dintrt 16
2.1 Zoologie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.1.1 Obligation zro-coupon . . . . . . . . . . . . . . . . . . . . . 16
2.1.2 Structure par termes . . . . . . . . . . . . . . . . . . . . . . 17
2.1.3 Taux dintrt forward . . . . . . . . . . . . . . . . . . . . . 17
2.1.4 Taux dintrt court terme . . . . . . . . . . . . . . . . . . . 18
2.1.5 Obligation coupons fixe . . . . . . . . . . . . . . . . . . . 19
2.1.6 Duration et convexit . . . . . . . . . . . . . . . . . . . . . . 19
2.1.7 Swap de taux dintrt . . . . . . . . . . . . . . . . . . . . . 20
2.1.8 Taux Libor . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.1.9 Convention de march . . . . . . . . . . . . . . . . . . . . . 24
2.1.10 Intrts courus, clean et dirty price . . . . . . . . . . . . . . 24
2
2.1.11 Cap et floor . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.1.12 Swaption . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.2 Modle de taux court . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.2.1 Valorisation dune obligation . . . . . . . . . . . . . . . . . . 27
2.2.2 Modle de Vasicek . . . . . . . . . . . . . . . . . . . . . . . 30
2.2.3 Modle de Cox-Ingersoll-Ross . . . . . . . . . . . . . . . . . 33
2.2.4 Gnralisation, modle de taux court un facteur . . . . . . 36
2.2.5 Modle de Hull and White . . . . . . . . . . . . . . . . . . . 37
2.2.6 Quelques modles . . . . . . . . . . . . . . . . . . . . . . . . 40
2.3 Modles multifactoriels . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.3.1 Fondations . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.3.2 Modle de Vasicek deux facteurs . . . . . . . . . . . . . . 43
2.3.3 Quelques modles . . . . . . . . . . . . . . . . . . . . . . . . 47
2.4 Pricing de drivs de taux . . . . . . . . . . . . . . . . . . . . . . . 50
2.4.1 Mesure forward . . . . . . . . . . . . . . . . . . . . . . . . . 50
2.4.2 Prix dune option sur une obligation . . . . . . . . . . . . . 51
2.4.3 Pricing de cap et floor . . . . . . . . . . . . . . . . . . . . . 54
2.4.4 Pricing de swaption . . . . . . . . . . . . . . . . . . . . . . . 56
2.4.5 Pricing dans le cas deux facteurs . . . . . . . . . . . . . . 60
2.5 Heath-Jarrow-Morton Framework . . . . . . . . . . . . . . . . . . . 62
2.5.1 Condition de non-arbitrage . . . . . . . . . . . . . . . . . . . 63
2.5.2 Formulation des taux court avec HJM . . . . . . . . . . . . 64
2.5.3 Taux forward de Vasicek . . . . . . . . . . . . . . . . . . . . 65
2.6 Courbe des taux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
2.6.1 Interpolation . . . . . . . . . . . . . . . . . . . . . . . . . . 66
2.6.2 Bootstraping . . . . . . . . . . . . . . . . . . . . . . . . . . 66
2.6.3 Familles de polynme exponentiel . . . . . . . . . . . . . . . 67
2.6.4 Mthodes utilises par pays . . . . . . . . . . . . . . . . . . 69
7 Rfrences 173
Modle de Taux
1.1.2 De gr fr
Un march de gr gr ou Other-The-Counter (OTC) est un march sur lequel
les transactions se font directement entre un acheteur et un vendeur. La principale
diffrence avec la bourse est donc quil nexiste pas de chambre de compensation
permettant dviter le risque de contrepartie. Les raisons de lexistence de cette
place sont multiples. Notons dj quune partie des socits qui y sont prsentes le
sont car elles sont trop petites, ne remplissent pas les critres pour tre cotes sur
les marchs organiss. De plus, comme les contrats sont tablis directement entre
les deux parties, cela permet dacheter (ou vendre) un produit correspondant bien
plus ses besoins, comme par exemple pour couvrir un risque de change. Par
construction, ce march est moins transparent que la bourse.
1.1.3 Acteurs
(Presque) nimporte qui peut intervenir sur les marchs financiers, nous pou-
vons tout de mme classifier les intervenants en 3 grandes catgories, les hedgers,
les spculateurs et les market makers. Pour les deux premires catgories, sans
grandes surprises, il sagit de gestionnaires intervenant respectivement pour se
couvrir dun certain risque et, pour tirer un profit suite une transaction. Les
market makers sont prsents pour assurer la liquidit du march. Ils offrent une
contrepartie tout acheteur ou vendeur sur certains titres souvent illiquides. Ces
agents sont en gnral rmunrs par les bourses qui souhaitent offrir leur client
le plus de liquidit possible.
Alexis Fauth 6
Modle de Taux
1.2.2 Indice
Un indice est un indicateur propos par une bourse pour valuer les perfor-
mances dun pays, dun secteur.
Citons quelques exemples parisiens. Le CAC 40 est le principal indice de la
bourse de Paris (Euronext Paris), initialement, lacronyme CAC signifiait Compa-
Alexis Fauth 7
Modle de Taux
On peut conclure cette courte prsentation en notant que le DJIA (Dow Jones
Industrial Average), indice des 30 plus grosses valeurs du NYSE et du NASDAQ,
tout comme le Nikki 225 Tokyo ne sont pas pondrs par la capitalisation
boursire de leurs composantes, mais par la valeur des actions. Le DJIA est le plus
vieil indice boursier au monde, 1896, il tait calcul la main toutes les heures,
on peut donc comprendre en partie pourquoi il est pondr ainsi.
Alexis Fauth 8
Modle de Taux
1.3.2 Tracker
Un tracker a pour but de rpliquer un produit financier bien prcis. Il peut
porter sur un indice actions, obligataire ou encore de matires premires. Si lon
prend lindice CAC 40, il nest bien sr pas possible dacheter du CAC 40, on
pourrait quand mme avoir en portefeuille toutes les composantes du CAC 40 en
prenant garde de bien ractualiser son portefeuille suite aux sorties et rentres
dans le CAC, davoir le mme montant que la pondration, cela peut savrer bien
compliqu. Lachat dun tracker sur le CAC 40, par exemple le Lyxor ETF CAC 40
Alexis Fauth 9
Modle de Taux
permet de simplifier tout cela en achetant un seul produit, au passage cela diminue
forcment les cots de commissions, les fees. Le SPDR S&P 500(Standard & Poors
Depositary Receipts), communment appel Spyder S&P 500, est naturellement le
tracker sur le S&P 500 et le SPDR Gold Trust qui rplique la performance de lor
physique sont les deux trackers les plus changs au monde avec des encours res-
pectifs de 76.5 et 77.5 milliards de dollars au 08/11. Les grants dun fond indiciel
(Exchange traded funds) sont tenus davoir en portefeuille toutes les composantes
de lindice en les pondrant, et pour le cas de lor, de stocker lquivalent en or
dans leurs coffres.
1.3.4 Option
Les options les plus connues sont le call et le put europens, donnant respec-
tivement le droit dacheter et le droit de vendre un actif sous-jacent une date
dtermine lavance, moyennant le versement dune prime. La diffrence entre
ces deux types de produits financiers avec les forward ou future est quils confrent
le droit, et non lobligation dexercer son contrat maturit. Ces deux premiers
exemples sont dit vanille. Les options exotiques sont plus complexes et la liste
complte serait trop longue citer ici. Rapidement, les options amricaines qui
donnent le droit dexercer son option nimporte quelle date entre le moment
dachat et la maturit ; loption bermuda qui donne le droit dexercer son contrat
plusieurs dates bien fixes ; une option asiatique paye la valeur moyenne du sous
jacent durant un certain intervalle de temps ; option lookback paye nimporte quel
prix atteint par laction au cours de la priode, on choisira naturellement celui qui
maximise le gain ; option as-you-like-this, donne le droit de choisir si elle deviendra
un call ou un put.
Alexis Fauth 10
Modle de Taux
1.3.5 Obligation
Une obligation est un titre de crance ngociable mis par une socit ou une
collectivit publique, principalement change sur les marchs de gr gr. Les pa-
ramtres rentrant dans le calcul dune obligation sont la date dmission, la date
dchance, le taux dintrt, la devise dans laquelle elle est mise et la priodicit
du coupon. Les modalits de remboursement et le mode de rmunration des pr-
teurs sont fixs contractuellement, la rmunration pouvant tre fixe ou variable,
indexe alors sur un taux dintrt et non sur le rsultat de lentreprise. La valeur
nominale permet le calcul des intrts (coupon) que lemprunteur sengage ver-
ser des chances fixes lavance. Le march obligataire est une des principales
raisons justifiant limportance des agences de rating, dont les trois principales sont
S&P, Moodys et Fitch. Le systme de notation de S&P va du fameux triple A :
AAA pour une forte capacit rembourser au C pour peu despoir de recouvre-
ment et D pour dfaut de paiement. On peut classifier ces produits en 4 catgories
bien distinctes :
Un Etat dans sa propre devise, emprunt dtat.
Un Etat dans une autre devise que la sienne, obligation souveraine.
Une entreprise du secteur public, un organisme public, une collectivit locale,
obligation du secteur public.
Une entreprise prive, une association, ou tout autre personne morale, obli-
gation corporate.
Nous prsentons maintenant un peu plus en dtail le cas des obligations dEtat
Amricaines. Les obligations plus courte chance sont les Treasury Bill (T-Bill)
avec une maturit allant de 1 mois 1 an. De la mme manire que les obligations
zro-coupons, ils ne versent pas dintrts avant lchance. Les maturits habi-
tuelles sont 1 mois, 3 mois ou 6 mois. Les T-Bills sont reconnus comme constituant
les obligations du trsor les moins risques aux tats-Unis par les investisseurs.
Les Treasury Notes (T-Notes) sont chances moyennes 2, 5 et 10 ans et leur
rmunration est assure par un coupon pay tous les six mois au souscripteur. La
T-Note chance de 10 ans est devenue la valeur la plus frquemment cite dans
les tudes des performances du march obligataire amricain.
Enfin, les obligations avec la plus grande maturit sont les Treasury Bond (T-
Bond), variant entre 10 et 30 ans ils sont galement rmunrs par un coupon
pay tous les six mois. Le revenu que les dtenteurs peroivent possde en outre
lavantage de ntre impos quau niveau fdral. Les quivalents Franais des
obligations courte, moyenne et longue maturit sont respectivement les BTF
Alexis Fauth 11
Modle de Taux
Alexis Fauth 12
Modle de Taux
Les actifs non risqus sont par exemple lor, les obligations misent par les plus
grandes puissances conomiques (et les plus saines !), leurs poids sont fixs 0. Les
banques des pays les puissants conomiquement ont un risque de 20%, etc. Lune
des raisons de lessor du risque management provient du comit de Ble lui mme.
En effet, en 1996, lexpansion des activits de trading au sein des firmes ont
pouss le comit publier un amendement [Ba96] proposant aux banques de soit,
utiliser un modle de contrle de risque propos par le rapport (mthode de mesure
standardis) soit, de dvelopper en interne un modle. Bien entendu, ce modle
doit se plier certaines rgles. Les mthodes standardises sont diffrentes selon
la classe dactif regard, taux dintrt, equity, commodities ou Forex. Les obliga-
tions ont un risque prdfini selon la maturit et le pays, les ETF sur indice un
risque de 2%, une certaine mthodologie pour la couverture en delta et en gamma
est propose, etc. Pour que le modle interne soit ligible, il faut naturellement
quune quipe de risk management soit mise en place. Un back test robuste doit
tre implment, au minimum sur un an. Les stress tests doivent tre suffisamment
complets pour couvrir des vnements extrmes, ils doivent tre la fois quantita-
tifs et qualitatifs, incorporer les risques march ainsi que de liquidit. Des calculs
de Var avec un indice de confiance de 99% doivent tre fait quotidiennement, etc.
Il est possible davoir quelque chose de bien moins contraignant en faisant soit
mme son modle, tout en respectant les recommandations du rapport que duti-
liser lapproche standardise, cest pourquoi les quipes de risk management ont
considrablement gonfl depuis lors.
Alexis Fauth 13
Modle de Taux
Hormis les exigences accrues, nous pouvons noter lintroduction dun ratio de levier
devant tre suprieur 6%,
Capitaux propres
> 6%.
Dette
En plus des provisions en cas de risque de dfaut dune contrepartie, les banques
doivent pouvoir couvrir le risque de perte mark-to-market sur le risque de contre-
partie attendu dun driv OTC. Il sagit des pertes CVA (Credit Value Adjust-
ments).
Le deuxime amendement porte sur le risque de liquidit. Le but annonc du
ratio de couverture en liquidit (LCR) est de permettre une rsistance court
terme du risque de liquidit des banques. Il sagit davoir un stock dactifs non
gel et suffisamment liquide pour pouvoir tre converti instantanment en cash
pour couvrir une perte nette de trsorerie durant 30 jours. Le NSFR (taux net
de financement stable) est le rapport entre le montant de financement stable par
rapport au montant de financement stable requis sur un 1 an, il doit tre suprieur
1.
1.5 Risques
Tout comme les actions, lachat dune obligation dEtat ou dentreprise com-
porte des risques. Nous pouvons lister certains de ces diffrents risques :
Risque de taux dintrt
Risque de crdits
Risque dinflation
Risque de crdit
Risque de taxe
Risque de rgulation.
Alexis Fauth 14
Modle de Taux
terme du contrat, une variation peut donc amener une perte de capital. Ce
risque de taux dintrt est mesur par la duration.
Alexis Fauth 15
Modle de Taux
2 Taux dintrt
2.1 Zoologie
2.1.1 Obligation zro-coupon
Un dollar daujourdhui vaudra toujours plus quun dollar de demain. Un zro-
coupon de maturit T , est un titre versant 1 dollar la date T . La valeur faciale (ou
nominal) de lobligation est N = 1$. Nous noterons B(t, T ) le prix du zro-coupon
de maturit T linstant t , et donc, B(T, T ) = 1. Nous supposerons toute la suite
que le prix de lobligation B(t, T ) est processus positif strictement et adapt sur
un espace de probabilit filtr (, F, P).
Alexis Fauth 16
Modle de Taux
B(t, T2 )
= ef (t,T1 ,T2 )(T2 T1 ) , t T1 T2 . (2.3)
B(t, T1 )
En dautres termes, il est donc donn par
1 B(t, T2 )
f (t, T1 , T2 ) = ln . (2.4)
T2 T1 B(t, T1 )
Il sagit du taux forward continu. Non continu, il scrit naturellement,
!
1 B(t, T1 )
f (t, T1 , T2 ) = 1 , (2.5)
T2 T1 B(t, T2 )
Alexis Fauth 17
Modle de Taux
ln B(t, T + T ) ln B(t, T ) 1 B
F (t, T ) = lim = (t, T ) (2.6)
t0 T B(t, T ) T
Il sagit donc du rendement marginal obtenu en conservant un court instant sup-
plmentaire lobligation. En intgrant (2.6), nous obtenons le prix de lobligation
en fonction du taux forward instantan,
Z T !
B(t, T ) = exp F (t, u)du (2.7)
t
Alexis Fauth 18
Modle de Taux
en passant la limite t 0,
[T /t] Z t
X
B(0, T ) = exp rit du
i=1 (i1)t
Z T !
= exp ru du .
0
Ainsi, !
Z T
B(t, T ) = exp ru du . (2.11)
t
Alexis Fauth 19
Modle de Taux
La structure dun swap de taux est donne par la suite dintervalles [T1 , T2 ], ,
[Tn1 , Tn ] tel que Ti Ti1 = i , i une constante connue lavance, Tn la maturit
du swap, un taux fixe, et, le nominal N . Nous notons i , i = 2, , n, et non ,
en effet, bien que les dates de versement arrivent intervalles rguliers, tous les 6
mois par exemple, nous navons pas exactement le mme nombre de jours entre le
i-me 6mois et le i + 1-me 6mois, simplement du fait du nombre de jours dans un
mois (mois de fvrier) ainsi que du nombre de jours fris.
Alexis Fauth 20
Modle de Taux
Il reste savoir comment dterminer la valeur juste (fair value) du taux fixe .
En supposant que tous les coupons B(t, Ti ) soient dtermins par le march, la
valeur de est donne par lquilibre de (2.16), St = 0. Alors,
B(t, T0 ) B(t, Tn )
Rswap (t) = Pn , 0 t T0 .
i=1 i B(t, Ti )
Rswap (t) est appel le taux swap forward. Il est possible dexprimer le payoff dun
swap ainsi que la valeur dquilibre de , Rswap , cela pourra servir pour pricer les
swaptions. En revenant (2.15) et en utilisant encore (2.5), nous avons comme
cashflow du swap linstant t,
avec comme poids wi (t) = B(t, Ti )/ nj=1 B(t, Tj ). Ces poids sont alatoires, mais
P
Alexis Fauth 21
Modle de Taux
1 B(t, S)
f (t, T, S) = ln . (2.18)
T S B(t, T )
Sur le march Libor, les forward L(t, T, S), pour un prt sur [T, S], sont donns
la diffrence de (2.18) par,
B(t, T )
1 + (S T )L(t, T, S) = .
B(t, S)
Ainsi, !
1 B(t, T )
L(t, T, S) = 1 , 0 t T < S. (2.19)
ST B(t, S)
Il sagit en fait de la limite du taux forward instantan,
1 B(t, T )
F (t, T ) =
B(t, T ) T
B(t, S) B(t, T )
= lim
ST (S T )B(t, S)
Alexis Fauth 22
Modle de Taux
4
3
%
2
1
0 5 10 15 20 25
Annes
n
1 X
S(t, T1 , Tn ) = (Ti Ti1 )B(t, Ti )L(t, Ti1 , Ti )
B(t, T1 , Tn ) i=2
n
!
1 X B(t, Ti1 )
= B(t, Ti ) 1
B(t, T1 , Tn ) i=2 B(t, Ti )
n
(2.20)
1 X
= (B(t, Ti1 ) B(t, Ti ))
B(t, T1 , Tn ) i=2
B(t, T1 ) B(t, Tn )
= .
B(t, T1 , Tn )
Notons pour conclure cette section que le swap de taux LIBOR peut tre vu
Alexis Fauth 23
Modle de Taux
Alexis Fauth 24
Modle de Taux
Autrement dit, le clean price est le prix auquel on achte le coupon linstant
t (Ti1 , Ti ]. Le dirty price est le prix incluant les intrts courus,
Le cap garanti son dtenteur une protection contre la hausse des taux dintrets.
Le taux payer ne sera jamais suprieur au strike . On peut montrer que les
cashflow (2.21) linstant Ti sont proportionnels aux cashflow dun put linstant
Ti1 sur une obligation de maturit Ti et de strike 1/(1 + i ) soit,
+
1
(1 + i ) P (Ti1 , Ti ) .
1 + i
Ce lien est trs important puisquil permet de pricer des caps en utilisant les
formules de pricing dobligation que nous dvelopperons plus tard. De plus, nous
voyons bien quun cap est un pari la baisse des taux comme voqu prcdement.
Un floor est linverse dun cap. Comme pour un cap, un floor est une bandelette
de floorlets, de cashflow linstant t donn par,
Il existe un quivalent la relation de parit call-put pour les caps et les floors,
Alexis Fauth 25
Modle de Taux
Cpt Flt = St .
o St est la valeur du swap linstant t de taux , de nominal 1 et de mme
discrtisation T0 < T1 < Tn que le cap et le floor.
B(0, T0 ) B(0, Tn )
= Rswap (0) = Pn .
i=1 i B(0, Ti )
le taux swap forward. On dira que le cap (floor) est lintrieur de la monnaie
si < Rswap (0) ( > Rswap (0)) et lextrieur de la monnaie si > Rswap (0)
( < Rswap (0))
2.1.12 Swaption
Une swaption est une option sur swap donnant le droit de vendre, put swaption
ou dacheter, call swaption, une maturit fixe T , un prix fix lavance, le
strike.
Notons que comme p (T0 , Rswap (T0 )) = 0, nous pouvons rcrire le payoff (2.22)
du call swaption,
n
N i (Rswap (T0 ) )+
X
B(T0 , Ti ),
i=1
et du put swaption,
n
+
X
N i ( Rswap (T0 )) B(T0 , Ti ).
i=1
Alexis Fauth 26
Modle de Taux
Alexis Fauth 27
Modle de Taux
Nous avons une premire mthode de pricing des zros-coupons que nous ap-
pellerons lapproche par martingale. Comme pour le cas du modle de Black &
Scholes, nous pouvons aussi obtenir une EDP reliant les prix, donc des zros-
coupons cette fois ci. Supposons pour le moment une dynamique gnrale du taux
spot sous la probabilit historique P,
drt = r (t, r)dt + r (r, t)dWt (2.24)
avec (Wt )tR+ un mouvement Brownien standard et r et r deux fonctions vri-
fiant les conditions de Cauchy-Lipschiz. r est classiquement le drift du processus
(rt )tR+ et r sa volatilit. Le prix zro-coupon linstant t est une fonction de
t, r et de T , B(t, T ) = B(t, r, T ). Le prix B est une fonction relle, suppose
suffisamment rgulire et de classe C 2 afin de pouvoir appliquer le lemme dIt,
!
B B 1 2 2 B B
dB(t, T ) = + r + r 2 (t, r, T )dt + r (t, r, T )dWt
t r 2 r r (2.25)
=B(t, T )B (t, r, T )dt + B(t, T )B (t, r, T )dWt
avec, !
1 B B 1 2 2 B
B (t, r, T ) = + r + r 2 (t, r, T )
B(t, r, T ) t r 2 r
(2.26)
1 B
B (t, r, T ) = r (t, r) (t, r, T ).
B(t, r, T ) r
Comme prcdemment, nous allons travailler sous probabilit risque neutre Q.
Daprs le thorme de Girsanov, nous supposons alors lexistence de la prime de
risque, fonction du temps et du taux spot, ((t, r))(t,r)R+ R , tel que,
Z t
Wt = Wt + (s, r)ds
0
Alexis Fauth 28
Modle de Taux
Notons quil est possible de retrouver lEDP des taux sans faire intervenir
explicitement la probabilit risque-neutre Q. Les taux dintrts ntant pas un
titre ngoci proprement parler, nous ne pouvons pas le couvrir avec le titre,
comme avec le sous-jacent dune option sur equity. Nous allons donc supposer que
nous achetons un zro-coupon de valeur V1 et de maturit T1 et que nous shortons
un autre zro-coupon de valeur V2 de maturit T2 . La valeur du portefeuille est
alors,
V = V1 V2 .
En conservant la dynamique (2.25), nous avons,
B (t, r, T2 ) B (t, r, T1 )
V1 = V and V2 = V.
B (t, r, T2 ) B (t, r, T1 ) B (t, r, T2 ) B (t, r, T1 )
B (t, r, T1 ) rt B (t, r, T2 ) rt
= .
B (t, r, T1 ) B (t, r, T2 )
Lquation est valide quelle que soit la maturit Ti et nous noterons la quantit ,
Alexis Fauth 29
Modle de Taux
B (t, r) r
= (t, r).
B (t, r)
Pour conclure, nous navons qu remplacer les valeurs de et des quations
(2.26) pour obtenir lEDP des taux,
B B 1 2 2 B
+ (r r ) + r 2 rB = 0.
t r 2 r
Une application directe du thorme de Feyman-Kac (voir Appendix, 6.2.3)
avec la condition terminale de notre prix (XT ) = B(T, r, T ) = 1, nous donne
directement,
Z T !
B(t, T ) = EQ exp( rs ds)Ft .
t
Nous avons deux mthodes de pricing de zro coupon avec taux spot, soit en
rsolvant lEDP des taux, (2.29), soit, par le calcul de lesprance conditionnelle
sous Q (2.23).
Alexis Fauth 30
Modle de Taux
20
20
15
15
10
10
5
5
0
5
0
0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0
Figure 2 2*3 trajectoires dun processus dOrnstein-Uhlenbeck avec mme valeur dquilibre
= 0. A gauche, 3 forces de retour la moyenne diffrente et a droite, 3 volatilits diffrentes.
Preuve 2.1. Posons f (x, t) = et rt . Il est clair que la fonction est C 2 , nous
pouvons appliquer le lemme dIt,
df (x, t) = et rt dt + et drt
= et dt + et dWt .
Alexis Fauth 31
Modle de Taux
En intgrant, Z t
et rt = r0 + (1 et ) + es dWs
0
Z t (2.33)
t (ts)
rt = + (r0 )e + e dWs .
0
On remarque que rt est alors un processus gaussien sous Q (en supposant que
2
r0 est gaussien) de moyenne + (r0 )et et de variance 2 (1 e2t ). De plus,
on peut montrer quil est stationnaire.
RT
Pour valoriser un zro-coupon, nous avons besoin de calculer t rs ds. Un moyen
simple est dintgrer (2.31)
Z T Z T Z T
drs = ( rs )ds + dWs
t t t
Z T Z T
rT rt = rs ds + (T t) + dWs
t t
Z T Z T
rs ds = rt rT + (T t) + dWs
t t
Ft , on est donc invit utiliser la transforme de Laplace. On sait que pour toute
variable X N (, 2 )
1
E(ezX ) = exp z + z 2 2 .
2
Les deux premiers moments conditionnels sont,
Alexis Fauth 32
Modle de Taux
1 e(T t)
Z T !
E rs dsFt = (T t) + ( rt )
t
!2
1 e(T s)
Z T ! Z T
Var rs dsFt = E dBs Ft
t t
!2
Z T
1 e(T s)
= 2E dsFt
t
!2
2
Z T
1 e(T s)
= ds
t
1 e(T t)
!
2 2 2
= 3 1 e(T t) + 2 T t .
2
(2.35)
Sous la dynamique dOrnstein-Uhlenbeck (modle de Vasicek), le prix dun
zro-coupon de maturit T est,
( Z T ! !)
1 Z T
B(t, T ) = exp E rs dsFt + Var rs dsFt
t 2 t
1 e(T t)
( )
2 2
= exp R (T t) + (R rt ) 3 1 e(T t) ,
4
(2.36)
2
o R = 22 . La courbe des taux linstant t est quant elle,
1
R(t, T ) = ln B(t, T )
T t
(2.37)
1 e(T t) 2 2
= R + (R rt ) 3 1 e(T t) .
(T t) 4 (T t)
Alexis Fauth 33
Modle de Taux
drt = ( rt )dt + rt dWt .
Il est possible de montrer que si 2 > 2 , alors, la solution natteint pas 0, dans ce
cas, le drift de lquation est suffisamment important pour contraindre la diffusion
datteindre 0.
Sous probabilit risque neutre, en prenant t = rt comme prime de risque,
soit, dWt = dWt + rt dt, nous obtenons,
drt = ( rt )dt + rt dWt
avec = + et = +
. En crivant lEDP des taux pour cette diffusion,
nous obtenons
B B 1 2 B 2
+ ( r) + r 2 rB = 0.
t r 2 r
Pour pouvoir rsoudre cette EDP, on pose lansatz,
B(t, T, r) = A(T t)eC(T t)r . (2.38)
Ainsi, en notant = T t et en remplaant dans lEDP prcdente,
1
A0 ( ) + A( )C 0 ( )r ( r)A( )C( ) + 2 rA( )C 2 ( ) rA( ) = 0.
2
En galisant zro les coefficients du polynme en r (rt est donn par le march,
il ny a donc pas lieu de vouloir modifier sa valeur et de plus nous avons suppos
que les fonctions A et C ne dpendent que de ), nous obtenons,
1 2 2
C 0 ( ) + C( ) +
C ( ) 1 = 0
2 (2.39)
A0 ( ) A( )C( ) = 0
La premire des deux quations est une quation de Riccati, il est donc tout
fait possible de lui trouver une solution, que lon rinjecte dans lquation 2
pour dterminer A. Notons galement que nous avons pour condition terminale
B(T, r, T ) = 1, soit, A(0) = 1 et C(0) = 0. En notant = 2 + 2 2 , la solution
gnrale est,
! 22
2e (+)/2 2(e 1)
A( ) = , C( ) = .
( + )(e 1) + 2 ( + )(e 1) + 2
Alexis Fauth 34
Modle de Taux
u = 1 er1 + 2 er2
1 r1 er1 + 2 r2 er2
C( ) = .
12 2 (1 er1 + 2 er2 )
1 r2
= .
2 r1
En injectant cela
r2 er1 + r2 er2
!
2
C( ) = 2 r2 r1
r1
e + er2
e 1
!
r2
=2 2 r2
r1
+ e
Alexis Fauth 35
Modle de Taux
o nous avons pos = 2 + 2 2 . Enfin, aprs quelques simplifications, nous
avons le rsultat voulu
2(e 1)
C( ) = .
( + )(e 1) + 2
Pour dterminer A, il faut un peu travailler pour arriver une forme du type
f 0 ( )/f ( ) + cst o f est une fonction que je laisse le lecteur dterminer.
Alexis Fauth 36
Modle de Taux
Il est toujours tentant de laisser plus de flexibilit aux paramtres, donc dcrire
(t) et (t) au lieu de et . Nanmoins, une consquence importante est que la
volatilit de la courbe des taux devient en gnral non stationnaire et volue de
manire totalement imprvisible. Hull et White eux-mmes dans un papier parlent
dun risque de sur-paramtrisation du modle si on laisse trop de libert. Le modle
de Hull et White est en fait,
Alexis Fauth 37
Modle de Taux
B B 2 B 2
+ ((t) r) + rB = 0,
t r 2 r2
avec (t) = (t) (en dautres termes nous avons pris tel que dB = dB dt).
Comme prcdemment, nous supposerons que le prix du zro-coupon est de la
forme,
Z T
2 Z T 2
(u)C(u, T )du = C (u, T )du ln B(r, t, T ) rC(t, T ). (2.41)
t 2 t
En diffrentiant le terme de droite,
ZT Z T
(u)C(u, T )du = (u)C(u, T )|u=T + (u) C(u, T )du
T t t T
Z T
= (u)e(T u)du ,
t
Alexis Fauth 38
Modle de Taux
Z T
(T u) 2 Z T
(u)e du = (1e(T u) )e(T u) du ln B(r, t, T )re(T t) .
t t T
Il ne reste plus qu supprimer le terme e(T u) . On injecte lquation (2.41) en
la multipliant par . Aprs quelques calculs, on obtient,
Z T
2 Z T
(u)du = (1 e2(T u) )du ln B(r, t, T ) ln B(r, t, T ) r.
t 2 t T
En diffrentiant une nouvelle fois lquation, on arrive au rsultat voulu,
2 2
(T ) = (1 e2(T t) ) ln B 2 (r, t, T ) ln B(r, t, T )
2 T T
La volatilit du prix de lobligation, donne par (2.26), dans le cadre du modle
de Hull and White est,
B
B (t, T ) = = C(t, T ) = (1 e(T t) ).
r
Pour dterminer la diffusion du prix de lobligation, nous navons plus qu
appliquer le lemme dIt (2.38),
dB(r, t, T )
= rdt (1 e(T t) )dWt .
B(r, t, T )
Il est galement possible de trouver la solution par martingale.
Rappelons que la diffusion de Hull and White est,
Alexis Fauth 39
Modle de Taux
Z T
1 e(T t) Z T Z u
r(u)du =rt + (s)e(us) dsdu
t t t
Z TZ u
+ e(us) dWs du
t t
1 e(T t) Z T 1 e(T t)
=rt + (s) ds
t
Z T
+ (1 e(T s) )dWs .
t
Il est clair que la moyenne et variance sont donnes par,
1 e(T t) Z T 1 e(T s)
Z T !
E ru du = rt + (s) ds,
t t
Z T 2
RT
(T s) 2
V e t ru du = 1 e ds
t 2
1
RT RT
= exp E e t
ru du
+ V e t ru du
2
1 e(T t) Z T
1 e(T s)
= exp rt + (s) ds
t
Z T 2 !
1 (T s) 2
+ 1e ds .
2 t 2
Alexis Fauth 40
Modle de Taux
Notons enfin un point qui peut paratre secondaire mais finalement non, le modle
de B&S a une formule ferme pour la pricing doption, ce qui est loin dtre le cas
des principaux modles concurrents, plus fidles la ralit des marchs.
Vasicek (77) : R
drt = ( rt )dt + dWt .
Longstaff (89) : R+
drt = ( rt )dt + rt dWt
Cox-Ingersoll-Ross (85) : R+
drt = ( rt )dt + rt dWt .
Dothan (78) : R+
drt = rt dt + rt dWt .
Black-Derman-Toy (90) : R+
Ho-Lee (86) : R
drt = (t)dt + dWt .
Hull and White (90) : R
Alexis Fauth 41
Modle de Taux
obligations diffrentes maturits. Il est clair que dans chaque cas, nous avons la
corrlation dun zro coupon de maturit T et S gale 1. Sur le tableau (1), la
corrlation entre des obligations franaises diffrentes maturits.
De plus, les modles un facteur ont fait lobjet de plusieurs critiques. Les
modles narrivent pas reproduire la ralit empirique du march. Dun point de
vue thorique, il semble absurde de vouloir tout expliquer par la simple diffusion
du taux court rt . Les surfaces de volatilit des taux forward sont difficilement re-
productibles sans avoir un modle trs compliqu pour le taux court.
Alexis Fauth 42
Modle de Taux
dxit = it dt + ti dWti .
Dans le cas o les W i sont des mouvements Brownien indpendants, nous avons
simplement comme formule de pricing de zro-coupon
RT
B(t, T ) = E e t
rs ds
F t
R T Pn
xis ds
= E e t i=1 F t
n RT
xis ds
Y
= E e t F t .
i=1
rt = xt + yt
avec
dxt = x xt dt + x dWtx
(2.43)
dyt = y yt dt + y dWty ,
o (W x , W y ) est un mouvement Brownien bi-dimensionnel tel que
hdWtx dWty i = dt
avec [1, 1]. Nous supposerons enfin que x , y , x et y sont des constantes
positives. Les processus (xt )tR+ et (yt )tR+ sont deux processus de Ornstein Ul-
henbeck.
Alexis Fauth 43
Modle de Taux
Lemme 2.1. Pour tout t T , la quantit I(t, T ) donne par (2.45) est
gaussien conditionnellement Ft de moyenne M (t, T ) et de variance V (t, T ) res-
pectivement donnes par
1 ex (T t) 1 ey (T t)
M (t, T ) = xt + yt
x y
et
2 2 1 2x (T t) 3
V (t, T ) = x2 T t + ex (T t) e
x x 2x 2x
2
" #
y 2 y (T t) 1 2y (T t) 3
+ 2 T t+ e e
y y 2y 2y
ex (T t) 1 ey (T t) 1 e(x +y )(T t) 1
" #
x y
+ 2 T t+ +
x y x y x + y
Preuve 2.3. Il est possible de reprendre les calculs fait pour le cas du modle
un facteur (2.32). Nous proposons ici une autre preuve du calcul de tT rs ds et
R
Alexis Fauth 44
Modle de Taux
avec
Z T Z T Z T Z u
(T t)dxu = xt (T u)ex (ut) du + x (T u) ex (us) dWsx du.
t t t t
ex (T u) 1
Z T !
= (T u) + dWux ,
t x
o pour la dernire tape nous avons utilis le fait que
Z T
(T u)ex u ex T ex u
(T u)ex v dv = + .
u x 2x
Ainsi Z T
1 ex (T t) x Z T
xu du = xt + 1 ex (T u) dWux .
t x x t
Nous obtenons un rsultat tout fait symtrique pour y
Z T
1 ey (T t) y Z T
yu du = yt + 1 ey (T u) dWuy .
t y x t
Alexis Fauth 45
Modle de Taux
Notons enfin quil est possible aprs quelques calculs de montrer que
Cor(dF (t, T1 ), dF (t, T2 )) x2 ex (T1 +T2 2t) + y2 ey (T1 +T2 2t)
=
dt F (t, T1 )F (t, T2 )
x y ex (T1 +T2 2t) + ey (T1 +T2 2t)
+ ,
F (t, T1 )F (t, T2 )
qui est en gnral diffrent de 1.
Alexis Fauth 46
Modle de Taux
dqt = q dt + q dWtq
dt = dt + dWt
B B B r2 2 B `2 2 B 2B
+(r r r ) +(` ` ` ) + + + r ` rB = 0
t r ` 2 r2 2 `2 r`
(2.48)
avec toujours comme condition terminale B(T, T ) = 1. Les primes de risque
des taux courts et des taux longs, respectivement r et ` vrifient
Alexis Fauth 47
Modle de Taux
avec
B B B r2 2 B `2 2 B r2 2 B
B = + r + ` + + + r `
t r ` 2 r2 2 `2 2 r`
B
B,r = r
r
B
B,` = ` .
`
Le problme de ce modle, est que lquation (2.48) nadmet pas de solution
explicite en tant que tel, elle doit tre rsolue numriquement. Brennan et
Schwartz, [BrSc82], ont par la suite choisi une forme spcifique pour le drift
et la volatilit
drt = (a1 + b1 (`t rt ))dt + 1 rt dWt1
d`t = `t (a2 + b2 rt + c2 `t )dt + 2 `(t)dWt2
Alexis Fauth 48
Modle de Taux
prend la forme
dB(t, T ) = B(t, T )((Xt + Yt )dt + Y dWt )
avec (Xt )tR+ et (Yt )tR+ deux facteurs conomiques correspondants respec-
tivement la valeur du rendement espr et, la corrlation par rapport aux
variations de prix. La dynamique choisie est
q
dXt = (a bXt )dt + c Xt dWtX
q
dYt = (d eYt )dt + f Yt dWtY ,
o (WtX )tR+ et (WtY )tR+ sont deux mouvements Brownien non corrls
et lensemble des constantes sont prises positives strictement. Les auteurs
montrent quil est possible dexprimer les deux quantits Xt et Yt en fonction
de rt et vt
rt = Xt + Yt
vt = 2 Xt + 2 Yt
avec = c2 et = ( 2 )f 2 , ainsi, rt et vt sont positifs. Les variables
conomiques sont alors donnes par
rt vt
Xt =
( )
vt rt
Yt = .
( )
Au prix de quelques calculs, il est cette fois possible de trouver une solution
explicite pour la valorisation dun zro-coupon ainsi quune option sur zro-
coupon. Nanmoins, la solution finale comporte normment de paramtres,
donc, compliqu estimer de manire efficace.
Chen propose un modle trois facteurs, le taux court (rt )tR+ , sa moyenne
stochastique (t )tR+ et sa volatilit stochastique (vt )tR+ .
q
drt = (t rt )dt + (t) rt dWtr
dt = ( t )dt + dWt
dt = ( t )dt + dWt ,
Alexis Fauth 49
Modle de Taux
R Ti
rs ds
E (X)e t Ft = B(t, Ti )EQi ((X)|Ft ), 0 t T. (2.49)
Pour pouvoir utiliser lquation (2.49), il pourrait tre utile dcrire les dynamiques
de rt , f (t, T, S) et B(t, T ) sous la mesure forward Qi .
Alexis Fauth 50
Modle de Taux
est un mouvement Brownien standard sous la mesure forward Qi pour tout le tenor
i = 1, , n. La dynamique du prix de lobligation sous Qi est
dB(t, Ti )
= (rt + i2 (t))dt + i (t)dWti , 0 t Ti , i = 1, , n.
B(t, Ti )
dB(t, Ti ) Z Ti
= rt dt + e(Ti u) dudWti
B(t, Ti ) t
= rt dt (1 e(Ti t) )dWti , 0 t Ti .
Ainsi
i (t) = (1 e(Ti t) ), 0 t Ti .
La diffusion de (rt )tR+ sous Qi est
2
drt = ( rt )dt (1 e(Ti t) )dt + dWti
et la diffusion du prix de lobligation sous Qi est
dB(t, Ti ) 2
= rt dt + 2 (1 e(Ti t) )2 dt (1 e(Ti t) )dWti .
B(t, Ti )
Alexis Fauth 51
Modle de Taux
Alexis Fauth 52
Modle de Taux
Et donc
!
B(u, Tj ) B(t, Tj ) Z Ti
i 1 Z Ti 2
= exp (j (s) i (s))dWs (j (s) i (s)) ds
B(u, Ti ) B(t, Ti ) 0 2 0
R Ti
E e t
rs ds
(B(Ti , Tj ) )+ |Ft
! !
B(t, Tj ) R Ti (j (s)i (s))dWsi 21 R Ti (j (s)i (s))2 ds
= B(t, Ti )Ei e0 0 |Ft
B(t, Ti ) +
! !
B(t, Tj ) X(t) 1 v2 (t,Ti ,Tj )
= B(t, Ti )Ei e 2 |Ft
B(t, Ti ) +
!
B(t, Tj ) X(t) 1 v2 (t,Ti ,Tj )
= B(t, Ti )Ei e 2 1D |Ft B(t, Ti )Pi (D|Ft )
B(t, Ti )
= I1 I2 .
Alexis Fauth 53
Modle de Taux
Pour calculer I1 nous avons besoin dintroduire la densit de probabilit LTi dfinie
par : !
Z Ti
i 1 Z Ti 2
LTi = exp (j (s) i (s))dWs (j (s) i (s)) ds
0 2 0
1 2
= exp X v (t, Ti , Tj )
2
Alors siRPi dsigne la probabilit de densit LTi par rapport Pi , nous avons X(t) =
X(t) 0t (j (s) i (s))ds et donc,
!
B(t, Tj ) X(t) 1 v2 (t,Ti ,Tj )
I1 = B(t, Ti )Ei e 2 1D |Ft
B(t, Ti )
= B(t, Tj )Pi D|Ft
!
v 1 B(t, Tj )
= B(t, Tj ) + log .
2 v B(t, Ti )
Alexis Fauth 54
Modle de Taux
o
log(L(t, Ti , Ti+1 )/) i2 (t)(Ti t)/2
d = ,
i (t) Ti t
et
1 Z Ti
i2 (t) = i (s)ds.
Ti t t
Preuve 2.7. Comme prcdemment, sous la mesure Ti+1 -forward, nous avons,
R Ti+1
E (Ti+1 Ti )e t (L(Ti , Ti , Ti+1 ) )+ |Ft
= (Ti+1 Ti )B(t, Ti+1 )Ei+1 [(L(Ti , Ti , Ti+1 ) )+ |Ft ]
= (Ti+1 Ti )B(t, Ti+1 )Bl(, L(t, Ti , Ti+1 ), i (t), 0, Ti t)
Bl(, x, , r, ) = x(d+ ) er (d )
et
1 Z Ti 2
i2 (t) = i (s)ds.
Ti t t
De la mme manire que pour le cas dun call ou dun put, nous pouvons
valoriser un floorlet en calculant laide la formule de Black & Scholes pour tout
t [0, Ti ]
R Ti+1
E (Ti+1 Ti )e t ( f (Ti , Ti , Ti+1 ))+ |Ft
= (Ti+1 Ti )B(t, Ti+1 )Ei+1 [(f (Ti , Ti , Ti+1 ) )+ |Ft ] .
Alexis Fauth 55
Modle de Taux
Le pricing dun cap se dduit simplement du rsultat obtenu pour les caplets (2.52)
"n1 R Ti+1 #
X
Cpt = E (Ti+1 Ti )e t ( f (Ti , Ti , Ti+1 ))+ |Ft
i=1
n1 R Ti+1
X
= (Ti+1 Ti )E e t ( f (Ti , Ti , Ti+1 ))+ |Ft
i=1
n1
X
= (Ti+1 Ti )B(t, Ti+1 )Ei+1 [( f (Ti , Ti , Ti+1 ))+ |Ft ] .
i=1
Dans le cadre du modle BGM, nous obtenons donc pour tout t [0, T1 ]
n1
X
Cpt = (Ti+1 Ti )B(t, Ti+1 )Bl(, L(t, Ti , Ti+1 ), i (t), 0, Ti t).
i=1
Alexis Fauth 56
Modle de Taux
Egalement,
dQi,j|Ft R Ti B(Ti , Ti , Tj )
= e 0 rs ds , 0 t Ti+1
dQ|Ft B(t, Ti , Tj )
Nous pouvons aussi montrer que le processus
B(t, Tk )
vki,j (t) :=
B(t, Ti , Tj )
est une Ft -martingale sous Qi,j . Ainsi, le taux swap
B(t, Ti ) B(t, Tj )
S(t, Ti , Tj ) = = vii,j (t) vji,j (t), 0 t Ti
B(t, Ti , Tj )
est une martingale sous Qi,j .
Comme pour les cap et floor, nous allons considrer une swaption sur le taux
Libor L(t, T, S). Cela va nous permettre de rcrire le payoff (2.54) en fonction du
taux forward swap Rswap (Ti , Ti , Tj ).
Alexis Fauth 57
Modle de Taux
Lemme 2.2. Le payoff dune swaption sur le taux Libor L(t, T, S) peut
scrire sous la forme
j1
X
(Tk+1 Tk )B(Ti , Tk+1 )(L(Ti , Tk , Tk+1 ) )
k=1 +
= B(Ti , Ti , Tj )(Rswap (Ti , Ti , Tj ) )+ .
Preuve 2.8. Le taux forward swap Rswap est donn par la relation dquilibre
j1
X
(Tk+1 Tk )B(t, Tk+1 )(L(t, Tk , Tk+1 ) Rswap (t, Ti , Tj )) = 0.
k=1
Nous avons ainsi
j1
X j1
X
(Tk+1 Tk )B(t, Tk+1 )L(t, Tk , Tk+1 ) = Rswap (t, Ti , Tj ) (Tk+1 Tk )B(t, Tk+1 )
k=1 k=1
= Rswap (t, Ti , Tj )B(t, Ti , Tj ).
Donc
j1
X
(Tk+1 Tk )B(t, Tk+1 )(L(t, Tk , Tk+1 ) ) = B(t, Ti , Tj )(Rswap (t, Ti , Tj ) ),
k=1
en particulier pour t = Ti
j1
X
(Tk+1 Tk )B(Ti , Tk+1 )(L(Ti , Tk , Tk+1 ) )
k=1 +
= B(Ti , Ti , Tj )(Rswap (Ti , Ti , Tj ) )+ .
Proposition 2.5. Le prix de la swaption (2.54) peut se rcrire comme un
call europen sur le taux swap forward Rswap sous la mesure forward-swap Qi,j
B(t, Ti , Tj )Ei,j ((Rswap (Ti , Ti , Tj ) )+ ) , 0 t Ti .
Preuve 2.9. En appliquant lquation (2.53) et le lemme (2.2) nous obtenons
R Ti j1
E e t rs ds (Tk+1 Tk )B(Ti , Tk+1 )(L(Ti , Tk , Tk+1 ) ) Ft
X
k=i +
RT
i
= E e t rs ds B(Ti , Ti , Tj )(Rswap (Ti , Ti , Tj ) )+ Ft
" #
1 dQi,j|Ft
= (Rswap (Ti , Ti , Tj ) )+ Ft
E
B(t, Ti , Tj ) dQ|F
= B(t, Ti , Tj )Ei,j [(Rswap (Ti , Ti , Tj ) )+ |Ft ] .
Alexis Fauth 58
Modle de Taux
Fort des diffrents rsultats que nous avons obtenus, nous pouvons donner
une formule de pricing de swaption dans le cas o le taux swap forward suit un
mouvement Brownien gomtrique sous la mesure swap-forward.
Proposition 2.6. Supposons que le taux swap forward est modlis par un
mouvement Brownien gomtrique sous la mesure Qi,j
dRswap (t, Ti , Tj ) = Rswap (t, Ti , Tj )(t)dWti,j
avec ((t))tR+ une fonction dterministe. Nous pouvons alors valoriser une swap-
tion de payoff
B(t, Ti , Tj )(Rswap (Ti , Ti , Tj ) )+
par la formule de Black & Scholes
R Ti
E e rs ds
B(Ti , Ti , Tj )(Rswap (Ti , Ti , Tj ) )Ft
t
j2
X
= (B(t, Ti ) B(t, Tj ))(d+ ) (d ) (Tk+1 Tk )B(t, Tk+1 ),
k=1
avec
2 (t)(T t)
Rswap (t,Ti ,Tj )
log
+ i 2i
d+ =
i2 (t) Ti t
i2 (t)(Ti t)
log Rswap (t,T
i ,Tj )
2
d =
i2 (t) Ti t
et
1 Z Ti 2
= i2
(s)ds
Ti t t
Preuve 2.10. Nous avions suppos que le taux Rswap tait diffus par un
Brownien gomtrique de variance ((t))tR+ sous Qi,j , nous avons
R Ti
rs ds
E e B(Ti , Ti , Tj )(Rswap (Ti , Ti , Tj ) )+ Ft
t
Alexis Fauth 59
Modle de Taux
rt = xt + yt
avec
dxt = x dt + x dWtx
dyt = y dt + y dWty ,
avec x , y , x et y des constantes positives et (W x , W y ) un mouvement Brownien
bi-dimensionnelle de corrlation . Sous la mesure T -forward, les processus (xt )tR+
et (yt )tR+ voluent selon
!
2 x y
dxt = x xt x (1 ex (T t) ) (1 ey (T t) ) dt + x dWtx
x y
(2.55)
y2
!
y (T t) x y x (T t) y
dyt = y yt (1 e ) (1 e ) dt + y dWt ,
y x
avec (Wtx )t0 et (Wty )t0 deux mouvements browniens sous la mesure T -forward
tels que hdWtx dWty i = dt. Les solutions de (2.55) sont
Z t
xt = xs ex (ts) Mx (s, t) + x ex (tu) dWux
s
Z t
yt = ys ey (ts) My (s, t) + y ey (tu) dWuy ,
s
Alexis Fauth 60
Modle de Taux
La distribution est donc une nouvelle fois conditionnellement gaussienne par rap-
port Ft , en particulier, sous la mesure T -forward
Preuve 2.12. Par analogie avec les calculs faits dans le cas un facteur et
en remarquant que B(t, Ti ) suit une loi log normale, thorme 2.1, de paramtres
1 ex (Ti+1 Ti ) 1 ey (Ti+1 Ti )
E(log B(t, Ti+1 )|Ft ) = E(xt |Ft ) E(yt |Ft )
x y
1
+ V (t, Ti+1 )
2
Alexis Fauth 61
Modle de Taux
et
(1 ex (Ti+1 Ti ) )2
V(log B(t, S)|Ft ) = V(xt |Ft )
22x
(1 ey (Ti+1 Ti ) )2
+ V(yt |Ft )
22y
1 ex (Ti+1 Ti ) 1 ey (Ti+1 Ti )
+ C(xt , yt |Ft )
x y
x2
= (1 ex (Ti+1 Ti ) )2 (1 e2x (Ti+1 Ti ) )
3x
2
+ y3 (1 ey (Ti+1 Ti ) )2 (1 e2y (Ti t) )
y
x y
+ 2 (1 ex (Ti+1 Ti ) )(1 ey (Ti+1 Ti ) )
x y (x + y )
(1 e(x +y )(Ti+1 Ti ) ).
Alexis Fauth 62
Modle de Taux
dB(t, T )
= rt dt + B (t, T )dWt , 0 t T, (2.57)
B(t, T )
avec B un processus adapt. Nous pouvons galement rajouter comme condition
terminale B (T, T ) = 0. Il sagit de leffet Pull-to-Par, plus lobligation va arriver
maturit, plus le prix va se stabiliser vers le par (sa valeur faciale), et donc, la
volatilit va disparatre. Rappelons que le prix forward est donn par
d ln B(t, T1 ) d ln B(t, T2 )
df (t, T1 , t2 ) = , (2.58)
T2 T1
par le lemme dIt, nous obtenons,
!
B (t, Ti )2
d ln B(t, Ti ) = rt dt + B (t, Ti )dWt , i = 1, 2.
2
Ainsi, nous pouvons rcrire lquation (2.58),
B (t, T ) B (t, T + t) B
lim = (t, T )
t0 t T
et
B (t, T + t)2 B (t, T )2 B
lim = B (t, T ) (t, T )
t0 2t T
(Wt )tR+ tant un processus de Wiener, nous pouvons changer le bruit sans perte
de gnralit. On peut alors crire la diffusion du taux forward instantan,
B B
dF (t, T ) = B (t, T ) (t, T )dt + (t, T )dWt , (2.59)
T T
En galisant les quations (2.56) et (2.59), nous devons avoir,
B B
F (t, T ) = (t, T ), F (t, T ) = B (t, T ) (t, T ). (2.60)
T T
Alexis Fauth 63
Modle de Taux
Les modles de taux dintrt HJM sont donc entirement spcifis par le sous
jacent et, la volatilit. Le sous-jacent est la structure par terme, la volatilit dcri-
vant quant elle comment cette structure par terme volue au cours du temps.
En utilisant (2.59),
Z t Z t
B B
rt = F (0, t) + B (u, t) (u, t)du + (u, t)dWu .
0 t 0 t
En diffrentiant,
!2
F Z t 2 B B
drt = (0, t)dt + B (u, t) (u, t) + (u, t) du dt
t 0 t t
(Z ) (2.62)
t 2 B B
+ 2
(u, t)dWu dt + (u, t)|u=t dWu .
0 t t
B (t, T ) = (T t),
une constante. Avec la mthodologie HJM, la diffusion du taux instantan (2.62)
est,
!
F
drt = (0, t) + 2 t dt + dWt .
t
On retrouve le modle en temps continu de Ho-Lee.
Alexis Fauth 64
Modle de Taux
log B(t, T )
F (t, T ) =
T
2 (T t) 2
= rt e(T t) + 1 e(T t) 1 e .
22
En supposant = 0, nous avons la forme diffrentielle,
Z T
dF (t, T ) = 2 e(T t) e(ts) dsdt + eb(T t) dWt .
t
Nous pouvons alors retrouver la condition de HJM,
Z T Z T
(t, T ) = 2 e(T t) e(st) ds = (t, T ) (t, s)ds,
t t
o
(t, T ) = e(T t) . (2.63)
Alexis Fauth 65
Modle de Taux
Risk management.
Les mthodes les plus connues sont les mthodes dinterpolations linaires et
cubiques, de bootstrapping et, les mthodes paramtriques de type Svensson. Nous
prsentons rapidement ces diffrentes mthodes.
2.6.1 Interpolation
Les mthodes dinterpolations consistent simplement retrouver le taux R(t, )
connaissant R(t, ti1 ) et R(t, ti ) pour tout ti1 < < ti . Le plus simple tant
naturellement linterpolation linaire
ti1 ti t
R(t, ) = R(t, ti1 ) + R(t, ti )
ti ti1 ti ti1
Le problme majeur rsultant de cette mthode est que le taux forward dduit
nest plus diffrentiable en tout point.
R(t, ) = ai + bi ( ti ) + ci ( ti )2 + di ( ti )3 , ti ti+1 .
Pour que linterpolation soit cohrente, nous devons instaurer quelques contraintes.
La fonction doit rencontrer tous les points connus, i.e. ai = R(t, ti ) pour tout
i < n1 et an1 +bn1 (ti+1 ti )+cn1 (ti+1 ti )2 +dn1 (ti+1 ti )4 = R(t, tn ) = an ,
galement, la fonction doit tre continue et diffrentiable en tout point. Aprs
quelques calculs, il est possible de trouver une forme explicite pour les paramtres
(ai , bi , ci , di ). Malheureusement, bien que les mthodes par splines soient supposes
moins sujettes au sur-apprentissage et aux fortes oscillations entre deux points, les
conditions que nous devons imposer en t1 et tn peuvent compromettre la qualit
du rsultat. Il est galement possible de calibrer les paramtres (ai , bi , ci , di ) par
moindres carrs pnaliss pour sassurer dune bonne stabilit du rsultat. Pour
plus de dtails sur ces mthodes, nous renvoyons [HaWe08].
2.6.2 Bootstraping
Le principe du bootstrap pour reconstruire la courbe des taux consiste partir
des taux petites maturits, obtenir les taux de maturits suprieures. Lide
Alexis Fauth 66
Modle de Taux
repose simplement quune obligation versant diffrents coupons fixes est donne
par
n
X
Bn (t, Tn ) = B(t, Ti )ci + B(t, Tn )
i=1
n
ci e(Ti t)R(t,Ti ) + e(Tn t)R(t,Tn ) ,
X
= t T1 .
i=1
Ainsi,
Bn (t, Tn ) n1 (Ti t)R(t,Ti )
P
1 i=1 ci e
R(t, Tn ) = log .
Tn t 1 + cn
Pour les taux courts, sur le march europen, nous prenons en gnral les taux Eu-
ribor (1w 3m) et lEonia (Euro OverNight Index Average) pour le taux au jour
le jour. Pour les taux moyens nous pouvons prendre indiffremment des futures ou
forward. Il semble que les futures tant plus liquides et cotes sur le march et non
de gr gr, ils conviennent mieux car plus proches des valeurs efficientes. Nan-
moins, dduire les taux forward en fonction des taux futures nest pas facilement
ralisable car il a ce que lon appelle un biais de convexit entre ces deux instru-
ments, les forwards ont une convexit suprieure. Pour des raisons de liquidit,
nous utilisons les taux swap pour des maturits suprieures 2 ans, bien que les
maturits 6 et 9 ans sont gnralement peu liquides et peuvent considrablement
diminuer la qualit du rsultat.
Cela nous permet davoir une ide pour proposer une forme paramtrique de la
courbe des taux.
Alexis Fauth 67
Modle de Taux
p1 (x)e1 x + + pn (x)e1 x ,
Lun des premiers modles est celui de Neslon-Siegel [NeSi87], la courbe des
taux forward est
m m m
f (t, t + m) = 0 + 1 exp + 2 exp
1 1 1
Les paramtres 0 et 1 sont supposs positifs. Le taux forward a donc trois compo-
sants. Le premier correspond au niveau moyen, le second est un terme exponentiel
dcroissant si 1 < 0 (croissant si 1 > 0) jusque zro comme une fonction du
temps de livraison. Le troisime terme nous donne la courbure, vote dans le cas
o 2 > 0, en U si ngatif. Svensson [Sv94], propose de rajouter un 4me terme
pour laisser plus de flexibilit lors de la calibration
T T T T T
f (t, T ) = 0 + 1 exp + 2 exp + 3 exp
1 1 1 2 2
Le modle comprend donc non plus 4 paramtres
estimer mais 6 et la courbure
m m m m
est donne par 2 1 exp 1 + 3 2 exp 2 . La courbe des taux est alors
T T T
1e 1 1e 1
T 1e 2
T
R(t, T ) = 0 + 1 T + 2
T e 1 + 3
T e 2 .
1 1 2
La diffrence retenir entre les deux modles est donc que le premier, celui de
Neslon-Neigel a une courbure (one-hump) tandis que celui de Sevensson a deux
courbures (two-hump). Nous prsentons sur la figure (3) linfluence du
premier
et
T T T
second/troisime terme, i.e. respectivement 1 exp 1 et 2 1 exp 1 . Sur la
figure (4), nous prsentons la calibration des deux modles sur les donnes relles
des taux gouvernementaux amricains le 09/03/13.
En fait, cette famille nest pas simplement prsente dans la thorie des modles
de taux pour reconstruire la courbe de taux, elle est beaucoup plus large que cela.
Les modles que nous avons vus prcdemment, nous avons suppos que la solution
du zro-coupon tait du type
Alexis Fauth 68
Modle de Taux
1.0
1 1
5 5
alpha=1
10 10
50 50
0.2
alpha=1
0.5
2nd terme
1er terme
0.0
0.0
0.5
0.2
alpha=1
alpha=1
1.0
0 50 100 150 200 250 300 0 50 100 150 200 250 300
cela ne sort pas dun chapeau. Il est possible de montrer que le type de diffusion
que nous avons tudi (pour les modles un facteur) ont toutes une solution de
cette forme. Cette forme et donc, cette classe de modle, est dtes de structure par
terme affine. En effet, le YTM est alors du type
1
(ln(A(T t)) C(T t)rt ) ,
R(t, T ) =
T t
soit, une fonction affine. La famille de modle polynme exponentiel propose donc
des modles structure par terme polynomiale exponentiel. Cela tant relative-
ment long expliquer correctement, mais nanmoins trs intressant, nous ren-
voyons au lecteur [Fi00] o [Pr12]. Cette thorie est galement relativement
rcente, comme nous lavons notifie tout au long de ce cours, il est loin dexister
un consensus sur quel modle utiliser, la diffrence des produits sur equity avec
les modles de Black & Scholes et Heston qui se taillent une bonne part du lion
pour les modles de pricing temps continu, ou GARCH pour les modles discrets.
Alexis Fauth 69
Modle de Taux
3
2
y
1
0
0 5 10 15 20 25 30
Figure 4 En bleue, quation de Svensson, en rouge celle de Neslon-Siegel, les points noirs
correspondent aux taux gouvernementaux amricains de tenor 1m, 3m, 6m, 1Y, 2Y, 3Y, 5Y, 7Y,
10Y, 20Y, 30Y en date du 09/03/13.
compte. Nous prsentons les diffrents modles utiliss selon les pays sur le tableau
(2). Cela a au moins le mrite de nous montrer quil nexiste pas encore de consen-
sus sur ce type de problme (et sur les modles de taux tout court dailleurs).
Mme si certains choix sont discutables, il ny a pas vritablement un pays qui a
plus raison quun autre.
Alexis Fauth 70
Modle de Taux
Table 2 Mthodologie utilise par pays. Source : BIS, 2005. * Variable Rough-
ness penalty (VRP), il sagit dune mthode de splines propose par Waggoner
[Wa97].
Comme nous sommes en univers risque-neutre, les rendements doivent avoir une
esprance gale au taux sans risque, la prime de risque est donc choisie comme
r
= ,
soit, le ratio de Sharpe. Aprs avoir appliqu le lemme dIt la fonction ln(St )
nous trouvons la solution de la diffusion
2
r 2 (T t)+ WT t
ST = St e .
Alexis Fauth 71
Modle de Taux
On obtient donc
C(t, St ) = St N (d+ ) Ker(T t) N (d ) (3.1)
avec N la fonction de rpartition de la loi normale centre rduite et
2
St
log K
+ r 2 (T t)
d = .
T t
En plus de la formule ferme du prix dun call obtenue par martingale, nous avons
galement la possibilit de valoriser ce produit avec lEDP de B&S.
Vt = C(t, St ) St
C C 1 2C
dVt = dt + dSt + dhSt , St i dSt (3.2)
t S 2 S
C C C 1 2 2 2C
= dt + rSt dt + dWt + S dt dSt .
t S S 2 S
Alexis Fauth 72
Modle de Taux
Le problme ici est que nous avons un terme dala dWt , pour pouvoir le supprimer
nous choisissons = CS
(on est alors delta-hedg). Le portefeuille devient
C 1 2 2 2C
dVt = dt + S dt. (3.3)
t 2 S
Comme nous sommes en univers risque-neutre, le portefeuille ne devrait pas pou-
voir faire plus quun investissement dans le taux sans risque, cest--dire le porte-
feuille
dVt = rVt dt. (3.4)
En galisant (3.3) et (3.4), nous obtenons lEDP de Black and Scholes
C C 1 2 2 2 C
+ rS + S = rC. (3.5)
t S 2 S 2
SerT
n(d ) = n(d+ ), d+ = d T
K
o n = N 0 .
Le delta est la sensibilit du call par rapport une petite variation du sous-
Alexis Fauth 73
Modle de Taux
jacent :
C
=
S
N (d+ ) d+ N (d ) d
= N (d+ ) + St + Ker(T t)
d+ S d S
!
N (d+ ) d+ d
= N (d+ ) + St
d+ S S
!
N (d+ ) ( T )
= N (d+ ) + St
d+ S
= N (d+ ).
Sur la figure (5) nous prsentons la forme du delta en fonction de T t est de
log(S/K) pour r = 0.02 et = 0.3.
0.8
0.6
0.4
0.2
0.2 1.0
0.8
log( 0.0 0.6
S/K 0.2 0.4
tau
) 0.2
Alexis Fauth 74
Modle de Taux
0.04
0.03
0.02
0.01
0.2 1.0
0.8
log 0.0
(S 0.6
/K
) 0.4 tau
0.2
0.2
2C n(d+ )
= 2
= .
S S T
Nous pouvons interprter la valeur du gamma comme suit. Si sa valeur est faible,
cela implique que le delta varie peu et donc que nous navons pas besoin de re-
balancer notre portefeuille pour tre delta-neutre. En revanche, sil est lev, le
delta est trs sensible aux variations du sous-jacent, il conviendra de rajuster sa
position rgulirement. Pour faire le lien avec la physique, la drive seconde cor-
respond lacclration. Pour pouvoir utiliser le gamma dans notre portefeuille,
nous pouvons constater quen effectuant un dveloppement de Taylor sur notre
portefeuille, en supposant quil nest assujetti quaux variations en temps et en
sous-jacent
V V 1 2V 2 1 2V 2 1 2V
dV = S + t + S + t + St . (3.6)
S t 2 S 2 2 t2 2 St
Alexis Fauth 75
Modle de Taux
Si nous ngligeons les termes (t)x pour x > 1. Si le portefeuille est gamma neutre,
nous avons alors
1
dV = t + S 2 . (3.7)
2
o = Vt
est le theta de loption, la variation par rapport au temps, figure (7).
20
40
60
80
100
0.2 1.0
0.8
log 0.0
(S 0.6
/K
) 0.4 tau
0.2
0.2
Alexis Fauth 76
Modle de Taux
rester delta-neutre car lajout dune autre quantit va modifier le delta. Daprs
lquation (3.7) nous pouvons galement remarquer que le theta peut se substituer
au gamma dans la gestion du portefeuille.
Si nous supposons maintenant que la volatilit est non constante, nous pouvons
introduire la sensibilit de loption par rapport la volatilit, le vega, figure (8)
30
20
10
0.2 1.0
0.8
log 0.0
(S 0.6
/K
) 0.4 tau
0.2
0.2
C
V= = Sn(d+ ) T . (3.8)
Bien entendu, plus le niveau de la volatilit est important, plus la variation de
loption et donc du portefeuille sera importante. Nous devons donc nous couvrir
galement contre ce risque. Cela peut ce faire de la mme manire que pour le
gamma, = VV /V. Nanmoins, il est trs compliqu du fait de la liquidit et
des fonds ncessaires de maintenir une position la fois delta, vega et gamma
hedg. Il faut avoir plusieurs types doptions en portefeuille pour avoir ce rsultat.
Alexis Fauth 77
Modle de Taux
Notons que si nous ngligeons toujours les termes tx pour x > 1, lquation (3.6)
devient
V V V 1 2V 2 1 2V
dV S + t + + S + 2 .
S t 2 S 2 2 2
La dernire sensibilit courante est le , la sensibilit de loption par rapport au
taux dintrt.
C
= = T KerT N (d+ ).
r
Dans un monde pas trop chaotique, les taux dintrts varient peu, la priorit nest
donc pas sur cette couverture.
Nous allons maintenant prsenter ce que lon appelle la robustesse de Black &
Scholes [KaJeSh98]. La vraie diffusion du sous-jacent sous Q est
dSt
= rdt + t dWt
St
o t peut tre stochastique. En supposant que linvestisseur utilise la formule de
Black & Scholes pour valoriser un call, nous avons en appliquant la formule dIt
!
CBS CBS 1 2 2 2 CBS
dCBS (t, St ) = + rSt + t St dt
t S 2 S 2
CBS
+ t St dWt .
S
Dun autre cot rappelons que lEDP de Black & Scholes (3.5), est
CBS 1 2 2C
BS
dCCB (t, St ) = rCBS dt + t St + BS t2
S 2 S 2
1 2
= rCBS dt + t St + t2 St2 .
2 BS
La dynamique du portefeuille Vt de couverture de lagent est
Alexis Fauth 78
Modle de Taux
T = VT CBS (T, ST )
1 Z T r(T t) 2
= e BS t2 St2 dt.
2 0
Le gamma de loption mesure donc lexposition de lagent une mauvaise estima-
tion de la volatilit. Si la volatilit choisie est suprieure la vraie, BS t alors
le portefeuille de couverture Black & Scholes domine le vrai prix. Inversement si
BS t . Le modle de Black & Scholes permet donc dobtenir des bornes du vrai
prix de loption.
De plus, elle est unique. Elle est donc obtenue en inversant la valeur du call. Il
nest pas possible dobtenir une formule explicite pour la dterminer, on va donc
utiliser un algorithme doptimisation. Posons par exemple le problme comme un
problme de recherche de zro dune fonction :
f (I) = C BS C M kt = 0.
Lun des algorithmes de recherche le plus simple est la mthode de Newton, lide
est de faire le dveloppement limite dune fonction g de x en xk :
g(xk )
x = xk+1 = xk .
g 0 (xk )
Alexis Fauth 79
Modle de Taux
C M kt C BS (Ik )
Ik+1 = Ik C BS (Ik )
. (3.9)
Ik
Les mots cls savoir lorsque lon parle de volatilit implicite sont le skew
et le smile. Le phnomne de skew correspond la dcroissance de la volatilit
implicite par rapport au strike. Le phnomne de smile correspond quant lui
la remonte de la volatilit implicite pour des strikes trs lointains.
Alexis Fauth 80
Modle de Taux
0.06
Volatilit Implicite
0.04
0.02
130
140
150
0.0 160
0.2 170
0.4 K
T 180
0.6 190
Figure 9 Surface de volatilit du SPY, le 9 septembre 2013, 166$, interpolation par spline.
Alexis Fauth 81
Modle de Taux
I(t + t, m) = I(t, m)
Alexis Fauth 82
Modle de Taux
d 1 2 2
g(t, x) = ((t, x)g(t, x)) + ( (t, x)g(t, x))
dt x 2 x2
o g est la densit de probabilit de X, g(t, x) = P(Xt dx) et pour condition au
bord,
g(t, x)dx|t=0 = (x X0 ).
Alexis Fauth 83
Modle de Taux
Alexis Fauth 84
Modle de Taux
Les drives sont par rapport t et S, or, ces deux quantits sont fixes, nous
ne pouvons pas calculer ou approximer ces drives. LEDP de Dupire 3.12 tient
seulement compte des drives par rapport la maturit et au strike. Sur le mar-
ch, chaque call/put suffisamment liquide est vendu des strikes et maturits
diffrentes, il est donc possible en collectant ces donnes de calculer les drives et
donc, dobtenir la volatilit implicite.
Nous allons maintenant regarder le lien entre volatilit locale et volatilit ins-
tantane.
vt St dWt
1
d(ST K)+ = 1ST >K dST + vT ST2 (ST K)dT.
2
En passant loprateur esprance, nous avons
1
dE[(ST K)+ ] = dE[ vT ST2 (ST K)]dT
2
avec en utilisant (3.14)
1 1
E[ vT ST2 (ST K)] = E[vt |ST = K] K 2 E[(ST K)]
2 2 (3.15)
1 2 2C
= E[vt |ST = K] K .
2 K 2
Alexis Fauth 85
Modle de Taux
T rS 2 2 S 2 T
= + .
T S S 2
Avec le mme raisonnement que prcdemment (3.11), nous obtenons en valuant
en ST = K
C C
2 T
+ rK K
(T, K) = 2 2C
.
K 2 K 2
Il est possible de lier le volatilit locale avec la volatilit implicite. Les prix C
sont les vrais prix du march de volatilit locale , ils doivent donc correspondre
au prix des calls march calculs avec la volatilit implicite, soit : C(T, K) =
C BS (T, K, I(T, K)) o I est la volatilit implicite. En appliquant la formule de
drivation en chane, nous obtenons
C BS C BS I C BS C BS I
!
+ + rK +
T T K K
2 (T, K) = 2 !2 .
2 BS 2 BS 2 BS BS 2
C C I C I C I
K2 2
+2 + +
K K K 2 K K 2
(3.17)
Il est possible daller un peu plus loin en supposant que la valeur du strike K
ninflue pas la volatilit implicite, en dautre terme nous supposons que
I
= 0.
K
Alexis Fauth 86
Modle de Taux
En injectant les drives du call de Black and Scholes calcules dans la section
prcdente avec en plus
C 2C erT n(d )
= erT N (d ), = , (3.18)
K K 2 K T
lexpression de la volatilit locale prcdente se rduit alors
SIn(d+ ) I
+ rKerT N (d) + Sn(d+ ) T + rKerT N (d )
T
2 (T ) = 2 2 T
erT n(d )
K2 (3.19)
KI T
I
= I(I)2 + 2T I(T ) .
T
La volatilit implicite dans le cas o elle nest pas influence par le strike est alors
gale la moyenne quadratique de la volatilit locale sur toute la vie de loption
2 1ZT 2
I (T ) = (s)ds. (3.20)
T 0
Nous avons maintenant quelques formules, mais tout cela reste assez thorique
et pas forcment trivial de les mettre en oeuvre. En ce qui concerne le calcul de la
volatilit implicite, nous pouvons appliquer la formule (3.9), ce nest pas forcment
optimal, mais cest un bon dbut. Pour pouvoir estimer la volatilit locale, cest
une autre histoire.
Alexis Fauth 87
Modle de Taux
Pour obtenir un problme bien pos, nous avons besoin de le rgulariser. Lune
des mthodes les plus connues est la rgularisation de Tikhonov.
Notons C M kt (K, T ) les prix des options observs sur le march, C(, T, K) les
prix du modle volatilit locale et H le vecteur de paramtres estimer
dans le sous-espace convexe , H tant un espace de Hilbert. Le problme de
calibration scrit comme un problme de moindre carr non-linaire
cela nous permet de sassurer de lexistence dune solution, || || tant une norme
sur H. Supposons maintenant que nous ayons un priori sur disons 0 , nous
introduisons une pnalisation (de Tikhonov) sur la fonctionnelle pour rgulariser
le problme
J () = ||C M kt (K, T ) C(, T, K)||2 + ||||2H1 , (3.21)
> 0 va influencer le niveau de rgularit pour assurer la stabilit. Il sagit donc
de faire un compromis entre prcision et stabilit. Plus sera choisi grand, plus
la solution sera stable mais loin de la ralit. A linverse, plus nous choisirons un
Alexis Fauth 88
Modle de Taux
proche de zro, plus les paramtres trouvs (dont la volatilit locale) reprodui-
ront rigoureusement le march mais ils seront trs instables rendant le modle
inutilisable. Pour le terme de pnalisation, on peut montrer que
Z TZ !2 !2
||||2H1 = 2
( (t, S) + (t, S) + (t, S) )dtdSt .
t0 0 t S
Alexis Fauth 89
Modle de Taux
Aprs avoir estim les paramtres par rapport aux prix marchs C M kt (Ti , Kj )i,j
nous obtenons une surface de volatilit implicite lisse, non bruite. Cest celle ci
que nous allons injecter dans lquation de la volatilit locale (3.17) qui dailleurs
devient plus prcisment que (3.19), aprs quelques calculs fastidieux, dans le cas
o la volatilit implicite est influence par le strike
I I I
+ 2 T + 2rK K
2 (T, K) = T
2 .
2I
Kp2 1
K 2 IT
+ 2 KId+T K
I
+ d+ d
I
I
K
+ K 2
Connaissant une version plus propre de la volatilit implicite avec le modle SVI
(3.22), tous les points (Tj , Kj ) avec j notre indice de grille de discrtisation, nous
pouvons alors estimer la valeur de la volatilit locale. Pour plus de dtails sur la
calibration nous renvoyons par exemple [Ga04] et [GaJa12] pour un modle plus
labor.
Des mthodes pour estimer la volatilit locale par splines ont galement t pro-
poses. Nous ne rentrerons pas dans ces dtails pour ce cours et nous renvoyons
e.g. [JaSuHo99] pour le lecteur intress.
o est une constante relle, ((t))tR+ une fonction dterministe par rapport au
temps et (Wt )tR+ un mouvement Brownien standard. Pour tout t < T Tj nous
avons RT 2 RT
1
FTj = + (Ftj )e 2 t (u)du+ t (u)dWu .
Alexis Fauth 90
Modle de Taux
pour x > et s
Z T
U (t, T ) = 2 (u)du.
t
Ftj = Xtj +
dXtj = (t)Xtj dWt ,
et donc
B(t, Tj )Ej ((FTjj1 )+ |Ft ) = B(t, Tj )Ej ((XTj j1 + )+ |Ft )
= B(t, Tj )Ej ((XTj j1 ( ))+ |Ft ).
Le cas = 1 correspond bien entendu au modle de Black & Scholes, i.e. lognormal,
et 0 au cas gaussien (Bachelier). 0 est la barrire absorbante, si Ft = 0 alors
Fs = 0 pour tout s t. Il est possible de montrer que pour tout 0 < 1 le
Alexis Fauth 91
Modle de Taux
processus est une vraie martingale (locale si >1). La valorisation dun caplet de
maturit Tj linstant t de strike est
" !#
1
Cpl(t, Tj , ) = B(t, Tj ) Ftj 1 2 21 ; + 2; 2u
1
!
1
2 2u; ; 2k1 ,
1
avec hdZt1 dZt2 i = dt. (t) est une fonction dterministe. Nous allons essayer de
retrouver lEDP de valorisation pour les modles volatilit stochastique. Dans le
Alexis Fauth 92
Modle de Taux
0.4
Volatilit Implicite
0.3
0.2
0.1
80
90
0.0 100
0.2
0.4 110 F
0.6
T 0.8
1.0 120
cadre du modle de Black & Scholes, il ny a quune seule source dala, de risque,
le prix du sous-jacent et, cela peut tre couvert en achetant sous-jacent (pour
un call). Ici, nous avons deux sources dala, le prix du sous-jacent et sa volatilit,
il nest plus possible de se couvrir laide dun seul actif. La seconde source de
risque a elle aussi besoin dtre couverte. Ainsi, nous construisons un portefeuille
V constitu dun produit C1 de sous-jacent S, une quantit du stock (comme
avec le modle de Black and Scholes) et une quantit dun autre produit C2
crit toujours sur S qui dpend donc de la volatilit v. Nous avons alors
V = C1 S C2 .
Alexis Fauth 93
Modle de Taux
Alexis Fauth 94
Modle de Taux
Ainsi,
( )
C1 2 C1 1 2 2 C1 1 2 C1
dVt = + vS + vS + v dt
t Sv 2 S 2 2 v 2
( ) (3.26)
C2 2 C2 1 2 2 C2 1 2 C2
+ vS + vS + v dt
t Sv 2 S 2 2 v 2
Le portefeuille tant maintenant sans risque, son rendement devrait tre gal
celui du taux sans risque r,
dVt = rVt dt
(3.27)
= r(C1 S C2 )dt.
C 2C 1 2 2C 1 2 2C C C
+ vS + vS 2
+ v 2 + rS rC = f . (3.28)
t Sv 2 S 2 v S v
Pour des considrations conomiques que nous ne dtaillons pas ici, la fonction f
est choisie tel que f (S, v, t) = ((S, v, t) (S, v, t) vt ) o (S, v, t) est appel
le prix du risque de volatilit.
Alexis Fauth 95
Modle de Taux
Alexis Fauth 96
Modle de Taux
Alexis Fauth 97
Modle de Taux
.
S K
En reprenant (3.28),
C 2C 1 2C 1 2C C
+ vS + vS 2 2 + v 2 2 + rS rC =
t Sv 2 S 2 v S (3.32)
C
((v ) ) .
v
Il parat justifi de choisir le prix march du risque de volatilit comme fonction
de la volatilit. Plus
prcisment, nous choisissons un risque proportionnel la
variance v, = v avec une constante. Dfinissons les paramtres ajusts au
risque 0 et 0 tel que 0 = et 0 0 = . Lquation (3.32) devient alors
C 2C 1 2C 1 2C C
+ vS + vS 2 2 + v 2 2 + rS rC
t Sv 2 S 2 v S (3.33)
C
=0 (v 0 ) .
v
Posons !
F (t, T )
xt = ln
K
RT
rs ds
avec F (t, T ) le prix forward de St , F (t, T ) = St e t . La valeur dun call europen
C est alors
C 1 1 1
+ vC11 + vC1 + 2 vC22 + v(t)C12 (v(t) )C2 = 0, (3.34)
2 2 2
Alexis Fauth 98
Modle de Taux
Pj 1 Pj 1 Pj 1 2 Pj 2 Pj Pj
+ v 2+ j v 2 + 2 v 2 +v +(abj ) = 0 (3.36)
2 x 2 v 2 v xv v
pour j = 0, 1, a = , b = j et, comme condition terminale
Pour pouvoir rsoudre lquation (3.36) avec la condition terminale (3.37), nous
utilisons la transforme de Fourrier. La transforme de Fourrier (ou fonction ca-
ractristique) de P est dfinie par
Z
P (k, v, ) = eikx dxP (x, v, )
Pj 1 1 1 2 Pj Pj Pj
k 2 v Pj j ikv Pj + 2 v 2 + ikv + (a bj ) = 0.
2 2 2 v v v
Pour simplifier lexpression, nous introduisons les notations
k 2 ik
= + ijk
2 2
= j ik
2
= .
2
Nous obtenons ainsi
!
Pj Pj Pj
v Pj +a = 0. (3.39)
v v
Alexis Fauth 99
Modle de Taux
1 ged
" !#
2
C(k, ) = r 2 ln
1g
1 ed
D(k, ) = r
1 ged
Equation que lon peut estimer par des mthodes numriques classiques comme la
quadrature de Gauss - Laguerre pour rsoudre le problme de lintgrale infinie.
(la dernire galit est juste une notation). En injectant cela dans (3.41)
xT 1
dt = ( t )dt + dst t .
sT 2
Dans le cas particulier o nous conditionnons par xT = 0, soit K = ST , t est la
volatilit locale comme il a t montr (3.16). La volatilit locale de Heston vrifie
donc
1
dt = ( t )dt + t .
2
0 0
= ( t )dt
1 Z T 0 t
2
IHeston (t) = (e (0 0 ) + 0 )dt
T 0
0 0 0 0
= + 1 e .
0
o
j
(Tj+1 Tj )ftk kt ||tk ||
tj
X
= k
(3.43)
k=1 1 + (Tk+1 Tk )ft
Les quations de diffusions (3.42) sous la mesure Tj+1 -forward sont alors
q
dftj = ftj Vt j dZj+1
t
q
dVt = ( ( + tj )Vt )dt + Vt dWtj+1 .
Malheureusement, tj dpend de la dynamique des taux forward (ftj )t0 , il nest pas
possible dobtenir des formules la Heston. Utilisant la proprit de martingale
de (ftj )t0 sous la mesure Tj+1 -forward, nous avons Ej+1 (ftj |F0 ) = f0j et nous
approximons (3.43) par
j
(Tj+1 Tj )ftk kt ||tk ||
tj
X
k
,
k=1 1 + (Tk+1 Tk )ft
j
fTjj K
=B(0, Tj+1 )(Tj+1 Tj )f0 Ej+1 [( j j )+ |Ft0 ]
f0 f0
j j
ln(f /f )
=B(0, Tj+1 )(Tj+1 Tj )f0j Ej+1 [e Tj 0 1f j >K |Ft0 ]
t
Les deux esprances peuvent tre values en utilisant la fonction gnratrice des
moments du taux forward
avec X = ln(fTjj /f0j ). Par dfinition de la fonction caractristique (voir e.g. [DuPaSi00]),
nous obtenons
j
ln(fTj /f0j ) 1 1 Z =(eiu ln(K/f0 ) T (iu))
Ej+1 [e j 1f j >K |Ft0 ]= + du
t 2 0 u
j
ln(fj (Tj )/fj (0)) 0 1 1 Z =(eiu ln(K/f0 ) T (1 + iu))
Ej+1 [e 1f j >K |Ft ] = + du,
t 2 0 u
o T (z) = (0, V0 , 0, z) et =(x) dnote la partie imaginaire de x. Les deux esp-
rances peuvent ainsi tre approximes par des mthodes numriques usuelles. Il
est tout de mme possible dobtenir une formule ferme. Par simple application
du thorme de Feyman-Kac multi - dimentionnel,
1 1 2 2
+ ( j V ) ||j (t)2 ||V + V
t V 2 x 2 V 2 (3.44)
2 2
1
+ j V || j || V x + ||tj ||2 V 2 = 0
2 x
avec comme condition terminale
(x, V, T, z) = ezx . (3.45)
De la mme manire que Heston, nous posons lansatz,
o
q
a + d 2 B( j , z)
a = tj t ||tj ||z, d= a2 ||tj ||2 2 (z 2 z), gj = .
a d 2 B( j , z)
avec
F
1
z = (F ) 2 ln
et !
1 2z + z 2 + z
x(z) = ln .
1
Dans le cas particulier o nous sommes la monnaie (ATM), i.e. = F = F0,j ,
nous avons
ATM = imp (F0,j , F0,j )
(1 )2 2 2
2 2 3
(3.47)
= 1
1 +
22 + 1 + Tj1 +
F0,j 24F0,j 4F0,j 24
Le terme principal de lquation (3.47) est 1 ,
F0,j
les paramtres et vont influer
sur la courbure comme sur le niveau de la volatilit implicite ATM.
1.5
Volatilit Implicite
1.0
0.5
10
5
0 0
2 /K)
4
6 5 g(F
T 8 Lo
10 10
50
0.2 0.2
0.5 0.5
3000
0.8 0.8
40
2500
30
2000
Volatilit Implicite
Volatilit Implicite
1500
20
1000
10
500
0
10 5 0 5 10 10 5 0 5 10
Log(F/K) Log(F/K)
1 e(T t)
"Z #
1 T
E t dt = (t ) +
T t t (T t)
pour une preuve de ce rsultat on peut regarder les rsultats sur le processus CIR
vu prcdemment.
er(T t) Z T 2 2 Z F Put(T, K)
E(s |Ft )ds = dK
T t t T t 0 K2 (3.53)
2 Z Call(T, K)
+ dK.
T t F K2
= E ehxiT
o = p2 /2 p/2. En dautres termes
E ehxiT = E ep()xT
q
1 1
avec p() = 2
4
+ 2. En utilisant la formule (3.54)
E ehxiT = E ep()xT
= E (STp ())
Z
1
k
= F p 1 + 2p()(p() 1) ke 2 cosh p() Call(k, T )dk
0 2
Ainsi,
Z
1
E (hxiT ) = 1 + 4 kek/2 cosh p() Call(k, T )dk
0 2
=0
Z
1
k/2
=4 ke cosh p(0) Call(k, T )dk
Z0
2 (3.55)
k
=2 (1 + e )Call(k, T )dk
0
Z 0 Z
=2 Put(k, T )dk + Call(k, T )dk .
0
3.5.3 VIX
Lindice VIX est la volatilit de lindice S&P500. Aujourdhui (les mthodes de
calculs ont chang au fil des ans), il est dtermin par
n 2
2erT X Ki 1 F
VIX2T = Qi (K i ) 1 (3.56)
T i=1 Ki2 T K0
VIX2T Z F
Put(K, T ) Z
Call(K, T )
= 2
dK + dK
2 0 K F K2
Z F
Put(K, T ) Z
Call(K, T ) Z K
Put(K, T ) Call(K, T )
= 2
dK + 2
dK + dK
0 K F K F0 K2
Z
Q(K, T ) Z F
(K F )
= 2
dK + dK
0 K F0 k2
Z
Q(K, T ) 1 (K0 F )2
= dK .
0 K2 2 2
Il ne reste alors plus qu discrtiser pour retomber sur (3.56).
Il ny a pas que le VIX comme indice de volatilit, on peut par exemple penser
au Russell 2000 Daily Volatility, Corn Volatility Index, DJIA Volatility et au NVX
pour le Nasdaq.
et h, g H
est un processus gaussien isonormal. Il est clair que W (h) est gaussien par dfinition
de lintgrale stochastique et en simplifiant avec d = 1,
Z
E(W (h)W (g)) = g(s)h(s)ds = hg, hiH .
Nous allons maintenant montrer lun des rsultat fondamental de cette tho-
rie, la dcomposition en chaos de Wiener de toute fonction de L2 . Pour ce faire
nous avons besoin dintroduire les polynmes dHermite. Il sagit de polynmes
x2 /2
orthogonaux pour la mesure de densit d
dx
= e . Pour tout x R et > 0
H0 (x, ) = 1
()n 1 x2 dn 1 x2
Hn (x, ) = e 2 (e 2 ), n 1.
n! dxn
Remarquons que nous avons le dveloppement en srie entire
!
t2
tn Hn (x, ).
X
exp tx =
2 n=0
Si la transforme de est zro, alors la mesure doit tre elle mme-gale zro
pour tout G G, soit, E(X1G ) = 0 et donc X = 0.
f de f est
1 X
f(t1 , , tn ) = f (t(1) , , t(n) )
n! Sn
o Sn est lensemble des permutations possibles sur {1, , n}. Par exemple
(1) (2)
o les intervalles [ti , ti [ T sont disjoints. Nous avons
n
Y (2) (1)
In (f ) = B ti B ti
i=1
n
1 X Y (2)
(1)
In (f) = B t(i) B t(i) .
n! Sn i=1
Qn (2) (1)
En observant que pour toutes les permutations Sn , i=1 B ti B ti =
Qn (2) (1)
i=1 B t(i) B t(i) , nous obtenons le rsultat voulu.
Lemme 3.3. Pour tout f En et g Em , n, n 1, alors E(In (f )) = 0 et
(
0 si n 6= m
E(In (f )Im (g)) =
n!hf, giL2 (T n ) si n = m.
Preuve 3.5. La preuve pour lesprance est triviale. Considrons donc f
(1) (2)
En et g Em partageant la mme partition [t1 , t1 [ [t(1) (2)
n , tn [ avec pour
coefficients respectifs ai1 , ,im et bi1 , ,im . Nous avons
X
In (f ) = n! ai1 in i1 in
i1 in
o
( Q
n
p=1 (ip ip 1 ) si n = m, i1 = j1 , , in = jn .
E(i1 in j1 jm ) =
0 sinon
Ainsi, si n 6= m, E(In (f )Im (g)) = 0 et si n = m
n
E(In (f )Im (g)) = (n!)2
X Y
ai1 in bi1 in (ip ip 1 )
i1 in p=1
Z
= n! f (t1 , . . . , tn )g(t1 , , tn )dt1 dtn .
Tn
Notons quil est possible dtendre ces deux derniers rsultats pour le cas o
f L2 (T n ) et g L2 (T m ). Nous avons galement le rsultat suivant.
Thorme 3.2. Soit f L2 (T n ), n 1, alors
Z b Z tn2 Z tn1
In (f ) = n! f(t1 , , tn )dB(tn ) dB(tn1 ) dB(t1 ).
a a a
Notons quil sagit clairement dune variable Ft(1) mesurable. Nous obtenons alors
n1
par itrations
Z b Z tn2 Z tn1 n
1 Y
(2) (1)
f(t1 , , tn )dB(tn ) dB(tn1 ) dB(tn ) = B ti B ti .
a a a n! i=1
Il est possible de relier les polynmes dHermite avec lintgrale multiple sto-
chastique.
Proposition 3.2. Soit Hm (x) le m-ime polynme dHermite, f H =
L2 (T ), alors
In (f n ) = n!Hn (W (f ), ||f ||2L2 (T ) )
Preuve 3.7. Nous allons montrer la proposition par rcurrence. Le cas m = 1
se dduit du fait que E1 est dense dans L2 (T ). Supposons lordre m et montrons
lordre m + 1. Notons f m+1 = f (t1 ) f (tm ), par (3.2)
Z b
m+1
Im+1 h = (m + 1)!Im f (t1 )Xt1 dB(t1 )
a
avec Z t Z tn
Xt = f (t2 ) f (tn+1 )dB(tn1 ) dB(t2 ).
a a
On a de manire vidente f0 = 0, f1 = g et fn = 0, n 2.
F = W 2 (t).
Nous passons maintenant lun des objets qui va nous tre utile pour d-
terminer les sensibilits doptions. Introduisons lespace Cp (Rn ) des fonctions
f : Rn R, C et avec des drives partielles croissances polynomiales et
lensemble S des fonctions rgulires
n o
S = F = f (W (h1 ), , W (hn )), f Cp (Rn ), n 1 .
Nous noterons Sb pour lespace des fonctions f Cb (Rn ) drives bornes. Nous
avons donc Sb S.
Dfinition 3.2. Pour tout F S, nous dfinissons la drive de F , DF par
la variable alatoire
n
X
Dt F = i f (W (h1 ), , W (hn ))hi . (3.57)
i=1
Pour bien comprendre les choses prenons comme exemple un mouvement brow-
nien dfini sur [0, T ], (Bt )t[0,T ] , et lespace de Hilbert H = L2 ([0, T ], B([0, T ]), )
o est la mesure de Lebesgue. Pour tout h H posons F = W (h(t)), alors
Dt F = Dt W (h(t))
= h(t).
Il est sous entendu que nous avons pos f (W (h(t))) = W (h(t)), soit f (x) = x qui
a pour drive f 0 (x) = 1. En utilisant (3.57), on obtient le rsultat.
Lun des lments importants lorsque lon souhaite introduire une thorie de
drivation est la formule dintgration par partie.
Lemme 3.4. Soit F S et h H, alors
E[hDt F, hiH ] = E[F W (h)]
Preuve 3.8. Considrons le cas ||h||H = 1 et une base orthonormale de H,
{e1 , , en } tel que h = e1 et F = f (W (e1 ), , W (en )) o f Cp (Rn ). En
notant n(x) la densit dune gaussienne multivarie sur Rn ,
n
!
n/2 1X
n(x) = (2) exp x2 .
2 i=1 i
Alors,
Z
f (x)
E[hDt F, hiH ] = n(x)dx
Z
Rn x1
= f (x)n(x)x1 dx
Rn
= E[F W (e1 )]
= E[F W (h)].
En utilisant la proprit (la rgle du produit)
Dt (F G) = Dt F G + F Dt G,
De la mme manire que pour la variable alatoire F , nous avons une dcom-
position en chaos de Wiener de la drive de Malliavin.
Proposition 3.3. Soit F une variable alatoire de carr intgrale admettant
la dcomposition de Wiener F = 2 n
n=0 In (fn ) avec fn L (T ). Alors F D
1,2
P
ssi
nn!||fn ||2L2 (T n ) < ,
X
n=1
F = W (t)
Remarquons que Z t Z
W (t) = dWs = 1[0,t] (s)dWs
0
= W (1[0,t] ).
On a donc
Dt W (t) = 1[0,t] (s)
RT 2
F = 0s dW s
1
Dt F = 2 I1 (ln( + t))
2
Z T
= ln(t1 + t)dWt1 .
0
Il est bien entendu possible de lier lintgrale de Skorohod avec lintgrale mul-
tiple. En supposant que le processus stochastique u admet la dcomposition
X
u(t) = In (fn (, t)),
n=0
Il est clair que W (t) est Ft - adapt, lintgrale de Skorohod concide donc
avec lintgrale dIt et
Z T
(W (t)) = W (t)W (t)
0
Z T
= W (t)dW (t)
0
1 1
= W 2 (T ) T.
2 2
RT
F = 0 W 2 (t0 )W (t).
Nous avons Z T Z t
2
W (t0 )W (t) = (t0 + I2 (f2 ))W (t)
0 0
o f2 (t1 , t2 , t) = 1[0,t0 ] (t1 )1[0,t0 ] (t2 ). Il faut maintenant dterminer f pour
pouvoir utiliser (3.62).
1
f2 (t1 , t2 , t) = [f2 (t1 , t2 , t) + f2 (t, t2 , t1 ) + f2 (t1 , t, t2 )]
3
1
= [1[0,t0 ] t1 1[0,t0 ] t2 + 1[0,t0 ] t1[0,t0 ] t2 + 1[0,t0 ] t1 1[0,t0 ] t]
3
1
= [1t1 ,t2 <t0 + 1t,t2 <t0 + 1t1 ,t<t0 ]
3
1 1 1
= 1t,t1 ,t2 <t0 + 1t1 ,t2 <t0 <t + 1t,t2 <t0 <t1 + 1t,t1 <t0 <t2 .
3 3 3
Ainsi,
Z T Z T
2
W (t0 )W (t) =t0 W (t) + I2 (f2 )W (t)
0 0
=t0 W (T ) + I3 (f2 )
Z T Z t3 Z t2
=t0 W (T ) + 6 (1[0,t0 ] (t1 , t2 , t3 ))3 dW (t1 )dW (t2 )dW (t3 )
0 0 0
Z TZ t3 Z t2
1
+6 1(t1 ,t2 <t0 <t3 ) dW (t1 )dW (t2 )dW (t3 )
0 0 0 3
!
2/3 W (t0 ) Z T Z t3 Z t2
=t0 W (T ) + t0 h3 +2 dW (t1 )dW (t2 )dW (t3 )
t0 0 0 0
Pour lintgrale de , nous avons une intgrale dIt et donc, de Skorohod, nous
appliquons la formule de drivation de lintgrale de Skorohod (3.63)
Z t Z t
Dr (X(s))dWs = (Xs ) + Dr ((Xs ))dWs .
0 r
V
= E[(ST )]
"
(St )
#
=E
" #
0 St
= E (ST ) .
En appliquant le rsultat (3.66) on peut alors crire pour tout payoff drivable
S S
" # " !#
V
= E 0 (ST ) t = E (ST ) R T T .
0 Dt ST dt
Comme nous travaillons sous la probabilit risque neutre, nous avons dans le cadre
du modle de Black and Scholes
o r est le taux sans risque et sigma la volatilit constante. Pour calculer la drive
de Malliavin de ce processus, nous reprenons le rsultat obtenu prcdemment
(3.65) et en dduisons que
RT RT
(r 12 2 )ds+ dWs
Dr ST = e r r
et que
Dt ST = ST .
En effet, ! ! !
2
Dt ST = Dt S0 exp r T + WT
2
!
2
= S0 exp r T Dt (exp(WT ))
2
!
2 Z T
= S0 exp r T exp(WT )Dt dWu
2 0
= ST 1t<T .
Choisissons maintenant le cas particulier du delta , cest--dire la drive du
produit par rapport au sous-jacent linstant t. Pour simplifier on va supposer
que t = 0, la solution de (3.67) est
RT RT
ST = S0 e 0
(r 12 2 )ds+ 0
dWs
.
Ainsi,
(STS0 )
" #
h S0
i
rT
= E (ST ) = e E
S0 S0
rT
" #
ST e h i
= erT E 0 (STS0 ) = E 0 (STS0 )ST
S0 S0
erT
" !#
S0 ST
= E (ST )H ST ,
S0 S0
S
erT T
= E (STS0 ) R T S0
S0 r D S
r T dt
erT ST
= E (STS0 )
S0 ST
rT
e h i
= E (STS0 )WT
T S0
o sur la dernire galit nous avons utilis le fait que lintgrale de Skorohod
porte sur un processus adapt, il sagit donc dune intgrale dIt. Maintenant on
se pose la question du comment faire pour les drives secondes, ou troisimes si
on veut plus de raffinement. Le gamma, la drive seconde dune option, est lune
des sensibilits les plus connues et utiliss. En dehors de se couvrir par rapport au
gamma comme nous lavons expliqu dans la section sur les grecques, elle permet
aussi dadapter sa stratgie de delta-hedging, la plus fondamentale en pratique.
En effet, on ne peut pas se delta hedger correctement en temps continu, le delta
bouge sans cesse, avoir un delta nul tout le temps est illusoire, cest possible dun
point de vue pratique mais les cots de transactions pour maintenir cette posi-
tion impliqueraient une stratgie perdant de largent. Le gamma peut tre compris
comme la rponse de grande variation du sous-jacent, on peut donc en dduire
grce au gamma les moments auxquels il est plus important de rebalancer son
portefeuille pour tre delta-neutre.
et donc,
erT
" !#
WT2 1
= 2 E (ST ) WT .
S0 T T
Pour le vega, nous avons
rT
= e E[(ST )]
" !#
rT WT2 1
= e E (ST ) WT .
T
Le rho,
rT
= e E[(STr )]
r
WT
= erT E (ST ) T
Dans la section prcdente nous avons considr uniquement des payoff oprant
sur la valeur terminale de lactif, cela ne couvre pas tous les cas de figure. Prenons
par exemple les options asiatiques, il sagit doption ne prenant en compte la
moyenne du sous-jacent au court de la dure de vie de loption. Le payoff est du
type pour toute fonction
" !#
rT 1ZT
V =e E St dt .
T 0
2erT
" ! !#
1ZT ST S0 2
= 2 E St dt RT (r /2) .
S0 T 0 0 St dt
La preuve est purement calculatoire. Nous assumons comme toujours que est
une fonction continue diffrentiable drives bornes. Nous avons,
" !#
rT 1ZT
= e E St dt
S0 T 0
erT
" ! Z # " ! Z #
rT 0 1ZT 1 T St 0 1ZT 1 T
=e E St dt dt = E St dt St dt .
T 0 T 0 S0 S0 T 0 T 0
1 RT 1 RT
En posant F = T 0 Ss ds, G = T 0 Ss ds, nous avons,
RT
1
erT
!
1ZT T
S t 0 Ss ds
= E St dt R T R
1 T
.
S0 T 0 0 Su D u S s dsdu
T 0
Alors, !
1ZT ZT
Du Ss ds = Ss ds
T 0 T u
et !
ZT Z T
ZT
Z s
Su Ss ds du = Ss Su du ds
T 0 u T 0 0
2
ZT 1
Z s
= Su du ds
T 0 2 0
!2
1 ZT
= Su du .
T2 0
On peut maintenant calculer lintgrale de Skorohod,
1 RT RT
S t 0 Ss ds Su d St
T
= 0R
R
T
R
1 T
2
S D S dsdu T
0 u u T 0 s
2 0 Su du
!
2 St
= RT
0 Su du
RT !
2 0 St dWt
= RT +
0 St dt
2
!
2 ST S0 r
= +
0T St dt 2
R
2(ST S0 ) 2r
= 2RT 2 + 1.
0 St dt
Ainsi,
erT
" ! !#
1ZT ST S0 2
= 2 E St dt RT r+ .
S0 T 0 0 St dt 2
Il est galement possible de trouver des rsultats pour les options dpendant
du maximum ou du minimum, comme les options barrires o lookback, voir e.g.
[GoKo03] et [BeDoKo03]. Egalement, pour des modles diffusion plus complexe
comme volatilit stochastique, [AlEw07] ou [DeGaRi05] entre autre.
1 P( > T et > t)
(t|Ft ) =
P( > t) dt
1 P( > t) P( > t + dt)
=
P( > t) dt
d
= ln P( > t).
dt
Ainsi, nous obtenons une quation diffrentielle de condition initiale P( >
0) = 1. La solution est
Rt
u du
P( > t) = e 0 , t R+ ,
o par abus de notation nous avons not s pour (s|Fs ) avec Fs la filtration
naturelle engendre par . Nous en dduisons directement
P( > T ) RT
= e t u du , 0 t T. (4.1)
P( > t)
Posons maintenant T = t + t, il vient, pour dt tendant vers 0,
P( > t + dt| > t) = et dt
1 t dt.
La probabilit de dfaut sur [t, t + t] est donc
P( < t + dt| > t) = 1 et dt
t dt.
ainsi, " ! #
Z T
B(t, T ) =1{ >T } E exp (rs + s )ds Ft
t
" Z T ! #
+ E Rec1{ T } exp rs ds Gt , 0 t T.
t
Nous allons prsenter le cas o le taux comme lintensit sont diffuss par un
processus dOrnstein Ulhenbeck, il sagit du modle de Vasicek.
Proposition 4.1. Soit B(t, T ) une obligation de maturit T avec (rt )tR+ et
(t )tR+ modliss par des processus dOrnstein Ulhenbeck
drt = art dt + dWt1
(
dt = bt dt + dWt2 ,
avec (Wt1 )tR+ et (Wt2 )tR+ deux mouvements browniens standards tel que
hdWt1 dWt2 i = dt,
alors,
B(t, T ) = 1{ >t} exp(C(a, t, T )rt C(b, t, T )t )
!
2 Z T 2 2 Z T 2 b(T s)
exp C (a, s, T )ds + C (b, s, T )e ds
2 t 2 t
Z T !
exp C(a, s, T )C(b, s, T )ds ,
t
RT
avec C(, t, T ) = E[ t rs ds|Ft ] = 1 (e(T t) 1).
Preuve 4.1. Nous allons procderR comme pour le pricing par martingale des
T RT
zros-coupons. Calculons les quantits t rs ds et t s ds.
Z t
1
rs ds = Wt1 rt
0 a
Z t
= Wt1 ea(ts) dWs1
a 0
Zt
= (1 ea(ts) )dWs1 .
a 0
Ainsi,
Z T Z T Z t
rs ds = rs ds rs ds
t 0 0
ZT Zt
= (1 ea(T s) )dWs1 (1 ea(ts) )dWs1
a 0 a 0 !
Z t a(T s) a(ts) 1
Z T
a(T s) 1
= (e e )dWs + (e 1)dWs
a 0 t
Z t
Z T a(T s)
= (ea(T t) 1) ea(ts) dWs1 (e 1)dWs1
a 0 a t
1 Z T a(T s)
= (ea(T t) 1)rt (e 1)dWs1
a a t
Nous avons le mme rsultat pour t naturellement. Il est clair que nous avons
"Z #
T Z T
rs ds + s dsFt = C(a, t, T )rt + C(b, t, T )t ,
E
t t
Le dernier terme nous montre que dans ce framework, le problme est quivalent
au pricing dun put crit sur la valeur de lentreprise, de strike L et de maturit
T . Notons maintenant D(t, T ) le prix linstant t < T de lobligation
o P est le prix dun put de strike L et de maturit T . (4.3) peut galement tre
vu que la valeur de la dette de lentreprise.
Le pricing de lobligation se ramenant au pricing dun put (4.3), nous avons direc-
tement,
D(t, T ) = Vt e((T t) (d+ ) + LB(t, T )(d ), 0 t < T,
o
( r) 21 2 (T t) ln(Vt /L)
d = .
T t
= inf{t [0, T ], Vt vt }.
Nous avons trois cas, le premier correspondant lmetteur ne fait pas dfaut
et nous touchons L, le second, lmetteur passe sous la barrire et nous touchons
o
ln(Vt /L) + (T t)
I1 (t, T ) =
T t
ln vt2 ln(Lvt ) + (T t)
I2 (t, T ) =
T t
ln(vt /Vt ) + 2 (T t)
I3 (t, T ) =
T t
ln(vt /Vt ) 2 (T t)
I4 (t, T ) ,
T t
et
1
= r 2
2
1
m = r 2
2
1q 2
= 2 m + 2 2 (r )
m
= 2 +1
ci, de manire dynamique. A linstar des notes publies par les agences de rating,
les CDS jouent galement un rle dindicateur sur la probabilit de dfaut de la
firme ou de lEtat mettant de la dette. Lacheteur du produit de couverture va
payer rgulirement un montant fix lavance jusqu linstant dfaut, celui ci
narrivant pas, il payera jusqu maturit de produit. Le cas contraire, i.e. linstant
dfaut arrivant avant T , cest lmetteur du contrat de couverture que va payer
selon des critres dfinis lors de la signature du contrat, selon ltat de dfaut de
lentit, il sagit de la partie flottante.
Il se compose de deux jambes. La premire (premium leg) correspond lache-
teur de la protection linstant t contre un dfaut possible linstant Ti+1 . Lagent
paye un montant fixe St aux instants Ti+1 , , Tn = T . La valeur actualise de la
premire jambe est donc
"n1 #
X R Tk+1 r ds
V (t, T ) = e s
St (Tk+1 Tk )1{ >Tk+1 } Gt
E t
k=i
n1
" R #
Tk+1
St (Tk+1 Tk )E e t rs ds
X
= 1{ >Tk+1 } Gt
k=i
n1
X
= St (Tk+1 Tk )B(t, Tk+1 )
k=i
= St B(t, Ti , Tn )
o " #
R Tk
(rs +s )ds
B(t, Tk ) = 1{ >t} E e t Ft , 0tT
Linconnue principale de ce problme est quel montant St pay par lacheteur est
juste. En galisant les deux jambes, nous avons
n1
" #
1 X R Tk+1 r ds
St = e t s
1(Tk ,Tk+1 ] ( )(1 Reci+1 )Gt .
E
B(t, Ti , Tn ) k=i
Nous nous plaons dans le cas dun dfaut possible de la contrepartie linstant
c T , nous allons dterminer la forme gnrale dun CVA unilatral. Commen-
ons par remarquer que la valeur du produit peut scrire
Le premier terme correspond ce que lon touche si le dfaut na pas lieu. Le second
la somme que lon touche avant que le dfaut se produise. Le troisime ce que
lon touche une fois que le dfaut est intervenu, Rec est le taux de recouvrement,
soit la contrepartie a encore des liquidits pour rembourser une proportion Rec,
soit rien du tout. Enfin, le dernier terme avec le min correspond ce que va devoir
payer linvestisseur si la valeur est ngative. Si cela peut aider le lecteur remarquons
que (x) = (x)+ . On passe maintenant sous lesprance risque neutre o lon
note pour allger E = EQ
(
D
V (t, T ) =E V (t, T )1c >T + V (t, c )1t<c T
)
+ 1t<c T [D(t, c )(Rec(V (c , T ))+ + (V (c , T )) )] Gt
(
=E V (t, T )1c >T + V (t, c )1t<c T
)
+ 1t<c T [D(t, c )((1 Rec)(V (c , T ))+ + V (c , T ))] Gt (4.5)
(
=E V (t, T )(1c >T + 1t<c T )
)
1t<c T D(t, c )(1 Rec)(V (c , T ))+ Gt
" #
=E[V (t, T )|Ft ] E 1t<c T D(t, c )(1 Rec)(V (c , T ))+ Gt .
En comparant les quations (4.4) et (4.5), on en dduit que le CVA unilatral est
" #
UCVA(t) = E 1t<c T D(t, c )(1 Rec)(V (c , T ))+ Gt .
Pour le cas dun DVA unilatral, nous notons I linstant de dfaut de linves-
tisseur et dduisons des rsultats prcdents sur le UCVA que
et donc " #
UDVA(t) = E 1t<I T D(t, I )(1 Rec)(V (c , T )) Gt .
En se servant des rsultats sur les CVA et DVA, nous pouvons crire pour chacun
de ces trois cas les correspondances
Vc >T I >T = V (t, T ).
Vc T c <I = V (t, c ) + D(t, c )(Recc (V (c , T ))+ + (V (c , T )) ).
VI T I <c = V (t, I ) + D(t, I )((V (I , T ))+ + RecI (V (I , T )) ).
(
=E 1c >T I >T V (t, T )
5 Mesure de risque
Avant de rentrer dans le vif du sujet, nous prsentons la notion de mesure de
risque montaire. Il sagit dune fonction vrifiant les deux proprits suivantes
pour tout X et Y deux v.a.r., la valeur de deux portefeuilles
Ce nest pas tout fait suffisant pour avoir une bonne mesure de risque, ce que
lon appelle une mesure cohrente du risque, il nous faut rajouter deux proprits
(X + (1 )Y ) (X) + (1 )(Y ).
P(rT V aR(, T )) =
P(V aR(, T ) rT ) = 1 .
VaR historique. Pour dterminer la Var par cette mthode, il suffit de prendre
en compte lhistorique des rendements rt . Supposons par exemple que nous
cherchons la VaR 99% sur T = 1000 jours, nous navons qua trouver le
Cest une mthode non paramtrique, cest--dire que nous navons fait
aucune hypothse de distribution sur les rendements et que nous prenons
en compte toutes les caractristiques relles de la srie financire prise en
compte. Nanmoins, pour calculer la VaR historique, nous ne prenons quun
chantillon, la statistique nest pas forcment reprsentative de ce quil va se
passer dans le futur. Prendre un historique grand pour avoir plus dinforma-
tion et donc avoir lestimateur convergeant vers la valeur thorique nest pas
forcment une bonne ide, en effet, les variations trs lointaines (par exemple
dil y a plus de 30ans) ne sont pas forcment significatives. Pour amliorer ce
moyen de calculer la VaR nous pouvons affecter des poids aux observations,
plus les donnes sont rcentes, plus on leur donne de limportance dans le
calcul. Egalement, nous pouvons tirer des chantillons bootstrap.
De la on en dduit
T2
V aR(, T2 ) = V aR(, T1 ).
T1
La connaissance de la VaR 1 jour nous permet donc de connatre la Var
sur 10 jours par exemple. Cela peut simplifier les calculs.
VaR Monte-Carlo. Pour rsumer, il sagit dun mix des deux mthodes prc-
dentes. La VaR historique se confronte au problme des donnes disponibles
et de leurs significativits. La VaR paramtrique suppose quant elle de
connatre la distribution des donnes et surtout de pouvoir inverser la distri-
bution pour faire le calcul. Si lon suppose que les donnes sont gaussiennes,
pas de problme, mais cela nest pas raliste avec les faits styliss. Si lon sup-
pose une distribution plus complexe, nous ne connaissons pas forcment la
densit, par exemple avec le modle de marche alatoire multifractal (MRW).
Supposons que notre choix de distribution porte sur la MRW, pour estimer
la VaR dans ce cas, la seule possibilit est de gnrer n ralisations, et de
dterminer la VaR pour chacune dentre elles, le rsultat tant la moyenne
n
1X
V aR(, T ) = V ari (, T )
n i=1
La VaR nest pas une mesure de cohrente, elle ne vrifie pas lhypothse de
convexit. La diversification des positions ne va pas forcment diminuer le risque.
Comme nous lavons dj dit, la VaR ne donne aucune information sur le niveau de
la perte, seulement la probabilit doccurrence. Il existe dautre mesure de risque,
plus ou moins intressante, la plus connue est lexpected shortfall qui prend en
compte ces deux derniers points.
Pour tre complet sur cette partie il faudrait introduire des notions de dcision
dans lincertain, dintgrale de Choquet par exemple. Dans tous les cas, cela reste
trs thorique, il faut backtester les rsultats et que le niveau est bien souvent
impos, entre autre, par votre futur management.
5.3 Backtesting
Comme pour une stratgie de trading, nous avons besoin de backtester notre
mesure de risque, est-ce quelle est correcte ou non. Lide est de dterminer notre
mesure on line, pour un certain niveau de risque est-ce que nous avons bien
les dpassements prvus. Graphiquement, si nous traons les rendements avec les
intervalles des VaR par exemple, il sagit de voir si les rendements dpassent,
comme prvu, ces intervalles. Si nous avons choisi de prendre une distribution
gaussienne, nous allons sous-estimer les dpassements. Si nous avons choisi une
loi trop extrme, nous allons sur-estimer les dpassements, mais finalement, cela
nest pas forcment plus mal.
Remarquons tout de mme un gros inconvnient de ce type de mesure. Suppo-
sons que tout cela fonctionne bien, nous avons la probabilit exacte de passer sous
une certaine perte, mais, de combien va tre la perte, cela est une autre question.
5.4 Drawdown
Le drawdown reprsente la perte de richesse par rapport au plus haut niveau
de richesse atteint par la stratgie. Si nous notons (Vt )t0 la valeur du portefeuille,
le drawdown est dfini par
Dt = max Vs Vt .
0st
Il faudrait des drawdowns les plus faibles possible, cela reviendrait dire que
la stratgie ne cesse dempocher des gains. Un drawdown positif est donc qui-
valent une perte et le maximum drawdown peut tre vu comme une mesure
de risque. Pour pouvoir modliser cette quantit et donc de pouvoir dterminer
des probabilits de perte, il faut dans un premier temps trouver la distribution.
Pour ce faire, nous pouvons appliquer ce que lon appelle un test dadquation,
il en existe normment. Nous pouvons diffrencier les tests paramtriques des
tests non paramtriques. La diffrence est que dans le premier cas nous suppo-
sons une distribution, par exemple si nous supposons que les rendements sont
gaussiens, nous pouvons utiliser le test de Jarque Bera, Lilliefors ou Shapiro-Wilk
entre autres. Nous prsentons ici des tests non paramtriques, cest--dire que nous
ne supposons aucune distribution en particulier. Lun des plus connu est le test de
Kolmogorov-Smirnov. Il sappuie sur la distance D dfinie par,
Dn = n max
x
|Fn (x) F (x)|
1.0
0.5
0.0
0.5
time
2 c2
(1)n1 e2n
X
P(Dn > c) = 2
n=1
Par la construction de Dn , on voit bien que le test est happ par les valeurs
centrales et que les queues de distributions ne sont pas bien prises en compte par
ce test. Le test suivant est graphique, cela permet de prendre en compte les valeurs
extrmes, mais la contrepartie est que cela reste subjectif.
Soit (Yt , 0 < t n) une srie dobservations. On souhaite vrifier si elle suit
une certaine loi L de paramtre = (1 , , d ) Rd . On gnre un chantillon
(x1 , x2 , , xn ) de loi L et de mme paramtres que ceux trouvs sur lchantillon
(y1 , y2 , , yn ). Le qq-plot est le graphique form par les couples Qj = (qxj , qyj ) o
quj est le quantile lordre j de la variable u. Si les deux sries ont la mme loi sous
jacente, alors les Qj dcrivent une droite. Pour faire simple, il sagit simplement
du graphe des quantiles de lchantillon observ sur un axe et des quantiles dune
loi de probabilit bien choisie sur lautre axe. Naturellement, si les deux lois sous
jacentes aux observations sont les mmes, nous devrions avoir une droite comme
graphe.
On prsente le qq-plot des log-rendements du S&P 500 sur la figure (5.4) en
prenant la loi normale comme loi de rfrence.
0.10
0.4
0.2
0.05
Quantiles Thoriques
Quantiles Thoriques
0.0
0.00
0.2
0.05
0.4
0.6
0.10
2 0 2 2 0 2
5e01
0.500
5e02
0.050
Fn
Fn
5e03
0.005
0.001
5e04
0.000 0.001 0.002 0.003 0.004 0.005 0.006 0.007 0.0000 0.0005 0.0010 0.0015 0.0020 0.0025
return return
Scholes. Pour dterminer la probabilit maximum des drawdowns, nous avons be-
soin de faire des calculs. Cela repose principalement sur le principe de rflexivit
du mouvement brownien.
XT = max Wt
0tT
alors
XT 0 p.s.
comme W0 = 0 par hypothse. Introduisons maintenant le temps darrt
a = inf{t R+ : Wt = a}.
2P(WT Wa > 0 & a < T ) = 2P(WT Wa < 0 & a < T ) = P(a < T ).
Si linstant de passage lieu avant T comme cest le cas ici, nous avons Wa = a
et nous pouvons conclure
dSt = St dWt
(nous faisons le cas sans drift pour commencer). Cela ne change pas grand chose
en fait
MT = max St
0tT
= S0 max eWt
0tT
max0tT Wt
= S0 e = S0 eXT
La densit ne change donc pas, cest toujours celle du maximum du brownien.
Rajoutons maintenant le drift, nous pouvons par exemple par une astuce consi-
drer le processus
Wt = t + Wt .
Pour le maximum nous avons
MT = max St
0tT
1 2 )t+W
= S0 max e(r 2 t
0tT
= S0 max eWt
0tT
= S0 emax0tT Wt
= S0 eXT
= /2 + r/.
6 Appendix
6.1 Equation diffrentielle
Nous avons souvent besoin de savoir rsoudre des quations diffrentielles,
dordre 1 comme 2, nous allons faire quelques rappels sans rentrer dans la thorie.
y 0 a(x)y = 0
et la rsoudre
y(x) = eA(x)
o A est la primitive de a en x. Si nous trouvons de tte la solution de (6.1)
en prenant en compte le second membre b, alors il ny a qu faire la somme
de la solution de lquation homogne avec celle-ci. Il sagit de la mthode de
superposition. Si nous navons pas dide, on peut faire la mthode de variation de
la constante, i.e. poser = (x) et faire la drive de la solution prcdente
cela est un peu plus compliqu. Nous ne considrons ici que les cas o les coefficients
sont constants, ai (x) = a(x) pour tout i = 0, , n. La premire tape consiste
considrer lquation homogne crire lquation caractristique correspondante
z (n) + an1 z (n1) + + a1 z + a0 = 0,
et trouver les racines rm , , r1 (m n) complexe de multiplicit respective i .
Lespace vectoriel solution est alors
(m )
k x
X
H= Pk (x)e , Qk Crk 1 [z]
k=1
en dautre terme,
y(x) =R1 (x)ex1 x + + Rp (x)exp x
+ (C1,1 cos (=(z1 )x) + C1,2 sin (=(z1 )x)) e<(z1 )x +
+ (Cq,1 cos (=(zq )x) + Cq,2 sin (=(zq ))) e<(zq )x
o xi , i = 1, , p sont les racines relles de multiplicit `j , zi , i = 1, , q les
racines complexes de multiplicit mj et Ri des polynmes rels de degr `i 1 et
Ci,1 , Ci,2 des polynmes rels de degr mi 1.
Pour prendre en compte le second membre, deux possibilits, soit il a une bon-
ne forme, soit pas, auquel cas on fait la mthode de variation des constantes. Si
bonne forme, i.e. du type b(x) = P (x) cos(x)e x ou b(x) = P (x) sin(x)ex avec
P un polynme de degr d alors on va chercher une solution particulire du type
y(x) = (Q(x) cos(x) + R(x) sin(x)) ex o Q et R sont des polynmes de degr
d + m avec d la multiplicit de la racine complexe de lquation caractristique
(donc gal 0 si + i nest pas solution).
En posant ensuite v = u0 /u
Cette dernire quation est soluble simplement par les mthodes habituelles. On
peut alors retrouver la solution de lquation initiale y = u0 /(c(x)u). Cette qua-
tion est entre autre utile pour le modle CIR dans la valorisation de zro-coupon
ainsi que dans le modle volatilit stochastique de Heston.
Q = E(1A L)
est une nouvelle probabilit. On dira que L est la densit de Q par rapport P et
dQ
= L.
dP
Si lon considre une variable alatoire X dfinit sur (, F, Q), nous avons
Z
EQ (X) = XdQ
Z
= XLdP
= E(XL).
Lemme 6.1. Soit (Mt )tR+ , cest une Ft -martingale sous Q ssi (Lt Mt )tR+
est Ft -martingale sous P.
ainsi,
n
!!
2
i X i i
X
E exp = 1.
i=1 2
Posons
n
!
2
i Xi () i ,
X
Z() = exp
i=1 2
alors nous avons une nouvelle probabilit Q sur (, F), Q(d) = Z()P(d), soit,
Z
Q(A) = EP (Z1A ) = Z()P(d).
A
La mesure Q est bien une probabilit sur (, Ft ) puisque EP (Z) = 1. Pour toute
la suite, nous posons !
m m2 t
Zt = exp mWt .
2
Thorme 6.1. (Formule Cameron-Martin) Sous la mesure Qm
T , le processus
Wt : t 7 Wt mt, tT
Preuve 6.2. Remarquons que les filtrations FtW et FtW sont identiques pour
tout t T . Fixons R et posons
Lt = exp(Wt 2 t/2).
EQ (Lt 1A ) = EP (Lt Zt 1A )
= EP (exp Wt 2 t/2 + mWt m2 t/2 1A )
= EP (exp Wt mt 2 t/2 + mWt m2 t/2 1A )
= EP (exp ( + m)Wt ( + m)2 t/2 1A )
= EP (exp ( + m)Ws ( + m)2 s/2 1A )
= EP (Ls Zs 1A )
= EQ (Ls 1A ).
Ainsi,
EQ (Lt |FsW ) = Ls , s t T.
L est donc une (FtW )-martingale pour tout R. Le thorme de caractrisation
de Paul Lvy nous permet de conclure.
Preuve 6.3. Daprs (6.1), on montre que S W est une martingale sous P et
par application du lemme, W est une martingale sous Q. De plus, il est clair que
nous avons hWt i = t. On en dduit que sous Q, W est une martingale continue de
crochet hWt i = t, soit un mouvement Brownien.
trs facilement. Sous Q, le processus Nt = St ert /S0 est une martingale positive
desprance 1, en posant dQ = Nt dQ, nous avons
Alors Rt
Mt = u(t, t )e 0
s ds
, t [0, T ]
est une martingale locale. De plus, si
Mt (t,t )
1.
L2 [0, T ], ou
2. M uniformment borne,
alors M est une (vraie) martingale et la solution de ce problme est donne par,
RT
s ds
u(t, t ) = EQ e t (rT )|Ft ,
Preuve 6.5 (Preuve). Il est clair que M est de classe C 1,2 , alors,
!
u u 1 2u Rt
dMt = (t, t ) + (t, t ) + 2 2 (t, t ) t u(t, t ) e 0 s ds dt
t 2
u R t
+ (t, t )e 0 s ds (t, t )dBt
u Rt
= (t, t )e 0 s ds (t, t )dBt .
Ainsi, M est bien une martingale locale. En rajoutant lune des deux conditions,
nous avons une martingale. Ensuite, comme
RT
MT = (T )e 0
u du
nous avons,
" Z T
Rt
u du
u(t, t )e = EQ exp( u du)(T ) Ft ].
0
0
Rt
u du
On termine la preuve en multipliant par e 0 .
En terme de cette probabilit p, nous pouvons donc crire pour tout suffisamment
rgulier
1 Z i+
Z
iky
E((X)) = (k) e (y)dy dk.
2 i
Si nous prenons le cas particulier de (y) = 1> pour x R nous avons alors
1 Z i+ Z
P(X > x) = (k) eiky dy dk
2 i x
Z i+ ikx
1 e
= (k)dk.
2i i k
C(0, S, T, K) = S0 1 KerT 2
eiuk T (u i)
!
1 1Z
1 = + < du
2 0 iuT (i)
eiuk T (u)
!
1 1Z
2 = + < du
2 0 iu
o t = E[exp(iuxT )].
eiux T (u)
!
1 1Z
2 = P (xT > k) = + < du
2 0 iu
Pour dterminer le premier terme, nous introduisons une nouvelle mesure Q tel
que dQ/dP = ST /S0 . Ainsi
Z
rT xT
E e e 1{xT >k} = ert ex(T ) 1xT >k dP(x)
tR
Z
Q
= ert ex(T ) 1xT >k dS0 (x)
tR ST
= S(0)Q(xT > k)
Comme nous lavons expliqu lors des changements de numraire, nous avons be-
soin de dterminer les changements de caractristiques du processus sous la nou-
velle mesure. Ce qui nous intresse ici va donc tre de dterminer la forme de la
fonction caractristique de (xt )tR+ sous Q en t = T
Z
iuxT
EQ (e )= eiuxT dQ(x)
xR
xT iuxT
E(e e ) T (u i)
= x
= .
E(e )T T (i)
eiuk T (u i)
!
1 1Z
1 = + < du.
2 0 iuT (i)
Pour plus de prcisions sur cette mthode et dvaluation des options et des
approches alternatives, nous renvoyons [CaMa99].
dfinies entre a et b, deux rels diffrents de nous avons pour une intgrale de
Riemann la discrtisation
Z b n
X
f (x)dx f (ki )
a i=1
L1 (x) = x + 1
1
L2 (x) = (x2 4x + 2)
2
1
L3 (x) = (x3 + 9x2 18x + 6).
6
Le calcul des racines et des wi est laiss au lecteur.
H1 (x) = x
L2 (x) = x2 1
P3 (x) = x2 3x.
f f (x + x) f (x)
= lim , x Rd , (6.3)
x x0 x
f
cela nous indique comment un changement de x affecte f . Si < 0 cela signifie
xi
quune augmentation infinitsimale du paramtre xi ferait baisser la fonction f .
On cherche donc changer x dans la direction du vecteur de gradient f ,
(
x0 Rd
, (6.4)
xk+1 = xk k f
> 0 est le pas de dplacement, sil est assez petit on sera assur davoir une
rduction de f chaque itration, mais si trop petit, la convergence sera trs lente
vers un minimum local, si trop grand, divergence possible.
1 1
x (f (xk ) + f (xk )(x xk ) + ||x xk ||2 ) = f (xk ) + (x xk ). (6.6)
2
On cherche donc rsoudre,
1
f (xk ) + (x xk ) = 0
(6.7)
xk+1 = xk f (xk ).
On retrouve bien lalgorithme de descente du gradient.
Il sagit dun exemple simple dun algorithme de descente. Les ides gnrales
dun algorithme de descente sont les suivantes :
xk+1 = xk + dk . (6.8)
Une fois la direction dk dtermine, il faut soccuper de dterminer le pas
de dplacement optimal, . Comme on cherche minimiser f , on peut vouloir
minimiser le critre le long de dk et donc de dterminer le k comme solution du
problme,
k = arg min
f (xk + dk ). (6.9)
Il sagit de la rgle de Cauchy. La rgle suivante sappelle la rgle de Curry,
d>
k f (xk )
k = . (6.12)
||dk ||2A
Si la fonction minimiser na pas toutes les bonnes proprits requises, alors
il se peut que les rgles (et donc les pas fournis) de Cauchy ou Curry nexistent
pas. De plus, la dtermination exacte de k (au sens de Cauchy ou Curry) peut
savrer trs coteuse en temps de calcul, ce qui nest pas forcment compens
par le gain de temps dans la minimisation de f . On va naturellement essayer de
construire des algorithmes peu gourmands approchant au moins lune des deux
Le pas dtermin par cet algorithme a la fcheuse tendance tre trop petit et
donn une convergence trop lente. La rgle de Goldstein est,
0
f (xk + k dk ) f (xk ) + w1 k f (xk )d>
k. (6.14)
0
o w1 [w1 , 1]. Cette rgle permet de ne pas choisir de k trop petit. Les conditions
de Wolfe permettent galement davoir un pas de dplacement pas trop petit et
vrifient la condition de dcroissance linaire (6.13),
1
f (x) = f (xk ) + f (xk )(x xk ) + (x xk )> Hf (xk )(x xk ), (6.16)
2
(1) Si
f (xk + ki dk ) f (xk ) + w1 ki f (xk )d>
k.
i [(1 )i + i , i + (1 )i ].
(2) Sinon,
(2.1) Si
f (xk + ki dk ) w2 gk d>
k.
i [(1 )i + i , i + (1 )i ].
Le problme ici est que les Bk ne sont pas forcment dfinis positifs. La mise
jour de Davidson, Fletcher et Powell permet de pallier ce problme, elle est
donne par,
sk s>
k Bk yk y > Bk
Bk+1 = Bk + > k . (6.21)
sk y k yk Bk yk
Nous prsentons enfin la mthode de Broyden, Fletcher, Goldfard et Shanno
(BFGS),
On peut montrer dans ce cas que la convergence est superlinaire, i.e. que,
||wk+1 w ||
lim = 0. (6.22)
||w w ||
k
Algorithme Gntique
Paramtres : q, p, p0 .
Initialisation : On gnre une population de possibilits xi = (xi1 , , xim ),
i = 1, , P avec m le nombre de paramtres optimiser et P la taille de la
population. Chacun des xi est appel un chromosome.
7 Rfrences
Rfrences
[AlEw07] E. Alos et C.O Ewald, 2007, Malliavin Differentiability of the Heston
Volatility and Applications to Option Pricing, preprint, 28pp.
[AnAn00] L. Andersen, et J. Andreasen, 2000, Volatility Skews and Extensions of
the LIBOR Market Model, Applied Mathematical Finance 7, 1-32.
[Ch96] L. Chen, 1996, Stochastic mean and stochastic volatility : a three factor
model of term structure of interest rates and its application to the pricing of
interest rate derivatives, Blackwell publishers.
[Co75] J.C. Cox, 1975, Notes on Option Pricing I : Constant Elasticity of Variance
Diffusions, Working paper. Stanford University.
[CoInRo85] J. C. Cox, J.E. Ingersoll et S.A. Ross, 1985, A Theory of the Term
Structure of Interest Rates, Econometrica 53 : 385-407
[Cr03] S. Crpey, 2003, Calibration of the Local Volatility in a generalized Black-
Scholes model using Tikhonov regularization, SIAM Journal on Mathematical
Analysis, Vol. 34 No 5, pp. 1183-1206.
[DeKa94] E. Derman, I. Kani, 1994, Riding on a Smile, Risk, 7(2), pp. 32-39.
[DeGaRi05] J. Detemple, R. Garcia, M. Rindisbacher, 2005, Representation for-
mulas for Malliavin derivatives of diffusion processes, Finance and Stochas-
tics Vol 9, No 3
[DuMaYo94] D. Duffie, J. Ma, J. Young, 1994, Blacks consol rate conjecture, wor-
king paper, Stanford University.
[DuPaSi00] D. Duffie, J. Pan et K. Singleton, 2000, Transform analysis and asset
pricing for affine jump-diffusions, Econometrica, 68(2), 1343-1376.
[Du94] B. Dupire, 1994, Pricing with a Smile, Risk, 18-20.
[Fi00] D. Filipovic, 2000, Exponential-Polynomial Families and the Term Structure
of Interest Rates, Bernoulli, 6, 1-27.
[Fu11] M. Fukasawa, 2011, Asymptotically efficient discrete hedging, Stochastic
analysis with Financial Applications, Progress in Probability 65 331-346.
[FoLaLeLiTo99] E. Fournie, J.M. Lasry, J. Lebuchoux, P.L Lions et N. Touzi,
1999, Applications of Malliavin Calculus to Monte Carlo Methods in Finance,
Finance and Stochastics, 3, 391 - 412.
[FoLaLeLi01] E. Fournie, J.M. Lasry, J. Lebuchoux, P.L Lions, 2001, Applications
of Malliavin Calculus to Monte Carlo Methods in Finance, II. Finance and
Stochastics. 5, 201-236.
[Ga06] J. Gatheral, 2003, The Volatility Surface : A Practitioners Guide, John
Wiley & Sons.
[Ga04] J. Gatheral, 2004, A parsimonious arbitrage-free implied volatility parame-
terization with application to the valuation of volatility derivatives, Presen-
tation at Global Derivatives.
[La08] P.H. Labordre, 2008, Analysis, geometry, and modeling in finance : Ad-
vanced methods in option pricing, CRC Press, 402pp.
[Lee04] R. Lee, 2004, The moment formula for implied volatility at extreme strikes,
Mathematical Finance 14(3) : 469-480.
[LaOs97] R. Lagnado et S. Osher, 1997, A Technique for Calibrating Derivative
Security Pricing Models : Numerical Solution of an Inverse Problem, Journal
of Computational Finance, 1, 1, pp. 1325.
[LoSc92] F. Longstaff et E. Schwartz, 1992, Interst rate volatility and the term
structure : a two factor general equilibrium model, Journal of Fixed Income
Models, 7-14.
[MaPa99] C. Martini et C. Party, 1999, Variance optimal hedging in the Black-
Scholes model for a given number of transactions, INRIA Rapport de re-
cherche, no. 3767.
[Me74] R. Merton, 1974, On the pricing of corporate debt : the risk structure of
interest rates, J. of Finance, 3 :449-470.
[NeSi87] C. Nelson et A. Siegel, 1987, Parsimonious modeling of yield curves, J.
of Business 60, 473-489.
[Nu06] D. Nualart, 2006, Malliavin Calculus and Related Topics, 2nd Edition.
Springer-Verlag.
[Ok97] B.K. ksendal, 1997, An Introduction To Malliavin Calculus With Appli-
cations To Economics, lecture notes, Dept. of Mathematics, University of
Oslo, 83pp.
[Pr12] N. Privault, 2012, An Elementary Introduction to Stochastic Interest Rate
Modeling, Second Edition, Advanced Series on Statistical Science & Applied
Probability, 16, World Scientific Publishing Co., Singapore.
[Ri78] S. Richard, 1978, An arbitrage model of the term structure of interset rates,
Journal of Financial Economics, vol. 6, 33-47.
[ScSc84] S. M. Schaefer et E. S. Schwartz, 1984, A two factor model of the term
structure : an approximate analytical solution, Journal of Financial and
Quantitative Analysis, vol. 19, no. 4, 413-424.
[Sv94] L. E. O. Svensson, 1994, Estimating and interpreting forward interest rates :
Sweden 1992-1994, IMF Working Paper No. 114.
[Va77] O. Vasicek, 1977, An Equilibrium Characterisation of the Term Structure.
Journal of Financial Economics 5 (2) : 177-188.
[Wa97] D. Waggoner, 1997, Spline methods for extracting interest rate curves from
coupon bond prices, Federal Reserve Bank of Atlanta, Working Paper series,
97-10.
[Wa84] S. Watanabe, 1984, Lectures on Stochastic Differential Equations and Mal-
liavin Calculus, Springer, New Yor, 113pp.
[WuZh02] L. Wu et F. Zhang, 2002, Market Model : from Deterministic to Stochas-
tic Volatility, Working Paper, Claremont Graduated University and Hong
Kong University of Science and Technology, pp 29.