Modles de Taux,

Surface de Volatilit et Introduction au Risque de Crdit

Alexis Fauth

Universit Lille I
Master 2 Mathmatiques et Finance
Spcialits Mathmatiques du Risque & Finance Computationelle

2014/2015

spread 10Y ( France, Italie, US) Allemagne

5
4
3
2
1
0
1

2004 2006 2008 2010 2012

membre associ de luniversit Paris I - Pantheon Sorbonne, laboratoire SAMM.

alexis.fauth@gmail.com, http://samm.univ-paris1.fr/-Alexis-Fauth-
Table des matires
1 Prsentation des marchs financiers 6
1.1 March financier . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.1.1 Organis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.1.2 De gr fr . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.1.3 Acteurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.1.4 Cots de transactions . . . . . . . . . . . . . . . . . . . . . . 7
1.2 Produits financiers . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.1 Action . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.2 Indice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3 Matire Premire . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.1 Taux de change . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.2 Tracker . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.3 Contrats forward et future . . . . . . . . . . . . . . . . . . . 10
1.3.4 Option . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.5 Obligation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3.6 Driv de crdit . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4 Comit de Ble . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.5 Risques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.5.1 Risque de taux dintrt . . . . . . . . . . . . . . . . . . . . 14
1.5.2 Risque de crdit . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.5.3 Risque dinflation . . . . . . . . . . . . . . . . . . . . . . . . 15
1.5.4 Risque de taux de change . . . . . . . . . . . . . . . . . . . 16
1.5.5 Risque de taxe . . . . . . . . . . . . . . . . . . . . . . . . . 16

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

3 Valorisation sur action 70

3.1 Modle volatilit constante . . . . . . . . . . . . . . . . . . . . . . 70
3.1.1 Modle de Black and Scholes . . . . . . . . . . . . . . . . . . 70
3.1.2 Grecques et hedging . . . . . . . . . . . . . . . . . . . . . . 73
3.2 Surface de volatilit . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
3.2.1 Dfinition et problme de calibration . . . . . . . . . . . . . 79
3.2.2 Volatilit implicite forward . . . . . . . . . . . . . . . . . . . 80
3.3 Modle volatilit locale . . . . . . . . . . . . . . . . . . . . . . . . 83
3.3.1 Diffusion de Dupire . . . . . . . . . . . . . . . . . . . . . . . 83
 3.3.2 Volatilit implicite dans le modle de Dupire . . . . . . . . . 85
3.3.3 Problme de calibration . . . . . . . . . . . . . . . . . . . . 87
3.3.4 Modle shifted-lognormal . . . . . . . . . . . . . . . . . . . . 90
3.3.5 Modle CEV . . . . . . . . . . . . . . . . . . . . . . . . . . 91
3.4 Volatilit stochastique . . . . . . . . . . . . . . . . . . . . . . . . . 92
3.4.1 Lien avec la volatilit implicite . . . . . . . . . . . . . . . . . 95
3.4.2 Modle de Heston . . . . . . . . . . . . . . . . . . . . . . . . 98
3.4.3 Modle de Wu et Zhang . . . . . . . . . . . . . . . . . . . . 102
3.4.4 Modle SABR . . . . . . . . . . . . . . . . . . . . . . . . . . 105
3.5 Drives sur volatilit . . . . . . . . . . . . . . . . . . . . . . . . . . 108
3.5.1 Swap de variance . . . . . . . . . . . . . . . . . . . . . . . . 108
3.5.2 Option sur volatilit . . . . . . . . . . . . . . . . . . . . . . 110
3.5.3 VIX . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
3.6 Calcul de Malliavin . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
3.6.1 Elments de thorie . . . . . . . . . . . . . . . . . . . . . . . 113
3.6.1.1 Chaos de Wiener . . . . . . . . . . . . . . . . . . . 114
3.6.1.2 Intgrale multiple stochastique . . . . . . . . . . . 116
3.6.1.3 Drive de Malliavin . . . . . . . . . . . . . . . . . 119
3.6.1.4 Intgrale de Skorohod . . . . . . . . . . . . . . . . 122
3.6.2 Application la finance . . . . . . . . . . . . . . . . . . . . 125
3.6.2.1 Calcul des sensibilits . . . . . . . . . . . . . . . . 126
3.6.2.2 Sensibilit pour option asiatique . . . . . . . . . . . 130
3.6.2.3 Raffinement du hedging . . . . . . . . . . . . . . . 132

4 Introduction au risque de crdit 132

4.1 Processus ponctuel . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
4.2 Obligation en cas de dfaut . . . . . . . . . . . . . . . . . . . . . . 134
4.3 Modle de firme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
4.3.1 Modle de Merton . . . . . . . . . . . . . . . . . . . . . . . 138
4.3.2 Modle de Black et Cox . . . . . . . . . . . . . . . . . . . . 138
4.4 Credit Defaut Swap . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
4.5 Credit Valuation Adjustment . . . . . . . . . . . . . . . . . . . . . 141

5 Mesure de risque 144

5.1 Value At Risk . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
5.2 Expected Shortfall . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
5.3 Backtesting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
5.4 Drawdown . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
6 Appendix 155
6.1 Equation diffrentielle . . . . . . . . . . . . . . . . . . . . . . . . . 155
6.1.1 Equation du premier ordre . . . . . . . . . . . . . . . . . . . 155
6.1.2 Equation dordre n . . . . . . . . . . . . . . . . . . . . . . . 155
6.1.3 Equation de Riccati . . . . . . . . . . . . . . . . . . . . . . . 156
6.2 Calcul stochastique et applications . . . . . . . . . . . . . . . . . . 157
6.2.1 Thorme de Girsanov . . . . . . . . . . . . . . . . . . . . . 157
6.2.2 Changement de numraire . . . . . . . . . . . . . . . . . . . 160
6.2.3 Thorme de Feynman-Kac . . . . . . . . . . . . . . . . . . 161
6.3 Pricing doption par transforme de Fourier . . . . . . . . . . . . . 162
6.4 Approximation dintgrale . . . . . . . . . . . . . . . . . . . . . . . 164
6.5 Optimisation non linaire . . . . . . . . . . . . . . . . . . . . . . . . 167
6.5.1 Descente de gradient . . . . . . . . . . . . . . . . . . . . . . 167
6.5.2 Algorithme gntique . . . . . . . . . . . . . . . . . . . . . . 172

7 Rfrences 173
Modle de Taux

1 Prsentation des marchs financiers

1.1 March financier
1.1.1 Organis
Un march organis, ou bourse, est une plateforme permettant aux acheteurs
et aux vendeurs de produits financiers deffectuer des transactions, dexcuter des
ordres de bourses, via un intermdiaire qui transmet lordre un membre officiel
de la bourse. La chambre de compensation est un pilier central dans la bourse,
elle intervient comme contrepartie entre acheteurs et vendeurs en garantissant la
bonne fin des oprations. Il ne sagit ni plus ni moins que de lacheteur de tous les
vendeurs et du vendeur de tous les acheteurs. Ltablissement Clearnet soccupe
du bon fonctionnement de lensemble des bourses europennes (Euronext).

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

1.1.4 Cots de transactions

Si lon achte ou vend un produit financier, quel quil soit, il faut rmunrer
les intermdiaires, personne ne travaille gratuitement ! On ne peut pas donner ici
de pourcentage prcis de cot, cela dpend du volume, du montant du produit
financier que lon traite et galement de votre broker, plus on achte, plus le
pourcentage va tre avantageux. Il faut donc bien se renseigner sur les montants
demands par votre broker et les prendre en compte dans votre stratgie.

1.2 Produits financiers

1.2.1 Action
Une action (share, ou stock) est un titre de proprit dune entreprise confrant
son dtenteur (lactionnaire) un droit de vote dans la politique de gestion de
lentreprise ainsi que des dividendes. Il sagit donc dune fraction du capital social
de lentreprise mise afin de se financer sur les marchs. La valeur initiale de laction
est dtermine par la socit, ensuite, elle volue sur les marchs en fonction de
loffre et de la demande.
Il existe deux types daction, ordinaire ou prfrentielle. Le dtenteur dune
action prfrentielle a un droit de priorit par rapport au dtenteur dune action
ordinaire, une socit na pas le droit de verser des dividendes aux actionnaires
ordinaires tant que les privilgis nont pas t rmunrs. La deuxime priorit
intervient en cas de liquidation de lentreprise, le dtenteur bnficiera dun rem-
boursement prioritaire pour la valeur de chacune de ses actions.
Enormment de facteurs rentrent en compte dans la formation des prix, en pre-
mier lieu les fondamentaux de lentreprise, notons les variations de taux de changes,
les annonces conomiques/macroconomiques, les dcisions gouvernementales ainsi
que les mouvements purement spculatifs. Un simple ordre pass sur le march,
disons de vente, quelle quen soit la raison, sil est relativement important, peut
entraner lui seul un effet de panique et conduire une vente de la part des
autres dtenteurs de la mme action, on parle alors de price impact.

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

gnie des Agents de Change, aujourdhui Cotation Assiste en Continu. La valeur

de lindice est une pondration de chacun des 40 titres de socits en fonction de
leur capitalisation flottante. Sa composition est mise jour tous les trimestres.
Quand une socit nest plus cote, elle est remplace par une des valeurs du CAC
Next 20 en fonction de la liquidit de son titre, capitalisation boursire, volumes
changs, etc. Enfin, notons que sa cotation est ractualise toutes les 15 secondes.
Le CAC Next 20 regroupe les vingt valeurs dont limportance suit celle des valeurs
composant le CAC 40. Le SBF 120 (Socit des Bourses Franaises) est compos
du CAC 40 et des 80 valeurs les plus liquides Paris parmi les 200 premires capi-
talisations boursires franaises. Il existe galement le SBF 250 dont on comprend
facilement la composition. Notons tout de mme que le SBF 80 est quant lui les
80 valeurs suivant le CAC 40, donc hors CAC 40.
Parmi les indices internationaux nous pouvons galement noter le S&P 500
(Standard & Poors, filiale de McGraw-Hill), compos des 500 plus grandes capita-
lisations boursires des bourses amricaines. Comme prcdemment, il existe des
variantes, S&P 100, 400 et 600. Et toujours comme prcdemment, il est pon-
dr par la capitalisation boursire de chacune des ses composantes. Pour une plus
grande diversit sur les marchs amricains on pourra regarder le Russell 1000,
2000, 3000 ou le Wilshire 5000.
Pour voyager un peu dans diffrents pays, notons que lindice principal en Al-
lemagne est le DAX (30 valeurs), Londres le FTSE 100 (Footsie), Hong-Kong
le Hang Seng Index, Taiwan le TSEC et le SSE Composite Index pour Shangai.

Les indices sont donc donns par,

N
X
I(t) = C i xi,t (1.1)
i=1

o N est le nombre de valeurs composant lindice, xi,t la valeur de laction i

linstant t, i le nombre dactions i en circulation et C est une constante de nor-
malisation une valeur de rfrence (par exemple 100) une date bien prcise.

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 Matire Premire

Les commodities, cest dire les matires premires, prennent elles aussi une
importante place dans les marchs organiss, tant pour les besoins de gestion des
risques que pour leur qualit de valeur refuge. Pour le secteur de lnergie on pourra
citer le baril de ptrole brut, le gaz naturel ou llectricit ; pour les matriaux
prcieux ou industriels, lor, largent, le platinium, le cuivre ou le palladium ; pour
les grains, le mas, le soja, lavoine, le riz ou le bl ; les viandes comme les bovins
vivants, bovins dengraissement, le porc maigre, ou la poitrine de porc ; et autres
comme le bois, le coton, le caoutchouc, le jus dorange, le sucre, le caf, le cacao,
le lait, etc.

1.3.1 Taux de change

Nous aurions pu mettre cette section dans le chapitre sur les marchs financiers
puisque lensemble des devises qui sont changes les unes contre les autres un
certain taux de change sont cotes sur le Forex, contraction de Foreign Exchange.
Ce march mondial est le deuxime march financier en terme de volume chang
derrire celui des taux dintrts, il est ouvert 24h/24h du fait des dcalages ho-
raires entre les bourses europenne, amricaine, australienne et japonaise, tout de
mme fermes le week-end ; fermant 22h GMT le vendredi New-York et ouvrant
22h GMT avec la bourse australienne.
Deux types de devises se distinguent, celle fixe par un Etat, on parle alors
dexotique comme le yuan chinois, et celle flottante, valorise par loffre et la
demande sur les marchs, comme leuro ou le dollar amricain.
Un taux de change est toujours exprim de la manire suivante X/Y=z, en
dautres termes, 1 X vaut z Y. La devise de gauche est la devise de base et celle de
droite la devise de contrepartie. Les taux de changes varient jusqu la quatrime
dcimale, ce que lon appelle le pip.

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.

1.3.3 Contrats forward et future

Les contrats forward et future sont des contrats termes, ils sengagent fer-
mement acheter ou vendre une chance dfinie t = T , un prix fix, une
certaine quantit dun actif financier le sous-jacent, la date t = 0. La diffrence
entre un contrat forward et un contrat future est que le premier est OTC tandis
que le second schange sur les marchs organiss. Le sr-mesure propos par le
march de gr gr sexpose naturellement au risque de liquidit. Le sous-jacent
du contrat peut tre physique, or, ptrole, etc., une action, un indice, taux dint-
rt, devises, obligations. Il sagit initialement dun produit destin la gestion des
risques.

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

(Bons du Trsor taux Fixe et intrt prcompt), BTAN (Bons du Trsor

intrts ANnuels) et les OAT (Obligations Assimilables du Trsor).

1.3.6 Driv de crdit

Les drivs de crdit sont traites sur les marchs OTC et par dfinition, crites
sur des produits sensibles au crdit (obligations, etc.). Elles peuvent tre utilises
en vue de transfrer un risque de contrepartie vers un autre pour contrler son
exposition. Comme pour les drivs classiques, il existe deux type de driv de
crdit, celle dite vanille, et celle dite exotique. Pour les vanilles nous pouvons par
exemple citer les crdit dfaut swap (CDS) single name (i.e. ne protgeant que sur
un seul produit) et les collateralized debt obligation (CDO) sur indices. Pour les
exotiques, nous avons par exemple les CDS sur zro-coupons et les CDO2 . Nous
reviendrons plus en dtail sur les CDS la fin de ce cours.

1.4 Comit de Ble

La cration du comit de Ble se fait en 1974 sous limpulsion des rgulateurs
financiers, plus prcisment les directeurs des banques centrales des principales
puissances conomiques. Le comit se runit la banque des rglements inter-
nationaux (BIS) Ble, Suisse, souvent appele la banque centrale des banques
centrales. Le but affich est davoir un framework unifi en terme de rgularisation
pour viter dune part les risques dune trop forte exposition aux marchs mer-
geants et, dautre part, avoir un certain pacte de non-agression entre les diffrentes
banques centrales. Le premier rapport important se fera en 1988 par la publica-
tion des accords de Ble 1 (Basel I) [Ba88]. Cette premire publication ne concerne
uniquement les produits de risques de crdits ainsi que la mthode utiliser pour
calculer le capital minimum requis en fonction de lexposition de la banque. Le
fameux ratio de Cooke y est crit ainsi que le ratio asset to capital multiple. Ce
dernier doit tre infrieur 20%,
Total des actifs
20%.
Capital
Le ratio de Cooke, galement connu comme tant le ratio de risque capital est la
somme des actifs dtenus par lentit divise par leurs facteurs de risques respectifs,
il doit tre au moins suprieur 8%
Capital
8%.
facteurs de risque des actifs

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.

Le comit de Ble publiera un nouveau rapport en 2004 [Ba05] pour rpondre

aux imperfections du premier rapport ainsi que pour sadapter lvolution des
marchs. Ble II repose sur trois piliers. Le premier tant lexigence de fonds
propres, le deuxime pilier les procdures de surveillance et enfin, le troisime un
effort de transparence et de discipline. En ce qui concerne le pilier I, la mthode de
calcul des risques a t modifie. Par exemple, pour le risque de crdit, nous avons
lapproche standardise, lapproche IRBA (Foundation Internal Ratings Based Ap-
proach) et lIRBA avanc. Conformment ces approches, les banques doivent en
plus utiliser les rating fournis par les agences de rating. Sous IRBA avanc, les
calculs de LGD (Loss Given Default) et EAD (Exposure At Defaut) sont calculs
en interne.

La crise depuis 2007 a mis en avant la non-adquation de la rforme Ble II

en cas dvnements extrmes. Ble III est en fait compos de deux amendements
[Ba11] et [Ba13] le premier portant sur le capital et lautre, portant sur la liquidit.

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.

1.5.1 Risque de taux dintrt

Le risque de taux dintrt est certainement le plus vident et lun des plus
importants. Par dfinition, une obligation est indexe sur les taux dintrts, les
cash flows peuvent donc tre plus moins ou intressants selon le niveau du taux
sous-jacent et, plus particulirement, sont sensibles aux variations instantanes des
taux. Les produits typiques de fixed income bougent dans la direction oppose des
variations de taux, si le taux diminue, le prix du produit de fixed income va monter,
et inversement. Ce risque apparat dans le cas o linvestisseur ne compte pas aller

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.

1.5.2 Risque de crdit

Dans les modles de valorisations que nous allons tudier, il est sous entendu
que les obligations achetes arriveront terme et payeront le principal. Cela nest
bien entendu pas le cas chaque fois. En effet, il est tout fait possible que lmet-
teur de lobligation ne puisse pas rembourser en partie ou la totalit de sa dette.
Ce risque est appel risque de crdit et nexiste que pour ce type dinstruments
financiers, pas pour les marchs actions ou Forex par exemple. Si lmetteur de
la dette ne peut pas rembourser le principal, nous dirons quil fait dfaut. Bien
entendu, ce type de risque apparat minime dans le cas dobligations mises par le
gouvernement amricain ou allemand, et, bien plus important pour certains pays
de la zone Euro, de pays mergents ou dentreprises. Nanmoins, la probabilit de
dfaut de Lehman Brother tait note extrmement faible, alors que finalement,
ce ntait pas le cas. Mme pour des produits, priori, faible risque de cr-
dit, il est important de prendre en compte cette notion. En effet, la plupart des
institutions financires comme des institutions dEtat possdent des produits dit
toxiques, mme si en soit, elles ne sont pas sujettes dfaut, il existe un risque de
contagion et donc, une institution sans risque le deviendra.

1.5.3 Risque dinflation

Le risque dinflation nest pas un risque de perte en soit, cest un risque de
voir son cash flow futur diminuer de valeur. Linflation est dfinie en terme de
pourcentage de variation sur un mme panier de biens. Lindice de rfrence est
le CPI, Consumer Price Index. Pour comprendre ce risque, il suffit de raliser que
si linflation augmente de manire importante, le paiement du coupon, mme sil
na pas chang de valeur par rapport ce qui est prvu, ne vaudra plus rien. Bien
sr, ce risque augmente pour des obligations long-terme, il est peu probable de
voir une augmentation de linflation significative sur 1 mois. Pour se couvrir des
risques sur inflation, il existe des produit drivs sur inflation, plus prcisment, le
sous-jacent est le CPI. Egalement, nous pouvons nous prmunir en achetant des
produits comme des matires premires qui elles, sont sensibles linflation.

Alexis Fauth 15
Modle de Taux

1.5.4 Risque de taux de change

Une obligation mise en monnaie trangre, va avoir, comme pour nimporte
quel autre produit financier, un risque de change. Lobligation va mettre des
cash flow dans une certaine devise, quil va falloir transcrire dans la monnaie
domestique. Supposons que nous achetons une obligation cote en Yen, alors si
le Yen se dprcie par rapport leuro, le montant gagn va tre moindre, voir,
ngatif en cas de forte dprciation. A linverse, si le Yen sapprcie par rapport
leuro, le montant reu va tre suprieur. Bien entendu, en plus dtre expos au
risque de change, nous sommes galement exposs au risque de variation du taux
tranger.

1.5.5 Risque de taxe

Pour la plupart des produits de fixed income, ils sont taxables par rapport au
taux en vigueur dans le pays considr. De plus, ils sont sujets des variations
de rgulation, dimposition, menes par le gouvernement tranger. On peut parler
de risque de taxe tout comme de risque de politique. Par exemple, en juin 1980,
Battery Park City Authority (lautorit supervisant le dveloppement de Battery
Park City, quartier situ lextrmit sud-ouest de lle de Manhattan New York,
tats-Unis) a mis une dette de 97.315$ pour lancer des constructions immobi-
lires. Au moment de lmission, les autorits lgales ont considr que ces notes
seraient exemptes dimpt fdral. En novembre 1980, lIRS (Internal Revenue
Service), lagence du gouvernement des tats-Unis qui collecte limpt soppose
lexonration de taxe sur les coupons, entranant une baisse de leur valeur.

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

2.1.2 Structure par termes

Le rendement maturit (yield-to-maturity) dun zro-coupon de maturit T
est le processus adapt vrifiant,
1
R(t, T ) = ln B(t, T ), 0 t T. (2.1)
T t
La structure par terme des taux, galement appele la courbe des taux (yield
curve) est la fonction qui donne les diffrents taux de la date t en fonction de leur
maturit , R(t, ).

Connaissant le rendement maturit, le prix de lobligation est dtermin de

manire unique par,

B(t, T ) = eR(t,T )(T t) , 0 t T. (2.2)

En pratique, la structure par termes des taux dintrts est dduite du prix de
plusieurs instruments financiers trs liquides, comme les T-bills, T-bond, swap et
future.

2.1.3 Taux dintrt forward

Un contrat forward sur taux dintrt est le contrat effectu linstant t,
dachat T1 (>t) dune obligation zro-coupon de maturit T2 (>T1 ). Par un
simple argument de non-arbitrage, nous voyons que le prix du contrat forward est
B(T1 , T2 ) = B(t,T2)
B(t,T1 )
. Le taux dintrt forward linstant t, f (t, T1 , T2 ), doit donc
intuitivement vrifier

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

Le taux dintrt forward instantan est la limite du taux forward lorsque T1 = T

et T2 = T + T ,

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

Enfin, en utilisant (2.2) et (2.6), nous avons,

F (t, T ) = (R(t, T )(T t)) = R(t, T ) + (T t) R(t, T ). (2.8)
T T
Soit,
1 ZT
R(t, T ) = F (t, u)du. (2.9)
T t t
Nous voyons donc que le prix de lobligation ainsi que son rendement peuvent
tre entirement dtermins par le taux forward instantan.

2.1.4 Taux dintrt court terme

Le taux dintrt spot, i.e. le taux dintrt instantan, est dfini mathma-
tiquement comme la limite du taux continu moyen quand la maturit tend vers
0,
rt = lim R(t, T ) = R(t, t) = F (t, t). (2.10)
T t

Nous pouvons rcrire le prix de lobligation en fonction du taux spot,

Z T !
B(0, T ) = exp F (0, u)du
0
Z t Z T !
= exp F (0, u)du F (t, u)du
0 t

[T /t] Z t
X
= exp F ((i 1)t, u)du
i=1 (i1)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

Sous forme diffrentielle, nous avons,

dB(t, T )
= rt dt, (2.12)
B(t, T )

avec comme condition terminale B(T, T ) = 1.

2.1.5 Obligation coupons fixe

Une obligation coupons fixes (coupon-bearing bond), de maturit Tn , est un
actif financier qui paye son dtenteur les montants c1 , , cn aux dates T1 <
< Tn . Le prix de ce coupon est donn par la somme des cash flows actualiss,
n
X
Bn (t, Tn ) = B(t, Ti )ci + B(t, Tn )N, 0 t T1 . (2.13)
i=1

N est le nominal de lobligation. La squence {T1 , T2 , , Tn } est appele le tenor.

2.1.6 Duration et convexit

Rappelons que pour un zro-coupon B(t, T ), le rendement R(t, T ) est donn
par,

B(t, T ) = eR(t,T )(T t) , 0 t T.

Soit maintenant Bn le prix dun coupon avec pour maturits T1 < < Tn , de
coupons c1 , , cn et de nominal N . Nous supposons que N est compris dans les
ci , le prix est alors,
n
X
Bn (t) = B(t, Ti )ci .
i=1

Alexis Fauth 19
Modle de Taux

Nous nous plaons en t = 0, en notant y le rendement maturit (YTM) et

y(0, Ti ) = yi , Bn (0) = Bn , nous pouvons rcrire le prix de lobligation pour tout
t T1 ,
n
ci eyi Ti .
X
Bn =
i=1

La duration de Macaulay dun coupon est dfinie par,

Pn
i=1 Ti ci eyi Ti
DM ac := . (2.14)
Bn
Il sagit donc de la moyenne des coupons aux dates T1 , , Tn . En dautre terme,
la duration de Macaulay dune obligation correspond la priode lissue de
laquelle sa rentabilit nest pas affecte par les variations de taux. Nous pouvons
galement noter que (2.14) nous donne la sensibilit relative du prix de lobligation
par rapport au YTM,
n
!
dBn d X
= ci eyi Ti = DM ac Bn .
dy dy i=1
Nous dfinissons maintenant la convexit dune obligation par,
n
dBn2 X
C := = ci eyi Ti Ti2 .
dy 2 i=1

Il sagit de la sensibilit de la duration par rapport une variation du rendement

y.

2.1.7 Swap de taux dintrt

Un swap de taux dintrt permet dchanger un taux variable (taux flottant)
contre un taux fixe sur une priode donne.

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

A linstant Ti , le dtenteur du contrat paye i N et, reoit le taux flottant

f (t, Ti1 , Ti )i N . Ce taux flottant est gnralement le Libor dollar pour le dollar
amricain et lEuribor pour leuro, il sagit des deux contrats les plus liquides sur
le march des taux. Le cashflow linstant Ti est donc,

(f (t, Ti1 , Ti ) )i N, 0 t Ti1 .

Ainsi, en utilisant (2.5), nous trouvons,

N (B(t, Ti1 ) B(t, Ti ) i B(t, Ti )). (2.15)

En faisant la somme cumule de T0 Tn , la valeur totale du swap est,
n
X
St = N (B(t, T0 ) B(t, Tn ) i B(t, Ti )), 0 t T0 . (2.16)
i=1

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,

N i B(t, Ti )(f (t, Ti1 , Ti ) ).

La somme cumule est,
n
X
St = N i B(t, Ti )(f (t, Ti1 , Ti ) ), (2.17)
i=1

la valeur dquilibre du taux fixe est alors,

n
X
Rswap(t) = wi (t)f (t, Ti1 , Ti ),
i=1

avec comme poids wi (t) = B(t, Ti )/ nj=1 B(t, Tj ). Ces poids sont alatoires, mais
P

les rsultats empiriques tendent voire la variabilit de wi petite compare aux

variations de f (t, Ti1 , Ti ).

Alexis Fauth 21
Modle de Taux

2.1.8 Taux Libor

Rappelons que le taux forward f (t, T, S), 0 t T S est donn par la
relation,

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)

= lim L(t, T, S).

ST

Il convient tout particulirement de sattarder quelques secondes sur le taux

Libor. Il sagit du London interbank offered rate, soit, taux interbancaire pratiqu
Londres. Cest un taux fondamental, cest le taux auquel les banques se prtent
entre elles, cest pour cela quil est si important. Nous tudierons certains produits
drivs directement sur les taux Libor dailleurs. Nous prsentons sur la figure (1)
la courbe de taux forward du 19/08/13.

Remarquons que le taux Libor peut sexprimer en fonction du prix forward

Yt = Xt /Nt avec Nt = B(t, S)/(S T ) jouant le rle de numraire et Xt =
B(t, T ) B(t, S). Le taux Libor sous la mesure forward Q est une martingale avec
Q dfinie par,
!
dQ 1 Z S
= exp ru du .
dP B(0, S) 0

Alexis Fauth 22
Modle de Taux
4
3
%

2
1

0 5 10 15 20 25

Annes

Figure 1 Taux forward LIBOR T 7 F (t, T ) du 19/08/13, maturit de 1 25

ans. Source : Bank of England.

Le swap de taux sur le Libor satisfait la mme relation que prcdemment

(2.17) avec bien entendu le taux forward f (t, T1 , Tn ) remplac par le taux Libor
L(t, Tk , Tk+1 ),
n
X
(Ti Ti1 )B(t, Ti )(L(t, Ti1 , Ti ) S(t, T1 , Tn )) = 0,
i=2
o nous avons suppos que N = 1. Nous avons donc,

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

comme Yt = Xt /Nt avec le numraire Nt = B(t, T1 , n) et Xt = B(t, T1 ) B(Tn ),

sous la mesure forward Q tel que,
!
dQ B(T1 , T1 , Tn ) Z T1
= exp ru du .
dP B(0, T1 , Tn ) 0

2.1.9 Convention de march

Si t et T sont deux dates exprimes en jour, mois, anne, il nest pas clair en
quoi T t doit tre. Le march value la fraction danne entre t et T . Il existe
une convention de calcul de jours. Connaissant le nombre de jour entre les deux
dates t et T , nous avons directement,
# jours entre t et T
T t= .
365
Insistons bien sur le fait que nous comptons tous les jours de lanne, et non
seulement les jours ouvrs, sinon, nous aurions d diviser par 261 et exclure les
week-ends et jours fris du calcul de lintervalle. Pour ne pas avoir compter le
nombre de jour, en notant T1 = (d1 , m1 , y1 ) et T2 = (d2 , m2 , y2 ) tel que T1 < T2 ,

min(d2 , 30) min(d1 , 30) m2 m1

T2 T1 = + + y2 y1 .
360 12
Prenons par exemple T1 = 25 juillet 2013 et T2 le 30 janvier 2014, alors,
30 25 1 7
T2 T1 = + + 2014 2013 = 0.51.
360 12
Il sagit ici de la convention 30E/360. Il en existe beaucoup dautre.

2.1.10 Intrts courus, clean et dirty price

Les intrts courus sont la fraction de lintrt annuel coul sur un titre. A
linstant t (Ti1 , Ti ], les intrts courus sont,
t Ti1
AI(i, t) := ci
Ti Ti1
Le clean price est le prix de lobligation sans les intrts courus,

pclean (t) := p(t) AI(i, t), Ti1 < t Ti .

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,

pdirty (t) := pclean (t) + AI(i, t), Ti1 < t Ti .

2.1.11 Cap et floor

Un caplet verse linstant T + i la diffrence positive entre le taux linstant
T et T + et le strike . Son payoff est,

Cpl(t, T, T + ) = i (f (T, T, T + i ) )+ , 0 t < T. (2.21)

Un cap est une bandelette de caplet. Pour le tenor T0 < < Tn , le payoff dun
cap linstant t < T0 ,
n
X
Cpt = Cpl(t, Ti1 , Ti ).
i=2

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,

Flt(t, Ti1 , Ti ) = i ( F (Ti1 , Ti1 , Ti ))+ , 0 t T0 .

Le prix du floor est alors donn par,
n
X
Flt = Flt(t, Ti1 , Ti ), 0 t T0 .
i=1

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.

Enfin, on dira que le cap/floor est la monnaie (ATM) si,

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.

Rappelons que la valeur dun swap de taux fixe commenant en T0 est,

n
X
p (T0 , ) = N B(T0 , Ti )i (f (T0 , Ti1 , Ti ) ).
i=1

Ainsi, le payoff dun call swaption de strike est,

n
!+
X
N B(T0 , Ti )i (f (T0 , Ti1 , Ti ) ) (2.22)
i=1

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

A linstant t T0 , le call (put) swaption de strike K est dit respectivement ATM,

ITM et OTM (At, In, Out The Monney) si,

= Rswap (t), > (<)Rswap (t), > (<)Rswap (t).

2.2 Modle de taux court

2.2.1 Valorisation dune obligation
Nous allons proposer deux mthodes pour obtenir la formule de valorisation
des zros-coupons sous forme dune esprance conditionnelle et lEDP des taux.
La deuxime reprend lapproche fondatrice de Vasicek, [Va77], libre au lecteur de
choisir celle avec laquelle il se sent le plus laise.

Formellement, nous allons travailler sur lespace de probabilit filtr (, F, (Ft ,0

t T ), P), la filtration tant celle du mouvement Brownien standard. Comme pour
les modles actions, nous allons supposer par hypothse dabsence dopportunit
darbitrage lexistence dune probabilit risque-neutre Q telle que sous Q, les prix
des zros-coupons actualiss B(t, T )/St0 pour tout 0 t T sont des martingales.
Le numraire (St0 )tR+ est pris classiquement comme le procesus de cash,
Z T !
St0 = exp rs ds , t T.
t

Ainsi, utilisant le fait que B(T, T ) = 1 et la proprit de martingale nous

pouvons crire,  !
B(t, T ) B(T, T ) 
= EQ F t
St0 ST0 
 !
1 
= EQ F t ,
ST0 
Il est clair que St0 est Ft -mesurable, alors,
 !
B(T, T ) 
B(t, T ) = St0 EQ F t
ST0 
 !
St0 
= EQ F t (2.23)
ST0 
Z T ! !

= EQ exp rs ds Ft .

t 

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

soit un mouvement brownien sous Q. Lquation de diffusion de r sous Q est alors

donne par,
drt = (r (t, r) (t, r)r (t, r))dt + r (t, r)dWt .
La dynamique du prix zro-coupons sous la mesure risque neutre Q est alors,
dB(t, T ) = B(t, T )(B (t, r, T ) (t, rt )B (t, r, T ))dt + B(t, T )B (t, r, T )dWt .
(2.27)
0
Notons que le prix actualis B(t, T )/St est une martingale sous Q, le terme de
tendance doit donc tre gal rt , soit,
B (t, r, T ) (t, r)B (t, r, T ) = rt . (2.28)

Alexis Fauth 28
Modle de Taux

En remplaant avec les valeurs de et trouves en (2.26) nous obtenons,

!
B B 1 2 2 B B
+ r + r 2 r = rB
t r 2 r r
(2.29)
B B 1 2 2 B
+ (r r ) + r 2 rB = 0.
t r 2 r
La condition terminale de lEDP tant la mme que prcdemment, B(T, r, T ) = 1.

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,

dV = (V1 B (t, r, T1 ) V2 B (t, r, T2 ))dt + (V1 B (t, r, T1 ) V2 B (t, r, T2 ))dWt .

Lastuce consiste prendre des montants bien particuliers pour V1 et V2 de

telle sorte que lala B disparaisse. Ce choix est,

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 )

La diffusion de la valeur du portefeuille est alors,

B (t, r, T1 )B (t, r, T2 ) B (t, r, T2 )B (t, r, T1 )

dV = V dt. (2.30)
B (t, r, T2 ) B (t, r, T1 )

Le portefeuille est maintenant sans risque, il doit donc rapporter la valeur du

taux dintrt, dV /V = rt dt. En identifiant le terme de (2.30) avec rt pour quil
ny ait pas dopportunit darbitrage, nous avons,

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).

2.2.2 Modle de Vasicek

La premire diffusion que nous allons considrer, certainement la plus simple,
est celle du processus dOrnstein-Uhlenbeck. Le taux spot a la dynamique,

drt = ( rt )dt + dWt .

o (Wt )tR+ est un mouvement Brownien standard. Il sagit dun processus ayant
la caractristique dtre mean-reverting, en dautre terme, il oscille autour de sa
valeur moyenne, ce qui est le cas gnral des taux spot, nayant pas de tendance
bien dfinie long terme. , et sont des constantes positives. correspond la
valeur dquilibre, la valeur moyenne de r, est la force de retour la moyenne,
la vitesse laquelle le processus va revenir sa valeur dquilibre. Prenons un
exemple, supposons que rt soit au dessus de sa valeur moyenne t, alors, le terme
rt va tre ngatif, soit une tendance ngative, ce qui parat logique. , va
quant lui donner plus ou moins dimportance ce drift, plus il sera lev, plus
la convergence se fera rapidement, et rciproquement. Si rt est sa valeur dqui-
libre, le drift est nul, il ny a aucune raison de vouloir voir bouger le prix. est
la volatilit, il va donner plus ou moins dimportance au bruit W . On prsente

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.

quelques ralisations de ce processus sur la figure (2.2.2).

Pour travailler sous Q, de manire conserver la mme dynamique, nous pre-

nons une prime de risque constante, tel que dWt = dWt dt, alors,
drt = ( rt )dt + (dWt dt)
= ( / rt )dt + dWt (2.31)
= ( rt )dt + dWt
avec = /.
Proposition 2.1. La solution de (2.31) est,
Z t
t
rt = + (r0 )e + e(ts) dWs (2.32)
0

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

En remplaant rT par sa solution (2.33) nous obtenons

Z T
1 e(T t) Z T
1 e(T t)
rs ds = (rt ) + (T t) + dWs (2.34)
t t

Il est clair que tT rs ds est galement gaussienne sous Q conditionnellement

R

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 dsFt = (T t) + ( rt )

t
!2
1 e(T s)
Z T ! Z T
 
Var rs dsFt = E dBs Ft
 
t t
!2
Z T
1 e(T s) 
= 2E dsFt

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 dsFt + Var rs dsFt

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)

2.2.3 Modle de Cox-Ingersoll-Ross

Nous avons vu sur la figure (2.2.2) que le processus dOrnstein Uhlenbeck
pouvait trs bien passer sous le zro, or, cela nest pas vraiment raliste dans
la vraie vie (quoi que...). Le taux spot sous probabilit historique dans le modle
de Cox-Ingersoll-Ross (CIR), [CoInRo85] est donn par,

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

Preuve 2.2. La seconde quation de (2.39) dpend des fonctions A et C, on

ne peut donc pas la rsoudre pour le moment. La premire quation est quant
elle uniquement crite en fonction de C, il sagit dune quation de Riccati, nous
pouvons donc la rsoudre. Nous avons donc
1
C 0 = 1 C 2 C 2 .
2
Nous appliquons la mthode classique de ce type dquation (voir appendix). Nous
obtenons
1
u00 + u0 2 u = 0.
2
Le polynme caractristique associ est
1
z 2 + z 2 = 0.
2
avec pour racines
2 + 2 2
r = .
2
La solution de u est donc du type

u = 1 er1 + 2 er2

et en dduit utilisant le fait que C = u0 /((1/(2 2 )u)

1 r1 er1 + 2 r2 er2
C( ) = .
12 2 (1 er1 + 2 er2 )

Utilisant la condition terminale C(0) = 0, en dduit que

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.

La courbe des taux dans le modle CIR, (2.1), est alors,

1  
R(t, T ) = ln A(T t)eC(t,T )r
T t
C(T t) ln A(T t)
= rt .
T t T t
Les deux principaux attraits de ce modle sont lexistence dune formule ferme,
et la diffrence du modle de Vasicek, des taux positifs.

2.2.4 Gnralisation, modle de taux court un facteur

Il existe une littrature abondante sur les modles de taux court un facteur.
Les modles de Vasicek et de Cox-Ingersoll-Ross ne sont quune infime partie. La
plupart de ces modles peuvent scrire sous la forme,

drt = ( + rt )dt + rt dWt ,

o les paramtres , , et sont des constantes. Nous pouvons citer quelques
uns des principaux modles un facteur :

Dothan drt = rt dWt

Brennan-Schwartz drt = ( + rt )dt + rdWt
3/2
Cox-Ingersoll-Ross variable rate drt = rt dWt
Constant elasticity of variance drt = rt dt + r dWt
Les tudes empiriques montrent gnralement que les modles avec une sensi-
bilit entre la variation de la volatilit et le niveau du taux r, i.e., grand ( 1),
capturent mieux la dynamique de r. Formellement, la volatilit des variations non
supposes est 2 r2 . Le paramtre est un facteur dchelle, tandis que contrle
le degr dinfluence du niveau du taux sur la volatilit. Cet effet est dit effet de
niveau.

Alexis Fauth 36
Modle de Taux

La relation entre le niveau de r et sa volatilit est plus importante que la

caractristique de retour la moyenne dans les modles de taux court. De plus,
la prise en compte de cette caractristique augmente la complexit des modles
dans lanalyse de la structure par termes. Comme son importance est moindre par
rapport celle de la variance, cette prise en compte nest pas toujours facilement
justifiable. Hormis la possibilit de voir un taux ngatif, le modle de Vasicek
propose un = 0, soit, une mauvaise prise en compte de leffet de niveau. La
volatilit des variations est indpendante du niveau de r.
Les modles un facteur forment une famille assez limite et ne peuvent pas
permettre de valoriser correctement nimporte quelles obligations.

2.2.5 Modle de Hull and White

Les processus que nous avons vus prcdemment sont invariants en temps.
Les paramtres sont supposs constants. Pour plus de flexibilit, Hull et White,
[HuWh90], proposent une diffusion du taux plus gnrale,

drt = ((t) (t)rt )dt + (t)rt dWt .

Ce modle est galement appel modle de Vasicek gnralis. les fonctions (t),
(t) et (t) varient en fonction du temps et peuvent tre utilises pour calibrer
exactement le modle aux prix du march. Le prix payer pour cette calibration
exacte est que le prix des obligations et de leurs options nest plus obtenable ana-
lytiquement.

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,

drt = ((t) rt )dt + r (t)dWt ,

o , et 0 sont des constantes, et (t) une fonction dterministe inconnue.
Nous considrerons ici le cas o = 0, ce qui nous permettra davoir une solution
simplement. Nous commenons par dterminer le prix du zro-coupon avec une
approche par EDP.

Alexis Fauth 37
Modle de Taux

LEDP des taux prend la forme,

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,

B(t, T, r) = A(T t)eC(T t)r .

En injectant cette quation dans lEDP des taux, nous obtenons comme systme,

dC
C + 1 = 0



dt

dA 2
(t)AC + AC 2 = 0




dt 2
avec comme condition terminale t = T , A(T, T ) = 1 et C(T, T ) = 0. Il sagit
dun systme dquations diffrentielles somme toute classique, et nous trouvons
aprs quelques calculs,
1 
C(t, T ) = 1 e(T t
(
2 Z T 2 Z T ) (2.40)
A(t, T ) = exp C (u, T )du (u)C(u, T )du. .
2 t t

Il ne nous reste alors qu dterminer lexpression de (t). En utilisant la deuxime

quation de (2.40) et en utilisant la formulation du prix dun zro coupon comme
fonction exponentielle, nous obtenons,

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

et en galisant avec la drive du terme de gauche,

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,

drt = ((t) rt )dt + dWt (2.42)

avec (Wt )tR+ un processus de Wiener. En utilisant la mme astuce que pour
le modle de Vasicek, et donc, le processus dOrnstein Uhlenbeck, nous pouvons
trouver la solution de (2.42),

drt et = (t)et dt + et dWt

Ainsi,

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

La valorisation du zro coupon est alors simplement,

 RT 
ru du
B(t, T ) =E e t

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

2.2.6 Quelques modles

Pour conclure cette section, comme nous navons bien videmment pas donn
tous les modles existants, nous prsentons ici quelques unes des diffusions les plus
utilises. Notons quil ny a pas de consensus sur les modles ATS, chaque modle
a ses avantages/inconvnients. Le modle de Black & Scholes par exemple, bien
que les hypothses de bases soient errones, le modle reste largement utilis par
les praticiens. Plusieurs raisons, il est largement connu et lon sait que la plupart
des agents lutilisent, nous avons donc un effet moutonnier non ngligeable. La
formule de robustesse est trs intressante, bien que le modle soit erron, lin-
tervalle de confiance reste correct et donne donc une bonne indication au trader.

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+

drt = (t)rt dt + (t)dWt .

Black - Karasinki (91) : R+

d log rt = (t)((t) log rt )dt + (t)dWt .

Ho-Lee (86) : R
drt = (t)dt + dWt .
Hull and White (90) : R

drt = (t)((t) rt )dt + (t)dWt .

Hull and White (90) : R+

drt = (t)((t) rt )dt + (t) rt dWt .

2.3 Modles multifactoriels

2.3.1 Fondations
Le problme des modles monofactoriels, cest--dire nayant quune seule dif-
fusion pour rt est quil nest pas possible de prendre les corrlations entre des

Alexis Fauth 41
Modle de Taux

1w 1m 6m 12m 5ans 30ans

1w 1
1m 0,976 1
6m 0,960 0,961 1
12m 0,953 0,952 0,999 1
5ans 0,935 0,907 0,943 0,946 1
30ans 0,772 0,789 0,797 0,795 0,802 1

Table 1 Matrice de Corrlation dobligations franaises diffrentes maturits.

Donnes journalires du 02/01/12 au 31/07/13.

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.

Afin de pallier ces diffrents problmes, lusage de la seule variable alatoire

rt comme exogne a t de plus en plus abandonn. Les modles multi-facteurs
ont t introduits. Le choix de ces facteurs est ncessairement fondamental. Les
conditions de non-arbitrage doivent tre galement vrifies. La condition de non-
arbitrage est certainement lune des hypothses en finance les plus importantes,
et qui reste vrifie au fil des annes. A linverse, lhypothse de normalit des
marchs de L. Bachelier apparat aujourdhui totalement incohrente avec les faits
styliss. Lhypothse dinfinie divisibilit des actifs est bien entendu invalide par
la ralit, tout comme le caractre continue des donnes, spcialement haute fr-
quence et pour les donnes non liquides. Nanmoins, lhypothse de non-arbitrage,
cest--dire quil est impossible de faire de largent de manire certaine avec une
richesse nulle, reste vrifie. La plupart des grandes banques et des fonds dinves-
tissement ont tout une batterie darbitragistes, leur mtier consiste donc reprer
toute opportunit darbitrage des temps microscopiques. Il est donc, pour nous,
impossible de pouvoir en bnficier.

La plus simple extension du modle un facteur est de considrer le taux court

comme fonction de deux diffusions. Plus gnralement, nous pouvons tendre le

Alexis Fauth 42
Modle de Taux

cas un modle d-dimensionnel

n
xit
X
rt =
i=1

o chaque facteur est du type

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

2.3.2 Modle de Vasicek deux facteurs

Nous considrons le cas deux facteurs, i.e.

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.

En intgrant les quations (2.43), nous avons pour tout s < t

rt =xs ex (ts) + ys ey (ts)

Z t Z t
+ x ex (tu) dWux + y ey (tu) dWuy .
s s

Alexis Fauth 43
Modle de Taux

Il est clair que rt , conditionnellement son historique, est gaussien de moyenne et

variance
E(rt |Fs ) =xs ex (ts) + ys ey (ts)
2   (y )2  
V(rt |Fs ) = x 1 e2x (ts) + 1 e2y (ts) (2.44)
2x 2y
x y  
+ 2 1 e(x +y )(ts) .
x + y
Comme pour le cas des modles un facteur, le prix dun zro-coupon B(t, T )
est donn sous la probabilit risque-neutre par
 !
RT 
rs ds 
B(t, T ) = E e t F t .


Nous introduisons la quantit suivante :

Z T
I(t, T ) := (xu + yu )du. (2.45)
t

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

donc des quantits M et V . Par application de la formule dintgration par partie

stochastique, nous avons
Z T Z T
xu du = T xT txt udxu
t t
Z T (2.46)
= (T u)dxu + (T t)xt .
t

Alexis Fauth 44
Modle de Taux

Par dfinition de x, la partie droite de (2.46) peut tre rcrite par :

Z T Z T Z T
(T t)dxu = x (T t)xu du + x (T t)dWux ,
t t t

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

En calculant les deux intgrales,

Z T
ex (T t) 1
x xt (T u)ex (ut) du = xt (T t) xt
t x
et, Z T Z u
x x (T u) ex (us) dWsx du
t t
Z T Z u  Z u 
x s x v
= x x e dWsx du (T v)e dv
t t t
! Z !
h Z T T
= x x ex u dWux (T v)ex v dv
t t
Z T  i
(T v)ex u ex u dWux
t
Z T Z T !
x v
= x x (T v)e dv ex u dWux
t u

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

La variance conditionnelle est

"
x Z T
Var(I(t, T )|Ft ) =Var (1 ex (T u) )dWux
x t
#
y Z T y (T u) y
+ (1 e )dWu
y t
2 Z T 2 Z T
= x2 (1 ex (T u) )2 du + y2 (1 ey (T u) )2 du
x t y t
Z T
x y
+ 2 (1 ex (T u) )(1 ey (T u) )du
x y t
Thorme 2.1. Le prix linstant t dun zro-coupon de maturit T est
1 ex (T t) 1 ey (T t)
( )
1
B(t, T ) = exp xt yt + V (t, T ) .
x y 2
Preuve 2.4. Pour toute variable alatoire relle Z de moyenne mZ et de
1 2
variance Z2 , nous avons EeZ = emy + 2 Z . rt tant conditionnellement gaussien par
rapport Ft , le lemme (2.1) nous permet de conclure.
Remarque 2.1. Pour que le modle deux facteurs puisse reflter au mieux
les donnes du march aprs calibration, nous introduisons une fonction dtermi-
niste ((t))tR+ telle que
rt = xt + yt + (t). (2.47)
Il est possible de montrer alors que
x2 y2 x y
(t) = F M (0, T ) + 2
(1 ex T 2
) + 2
(1 ey T )2 + (1 ex T )(1 ey T ).
2x 2y x y

Preuve 2.5. voir [BrMe01].

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

2.3.3 Quelques modles

Comme prcdemment pour le cas mono-factoriel, nous prsentons quelques
uns des modles les plus usuels.

Richard, 1978, [Ri78].

Le modle de Richard propose dexpliquer la structure par termes des taux

dintrts par deux facteurs, le taux court observ (qt )tR+ et le taux dinfla-
tion instantan espr (t )tR+ . Les quations de diffusion sont

dqt = q dt + q dWtq
dt = dt + dWt

avec (Wtq )tR+ et (Wt )tR+ deux mouvements brownien indpendants.

Brennan et Schwartz, 1979, 1982, [BrSc79],[BrSc82].

Lide du modle de Brennan et Schwartz, est de supposer que le taux long

(`t )tR+ contient de linformation sur la valeur future du taux court (rt )tR+ .
La structure par termes des taux est ainsi explique par la diffusion jointe

drt = r ()dt + r ()dWtr

d`t = ` ()dt + ` ()dWt` ,

avec (Wtr )tR+ et (Wt` )tR+ deux mouvements Brownien corrls et r , ` , r

et ` des fonction relles. Aprs quelques calculs similaires ceux des modles
un facteur, nous obtenons

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

B rt B(t, T ) = r (t, r, `)B,r + ` (t, r, `)B,` .

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

Le taux court est donc directement fonction du spread de taux long-taux

court. Nanmoins, ce modle a t invalid par Hogan [Ho93] et Duffie et
al. [DuMaYo94], qui ont prouv quil ny avait pas de solution relle ce
systme dEDS et, quil tait possible dexhiber un arbitrage.

Schaefer et Schwartz, 1984, [ScSc84]

Schaefer et Schwartz [ScSc84], proposent cette fois de ne plus modliser di-

rectement le taux court (rt )tR+ mais le spread de taux court - taux long
(st )tR+ et, le taux long (`t )tR+

dst = m( st )dt + 1 dWt1

q
d`t = (st , `t , t)dt + 2 `t dWt2 .
Le spread est un processus dOrnstein-Uhlenbeck, i.e. mean-reverting, le taux
long a une variance proportionnelle ses propres variations. Les auteurs nar-
rivent pas obtenir de formule ferme pour le pricing de zro-coupon mais
uniquement une approximation.

Longstaff et Schwartz, 1992,[LoSc92].

Longstaff et Schwartz proposent dexpliquer la courbe des taux par le taux

court (rt )tR+ et la variation du taux court (vt )tR+ . Le prix de lobligation

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, 1996, [Ch96].

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

chacun des trois processus est donc un processus de retour la moyenne. Il

est extrmement difficile dobtenir une solution pour le prix des obligations
ainsi que pour les produits drivs. Il est nanmoins possible de simuler le
modle en le discrtisant.

2.4 Pricing de drivs de taux

2.4.1 Mesure forward
Rappelons quen absence darbitrage, le processus
Rt
e 0
rs ds
B(t, T ), tT
est une Ft -martingale sous Q et donc, la suite de variables (B(t, Ti ))t[0,Ti ] peut
tre prise comme le numraire dans la dfinition
dQi 1
R Ti
= e 0 rs ds
dQ B(0, Ti )
de la mesure forward Qi . Nous avons alors, pour toute fonction suffisamment
rgulire et pour toute variable alatoire relle X,

 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 .

Supposons simplement que la dynamique du prix de lobligation soit du type,

dB(t, Ti )
= rt dt + i (t)dWti , 0 t Ti , i = 1, , n
B(t, Ti )
avec (Wti )tR+ un mouvement Brownien standard sous Q pour tout i = 1, , n,
et (rt )tR+ et ((t))tR+ deux processus adapts la filtration (Ft )tR+ gnre par
(Wt )tR+ . Notons que cette diffusion est en accord avec les rsultats prcdents de
diffusion sous la probabilit risque-neutre (2.27), (2.28).

Daprs le thorme de Girsanov, nous savons que

Z t
Wti := Wt i (t)dt, 0 t Ti ,
0

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 )

Dans sa forme gnrale, le taux court rt est suppos Markovien et solution de

lEDS
drt = (t, rt )dt + (t, rt )dWt .
Sous Qi , nous avons directement

drt = (t, rt )dt + (t, rt )i (t)dt + (t, rt )dWti .

Nous prenons (une fois de plus) lexemple du modle de Vasicek

drt = ( rt )dt + dWti , 0 t Ti .

Daprs (2.57), (2.60) et (2.63), nous avons

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 )

2.4.2 Prix dune option sur une obligation

Nous donnons ici une forme gnrale pour valoriser des options sur obligations.

Alexis Fauth 51
Modle de Taux

Proposition 2.2. Le prix dun call sur B(Ti , Tj ) en t Ti , de payoff

(B(Ti , Tj ) )+ est donn par,
 R Ti 
rs ds
E e t (B(Ti , Tj ) )+ |Ft
! !
v 1 B(t, Tj ) v 1 B(t, Tj )
= B(t, Tj ) + log B(t, Ti ) + log
2 v B(t, Ti ) 2 v B(t, Ti )
avec Z Ti
2
v (t, Ti , Tj ) = |j (t) i (t)|2 ds
t
et la densit dune loi normale centre rduite.
Preuve 2.6. Daprs (2.49)
 R Ti 
rs ds
E e t (B(Ti , Tj ) )+ |Ft = B(t, Ti )Ei ((B(Ti , Tj ) )+ |Ft ) . (2.50)

Ensuite, en utilisant le lemme dIt sur la fonction f (x) = x1 nous avons

1 1 1
d = dB(t, Ti ) + hdB(t, Ti )i
B(t, Ti ) B(t, Ti )2 B(t, Ti )3
1 i2 (t)
= (rt dt + i (t)dWt ) + dt
B(t, Ti ) B(t, Ti )
1 2 (t)
= (rt dt + i (t)(dWti + i (t))) + i dt
B(t, Ti ) B(t, Ti )
1
= (rt dt + i (t)dWti )
B(t, Ti )
Ainsi,
!
B(t, Tj ) 1 1 1
d = dB(t, Tj ) + B(t, Tj )d + hdB(t, Tj ), d i
B(t, Ti ) B(t, Ti ) B(t, Ti ) B(t, Ti )
B(t, Tj ) B(t, Tj )
= (j dWt i dWti ) j i dt
B(t, Ti ) B(t, Ti )
B(t, Tj )
= (j i )dWti .
B(t, Ti )
En appliquant une nouvelle fois le lemme dIt nous avons
!
B(t, Tj ) B(0, Tj ) Z Ti
i 1 Z Ti 2
= exp (j (s) i (s))dWt (j (s) i (s)) ds .
B(t, Ti ) B(0, Ti ) 0 2 0

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

pour tout u t, et en particulier pour u = Ti nous obtenons

!
B(t, Tj ) Z Ti
i 1 Z Ti 2
B(Ti , Tj ) = exp (j (s) i (s))dWs (j (s) i (s)) ds .
B(t, Ti ) 0 2 0
(2.51)
Injectons maintenant (2.51) dans (2.50)

 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 .

avec X(t) une variable alatoire gaussienne centre et de variance v 2 (t, Ti , Tj ) et

D est donne par ( )
B(t, Tj ) X(t) 1 v2 (t,Ti ,Tj )
D= e 2 >
B(t, Ti )
Commenons par calculer I2 .

I2 = B(t, Ti )Pi (D|Ft )

!
B(t, Tj ) X(t) 1 v2 (t,Ti ,Tj )
= B(t, Ti )Pi e 2 > |Ft
B(t, Ti )
!
v 1 B(t, Tj )
= B(t, Ti )Pi X(t) < + log |Ft
2 v B(t, Ti )
!
v 1 B(t, Tj )
= B(t, Ti ) + log
2 v B(t, Ti )

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 )

2.4.3 Pricing de cap et floor

Rappelons quun caplet est une option dachat sur le forward f (T, T, T + ) de
strike , Cplt = (f (T, T, T +))+ . Si nous prenons le cas du Libor L(T, T, T +)
Cplt = (L(T, T, T + ) )+ .
Le modle BGM [BrGaMu97], propose de diffuser le Libor de tenor T1 < < Tn
par un Brownien gomtrique sous la mesure Ti+1 -forward, i.e.
dL(t, Ti , Ti+1 )
= i (t)dWti+1 , 0 t Ti ,
L(t, Ti , Ti+1 )
o i (t) est une fonction dterministe pour tout i. La solution est donc
1Z u
Z u 
L(u, Ti , Ti+1 ) = L(t, Ti , Ti+1 ) exp i (s)dWsi+1 i (s)2 ds
t 2 t
pour tout u t, et en particulier pour u = Ti , nous avons
Z Ti !
1 Z Ti
L(Ti , Ti , Ti+1 ) = L(t, Ti , Ti+1 ) exp i (s)dWsi+1 i (s)2 ds .
t 2 t
Ainsi, le taux Libor L(Ti , Ti , Ti+1 ) tant un mouvement Brownien gomtrique sous
Qi+1 , les caplets peuvent pricer pour tout t [0, Ti ] par la formule de Black &
Scholes.

Alexis Fauth 54
Modle de Taux

Proposition 2.3. Le caplet sur L(Ti , Ti , Ti+1 ) est valoris linstant t

[0, Ti ] par
 R Ti+1 

E (Ti+1 Ti )e t (L(Ti , Ti , Ti+1 ) )+ |Ft
(2.52)
= (Ti+1 Ti )B(t, Ti+1 ) {L(t, Ti , Ti+1 )(d+ ) (d )}

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)

pour tout t Ti et Bl la fonction de Black & Scholes

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 ] .

Considrons maintenant un cap de tenor T1 < < Tn de payoff actualis

n1 R Tk+1
(Tk+1 Tk )e rs ds
X
t (f (Tk , Tk , Tk+1 ))+ .
k=1

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

2.4.4 Pricing de swaption

Pour pouvoir pricer une swaption, nous avons besoin dintroduire la mesure
forward-swap. Nous considrons le numraire annualis
j1
X
B(t, Ti , Tj ) = (Tk+1 Tk )B(t, Tk+1 ), 0 t Ti .
k=i

Proposition 2.4. Le numraire annualis actualis

Rt Rt j1
rs ds rs ds
X
e 0 B(t, Ti , Tj ) = e 0 (Tk+1 Tk )B(t, Tk+1 ), 0 t Ti
k=i

est une martingale sous Q.

La mesure forward-swap Qi,j est dfinie par
dQi,j
R Ti B(Ti , Ti , Tj )
= e 0 rs ds
dQ B(0, Ti , Tj )
pour tout 1 i < j n. Nous avons daprs (2.4) pour tout 0 t Ti
 !
dQi,j  1 R Ti 
 
Ft = E e 0 rs ds B(Ti , Ti , Tj )Ft

E
dQ  B(0, Ti , Tj )
B(t, Ti , Tj ) R t rs ds
= e 0 .
B(0, Ti , Tj )

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 .

En utilisant la mesure forward-swap, nous avons la formule de valorisation pour

tout payoff de la forme B(Ti , Ti , Tj )g(Ti )
!
dQi,j|Ft
 R Ti  
rs ds
E e t B(Ti , Ti , Tj )g(Ti )Ft = B(t, Ti , Tj )E g(Ti ) |Ft
dQ|Ft (2.53)
= B(t, Ti , Tj )Ei,j (g|Ft ).
Rappelons quune swaption sur le taux forward f (Ti , Tk , Tk+1 ) est un contrat
de payoff

j1 R Tk+1
X rs ds
(Tk+1 Tk )e Ti
(f (Ti , Tk , Tk+1 ) ) ,
k=i +
linstant Ti . La valorisation pour tout t [0, Ti ] sous la mesure risque-neutre est
donc

R Ti j1 R Tk+1
rs ds

E e rs ds
X
t (Tk+1 Tk )e Ti
(f (Ti , Tk , Tk+1 ) ) Ft ,

k=i +

soit, en dautre terme,


R Ti j1 
E e rs ds
X
(Tk+1 Tk )B(Ti , Tk+1 )(f (Ti , Tk , Tk+1 ) ) Ft . (2.54)
t 

k=i +

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


= B(t, Ti , Tj )Ei,j [(Rswap (Ti , Ti , Tj ) )+ |Ft ]

= B(t, Ti , Tj )Bl(, Rswap (Ti , Ti , Tj ), i (t), 0, Ti 1)
= B(t, Ti , Tj )[Rswap (Ti , Ti , Tj )(d+ ) (d )]
= (B(t, Ti ) B(t, Tj ))(d+ ) B(Ti , Ti , Tj )(d )
j2
X
= (B(t, Ti ) B(t, Tj ))(d+ ) (d ) (Tk+1 Tk )B(t, Tk+1 )
k=1

Alexis Fauth 59
Modle de Taux

2.4.5 Pricing dans le cas deux facteurs

Nous reprenons le modle (2.47), i.e.

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

pour tout s t T avec

!
2 x y 2
Mx (s, t) = x2 + (1 ex (ts) ) x2 (ex (T t) ex (T +t2s) )
x x y 2x
x y  
ey (T t) ey T x t+(x +y )s
y (x + y )
y2 2
!
x y
= 2 + (1 ey (ts) ) y2 (ey (T t) ey (T +t2s) )
y x y 2y
x y  
ex (T t) ex T y t+(x +y )s
x (x + y )

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

E(rt |Fs ) =xs ex (ts) Mx (s, t) + ys ey (ts) My (s, t)

2   2  
Var(rt |Fs ) = x 1 e2x (ts) + y 1 e2y (ts)
2x 2y
x y  
+ 2 1 e(x +y )(ts) .
x + y

Preuve 2.11. Similaire la valorisation dun zro-coupon avec le modle de

Vasicek deux facteurs.

Thorme 2.2. Le prix dun call de maturit T et de strike sur zro-

coupon de maturit S dans le cadre du modle deux facteurs gaussien est donn
linstant t S par
!
1 B(t, Ti+1 ) 1
 RT 
rs ds
E e t ((B(Ti , Ti+1 ) )+ ) =B(t, Ti+1 ) log + v
v B(t, Ti ) 2
!
1 B(t, Ti+1 ) 1
B(t, Ti ) log v
v B(t, Ti ) 2
avec
x2  x (Ti+1 Ti ) 2
 
2x (Ti t)

v2 = 1 e 1 e
23x
y2  2  
+ 3 1 ey (Ti+1 Ti ) 1 e2y (Ti t)
2y
x y   
+ 2 1 ex (Ti+1 Ti ) 1 ey (Ti+1 Ti )
x y (x + y )
 
1 e(x +y )(Ti+1 Ti ) .

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 ) ).

2.5 Heath-Jarrow-Morton Framework

Le prix de lobligation B(t, T ), le rendement R(t, T ) et le taux forward F (t, T ),
nous donnent tous la mme information sur la courbe des taux. Le framework de
Heath-Jarrow-Morton (HJM), [HeJaMo90], [HeJaMo91] et [HeJaMo92] tente de
construire une famille de processus stochastiques temps continu pour la structure
par termes, cohrente avec les observations initiales. La variable dtat du modle
choisi est le taux instantan F (t, T ). La diffusion gnrale choisie par les auteurs
est,
Z t Z t
F (t, T ) = F (0, T ) + F (u, T )du + F (u, T )dWu ,
0 0
et sous forme diffrentielle,
dF (t, T ) = F (t, T )dt + F (t, T )dWt , 0 t T. (2.56)
F (0, T ) est le taux forward initial, F (t, T ) la tendance du taux forward instantan
et F (t, T ) sa volatilit. Nous supposerons les deux processus F et F adapts
leur filtration naturelle.
La diffusion (2.56) ne donne pas ncessairement un non-arbitrage, et, quil
existe donc une probabilit risque neutre. Nous allons donner une condition dans
la prochaine section.

Alexis Fauth 62
Modle de Taux

2.5.1 Condition de non-arbitrage

Sous la mesure risque-neutre, la tendance du prix de lobligation est rt , (2.27),
(2.28). La dynamique du prix prend alors la forme,

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, T2 )2 B (t, T1 )2 B (t, T1 ) B (t, T2 )

df (t, T1 , t2 ) = dt + dWt .
2(T2 T1 ) T2 T1
Posons maintenant T1 = T et T2 = T + , en passant la limite,

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

La condition de non-arbitrage dans le framework HJM est alors,

Z T
F (t, T ) = F (t, T ) F (t, u)du. (2.61)
t

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.

2.5.2 Formulation des taux court avec HJM

Les taux cours linstant t sont gaux aux forward de maturit t,
Z t
rt = F (t, t) = F (0, t) + dF (u, t)du.
0

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

Considrons la forme suivante pour la volatilit,

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

2.5.3 Taux forward de Vasicek

La valeur dun zro coupon dans le modle de Vasicek est donne par (2.36).
Le taux forward est alors (aprs quelques calculs),

log B(t, S) log B(t, T )

f (t, T, S) =
ST
= R
" !
1 rt R 2 
+ 3 e(St)
ST 2
#
2
(T t)
  2(St) 2(T t)

e 3 e e .
4
Le taux instantan est,

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)

2.6 Courbe des taux

Il existe plusieurs moyens de reconstruire la courbe des taux. Commenons
dj par expliquer pourquoi, dans le Fixed Income, il est important de pouvoir
reconstruire la courbe des taux. Remarquons dj que nous ne disposons pas de
zro-coupon toutes les maturits, par exemple 1 ans, 2 mois et 3 jours. Nous
navons quun chantillon de points, que nous souhaitons donc relier pour avoir une
courbe continue. Cela permet de construire des portefeuilles robustes en termes de

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.

Linterpolation par splines cubiques prend la forme

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.

2.6.3 Familles de polynme exponentiel

La matrice de variance covariance a pour entres x(1), , x(N ), les incr-
ments de la courbe forward. En diagonalisant la matrice (non singulire), nous
retrouvons les valeurs propres et les vecteurs propres. On constate gnralement
que les trois premires valeurs propres expliquent elles seules plus de 95% de
la variation totale. Empiriquement, nous pouvons interprter ces trois facteurs
comme suit :
Le premier facteur a une forme relativement plate, il donne le niveau moyen
de la courbe.
Le second donne les inversions de la courbe autour dun point, il sagit dun
facteur de pente.
Le troisime facteur est un facteur de courbure.

Cela nous permet davoir une ide pour proposer une forme paramtrique de la
courbe des taux.

Alexis Fauth 67
Modle de Taux

Les polynmes exponentiels sont des fonctions du type

p1 (x)e1 x + + pn (x)e1 x ,

o les pi , i = 1, , n sont des polynmes de degr ni .

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

B(t, T ) = A(T t)eC(T t)rt ,

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

Figure 3 A gauche, influence du paramtre 1 sur le premier terme, droite, influence de

1 sur le second terme de lquation de Svensson.

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.

2.6.4 Mthodes utilises par pays

Toutes les banques centrales nestiment pas leur courbe de taux ni par la mme
mthode, ni avec le mme spectre, cest--dire lventail de maturits prisent en

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.

3 Valorisation sur action

Commenons par un rapide rappel sur le modle de Black and Scholes (B&S).

3.1 Modle volatilit constante

3.1.1 Modle de Black and Scholes
Notons r le taux sans risque constant sur le march, la tendance de lactif S
et sa volatilit, P la probabilit historique et Q la probabilit risque-neutre. La

Alexis Fauth 70
Modle de Taux

Banque Centrale Mthode Maturit min Maturit max

Belgique Svensson ou quelques jours 16 ans
Nelson-Siegel
Canada Merrill Lynch 1 mois 30 ans
Exponential Spline
Finlande Nelson-Siegel 1 jour 12 ans
France Svensson ou 1 mois 10 ans
Nelson-Siegel
Allemagne Svensson 3 mois 10 ans
Italie Nelson-Siegel 1 mois 30 ans
Japon Splines 1 jour 10 ans
Norvge Svensson 1 mois 10 ans
Espagne Svensson 1 jour 10 ans
Sude Spline ou 1 jour 10 ans
Svensson
Suisse Svensson 1 jour 30 ans
Royaume-Uni VRP 1 semaine 30 ans
Etats-Unis Spline multiples 1 ans 10 ans

Table 2 Mthodologie utilise par pays. Source : BIS, 2005. * Variable Rough-
ness penalty (VRP), il sagit dune mthode de splines propose par Waggoner
[Wa97].

diffusion de B&S est

dSt = St dt + St dWt
o Wt est un P - mouvement brownien standard. Pour passer en univers risque
neutre, nous introduisons la quantit tel que Wt = Wt t soit un Q - mouvement
brownien standard (Formule Cameron-Martin 6.1). Ainsi

dSt = ( )St dt + St dWt .

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

Le prix dun call de maturit T et de strike K sur St est donn par

C(t, St ) = EQ [er(T t) (ST K)+ |Ft ]

= EQ [er(T t) ST 1ST >K |Ft ] Ker(T t) EQ [1ST >K |Ft ]
2
= St EQ [eWT t 2
(T t)
1ST >K ] Ker(T t) EQ [1ST >K ]

Pour calculer le premier terme, nous introduisons la densit

R T t R T t
dWs 12 2 ds
L=e 0 0

Alors si Q0 est la probabilit de densit L par rapport Q, Wt0 = Wt t est

mouvement brownien sous Q0 . Ainsi,

C(t, St ) =St EQ [L1ST >K ] Ker(T t) Q(ST > K)

 2
 !
0 r+ 2 (T t)+ WT0 t
=St Q St e >K
 2
 !
r(T t) r 2 (T t)+ WT t
Ke Q St e >K

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.

Notons Vt un portefeuille constitu dun call de maturit T , de strike K sur

St et une quantit de lactif St qui servira couvrir (hedger) le portefeuille. En
appliquant le lemme dIt a ce portefeuille

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

3.1.2 Grecques et hedging

Comme nous lavons vu sur les quations (3.2) et (3.3), la stratgie de base
consiste ce delta-hedger. Il est possible daller plus loin. Notons tout de mme
que thoriquement nous devrions nous delta-hedger de manire constante. Reba-
lancer le portefeuille constamment est impossible, ne serait-ce que les cots de
transactions nous absorberaient tout profit ventuel et engendreraient des pertes
colossal trs rapidement. Il existe des travaux sur ce point, on parle de rebalance-
ment optimal voir e.g. [MaPa99], [Fu11] et [GoLa14] pour le lecteur intress. Nous
commenons par prsenter les grecques (pour le cas dun call toujours), cest dire
diffrentes sensibilits du call par rapport aux variations de ses paramtres. Pour
pouvoir calculer ces quantits nous utilisons la formule de B&S (3.1), supposons
pour simplifier les calculs que t = 0 et remarquons que

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

Figure 5 Graphe du delta dun call europen en fonction de T t et log(S/K)

Nous dduisons directement que la valeur du gamma (figure (6)), cest--dire

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

Figure 6 Graphe du gamma dun call europen en fonction de T t et log(S/K)

la drive de loption par rapport son sous-jacent est

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

Figure 7 Graphe du theta dun call europen en fonction de T t et log(S/K)

Par les mmes astuces que prcdemment nous avons

C Sn(d+ )
= = + rKerT N (d ).
T 2 T
Pour avoir une position gamma neutre, il faut avoir en portefeuille une quantit
doptions annulant le gamma du portefeuille. Si le portefeuille initial a un gamma
de V et loption , le gamma total du portefeuille sera de
+ V .
Pour tre gamma neutre il faudra alors avoir une quantit = V / doption en
portefeuille. Bien sr, cela va modifier la quantit de sous-jacent sous gestion pour

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

Figure 8 Graphe du vega dun call europen en fonction de T t et log(S/K)

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 CBS 1 2 2 2 CBS

+ rS + BS S = rCBS .
t S 2 S 2
En combinant les deux quations nous avons

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

dVt = rVt + (dSt rSt dt), V0 = CBS (0, S0 ).

Alexis Fauth 78
Modle de Taux

Lerreur de couverture de lagent est donc

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.

3.2 Surface de volatilit

3.2.1 Dfinition et problme de calibration
Dans le modle de B&S, la volatilit est suppose constante or, si nous
cherchons la valeur de telle que le prix de B&S soit le mme que le prix du
march pour diffrentes maturits et diffrents strike, nous constatons que la valeur
retourne nest pas constante. Notons C M kt (t, St , T, K) le prix du call observ sur
le march, alors la volatilit implicite, I(t, St , T, K) est donne par :

C BS (t, St , T, K, I(t, St , T, K)) = C M kt (t, St , T, K).

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(x) = g(xk ) + (x xk )g 0 (xk )

en galisant en zro, on trouve alors

g(xk )
x = xk+1 = xk .
g 0 (xk )

Alexis Fauth 79
Modle de Taux

Pour notre problme :

C M kt C BS (Ik )
Ik+1 = Ik C BS (Ik )
. (3.9)
Ik

Le dnominateur est le vega de loption (3.8).

Il est important de notifier quelques points sur la volatilit implicite. Notons

dj quelle est toujours suprieure la volatilit du sous-jacent et quelle diffre
selon les maturits et strikes sur un mme sous-jacent.

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.

Pourquoi la volatilit historique, dfinie comme les accroissements au carre

du sous-jacent, est-elle diffrente de la volatilit implicite ? Sur le march, la cou-
verture dune option est plus chre que dans le modle de Black & Scholes, frais
de transaction, bid-ask spread, market impact et, bien sr la volatilit suppose
constante ainsi quune loi gaussienne sous-jacente donc, peu de gros mouvements.
Le phnomne de skew, i.e. la premire partie de la volatilit par rapport au strike,
sexplique par le fait que les agents surestiment le prix par rapport au modle de
Black & Scholes pour se prmunir dun mouvement contraire lorsque lon est dans
la monnaie (ITM). Le smile sexplique quant lui pour compenser la faible liqui-
dit des options loin de la monnaie strike trs lointain (OTM). Nous prsentons
sur la figure (9) la volatilit implicite du call sur lindice SPY le 9 septembre 2013.

3.2.2 Volatilit implicite forward

Nous avons vu comment partir des prix des call et put europens nous d-
duisions la volatilit implicite, mais cela ne nous indiquent pas comment est-ce
quelle volue. La valorisation doption europenne ne requiert pas de connatre la
volatilit implicite future, en revanche, pour des options path-dependant, i.e. que
le payoff dpend de toute la trajectoire du sous-jacent et non uniquement de sa
valeur terminale, comme les options barrire ou forward-start. On cherche donc
savoir quoi correspondra la volatilit implicite en fonction du niveau du prix

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.

futur. Tous les paramtres du modle ninfluent pas le niveau de la volatilit

court-terme, cela pourrait tre plus simple de considrer ce problme comme un
problme invariant. En finance on parle plutt de problme sticky (pineux) et
comme dit prcdemment, ils portent sur le modle et non sur le sous-jacent lui
mme. Les deux sticky rules les plus connues sont :

Sticky strike rule.

Pour un certain niveau de skew sur la volatilit implicite, il est possible que
mme si le sous-jacent bouge, les options cots sur celui ci avec des niveaux
de strike inchangs gardent leur volatilit initiale. Cest ce que lon appelle
la rgle sticky strike. Bien entendu, en cas de grosse variation de St , par
exemple durant des priodes de crise, la volatilit implicite sera modifie.
On a
I(t + t, K) = I(t, K)

Alexis Fauth 81
Modle de Taux

Sticky delta/moneyness rule.

La rgle de moneyness correspond la dpendance entre la volatilit et la
moneyness de loption m = K/S,

I(t + t, m) = I(t, m)

Pour pouvoir dterminer concrtement la volatilit implicite future, nous avons

besoin de travailler sur des options paiement diffr, lexemple le plus courant est
celui dune option forward-start. Un option forward-start est une option contracte
linstant t, recevant une proportion du sous-jacent linstant T1 t la maturit
T2 > T1 . Le payoff dune telle option est

(ST2 ) = (ST2 KST1 )+ .

Le pricing est donc

C(t, T2 ) = er(T1 t) E[(ST2 KST1 )|Ft ].

Supposons que le sous-jacent soit diffus par un mouvement brownien gomtrique

de volatilit constante sous la probabilit risque-neutre, alors

C(t, T2 ) = er(T1 t) E[E[(ST2 KST1 )|FT1 ]|Ft ]

= er(T1 t) E[ST1 N (d+ ) Ker(T2 T1 ) N (d )|Ft ]
= er(T1 t) N (d+ ) Ker(T2 t) N (d ),
avec
ln(Ker(T2 T1 ) ) BS T2 T1
d = ,
BS T2 T1 2
o nous avons utilis le fait que E[E[X|F|G] = E[X|G] pour toute v.a.r. X et les
filtrations telles que G F et que le rsultat de Black & Scholes est dterministe.

La dynamique de la volatilit implicite est dduite de tel produit. En fait, on

va plutt utiliser les options cliquets. Il sagit dune somme doption forward-start,
le payoff est alors simplement
n
X
(Sn ) = (STi+1 KSTi )+
i=1

o le tenor T1 , , Tn est fix lavance. La valorisation se dduit de la formule

donne pour les options forward-start.

Alexis Fauth 82
Modle de Taux

3.3 Modle volatilit locale

Pour laspect historique, nous pouvons citer Breeden and Litzenberger, [BrLi78],
faisant apparatre la relation entre la densit du stock et le prix des options. En-
suite, Dupire [Du94] et Derman et Kani [DeKa94] ont montr que sous la probabi-
lit risque neutre, il existe une unique diffusion consistante avec cette distribution.
Dans [DeKa94], la volatilit locale est construite de manire discrte avec des m-
thodes darbres. Ici, nous nous intresserons seulement au temps continu avec la
formule de Dupire. Avant de donner la formulation pour les caplets, nous donnons
les quations pour le prix de call sur stock. Lunique coefficient correspondant
(T, K) consistant avec le prix des options europennes est la fonction de volati-
lit implicite. Les modles volatilit locale proposent une mthodologie simplifie
pour valoriser des produits exotiques partir de produits vanilles.

3.3.1 Diffusion de Dupire

La diffusion de driftless du stock St est donne pour tout t 0 par

dSt = (t, St )St dWt ,

avec une fonction dterministe positive. Le prix dun call de maturit T et de

strike K en t = 0 est
Z
C(T, K) = (s K)T (s)ds (3.10)
K

avec T la densit risque neutre de lactif. Avant de continuer, rappelons lquation

de Fokker Planck (ou Kolmogorov forward).

Proposition 3.1. (Equation de Fokker Planck) Soit (Xt )tR+ un processus

de diffusion
dXt = (t, Xt )dt + (t, Xt )dWt
avec (Wt )tR+ un mouvement Brownien standard. Alors

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

La densit de (3.10) doit vrifier cette quation, ainsi

1 2 ( 2 s2 T ) T
2
= . (3.11)
2 s t
En drivant deux fois lquation (3.10) par rapport au strike K nous obtenons
2 C(T, K)
T (K) = .
K 2
En injectant cela dans lquation (3.11),
!
1 2 ( 2 K 2 T ) 2C
= .
2 K 2 T K 2
En intgrant deux fois par rapport K
1 2 2 C
K T = .
2 T
En remplaant nouveau T par la drive seconde du call par rapport K
1 2 2 2C C
K 2
= .
2 K T
Nous obtenons la volatilit locale dfinie par
v
C
u
u
u 2
(T, K) =
u
u T . (3.12)
u
2C
K2
t
K 2
Quel est lintrt de lEDP de Dupire par rapport celle de Black & Scholes ?
Rappelons que cette dernire est donne pour un call C sur S de mme diffusion
que prcdemment, de strike K et de maturit T par
C C 1 2C
+ rS + (t, S)2 S 2 2 = rC.
t S 2 S
La volatilit de Black & Scholes est donc
v
C C
u
u
u rC rS
(t, S) =
u
u2 t S . (3.13)
2
u
C
S2 2
t
S

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.

3.3.2 Volatilit implicite dans le modle de Dupire

Le prix dun call (non actualis) est donne par
C = E[(ST K)+ ],
en drivant par rapport au strike K nous obtenons
C
= E[1ST >K ].
K
En drivant une nouvelle fois par rapport K
2C
= E[(ST K)]. (3.14)
K 2
avec la fonction de Dirac.

Appliquons maintenant le lemme dIt la fonction (ST K)+ avec dSt =

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

En mixant la formulation de la volatilit locale (3.13) avec le rsultat prcdent

(3.15) nous obtenons la reprsentation suivante :

2 (T, K) = E[vt |ST = K]. (3.16)

Dans ce cas, la volatilit locale est donc lesprance de la volatilit instantane

conditionnellement au fait que le prix final est gal au strike.

Considrons maintenant le cas o la diffusion de lactif S dans lunivers risque

neutre est
St
= rdt + (t, St )dWt ,
St
o r est le taux sans risque. En appliquant nouveau lquation de Fokker-Planck
pour cette diffusion nous avons

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.

3.3.3 Problme de calibration

Nayant quun ensemble fini dobservations (Ti , Kj )0i<n,0j<m il est vident
que mme si une solution au problme existe, elle ne sera pas unique puisquun
ensemble de courbes vont pouvoir passer par les prix du march. De plus, em-
piriquement, la moindre petite variation des prix va compltement modifier la
volatilit implicite trouve, la solution nest absolument pas stable. Nous avons
deux approches pour pouvoir estimer notre volatilit locale, soit par rgularisa-
tion, soit en supposant une forme paramtrique de la volatilit implicite. Nous
commenons par la premire.

On parle de calibration lorsque lon cherche numriquement les valeurs des

paramtres dun modle en fonction des prix actuels et non passs. Le terme des-
timation est rserv la recherche des paramtres en fonction de lhistorique des

Alexis Fauth 87
Modle de Taux

donnes, par exemple par maximum de vraisemblance. On parlera donc de pro-

cessus forward-looking pour la calibration et de processus backward-looking pour
lestimation.
Le problme de calibration est donc un problme inverse. En effet, dans le cadre
le plus simple du modle de Black & Scholes nous utilisons la formule de pricing
pour dterminer le paramtre de volatilit en fonction des prix observs plutt que
de dterminer le prix des options en fonction de la volatilit. Dans lunivers risque
neutre, le drift disparat au profit du taux sans risque, disponible sur le march, le
seul paramtre restant trouver est bien la volatilit. Nanmoins, pour un modle
plus sophistiqu comme pour notre volatilit locale au sens de Dupire, cela est bien
plus compliqu. Les problmes inverses sont souvent plus difficiles rsoudre car
ils sont bien souvent mal poss (ill-posed).
Rappelons quau sens de Hadamard, un problme est bien pos (well-posed) si
ces conditions sont remplies :

Le problme admet une solution

Le problme admet une solution et, elle est unique
La solution dpend continment des donnes.

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

= arg min ||C M kt (K, T ) C(, T, K)||2 ,

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

Le problme (3.21) peut tre rsolu numriquement par un algorithme de descente

(voir appendix). Remarquons un point faible de cette procdure, la rgularisation,
||||2H , est la mme quelque soit la rgion dans laquelle on se trouve, que la
volatilit influe sur les prix ou non. Il est prfrable de ne pas chercher mini-
miser lerreur quadratique mais plutt lerreur quadratique pondre par linverse
du bid-ask spread. Cette pondration sinterprte comme un contrle du rsultat
pour des produits peu liquides avec un spread lev. Pour plus de dtails sur ces
problmes de calibrations nous renvoyons [Cr03] et [LaOs97].

Lautre approche que nous prsentons consiste calculer la volatilit locale

partir de la volatilit implicite avec lquation reliant ces deux quantits (3.17).
Plutt que de prendre la vraie volatilit implicite, J. Gatheral [Ga04] propose
une forme paramtrique de la volatilit implicite, comme cela nous navons pas de
problme de grille de discrtisation et de bruit. Il sagit du modle SVI (Stochastic
Volatility Inspired). Inspir des modles volatilit stochastique car il vrifie cer-
taines des proprits de volatilit implicite asymptotique vrifies par les modles
volatilit stochastiques comme celui de Heston [Lee04]. La forme paramtrique
de la volatilit implicite est
1
  q 
2
I (T, k) = a + b (k m) + (k m)2 + 2 (3.22)
T
avec k le log-strike, k = log K
S
rT , a 0, b 0, 0, [1, 1] et m R. Les
diffrents paramtres ont les influences suivantes :

a dtermine le niveau de la volatilit implicite

b dtermine les pentes droite et gauche de la volatilit implicite

dtermine lasymtrie de la volatilit implicite

Alexis Fauth 89
Modle de Taux

m dtermine le moment auquel on observe la volatilit implicite remonte (smile

aprs skew)

dtermine la convexit la monnaie.

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.

3.3.4 Modle shifted-lognormal

Un exemple de modle que nous allons tudier est le modle shifted-lognormal.
La diffusion du taux forward F j associe la mesure Tj -forward est

dFtj = (t)(Ftj )dWt , t < Tj ,

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

Conditionnellement Ftj , la densit de FTj est pour tout t < T Tj

2
ln Fx + 12 U 2 (t, T )

1 1
j



fF j |F j (x) = exp t ,
T t (x )U (t, T ) 2 2
U (t, T )

pour x > et s
Z T
U (t, T ) = 2 (u)du.
t

Remarquons que nous pouvons rcrire le modle

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 ).

X tant un mouvement Brownien gomtrique, nous avons simplement pour la

valeur dun caplet

Cpl(t, Tj1 , Tj , , ) = j B(t, Tj )Bl( , Ftj , U (t, Tj1 )).

La volatilit implicite, (K, ), est alors obtenue en rsolvant numriquement

q
j B(t, Tj )Bl(, Ftj , (K, ) Tj1 t) = j B(t, Tj )Bl( , Ftj , U (t, Tj1 )).

3.3.5 Modle CEV

Le modle CEV pour Constant Elasticity of Variance a t introduit par [Co75]
et appliqu au march des taux dintrts par [AnAn00]. La dynamique du taux
forward est sous la mesure Tj -forward

dFtj = j (t)(Ftj ) dWt , 0 < 1. (3.23)

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

o 2 (, r, ) est la fonction de rpartition dun chi-deux dcentr de r degrs de

libert et de paramtre de dcentrage et
1
k= , u = k(Ftj )2(1) .
2v(t, T )(1 )2
Preuve 3.1. On peut montrer quil sagit dun processus de Bessel, voir
[AnAn00].
Les auteurs de ([HaWe08]) ont montr par perturbation singulire que la vola-
tilit implicite dun caplet de maturit Tj est donne par
2 2
( )
j 1 F0 1 2 j Tj

(K, ) 1 1 + (1 )(2 ) + (1 ) 22 ,
u 24 u 24 u
avec
1
u = (F0 + ).
2
Nous prsentons sur la figure (10) un exemple de surface de volatilit avec le
modle CEV.

3.4 Volatilit stochastique

Avant de discuter des modles volatilit stochastique pour les produits de
taux dintrts nous posons la forme gnrale des quations rgissant le prix du
sous-jacent et de sa volatilit

dSt = (t)St dt + vt St dZt1
dvt = (S, v, t)dt + (S, v, t)dZt2

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

Figure 10 Surface de volatilit simule laide du modle CEV avec F = 100.

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

En considrant un portefeuille auto-finanant et laide de la formule dIt mul-

tidimensionnelle pour V , dpendant de t, v et S, nous obtenons
dV =dC1 dS dC2
( )
C1 C1 C1 2 C1 1 2 C1 1 2 C1
= dt + dS + dv + dhS, vi + dhS, Si + dhv, vi
t S v Sv 2 S 2 2 v 2
dS
(
C2 C2 C2
dt + dS + dv
t S v
)
2 C2 1 2 C2 1 2 C2
+ dhS, vi + dhS, Si + dhv, vi
Sv 2 S 2 2 v 2
(
C1 C1 C1 2 C1
= dt + dS + dv + vS dt
t S v Sv
)
1 2 2 C1 1 2 C1
+ vS dt + v dt
2 S 2 2 v 2
dS
(
C2 C2 C2 2 C2
dt + dS + dv + vS dt
t S v Sv
)
1 2 2 C2 1 2 C2
+ vS dt + v dt
2 S 2 2 v 2
( )
C1 2 C1 1 2 2 C1 1 2 C1
= + vS + vS + v dt dt
t Sv 2 S 2 2 v 2
( )
C2 2 C2 1 2 2 C2 1 2 C2
+ vS + vS + v dt
t Sv 2 S 2 2 v 2
( )
C1 C2
+ dS
S S
( )
C1 C2
+ dv.
v v
Pour liminer les sources dalas nous mettons 0 les termes en dS et dv, soit,
C1 C2
=0 (3.24)
S S
et
C1 C2
=0 (3.25)
v v

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.

En galisant les quations (3.26) et (3.27), et en utilisant les quations (3.24) et

(3.25), nous avons
!
1 C1 2 C1 1 2 C1 1 2 C1 C1
C1 + vS + vS 2 2
+ v 2
+ rS rC1
v
t Sv 2 S 2 v S
!
1 C2 2 C2 1 C 2 1 C 2 C2
= C2 + vS + vS 2 22 + v 22 + rS rC2 .
v
t Sv 2 S 2 v S

Le terme de gauche dpend uniquement de C1 , le terme de droite de C2 , sans

perte de gnralit, nous pouvons alors supposer quils sont gaux une certaine
fonction f des variables S, v et t. Ainsi

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.

3.4.1 Lien avec la volatilit implicite

Considrons un modle volatilit stochastique o les processus de prix et de
volatilit sont non corrls. Le pricing dune option de payoff (ST , T ) la forme
gnrique Z Z
r(T t)
VSV (t, T ) = e (x, y)dP(ST = x, T = y),

Alexis Fauth 95
Modle de Taux

o SV ou pour valorisation sous un modle volatilit stochastique. En appliquant

simplement la formule de Bayes nous avons
Z Z
r(T t)
VSV (t, T ) = e (x, y)dP(ST = x|T = y)P(T = y)
Z  Z 
= er(T t) fST |T =y (x)(x, y)dx dP(T = y)
Z
= fT (y)VBS (t, T, T )dy.
La dernire quation se dduit de fait que si la volatilit est fixe alors on se
retrouve dans le cadre de Black and Scholes. Le modle de Black and Scholes est
une variable dterministe, la seule variable alatoire est T , la dernire quation
est en fait lesprance du modle de Black and Scholes sous T
VSV (t, T ) = E [VBS (T )] . (3.29)
Valoriser une option avec un modle volatilit stochastique correspond donc
faire une moyenne des prix de Black and Scholes pour toutes les valeurs possibles
de T . Ce rsultat est connu sous le terme de formule de mlange. Nous allons
maintenant en dduire une approximation de la volatilit implicite dans le cadre
dun modle volatilit stochastique ainsi quune correspondance entre la sensibi-
lit de la volatilit implicite par rapport au sous-jacent et par rapport au strike.

Notons VSV = VSV (T ). En faisant un dveloppement limit de VSV (T ) au

voisinage de T = E[T ] nous avons
Z " #
VBS (T ) 1 2 VBS (T )
VSV = VBS (T ) + (T T ) + (T T )2 + f (T )dT
T 2 T2
VBS (T ) 1 2 VBS (T ) h 2
i
VBS (T ) + (E[T ] T ) + E ( T T )
T 2 T2
1 2 VBS (T )
= VBS (T ) + 0 + V ar(T ).
2 T2
(3.30)
Si nous supposons maintenant que valoriser une option avec un modle volatilit
stochastique correspond la mme chose que valoriser une option avec le modle de
Black and Scholes mais en prenant en compte la volatilit implicite plutt quune
volatilit constante, nous avons
VSV = VBS ()
VBS (T ) (3.31)
VBS (T ) + ( T ).
T

Alexis Fauth 96
Modle de Taux

o nous avons suppos que VBS (T )

= VBS
T
(T )
. Il ne reste plus qu galiser les
quations (3.30) et (3.31) pour obtenir une approximation de la volatilit implicite
1 2 VBS (T )
2 2
T
V ar(T )
T + VBS (T )
.
T

Notons quil est possible de raffiner lapproximation en faisant un dveloppement

plus lointain de (3.30), incorporant skewness et kurtosis par exemple. Dans le cas
simple o le produit est une option europenne, ou certaines exotiques, nous pou-
vons calculer explicitement les drives du produit.

Pour montrer la correspondance entre la sensibilit de la volatilit implicite

par rapport au sous-jacent et par rapport au strike, rappelons que la formule de
Black and Scholes dun call europen est homogne en S et K, CBS (t, T, S, K, ) =
SCBS (t, T, 1, K/S, ). Si nous revenons notre formule de mlange (3.29), un call
sous volatilit stochastique correspond la moyenne des call de Black and Sholes
pour diffrentes volatilits. Si nous navons que deux volatilits disposition, la
plus faible L et la plus haute, H , (3.29) devient
1
CSV = [CBS (S, K, L ) + BS (S, K, H )]
2 
1 K K

= S CBS (1, , L ) + CBS (1, , H )
2 S S
K
 
= Sf
S
pour f une fonction ne dpendant que de K/S. Nous avons ainsi
K K
   
CSV = Sf = SCBS 1, ,
S S
et donc
K
 
=g
S
pour une fonction g de K/S. Ainsi
K
= 2 g0
S S
1 0
= g
K S

S +K = 0.
S K

Alexis Fauth 97
Modle de Taux

Si nous sommes proche de la monnaie (K S), nous avons alors

.
S K

3.4.2 Modle de Heston

Dans le modle de Heston, les quations de diffusions sous la probabilit risque
neutre sont donc
dSt = t St dt + vt St dZt1

dvt = ( vt )dt + vt dZt2 ,
avec hdZ 1 , dZ 2 i = dt.

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

o = T t et les paramtres et sont risque-ajusts (nous avons retir les

primes pour simplifier). Nous allons maintenant chercher une solution la Black
& Scholes. Plus particulirement, nous posons

C(x, v, ) = ex P1 (x, v, ) P0 (x, v, ). (3.35)

Substituant (3.35) dans (3.34), nous obtenons,

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

Pj (x, v, 0) = 1x>0 (3.37)

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, )

son inverse tant Z

dk
P (x, v, ) = eikx P (k, v, ) . (3.38)
2
En substituant nouveau dans (3.36)

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

Posons, une nouvelle fois, lansatz suivante

Pj (k, v, ) = exp{Cj (k, ) + Dj (k, )v}P (k, v, 0)

1
= exp{Cj (k, ) + Dj (k, )v},
ik
o les fonctions Cj et Dj sont ce que lon recherche. Les drives sont
!
Pj Cj Dj
= +v Pj

Pj
= Dj Pj
v
2 Pj
= Dj2 Pj .
v 2
Lquation (3.39) devient ainsi
!
Dj Cj
v Pj Dj Pj + Dj2 Pj + Pj + aDj Pj

On annule maintenant les termes en v et les termes ne dpendant pas de v, on

obtient le systme
Cj a
= Dj

= Dj
(3.40)
Dj 2
= Dj + D

= (Dj r+ )(Dj r )
avec
d q
r = , d = 2 4
2
Il ne reste plus qu intgrer le systme (3.40) avec les conditions terminales
Cj (k, 0) = 0 et Dj (k, 0) = 0 (correspondant (3.37). Aprs calculs

1 ged
" !#
2
C(k, ) = r 2 ln
1g
1 ed
D(k, ) = r
1 ged

Alexis Fauth 100

Modle de Taux

o g = r /r+ . Il ne reste plus qu inverser la transforme de Fourrier pour trou-

ver le rsultat voulu. En utilisant (3.38), les pseudo-probabilits Pj , j = 1, 2 sont
donnes par
( )
1 1Z exp {Cj (k, ) + Dj (k, )v + ikx}
Pj (x, v, ) = + < dk,
2 0 ik

Equation que lon peut estimer par des mthodes numriques classiques comme la
quadrature de Gauss - Laguerre pour rsoudre le problme de lintgrale infinie.

Nous allons maintenant essayer dextraire la volatilit implicite du modle de

Heston. Notons xt le log-strike linstant t, xt = log(St /K) et supposons que le
drift du sous-jacent est nul = 0, le modle de Heston devient alors
vt
dxt = dt + vt dZt
2
q
dvt = (vt )dt + vt dZt + 1 2 vt dWt

o nous avons pos Zt1 = Zt et Zt2 = Zt + 1 2 Wt avec Wt un mouvement
brownien indpendant de Zt . En appliquant loprateur esprance conditionnelle
vt , nous avons en notant t = E(vt |xT )
1
 q 
dt = ( t )dt + dE(xt |xT ) + t + 1 2 E( vt dWt |xT ). (3.41)
2
Nous assumons que la dernire esprance est gale zro et que
Rt
E(vs )ds st
E(xt |xT ) = xT R 0T = xT
0 E(vs )ds sT

(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

Alexis Fauth 101

Modle de Taux

avec 0 = /2 et 0 = /. La solution de ce processus est

0
t = e t (0 0 ) + 0

Ainsi, dans le cas particulier o la volatilit implicite ne dpend pas du strike

(3.20) nous en dduisons la formule suivante

1 Z T 0 t
2
IHeston (t) = (e (0 0 ) + 0 )dt
T 0
0 0 0  0

= + 1 e .
0

3.4.3 Modle de Wu et Zhang

Le papier de Wu et Zang, [WuZh02], prolonge le modle de Heston pour le
march Libor. Les quations de diffusions dun forward sous la probabilit risque
neutre sont q q
dftj = ftj Vt tj (dZt Vt j+1 dt)
q (3.42)
dVt = ( Vt ) +  Vt dWt ,
o ftj = f (t, Tj , Tj+1 ). La volatilit (stochastique) suit donc un processus dOrn-
stein Ulhenbeck,  est habituellement appel le paramtre volvol, il contrle la
courbure du smile. est le produit scalaire, Z est un vecteur de Q-mouvements
Brownien standard indpendants et (Wt )tR+ un mouvement Brownien standard
tel que
(tj Zt )dWt
j = jt dt.
||t ||
Les fonctions (tj )tR+ donnent le niveau de courbure du smile. Elles sont donnes
par
j 1 + (Tj+1 Tj )ftj
t = ((t, Tj+1 ) (t, Tj )).
(Tj+1 Tj )ftj
Comme prcdemment pour les mesures forward nous introduisons les mouvements
browniens Zj+1
t et Wtj+1 sous la mesure Tj+1 -forward tel que

dZj+1
t = dZt V t j+1 (t)dt
q
dWtj+1 = dWt + tj Vt dt,

Alexis Fauth 102

Modle de Taux

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

nous avons donc freez les coefficients. Posons maintenant tj = 1 +  tj , alors,

q
dVt = ( tj Vt )dt +  Vt dWtj+1 .

Maintenant que les quations rgissant la dynamique des taux forward et de sa

volatilit sont poses sous la mesure forward neutre, nous pouvons nous intresser
la valorisation dun caplet en t = 0 de maturit Tj+1 et commenant en Tj de
strike K
Cpl(0, Tj , Tj+1 ) =B(0, Tj+1 )(Tj+1 Tj )Ej+1 [(fTjj K)+ |F0 (t)]

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

+ B(0, Tj+1 )(Tj+1 Tj )KEj+1 [1f j >K |Ft0 ].

t

Les deux esprances peuvent tre values en utilisant la fonction gnratrice des
moments du taux forward

(Xt , Vt , t, z) = E[ezXTj |Ft ], z C,

Alexis Fauth 103

Modle de Taux

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,

(x, V, t, z) = (x, V, , z) = eA(,z)+B(,z)V +zx

avec = Tj+1 t. En substituant dans les quations (3.44) et (3.45)
dA
= B
d
dB 1 1
= 2 B 2 + (||j || j )B + || j ||2 (z 2 z)
d 2 2
avec comme conditions initiales
A(0, z) = 0, B(0, z) = 0.
On reconnat alors la forme des quations diffrentielles de Ricatti. Dans le cas
o les fonctions jt et tj sont constantes par morceaux, aprs rsolution (voir
[WuZh02]), nous obtenons pour tout j < j+1 les quations de rcurrences
j)
1 gj ed(
" !#

A(, z) = A(j , z) + 2 (a + d)( j ) 2 ln
 1 gj
j
j (a + d 2 B(j , z))(1 ed( ) )
B(, z) = B( , z) + ,
2 (1 gj ed( j ) )

Alexis Fauth 104

Modle de Taux

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)

3.4.4 Modle SABR

Nous passons au modle de Hagan et al., [HaKuLeWo02], SABR, pour "Sto-
chastique, Alpha, Beta, Rho. Il sagit dun modle volatilit stochastique carac-
trisant la dynamique dun forward sous la probabilit risque neutre par
dFt,j = Vt Fj (t)dZt,j
j

dVt = Vt dWtj

V0 =
j
avec (Zt,j )tR+ et (Wtj )tR+ deux mouvements Brownien standard vrifiant
j
hdZt,j dWtj i = dt,
et (0, 1],  et deux constantes relles positives et [1, 1] Le taux forward
Ft,j est donc type CEV avec une volatilit stochastique suivant un mouvement
Brownien gomtrique sans drift. Il sagit dun des modles les plus populaires
actuellement pour sa simplicit mettre en oeuvre et ses approximations pour les
volatilits implicites. Depuis, des rsultats plus gnraux ont t montrs, nous
renvoyons par exemple [La05] ou [La08] pour quelque chose de plus complet.
Notons que les prmisses de cette thorie ont t instigues par [BeBuFl04], abor-
dable par un tudiant un peu motiv.

Les auteurs de [HaKuLeWo02] dmontrent par perturbation singulire que le

prix en t = 0 dun caplet est
Cpl(0, Tj1 , Tj , ) = (Tj Tj1 )B(0, Tj ) (F0,j (d+ ) K(d ))
o
ln(F0,j /K) 21 imp (, F0,j )2 Tj1
d = q
imp (, F0,j )2 Tj1
et imp (, F ) est la volatilit implicite vrifiant lapproximation
z
imp (, F ) = 1
h 2
  4
  i
(F ) 2 1 + (1) 24
ln2 F + (1)
1920
ln4 F + x(z)
(3.46)
(1 )2 2  2
2 2 3

1+ + 1 +  Tj1 + ,
24(F )1 4(F ) 2 24

Alexis Fauth 105

Modle de Taux

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.

Pour comprendre le rle de chacun des paramtres, les auteurs de [HaKuLeWo02]

proposent une nouvelle approximation de (3.46),
(
imp 1
(K, F0,j ) = 1 1 (1 ) ln
F0,j 2 F0,j
(3.48)
1
+ [(1 )2 + (2 32 )2 ln2 + ]
12 F0,j
avec
1
F0,j
=

Le premier terme de (3.48) correspond celui de la volatilit implicite ATM, en
dautres termes, celui approximant au plus la volatilit implicite ATM. Le terme
ln /F0,j nous donne le niveau de la volatilit implicite par rapport au strike. Il est
lui mme amplifi par deux termes, (1 )/2, que lon appelle habituellement
le beta skew, et /2, le vanna skew. La partie associe ln2 F0,j nous donne
la convexit de la volatilit implicite. Le premier terme amplifiant son importance
est appele naturellement le beta skew au carr, le second est volga (volatility-
gamma). Nous prsentons la figure (11) une surface de volatilit simule laide
du modle, ainsi que sur (3.4.4) linfluence des paramtres et sur le smile de
volatilit en fonction du strike.

Alexis Fauth 106

Modle de Taux

1.5
Volatilit Implicite

1.0

0.5

10
5
0 0
2 /K)
4
6 5 g(F
T 8 Lo
10 10

Figure 11 Surface de volatilit simule laide du modle SABR.

3500

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)

Figure 12 A gauche, influence du paramtre sur le smile, droite, influence du paramtre

.

Alexis Fauth 107

Modle de Taux

3.5 Drives sur volatilit

Il existe des produits drivs sur des prix dequity, taux, forex, commodities,
inflation, etc., et galement, sur la volatilit de ces produits. En effet, il est possible
dacheter de la volatilit sur les marchs.

3.5.1 Swap de variance

Il est possible de faire un pari sur le niveau de la volatilit dans X jours, ou
de se hedger, selon le point de vue. Lexemple basique est le swap de variance. Le
payoff dun tel produit est
n
!2
NA X Si 2
SV = log N K ,
n i=1 Si1

o N est le nominal, n le nombre de jours avant la maturit T , A = 251 le nombre

2
de jours dans une anne, K le strike de variance.

Dans le cas o nous travaillons en temps continu, le swap de variance devient

!
1 ZT 2 2
SV = N ds K
T t t s
Comme pour les swap de taux vu prcdemment o nous changions un taux
fixe contre un taux variable, nous changeons cette fois une volatilit fixe T contre
une volatilit flottante log2 (Si /Si1 ). Nous avons deux possibilits pour valoriser
ce produit, soit nous calculons simplement la valeur de la volatilit intgre, soit
nous la rpliquons par un portefeuille doption.

Avec le modle de Heston, la volatilit est donne par

dt = (t )dt + t dWt .

La variance intgre est donc

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.

Alexis Fauth 108

Modle de Taux

Plutt que de travailler sur la volatilit en elle-mme, nous pouvons essayer de

la rpliquer par un portefeuille doption cela peut par exemple nous permettre de
hedger le portefeuille par des techniques classiques. On suppose le modle gnral
sous Q
dSt
= rdt + t dWt .
St
En appliquant le lemme dIt ln(St ) nous avons
1
d ln(St ) = (r t2 )dt + t dWt
2
et donc
1 2
dt = rdt + t dWt d ln(St )
2 t
1 2 dSt
t dt = d ln(St )
2 St
1Z T 2 Z T
dSs Z T
s ds = d ln(Ss )
2 t t Ss t
1Z T 2 Z T
dSs ST
s ds = ln .
2 t t Ss St
La valeur dun investissement en t est ainsi
 !  !
r(T t) 1
Z T Z T
r(T t) dSs  ST 
e E(s |Ft )ds = e E Ft er(T t) E F t .
2 t t Ss  St 
Wt tant un processus de Wiener, pour le premier terme nous avons
Z T  !
r(T t) dSs 
e E Ft = er(T t) r(T t). (3.49)
t Ss 
Pour rpliquer le second terme, nous avons besoin dintroduire le rsultat suivant.
Tout payoff (ST ) avec ST > 0 peut tre dcompos en une somme infinie de call
et de put diffrent strikes
Z F
(ST ) =(F ) + 0 (F )(ST F ) + 00 (K)(K ST )+ dK
0 (3.50)
Z
00
+ (K)(ST K)+ dK
F

o F = St er(T t) le forward. Pour prouver ce rsultat rappelons que

max(x K, 0)0 = 1xK , 10xK = (x K).

Alexis Fauth 109

Modle de Taux

Pour toute fonction f : R+ 7 R+

Z
f (x) = f (K)(K x)dK
0
Z x
2 Z
2
= f (K) (K x)+ dK + f (K) (K x)+ dK,
0 K 2 x K 2
o nous avons simplement appliquer le thorme de Chasles pour les intgrales, les
deux drives secondes sont gales. En faisant deux intgrations par parties avec
x = F et x = ST on trouve le rsultat voulu. En multipliant (3.50) par er(T t)
et en passant sous lesprance risque neutre on obtient pour toute valorisation
doption de payoff (ST )
Z F
er(T t) E((ST )|Ft ) =er(T t) (F ) + 00 (K)Put(T, K)dK
0 (3.51)
Z
00
+ (K)Call(T, K)dK.
F
 
x
En appliquant (3.51) au payoff (x) = log St
nous avons
Z F
ST Put(T, K)
 
r(T t)
e E(ln |Ft ) =er(T t) r(T t) dK
St 0 K2
Z (3.52)
Call(T, K)
dK.
F K2
La variance intgre peut donc scrire comme la somme de (3.49) et (3.52), soit

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

3.5.2 Option sur volatilit

Pour proposer un framework gnraliste doption ayant pour sous-jacent la
volatilit dun actif nous avons besoin de faire un calcul auparavant. Supposons
pour simplifier que le taux sans risque est gal zro et que les processus de prix
et de volatilit sont indpendants, (3.50) devient alors
Z F Z
E((ST )|Ft ) = (F ) + 00 (K)PutBS (K, T )dK + 00 (K)CallBS (K, T )dK.
0 F

Alexis Fauth 110

Modle de Taux

Considrons maintenant le cas particulier du payoff (ST ) = STp , il sagit dune

option power. Une telle option peut donc tre rplique par
Z F Z
E(STp |Ft ) p
= F + p(p 1) K p2
Put(K, T )dK + p(p 1) K p2 Call(K, T )dK.
0 F

Pour simplifier cette expression nous allons faire le changement de variable k =

log(K/F ), la parit call/put devient
Put(k) = ek Call(k).
Ainsi,
 Z 0 Z 
E(STp |Ft ) =F p
1 + p(p 1) pk
e Put(k, T )dk + p(p 1) pk
e Call(k, T )dk
0
Z
1
   
k
p
=F 1 + 2p(p 1) ke cosh p
2 Call(k, T )dk .
0 2
(3.54)
Considrons maintenant la diffusion du log-prix gnrale avec toujours les taux
dintrts gaux zro
ST
 
xT = log
S0
Z T
1
= t dWt hxiT .
0 2
Le processus xT est une loi normale de moyenne 1/2hxiT et de variance hxiT , sa
transforme de Laplace est donc
1 1 2
E (epxT ) = e 2 phxiT + 2 p hxi T
.
Ainsi  2 /2p/2)hxi

E (epxT ) = E e(p T

 
= 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

Alexis Fauth 111

Modle de Taux

ce que lon peut simplifier en remarquant que p()(p() 1) = 2. Pour conclure

et avoir une formule de valorisation gnrale nous navons plus qu remarquer que

 hxiT  
E (hxiT ) = E e  .

=0

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

On retrouve ainsi le mme rsultat que (3.53).

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

o Qi est le prix de loption, call ou put, hors de la monnaie de strike Ki , F est

le forward, K0 = min{sup F } et Ki la diffrence entre deux strikes conscutifs. A
lorigine, le VIX tait calcul pour reproduire la volatilit implicite la monnaie
de maturit 1 mois. Il sagissait dune moyenne sur 8 options, des calls et des
puts proches de lATM. Le nouveau calcul prend en compte plus de maturit
pour pouvoir reprsenter la skew, galement une moyenne de bandelette doption
pondre, enfin, initialement, le VIX etait calcul sur le S&P 100 et non sur le 500,
la vision du march est donc plus large et consistante.
Il est possible de retrouver lquation (3.56) laide de la formule (3.53) et donc

Alexis Fauth 112

Modle de Taux

(3.55), on suppose toujours le taux sans risque gal zro

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.

3.6 Calcul de Malliavin

Nous faisons ici une introduction au calcul de Malliavin, cela nous permettra
entre autre de calculer des grecques pour des options payoff compliques. Le
calcul de Malliavin est une thorie de calcul infiniment diffrentiel sur lespace de
Wiener. Il ne sagit certainement pas de la chose la plus simple, nous ne ferons
donc pas toutes les preuves. Pour aider la comprhension, nous rajoutons des
exemples de calculs corrigs. Pour plus de dtails sur la partie thorique, nous
renvoyons [Nu06], [Ok97] ou [Wa84].

3.6.1 Elments de thorie

Dfinition 3.1. (Processus gaussien isonormal). Soit H un espace de Hil-
bert. Un processus stochastique W = {W (h), h H} sur lespace de probabilit
(, F, P ) est un processus gaussien isonormal si W est gaussien et vrifie pour
tout h, g H E(W (h)W (g)) = hh, giH .

Remarquons que la fonction h W (h) est linaire, en effet, pour tout , R

Alexis Fauth 113

Modle de Taux

et h, g H

E[(W (h + g) W (h) W (g))2 ] =||h + g||H + 2 ||h||2H + 2 ||g||2H

2hh + g, hiH 2hh + g, giH
+ 2hh, giH
=0 p.s..

Ainsi, la fonction donne une isomtrie entre H est un sous-espace H1 L2 (, F, P )

contenant les variables alatoires isonormales.

Un exemple bien connu de processus gaussien isonormal est lintgrale de Wie-

ner. Avec Bt = (Bt1 , , Btd ) un mouvement brownien d-dimensionnel sur (, F, P )
et pour tout h H = L2 (R+ , Rd ), lintgrale de Wiener
d Z
hi (s)dBsi
X
W (h) =
i=1 R+

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 .

3.6.1.1 Chaos de Wiener

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

Alexis Fauth 114

Modle de Taux

Pour tout n 1 nous dfinissons le chaos de Wiener dordre n, Hn , comme la

fermeture du sous-espace linaire de L2 (, F, P ) gnre par
{Hn (W (h)), h H, ||h||H = 1}
avec H0 un ensemble de constante. Le lemme suivant nous permet de montrer que
les ensembles Hn sont orthogonaux entre eux pour tout n 6= m
Lemme 3.1. Soit X et Y deux variables gaussiennes centres rduites, alors
pour tout n, m 0
(
0, n 6= m
E(Hn (X)Hm (Y )) = 1 n
n!
(E(XY )) , n=m
Preuve 3.2. Pour tout s, t R,
! !!
s2 t2
E exp sX exp tY = exp (stE(XY )) .
2 2
n+m
En prenant les drives sn tm
en s = t = 0 de chaque cot de lquation prcdente
nous avons
(
0, n 6= m
E(n!Hn (X)m!Hm (Y )) =
n! (E(XY ))n , n=m

Nous pouvons maintenant montrer la dcomposition de L2 (G) en chaos de

Wiener o G est la algbre gnre par W .
Thorme 3.1. Lespace L2 (G) peut tre dcompos en une somme infinie
de sous-espaces orthogonaux

2
M
L (, G, P ) = Hn .
n=0

Preuve 3.3. Nous avons dj montr lorthogonalit des sous-espaces Hn , il

ne nous reste plus qu montrer que si X L2 (, G, P ) tel que E(XHn (W (h))) = 0
alors X = 0. Notons dj quil est possible dexprimer xn par une combinai-
son linaire de polynmes dHermite dordres infrieures ou gaux n, ainsi,
E(XW n (h)) = 0. Le dveloppement en srie entire de la fonction exponentielle
nous permet dcrire E(W exp(W (h))) = 0 et la linarit de W
m
!!
X
E X exp ti W (hi ) =0
i=1

Alexis Fauth 115

Modle de Taux

avec pour m 1, t1 , , tm R et h1 , hm H tel que ||hi ||H = 1. Cette

quation peut se voir comme la transforme de Laplace de la mesure

(B) = E(X1B (W (h1 ), , W (hm ))), B B(Rm ).

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.

Nous avons un moyen de dcomposer lespace L2 (G). Le prochain but est de

dterminer un moyen de dcomposer une variable alatoire en une somme de va-
riables alatoires orthogonales.

3.6.1.2 Intgrale multiple stochastique

Nous allons dfinir lintgrale multiple stochastique dune fonction f L2 (T n ),

Z
f (t1 , t2 , , tn )dB(t1 )dB(t2 ) dB(tn ).
Tn

Nous dfinissons lespace En contenant les fonctions lmentaires sur T n

k
X
f (t1 , , tn ) = ai1 , ,in 1[i1 1,i1 [ 1[in 1,in [ (t1 , , tn )
i1 , ,in =1

avec a = 0 < 1 < < k = b tel que ai1 in = 0 si ip = iq . Pour tout f En

nous dfinissons
k
X
In (f ) = ai1 , ,in i1 in
i1 , ,in =1

o Eip = B(ip ) B(ip 1) pour p = 1, , n. Rappelons que la symtrisation

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

f (x1 , x2 ) = cos x1 x32

1
f(x1 , x2 ) = (cos x1 + cos x2 x31 x32 ).
2

Alexis Fauth 116

Modle de Taux

Lemme 3.2. Si f En , alors In (f ) = In (f)

Preuve 3.4. Par linarit de f , nous pouvons montrer le rsultat simplement
pour la fonction
f (t1 , , tm ) = 1[t(1) ,t(2) [[t(1) ,t(2) [
1 1 n n

(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

le mme rsultat sobtient pour g. Ainsi

X X
E(In (f )Im (g)) = n!m! ai1 in bi1 in E(i1 in j1 jm )
i1 in j1 jn

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

Alexis Fauth 117

Modle de Taux

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

Preuve 3.6. Considrons le cas simple et suffisant o f est donn par

f (t1 , . . . , tn ) = 1[t(1) ,t(2) [[t(1) ,t(2) [ (t1 , , tn )
1 1 n n

(2) (1) (2)

o t1n < t2n t1n1 t2 t1 < t1 . Alors
n    
Y (2) (1)
In (f ) = (B ti B ti ).
i=1

Dun autre cot f = 1

n!
f si tn < tn1 < < t1 , ainsi
Z tn1
1    
f(t1 , , tn )dB(tn ) = 1[t(1) ,t(2) [[t(1) ,t(2) [ (t1 , , tn1 )(B t(2)
n B t(1)
n ).
a n! 1 1 n1 n1

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

Alexis Fauth 118

Modle de Taux

Thorme 3.3. Toute variable alatoire F L2 (G) symtrique peut tre

dcompose en une srie unique dintgrale multiple stochastique

X
F = In (fn ).
n=0

Passons quelques exemples pour clarifier les choses sur la dcomposition en

chaos de Wiener. Dans tous les cas, (Wt )t[0,T ] est un mouvement brownien.
F = W (t).

W est un processus gaussien isonormal, il sagit en fait dune intgrale sto-

chastique par rapport au mouvement brownien,
Z T
W (t) = 1[0,t] (s)dWs .
0

On en dduit directement que f0 = 0, f1 = 1[0,t] et fn = 0, n 2.

RT
F = 0 g(s)dWs o g est une fonction dterministe.

On a de manire vidente f0 = 0, f1 = g et fn = 0, n 2.

F = W 2 (t).

Il y a une petite astuce cette fois, il faut remarquer que

Z t
1 1
Ws dWs = W 2 (t) t.
0 2 2
On a donc Z tZ s
W 2 (t) = t + 2 dWu dWs
0 0
Z T Z s
=t+ 1[0,t] (u)1[0,t] (s)dWu dWs
0 0
= t + I2 (f2 ).
Ainsi, f0 = t, f1 = 0, f2 = 1[0,t] (u)1[0,t] (s), fn = 0, n 3.

3.6.1.3 Drive de Malliavin

Alexis Fauth 119

Modle de Taux

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

La drive de Malliavin peut galement scrire comme une drive direction-

nelle
1
hDt F, hi = lim ((f (W (h1 )) + hh1 , hiH , , f (W (hn )) + hhn , hiH ) F ) .
0

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

Alexis Fauth 120

Modle de Taux

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,

on en dduit une seconde version de la formule dintgration par partie,

E[GhDt F, hiH ] = E[F hDt G, hiH ] + E[F GW (h)].

En plus de la formule dintgration par partie, nous avons la formule de d-

rivation en chane. Introduisons dabord lespace complet de S, D1,p muni de la
semi-norme
||F ||1,p = {E(|F |p ) + E(||Dt F ||pH )}1/p
pour tout p 1 et notons D1,p sa fermeture.
Lemme 3.5. Soit g une fonction C 1 de Rd dans R drives partielles bor-
nes F = (F 1 , , F d ) un vecteur alatoire tel que F i D1,p pour tout i. Alors
g(F ) D1,p et
d
i g(F )Dt F i .
X
Dt (g(F )) = (3.58)
i=1

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

et dans ce cas nous avons

X
Dt F = nIn1 (fn (, t)). (3.59)
n=1

Alexis Fauth 121

Modle de Taux

Passons maintenant quelques exemples de calcul de drives. Dans tous les

cas, (Wt )t[0,T ] est un mouvement brownien.

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

On remarque directement que h(t) = t2 , donc Dt F = t2 .

R T R t2
F = 0 0 ln(t1 + t2 )dWt1 dWt2 .

Il sagit dune intgrale double, on est donc amen appliquer la formule

(3.59). On a 0T 0t2 ln(t1 + t2 )dWt1 dWt2 = I2 (ln(t1 + t2 )), ainsi,
R R

1
Dt F = 2 I1 (ln( + t))
2
Z T
= ln(t1 + t)dWt1 .
0

F = exp(W (t) + W (s)2 ).

Dt F = exp(W (t) + W (s)2 )1[0,t] + 2W (s) exp(W (t) + W (s)2 )1[0,s] .

3.6.1.4 Intgrale de Skorohod

Nous allons introduire loprateur dual de la drive de Malliavin, appel lop-

rateur de divergence et dans le cas gaussien, lintgrale de Skorohod.

Loprateur de divergence et donc ladjoint de D, vrifiant la relation de

dualit pour tout F D1,2
E[F (u)] = E[hDF, uiH ] (3.60)

Alexis Fauth 122

Modle de Taux

o u appartient au domaine de , Dom() tel que

Dom() = {u L2 (, H); |E[hDF, uiH ]| cu ||F ||L2 () }.

Nous avons galement une reprsentation diffrente de loprateur de diver-

gence. En prenant toujours F D1,2 et u Dom() tel que F u L2 (, H) et
F (u) hDF, uiH L2 () alors F u Dom() et

(F u) = F (u) hDF, uiH . (3.61)

La preuve de ce rsultat se dduit directement de (3.60). En effet, en considrant

une variable G S,

E[hF u, DGiH ] = E[hu, D(F G) GDF iH ]

= E[(F (u) hu, DF iH )G].

Nous avons les proprits suivantes :

Si u Dom(), alors E[(u)] = 0.

est oprateur linaire et ferm de Dom().
Si u Dom(),
n
X n
X
(u) = Fj W (hj ) hDFj , hj iH .
j=1 j=1

Comme dit prcdemment, dans le cas gaussien, nous parlons dintgrale de

Skorohod pour loprateur de divergence (u). Nous allons nous restreindre main-
tenant W (h) = [a,b] h(s)dBs pour tout h H = L2 (T ) avec donc T = [a, b].
R

Remarquons que dans le cas particulier o u L2 (T ) est un processus

adapt alors u Dom() et concide avec lintgrale dIt par rapport au mou-
vement brownien Z b
(u) = us dBs .
a
En effet, u est un processus lmentaire adapt pouvant scrire sous la forme
n
X
ut = Fj 1]tj ,tj+1 ] (t),
j=1

Alexis Fauth 123

Modle de Taux

avec Fj L2 (, Ftj ) pour a t1 < < tn+1 b. Alors en appliquant la formule

de loprateur de divergence (3.61), nous obtenons,
Z
(Fj 1]tj ,tj+1 ] ) = Fj (1]tj ,tj+1 ] ) Dt Fj 1]tj ,tj+1 ] (t)dt
t
= Fj (Btj+1 B(tj )).

On conclut par la linarit de en passant la limite.

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

son intgrale de Skorohod vrifie

In+1 (fn )
X
(u) = (3.62)
n=0

o f est la symtrisation de f comme prcdemment.

Pour conclure cette section, donnons la drive de lintgrale de Skorohod. Pour
tout u D1,2 (H) tel que Dt us Dom() et (Dt us ) L2 (T ) alors

Dt ((u)) = ut + (Dt u) (3.63)

Encore une fois, faisons quelques exemples.

F = W (t)

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).

Alexis Fauth 124

Modle de Taux

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

=t0 W (T ) + W 3 (t0 ) 3W (t0 ) + (W 2 (t0 ) t0 )(W (T ) W (t0 ))

=W 2 (t0 )W (T ) 2t0 W (t0 ).

3.6.2 Application la finance

Considrons la diffusion gnrale dun actif financier (St )t0 ,
dSt = (Xt )dt + (Xt )dWt (3.64)
o (Wt )t0 est un mouvement brownien et et sont des fonctions adaptes
vrifiant de bonnes proprits. Par bonnes, nous sous-entendons quil ny a pas
que les conditions usuelles vrifier sur les deux processus mais un peu plus afin
de pouvoir dterminer la drive de Malliavin de St . Pour tout r t, nous avons
Z t Z t
Dt St = (X(r)) + (X(s))Dr (X(s))dWs + (X(s))ds. (3.65)
r r

Alexis Fauth 125

Modle de Taux

Procdons tape par tape pour montrer ce rsultat. Rcrivons dj (3.64)

Z t Z t
St = (Xs )ds + (Xs )dWs
0 0

Pour calculer les drives des processus et , nous appliquons la formule de

drivation en chane (3.58),

Dr ((Xs )) = (X(s))Dr (X(s))1rs

Dr ((Xs )) = (X(s))Dr (X(s))1rs .

Pour lintgrale de , il ny a pas de problme, par linarit on a directement

Z t  Z t
Dr (X(s))ds = Dr ((Xs ))ds.
0 r

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

En runissant tous les rsultats, on obtient le rsultat voulu.

3.6.2.1 Calcul des sensibilits

Il sagit de lun des principaux points dapplication du calcul de Malliavin

la finance quantitative. Son utilisation va nous permettre de calculer simplement
les grecques (ou sensibilits) de nimporte quelle option. En fait, nous nobtenons
pas forcment une formule ferme quelque soit la forme du payoff, mais cela per-
met de minimiser les erreurs dapproximation du Monte Carlo du fait que nous
navons plus estimer la drive de diffrentes esprances, lerreur dapproxima-
tion de lesprance se rpercute donc dans lapproximation de la drive. Avec le
calcul de Malliavin, nous pouvons ter ltape de lapproximation de la drive, le
problme se rduit donc un problme dapproximation desprance. Nous ren-
voyant [FoLaLeLiTo99] et [FoLaLeLi01] pour plus de dtails que ce que nous
allons prsenter.

La proposition suivante joue un rle cl dans ce calcul.

Alexis Fauth 126

Modle de Taux

Proposition 3.4. Soit F et G deux variables alatoires tel que F D1,2 et

6 0 et GuhDF, ui1 Dom(). Alors pour toute fonction f diffrentiable
hDF, ui =
drives bornes,
E[f 0 (F )G] = E[f (F )H(F, G)], (3.66)
o !
Gu
H(F, G) = .
hDF, ui
Preuve 3.9. Avec la formule de drivation en chane (3.58), on a

hDf (F ), f i = f 0 (F )hDF, ui,

alors en utilisant (3.60)

E[f 0 (F )G] = E[hDf (F ), ui hDF, ui1 Gi]

= E[hDf (F ), u(hDF, ui)1 i G]
= E[f (F )(GuhDF, ui)1 ].

On peut maintenant passer au calcul des grecques. Pour les sensibilits du

premier ordre sur une option V de payoff , nous avons en supposant que nous
sommes sous la probabilit risque neutre et que le modle dpend dun paramtre

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

dSt = rSt dt + St dWt (3.67)

Alexis Fauth 127

Modle de Taux

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

Alexis Fauth 128

Modle de Taux

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.

Pour le calcul de gamma,

2 h i
= erT E (ST
S0
)
20
erT
= 2 E[00 (STS0 )ST2 ].
S0
On applique une nouvelle fois le rsultat (3.66) avec G = ST2 , F = ST et u = 1,
lastuce est simplement de poser 00 = (0 )0 , lintgrale de Skorohod est
!
S2 ST
 
RT T =
0 Dt ST dt
T
WT
 
= ST
T
ainsi,
WT
 
E[00 (STS0 )ST2 ] = E[0 (STS0 )ST
1 ].
T
 
On reprend encore une fois le rsultat (3.66), avec G = ST W T
T
1 , F = ST et
u = 1, lintgrale de Skorohod est
 
WT
ST T
1 
WT 1

RT =
0 Dt ST dt 2 T 2 T
WT2 1 WT
= 2 2 2 ,
T T T

Alexis Fauth 129

Modle de Taux

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

3.6.2.2 Sensibilit pour option asiatique

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

Dans ce cas, le delta dune option est

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

Alexis Fauth 130

Modle de Taux

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.

Alexis Fauth 131

Modle de Taux

3.6.2.3 Raffinement du hedging

4 Introduction au risque de crdit

Le risque de dfaut est de plus en plus pris en compte dans les modles de
pricing. Quand un driv sur un produit OTC (over-the-counter) est pric, nous
devrions naturellement prendre en compte le risque de dfaut de contrepartie. A
linstant o lentit en face du dtenteur du produit fait dfaut, le dtenteur de lac-
tif financier ne recevra pas la totalit de ses paiements comme initialement prvu,
mais une fraction. La problmatique de cette partie va donc consister introduire
ce risque de dfaut dans nos modles de valorisation. Nous allons considrer des
obligations pour lesquelles il est possible davoir un dfaut de lmetteur au temps
alatoire .

4.1 Processus ponctuel

Soit la dure de vie alatoire et P( t), t > 0 la probabilit de survivre au
moins jusqu linstant t. Le premier point introduire est la notion de processus
ponctuel.

Dfinition 4.1 (Processus Ponctuel). Soit t le temps physique et {ti }i{1,2, }

une suite croissante alatoire de temps darrive, 0 ti ti+1 , i. Alors la s-
quence est un processus ponctuel sur le segment [0, ).

Dfinition 4.2 (Processus de Comptage). Soit (Nt )t0 un processus stochas-

P
tique valeurs relles tel que Nt = i1 1{ti t} . On dit que N est un processus de
comptage si p.s., N (0) = 0, N est continu droite et N est croissant.

Lexemple certainement le plus connu est le processus de Poisson, qui en plus

des proprits nonces vrifie,
pour tout t, s 0, Nt+s Nt suit une loi de Poisson de paramtre s (sta-
tionnarit)
pour tout t, s 0, les variables alatoires Nt+s Ns indpendant de la sigma-
algbre (Nu , u s), (accroissement indpendant)

Alexis Fauth 132

Modle de Taux

La probabilit conditionnelle que lmetteur ne fasse pas dfaut jusqu linstant

T sachant quil nest pas encore en dfaut en t est
P( > T et > t)
P( > T | > t) =
P( > t)
P( > T )
= , 0 t T.
P( > t)
Nous dfinissons maintenant lintensit conditionnelle par
P( < t + dt| > t)
(t|Ft ) =
dt
La Ft -intensit caractrise lvolution du processus Nt conditionnellement sa
filtration naturelle. On peut linterprter comme la probabilit conditionnelle de
faire dfaut au prochain instant. Nous avons galement

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.

Alexis Fauth 133

Modle de Taux

4.2 Obligation en cas de dfaut

Nous supposerons maintenant que (t )tR+ est un processus alatoire rel adapt
une certaine filtration. Le prix dune obligation de maturit T et dinstant de
dfaut est donn linstant t par
" Z T ! #

B(t, T ) =E 1{ >T } exp rs ds Gt
t 
" Z T ! #

+ E Rec1{ T } exp rs ds Gt , 0 t T,

t

avec Rec [0, 1] le taux de recouvrement et Gt = Ft {{ < u}, 0 u t} la plus

petite sigma-algbre contenant lhistorique des taux ainsi que la connaissance de
la probabilit de dfaut ou non de la contrepartie. Nous allons calculer le premier
terme. Soit F une variable alatoire adapte FT , nous avons
E[F 1{ >T } |Gt ] = E[F 1{ >T } 1{ >t} |Gt ]
= 1{ >t} E[F 1{ >T } |Ft { > t}]
E[F 1{ >T } |Ft ]
= 1{ >t}
P( > t|Ft )
E[E[F 1{ >T } |FT ]|Ft ]
= 1{ >t} , Ft FT
P( > t|Ft )
E[F E[1{ >T } |FT ]|Ft ]
= 1{ >t}
P( > t|Ft )
E[F P( > T |FT )|Ft ]
= 1{ >t}
P( > t|Ft )
"  #
P( > T |FT ) 
= 1{ >t} E F Ft .
P( > t|Ft ) 
 RT 
Le choix F = exp t rs ds avec (4.1) nous permet de conclure
" Z T ! # " Z T ! #
 
E 1{ >T } exp rs ds Gt = 1{ >T } E exp (rs + s )ds Ft ,
t  t 

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 

Alexis Fauth 134

Modle de Taux

Dans le cas o Rec = 0, cest--dire quil ny a pas de recouvrement possible, nous

avons,
" Z T ! #

B(t, T ) = 1{ >T } E exp (rs + s )ds Ft , 0 t T. (4.2)
t 

Lquation (4.2) est intuitivement correcte. En effet, plus lintensit , cest--dire

la probabilit davoir un dfaut, est importante, plus le prix de lobligation va
baisser.

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

Alexis Fauth 135

Modle de Taux

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 dsFt = C(a, t, T )rt + C(b, t, T )t ,

E
t t

pour C(, t, T ) une fonction dpendant de t, T et du drift . La variance est quant

elle donne par
Z T Z T  
rs ds + s dsFt

Var
t t
Z T ! Z T ! Z T Z T !
  
=Var rs dsFt + Var s dsFt + 2Cov rs ds, s dsFt
  
t t t t
2 Z T Z T

= (ea(T s) 1)2 ds + 2 (ea(T s)1 )(eb(T s) 1)ds
a2 t ab t
2
Z T b(T s)
+ 2 (e 1)2 ds
b t
Z T Z T Z T
2 2 2
= C (a, s, T )ds + 2 C(a, s, T )C(b, s, T )ds + C 2 (b, s, T )ds.
t t t
RT RT
Il est clair que la quantit t rs + t s ds est une gaussienne, fort de nos rsultats

Alexis Fauth 136

Modle de Taux

prcdents, nous avons donc

" Z T Z T! #

B(t, T ) = 1{ >t} E exp rs ds s Ft
t t 
" Z T !  #
1 Z T
exp Var rs ds s Ft

2 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

4.3 Modle de firme

Il sagit maintenant de poser le problme lgrement diffremment, mais fi-
nalement les hypothses restent les mmes. Nous considrons une firme avec une
unique dette de payoff terminal promit L, en dautre terme, il sagit dun zro-
coupon de maturit T et de valeur faciale L > 0. La capacit rembourser la
dette est dtermine pour la valeur totale des actifs de la firme en T , VT . Nous
supposerons que le dfaut peut se produire en T uniquement, i.e. {VT < L}. Le
temps darrt associ est donc

= T 1VT <L + 1VT L

La valeur de recouvrement est donc

RecT = VT 1{VT <L} + L1{VT L}

Le payoff dun tel produit est donc

g(T ) = min(VT , L) = L max(L VT , 0) = L (L VT )+ .

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

D(t, T ) = LB(t, T ) P (t), (4.3)

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.

Alexis Fauth 137

Modle de Taux

4.3.1 Modle de Merton

Dans le modle de Merton [Me74], nous supposons que la valeur de la firme est
diffuse sous la probabilit risque neutre Q par

dVt = (r )Vt dt + dWt .

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

4.3.2 Modle de Black et Cox

Par construction, le modle de Merton suppose uniquement que le dfaut peut
intervenir maturit, or, ce nest pas le cas. Le modle de Black et Cox [BlCo76]
est un prolongement du modle de Merton. Le modle prend en compte plusieurs
points : lengagement du vendeur, la subordination de la dette et les restrictions
sur la vente dactifs. La diffusion de la valeur de la firme reste inchange

dVt = Vt ((r )dt + dWt ).

La clause dengagement permet aux dtenteurs de la dette de forcer lentreprise

dposer le bilan ou se rorganiser en fonction du standard tabli. Ce standard est
dfini dans le modle de Black et Cox par une barrire vt = Ke(T t) pour K une
constante positive. Tant que la valeur de la firme est au dessus de cette barrire,
la firme continue de plein de droit, le cas contraire, les actionnaires prennent le
relais et le dfaut a lieu. Notons plus gnralement
(
vt pour t < T
vt =
L pour t = T.

Linstant de dfaut est donc donn par

= 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

Alexis Fauth 138

Modle de Taux

2 V , enfin, lmetteur ne peut pas recouvrir sa dette en T et nous touchons 1 VT ,

avec 1 , 2 deux constantes dans [0, 1]. Lquation de valorisation prend alors la
forme

D(t, T ) =E(Ler(T t) 1{ >T,VT L} |Ft )

+ E(1 V (T )er(T t) 1{ T,VT <L} |Ft )
+ E(K2 e(T ) er( t) 1{t< <T } |Ft ).
Dans le cas particulier o 1 = 2 = 1, les auteurs de [BlCo76] montrent que
D(t, T ) = I1 (t, T ) + I2 (t, T ) avec

I1 (t, T ) = LB(t, T )[(d1 ) V2a (d2 )]

I2 (t, T ) = Vt [Vt+ (d3 ) Vt (d4 )],

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

4.4 Credit Defaut Swap

Un Crdit Dfaut Swap (CDS) est un produit visant couvrir les risques de
crdit. Il sagit dun instrument fondamental sur le march des drivs de crdit.
Les CDS que nous considrerons sont single name, i.e. quils sont crits sur un
seul sous-jacent et, permettent donc de se couvrir du risque de dfaut de celui

Alexis Fauth 139

Modle de Taux

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


est le prix dune obligation pouvant faire dfaut.

Le seconde jambe est appele la jambe de protection, il sagit donc de la partie

incombant au vendeur du produit. Le vendeur du contrat paye 1 Reci+1 en cas
de dfaut linstant Ti+1 . La valeur de cette partie est
"n1  #
X R Tk+1 r ds 
e s
1(Tk ,Tk+1 ] ( )(1 Reci+1 )Gt

E t

k=i

o Reck+1 est le taux de recouvrement en Tk+1 . Dans le cas o ce taux nest

pas alatoire mais dtermin lavance et constant, la valeur de cette protection
devient
n1
"  #
R Tk+1 
e rs ds
X
(1 Rec)E 1(Tk ,Tk+1 ] ( )Gt .
t

k=i

Alexis Fauth 140

Modle de Taux

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 

Si prend une valeur dans le tenor {T1 , , Tn } et que le taux de recouvrement

est dterministe et constant, la valeur lquilibre se rduit
n1
"  #
1 Rec X R Tk+1 r ds 
St = E e t s
1[t,T ] ( )Gt .
B(t, Ti , Tn ) k=i 

4.5 Credit Valuation Adjustment

Un CVA (Credit Valuation Adjustment) correspond la diffrence entre la
valorisation dun produit pour lequel on suppose quil ny a pas de risque de dfaut
de la contrepartie contre la valorisation dans le cas dun dfaut possible, la vraie
valeur. En notant V la valeur actuelle dun produit financier

CVA(t) = Vrisk-free (t) V (t). (4.4)

Si V est une drive de maturit T et de payoff elle est donne thoriquement

par
T
X
V (t, T ) = EQ [ (u)D(t, u)|Ft ]
u=t

o D est le facteur dactualisation et Q la probabilit risque-neutre. Il existe plu-

sieurs types de CVA, si nous considrons que cest la contrepartie qui fait dfaut,
on parle bien de CVA. Sil sagit de linvestisseur qui fait dfaut, quil nest pas
capable de rembourser la contrepartie, on parle de DVA pour Debit Valuation Ad-
justement. Les CVA et DVA supposent donc quun seul dfaut est possible avant
la date de livraison T , on parle de CVA unilatral. Si le dfaut peut se produire
des deux cots, on parle de CVA bilatral.

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

V D (t, T ) =V (t, T )1c >T

+ V (t, c )1t<c T + 1t<c T [D(t, c )(Rec(V (c , T ))+ + (V (c , T )) )] .

Alexis Fauth 141

Modle de Taux

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 .



Il sagit donc de lesprance du Loss Given Default (LGD = 1-Rec) de lexposition

actualise en cas de dfaut.

Pour le cas dun DVA unilatral, nous notons I linstant de dfaut de linves-
tisseur et dduisons des rsultats prcdents sur le UCVA que

V D (t, T ) =V (t, T )1I >T

+ V (t, I )1t<I T + 1t<I T [D(t, I )((V (c , T ))+ + Rec(V (I , T )) )]

Alexis Fauth 142

Modle de Taux

et donc "  #

UDVA(t) = E 1t<I T D(t, I )(1 Rec)(V (c , T )) Gt .



Passons maintenant au cas le plus intressant, le plus raliste finalement, celui

o tout le monde peut faire dfaut. Nos avons trois cas possibles :
La contrepartie et linvestisseur ne font pas dfaut avant la maturit.
La contrepartie fait dfaut linstant c , avant linvestisseur.
Linvestisseur fait dfaut linstant I , avant la contrepartie.

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 )) ).

Alexis Fauth 143

Modle de Taux

En passant sous lesprance risque neutre

(
D
V (t, T ) =E V (t, T )1c >T I >T

+ 1c T c <I [V (t, c ) + D(t, c )(Recc (V (c , T ))+ + (V (c , T )) )]

 )

+ 1I T I <c [V (t, I ) + D(t, I )((V (I , T ))+ + RecI (V (I , T )) )] Gt


(
=E 1c >T I >T V (t, T )

+ 1c T c <I [V (t, c ) + (V (c , T ) (1 Recc )(V (c , T ))+ D(t, c ))]

 )

+ 1I T I <c [V (t, I ) + (V (I , T ) (1 RecI )(V (I , T )) D(t, I ))] Gt


(
=E (1c >T I >T + 1c T c <I + 1I T I <c )V (t, T )

1c T c <I (1 Recc )(V (c , T ))+ D(t, c )

 )

1I T I <c (1 RecI )(V (I , T )) D(t, I ))Gt


=E(V (t, T )|Ft )

E [LGDc 1c T c <I (V (c , T ))+ D(t, c )|Gt ]
E [LGDI 1I T I <c (V (I , T )) D(t, I )|Gt ] .

On en dduit quun CVA bilatral est

BCVA(t) =E [LGDc 1c T c <I (V (c , T ))+ D(t, c )|Gt ]

E [LGDI 1I T I <c (V (I , T )) D(t, I )|Gt ] .

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

Monotone : Si X Y , alors (X) (Y ).

Invariant : Si m R, alors (X + m) = (X) m.

Alexis Fauth 144

Modle de Taux

La monotonicit implique que le risque dcrot mesure que le payoff du por-

tefeuille crot. Pour expliquer la proprit dinvariance supposons que m est le
montant correspondant un investissement sur un taux sans risque, alors le risque
du portefeuille X + m est rduit de m.

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

Convexe : Pour tout 0 1

(X + (1 )Y ) (X) + (1 )(Y ).

Homogne : Pour tout 0, (X) = (X).

La proprit de convexit se comprend comme une minimisation du risque par

diversification. Lhomognit est simplement quen valeur, le portefeuille prsente
mme les risques.

5.1 Value At Risk

Quelle est la perte maximale de mon portefeuille ? Cest en rsum ce quoi
la VaR, pour Value at Risk, tente de rpondre. Il sagit dune mesure de risque,
la plus connue. Concrtement on dtermine le niveau de perte dun actif ou dun
portefeuille pour un certain niveau de probabilit pr-fix sur une priode bien
dfinie. Par exemple, si la Var sur un portefeuille est de 1M$ sur une semaine
un niveau de confiance de 99%, alors, nous avons une chance sur cent davoir une
telle perte la semaine venir. Formellement, en notant le risque, o 1 le
niveau de confiance, la Var dhorizon T sur lactif/portefeuille de rendements rT
est (les deux quations sont quivalentes)

P(rT V aR(, T )) =
P(V aR(, T ) rT ) = 1 .

Il a trois moyens de dterminer la VaR, historiquement, par Monte-Carlo ou pa-

ramtriquement.

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

Alexis Fauth 145

Modle de Taux

quantile correspondant. En triant les donnes, r(1) r(2) r(1000) ,

nous avons V aR(0.01, 1000) = r(10) .

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.

VaR paramtrique. Avec la mthode prcdente, nous navions quune sta-

tistique issue dun chantillon, qui ne converge pas forcment vers la valeur
thorique. Nous allons donc supposer que les donnes suivent une loi bien
particulire. Supposons que la variable rT soit de moyenne T et de variance
2 T , alors
!
rT T V ar(, T ) T
P(rT V aR(, T )) = P
T T
= .

Il ny a plus qua inverser la probabilit

V aR(, T ) = T + z T . (5.1)

o z = F 1 () avec F la fonction de rpartition de rT . On pourra regarder

dans des tables statistiques la valeur de F 1 . Notons que la VaR est princi-
palement fonction de la volatilit puisque les rendements sont en moyenne
proches de zro. De la on peut en dduire une sorte de formule de rcurrence
en temps, en effet, daprs (5.1)
q
V aR(, T1 ) z T1
q
V aR(, T2 ) z T2 .

Alexis Fauth 146

Modle de Taux

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.

Par le mme principe que (5.1), on en dduit le rsultat pour un portefeuille

de N actifs. En fait, on peut avoir un rsultat aussi simple seulement pour le
cas gaussien multivari de matrice de covariance , cest pour cela que par
abus de langage, on parle de mthode variance/covariance, vrai uniquement
dans le cas gaussien, malheureusement trop utilis. Dans le cas de variables
corrls, il nexiste pas forcment de distribution jointe comme pour le cas
gaussien et nous avons besoin de sortir lartillerie des copules, cela sera vu
dans un autre cours.

Cette mthode prsente deux risques derreur. La premire est de consid-

rer une distribution non raliste, par exemple une distribution gaussienne.
La VaR dans ce cas sera sous-estime car la loi normale ne prsente pas de
queue paisse. Le second risque porte sur lestimateur de la variance/cova-
riance. Comme nous lavons vu, la VaR est principalement dcrite par la
variance de la srie financire, non-constante, une mauvaise estimation de
celle-ci induira une VaR non cohrente.

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

Alexis Fauth 147

Modle de Taux

o V ari correspond la Var de la i me ralisation dune trajectoire. Le

point noir de cette mthode est la complexit de mise en oeuvre, le choix
de la distribution, lestimation des paramtres correspondants et, le cot de
calcul. Enfin, le choix de la distribution est bas sur des donnes passes, il
nest pas improbable que la distribution ainsi que les paramtres changent
dans le futur. Ce dernier point est valable pour les deux autres mthodes.

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.

5.2 Expected Shortfall

Lexpected shortfall, galement appel conditional value at risk est une mesure
de risque cohrente, elle vrifie les proprits suffisantes. Notons ES(,T) lexpected
shortfall de niveau sur T , alors
1Z
ES(, T ) = V ar(x, T )dx.
0
Il sagit donc dune moyenne de VaR pour diffrent niveau . Dans le cas o la
variable alatoire considre est continue, nous pouvons montrer que

ES(, T ) = E(rT |rT V ar(, T )).

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

Alexis Fauth 148

Modle de Taux

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

Nous reprsentons graphiquement cette quantit sur (13).

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)|

o Fn (x) = n1 ni=1 1xi x est la fonction de rpartition empirique de la srie

P

(x1 , , xn ) et F est la fonction de rpartition laquelle on souhaite comparer

notre chantillon. Sous lhypothse H0 : Fn = F , la statistique Dn converge vers
la loi de Kolmogorov-Smirnov,

Alexis Fauth 149

Modle de Taux
2.5
2.0
1.5
PnL

1.0
0.5
0.0
0.5

0 200 400 600 800 1000

time

Figure 13 En noir la valeur du portefeuille, en rouge les drawdowns (ngatif) correspondants.

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

Alexis Fauth 150

Modle de Taux

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

Quantiles LogRendements Quantiles LogRendements

Figure 14 qq-plot des log-rendements du S&P 500 du 13/07/1998 au 16/03/2012, gauche

avec = 1 et droite avec = 251, soit les rendements sur des lags dune anne. Le trait plein est
la droite dHenry, si les observations suivaient une loi gaussienne, les quantiles devraient tre par
dessus cette droite. On constate donc que plus la frquence choisie est basse, plus la distribution
des rendements se rapproche de la loi normale, un bon modle devra donc avoir cette proprit.

Un autre moyen de regarder la distribution des rendements financiers est sim-

plement de tracer la distribution empirique (5.4),
n
1X
Fn (x) = 1X <x . (5.2)
n i=1 i
Supposons maintenant pour simplifier que les drawdowns sont gaussien et plus
particulirement quils ont comme diffusion un mouvement brownien gomtrique,
soit le modle de Black and Scholes. Par exemple nous pouvons supposer pour
simplifier que le portefeuille est constitu dun seul actif de diffusion de Black and

Alexis Fauth 151

Modle de Taux

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

Figure 15 Distribution cumule empirique, P( X x), des log-rendements du S&P 500,

du du 13/07/1998 au 16/03/2012, chelle log, gauche = 1, droite = 251. En noir les
rendements positifs, en rouge les rendements ngatifs en valeurs absolues. Trait plein pour le fit
gaussien.

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.

Notons MT = max0tT St avec

dSt = St (dt + dWt ),

o (Wt )tR un mouvement brownien standard issu de zro. Notons dj que si

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}.

Alexis Fauth 152

Modle de Taux

Il sagit donc du premier instant o le mouvement brownien passe par a > W0 .

WT tant centr, WT la mme loi que WT . Par symtrie de la loi nous avons
donc
1
P(WT Wa > 0 | a < T ) = P(WT Wa < 0 | a < T ) = .
2
En multipliant de part et dautre par P(a < T ) (formule de Bayes)

2P(WT Wa > 0 & a < T ) = 2P(WT Wa < 0 & a < T ) = P(a < T ).

Il est clair que si XT a alors linstant de passage a eu lieu avant T soit

{XT a} = {a < T } et donc,

2P(WT Wa > 0 & XT a) = 2P(WT Wa < 0 & XT a) = P(XT a)

Si linstant de passage lieu avant T comme cest le cas ici, nous avons Wa = a
et nous pouvons conclure

P(XT a) = 2P(WT > a & XT a)

= 2P(WT > a)
= P(WT > a) + P(WT > a)
= P(|WT | > a).

La distribution du maximum du mouvement brownien est la mme que celle de la

valeur absolue du mouvement brownien
P(XT a) = P(|WT | a)
1 Z a 1 x2
= e 2 2T
2T a
2 Z a 1 x2
= e 2 2T , a R+ .
2T 0
La densit est,
dP(XT a)
fXT (a) =
da
2 a2
= 1[0,) (a)e 2T , a R.
2T
Pour notre problmatique nous navons pas besoin du maximum du mouvement
brownien mais du maximum de son exponentiel

dSt = St dWt

Alexis Fauth 153

Modle de Taux

(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/.

Pour conclure, notons que la principale mesure de performance est le ratio de

Sharpe, avec ses dfauts. Le ratio de Sortino est galement trs connu, il sagit
du ratio de Sharpe mais ne considrant que les variations ngatives pour le d-
nominateur, la volatilit. Le ratio de Calmar est quant lui calculer avec le max
drawdowns.

Alexis Fauth 154

Modle de Taux

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.

6.1.1 Equation du premier ordre

Supposons que nous cherchons la solution de lquation

y 0 a(x)y = b(x). (6.1)

La premire tape consiste crire lquation homogne (EH) associe

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

y 0 (x) = 0 (x)eA(x) + (x)a(x)eA(x)

alors en rinjectant cela dans (6.1)

0 (x)eA(x) + (x)a(x)eA(x) a(x)(x)eA(x) = b(x)

0 (x)eA(x) = b(x)
Z x
(x) = b(t)eA(t) dt.

Nous en dduisons le rsultat final.

6.1.2 Equation dordre n

Pour les quations du second ordre, cest--dire du type

y (n) (x) + an1 (x)y (n1) (x) + a1 y 0 (x) + a0 y(x) = b(x)

Alexis Fauth 155

Modle de Taux

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).

6.1.3 Equation de Riccati

Les quations dites de Riccati sont du type
y 0 = a(x) + b(x)y + c(x)y 2 .
Avec les coefficients a et c diffrents de zro. Par les mthodes usuelles, nous ne
pouvons pas la rsoudre, il faut un peu travailler dessus. La premire tape est de
faire le changement v = c(x)y, on obtient alors
v 0 = v 2 + (b(x) + c0 (x)/c(x)).

Alexis Fauth 156

Modle de Taux

En posant ensuite v = u0 /u

u00 (b(x) + c0 (x)/c(x))u0 + a(x)c(x)u = 0.

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.

6.2 Calcul stochastique et applications

6.2.1 Thorme de Girsanov
Le thorme de Girsanov nous indique quun mouvement Brownien Bt par
rapport la probabilit P, de drift t, i.e. Bt + t, est un mouvement brownien
sans drift sous une autre probabilit.
Soit L 0 est une variable alatoire positive sur lespace de probabilit
(, F, P) tel que E(L) = 1. Alors

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).

En particulier, si Lt est une Ft -martingale sous P, i.e. EP (LT |Ft ) = Lt alors

QT (A) = EP (EP (LT |Ft )1A ) = EP (Lt 1A ).

Lemme 6.1. Soit (Mt )tR+ , cest une Ft -martingale sous Q ssi (Lt Mt )tR+
est Ft -martingale sous P.

Alexis Fauth 157

Modle de Taux

Preuve 6.1. Supposons que M soit une Q-martingale. Pour tout s t T

et pour tout A Fs on

EP (Lt Mt 1A ) = EQ (Mt 1A ) = EQ (Ms 1A ) = EP (Zs Ms 1A ),

ainsi, ZM est une P-martingale, la preuve de la rciproque tant similaire.

Considrons la suite (X1 , , Xn ) de variables gaussiennes centres rduites

indpendantes sur (, F, P). Pour tout (1 , , n ) Rn ,
n n n n
! ! !
2i 1 X
2 ,
X Y Y
E exp i X i = E(exp(i Xi )) = exp = exp
i=1 i=1 i=1 2 2 i=1 i

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

est un mouvement Brownien.

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).

Alexis Fauth 158

Modle de Taux

Pour tout s t T et pour A FsW ,

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.

Daprs le rsultat prcdent, on sait que lEDS

Z t
Zt : = 1 + (s)Zs dWs
0
Z t
1Z t 2

= exp (s)dWs (s)ds
0 2 0
est une (FtW )-martingale.

Thorme 6.2. (Girsanov) Sous la probabilit Q, le processus

Z T
Wt = Wt (s)ds, tT
0

est un mouvement brownien.

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.

Alexis Fauth 159

Modle de Taux

6.2.2 Changement de numraire

Nous allons rappeler succinctement lun des principaux rsultats en terme de
valorisation de produits drivs, le changement de numraire.
Un numraire est un processus stochastique positif (Nt )tR+ adapt la filtra-
tion (Ft )tR+ qui peut tre vu comme une unit de rfrence. Le prix dun actif St
de numraire Nt est en gnral donn par
St
St = , t 0.
Nt
Lun des exemples les plus connus et les plus utiliss est lactualisation
Z t 
Nt = exp rs ds
0

o rt est le taux dintrt sans risque, dterministe ou alatoire. Dans ce cas,

Z t
St

St = = exp rs ds St
Nt 0

est le prix actualis de lactif en t = 0.

Sur le march des changes, nous pouvons par exemple prendre Nt = Rt , la monnaie
trangre. Sur le march des taux, nous prendrons le numraire-forward.
Lun des objectifs quand on fait un changement de numraire est de trouver
la probabilit risque neutre Q telle que sous cette mesure, St = St /Nt soit une
martingale.

On associe un numraire N le changement de probabilit suivant : Soit Q la

probabilit risque-neutre telle que le processus (Nt Rt )tR+ est une Q-martingale.
Soit QN dfinie par QN |Ft = (Nt Rt )Q|Ft .
Proposition 6.1. Soit (St )tR+ le prix dun actif financier et N un nu-
mraire. Le prix de S dans le numraire N , (St /Nt , 0 t T ) est une QN -
martingale.
Preuve 6.4. Si S est un processus de prix, le processus actualis St := St Rt
est une Q-martingale. Ainsi, St /Mt est une QN -martingale si (St /Nt ) Nt Rt = Rt St
est une Q-martingale.
Un exemple dutilisation du changement de numraire apparat dans le calcul
dune option avec le modle Black & Scholes. Le terme EQ (ST erT 1A ) se dtermine

Alexis Fauth 160

Modle de Taux

trs facilement. Sous Q, le processus Nt = St ert /S0 est une martingale positive
desprance 1, en posant dQ = Nt dQ, nous avons

EQ (ST erT 1A ) = EQ (S0 1A )

= S0 Q(ST A).

Bien entendu, sous Q ou Q, la dynamique de S nest plus la mme, nous devons

donc la dterminer.

6.2.3 Thorme de Feynman-Kac

Thorme 6.3. Soit une fonction continue et u une fonction de classe
C 1,2 drive en x borne sur [0, T ] R solution du problme,
!
u u 1 2 2 u

+ + (t, ) t u(t, ) = 0
t x 2 x2

u(T, ) = ()

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 .

Alexis Fauth 161

Modle de Taux

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 .

6.3 Pricing doption par transforme de Fourier

La transforme de Fourier Ff dune fonction intgrable f de R dans R est
dfinie pour tout k par Z
Ff (k) = eikx f (x)dx.

La fonction caractristique dune variable alatoire X est la transforme de Fourier

de sa densit p
Z
(k) = E(exp(ikX)) = eikx p(x)dx, k R.

Dans lespace de Fourier, loprateur de diffrentiation devient une multiplication

par ik, pour une fonction f diffrentiable, nous avons,

Ff (m) (k) = (ik)m F(k), k R.

Enfin, la transforme de Fourier inverse est donne par

1 Z ikx
f (x) = e Ff (k)dk
2
Il est possible de montrer que toute variable alatoire X intgrable au sens de
Fourier et de fonction caractristique , admet une densit de probabilit faible
donne pour tout > 0 par
1 Z i+ ikx
p(x) = e (k)dk.
2 i

Alexis Fauth 162

Modle de Taux

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

En faisant tendre vers 0+ , par application du thorme des rsidus de Cauchy

nous avons
1 1 Z
eikx (k)
P(X > x) = + lim+ dk.
2 2 0 |k|> ik
En remarquant que

eikx (k) eikx (k)

Z Z !
lim dk = 2 lim+ < dk,
0+ |k|> ik 0 ik
nous avons
eikx (k)
!
1 1Z
P(X x) = + < dk (6.2)
2 0 ik
Proposition 6.2. Soit (St )tR+ le prix dun actif financier. Nous considrons
un call europen de maturit T et de strike K de sous-jacent S. En notant xt =
ln(St ), la valeur du call linstant t = 0 est donne par

C(0, S, T, K) = S0 1 KerT 2

o les pseudo-probabilits 1 et 2 sont donnes par

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 )].

Alexis Fauth 163

Modle de Taux

Preuve 6.6. Revenons en arrire dans le calcul. Nous avons directement

 
C(0, S, T, K) = E erT exT 1{xT >k} KerT P(xT > k)

o k = ln K. Alors, par (6.2),

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)

Toujours par (6.2),

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].

6.4 Approximation dintgrale

Pour pouvoir appliquer les rsultats prcdents, nous avons besoin dapproxi-
mer des intgrales infinies, ce qui nest pas intuitivement trivial. Pour des intgrales

Alexis Fauth 164

Modle de Taux

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

o a = k1 , , kn = b. La mthode gnrale destimation dintgrale est la qua-

drature de Gauss. Pour tout a < b R,
Z b n
wi0 f (xi )
X
w(x)f (x)dx
a i=1

o w est une fonction de pondration, wi les coefficients de quadrature et les xi

sont les noeuds, les racines de polynmes orthogonaux choisies judicieusement. Ces
deux coefficients sont choisis en fonction du domaine dintgration. Bien entendu,
la fonction que lon cherche intgrer na pas toujours la forme en w(x)f (x), il
f (x)
suffit de poser f (x) = w(x) w(x) . On prsente quelques configurations connues.

Sur [-1,1] nous pouvons appliquer la mthode de Gauss-Legendre. Les poids

sont simplement w(x) = 1. Les coefficients wi sont donnes par
2
wi =
(1 x2i )Pn0 (xi )2
o les Pn sont les polynmes de Legendre vrifiant la relation de rcurrence
(n + 1)Pn+1 (x) = (2n + 1)xPn (x) nPn1 (x), n > 0,
avec P0 (x) = 1 et P1 (x) = x. Les premiers polynmes sont donc
P1 (x) = x
1
P2 (x) = (3x2 1)
2
1
P3 (x) = (5x3 3x).
2
q q q q
Ainsi, les racines sont respectivement {0}, { 13 , 13 } et { 35 , 0, 35 }.
Aprs calcul des wi , nous avons les approximations suivantes en fonction
du choix de n
R1
(n = 1) 1 f (x)dx 2f (0)q q
R1 1 1
(n = 2) 1 f (x)dx 1f ( 3
) + 1f ( 3
)
R1 q
5
(n = 3) 1 f (x)dx 9
f ( 35 ) + 89 f (0) + 59 f ( 3
5
).

Alexis Fauth 165

Modle de Taux

Sur R+ nous appliquons la quadrature de Gauss-Laguerre. Les poids sont

w(x) = ex . Lapproximation se fera donc sur g(x) = ex f (x) pour tenir
compte des poids. Les coefficients wi sont donns par
1
wi =
(n + 1)L0n (xi )Ln+1 (xi )

o les Ln sont les polynmes de Laguerre vrifiant lquation de rcurrence

(n + 1)Ln+1 (x) = (2n + 1 x)Ln (x) nLn1 (x), n>0

avec L0 (x) = 1 et L1 (x) = x + 1. Les premiers polynmes sont donc

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.

Sur R nous appliquons la quadrature de Gauss-Hermite. Les poids sont

2 2
w(x) = ex . Lapproximation se fera donc sur ex f (x) pour tenir compte
des poids. Les coefficients wi sont donns par

2n+1 n!
wi =
Hn0 (xi )2

o les Hn sont les polynmes dHermite vrifiant lquation de rcurrence

Hn+1 (x) = xHn (x) nHn1 (x), n>0

avec H0 (x) = 1 et H1 (x) = x. Les premiers polynmes sont donc

H1 (x) = x
L2 (x) = x2 1
P3 (x) = x2 3x.

Le calcul des racines et des wi est laiss au lecteur.

Alexis Fauth 166

Modle de Taux

6.5 Optimisation non linaire

6.5.1 Descente de gradient
Dfinition 6.1 (descente de gradient). Soit f : Rd R une fonction C 1
minimiser. La drive partielle de f scrit,

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.

On peut proposer une autre interprtation de cet algorithme, si on crit le

dveloppement de Taylor de f lordre 1 par rapport xk on obtient,
1
||x xk ||2 .
f (x) = f (xk ) + f (xk )(x xk ) + (6.5)
2
Comme on aboutit une forme quadratique, on peut chercher minimiser sim-
plement (6.5),

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.

Alexis Fauth 167

Modle de Taux

Il sagit dun exemple simple dun algorithme de descente. Les ides gnrales
dun algorithme de descente sont les suivantes :

Recherche dune direction de descente dk , direction dans laquelle il est pos-

sible de faire dcrotre f
Recherche dun certain qui permet une dcroissance significative

La forme usuelle est,

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,

k = inf{ 0 : f 0 (xk + dk ) = 0, f (xk + dk ) < f (xk )}. (6.10)

Dans ce cas, k est donc choisi parmi les points stationnaires.

Ces deux manires de dterminer le pas optimal k sont dites de recherche

exacte. Prenons le cas dune fonction quadratique, i.e. f (x) = Ax + b, nous
avons simplement,

d> > >

k (Axk + b + k Adk ) = dk f (xk ) + k dk A(dk ) = 0, (6.11)
si A est dfinie positive, et donc que la fonction est convexe, la valeur du pas de
dplacement est simplement donne par,

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

Alexis Fauth 168

Modle de Taux

quations (6.9), (6.10).

Pour essayer dapprocher la condition de Cauchy on peut rechercher k tel que,

f (xk + k dk ) f (xk ) + w1 k f( xk )d>

k, (6.13)
o w1 ]0, 1[. Il sagit de la condition dArmijo. Pour arriver trouver un pas de
dplacement qui vrifie lquation prcdente on applique lalgorithme suivant,

Algorithme : Recherche Linaire approche - Armijo

Initialisation : k1 > 0, ]0, 1[

Tant que (6.13) nest pas vrifie i.e.,

f (xk + ki dk ) > f (xk ) + w1 ki f (xx )d>

k.
(1) On prend
ki+1 [ ki , (1 )ki ].
(2) i=i+1

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),

f (xk + k dk ) f (xk ) + w1 k f (xk )d>

k.
(6.15)
f (xk + k dk ) w2 gk d>
k

Pour dterminer vrifiant les conditions de Wolfe, on peut appliquer lalgo-

rithme de Fletcher-Lemarchal
Prcdemment nous avions montr que dk pouvait tre gal f (xk ), si nous
faisons maintenant le dveloppement de Taylor de f au second ordre (on doit donc
avoir une fonction f de classe C 2 ) nous obtenons,

1
f (x) = f (xk ) + f (xk )(x xk ) + (x xk )> Hf (xk )(x xk ), (6.16)
2

Alexis Fauth 169

Modle de Taux

Algorithme : Recherche Linaire approche - Fletcher-Lemarchal

Initialisation : k1 = 0, Soient 1 =0, 1 = , ]0, 21 [ et e > 1

(1) Si
f (xk + ki dk ) f (xk ) + w1 ki f (xk )d>
k.

nest pas vrifie, alors i = i et,

i [(1 )i + i , i + (1 )i ].
(2) Sinon,
(2.1) Si
f (xk + ki dk ) w2 gk d>
k.

est vrifie, alors stop.

(2.2) Sinon, i = i .
(2.3) Si i = +, alors prendre i [e i , ], sinon,

i [(1 )i + i , i + (1 )i ].

o Hf (x) est le hessien de f au point x. Les conditions doptimalit sont,

f (xk ) + Hf (xk )(xk+1 xk ) = 0. (6.17)

Et donc, la mise jour est donne par,

xk+1 = xk Hf (xk )1 f (xk ). (6.18)

Il sagit de la mthode de Newton. Le problme ici est le temps de calcul de la

matrice hessienne Hf , on essaye dapproximer Hf , ou directement H 1 f ,

xk+1 = xk Bk f (xk ), (6.19)

o Bk est lapproximation de H 1 f (on parle alors de quasi Newton).

Pour toute la suite on pose yk = f (xk+1 ) f (xk ) et sk = xk+1 xk .

Lapproximation de Broyden est donne par,

(sk Bk yk )(sk Bk yk )>

Bk+1 = Bk + . (6.20)
(sk Bk yk )> yk

Alexis Fauth 170

Modle de Taux

Algorithme : Quasi Newton - Broyden

Initialisation : 0 = 1, H0 = I
pour k = 1, 2,

(1) Calcul de la direction de descente, dk = Bk f (xk )

(2) On dtermine k en appliquant une recherche linaire de Wolfe.
(3) On calcule
(sk Bk yk )(sk Bk yk )>
Bk+1 = Bk + .
(sk Bk yk )> yk
(4) Stop si ||f (xk )|| , alors x = xk , sinon, retour ltape 1.

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),

Algorithme : Quasi Newton - BFGS

Initialisation : 0 = 1, H0 = I
pour k = 1, 2,

(1) Calcule de la direction de descente, dk = Hk1 f (xk )

(2) On dtermine k en appliquant une recherche linaire de Wolfe.
(3) On calcul
sk yk> Bk + Bk yk s> yk> Bk yk sk s>
!
k k
Bk+1 = Bk + 1+ > >
.
yk >sk yk y k sk
(4) Stop si ||f (xk )|| , alors x = xk , sinon, retour ltape 1.

On peut montrer dans ce cas que la convergence est superlinaire, i.e. que,

||wk+1 w ||
lim = 0. (6.22)
||w w ||
k

Alexis Fauth 171

Modle de Taux

Notons quil existe une version modifie de lalgorithme BFGS ne ncessitant

pas de calculer explicitement Hf et donc davoir stocker un trop grand nombre
de donnes, il sagit de lalgorithme Low Memory BFGS.

6.5.2 Algorithme gntique

Lalgorithme gntique appartient la classe des recherches heuristiques. Un
algorithme gntique est une fonction doptimisation pour les cas extrmes o le
maximum (minimum) ne peut pas tre dtermin analytiquement. Lide est de
reprendre la thorie de lvolution : slection naturelle, croisement et mutation.
Lavantage de ce type dalgorithme est quil va converger trs rapidement dans le
voisinage du maximum global, si les paramtres optimiser sont correctement ini-
tialis, il y a peu de chance que lon soit bloquer vers un locale. Il existe beaucoup
de versions diffrentes des algorithmes gntiques (il sagit en fait dune classe dal-
gorithme), on prsente ici un algorithme appartenant cette classe pour minimiser
une fonction f (x) avec x = (x1 , , xd )

Alexis Fauth 172

Modle de Taux

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.

(1) Oprateur de slection. On slectionne les [P/2] chromosomes donnant les

meilleurs rsultats par rapport la fonction dvaluation, pour nous, la fonction
dutilit. Les autres chromosomes sont enlevs de la population.

(2) Oprateur de croisement. Soit x1 = (x11 , , x1m ) et x2 = (x21 , , x2m ) deux

chromosomes (en tout q% de chromosomes sont croiss), on choisit un entier
alatoirement tel que 0 r m et,
0
x1 = {xj | si j r, alors xj x1 , sinon xj x2 }
0
x2 = {xj | si j r, alors xj x2 , sinon xj x1 }.

(3) Oprateur de mutation. Soit x1 = (x11 , , x1m ) un chromosome (en tout p%

de chromosomes sont muts), on choisit de muter p0 % du chromosome, on tire
alors mp0 /100 = r entiers alatoirement compris entre 0 et N et,
00
xi = {wj | si j 6= r, alors xj = xij , sinon xj = random}.

(4) on rgnre [P/2] nouveaux chromosomes et on rpte les tapes 2 3 jusqu

convergence.

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.

Alexis Fauth 173

Modle de Taux

[Ba88] Basel Committee on Banking Supervision, International convergence of ca-

pital measurement and capital standards, Bank of International Settlements.
[Ba96] Basel Committee on Banking Supervision, Amendment to the capital accord
to incorporate market risks, Bank of International Settlements.
[Ba05] Basel Committee on Banking Supervision, Basel II : International conver-
gence of capital measurement and capital standards : A revised framework,
Bank of International Settlements.
[Ba11] Basel Committee on Banking Supervision, A global regulatory framework
for more resilient banks and banking systems - revised version June 2011,
Bank of International Settlements.
[Ba13] Basel Committee on Banking Supervision, Basel III : The Liquidity Cove-
rage Ratio and liquidity risk monitoring tools, Bank of International Settle-
ments.
[BeBuFl04] H. Berestycki J. Busca, et I. Florent, 2004, Computing the implied vo-
latility in stochastic volatility models, Communications on Pure and Applied
Mathematics, 57(10), 1352-1373.
[BeDoKo03] G. Bernis, Gobet et A. Kohatsu-Higa, 2003, Monte Carlo Evalua-
tion of Greeks for Multidimensional Barrier and Lookback Options, Math.
Finance. 13, 99-113.
[BlCo76] F. Black et J.C. Cox, 1976, Valuing corporate securities : Some effects
of bond indenture provisions, J. Finance, 31 :351-367.
[BrGaMu97] A. Brace, D. Gatarek, et M. Musiela, 1997, The market model of
interest rate dynamics, Math. Finance 7, no. 2, 127-155.
[BrSc79] M. J. Brennan et E. S. Schwartz, 1979, A continuous time approach to
the pricing of bounds, Journal of Banking and Finance, vol. 3, 135-155.
[BrSc82] M. J. Brennan et E. S. Schwartz, 1982, An equilibrium model of bond
price and a test of market efficiency, Journal of Financial and Quantitative
Analysis, vol. 17, 303-329.
[BrLi78] D.T. Breeden et R.H. Litzenberger, 1978, Prices of State-Contingent
Claims Implicit in Option Prices, Journal of Business 51, 621-651.
[BrMe01] D. Brigo et F. Mercurio, 2001, Interest rate models|theory and practice,
Springer-Verlag, Berlin, 2001.
[CaMa99] P. Carr et D.B. Madan, 1999, Option valuation using the fast Fourier
transform. Journal of Computational Finance, 2(4) :61-73.

Alexis Fauth 174

Modle de Taux

[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.

Alexis Fauth 175

Modle de Taux

[GaJa12] J. Gatheral and A. Jacquier, 2012, Arbitrage-free S.V.I. volatility sur-

faces. Preprint.
[GoKo03] E. Gobet et A. Kohatsu-Higa, 2003, Computation of Greeks for Barrier
and Lookback Options using Malliavin Calculus, Electron. Comm. Probab.
8, 51 - 62.
[GoLa14] E. Gobet et N. Landon, 2014, Almost sure optimal hedging strategy,
Annals of Applied Probability, Vol. 24(4), pp.1652-1690.
[HaKuLeWo02] P. Hagan, D. Kumar, A. Lesniewski, D. Woodward, 2002, Mana-
ging smile risk, Wilmott Mag. 1, 84-108.
[HaWe08] P. S. Hagan et G. West, 2008, Methods for constructing a yield curve,
Wilmott Magazine, 70-81.
[HaWe08] P. Hagan et E. Woodward, 1999, Equivalent black volatilities, Applied
Mathematical Finance, 6, pp. 147-157.
[HeJaMo90] D. Heath, R. Jarrow, et A. Morton, 1990, Bond Pricing and the Term
Structure of Interest Rates : A Discrete Time Approximation. Journal of
Financial and Quantitative Analysis, 25 :419-440.
[HeJaMo91] D. Heath, R. Jarrow, et A. Morton, 1991, Contingent Claims Valua-
tion with a Random Evolution of Interest Rates. Review of Futures Markets,
9 :54-76.
[HeJaMo92] D. Heath, R. Jarrow, et A. Morton, 1992, Bond Pricing and the Term
Structure of Interest Rates : A New Methodology for Contingent Claims Va-
luation. Econometrica, 60(1) :77-105.
[He93] S.L. Heston, 1993, A Closed-Form Solution for Options with Stochastic
Volatility with Applications to Bond and Currency Options, The Review of
Financial Studies, Vol. 6, num. 2, pp. 327343.
[Ho93] M. Hogan, 1993, Problem in certain two factor term structure models, An-
nals Appl. Probability, vol 3, no 2, 576-592
[HuWh90] J. Hull. et A. White, 1990, Pricing interest-rate derivative securities.
Review of Financial Studies 3 (4) : 573-592.
[JaSuHo99] N. Jackson, E. Suli, and S. Howison, 1999, Computation of determi-
nistic volatility surfaces, Journal of Computational Finance, 2, pp. 5-32.
[KaJeSh98] N. El Karoui, M. Jeanblanc-Picqu et S. Shreve, 1998, Robustness of
the Black and Scholes formula, Mathematical Finance, 8(2), p. 93-126.
[La05] P.H. Labordere, 2005, A general asymptotic implied volatility for stochastic
volatility models, prepint, 35pp.

Alexis Fauth 176

Modle de Taux

[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.

Alexis Fauth 177

Modle de Taux

[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.

Alexis Fauth 178