Poly Francais

Calibration de Modèles et Couverture de Produits Derives
Peter TANKOV
Universite Paris-Diderot (Paris VII)
tankov@math.univ-paris-diderot.fr
Edition 2009, dernière m.à.j. le 16 janvier 2011
Ce document est mis à disposition sous un contrat Creative Commons
(pas dUtilisation Commerciale pas de Modication)
La dernière version est disponible à ladresse
www.math.jussieu.fr/tankov/MA/
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
2
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
Table de matières
1 Les marches de produits derives 7
1.1 Historique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2 Fonctionnement des marches doptions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3 Dierents types de sous-jacents . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4 Les options europeennes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.5 Les options americaines . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.6 Les options exotiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
I Modèles 11
2 Le modèle de Black et Scholes et la couverture en delta 13
2.1 Le modèle de Black et Scholes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.1.1 Portefeuille autonancant . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.1.2 Evaluation risque-neutre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.1.3 Formule de Black et Scholes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.1.4 Option sur un actif versant des dividendes . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.1.5 Exemples de couverture en delta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.1.6 Analyse de lerreur de couverture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.1.7 Couverture en gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2 Lutilisation du modèle de Black-Scholes dans les marches doptions . . . . . . . . . . . . . . . . 20
2.2.1 La couverture en delta comme une strategie de trading . . . . . . . . . . . . . . . . . . . . 20
2.2.2 Robustesse de la formule de Black-Scholes . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.3 La volatilite implicite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.3.1 Role de la volatilite implicite dans les marches doptions . . . . . . . . . . . . . . . . . . . 23
2.3.2 Prise en compte des dividendes dans le calcul de la volatilite implicite . . . . . . . . . . . 24
2.4 Complement: formule de Garman-Kohlhagen et cotation doptions sur taux de change . . . . . . 24
3 Les modèles à volatilite locale et la diusion implicite 27
3.1 Modèles à volatilite locale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.2 Arbre trinomial de pricing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.3 Arbres implicites . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.4 Diusion implicite de Dupire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4 Les modèles à volatilite stochastique 41
4.1 Equations de pricing et de couverture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.2 Comportement asymptotique de volatilite implicite . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.3 Estimation de volatilite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.4 Swaps de variance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.5 Parametrisation de Heston . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
4 PETER TANKOV
5 Les modèles avec sauts 61
5.1 Introduction aux processus de Levy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
5.2 Structure des trajectoires dun processus de Levy . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
5.3 Modèles exponentielle-Levy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
5.4 Bases du calcul stochastique pour les processus avec sauts . . . . . . . . . . . . . . . . . . . . . . 71
5.5 Exponentielle stochastique dun processus avec sauts . . . . . . . . . . . . . . . . . . . . . . . . . 76
5.6 Couverture dans les modèles avec sauts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
5.7 Valorisation doptions dans les modèles exp-Levy . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
5.8 Methode de transformee de Fourier pour la valorisation doptions europeennes . . . . . . . . . . . 87
5.9 Calibration de modèles exp-Levy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
5.10 Limites et extensions des processus de Levy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
II Outils 95
6 Regularisation des problèmes mal poses 97
6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
6.2 Problèmes mal poses lineaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
6.3 Regularisation de problèmes mal poses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
6.4 Regularisation de Tikhonov pour les problèmes lineaires . . . . . . . . . . . . . . . . . . . . . . . 102
6.5 Regularisation du problème de reconstruction de la courbe de taux dinteret . . . . . . . . . . . . 105
6.5.1 Methodes classiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
6.5.2 Methode de regularisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
7 Regularisation de problèmes de calibration I: problèmes lineaires 111
7.1 Reconstruction de la densite risque-neutre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
7.1.1 Application de la regularisation de Tikhonov à la reconstruction de la SPD . . . . . . . . 112
8 Regularisation de problèmes de calibration II: problèmes non-lineaires 117
8.1 Regularisation de Tikhonov pour les problèmes non-lineaires . . . . . . . . . . . . . . . . . . . . . 117
8.2 Regularisation du problème de calcul de la volatilite locale . . . . . . . . . . . . . . . . . . . . . . 118
9 Methodes numeriques pour la calibration de modèles 123
9.1 Algorithmes doptimisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
9.1.1 Optimisation: rappels theoriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
9.1.2 Problèmes doptimisation en nance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
9.1.3 Minimisation de fonctions convexes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
A Quelques rappels sur le calcul stochastique et les processus de Markov 129
B Examens des annees precedentes 131
B.1 Master Modelisation Aleatoire, examen du 27 avril 2006 . . . . . . . . . . . . . . . . . . . . . . . 131
B.2 Master Modelisation Aleatoire, examen du 10 mai 2007 . . . . . . . . . . . . . . . . . . . . . . . 133
B.3 Master Modelisation Aleatoire, examen du 14 mai 2008 . . . . . . . . . . . . . . . . . . . . . . . 136
B.4 Master Modelisation Aleatoire, examen du 7 mai 2009 . . . . . . . . . . . . . . . . . . . . . . . . 138
B.5 Master Probabilites et Finance, examen du 27 mars 2009 . . . . . . . . . . . . . . . . . . . . . . 139
Bibliographie 141
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
Introduction
If you want to know the value of a security, use the price of another
security that is as similar to it as possible. All the rest is modeling.
Emmanuel Derman
En paraphrasant la celebre formule dEmmanuel Derman, donnee en epigraphe, on peut dire que pour
valoriser un produit complexe, il faut tout dabord trouver des actifs liquides qui lui ressemblent, et dont les
prix sont cotes sur le marche et ables. Ensuite, lapproche le plus souvent utilisee consiste à choisir un modèle,
dont les paramètres seront estimes sur les prix des produits liquides (calibration proprement dite). Ce modèle
calibre peut maintenant etre utilise pour valoriser le produit liquide. Dierents modèles vont, a priori, donner
des prix dierents, et on peut legitimement se demander, quelles sont les bornes imposees sur le prix du produit
exotique uniquement par labsence darbitrage. Bien que pour certains produits, on peut obtenir ces bornes en
ne faisant pas ou très peu dhypothèses sur le modèle, voir par exemple la section sur les swaps de variance,
pour la plupart de pay-os cela savère impossible. En pratique, on utilise donc presque toujours un modèle
pour faire le lien entre les prix des options liquides et celui du produit exotique. Le cours de caliration est
donc avant tout un cours de dierents modèles utilises dans le marche de produits derives. Dans ces notes, on
decouvrira avant tout les modèles de volatilite (volatilite locale, volatilite stochastique), mais aussi les modèles
prenant en compte le risque de saut (processus de Levy).
La calibration utilise les prix doptions cotees sur le marche. On va donc comprendre le fonctionnement des
marches et les methodes de cotation. Les prix cotes sont representes sous la forme dune smile de volatilite; un
cours de calibration est donc un cours de modelisation de smile.
Du point de vue theorique, le problème de calibration, cest-` a-dire, reconstruction des paramètres du modèle
à partir des observations de prix est un problème inverse mal pose. Inverse car dans tout modèle on sait
facilement resoudre le problème de pricing doptions europeennes (sinon ce modèle ne sera jamais utilise), et
pour la calibration on cherche à inverser ce processus. Mal pose car cette inversion est très souvent instable,
et conduit à lamplication des erreurs de donnees dans la solution. On aura donc besoin de la theorie de
problèmes inverses mal poses. Mathematiquement, un problème inverse mal pose consiste à resoudre lequation
Tx = y, (1)
o` u T est un operateur (lineaire ou non) dont linverse T
1
nest pas continu. Typiquement, y est le vecteur de
donnees observees sur le marche et x est le vecteur des paramètres du modèle quon cherche à calibrer. Dans
(1), T
1
peut etre connu explicitement, o` u peut etre calcule iterativement en minimisant |Tx y|
2
, ceci ne
change rien à la nature mal pose du problème. Si le problème est mal pose une petite erreur sur les donnees
(y) peut conduire à une très grande erreur sur la solution (x), rendant impossible toute resolution en utilisant
les donnees observees (car les observations contient toujours un certain bruit). La theorie de regularisation de
problèmes inverses mal poses [29] ne permet pas de transformer un problème mal pose en un problème bien
pose, il y aura toujours une perte de precision, mais elle permet de recuperer le maximum dinformation sur x
à partir de y de facon stable.
En statistique on cherche souvent à resoudre un problème similaire, par exemple, celui destimer x dans
Tx = y
5
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
6 PETER TANKOV
à partir dune observation bruitee y = y + . La dierence est quen statistique on considère les observations
comme des variables aleatoires, qui contient toujours un niveau de bruit assez important, et on cherche à
construire des estimateurs convergents lorsque le nombre dobservations tend vers linni. Cela na pas de sens
de calibrer les observations, le critère etant la qualite destimation du paramètre inconnu.
En calibration, on regarde les prix observes sur le marche comme les vrais prix. Ils peuvent contenir un
peu de bruit, à cause des fourchettes bid-ask, mais on cherche à les calibrer avec une grande precision, sinon
on nous arbitre. Nous ne pouvons pas faire tendre le nombre dobservations vers linni, car il est xe par le
marche, la limite qui a un sens cest la limite niveau de bruit dobservation tend vers zero, ce qui correspond
à un marche très liquide.
Les methodes numeriques dont on a souvent besoin en calibration et quon etudiera dans ce cours sont
Methodes de pricing permettant de calculer les prix de plusieurs options en meme temps (methodes
darbres, EDP forward, methodes de transformee de Fourier).
Methodes de regularisation (pour la resolution stable de problèmes inverses mal poses).
Methodes doptimisation (algorithmes classiques, optimisation par Monte Carlo).
Finalement, last but not least, lobjectif de ce cours est dapprendre comment choisir un modèle adapte à un
produit donne et une methode de calibration adapte à ce modèle. Le choix du modèle ne peut pas seectuer
dans labsolu, car il nexiste pas de modèle qui prendrait en compte tous les risques de tous les produits quon
peut imaginer. Pour dierents produits, dierents risques sont importants, et on va choisir le modèle qui prend
en compte ces risques et en neglige dautres, qui sont juges peu importants pour le produit en question.
Le choix dun modèle et dune methode de calibration en vue de calculer le prix dun produit exotique
seectue alors autour des trois questions fondamentales:
Risque de modèle. Il sagit de determiner, dans quelle mesure le prix nal du produit exotique est explique
par le modèle utilise, et dans quelle mesure il est explique par les prix des instruments de calibration utilises.
Idealement, le prix dun exotique doit etre complètement determine par les instruments de calibration et ne doit
pas avoir une dependance importante par rapport au modèle utilise. Si tel nest pas le cas, on parle du risque
de modèle. Par exemple, si on utilise un modèle calibre aux options europeennes decheance T pour valoriser
un autre pay-o europeen ayant la meme echeance T, le risque du modèle est petit. Si, au contraire, on utilise
le meme modèle et les memes produits de calibration pour valoriser un produit path-dependent, le risque du
modèle sera plus grand.
Le risque du modèle est en grande partie determine par les instruments de calibration utilises: pour le
diminuer il faut choisir des instruments de calibration naturels pour le produit exotique en question, (exemple:
swaptions co-terminales pour valoriser une swaption bermudeenne) et il faut que lensemble dinstruments de
calibration soit susamment complet.
Adequation du modèle choisi aux instruments de calibration. Ici, on cherche à repondre à la question
suivante: est-ce que le modèle est susamment riche pour bien reproduire les prix de tous les instruments de
calibration? Parfois, on a cette propriete par construction, dans dautres situations on na pas cette propriete
a priori, et il faut verier a posteriori quelle est satisfaite avec une precision susante.
Validite et stabilite de lalgorithme de calibration. En plus detre mathematiquement correct, lalgorithme
de calibration utilise doit etre numeriquement stable, cest-` a-dire, les petits changements des prix des instru-
ments de calibration ne doivent pas conduire ` a des grands changements au niveau des paramètres calibres. Par
exemple, si lalgorithme fait intervenir une minimisation numerique, la fonctionnelle à minimiser doit etre con-
vexe ou en tout cas ne doit pas avoir de minimums locaux, qui conduisent souvent à des instabilites numeriques.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
Chapitre 1
Les marches de produits derives
1.1 Historique
Le premier marche doptions moderne est apparu en 1973 cetait le CBOE (Chicago Board of Options
Exchange). Remarquons (sans pretendre quil y a un lien entre les deux evènements) que le celèbre article
de Fisher Black et Myron Scholes The pricing of options and corporate liabilities a ete publie dans la meme
annee. De lautre cote de lAtlantique, le premier marche doptions a ete cree à Londres en 1978 (London Traded
Option Exchange aujourdhui devenu LIFFE qui fait maintenant partie du groupe Euronext). En France, le
MONEP (Marche dOptions NEgotiables de Paris) a ouvert ces portes en 1987.
1.2 Fonctionnement des marches doptions
Le r ole des marches organises doptions est tout dabord dassurer la liquidite des options, cest-` a-dire, la
cotation permanente et lexistence dun prix unique pour une option donnee. Deuxièmement, lexistence de
marches organises simplie la gestion des contrats optionnels en eliminant le risque de contrepartie, car la
contrepartie unique de tous les contrats sur un marche organise est la chambre de compensation de la bourse.
Les dierents participants des marches doptions sont
Les brokers (courtiers) qui executent les ordres des investisseurs;
Les market makers (teneurs de marche) qui risquent leur propre capital et assurent la liquidite du marche.
Les specialistes achent en permanence les prix sur les options les plus liquides. Les contrepartistes
repondent aux demandes de prix.
La chambre de compensation qui sert à eliminer le risque de contrepartie. Elle peut demander (et demande)
aux vendeurs doptions le versement des appels de marge.
1.3 Dierents types de sous-jacents
Les options sont ecrites sur
Actions (CBOE: 1332 actions, MONEP: 67 actions)
Indices (CAC40, S&P500, indices sectoriels...)
Taux de change (PHLX)
Obligations ou swaps
Futures sur marchandises (commodity): cacao, cafe, sucre, ble mais aussi des matières premières, lelectricite
etc.
7
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
8 PETER TANKOV
Figure 1.1: Exemple de cotation (les options les plus liquides sur lindice S&P 500). Ask = le prix auquel vous
pouvez acheter loption en question. Bid = le prix auquel vous pouvez le vendre.
Les marches les plus liquides sont ceux doptions sur indices. Ce sont aussi des marches o` u on a le plus besoin
dune calibration precise (car les fourchettes bidask sont etroites) et o` u on a le maximum de donnees disponibles
(par exemple, sur CBOE on trouve plus de 500 options de 8 maturites dierentes allant de quelques jours à
deux ans sur lindice S&P 500).
1.4 Les options europeennes
Les options europeennes et americaines sont des options les plus liquides, leurs prix sont connus et peuvent
donc etre utilises comme entrees des algorithmes de calibration. Les options sur indices sont typiquement
europeennes.
Pour les options europeennes lexercice est possible uniquement à la maturite T; le payo ne depend que du
prix de sous-jacent à la date nale.
Call: H
T
= (S
T
K)
+
Put: H
T
= (K S
T
)
+
Terminologie
K : strike (prix dexercice).
Une option est à la monnaie à la date t si à cette date K = S
t
.
Une option est dans la monnaie: si elle devait expirer aujourdhui son pay-o serait positif.
La valeur intrinsèque dune option est la quantite dargent quelle rapporterait si elle devait expirer
aujourdhui (la valeur du pay-o aujourdhui).
La valeur temps dune option est egale à son prix moins sa valeur intrinsèque.
Les options les plus liquides sont les options à la monnaie (ATM) et, dans une moindre mesure, les options hors
de la monnaie (OTM).
Un exemple de feuille de prix doptions europeennes est donne sur g. 1.1.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
CALIBRATION DE MODELES ET COUVERTURE DE PRODUITS DERIVES 9
Proprietes des prix de calls/puts Toutes les proprietes ci-dessous decoulent de labsence dopportunites
darbitrage sur les marches doptions (si on suppose que le prix dachat concide avec le prix de vente).
Parite call-put
Call(T, K) Put(T, K) = S
t
KB(t, T),
o` u B(t, T) est le prix à linstant t dun zero-coupon de maturite T (une obligation qui paie une unite
dargent à la maturite et ne verse pas de coupon). Si la courbe des taux est plate au niveau r, B(t, T) =
e
r(Tt)
. En consequence de la parite call-put, on obtient les bornes suivantes pour les prix de calls /
puts:
(S
t
K)
+
< (S
t
KB(t, T))
+
Call(T, K) S
t
. (1.1)
(KB(t, T) S
t
)
+
Put(T, K) KB(t, T). (1.2)
La valeur temps dune option Call sur un actif ne versant pas de dividende est donc toujours positive.
Le prix dune option call est decroissant par rapport au strike (et le prix dune put est croissant)
K
1
K
2
Call(T, K
1
) Call(T, K
2
).
Cette propriete decoule de lexistence de la strategie call spread qui consiste à acheter une call de strike
K
1
et à vendre une call de strike K
2
. Comme cette strategie a un pay-o positif, son prix doit etre positif.
Les prix des calls/puts sont convexes par rapport au strike. Cette propriete correspond à la strategie
buttery qui consiste à acheter une call de strike K
1
, vendre deux calls de strike (K
1
+K
2
)/2 et acheter
une call de strike K
2
. On verie que cette strategie a egalement un pay-o positif dans tous les etats de
la nature ce qui implique la convexite.
Le prix dune option est croissant avec la maturite: T
1
T
2
implique Call(T
1
, K) Call(T
2
, K). Cette
propriete correspond à la strategie calendar spread: acheter une call de maturite T
2
et vendre une call de
meme strike de maturite T
1
.
Cas dun sous-jacent versant des dividendes Pour des options sur un sous-jacent versant des dividendes
la relation de parite call-put est modiee. A la maturite nous avons toujours
Call
T
(T, K) Put
T
(T, K) = S
T
K,
cependant pour percevoir ce ux à la maturite, il nest pas necessaire dinvestir S
t
B(t, T)K à la date t. Si
laction verse des dividendes discrètes connues D
1
, . . . , D
N
aux dates t
1
, . . . , t
n
, alors en achetant une action et
en empruntant
N
i=1
D
i
B(t, t
i
) +KB(t, T)
à la banque à la date t, on aura le ux S
T
K à la date T. La parite call-put devient donc
Call
t
(T, K) Put
t
(T, K) = S
t
i=1
D
i
B(t, t
i
) KB(t, T).
Pour les indices contenant plusieurs actions, on utilise un general lapproximation de taux de dividende continu,
i.e., on suppose que lindice S
t
verse en continu une dividende egale à qS
t
dt. Dans ce cas il est facile de voir que
pour sassurer le ux S
T
à la maturite, on doit investir le montant S
t
D(t, T) à la date t, o` u D(t, T) = e
q(Tt)
.
La parite call-put devient donc
Call
t
(T, K) Put
t
(T, K) = S
t
D(t, T) KB(t, T).
La derivation des bornes analogues à (1.1)(1.2) est laissee en exercice.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
10 PETER TANKOV
1.5 Les options americaines
Pour les options americaines, lexercice est possible à toute date t avant la maturite T ou à la maturite. Le
prix dune option americaine est donc en general superieur au prix de loption europeenne correspondante. La
dierence entre les deux prix sappelle la prime dexercice anticipee. Dans le cas particulier de loption call
americaine sur un actif ne versant pas de dividende, comme la valeur temps est toujours positive, il nest jamais
optimal dexercer loption avant la maturite, et donc, le prix de loption americaine est egal au prix de loption
europeenne.
1.6 Les options exotiques
Options à barrière: le paiement a lieu (na pas lieu) si le sous-jacent a depasse un niveau contractuel (la
barrière) avant cette date. Exemple (up and out call)
H
T
= (S
T
K)
+
1
M
T
<B
, o` u M
T
= max
tuT
S
u
- Moins chère que la call standard
Options asiatiques: le payo depend de la valeur moyenne de sous-jacent pendant la vie de loption (pour
empecher la manipulation des prix):
H
T
=
_
1
T t
_
T
t
S
u
du K
_
+
Options multi-sousjacent: sur un panier dactions, un panier de taux de change etc.
H
T
=
_
n
i=1
w
i
S
i
T
K
_
+
Les options forward start. Le strike dune telle option est determine à une date future selon une règle
specie, par exemple, le pay-o peut etre
H
T
= (S
T
mS
T
0
)
+
,
o` u T
0
< T est une date future et m est un nombre xe dans le contrat (moneyness de loption).
Les options cliquets. Une option cliquet peut etre vu comme une sequence doptions forward start, avec
des dates de depart de plus en plus eloignees. Par exemple le pay-o dune telle option de maturite T = 1
an peut etre donne par
12
i=1
max(0, r
i
), r
i
= S i
12
Si1
12
.
Cette option permet alors de recuperer lensemble des performances positives dun indice de reference sans
en subir des performances negatives.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
Partie I
Modèles
11
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
Chapitre 2
Le modèle de Black et Scholes et la
couverture en delta
2.1 Le modèle de Black et Scholes
Les hypothèses du modèle de Black-Scholes:
Marches ecients:
Pas de co uts de transaction
Pas de restrictions sur le volume de transactions
Pas dopportunite darbitrage
Les rendements du sous-jacent sont gaussiens, stationnaires et independants:
dS
t
S
t
= dt +dW
t
Le placement à la banque est sans risque et le taux dinteret r est constant.
2.1.1 Portefeuille autonancant
Denition 1. Une strategie autonancante est une strategie dont la valeur nest pas modie par lajout o` u
retrait du cash.
Soit
t
le nombre dactions dans le portefeuille, B
t
le solde du compte associe au portefeuille et V
t
la valeur
du portefeuille à linstant t: V
t
=
t
S
t
+ B
t
. En temps discret (e.g., si le trading à lieu uniquement aux dates
(t
i
)
N
i=1
), la condition dautonancement secrit:
B
t
i
+
t
i
S
t
i
= B
t
i
+
t
i
S
t
i
e
r(t
i
t
i1
)
B
t
i1
+
t
i1
S
t
i
= B
t
i
+
t
i
S
t
i
V
t
i
V
t
i1
= (e
r(t
i
t
i1
)
1)B
t
i1
+
t
i1
(S
t
i
S
t
i1
)
= (e
r(t
i
t
i1
)
1)(V
t
i1

t
i1
S
t
i1
) +
t
i1
(S
t
i
S
t
i1
)
En passant à la limite t 0, on trouve
dV
t
= (V
t
t
S
t
)rdt +
t
dS
t
13
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
14 PETER TANKOV
Supposons que V
t
= C(t, S
t
) pour une fonction regulière C(t, S). Alors dV
t
= dC(t, S
t
) et la formule dIt o
implique:
dC(t, S
t
) =
C
t
dt +
C
S
dS
t
+
1
2
2
C
S
2
dS
t
= S
t
C
S
dW
t
+
_
C
t
+S
t
C
S
+
1
2
2
S
2
t
2
C
S
2
_
dt
Pour que dV
t
= dC(t, S
t
), necessairement
t
=
C(t, S
t
)
S
rC(t, S) =
C
t
+rS
C
S
+
1
2
2
S
2
2
C
S
2
(2.1)
Si une fonction quelconque C(t, S) satisfait (2.1), le portefeuille avec
t
=
C
S
et B
t
= C(t, S
t
)
t
S
t
est
autonancant. Par absence darbitrage, ceci implique que le prix dune option de payo h(S
T
) est donne par
lunique solution de (2.1) avec condition nale C(T, S) = h(S).
2.1.2 Evaluation risque-neutre
Sous la probabilite historique P,
dS
t
S
t
= dt +dW
t
.
Soit Q une probabilite equivalente à P denie par:
dQ
dP
J
t
= exp
_
W
t
( r)
2
2
2
t
_
Alors par le theorème de Girsanov

W
t
:= W
t
+
r
t est un mouvement Brownien sous Q et

dS
t
S
t
= rdt +d

W
t
.
Posons

C(t, S
t
) := e
r(Tt)
E
Q
[h(S
T
)[S
t
]. Alors e
rt

C(t, S
t
) est une Q-martingale. Une application de la
formule dIt o donne
e
rt
d(e
rt

C) =
_
r

C +

C
t
+rS
t

C
S
+
1
2
2
S
2
t
2

C
S
2
_
dt +S
t

C
S
d

W
t
,
ce qui montre que

C est une solution de (2.1). De lunicite de solution on deduit que le prix dune option de
payo h(S
T
), solution de (2.1), dans le modèle de Black et Scholes est donne par
C(t, S
t
) = e
r(Tt)
E
Q
[h(S
t
e
r(Tt)
1
2
2
(Tt)+

W
Tt
)[S
t
] (2.2)
Ceci est un cas particulier du celèbre theorème fondamental de valorisation des actifs nanciers: [38, 21]
qui dit que le marche est sans opportunite darbitrage si et seulement sil existe une probabilite Q (probabilite
risque-neutre), equivalente à la probabilite historique P tel que les prix actualises de tous les actifs sont des
martingales.
2.1.3 Formule de Black et Scholes
Pour une option Call europeenne h(S
T
) = (S
T
K)
+
, et (2.2) devient (le calcul de lesperance est laisse au
lecteur)
Call(t, S
t
, T, K) = e
r(Tt)
E
Q
[(S
t
e
r(Tt)
1
2
2
(Tt)+

W
Tt
K)
+
[S
t
]
= S
t
N(d
1
) Ke
r(Tt)
N(d
2
) (2.3)
avec d
1
=
1
T t
log
_
S
t
Ke
r(Tt)
_
+
1
2
T t, d
2
= d
1
T t.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
Pour couvrir une Call Europeenne de maturite T et prix dexercice K, il faut donc
Acheter
t
=
Call(t,S
t
,T,K)
S
N(d
1
) actions
Placer B
t
= Call(t, S
t
, T, K)
t
S
t
à la banque
La formule de Black-Scholes est vraie dans le cadre plus general o` u S est la valeur dun portefeuille auto-
nan cant quelconque. Par consequent, dans la situation o` u le sous-jacent nest pas un portefeuille autonancant
(si cest un taux dinteret o` u une action versant des dividendes), pour etablir la formule de pricing dun call, il
faut calculer la valeur V
t
du portefeuille autonancant qui est egal au sous-jacent à lecheance, et remplacer S
t
par V
t
partout dans la formule (2.3). La sections suivante developpe cette approche dans le cas doptions sur
un actif versant des dividendes.
2.1.4 Option sur un actif versant des dividendes
Pour les actions, on utilise en general les previsions de dividendes calculees par les analystes nanciers et publiees
par les fournisseurs de donnees. Pour les indices, etant donne que le nombre dactions est typiquement eleve et
ils paient des dividendes quasiment en continu, on utilise generalement lapproximation de taux de dividende
continu, qui consiste à dire que le montant de dividende paye entre t et t + dt est egal à qS
t
dt. Si Y est un
portefeuille autonancant contenant
t
actions, alors
dY
t
=
t
dS
t
+q
t
S
t
dt.
Dun autre cote, la formule dIt o donne (puisque est croissant et donc a variation nie)
dY
t
=
t
dS
t
+S
t
d
t
.
Ceci implique d
t
= q
t
dt et donc
t
=
0
e
qt
: un portefeuille autonancant qui contient e
qt
actions à linstant
t = 0, va contenir exactement une action à linstant t. La formule de Black-Scholes est alors vraie dans sa forme
habituelle pour le processus Y
t
et si on la reecrit en terme de S
t
, elle devient
Call(t, S
t
, T, K) = S
t
e
q(Tt)
N(d
1
) Ke
r(Tt)
N(d
2
) (2.4)
avec d
1,2
=
1
T t
log
_
S
t
e
q(Tt)
Ke
r(Tt)
_
1
2
T t, (2.5)
autrement dit, nous avons remplace S
t
par S
t
e
q(Tt)
partout dans la formule.
2.1.5 Exemples de couverture en delta
Figure 2.1 montre deux exemples devolution de portefeuille de couverture et de loption quon cherche à repliquer
dans le modèle de Black-Scholes avec rebalancement très frequent (8 fois par jour) du portefeuille de couverture.
De facon generale, à la n de chaque trajectoire, le delta est egale soit à 0 si loption termine hors de la monnaie
soit à 1 si loption termine dans la monnaie.
Figure 2.2 montre leet dun frequence de rebalancement moins elevee: à gauche, le portefeuille est recalcule
une fois par jour et à droite la couverture reste statique pendant toute la periode (2 mois), ce qui conduit à une
grande erreur de replication.
Enn, gure 2.3 montre que meme en cas de rebalancement quasi-continu, un saut dans le prix ne peut pas
etre pris en compte par la couverture en delta et conduit à une erreur de replication.
2.1.6 Analyse de lerreur de couverture
Dans cette section nous nous mettons dans le cas r = 0 (il est toujours possible de se ramener à cette situation en
travaillant avec des quantites actualisees). Nous supposons que le rebalancement de portefeuille de couverture
à lieu aux instants ih, i = 1, 2, . . . . Son evolution secrit alors
dV
t
=
C(h[t/h], S
h[t/h]
)
S
dS
t
,
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
16 PETER TANKOV
0 0.05 0.1 0.15 0.2
5
0
5
10
Portfolio value
Option price
0 0.05 0.1 0.15 0.2
0
0.2
0.4
0.6
0.8
1
Hedge Ratio
0 0.05 0.1 0.15 0.2
0
2
4
6
8
10
Portfolio value
Option price
0 0.05 0.1 0.15 0.2
0
0.2
0.4
0.6
0.8
1
Hedge Ratio
Figure 2.1: Rebalancement continu du portefeuille de couverture (8 fois par jour). Gauche: P&L nal = 0.05.
Droite: P&L nal = 0.08.
0 0.05 0.1 0.15 0.2
0
5
10
15
Portfolio value
Option price
0 0.05 0.1 0.15 0.2
0
0.2
0.4
0.6
0.8
1
Hedge Ratio
0 0.05 0.1 0.15 0.2
0
2
4
6
8
Portfolio value
Option price
0 0.05 0.1 0.15 0.2
0
0.2
0.4
0.6
0.8
1
Hedge Ratio
Figure 2.2: Gauche: rebalancement journalier, P&L nal = 0.18. Droite: couverture statique en delta,
P&L nal = 0.44.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
0 0.05 0.1 0.15 0.2
5
0
5
10
Portfolio value
Option price
0 0.05 0.1 0.15 0.2
0
0.2
0.4
0.6
0.8
1
Hedge Ratio
Figure 2.3: Eet dun saut sur la strategie de couverture. Rebalancement continu. P&L nal = 1.10. Taille du
saut : 7%.
o` u [x] denote la partie entière de x. Dun autre cote, levolution du prix de loption est
dC
t
=
C(t, S
t
)
S
dS
t
.
Pour lerreur de couverture
t
C
t
V
t
nous avons alors
d
t
=
_
C(t, S
t
)
S

C(h[t/h], S
h[t/h]
)
S
_
dS
t
.
Puisque
C
S
est borne (dans le cas dune option erupeenne), (
t
) est une Q-martingale desperance nulle. Intro-
duisons lerreur de couverture renormalisee
t
=
1
t
. Il est alors facile de demontrer que E[(
T
)
2
] converge
vers une limite bien denie (voir aussi [58]).
Proposition 1. Supposons que le prix de laction suit le modèle Black-Scholes avec r = 0, et que le pay-o de
loption est tel que
C
S
est borne. Alors
lim
h0
E
Q
[(
T
)
2
] = E
Q
_
1
2
_
T
0
_
2
C(t, S
t
)
S
2
_
2
S
4
t
4
dt
_
dès que lesperance dans la partie droite est nie.
Preuve. Dans cette demonstration, E denote lesperance sous la probabilite risque-neutre E
Q
. Soit
t
=
C(t,S
t
)
S
,
(t) = h[t/h] et (t) = h +(t). En utilisant la bornitude de , par isometrie dIt o on a:
E[(
T
)
2
] =
1
h
E
_
_
T
0
(
t
(t)
)
2
2
S
2
t
dt
_
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
18 PETER TANKOV
En utilisant lintegration par parties entre (t) et (t) puis la formule dIt o ceci devient
E[(
T
)
2
] =

2
h
E
_
_
T
0
((t) t)d
_
(
t
(t)
)
2
S
2
t
_
_
=
2
2
h
E
_
_
T
0
((t) t)(
t
(t)
)S
2
t
d
t
_
+
2
2
h
E
_
_
T
0
((t) t)(
t
(t)
)
2
S
t
dS
t
_
+

2
h
E
_
_
T
0
((t) t)S
4
t
_
2
C(t, S
t
)
S
2
_
2
2
dt
_
+

2
h
E
_
_
T
0
((t) t)(
t
(t)
)
2
S
2
t
2
dt
_
+
4
2
h
E
_
_
T
0
((t) t)(
t
(t)
)S
3
t
2
C(t, S
t
)
S
2
dt
_
(2.6)
En utilisant le fait que 0
(t)t
h
1, que
t
est borne et
(t)

t
quand h 0, et le theorème de convergence
dominee, nous obtenons immediatement que les deux termes sur la dernière ligne ci-dessus convergent vers 0
lorsque h 0. De plus, pour toute fonction integrable mesurable f,
_
T
0
(t) t
h
f(t)dt
1
2
_
T
0
f(t)dt.
Avec le theorème de convergence dominee, ceci donne
4
h
E
_
_
T
0
((t) t)S
4
t
_
2
C(t, S
t
)
S
2
_
2
dt
_

4
2
E
_
_
T
0
S
4
t
_
2
C(t, S
t
)
S
2
_
2
dt
_
lorsque h 0. Il reste à traiter les deux termes de la 2ème ligne de (2.6). Pour le 2ème de ces termes, on a
2
2
h
E
_
_
T
0
((t) t)(
t
(t)
)
2
S
t
dS
t
_
2
2
h
E
_
_
_
_
T
0
((t) t)(
t
(t)
)
2
S
t
dS
t
_
2
_
_
1
2
=
2
2
h
E
_
_
T
0
((t) t)
2
(
t
(t)
)
4
S
4
t
2
dt
_1
2
2
4
E
_
_
T
0
(
t
(t)
)
4
S
4
t
dt
_1
2
0
par le theorème de convergence dominee. Passons au 1er terme. En utilisant la formule dIt o et lequation de
Black-Scholes, on obtient
d
t
=

2
C
S
2
dS
t
+

2
C
St
dt +
1
2
S
2
t
3
C
S
3
dt =

2
C
S
2
dS
t

2
C
S
2
2
S
t
dt.
On a donc
2
2
h
E
_
_
T
0
((t) t)(
t
(t)
)S
2
t
d
t
_
2
4
h
E
_
_
T
0
((t) t)[
t
(t)
[S
3
t
2
C
S
2
dt
_
+
2
2
h
E
__
_
T
0
((t) t)(
t
(t)
)S
2
t
2
C
S
2
dS
t
__1
2
2
4
E
_
_
T
0
[
t
(t)
[S
3
t
2
C
S
2
dt
_
+
2
4
h
E
_
_
T
0
((t) t)
2
(
t
(t)
)
2
S
4
t
_
2
C
S
2
_
2
dt
_1
2
0,
en utilisant convergence dominee une dernière fois.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
50 60 70 80 90 100 110 120 130 140 150
0.00
0.05
0.10
0.15
T = 1 year
T = 1 month
T = 1 week
4 3 2 1 0 1 2 3 4
0.0
0.5
1.0
1.5
dt=0.0025, et=0.34
dt=0.01, et=0.69
dt=0.04, et=1.32
Figure 2.4: Gauche: gamma Black-Scholes dune option call pour maturites dierentes. Droite: histogrammes
de lerreur de couverture pour dierentes frequences de rebalancement.
Exercice 1. En utilisant la forme explicite du gamma Black-Scholes
2
C(t, S)
S
2
=
n(d
1
)
S
T t
,
montrer que le resultat precedent sapplique au cas dune option call.
On peut egalement demontrer [39] que le processus (
t
) converge en distribution vers un processus bien
identie:
(
t
)
d
h0
1
2
__
t
0
2
C(u, S
u
)
S
2

2
S
2
u
dW
u
_
,
o` u W
est un mouvement Brownien independant de W. Ces deux resultats ont plusieurs implications impor-
tantes:
Lerreur de couverture est proportionnelle à la racine du pas de temps
h. Pour diviser lerreur par 2

il faut donc rebalancer le portefeuille 4 fois plus souvent. Ce phenomène est illustre par le graphique de
gauche de g. 2.4.
Lerreur de couverture est centree et independante de la direction du mouvement du sous-jacent.
Lerreur de couverture est dautant plus grande que le gamma de loption

2
C
S
2
est grande. Le gamma Black-
Scholes dune option call est tracee sur le graphique de droite de g. 2.4 pour des maturites dierentes.
On voit que les options les plus diciles à couvrir sont les options ATM proches de lexpiration.
2.1.7 Couverture en gamma
Nous avons vu que pour reduire lerreur de couverture due à la discretisation il faut diminuer le gamma du
portefeuille. Un moyen de construire un portefeuille gamma-neutre est de rajouter une option ou un autre actif
susamment liquide dont le gamma compense celui de loption quon cherche à couvrir. Le prix de cet actif de
couverture sera note par C
0
.
Supposons que le portefeuille de couverture contient
t
actions et
t
actifs C
0
, o` u
t
=

2
C
S
2
/
2
C
0
S
2
,
t
=
C
S

C
0
S
2
C
S
2
/
2
C
0
S
2
.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
20 PETER TANKOV
20 15 10 5 0 5 10 15 20 25 30
1
0
1
2
3
4
5
6
7
8
Delta hedging
Deltagamma hedging
Figure 2.5: Sensibilite des positions couvertes en delta-gamma et en delta aux changements du prix de sous-
jacent.
Implication du modèle Acceptee par les praticiens?
Le risque dune option peut etre complètement elimine
par une position en actions.
Non, car le rebalancement continu est impossible et le
modèle est misspecie
La quantite dactions à acheter pour couvrir une op-
tion est
t
=
C
S
Oui, cest la strategie la plus fondamentale
Le paramètre fondamental caracterisant une option
est sa volatilite
Oui, les volatilites des options sont souvent cotees avec
leur prix
La volatilite est la meme pour toutes les options sur le
meme sous-jacent et egale à lecart type du sous-jacent.
Non, la volatilite est calculee separement pour chaque
option
Table 2.1: Attitude des praticiens vis à vis la formule de Black-Scholes.
Il est facile de voir que le gamma et le delta de ce portefeuille concident avec le gamma et le delta de loption
C que lon cherche à couvrir. Fig. 2.5 montre quun portefeuille couvert en gamma-delta reste insensible aux
mouvements du sous-jacent dampleur beaucoup plus grande que le portefeuille couvert en delta seulement.
2.2 Lutilisation du modèle de Black-Scholes dans les marches doptions
Le modèle de Black-Scholes reste loutil fondamental des traders doptions qui se rendent toutefois bien compte
des nombreuses inconsistances de ce modèle et de limpossibilite de lappliquer tel quel aux marches doptions.
Ce modèle est utilise comme une approximation de premier ordre au fonctionnement des marches, et il est
ensuite corrige avec des nombreuses outils et techniques de trading. Lattitude des praticiens vis à vis le modèle
de Black-Scholes est grossièrement resumee par le tableau 2.1.
2.2.1 La couverture en delta comme une strategie de trading
La notion de couverture en delta preconisee par le modèle de Black-Scholes est tellement assimilee par les
marches que lensemble dune option europeenne et la couverture en delta associee constitue une strategie
reconnue par les bourses (par exemple, LIFFE propose pas moins de 10 strategies pret-à-porter delta-neutres).
Pour comprendre linteret de la couverture en delta, ecrivons le developpement limite au premier ordre de la
valeur dun portefeuille couvert en delta (sans supposer le rebalancement continu).
C(t + t, S
t+t
) C(t, S
t
)
C(t, S
t
)
S
S
t

C(t, S
t
)
t
t +
1
2
2
C(t, S
t
)
S
2
(S
t
)
2
. (2.7)
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
5 4 3 2 1 0 1 2 3 4 5
5
0
5
10
15
20
S
P
&
L
0 2 4 6 8 10
0
10
20
30
40
50
60
70
80
90
100
C
B
S
Point dinflexion
Figure 2.6: Gauche: la variation de la valeur dune option couvert en delta après un changement du prix de
sous-jacent de S. Droite: prix Black-Scholes dune option en fonction de sa volatilite implicite.
Graphique 2.6 trace la valeur de (2.7) en fonction de S. Il est clair que cette strategie peut etre utilise par un
trader qui anticipe une hausse de volatilite ou un saut de valeur de sous-jacent.
2.2.2 Robustesse de la formule de Black-Scholes
La formule de Black-Scholes est souvent utilisee dans le marche meme pour les actifs dont la volatilite nest pas
constante ni meme deterministe. Cette pratique est partiellement justiee par la propriete connue sous le nom
de robustesse de la formule de Black-Scholes: meme si la vraie volatilite du sous-jacent est stochastique, la
formule de Black-Scholes peut etre utilise pour calculer les bornes superieures / inferieures du prix, pourvu que
la volatilite constante utilisee majore / minore la vraie volatilite.
Supposons que le prix daction suit
dS
t
S
t
= dt +
t
dW
t
,
o` u
t
est un processus stochastique, et que lagent calcule son portefeuille de couverture en utilisant la formule
Black-Scholes avec volatilite constante . Levolution du portefeuille de lagent est
dV
t
= rV
t
dt +
BS
(t, S
t
)(dS
t
rS
t
dt), V
0
= C
BS
(0, S
0
).
Lerreur nale de couverture est donnee par la dierence entre V
T
et le payo de loption:
T
= V
T
H
T
= V
T
C
BS
(T, S
T
).
En appliquant la formule dIt o on a alors
dC
BS
(t, S
t
) =
_
C
BS
t
+
1
2
2
C
BS
S
2

2
t
S
2
t
_
dt +
C
BS
S
dS
t
,
mais C
BS
(t, S) en tant quune fonction satisfait lEDP de Black-Scholes:
C
BS
t
+
1
2
2
S
2
2
C
BS
S
2
= r
_
C
BS
S
C
BS
S
_
.
En rassemblant les trois equations, on trouve
T
= V
T
H
T
=
1
2
e
rT
_
T
0
e
rt
2
C
BS
S
2
(
2
2
t
)S
2
t
dt.
Si
t
p.s., nous avons V
T
H
T
p.s.: le portefeuille de couverture Black-Scholes domine le prix de loption
et donc, le prix Black-Scholes domine le vrai prix.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
22 PETER TANKOV
2.3 La volatilite implicite
Dans le modèle de Black et Scholes lunique paramètre inobservable est la volatilite. Le modèle peut donc etre
calibre à partir dun seul prix doption car la fonction de prix Black-Scholes est strictement croissante en la
volatilite. On a
lim
0
C
BS
() = (S
t
Ke
r(Tt)
)
+
lim
C
BS
() = S
t
(2.8)
C
BS
= Sn(d
1
)
T t (2.9)
2
C
BS
2
=
Sn(d
1
)
T t
_
log
2
m
2
(T t)

2
(T t)
4
_
, (2.10)
o` u m =
S
t
Ke
r(Tt)
est le moneyness de loption. Lequation (2.10) montre que la fonction C
BS
() est
convexe sur lintervalle (0,
_
2] log m]
Tt
) et concave sur (
_
2] log m]
Tt
, ). Ceci implique que lequation C
BS
() = C
pour
(S
t
Ke
r(Tt)
)
+
< C < S
t
peut etre resolu par la methode de Newton en utilisant lalgorithme suivant:
0
=
_
2[ log m[
T t
n+1
=
n
+
C C
BS
(
n
)
C
BS
(
n
)
car la serie (
n
) 0 sera monotone. En pratique, lorsque C est trop proche des bornes darbitrage, la derivee
C
BS
(
n
) devient trop petite, ce qui peut conduire à des instabilites numeriques. Dans ce cas il est preferable
dutiliser la methode de bissection. La solution I(C) de lequation C
BS
() = C, o` u C est le prix dune option
europeenne observe sur le marche sappelle la volatilite implicite de cette option. Le modèle de Black-Scholes
implique que la volatilite implicite de toutes les options sur le meme sous-jacent doit etre la meme, et egale à
la volatilite historique (ecart type des rendements annualise) du sous-jacent. Cependant, lorsquon calcule I à
partir de prix de dierentes options observes sur le marche, on constate que
La volatilite implicite est toujours superieure à la volatilite du sous-jacent.
Les volatilites implicites de dierentes options sur le meme sous-jacent dependent de leur strikes et ma-
turites.
Le graphique gauche du g. 2.3 trace les volatilites implicites des options sur lindice S&P 500 en fonction de
leur strike et maturite observes le 23 janvier 2006. On constate que
Pour presque tous le strikes, la volatilite implicite decrot en fonction de strike (phenomène de skew).
Pour des très grands strikes on observe parfois une legère remontee de la volatilite implicite (phenomène
du smile).
Les phenomènes de smile et skew sont le plus prononces pour les options de courte maturite; la courbe de
volatilite implicite en fonction de strike saplatit pour les grandes maturites.
La dierence entre la volatilite implicite et la volatilite historique du sous-jacent peut sexpliquer par le
fait que la couverture dune option est plus chère en realite que dans le modèle de Black-Scholes, à cause, en
particulier, des frais de transaction et de la necessite de couvrir les sources de risque non pris en compte par
ce modèle (e.g. le risque de volatilite). Le phenomène de skew est d u au fait que le modèle de Black-Scholes
sous-estime la probabilite dun krach boursier ou dun grand mouvement de prix en general. Le traders corrigent
cette probabilite en augmentant les volatilites implicites des options loin de la monnaie. Finalement, le smile
peut etre explique par les primes de liquidite qui sont plus elevees pour les options loin de la monnaie. Le
graphique droit du g. 2.3 montre que les volatilites implicites des options loin de la monnaie sont presque
exclusivement expliquees par les prix Bid (dachat) qui ont des primes plus eleves pour ces options à cause
dune ore moins importante.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
600
800
1000
1200
1400
1600
0
0.5
1
1.5
2
2.5
3
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
400 600 800 1000 1200 1400 1600
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
Bid
Ask
Midquote
2.3.1 Role de la volatilite implicite dans les marches doptions
La volatilite implicite est très utilisee pour le calcul des ratios de couverture des options europeennes. Pour
toute option, independamment du modèle utilise on peut ecrire:
C(t, S
t
) = C
BS
(t, S
t
, I),
o` u I est la volatilite implicite de cette option. Si la volatilite implicite ne depend pas du S
t
mais seulement du
strike et du temps, on pourrait ecrire
C(t, S
t
)
S
=
C
BS
(t, S
t
)
S
,
le delta de loption est donc egal à son delta Black-Scholes. Labsence de dependance de la volatilite implicite
par rapport au sous-jacent a ete appelee le regime sticky strike par Derman [22]. En realite cette condition est
rarement verie, et le changement de I avec le sous-jacent doit etre pris en compte:
C(t, S
t
)
S
=
C
BS
(t, S
t
)
S
+
C
BS
I
I
S
. (2.11)
Cette divergence entre le delta dune option et son delta Black-Scholes est souvent traite comme un nouveau
source de risque, risque de vega
1
. Il est souvent gere en rendant le portefeuille vega-neutre. Pour un portefeuille
doptions europeennes ceci signie que la somme des derivees de chaque option par rapport à sa volatilite
implicite doit etre nulle
N
k=1
C
BS
[
=I
k
= 0. Si maintenant on suppose que les volatilites implicites des
dierents strikes et maturites varient de la meme facon avec le sous-jacent
I
S
ne depend pas de K le risque
d u au changement de volatilite implicite sera totalement couvert.
Une autre approche pour la prise en compte du deuxième terme dans (2.11) consiste à modier le delta
dune option en faisant des hypothèses appropries sur levolution du smile avec le sous-jacent. Par exemple,
dans le regime sticky delta ou sticky moneyness de Derman, on suppose que la volatilite implicite depend du
ratio K/S mais pas de ces deux variables separement. En posant I = I(K/S), on a alors
C
S
=
C
BS
S

C
BS
I
K
S
2
I
.
Comme en general la volatilite decrot avec le strike (pour les options proches de la monnaie), lhypothèse de
sticky delta implique
C
S
>
C
BS
S
: le delta dune option est superieur à son delta Black-Scholes.
1
Vega nest pas une lettre grecque mais simplement un joli nom pour la derivee du prix Black-Scholes par rapport à la volatilite
implicite ou plus generalement la derivee du prix dune option par rapport à la volatilite
C
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
24 PETER TANKOV
Exercice 1. On suppose que le prol (smile) de volatilite implicite pour les options près de la monnaie est
decroissant avec le strike, et qu` a la monnaie,
I
K
= 0.002. Calculer
C
S
pour une option Call europeenne à la
monnaie dans lhypothèse sticky delta. Les valeurs de paramètres sont S
0
= 100, = 0.2, T = 1, r = 0. Pour
le calcul numerique on peut se servir de lapproximation suivante, valable lorsque S
0
est proche de Ke
rT
:
Call
BS
(S
0
, K, T) S
0
_
1
2
+

T
5
_
Ke
rT
_
1
2

T
5
_
.
Combien dactions faut-il acheter ou vendre pour couvrir 100 options?
2.3.2 Prise en compte des dividendes dans le calcul de la volatilite implicite
Si on utilise la formule de Black-Scholes (2.3) pour le calcul de la volatilite implicite, pour certains indices (e.g.
le DAX) on obtient des resultats raisonnables, mais pour dautres (CAC 40 ou S&P 500) on obtient des valeurs
aberrantes (trop petites), surtout pour des grandes maturites. Ceci est d u à la dierence des methodes de
calcul des indices: le DAX est un indice de performance, il peut etre vu comme un portefeuille autonancant
dactions dans lequel les dividendes payes par les actions sont immediatement reinvestis, ou encore comme une
grosse action ne payant pas de dividende. En revanche, CAC 40, S&P 500 etc. sont les indices dits composites,
cest-` a-dire, leur valeur est tout le temps egale à la moyenne ponderee des prix des constituants. Si les titres
constituant un tel indice paient des dividendes, ceci diminue leur valeur et la valeur de lindice.
La formule (2.4) implique que la relation de parite Call-Put pour les indices comme CAC 40 prend la forme
Call(S
0
, T, K) Put(S
0
, T, K) = S
0
e
qT
Ke
rT
,
ce qui permet destimer la valeur de q par une regression lineaire de
logCall
i
Put
i
+K
i
e
r
i
T
i
sur T
i
. La volatilite implicite peut alors etre calculee en inversant la formule (2.4).
2.4 Complement: formule de Garman-Kohlhagen et cotation doptions
sur taux de change
Si le sous-jacent de loption est un taux de change X
t
, alors la valeur dun portefeuille autonancant qui rapporte
X
T
à lecheance de loption T est egale au prix dun zero-coupon etranger converti en monnaie domestique,
donc, dans le cas de taux deterministes,
V
t
= e
T
t
r
f
s
ds
X
t
,
o` u r
f
est le taux court etranger. La formule de Black-Scholes, qui est alors connue sous le nom de formule de
Garman-Kohlhagen [32], prend la forme
Call(t, X
t
, T, K) = X
t
e
T
t
r
f
s
ds
N(d
1
) Ke
T
t
r
s
ds
N(d
2
) (2.12)
avec d
1,2
=
1
T t
log
_
X
t
e
T
t
r
f
s
ds
Ke
T
t
r
s
ds
_
1
2
T t, (2.13)
La cotation doptions sur taux de change est sensiblement dierente de celles sur actions et indices: alors
que dans les marches equity, on ache les prix de calls et de puts en fonction de leur prix dexercice, pour les
options FX on ache la volatilite implicite à la monnaie (ATM vol) ainsi que la volatilite implicite des montages
buttery (qui represente la convexite du smile de volatilite) ou risk-reversal (qui represente la pente du smile) en
fonction de leur delta (g. 2.7). Lutilisation du delta, du volatilite implicite, et des montages qui correspondent
aux principaux facteurs de risque associes au smile de volatilite permet de rendre lachage plus stable dans le
temps et plus lisible pour les traders.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
Figure 2.7: Une page Bloomberg avec les cotations des options sur taux de change.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
26 PETER TANKOV
E
T
c
Risk reversal
c
Butterfly
T
25D (Call) -25D (Put) 50D
0 10 20 30 40 50 60 70 80 90 100
5.7
5.8
5.9
6.0
6.1
6.2
6.3
6.4
Figure 2.8: A gauche: representation graphique des Buttery et Risk Reversal. A droite: smile de volatilite
pour les options sur EUR/USD de maturite 3 mois.
Cotation en delta Le delta de loption dans le modèle de Garman-Kolhagen est
e
T
0
r
f
t
dt
N(d
1
), d
1
=
1
T
log
_
X
0
e
T
0
r
f
t
dt
Ke
T
0
r
t
dt
_
+
1
2
T,
o` u X
0
est le taux de change courant, mais pour la cotation on utilise N(d
1
) pour que le delta soit compris
exactement entre 0 et 1 pour toutes les maturites. Il y a donc une bijection entre le delta de loption et son
stike. Loption 50 correspond à N(d
1
) = 0.5 d
1
= 0 et a le strike
K
50
= X
0
e
T
0
(r
t
r
f
t
+
2
2
)dt
.
De meme, pour une option x on a
K
x
= X
0
e
T
0
(r
t
r
f
t
+
2
2
)dt
e
TN
1
(x)
.
Risk reversal et buttery Les volatilites du risk-reversal et du buttery ne sont pas en fait des volatilites
mais simplement les mesures de la pente et de la convexite du smile respectivement. Il sont calcules à partir de
volatilites des calls et des puts hors la monnaie avec les formules suivantes:
BB
25
=

25c
+
25p
2

50
, RR
25
=
25c
25p
Ces formules sont illustrees sur le graphique de gauche de g. 2.8. Pour reconstituer le smile de volatilite
implicite, on peut recalculer les volatilites des options call et put hors la monnaie:
25c
= BB
25
+
50
+
RR
25
2
,
25p
= BB
25
+
50
RR
25
2
,
puis les interpoler avec une methode dinterpolation convenable. Remarquons que le buttery est toujours
positif, mais le risk reversal peut changer de signe sur le FX, contrairement aux marches dactions, o` u il est
presque toujours negatif.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
Chapitre 3
Les modèles à volatilite locale et la
diusion implicite
3.1 Modèles à volatilite locale
Dans la section 2.3 nous avons vu que le modèle de Black-Scholes à volatilite constante ne peut pas reproduire
lensemble des prix doptions observes sur le marche pour un sous-jacent donne, car leur volatilite implicite
varie en fonction du strike et de la maturite. Pour prendre en compte le smile du marche tout un restant dans
le cadre markovien et complet (un seul facteur de risque) une solution naturelle est de modeliser la volatilite
comme une fonction deterministe du temps et de la valeur du sous-jacent:
dS
t
S
t
=
t
dt +(t, S
t
)dW
t
, (3.1)
dB
t
B
t
= r
t
dt.
Dans ces equations, le taux dinteret r
t
peut aussi dependre de t et de S
t
, et la derive
t
peut etre un processus
previsible general car on va sen debarrasser gr ace à levaluation risque neutre. Un exemple de modèle de ce
type bien etudie dans la litterature est donne par le modèle CEV (Constant Elasticity of Variance) de [18], qui
sera analyse en detail à la n de cette section. Dans ce modèle, la volatilite est une fonction puissance du niveau
de sous-jacent:
dS
t
S
t
=
t
dt +

0
S
1
dW
t
(3.2)
Le modèle de Black-Scholes et le modèle gaussien sont des cas particuliers de cette equation avec = 1 et = 0
respectivement.
Par le meme argument dautonancement que dans le modèle Black-Scholes (voir section 2.1), le prix dune
option qui paie h(S
T
) à linstant T satisfait
r
t
C(t, S) =
C
t
+r
t
S
C
S
+
1
2
(t, S)
2
S
2
2
C
S
2
, C(T, S) = h(S),
et le portefeuille autonancant de couverture contient
t
=
C(t,S
t
)
S
actions et B
t
= C(t, S
t
)
t
S
t
en cash.
Lequation de pricing garde alors la meme forme que dans le modèle de Black-Scholes mais on ne peut plus en
deduire une formule explicite car la volatilite depend maintenant du sous-jacent.
Par analogie exacte au modèle de Black-Scholes, le modèle de volatilite locale correspond à un marche
complet (le seul facteur de risque est le sous-jacent) et lunique probabilite risque-neutre (si elle existe) est
donnee par
dQ
dP
[
J
t
= exp
_
_
t
0
s
r
s
s
dW
s
_
t
0
(
s
r
s
)
2
2
2
s
ds
_
. (3.3)
27
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
28 PETER TANKOV
Sous cette probabilite,
dS
t
S
t
= r
t
dt +(t, S
t
)dW
Q
t
. (3.4)
Pour assurer lexistence de la probabilite risque-neutre, il faut alors demontrer que (3.3) est bien une martingale.
Supposons quil existe un processus de prime de risque
t
tel que
t
= r
t
+
t
t
et
E[e
1
2
T
0

2
s
ds
] < .
Par exemple, il sut que soit bornee. Alors le critère de Novikov (theorème 8 de lannexe) garantit que
dQ
dP
[
J
t
= exp
_
_
t
0
s
dW
s
1
2
_
t
0
2
s
ds
_
est une martingale uniformement integrable et la probabilite risque-neutre Q est bien denie. Sous cette
probabilite,
dS
t
S
t
= r
t
dt +(t, S
t
)d

W
t
et C(t, S) = E
Q
[e
T
t
r
s
ds
h(S
T
)[S
t
= S]
Soulignons bien que cette probabilite risque-neutre est unique, cest-` a-dire, elle est complètement determine
une fois quon a estime le modèle historique (3.1). Les prix doptions sont donc egalement complètement
determines, et il nest pas possible de calibrer le modèle aux prix doptions cotees sur le marche. Pour cette
raison, en pratique, le modèle de volatilite locale nest pas estime à partir des donnees historiques mais utilise
directement dans sa forme risque-neutre (3.4) et calibre aux prix doptions cotees.
Modèle CEV Le modèle CEV (3.2) fournit un exemple simple et non-trivial dun modèle à volatilite locale.
Placons-nous sous la probabilite risque-neutre, et supposons que le prix forward du sous-jacent F
t
= e
r(Tt)
S
t
suit le modèle CEV:
dF
t
=
0
F
t
dW
t
, 0 < 1 (3.5)
La valeur 0 est une barrière absorbante, si F
t
= 0 pour un t, F
s
0 pour tout s t. La contrainte 0 < 1
est imposee puisquon peut demontrer que pour > 1, (F
t
) est une martingale locale stricte, cest-` a-dire,
pas une vraie martingale, ce qui peut conduire, par exemple, à la violation de la parite Call-Put et dautres
inconvenients. Montrons que pour 0 < 1, lequation (3.5) denit une vraie martingale de carre integrable
sur [0, T] pour tout T < . Pour cela il est susant de voir que
E [F]
T
= E
_
2
0
_
T
0
F
2
t
dt
_
< . (3.6)
Soit
n
= inft : F
t
n. F
T
n
est alors de carre integrable, et on a, pour 0 < 1,
E[F
2
n
T
] =
2
0
E
_
_

n
T
0
F
2
t
dt
_

2
0
E
_
_

n
T
0
(1 +F
2
t
)dt
_

2
0
E
_
_
T
0
(1 +F
2
t
n
)dt
_
Par le lemme de Gronwall on a alors
2
0
E
_
_

n
T
0
F
2
t
dt
_
= E[F
2
n
T
]
2
0
Te
2
0
T
,
do` u (3.6) est deduit par convergence monotone.
La forme de la volatilite implicite du modèle CEV est connue gr ace à lapproximation asymptotique de
Hagan et Woodward [37]:
imp
(K, T) =

0
F
1
m
_
1 +
(1 )(2 +)
24
_
F
0
K
F
m
_
2
+
(1 )
2
24
2
0
T
F
22
m
+. . .
_
, F
m
=
1
2
(F
0
+K).
Au premier ordre, on a donc
imp
(K, T)

0
F
1
m
: la volatilite implicite a la meme forme que la volatilite locale
mais avec une pente à la monnaie 2 fois plus petite.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
$
$
$
$
$
$
$
$
$
$
$
$
&
&
&
&
&
&
&
&
&
&
&
&
t
t
t
t
t t
t
t
t
$
$
$
$
$
$
&
&
&
&
&
&
&
&
&
&
&
&
$
$
$
$
$
$
S
t
i
(1 +rt)
S
t
i
d
S
t
i
p
q
S
t
i
Figure 3.1: Arbre trinomial.
3.2 Arbre trinomial de pricing
Dans cette section, pour simplier lexpose, on pose r
t
r pour tout t. Une première methode pour calculer
numeriquement les prix des options dans un modèle à volatilite locale consiste à approcher la diusion en temps
continu S par une chane de Markov (un arbre)

S
t
i
, i = 0, . . . , N, t
i
= t
0
+ it, en utilisant un resultat de
convergence (theorème 9 de lannexe) des chanes de Markov vers les diusions. Dans un arbre binomial deni
par
S
t
i+1
=
_
u
S
t
i
, q
d
S
t
i
, 1 q
la probabilite risque-neutre de transition q est xee par la condition de martingale: qu + (1 q)d = 1 + rt.
Pour tenir compte du fait que la volatilite est variable, on devrait alors faire varier les paramètres u et d en
fonction de la position du noeud dans larbre [54], mais ceci conduit à des dicultes dimplementation (dicile
par exemple dobtenir un arbre recombinant). Ce problème ne se pose pas si on utilise un arbre trinomial :
S
t
i+1
=
_
_
u
S
t
i
, p
(1 +rt)
S
t
i
, 1 p q,
d
S
t
i
, q
Pour la convergence vers le processus continu (voir theorème 9) on impose:
E[
S
t
i+1
[
S
t
i
] = (1 +rt)
S
t
i
(arbre risque-neutre)
Var[
S
t
i+1
[
S
t
i
] =

S
2
t
i
2
(t
i
,

S
t
i
)t
Dans un arbre trinomial on peut donc xer u et d (le squelette de larbre) librement et choisir les probabilites de
transition p(t
i
,

S
t
i
) et q(t
i
,

S
t
i
) pour satisfaire les equations ci-dessus. Un calcul rapide laisse au lecteur montre
quil faut prendre
p(t
i
,

S
t
i
) =
(t
i
,

S
t
i
)
2
t
(u d)(u 1 rt)
q(t
i
,

S
t
i
) =
(t
i
,

S
t
i
)
2
t
(u d)(1 +rt d)
(3.7)
Pour que larbre soit recombinant (un arbre est dit recombinant si le nombre de noeuds dans chaque tranche
croit lineairement avec temps, comme sur le dessin 3.1, et non pas exponentiellement), on pose ud = (1+rt)
2
.
Larbre nadmet pas dopportunite darbitrage si toutes les probabilites de transition sont positives, et pour
cela il sut que p + q 1 dans chaque noeud de larbre. Ceci est toujours vrai si le pas de temps t est
susamment petit en comparaison avec le pas despace (` a comparer avec la condition CFL de stabilite dun
schema de dierences nies explicite). Par exemple, p +q 1 si la condition suivante est respectee (les details
du calcul sont laisses au lecteur):
1 +rt d > (t
i
,

S
t
i
)
t.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
30 PETER TANKOV
$
$
$
$
$
$
$
$
$
$
$
$
$
$
$
$
&
&
&
&
&
&
&
&
&
&
&
&
&
&
&
&
t
t
t
t
t t
t
t
t
$
$
$
$
$
$
$
$
&
&
&
&
&
&
&
&
&
&
&
&
&
&
&
&
$
$
$
$
$
$
$
$
71.4
84.7
100.6
119.4
141.8
100
119.1
100.3
84.5
0.12
0.14
0.14
0.16
0.16
0.19
0.14
0.16
Figure 3.2: Exemple dun arbre trinomial
Pour que cette inegalite soit toujours veriee, on peut poser
d = 1 +rt
t,
o` u est une constante qui satisfait > (t, S) dans tous les noeuds de larbre. Cette constante nest pas
toujours facile à trouver si (t, S) nest pas bornee. Pour contourner cette diculte, il sut de choisir assez
grand et remplacer le modèle initial par le modèle
dS
t
S
t
= r
t
dt + min( , (t, S
t
))dW
t
.
Larbre construit à partir de cette diusion sera toujours sans opportunite darbitrage, au prix de travailler dans
un modèle legèrement dierent.
Evaluation backward des prix doptions dans un arbre trinomial Pour calculer le prix dune option
call europeen sur un arbre, lalgorithme standard peut etre employe:
A la date nale, les prix sont donnes par: C(t
N
, S) = (S K)
+
.
A toute date t
i
pour i < N, les prix dans tous les noeuds de larbre sont calcules à partir des prix à la
date t
i+1
par levaluation risque-neutre:
C(t
i
, S) =
1
1 +rt
pC(t
i+1
, uS) +qC(t
i+1
, dS) + (1 p q)C(t
i+1
, (1 +rt)S).
Exemple 1 (Modèle CEV). Prenons lexemple du modèle CEV (3.2). Avec les paramètres S
0
= 100, = 0.5,
0
= 3, r = 0.03, N = 2, t = 0.1 et = 0.5, on trouve d 0.845, et u 1.191, ce qui correspond à larbre
de la gure 3.2. Les prix dune option call de strike K = 100 dans les dierents noeuds de larbre, obtenus par
levaluation backward, sont montres sur g. 3.3. En iterant la procedure pour plusieurs strikes (avec un arbre
plus grand et les donnees legèrement dierentes), on trouve un comportement de volatilite implicite trace sur
g. 3.4, qui montre que les modèles à volatilite locale reproduisent bien le phenomène de skew de volatilite.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
$
$
$
$
$
$
$
$
$
$
$
$
$
$
$
$
&
&
&
&
&
&
&
&
&
&
&
&
&
&
&
&
t
t
t
t
t t
t
t
t
$
$
$
$
$
$
$
$
&
&
&
&
&
&
&
&
&
&
&
&
&
&
&
&
$
$
$
$
$
$
$
$
0
0
0.6
19.4
41.8
4.84
19.4
3.1
0.1
Figure 3.3: Exemple devaluation (prix dune option call dans chaque noeud de larbre avec les donnees de
lexemple 1.)
0.6 0.7 0.8 0.9 1 1.1 1.2 1.3 1.4
0.24
0.26
0.28
0.3
0.32
0.34
0.36
0.38
0.4
Strike
(K)
vol implicite
Figure 3.4: Skew (prol decroissant) de volatilite dans le modèle CEV avec = 0.3, = 0.5, S
0
= 1 et T = 1
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
32 PETER TANKOV
$
$
$
$
$
$
$
$
$
$
$
$
$
$
$
$
&
&
&
&
&
&
&
&
&
&
&
&
&
&
&
&
t
t
t
t
t t
t
t
t
$
$
$
$
$
$
$
$
&
&
&
&
&
&
&
&
&
&
&
&
&
&
&
&
$
$
$
$
$
$
$
$
S
0
2
S
1
2
S
2
2
S
3
2
S
4
2
S
0
0
S
2
1
S
1
1
S
0
1
Figure 3.5: Numerotation des noeuds
3.3 Arbres implicites
Dans la section precedente, on a vu comment calculer les prix des options europeennes dans un arbre trinomial
à partir des probabilites risque-neutres de transition. En realite, les options europeennes sont souvent cotees
sur le marche, et au lieu de calculer leurs prix, on les utilise comme donnees dentree pour le pricing des options
exotiques. Dans ce cas, on a besoin de construire un arbre trinomial qui soit en accord avec les prix observes
sur le marche pour les options europeennes.
Un arbre trinomial correspond en general à un marche incomplet (` a chaque noeud, il y a trois possibilites
devolution du sous-jacent, et sur le marche il ny a que deux actifs). De plus, il existent plusieurs probabilites
risque-neutres qui reproduisent les prix dun ensemble donne doptions europeennes. Mais le modèle trinomial
recombinant a une propriete qui nous facilite la vie: si on suppose que sur le marche on observe les prix des
options call ayant comme strike et maturite les coordonnees t et S de tous les noeuds de larbre, alors il existe
une seule probabilite risque-neutre, qui reproduit ces prix et sous laquelle le modèle reste markovien. On peut
expliquer ce phenomène intuitivement comme suit: dans un arbre recombinant markovien, les probabilites de
transition ne peuvent dependre que de la position du noeud dans larbre, elles ne peuvent pas dependre de la
trajectoire que le processus du prix a emprunte pour arriver à ce noeud. On a donc un degre de liberte par
noeud car il y a deux probabilites p et q et une seule condition (risque-neutralite) pour les determiner, et la
connaissance dun prix doption par noeud permet de determiner cette probabilite de facon unique.
Dans cette section, on verra, comment construire les probabilites de transition dans cet unique arbre trinomial
markovien à partir des prix doptions cotees. Cet arbre sappelle alors larbre implicite. Les arbres binomiaux
implicites (o` u on calibre les positions des noeuds) ont ete developpes par Derman et Kani [23] et Rubinstein
[54] et les arbres trinomiaux implicites par Derman et Kani [24].
Arbre trinomial implicite Dans ce qui suit, on notera par S
m
n
le m-ième noeud de n-ième generation dun
arbre trinomial (la n-ième generation correspond à linstant t
n
= nt) pour n = 0, . . . , N, m = 0, . . . , 2n. La
numerotation des noeuds est montre sur g. 3.5.
On a comme donnees les prix aujourdhui des calls C(t
n
, S
m
n
) de maturites t
n
, n = 1, . . . , N, et pour chaque
maturite t
n
ayant comme strikes les noeuds S
0
n
, . . . , S
2n
n
, et on cherche à calculer les probabilites de transition
p
m
n
et q
m
n
associees à chaque noeud.
La condition de risque-neutralite implique:
p
m
n
S
m+2
n+1
+ (1 p
m
n
q
m
n
)S
m+1
n+1
+q
m
n
S
m
n+1
= (1 +rt)S
m
n
. (3.8)
Pour un noeud S
m
n
de larbre, introduisons lactif dArrow-Debreu, qui paie 1 dollar à linstant t
n
si le processus
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
de prix se trouve dans le noeud S
m
n
. Le prix de cet actif est
m
n
=
1
(1 +rt)
n
P[
S
n
= S
m
n
].
En utilisant les actifs dArrow-Debreu, on peut ecrire le prix dune call de maturite t
n+1
et strike S
m+1
n+1
comme
C(t
n+1
, S
m+1
n+1
) =
1
(1 +rt)
n+1
E[(
S
t
n+1
S
m+1
n+1
)
+
]
=
1
(1 +rt)
n+1
EE[(
S
t
n+1
S
m+1
n+1
)
+
[
S
n
]
=
1
1 +rt
2n
j=0
j
n
E[(
S
t
n+1
S
m+1
n+1
)
+
[
S
n
]
=
1
1 +rt
2n
j=0
j
n
p
j
n
(S
j+2
n+1
S
m+1
n+1
)
+
+ (1 p
j
n
q
j
n
)(S
j+1
n+1
S
m+1
n+1
)
+
+q
j
n
(S
j
n+1
S
m+1
n+1
)
+
=
1
1 +rt
_
_
_
m
n
p
m
n
(S
m+2
n+1
S
m+1
n+1
) +
2n
j=m+1
j
n
E[
S
n+1
S
m+1
n+1
[
S
n
= S
j
n
]
_
_
_
=
1
1 +rt
_
_
_
m
n
p
m
n
(S
m+2
n+1
S
m+1
n+1
) +
2n
j=m+1
j
n
((1 +rt)S
j
n
S
m+1
n+1
)
_
_
_
do` u
p
m
n
=
(1 +rt)C(t
n+1
, S
m+1
n+1
)
2n
j=m+1
j
n
((1 +rt)S
j
n
S
m+1
n+1
)
m
n
(S
m+2
n+1
S
m+1
n+1
)
.
La probabilite q
m
n
correspondante peut etre calculee à partir de la condition de risque-neutralite (3.8), et les
prix dArrow-Debreu sont calcules à partir des probabilites de transition et des prix dArrow-Debreu de letape
precedente:
i
n+1
=
1
1 +rt
(
i2
n
p
i2
n
+
i1
n
(1 p
i1
n
q
i1
n
) +
i
n
q
i
n
).
Au nal, nous avons obtenu un algorithme de calcul forward:
Algorithme de calcul:
Initialiser:
0
0
= 1.
Pour n = 0 . . . N 1:
Calculer p
i
n
et q
i
n
, i = 0, . . . , 2n
Calculer
i
n+1
, i = 0, . . . , 2n + 2
Exemple 2. Supposons que la volatilite implicite observee est de la forme I(K) = 0.15
100
K
pour toutes
maturites (la monnaie est à 100). Ceci nous permet de calculer les prix de toutes les options dont on a besoin.
Les paramètres de larbre sont T = 1, N = 2 et u = 1.2. Les probabilites de transition (en petits caractères) et
les prix dArrow-Debreu de larbre implicite sont montres sur g. 3.6.
Malgre lattractivite theorique de la methode, son implementation met en lumière plusieurs dicultes.
Premièrement, comme les prix doptions ne sont pas observes pour tous les noeuds de larbre, ils doivent etre
interpoles et le resultat nal est très sensible à la methode dinterpolation ainsi quau choix des noeuds de
larbre. Ensuite, meme si les donnees dentree ne contiennent pas dopportunites darbitrage, les probabilites
de transition peuvent etre negatives (ou bien p +q > 1), ce qui conduit à des opportunites darbitrage dans les
resultats du calcul. Il peut etre assez dicile de trouver une structure de larbre qui donne des probabilites de
transition positives. Pour resoudre ce deuxième problème, dans la section suivante on presentera une methode
permettant de construire un processus de diusion risque-neutre dès que lensemble de prix observes ne presente
pas dopportunite darbitrage.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
34 PETER TANKOV
$
$
$
$
$
$
$
$
$
$
$
$
$
$
$
$
&
&
&
&
&
&
&
&
&
&
&
&
&
&
&
&
t
t
t
t
t t
t
t
t
$
$
$
$
$
$
$
$
&
&
&
&
&
&
&
&
&
&
&
&
&
&
&
&
$
$
$
$
$
$
$
$
1
0.23
0.49
0.27
0.23
0.27
0.10
0.17
0.41
0.26
0.02
0.11
0.18
0.13
0.33
0.21
0.39
Figure 3.6: Arbre implicite avec les probabilites de transition (en petits caractères) et les prix Arrow-Debreu;
voir exemple 2.
3.4 Diusion implicite de Dupire
Rappelons que dans un modèle de volatilite locale le prix dune option qui paie h(S
T
) à linstant T satisfait
r
t
C(t, S) =
C
t
+r
t
S
C
S
+
1
2
(t, S)
2
S
2
2
C
S
2
, C(T, S) = h(S). (3.9)
Ceci est une equation backward, car on lui associe une condition terminale et lequation se resout sur lintervalle
[t, T] dans la direction T t. Cette equation est satisfaite par le prix de toute option europeenne, pas
necessairement call ou put. Elle permet de calculer le prix dune option en fonction de la date dobservation t
et de la valeur actuelle du sous-jacent S
t
.
Notre objectif maintenant est de trouver une fonction de volatilite locale (t, S) qui reproduit, à une date
donnee, les prix observes des calls pour tous les strikes et toutes les maturites. Equation (3.9) ne permet pas
de reconstruire la volatilite locale en ecrivant
2
(t, S) =
rC
C
t
rS
C
S
1
2
S
2
2
C
S
2
,
car à une date donnee, les valeurs de t et S sont xees, et on ne peut pas calculer les derivees partielles. La
solution à ce problème a ete donnee par Bruno Dupire [27] qui a propose une methode pour calculer (t, S) à
partir dune observation des prix doptions (pour tous strikes et maturites) à une date donnee. Il a demontre
que dans un modèle à volatilite locale, les prix de calls C(t, S
t
, T, K) verient lequation forward (avec condition
initiale):
C
T
=
1
2
2
(T, K)K
2

2
C
K
2
rK
C
K
, C(t, S
t
, t, K) = (S
t
K)
+
Cette equation sapplique uniquement aux prix des options Call, qui sont cette fois consideres comme fonctions
du strike K et de la maturite T. Comme à une date donne on peut observer les prix doptions de plusieurs
strikes et maturites, cette equation peut etre utilisee pour recalculer la fonction de volatilite (, ) à partir des
prix doptions. Ce resultat implique que dans un modèle de volatilite locale, la fonction de volatilite peut etre
retrouvee de facon unique avec:
(T, K) =
2
C
T
+rK
C
K
K
2

2
C
K
2
(3.10)
Comme on la dej` a observe dans le cas des arbres implicites, le fait quon puisse retrouver de facon unique un
processus markovien continu à partir des prix doptions europeennes nimplique pas quil ny a pas dautres
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
modèles (non markoviens ou non continus) qui evaluent les options europeennes de la meme facon. La connais-
sance des prix des options euro determine les distributions marginales du processus, mais la loi du processus ne
se limite pas à ces distributions marginales.
Theorème 1. Soit (S
t
)
t
0
t
une solution de lEDS
dS
t
S
t
= rdt +(t, S
t
)dW
t
, S
t
0
= S
0
.
Supposons que
1. S
t
est de carre integrable:
E
_
_
T
t
0
S
2
t
dt
_
< , T
2. Pour chaque t > t
0
, la variable aleatoire S
t
a une densite p(t, x), continue sur (t
0
, ) (0, ).
3. Le coecient de diusion (t, x) est continu sur (t
0
, ) (0, ).
Alors la fonction de prix dune option call
C(T, K) = e
r(Tt
0
)
E[(S
T
K)
+
].
satisfait lequation de Dupire
C
T
=
1
2
2
(T, K)K
2

2
C
K
2
rK
C
K
, (T, K) [t
0
, ) [0, ) (3.11)
avec condition initiale C(t
0
, K) = (S
0
K)
+
.
Preuve. La demonstration repose sur lapplication de la formule dIt o à la semimartingale e
rt
(S
t
K)
+
.
Puisque la fonction f(x) = x
+
nest pas C
2
, la formule dIt o classique ne sapplique pas directement. Une
solution possible [28] consiste à utiliser la formule de Meyer-Ito pour les fonctions convexes [52]. Ici, nous
adoptons une autre approche qui consiste à regulariser f en introduisant la fonction
f
(x) =
(x +/2)
2
2
1
/2x/2
+x1
x>/2
.
Il est clair que f
est 2 fois dierentiable et dierente de f seulement si [x[ < /2. De plus, on a

f
(x) =
x +/2
1
/2x/2
+ 1
x>/2
, f
(x) =
1
1
/2x/2
.
Lapplication de la formule dIt o standard à e
rt
f
(S
t
K) entre T et T + donne
e
r(T+)
f
(S
T+
K) e
rT
f
(S
T
K) = r
_
T+
T
e
rt
f
(S
t
K)dt
+
_
T+
T
e
rt
f
(S
t
K)dS
t
+
1
2
_
T+
T
e
rt
f
(S
t
K)
2
(t, S
t
)S
2
t
dt. (3.12)
En prenant lesperance de chaque terme dans (3.12) sous lhypothèse 1 ci-dessus, on trouve
e
r(T+)
E[f
(S
T+
K)] e
rT
E[f
(S
T
K)] = r
_
T+
T
e
rt
E[f
(S
t
K)]dt
+
_
T+
T
e
rt
E[f
(S
t
K)S
t
]rdt
+
1
2
_
T+
T
e
rt
1
_
/2
/2
(K +x)
2
2
(t, K +x)p(t, K +x)dt, (3.13)
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
36 PETER TANKOV
En utilisant lhypothèse 2 ci-dessus, on peut passer à la limite 0:
C(T +, K) C(T, K)
= r
_
T+
T
C(t, K)dt +r
_
T+
T
e
rt
E[S
t
1
S
t
K
]dt
+
1
2
_
T+
T
e
rt
2
(t, K)K
2
p(t, K)dt
= rK
_
T+
T
e
rt
P[S
t
K]dt +
1
2
_
T+
T
e
rt
2
(t, K)K
2
p(t, K)dt.
En divisant les deux parties par et en passant à la limite 0, ceci donne
C
T
= rKe
rT
P[S
T
K] +
1
2
e
rT
2
(T, K)K
2
p(T, K).
Finalement, en observant que
e
rT
P[S
T
K] =
C
K
et e
rT
p(T, K) =

2
C
K
2
,
on trouve lequation de Dupire.
Modèle à volatilite locale comme projection markovienne Soit (S
t
)
t
0
t
un processus dIt o general de
la forme
dS
t
S
t
= rdt +
t
dW
t
, S
t
0
= S
0
avec
t
aleatoire, et supposons que
2
(t, x) = E[
2
t
[S
t
= x] verie les hypothèses du theorème ci-dessus.
En suivant la preuve etape par etape, il est facile de se convaincre que les prix des options dans le modèle
associe à (S
t
) verient lequation de Dupire avec volatilite (t, x). Autrement dit, la fonction de volatilite
2
(t, x) = E[
2
t
[S
t
= x] denit une diusion markovienne qui a les memes prix doptions europeennes et donc
les memes lois marginales que (S
t
). Cette diusion sappelle la projection markovienne de (S
t
).
Vision EDP de la formule de Dupire La formule de Dupire peut etre vue comme une consequence de
lequation Fokker-Planck pour la densite du processus. Soit
t
(S) la densite de S
t
. Alors, sous des hypothèses
de regularite quon ne detaille pas ici,
t
t

1
2
2
S
2
_
2
S
2
t
_
+

S
(rS
t
) = 0,
0
(S) =
S
0
(S) (3.14)
Cette equation sappelle lequation de Fokker-Planck ou lequation forward de Kolmogorov pour le processus
(S
t
). Remarquons tout de meme que les hypothèses necessaires pour ce resultat sont bien plus fortes que celles
du theorème 1: par exemple, ici on a besoin que la densite soit C
2
.
Les prix des calls sobtiennent en integrant la densite risque-neutre deux fois:
Call(0, S
0
, T, K) = e
rT
_

K
dS
_

S
dS
T
(S
)
Pour retrouver lequation de Dupire, on intègre donc lequation de Fokker-Planck (3.14) deux fois terme par
terme et multiplie par e
rT
:
Premier terme:
e
rT
_

K
dS
_

S
dS
T
(S
)
T
= e
rT

T
(e
rT
C(T, K)) = rC(T, K) +
C
T
.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
Deuxième terme:
e
rT
_

K
dS
_

S
dS
1
2
2
S
2
(
2
S
2
t
(S
)) =
1
2
2
(T, K)K
2
T
(K)e
rT
=
1
2
2
(T, K)K
2

2
C
K
2
.
Troisième terme:
e
rT
_

K
dS
_

S
dS
(rS
T
(S
)) = e
rT
_

K
rS
T
(S)dS
=
_

K
rS

2
C
K
2
dS = r
_

K
C
K
dS +rK
C
K
= rK
C
K
rC(T, K).
En rassemblant les trois termes, on trouve (3.11).
Theorème 1 permet de retrouver le coecient de volatilite à partir dun ensemble complet de prix de calls
à une date donnee, si on sait que ces prix proviennent dun modèle de volatilite locale. Il ne permet pas
directement de repondre à la question suivante: etant donne un système de prix de calls (C(T, K))
T0,K0
,
est-ce quil existe un modèle de diusion continu permettant de reproduire ces prix? Pour appliquer la formule
de Dupire (3.11) on a besoin au moins de supposer

2
C
K
2
> 0 et
C
T
+rK
C
K
0. Ces contraintes correspondent
aux contraintes darbitrage de positivite dun buttery spread et dun calendar spread respectivement (voir
section 1.4). Cependant, il se peut que meme si la volatilite (t, S) existe, elle ne conduit pas à un processus
de Markov qui satisfait les trois hypothèses du theorème 1. Le resultat suivant donne une condition susante
sous laquelle un processus de diusion a une densite.
Proposition 2 (theorème 2.3.1 dans [51]). Soit (X
t
, t [0, T]) la solution dune EDS
dX
t
= (t, X
t
)dt +(t, X
t
)dW
t
.
o` u les coecients sont globalement Lipschitz et de croissance sous-lineaire, et soit
S = inft > 0 :
_
t
0
1
(s,X
s
)>0
ds > 0 T.
Alors, pour tout 0 < t T, la loi de X
t
conditionnellement à t > S est absolument continu par rapport à la
mesure de Lebesgue.
Par exemple, si (0, X
0
) > 0, le processus a une densite.
Exemple 3. Figure 3.7 montre les resultats dapplication de la formule de Dupire aux donnees articielles
(gauche) et aux prix reels doptions sur lindice S&P 500. Alors que sur les donnees simulees, la formule de
Dupire permet de retrouver un surface de volatilite locale qui parat coherent, la performance pour les donnees
reelles nest pas satisfaisante pour plusieurs raisons:
Les prix de marche ne sont pas connus pour tous les strikes et toutes les maturites. Ils doivent donc etre
interpoles et le resultat nal sera très sensible à la methode dinterpolation utilisee.
D u à la necessite de calculer la deuxième derivee de la fonction de prix doption C(T, K), les petites
erreurs de donnees conduisent à des très grands erreurs sur la solution (problème mal pose). On reviendra
sur ce point dans chapitre 6.
Lien entre volatilite locale et volatilite implicite La formule de Dupire (3.11) peut etre reecrite en terme
de volatilites implicites du marche, en observant que pour toute option on a
C(T, K) = C
BS
(T, K, I(T, K)),
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
38 PETER TANKOV
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
80
85
90
95
100
105
110
115
120
0.1
0.15
0.2
0.25
T
K 0
0.5
1
1.5
2
1150
1200
1250
1300
1350
1400
1450
1500
0
0.5
1
1.5
Figure 3.7: Exemple de diusion implicite. Gauche: donnees articielles: la volatilite implicite est de la forme
I(K) = 0.15
100
K
pour toutes maturites (S
0
= 100). Droite: donnees doptions sur S&P 500, interpolation par
splines.
o` u C
BS
(T, K, ) denote la formule Black-Scholes pour le prix dune call de volatilite et I(T, K) est la volatilite
implicite observee pour maturite T et strike K. En substituant cette expression dans (3.11), on trouve
2
(T, K) = 2
C
BS
T
+
C
BS
I
T
+rK
_
C
BS
K
+
C
BS
I
K
_
K
2
_
2
C
BS
K
2
+ 2
2
C
BS
K
I
K
+

2
C
BS
2
_
I
K
_
2
+
C
BS
2
I
K
2
_
=
I
T
+ 2
I
T
+ 2rK
I
K
K
2
_
1
K
2
IT
+ 2
d
1
KI
T
I
K
+
d
1
d
2
I
_
I
K
_
2
+

2
I
K
2
_, (3.15)
avec la notation habituelle
d
1,2
=
log
_
S
Ke
rT
_
1
2
I
2
T
I
T
.
Dans un premier temps supposons que la volatilite implicite ne depend pas de strike (absence de smile). Dans
ce cas la volatilite locale ne depend pas non plus de strike et la formule (3.15) se reduit à
2
(T) = I
2
(T) + 2I(T)T
I
T
,
do` u
I
2
(T) =
_
T
0

2
(s)ds
T
,
la volatilite implicite est donc egale à la moyenne quadratique de la volatilite locale sur la duree de vie de
loption. Ce resultat peut etre partiellement generalise au cas o` u la volatilite depend de strike [33].
Pour continuer letude de lequation (3.15), on fera un changement de variable pour passer du strike K au
log-moneyness x = log(S/K) +rT, avec I(T, K) =

I(T, x). Lequation (3.15) devient alors
2
IT

I
T
+

I
2
2
_
1
x
I
x
_
2
IT

2
I
x
2
+
1
4
I
2
T
2
_
I
x
_
2
= 0.
En supposant que I et ses derivees restent nis lorsque T 0, on a, dans cette limite,
I
2
(0, x) =
2
(0, x)
_
1
x
I
x
_
2
.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
Cette equation dierentielle se resout explicitement:
I(0, x) =
__
1
0
dy
(0, xy)
_1
. (3.16)
Nous avons donc demontre que, dans la limite de très courte maturite, la volatilite implicite est egale à la
moyenne harmonique des volatilites locales, un resultat etabli par Berestycki et Busca [6]. Lorsque la volatilite
locale (0, x) est dierentiable en x = 0, equation (3.16) permet de demontrer que (le calcul est laisse au lecteur)
I(0, 0)
x
=
1
2
(0, 0)
x
,
la pente à la monnaie de la volatilite locale est egale, pour les courtes maturites, à 2 fois la pente à la monnaie
de la volatilite implicite.
Resume des principaux points critiques du modèle de volatilite locale et de lapproche de Dupire
La surface de volatilite locale obtenue par la formule de Dupire est très sensible à la methode dinterpolation
des donnees
Le seul facteur de risque est le sous-jacent; impossible de prendre en compte le risque de volatilite
La surface de volatilite locale calibree nest pas stable au cours de temps
La dynamique de volatilite preconisee par le modèle ne correspond pas à celle observee sur le marche
Calibration ne peut pas etre eectue de facon coherente avec lestimation historique (marche complet)
Exercices pour ce chapitre
Exercice 2 (Pas vraiment un exercice mais un problème dicile). Donner un exemple de processus qui nest
pas une diusion markovienne continue, et pour lequel la formule de Dupire permet de construire une diusion
markovienne continue qui donne les memes prix des options europeennes.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
40 PETER TANKOV
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
Chapitre 4
Les modèles à volatilite stochastique
En observant les trajectoires de volatilite (g. 4.1), on comprend immediatement que ce processus nest pas
à 100% correle avec le sous-jacent et que donc cela a un sens de modeliser la volatilite comme un processus
stochastique à part entière, sans se limiter à des fonctions deterministes de sous-jacent. Cette classe de modèles
est connue sous le nom de modèles à volatilite stochastique. Ils ont comme avantage de non seulement expliquer
le phenomène de smile (ce quon peut faire dej` a dans les modèles à volatilite locale) mais aussi conduire à une
dynamique realiste pour le prix et la surface de volatilite implicite.
Une approche possible est de modeliser la volatilite
t
par une diusion continue (solution dune EDS), mais
on peut aussi envisager des processus de Markov discontinus, par exemple, un processus qui ne prend que deux
valeurs
1
(volatilite basse) et
2
(volatilite haute). Le modèle de processus de diusion, auquel on se limite
ici, a un avantage de faciliter lintroduction dune correlation instantanee 1 1 entre le sous-jacent et la
volatilite:
dS
t
S
t
=
t
dt +
t
dW
t
(4.1)
d
t
= a
t
dt +b
t
dW
t
, dW, W
t
= dt (4.2)
Les coecients a
t
et b
t
sont choisis pour que la volatilite
t
soit un processus stochastique positif. Souvent,
on impose egalement la condition de stationnarite (retour à la moyenne). Figure 4.2 montre une trajectoire
possible du sous-jacent et du processus de volatilite.
Le modèle (4.2) correspond en general à un marche incomplet: le risque de volatilite (risque de vega) ne
peut pas etre elimine par une strategie de trading en actions seulement. Cependant, on na ici que deux facteurs
de risque (W et W
), ce qui fait que le risque de vega est complètement elimine par une strategie de couverture
utilisant des actions et un autre actif risque liquide (par exemple, une option).
4.1 Equations de pricing et de couverture
Dans cette section on se place dans un cadre markovien:
dS
t
S
t
=
t
dt +
t
dW
t
(4.3)
d
t
= a
t
dt +b
t
dW
t
, dW, W
t
= dt (4.4)
dB
t
B
t
= rdt,
o` u a
t
= a(t,
t
, S
t
), b
t
= b(t,
t
, S
t
). En presence de deux sources de risque on aura besoin de deux actifs risques
pour la couverture. On supposera donc quil existe un actif liquide cote au prix
C
0
t
= C
0
(t,
t
, S
t
).
41
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
42 PETER TANKOV
jan 1990 jan 2008
5
10
15
20
25
30
35
40
45
50
jan 1990 jan 2008
200
400
600
800
1000
1200
1400
1600
Figure 4.1: Haut: lindice VIX (volatilite des options sur S&P 500). Bas: cours de lindice S&P 500
0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0
0.9
1.0
1.1
1.2
1.3
1.4
1.5
1.6
Stock price
0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
Volatility
Figure 4.2: Prix de laction (gauche) et trajectoires de volatilite dans un modèle à volatilite stochastique.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
o` u la fonction deterministe C
0
(t, , S) est connue et satisfait
C
0
(t,,S)
> 0 pour tout t, , S (dans ce cas on

dit que lactif C
0
complète le marche). De plus on aura besoin de lhypothèse 1 < < 1 et de toutes les
hypothèses techniques sur lexistence et regularite des solutions des EDS (4.3)(4.4) que lon ne donne pas ici,
mais qui sont detaillees dans [53].
Soit V
t
la valeur du portefeuille autonancant contenant
t
actions et
t
unites de C
0
. Par la condition
dautonancement et la formule dIt o,
dV
t
= (V
t
t
S
t
t
C
0
t
)rdt +
t
dS
t
+
t
dC
0
t
= (V
t
t
S
t
t
C
0
t
)rdt
+ (
t
+
t
C
0
S
)dS
t
+
t
C
0
d
t
+
t
/
t
C
0
dt (4.5)
avec /
t
=

t
+
1
2
S
2
t
2
t
2
S
2
+
1
2
b
2
t
2
+S
t
t
b
t

2
S
Essayons de trouver une strategie autonancante qui replique une fonction deterministe C (qui donnera le
prix de loption à couvrir par la suite): V
t
= C(t,
t
, S
t
). En appliquant la formule dIt o, on trouve:
dV
t
= /
t
Cdt +
C
S
dS
t
+
C
d
t
,
et pour legalite entre cette expression et (4.5), les ratios de couverture et la fonction C doivent satisfaire
t
=
C/
C
0
/
(4.6)
t
=
C
S

t
C
0
S
(4.7)
/
t
C rC +rS
t
C
S
=
C
/
t
C
0
rC
0
+rS
t
C
0
S
C
0
/
(4.8)
Le deuxième facteur à droite ne depend pas de loption quon cherche à couvrir, mais seulement de lactif
universel quon a choisi initialement pour la couverture. Soit
(t, , S) =
/
t
C
0
rC
0
+rS
C
0
S
C
0
/
Nous avons demontre par replication que le prix dune option europeenne de payo h(S
T
) satisfait:
/
t
C rC +rS
C
S
+(t, , S)
C
= 0, C(T, , S) = h(S) (4.9)

avec /
t
=

t
+
1
2
S
2
2

2
S
2
+
1
2
b
2
t
2
+Sb
t

2
S
Cest la generalisation de lequation de Black-Scholes aux modèles de volatilite stochastique. La couverture avec
des actions et des actifs risques dun autre type avec des ratios (4.6)(4.7) sappelle la couverture en delta-vega
(risque de vega = risque de volatilite). Graphique 4.3 illustre la performance de cette strategie dans le modèle
de Heston (voir ci-dessus) en comparant dynamiquement la valeur de loption avec le portefeuille de couverture
correspondant. On voit queectivement, la couverture avec deux actifs elimine complètement le risque.
Evaluation risque-neutre LEDP de pricing (4.9) est une equation en 3 dimensions qui nest pas toujours
facile à resoudre. Il serait plus satisfaisant dexprimer le prix dune option europeenne dans un modèle de
volatilite stochastique comme esperance, pour le calculer, par exemple, avec une methode de Monte Carlo. Les
prix des actifs cotes sont des esperances actualises de leurs ux terminaux sous la probabilite risque-neutre, sous
laquelle toute option satisfait
dC
t
= rC
t
dt + martingale.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
44 PETER TANKOV
0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2
1
0
1
2
3
4
Portfolio value
Option price
0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2
0
0.2
0.4
0.6
0.8
Hedge ratio
0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2
0
1
2
3
4
5
6
Portfolio value
Option price
0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2
0
0.2
0.4
0.6
0.8
1
Number of options
Number of stocks
Figure 4.3: Couverture en vega. Gauche: couverture en delta seulement dans un marche à volatilite stochastique.
Droite: couverture en delta-vega.
Or, en utilisant la formule dIt o et (4.6)(4.8), on trouve
dC
t
= rC
t
dt +
C
S
(dS
t
rS
t
dt) +
C
(d
t
t
dt),
donc, sous la probabilite risque-neutre Q on aura
dS
t
S
t
= rdt +
t
d

W
t
d
t
=
t
dt +b
t
d

W
t
,
o` u

W et

W
sont Q-mouvements browniens avec d

W,

W
t
= dt. La fonction universelle , que nous avons
rencontre pour la première fois dans lequation de pricing (4.9) joue donc le r ole de la derive de volatilite sous
la probabilite risque-neutre.
Sous Q, le prix dune option europeenne de payo h satisfait
C(t, , S) = E[e
r(Tt)
h(S
T
)[
t
= , S
t
= S]
Sous la condition
t
> 0 et b
t
> 0, le modèle (4.3)-(4.4) peut etre reecrit
dS
t
S
t
= (r +
t
t
)dt +
t
dW
t
d
t
= (
t
+
t
b
t
)dt +b
t
dW
t
,
Le coecient
t
qui permet de passer de la probabilite risque-neutre à la probabilite historique est tradition-
nellement appele la prime de risque. Par analogie, on appelle souvent
t
la prime de risque de volatilite.
Exercice 3. Sous lhypothèse que les primes de risque
t
et
t
sont bornees, montrer comment on peut
construire la probabilite risque-neutre Q à laide du theorème de Girsanov.
Remarque 1. Une dierence fondamentale entre
t
et
t
est que
t
est facile à estimer comme

t
r
t
alors
que pour estimer
t
on devrait estimer
t
à partir de donnees historiques, ce qui nest en general pas possible.
Une solution consiste à specier une forme parametrique pour
t
qui sera calibree directement sous la proba-
bilite risque-neutre, aux prix doptions cotes sur le marche. On reviendra sur ce point dans la discussion des
parametrisations de volatilite stochastique.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
4.2 Comportement asymptotique de volatilite implicite
Cas de volatilite de volatilite petite Dans cette section, supposons pour simplier que la volatilite est
independante du mouvement brownien W qui dirige le sous-jacent. On notera
V
T
=
_
T
0
2
t
dt
la variance integree. Gr ace à lindependance, en inserant lesperance conditionnelle par rapport à la trajectoire
de la volatilite, on trouve que le prix dune option europeenne verie
Call(T, K) = E[Call
BS
(T, K,
_
V
T
/T)] = E[Call
BS
(T, K, V
T
)],
o` u on a pose Call
BS
(T, K, V ) := Call
BS
(T, K,
_
V/T), V > 0. Supposons maintenant que V
T
est proche de
E[V
T
], cest-` a-dire, VarV
T
E[V
T
]
2
. Par une decomposition en serie de Taylor de la fonction Call
BS
, autour
du point E[V
T
], on trouve
Call(T, K) Call
BS
(T, K, E[V
T
]) +
1
2
VarV
T
2
V
2
Call
BS
(T, K, E[V
T
]), (4.10)
o` u
2
V
2
Call
BS
(T, K, V ) =
Sn(d
1
)
4V
3/2
_
m
2
V

V
4
1
_
, m = log
S
Ke
rT
.
Par ailleurs, lorsque ,
Call
BS
(T, K, +) Call
BS
(T, K, ) +
Call
BS
(T, K, )
.
En comparant ces deux developpements, on trouve que la volatilite implicite I(T, K) verie
I(T, K)
_
E[V
T
/T] +
1
2
VarV
T
2
V
2
Call
BS
(T, K, E[V
T
])
Call
BS
(T, K,
_
E[V
T
/T])
,
=
_
E[V
T
/T] +
1
8T
1/2
E[V
T
]
3/2
VarV
T
_
m
2
E[V
T
]

E[V
T
]
4
1
_
. (4.11)
Cas dune option proche de lecheance Pour analyser le comportement de la volatilite implicite pour les
options de courte maturite en utilisant les resultats du paragraphe precedent, il faut connaitre les proprietes
de E[V
T
] et VarV
T
lorsque T 0. Supposons que le processus de la variance instantanee v
t
=
2
t
suit lEDS
homogène
dv
t
= (v
t
)dt +(v
t
)dW
t
,
o` u le mouvement brownien W
est toujours suppose independant de W. Les fonctions et sont regulières et

verient les hypothèses necessaires pour lexistence dune solution forte. Soit
u(t, v) = E
_
_
T
t
v
s
ds[v
t
= v
_
.
Le processus
M
t
= E
_
_
T
0
v
s
ds
T
t
_
=
_
t
0
v
s
ds +u(t, v
t
)
est alors une martingale, ce qui implique (formule dIt o) que u verie lequation
u
t
+(v)
u
v
+
1
2
2
(v)
2
u
v
2
+v = 0, u(T, v) 0. (4.12)
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
46 PETER TANKOV
On cherche à obtenir un developpement de u en puissances de T t. Puisque la condition terminale et les
coecients sont regulières (et la condition terminale est nulle),
u(t, v) = (T t)u
1
(v) +
(T t)
2
2
u
2
(v) +O((T t)
3
).
En substituant cette expression dans lEDP (4.12), par identication des termes avec la meme puissance de
(T t), on trouve u
1
(v) = v et u
2
(v) = (v), do` u nalement
E[V
T
] = u(0, v
0
) = v
0
T +
(v
0
)T
2
2
+O(T
3
).
Le calcul de VarV
T
suit la meme logique. Soit
u(t, v) = E
_
_
_
_
T
t
v
s
ds
_
2
v
t
= v
_
_
.
Le processus
M
t
= E
_
_
_
_
T
0
v
s
ds
_
2
T
t
_
_
= u(t, v
t
) +
__
t
0
v
s
ds
_
2
+ 2u(t, v
t
)
_
t
0
v
s
ds
est alors une martingale. En appliquant la formule dIt o, on trouve
d

M
t
=
_
u
t
+(v)
u
v
+
1
2
2
(v)
2
u
v
2
_
dt +
u
v
(v)dW
t
+ 2
__
v
t
+
u
t
+(v)
u
v
+
1
2
2
(v)
2
u
v
2
_
dt +
u
v
(v)dW
t
_ _
t
0
v
s
ds + 2vu(t, v)dt
=
_
u
t
+(v)
u
v
+
1
2
2
(v)
2
u
v
2
+ 2vu(t, v)
_
dt +
_
u
v
(v) + 2
u
v
(v)
_
t
0
v
s
ds
_
dW
t
,
ce qui implique que u doit verier lEDP
u
t
+(v)
u
v
+
1
2
2
(v)
2
u
v
2
+ 2vu(t, v) = 0, u(T, v) 0. (4.13)
Comme avant, posons
u(t, v) = (T t) u
1
(v) +
(T t)
2
2
u
2
(v) +
(T t)
3
3
u
3
(v) +O(T
4
).
La substitution de cette forme dans (4.13) donne
u
1
(v) = 0, u
2
(v) = 2v
2
et u
3
(v) = 3v(v) +
2
(v),
do` u
E[V
2
T
] = v
2
0
T
2
+ (v
0
(v
0
) +
2
(v
0
)/3)T
3
+O(T
4
) et VarV
T
=
1
3
2
(v
0
)T
3
+O(T
4
).
Lhypothèse VarV
T
E[V
T
]
2
, qui assure la validite de lapproximation (4.10) est donc respectee lorsque T est
petit. Si de plus, loption est proche de la monnaie ([m[ 1), on peut substituer les expressions pour E[V
T
] et
VarV
T
dans (4.11), ce qui donne
I(T, K)
v
0
+

2
(v
0
)
24v
5/2
0
m
2
+
_
(v
0
)
4
v
0

2
(v
0
)
24v
3/2
0

2
(v
0
)(v
0
)
48v
7/2
0
m
2
_
T.
En particulier, pour m = 0, la volatilite implicite à la monnaie forward verie
I
ATMF
(T)
v
0
+
_
(v
0
)
4
v
0

2
(v
0
)
24v
3/2
0
_
T,
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
ce qui implique que la volatilite instantanee est la limite quand T 0 de la volatilite implicite à la monnaie
forward. Pour T = 0 et m non nul (mais petit),
I(T = 0, K)
v
0
+

2
(v
0
)
24v
5/2
0
m
2
,
la volatilite implicite en T = 0 a localement une forme parabolique en m, centree en m = 0. Ceci permet de
calculer la convexite du smile aux courtes maturites:
lim
T0
2
I
m
2
[
m=0
=

2
(v
0
)
12v
5/2
0
.
Des resultats de ce type ont des applications en calibration, puisquils relient directement des quantites observ-
ables aux paramètres du modèle.
La forme localement symetrique de la volatilite implicite est une consequence de lhypothèse de lindependance
des mouvements browniens du sous-jacent et volatilite ( = 0). Dans le cas ,= 0, des resultats similaires ont
ete obtenus par Medvedev et Scaillet [50]. Ces auteurs modelisent directement la volatilite
t
et non la variance
instantanee:
d
t
= a(
t
)dt +b(
t
)dW
t
, dW, W
t
= dt.
Ceci correspond à prendre (v) = b
2
(
v)+2a(
v)
v et (v) = 2b(
v)
v dans notre formulation. Lhypothèse

que m doit etre proche de zero est interpretee en introduisant le moneyness renormalise z =
m
T
et supposant
que z reste ni losque T 0. Avec les methodes de developpement en serie pour les EDP, similaires à celles
quon vient de voir dans un cadre plus simple, Medvedev et Scaillet montrent alors que
I(T, z) =
0
+I
1
(
0
, z)
T +I
2
(
0
, z)T +O(T
T)
avec
I
1
(, z) =
b()z
2
et
I
2
(, z) =
1
6
_
b
2
()(1
2
)
+
2
b()b
()
_
z
2
+
a()
2
+
b()
4
+

2
b
2
()
24
+
b
2
()
12

2
b()b
()
6
.
Cette formule permet de calculer le skew et la convexite à la monnaie pour courtes maturites dans le cas ,= 0:
lim
T0
I
m
[
m=0
=
b(
0
)
2
0
=
(v
0
)
4v
0
,
lim
T0
2
I
m
2
[
m=0
=
1
3
2
0
_
b
2
(
0
)(1
2
)
0
+
2
b(
0
)b
(
0
)
_
=

2
(v
0
)(1 2
2
)
12v
5/2
0
+

2
(v
0
)
(v
0
)
6v
3/2
0
.
La formule de Roger Lee pour les strikes extremes Dans cette section, qui nest pas limitee aux
modèles à volatilite stochastique, on montre que la condition dabsence darbitrage impose des contraintes sur
la croissance de la volatilite implicite pour les très grands et les très petits strikes. Ces resultats ont ete etablis
par Roger Lee [45] et generalises dans [31].
Soit k = log
Ke
rT
S
le log strike. On xe lecheance T et denote par I(k) la volatilite implicite dune option
decheance T et log-strike k, et par c
BS
(k, ) le prix Black-Scholes de cette option, si la volatilite est egale à .
Dans tout modèle sans arbitrage, on a alors,
limsup
k+
I
2
(k)T
k
2. (4.14)
Pour demontrer cette inegalite il sut de voir quil existe k
< tel que pour tout k > k
,
c
BS
(k, I(k)) < c
BS
_
k,
_
2k
T
_
.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
48 PETER TANKOV
Or,
lim
k
c
BS
(k, I(k)) = 0
par convergence dominee, alors que
lim
k
c
BS
_
k,
_
2k
T
_
= lim
k
S
_
N(0) e
k
N(
2k)
_
=
S
2
par le règle de lHopital.
Le resultat plus general de Roger Lee etablit le lien entre la valeur de limsup
k+
I
2
(k)T
k
et le nombre des
moments nis du processus de prix S
T
. Dans un premier temps on va etudier le comportement du prix dun
call. Soit E[S
p+1
T
] < pour p > 0. Il est facile de voir que pour tout S > 0,
S K
S
p+1
p + 1
_
p
p + 1
_
p
1
K
p
et donc (S K)
+
S
p+1
p + 1
_
p
p + 1
_
p
1
K
p
En prenant lesperance actualisee de chaque cote,
C(K) e
rT
E[S
p+1
]
p + 1
_
p
p + 1
_
p
1
K
p
et donc
C(K) = O(K
p
), K (4.15)
Avec (4.14) et (4.15), on a nalement
Theorème 2 (Roger Lee).
(i) Soit
p = supp : E[S
1+p
T
] < et
R
= limsup
k+
I
2
(k)T
k
.
Alors
R
[0, 2] et
p =
1
2
R
+

R
8

1
2
.
(ii) Soit
q = supq : E[S
q
T
] < et
L
= limsup
k
I
2
(k)T
[k[
.
Alors
L
[0, 2] et
q =
1
2
L
+

L
8

1
2
.
Preuve. Nous donnerons ici seulement une idee de la preuve de la première partie du theorème, qui permet
de comprendre comment apparait le lien entre le nombre de moments nis et le comportement de la volatilite
implicite. Le lecteur peut consulter [45] pour la preuve complète. Soit f
() :=
1
+

4
1. Alors,
c
BS
(k,
_
k/T) = S(N(
_
f
()k) e
k
N(
_
f
+
()k)). (4.16)
En remarquant que
lim
x
N(x)
[x[
1
n(x)
= 1,
on montre facilement que
c
BS
(k,
_
k/T) C
e
f
()k/2
k
(4.17)
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
1.0 0.8 0.6 0.4 0.2 0.0 0.2 0.4 0.6 0.8 1.0
0.10
0.15
0.20
0.25
0.30
0.35
0.40
0.45
0.50
0.55
0.60
0.65
log(K/S)
I
V
^
2
40 60 80 100 120 140 160 180 200 220 240
0.30
0.35
0.40
0.45
0.50
0.55
0.60
0.65
0.70
0.75
0.80
K
I
V
Figure 4.4: Comportement asymptotique du smile dans le modèle de Heston pour les valeurs extremes du strike.
Les paramètres sont: = 0.5, v
0
= = 0.04, = 0.5 et k = 2, temps jusquà maturite: T = 50 jours.
lorsque k , o` u C est une constante. Soit p < p. On a alors en utilisant (4.15):
c
BS
(k, I(k))
c
BS
(k,
_
k/T)
= O(e
(pf
()/2)k
k).
Ceci montre que p >
f
()
2
implique
R
, et puisque la fonction f
() est decroissante, que p f
(
R
)/2.
Le resultat de Roger Lee montre que le carre de la volatilite, en fonction du log-strike, est asymptotiquement
lineaire. Ce type de comportement est illustre sur le graphique 4.4.
4.3 Estimation de volatilite
Dans la section precedente nous avons vu quen theorie, dans un modèle à volatilite stochastique avec 2 facteurs
de risque, toute option est replique par un portefeuille contenant des actions et un actif risque additionnel. En
realite, pour calculer les ratios de couverture (4.6) et (4.7) et le prix de loption, il faut connatre la volatilite
instantanee
t
qui nest pas directement observable. On peut approcher
t
par la volatilite moyenne sur une
periode de longueur T, qui est estimable à partir de donnees historiques, mais
La variance de lestimateur de volatilite moyenne decrot avec T
Le biais de lapproximation de
t
par la volatilite moyenne croit avec T
En general, meme avec des donnees haute frequence, on ne peut connatre
t
quavec une precision de 10% au
mieux, ce qui introduit un risque supplementaire (risque de modèle) dans la procedure de couverture. Dans
cette section on se propose de regarder les methodes destimation de volatilite moyenne à partir de donnees
historiques.
Estimateurs de variance realisee Soit (S
t
) un processus de prix avec volatilite stochastique:
dS
t
S
t
=
t
dt +
t
dW
t
.
Alors
d log S
t
=
_

2
t
2
_
dt +
t
dW
t
(4.18)
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
50 PETER TANKOV
et la variation quadratique de log S
t
satisfait
log S
t
=
_
t
0
2
s
ds.
Dun autre cote, la variation quadratique dune semimartingale est denie par
X
t
= lim
N
N
i=1
(X i
N
t
Xi1
N
t
)
2
,
o` u la convergence a lieu presque s urement. Avec la notation
r(t, h) log
S
t+h
S
t
pour le log-rendement du processus de prix, on a donc
_
t
0
2
s
ds = lim
N
N
i=1
r
_
i 1
N
t,
t
N
_
2
.
Ceci suggère quon peut estimer la variance integree
_
t
0

2
s
ds par la variance realisee
V R
N
t

N
i=1
r
_
i 1
N
t,
t
N
_
2
.
Pour analyser le comportement de cet estimateur, on fera deux hypothèses simplicatrices:
La volatilite (
t
) est independante du mouvement brownien qui dirige le sous-jacent (W
t
).
La derive
t
est deterministe.
Ces hypothèses ne sont pas necessaires, pour voir comment on peut sen aranchir, cf. [2].
On ecrira E
pour lesperance conditionnelle par rapport à la trajectoire de volatilite. Sous cette esperance
conditionnelle,
R
i
r
_
i 1
N
t,
t
N
_
est une variable aleatoire Gaussienne de variance et esperance
v
i
=
_ i
N
t
i1
N
t
2
s
ds et m
i
=
_ i
N
t
i1
N
t
(
s
2
s
/2)ds
respectivement, et les variables R
i
et R
j
sont independantes pour tout i ,= j.
Dans un premier temps, on analyse le biais de lestimateur de variance realisee. Un calcul direct montre
E
[V R
N
t
] =
N
i=1
E
[R
2
i
] =
N
i=1
(v
i
+m
2
i
)
_
t
0
2
s
ds +
t
N
_
t
0
(
s
2
s
/2)
2
ds,
le biais de lestimateur est donc de lordre de O(t/N). Pour la variance conditionnelle de lestimateur on a
Var
[V R
N
t
] =
N
i=1
E
[(R
2
i
v
i
m
2
i
)
2
] =
N
i=1
(2v
2
i
+ 4v
i
m
2
i
)
2t
N
_
t
0
4
s
ds +
4t
2
N
2
_
t
0
2
s
(
s
2
s
/2)
2
ds.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
0 0.2 0.4 0.6 0.8 1
0.004
0.006
0.008
0.01
0.012
0.014
0.016
0.018
0.02
0.022
Instantaneous
Realized/100
Mean/100
1/1/92 31/12/92
6000
6500
7000
7500
1/1/92 31/12/92
0
0.1
0.2
0.3
0.4
Moyenne 1 jour
Moyenne 2 jours
Figure 4.5: Estimateur de variance realisee. Graphique de gauche: donnees simulees. Graphique de droite:
donnees reelles. Haut: taux de change DM/USD. Bas: volatilite moyenne journalière, estimee sur les donnees
de frequence 5 min.
Le terme dominant dans lerreur de lestimateur est donc d u à la variance et lecart type de lerreur est, au
premier ordre, egal à
2t
N
_
t
0
4
s
ds.
Ceci sexplique par le fait que lestimateur de variance realisee est un estimateur complètement non-parametrique,
il ne necessite aucune hypothèse sur le modèle et nintroduit donc presque pas de biais mais au prix dune vari-
ance assez elevee.
Exemple 4. Soit t = 1 jour, N = 100 (une donnee toutes les 5 minutes). Alors pour un niveau moyen de
volatilite de 10%, on a
2t
N
_
t
0
4
s
ds 5 10
6
,
ce qui correspond à une erreur relative de 15%. Dun autre cote, lecart type typique de la volatilite instantanee
sur 1 jour est de 5 10
3
(paramètres de larticle de Heston [40]). La precision relative de lestimation de la
volatilite instantanee par lestimateur de variance realisee est donc, dans ce cas de 16%.
Lestimation de volatilite par variance realisee est illustree par g. 4.5. A gauche, sur les donnees simulees,
on compare lestimateur de variance realisee sur 1 jour avec la volatilite instantanee et la volatilite moyenne
sur 1 jour, cest-` a-dire
_
1
t
_
t
0

2
s
ds. On voit quici, lecart entre la volatilite instantanee et la volatilite moyenne
est petit, mais lestimateur de variance realisee introduit beaucoup de bruit. Sur le graphique de droite, on
applique le meme estimateur avec des fenetres dun jour et de deux jours aux donnees reelles. Ici egalement,
limportante dierence entre les estimateurs pour les deux fenetres montre que lestimateur de variance realisee
introduit beaucoup de bruit dans le resultat nal.
Estimation de volatilite avec un modèle ARCH auxiliaire Cette methode destimation de volatilite
introduit un lissage supplementaire, ce qui permet de diminuer la variance de lestimateur, au prix dun biais
plus grand. On se place dans le cadre dun modèle discret à volatilite stochastique:
R
i
=
i
+
i
i
. (4.19)
Ici,
i
est une suite de variables aleatoires adaptee à une ltration discrète T
t
et telle que pour tout i,
i+1
est independant de T
i
et de loi N(0, 1). Les suites
i
et
i
sont supposees T
t
-previsibles (ceci revient à
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
52 PETER TANKOV
dire que
i
et
i
sont T
i1
-mesurables). Dans ce cas, le rendement continu r((i 1)h, h) a la meme loi pour
tout i que le rendement discret R
i
=
i
+
i
i
.
Remarque 2. Sous lhypothèse de derive deterministe et volatilite independante du sous-jacent, le modèle
continu (4.18) observe avec frequence h peut etre reecrit sous cette forme, en prenant une suite
i
de variables
independantes de loi N(0, 1), et en posant
T
t
:=
1
, . . . ,
t

s
: s (t + 1)h.
i
=
_
ih
(i1)h
(
s
2
s
/2)ds,
i
=
_
ih
(i1)h
2
s
ds.
Dans le modèle (4.19),
2
i
= E[(R
i
i
)
2
[T
i1
].
Ceci conduit à lidee dapprocher
2
i
par une moyenne mobile des carrees des observations precedentes
2
i
+
1
(R
i1
i1
)
2
+ +
n
(R
in
in
)
2
. (4.20)
Cette methode peut donc etre considere comme une generalisation de lestimateur de variance realisee. Dun
autre cote, il existe une classe de modèles econometriques de volatilite, o` u elle a exactement la forme (4.20). Il
sagit de modèles de type ARCH (autoregressive conditional heteroscedasticity) [30]. Dans un modèle ARCH(n),
on suppose que le processus de rendements discrets est decrit par (4.19), avec une volatilite donnee par
2
i
= +
1
(R
i1
i1
)
2
+ +
n
(R
in
in
)
2
. (4.21)
Les moyennes
i
peuvent etre constantes ou integrer une eventuelle saisonnalite.
Dans ce modèle tout lalea provient donc de la suite
i
, et il ny a pas de facteurs de risque caches ce qui
facilite lestimation. Pour estimer un modèle ARCH(n), on peut dans un premier temps utiliser la methode de
maximum de vraisemblance pour deduire les paramètres ,
1
,. . . ,
n
puis ltrer la volatilite avec lequation
(4.21). Par exemple, dans le modèle ARCH(1) avec
i
la densite jointe de (R
1
, . . . , R
T
) satisfait
p(R
1
, . . . , R
T
[) = p(R
T
[R
T1
, ) . . . p(R
2
[R
1
, )p(R
1
),
o` u = (, ,
1
) est le vecteur des paramètres inconnus et
p(R
i
[R
i1
, ) =
1
2
exp
_
(R
i
)
2
2
2
i
_
=
1
_
2( +
1
(R
i1
)
2
)
exp
_
(R
i
)
2
2( +
1
(R
i1
)
2
_
.
La densite p(R
1
) peut etre Gaussienne avec une valeur de volatilite xee à priori. Les paramètres (, ,
1
)
peuvent donc etre estimes avec
= arg max
log p(R
1
, . . . , R
T
[) = arg max
i=1
log
i
i=1
(R
i
)
2
2
2
i
_
.
Pour construire un estimateur able de volatilite avec un modèle ARCH auxiliaire, on est oblige de choisir
n susamment grand et donc destimer beaucoup de paramètres. Pour une description plus parcimonieuse, les
modèles GARCH (generalized ARCH) ont ete proposes [7], qui permettent à la volatilite
i
de dependre non
seulement des rendements passes mais aussi des valeurs passees de volatilite elle-meme. Le modèle GARCH(m,n)
a donc la forme
2
t
= +
n
i=1
i
(R
ti
ti
)
2
+
m
j=1
2
tj
.
Lavantage de cette approche est que pour obtenir des bons resultats on a rarement besoin daller au-delà de
GARCH(1,1).
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
0 0.2 0.4 0.6 0.8 1
0.004
0.006
0.008
0.01
0.012
0.014
0.016
0.018
0.02
Instantaneous
GARCH(1,1)
Mean
Figure 4.6: Estimation de volatilite avec un modèle GARCH(1,1) auxiliaire.
Pour estimer la volatilite dans un modèle à volatilite stochastique, une methode possible consiste donc à
substituer la volatilite stochastique par une volatilite de type ARCH ou GARCH. En le faisant, on, introduit
un biais d u au fait quon nutilise pas le bon modèle, mais en vue de lequation (4.20) on peut esperer avoir une
approximation à la vraie volatilite. Graphique 4.6 montre la performance de lestimateur fonde sur un modèle
GARCH(1,1) auxiliaire sur les memes donnees qui ont ete utilisees pour tester lestimateur de variance realisee
(g. 4.5). On voit que maintenant, lestimateur contient beaucoup moins de bruit, mais que la volatilite estimee
est parfois dierente de la vraie volatilite en raison dun lissage indesirable par le modèle GARCH.
Estimation de la volatilite instantanee avec volatilite implicite Des resultats de la section precedente
il ressort que la volatilite implicite à la monnaie forward (et la volatilite implicite à la monnaie) converge vers
la volatilite instantanee

v
0
pour les petites maturites:
I
ATM
(T) =
v
0
+O(
T) (cas general)
I
ATM
(T) =
v
0
+O(T) ( = 0).
Dans les marches liquides, on peut donc estimer la volatilite implicite simplement en interpolant la volatilite
implicite à la monnaie. Les formules de la section precedente permettent danalyser lerreur dune telle approx-
imation.
4.4 Swaps de variance
Les swaps de variance sont des actifs contingents qui permettent de prendre des positions sur la volatilite
(variance) de sous-jacent. Un swap de variance a un pay-o à lecheance egal à
H
T
=
NA
n
n
i=1
_
log
S
i
S
i1
_
2
N
2
K
,
o` u
A = 250 est le nombre moyen de jours ouvres dans lannee;
N est le nominal du contral;
n represente le nombre de jours ouvres jusqua lecheance T;

K
est la volatilite strike.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
54 PETER TANKOV
En dautres mots, un swap de variance permet dechanger un montant xe N
2
K
contre un ux aleatoire egal à
la variance realisee du sous-jacent.
Dans un modèle à trajectoires continues, un swap de variance peut etre replique par un portefeuille statique
contenant des options europeennes et un portefeuille dynamique contenant le sous-jacent [11]. Pour simplier
le traitement, on va approcher la somme dans le pay-o de produit par une integrale:
H
T
= N
_
1
T
_
T
0
2
s
ds
2
K
_
.
Supposons que le sous-jacent S est decrit par
dS
t
S
t
=
t
dt +
t
dW
t
,
o` u
t
et
t
sont deux processus stochastiques. La formule dIt o donne alors
1
2
_
T
0
2
s
ds =
_
T
0
dS
t
S
t
log
S
T
S
0
. (4.22)
Pour repliquer la variance integree, il sut alors de repliquer les deux termes dans la partie droite.
Soit V
t
la valeur du portefeuille qui replique
_
T
0
dS
t
S
t
et soit Q une probabilite risque-neutre. On a alors
V
t
= e
r(Tt)
E
_
_
T
0
dS
t
S
t
[T
t
_
= e
r(Tt)
__
t
0
dS
s
S
s
+r(T t)
_
do` u on deduit
dV
t
= r(V
t
t
S
t
)dt +
t
dS
t
avec
t
=
e
r(Tt)
S
t
.
Le premier terme de la partie droite de (4.22) peut donc etre replique par un portefeuille autonancant consistant
à investir e
r(Tt)
en actions et ayant la valeur initiale V
0
= rTe
rT
.
Le deuxième terme dans la partie droite de (4.22) (le log-contrat) peut etre replique par un portefeuille
statique de calls et puts. Soit f une fonction C
2
. Alors il est facile de demontrer que pour tous F, x positifs,
f(x) = f(F) +f
(F)(x F) +
_
F
0
f
(K)(K x)
+
dK +
_

F
f
(K)(x K)
+
dK.
Pour calculer le prix dune option europeenne decheance T et de pay-o f(S
T
), on pose F = S
0
e
rT
et calcule
lesperance de e
rT
f(S
T
) sous la probabilite risque-neutre:
Prix = e
rT
f(F) +
_
F
0
f
(K)P(T, K)dK +
_

F
f
(K)C(T, K)dK,
o` u P(T, K) est le prix dun put et C(T, K) le prix dun call decheance T et strike K. En particulier, pour le
log-contrat f(x) = log
x
S
0
, on trouve
Prix = e
rT
rT
_
F
0
P(T, K)
K
2
dK
_

F
C(T, K)
K
2
dK.
En rajoutant ceci au prix du portefeuille de replication pour le premier terme de (4.22), on trouve que le prix
du portefeuille de replication pour
1
2
_
T
0

2
s
ds est egal à
_
F
0
P(T, K)
K
2
dK +
_

F
C(T, K)
K
2
dK.
Finalement, le
K
qui annule la valeur du swap de variance satisfait
e
rT
2
K
=
2
T
_
F
0
P(T, K)
K
2
dK +
2
T
_

F
C(T, K)
K
2
dK.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
Lindice VIX VIX est lindice de volatilite doptions sur S&P 500, publie par CBOE. Entre 1993 et 2003,
cet indice etait calcule comme la moyenne des volatilites implicites de 8 options les plus liquides, mais en 2003
la methodologie a ete change, et le nouvel indice est calcule en prenant en compte toutes les options par la
formule (4.4). Le rapport publie sur le site de CBOE (faites un recherche google sur vix white paper) donne
la nouvelle formule: on calcule
V IX
2
T
=
2e
rT
T
i
K
i
K
2
i
Q
i
(K
i
)
1
T
_
F
K
0
1
_
2
,
pour les deux echeances les plus courtes T
1
et T
2
, o` u
Q
i
est le prix de loption (call ou put) qui est hors de la monnaie pour le strike K
i
;
F est le forward calcule par la parite call-put;
K
0
est le plus grand strike qui est plus petit que le forward;
K
i
est lintervalle entre les strikes.
Le troisième terme est un terme de correction:
2
T
_
F
0
P(T, K)
K
2
dK +
2
T
_

F
C(T, K)
K
2
=
2
T
_
K
0
0
P(T, K)
K
2
dK +
2
T
_

K
0
C(T, K)
K
2
dK +
2
T
_
F
K
0
P(K) C(K)
K
2
dK
2
T
_
K
0
0
P(T, K)
K
2
dK +
2
T
_

K
0
C(T, K)
K
2
dK
e
rT
T
(F K
0
)
2
K
2
0
.
Pour calculer lindice VIX, on fait une interpolation lineaire entre V IX
T
1
et V IX
T
2
pour arriver à une maturite
de 30 jours.
4.5 Parametrisation de Heston
Dans sa version risque-neutre, le modèle de Heston [40] a la forme:
dS
t
S
t
= rdt +
t
dW
t
d
2
t
= k(
2
t
)dt +
t
dW
t
, dW, W
t
= dt
o` u encore dv
t
= k( v
t
)dt +
v
t
dW
t
avec v
t
=
2
t
Le processus de la variance v
t
est connu sous le nom de processus racine carree. Il a ete introduit par Cox,
Ingersoll et Ross [19] pour modeliser le taux dinteret court. Ce processus reste positif et retourne à la moyenne
avec vitesse caracteristique k. Le paramètre joue le r ole de volatilite de volatilite. Le comportement dynamique
du processus depend des grandeurs relatives des paramètres: si
2k
2
> 1, le processus ne touche jamais zero;
dans le cas contraire il peut toucher zero et reechir. Dans cette dernière situation, on rencontre des dicultes
de simulation de ce processus: puisque la fonction f(x) =
x nest pas Lipschitz en zero, le schema dEuler

v
t+t
= v(t) +k( v
t
)t +
v
t
W
t
converge très lentement. De plus, meme si le processus continu reste toujours positif, le processus discretise
peut devenir negatif. Cette diculte est generalement evitee en remplacant

v
t
par
_
[v
t
[ ou
_
v
+
t
, mais ceci
ne resout pas le problème de convergence. Pour voir comment ameliorer la convergence avec un schema dordre
eleve, voir [33, 35]. Il existe egalement des algorithmes de simulation exacte (sans discretisation) voir [9]
mais ils ne sont pas toujours les plus rapides.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
56 PETER TANKOV
Pour mieux comprendre les proprietes du modèle, on peut reecrire le processus racine carree comme
v
t
= +e
kt
(v
0
) +
_
t
0
e
k(ts)
v
s
dW
s
.
Dans cette forme on voit immediatement que le processus oublie sa valeur initiale et retourne vers la moyenne
exponentiellement vite avec vitesse k. La moyenne du processus est
E[v
t
] = e
kt
(v
0
) +
et la variance
Var[v
t
] =

2
2k
+

2
(v
0
)
k
e
kt
+

2
( 2v
0
)
2k
e
2kt
.
Si t est petit,
Var[v
t
] = v
0
2
t,
ce qui explique le terme volatilite de volatilite.
Remarquons au passage que
1
T
E
_
_
T
0
v
t
dt
_
= + (v
0
)
1 e
kT
kT
,
ce qui permet de calculer facilement le prix dun swap de variance.
Les paramètres dans larticle original de Heston [40] sont k = 2, = 0.01, = 0.1 et v
0
= 0.01. Pour
ces valeurs, lecart type de variance sur un jour (T = 4 10
3
) est de 6 10
4
. Si on remplace la variance
instantanee par la variance integree sur 1 jour, on fait donc une erreur relative de 6%.
Exercice 4. Calculer la variance de la variance moyenne VarI
T
dans le modèle de Heston. Montrer que
VarI
T
O(T) quand T 0.
Valorisation doptions europeennes Section 5.8 decrit une methode rapide pour calculer les prix des
options europeennes dans un modèle o` u on connat explicitement la fonction caracteristique du log-prix. Le
modèle de Heston appartient à la classe de modèles dits anes [25, 26], et pour tous les modèles dans cette
classe, la fonction caracteristique est connue. Ici on explique la methode de calcul pour le modèle de Heston
seulement.
Le log-prix X
t
est deni par S
t
= S
0
e
rt+X
t
o` u le taux dinteret a ete introduit pour simplier les calculs par
la suite. Le processus (X
t
) satisfait lEDS
dX
t
=
1
2
2
t
dt +
t
dW
t
Par le lemme dIt o, la fonction caracteristique conditionnelle de X
T
,
f(t, v, x) = E[e
iuX
T
[X
t
= x, v
t
= v],
satisfait:
v
2
2
f
x
2
+v

2
f
xv
+

2
v
2
2
f
v
2

v
2
f
x
+k( v)
f
v
+
f
t
= 0,
avec condition nale f(T, v, x) = e
iux
.
Cherchons la solution sous la forme :
f(t, v, x) = (t, v)e
iux
. (4.23)
Alors lequation devient:
2
v
2
v
2
+ (iuv +k( v))
v

v
2
(u
2
+iu) +

t
= 0,
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
avec condition nale (T, v) = 1. Gr ace à la structure ane des coecients, on devine encore une fois la forme
de la solution:
(t, v) = expC(T t) +vD(T t). (4.24)
Lequation se decompose alors en 2 equations dierentielles ordinaires:
D
(t) =

2
2
D
2
+ (iu k)D
u
2
+iu
2
, D(0) = 0 (4.25)
C
(t) = kD, C(0) = 0 (4.26)

Ces EDO pour C et D ont des solutions explicites:
D(t) =
u
2
+iu
coth
t
2
+k iu
, (4.27)
C(t) =
kt(k iu )
2

2k
2
ln
_
1
2
(1 +e
t
) +
k iu
2
(1 e
t
)
_
, (4.28)
o` u =
_
2
(u
2
+iu) + (k iu)
2
. Finalement, en rassemblant equations (4.23)(4.24), on trouve la fonction
caracteristique non-conditionnelle de (X
t
):
E[e
iuX
T
] = e
C(T)+v
0
D(T)
.
Remarque 3. Lecriture (4.23)(4.24) des facteurs C et D de la fonction caracteristique de Heston est opti-
misee pour les calculs numeriques: lexpression sous le signe de logarithme nexplose pas pour u grand, et reste
dans le domaine de continuite de la fonction log (la fonction de logarithme complexe dans la plupart des bib-
liothèques numeriques a une discontinuite sur le demi-axe (, 0]). Voir [46] pour une discussion approfondie
de ce problème
Explosions des moments dans le modèle de Heston Lanalyse detaillee des equations (4.25) et (4.26)
[42] montre que E[e
uX
T
] (et donc E[S
u
T
]) est ni si et seulement si T < T
(u), o` u
T
(u) =
_
_
+, (u) 0
2
_
arctan
_
(u)
u k
+1
uk<0
_
, (u) < 0,
where (u) = (k u)
2
2
(u
2
u).
Cela a comme consequence que les prix de certaines options dont le pay-o nest pas à croissance sous-lineaire
(de telles options existent en particulier dans le domaine de taux dinteret) peuvent exploser dans le modèle de
Heston. Cette formule donne par ailleurs le moyen de calculer les asymptotiques de la volatilite implicite pour
les valeurs extremes de strike dans le modèle de Heston (voir theorème 2), mais les formules quon obtient ne
sont pas très explicites.
Volatilite implicite dans le modèle de Heston Les quatre graphiques de g. 4.7 illustrent le r ole de
dierents paramètres du modèle de Heston pour la description du smile de volatilite implicite. On voit que
les trois paramètres v
0
, et determinent respectivement le niveau, la pente et la convexite du smile à une
maturite donnee, alors que et k jouent sur la structure par terme de volatilite implicite. Graphique 4.8 montre
une surface typique de volatilite implicite dans le modèle de Heston.
En utilisant les resultats de Medvedev et Scailler (voir section 4.2), on peut calculer les asymptotiques de
skew et de la convexite de la volatilite implicite dans le modèle de Heston:
lim
T0
I(T, m)
m
[
m=0
=

2
0
; lim
T0
2
I(T, m)
m
2
[
m=0
=

2
(1
2
)
3
3
0
;
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
58 PETER TANKOV
75 80 85 90 95 100 105 110 115 120 125 130
0.08
0.09
0.1
0.11
0.12
0.13
0.14
0.15
0.16
=0
=0.5
=0.5
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0.1
0.15
0.2
0.25
0.3
0.35
v0=0.1
2
, =0.2
2
, k=2
v0=0.1
2
, =0.2
2
, k=10
v0=0.3
2
, =0.2
2
, k=10
v0=0.3
2
, =0.2
2
, k=2
80 85 90 95 100 105 110 115 120
0.08
0.1
0.12
0.14
0.16
0.18
0.2
0.22
v
0
= 0.1
2
v
0
= 0.15
2
v
0
= 0.2
2
80 85 90 95 100 105 110 115 120
0.09
0.1
0.11
0.12
0.13
0.14
0.15
0.16
0.17
=0.1
=0.3
=0.5
Figure 4.7: Inuence de dierents paramètres du modèle de Heston sur le comportement de la volatilite implicite.
En haut à gauche: inuence de la correlation. En haut à droite: inuence de k et sur la structure par terme.
En bas à gauche: inuence du niveau initial de volatilite v
0
. En bas à droite: inuence la volatilite de volatilite
.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
80
90
100
110
120
0
0.2
0.4
0.6
0.8
1
0.08
0.09
0.1
0.11
0.12
0.13
0.14
0.15
0.16
Figure 4.8: Surface de volatilite implicite dans le modèle de Heston.
Calibration du modèle de Heston Dans cette dernière section on presente un etude de cas de calibration
du modèle de Heston aux donnees reelles. Nous avons pris les prix de cloture des calls et puts sur lindice S&P
500 (source: Datastream). Le taux de dividende a ete estime avec la parite call-put à la monnaie. Seulement les
options hors de la monnaie avec prix > $0.25 utilisees et la calibration a ete eectuee par moindres carrees avec
points de depart dierents pour eviter de tomber dans un minimum local. Les resultats sont representes sur les
trois graphiques du g. 4.9. On voit que le modèle reproduit correctement la pente de la volatilite implicite aux
grandes maturites (meme pour plusieurs maturites en meme temps), mais narrive pas à expliquer la convexite
aux très courtes maturites. Ceci est du au fait que sur une echelle de temps courte la volatilite ne peut pas
changer de manière signicative, et le modèle se comporte comme le modèle Black-Scholes.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
60 PETER TANKOV
600 700 800 900 1000 1100 1200 1300 1400 1500 1600
0.05
0.10
0.15
0.20
0.25
0.30
0.35
0.40
0.45
0.50
Market
Calibrated
1100 1150 1200 1250 1300 1350 1400 1450 1500 1550
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
Market
Calibrated
600 700 800 900 1000 1100 1200 1300 1400 1500 1600
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
Market 69 days
Model 69 days
Market 188 days
Model 188 days
Figure 4.9: Calibration du modèle de Heston aux donnees de marche. En haut à gauche: Maturite 188 jours: le
modèle reproduit correctement le skew du marche aux longues maturites. En haut à droite: Maturite 8 jours:
le smile aux courtes maturites nest pas calibre correctement. En bas: Calibration simultanee à 2 maturites: la
structure par terme est modelisee correctement.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
Chapitre 5
Les modèles avec sauts
Dans ce chapitre, on considère les processus stochastiques avec sauts, cest-` a-dire, les processus dont les tra-
jectoires peuvent avoir des discontinuites. Cependant, on leur imposera une certaine structure: pour denir la
notion meme dun saut, il faut que les limites à gauche et à droite existent en tout point:
X
t
:= lim
st
X
s
, X
t
+
:= lim
st
X
s
doivent exister pour tout t. Le saut au point t est alors deni par X
t
= X
t+
X
t
. La valeur en t peut etre
egale à X
t
(processus càglàd pour continu à gauche, limite à droite) ou à X
t+
(càdlàg pour continu à droite,
limite à gauche). La plupart de processus dans ce chapitre seront des processus càdlàg.
5.1 Introduction aux processus de Levy
Les processus de Levy forment une classe de processus avec sauts qui est à la fois susamment simple pour
etudier et en meme temps assez riche pour les applications ou en tout cas pour etre utilise comme brique de
base pour construire des modèles plus realistes.
Denition 2. Un processus stochastique X est un processus de Levy sil est càdlàg, satisfait X
0
= 0 et possède
les deux proprietes suivantes:
Accroissements independants;
Accroissements stationnaires;
De ces deux proprietes decoulent notamment
Continuite en probabilite: , lim
s0
P[[X
s+t
X
t
[ > ] = 0.
Absence de sauts aux temps xes: t, P[X
t
= X
t
] = 1.
Les processus de Levy sont essentiellement des processus avec sauts, car on peut demontrer que tout processus
de Levy continu est un mouvement Brownien avec drift.
Proposition 3. Soit X un processus de Levy continu. Alors il existent R
d
et une matrice symetrique
denie positive A tels que
X
t
= t +W
t
,
avec W un mouvement Brownien de matrice de variance-covariance A.
Preuve. Ce resultat est une consequence directe du theorème de limite centrale de Feller-Levy mais il est
important pour la comprehension des processus de Levy, on donnera donc une idee de preuve (dans le cas
unidimensionnel).
Il sut de demontrer que X
1
suit la loi gaussienne, le reste est une consequence de lindependance et
stationnarite des accroissements.
61
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
62 PETER TANKOV
Etape 1 Soit
k
n
:= Xk
n
Xk1
n
. La continuite de X implique
lim
n
P[sup
k
[
k
n
[ > ] = 0,
pour tout . Posons a
n
= P[[
1
n
[ > ]. Puisque
P[sup
k
[
k
n
[ > ] = 1 (1 P[[
1
n
[ > ])
n
,
on a lim
n
(1 a
n
)
n
= 1, do` u lim
n
nlog(1 a
n
) = 0. Or nlog(1 a
n
) na
n
0. Nous avons donc
lim
n
nP[[X1
n
[ > ] = 0 (5.1)
Etape 2 En utilisant lindependance et la stationnarite des accroissements, on demontre
lim
n
nE[cos X1
n
1] =
1
2
log Ee
iX
1
+ log Ee
iX
1
:= A; (5.2)
lim
n
nE[sin X1
n
] =
1
2i
log Ee
iX
1
log Ee
iX
1
:= . (5.3)
Etape 3 Les equations (5.1) and (5.2) permettent de demontrer que pour toute fonction f telle que f(x) =
o([x[
2
) dans un voisinage de 0, lim
n
nE[f(X1
n
)] = 0 ce qui implique pour tout > 0
lim
n
nE[X1
n
1
]X1
n
]
] = , (5.4)
lim
n
nE[X
2
1
n
1
]X1
n
]
] = A, (5.5)
lim
n
nE[[X1
n
[
3
1
]X1
n
]
] = 0. (5.6)
(5.7)
Etape 4 En rassemblant les dierentes estimations, on a nalement
log E[e
iuX
1
] = nlog E[e
iuX1
n
1
X1
n
] +o(1)
= nlog1 +iuE[X1
n
1
X1
n
]
u
2
2
E[X
2
1
n
1
X1
n
] +o(1/n) +o(1)
= iu
Au
2
2
+o(1)
n
iu
Au
2
2
o` u o(1) signie une quantite qui tend vers 0 lorsque n .
Lautre exemple fondamental dun processus de Levy est le processus de Poisson.
Le processus de Poisson
Denition 3. Soit (
i
)
i1
une suite de v.a. exponentielles de paramètre et soit T
n
=
n
i=1
i
. Alors le
processus
N
t
=
n1
1
tT
n
(5.8)
est appelle le processus de Poisson de paramètre
Proposition 4 (Proprietes du processus de Poisson).
1. Pour tout t 0, la somme dans (5.8) est nie p.s.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
2. Les trajectoires de N sont constantes par morceaux avec des sauts de taille 1 seulement.
3. Les trajectoires sont c` adl` ag.
4. t > 0, N
t
= N
t
avec probabilite 1.
5. t > 0, N
t
suit une loi de Poisson de paramètre t:
P[N
t
= n] = e
t
(t)
n
n!
6. La fonction caracteristique du processus de Poisson est
E[e
iuN
t
] = expt(e
iu
1).
7. Le processus de Poisson est un processus de Levy.
Le processus de Poisson compte les evenements dont les temps dattente sont des variables exponentielles
independantes. Dans un cadre plus general, on parle dun processus de comptage.
Denition 4. Soit (T
n
) une suite de temps avec T
n
p.s. Alors le processus
N
t
=
n1
1
tT
n
est appelle un processus de comptage.
Autrement dit, un processus de comptage est un processus croissant constant par morceaux, avec sauts de
taille 1 et p.s. ni.
Un premier pas vers la caracterisation dun processus de Levy est de caracteriser les processus de Levy de
comptage.
Proposition 5. Soit (N
t
) un processus de Levy et un processus de comptage. Alors (N
t
) est un processus de
Poisson.
Preuve. La preuve repose sur la caracterisation de la distribution exponentielle par la propriete dabsence de
memoire: si pour une variable aleatoire T on a
P[T > t +s[T > t] = P[T > s]
pour tout t, s > 0 alors T est une v.a. exponentielle.
Soit T
1
le 1er temps de saut du processus N. Lindependance et la stationnarite des accroissements donnent:
P[T
1
> t +s[T
1
> t] = P[N
t+s
= 0[N
t
= 0]
= P[N
t+s
N
t
= 0[N
t
= 0] = P[N
s
= 0] = P[T
1
> s],
le premier temps de saut T
1
est donc une variable exponentielle.
Maintenant, il sut de demontrer que le processus (X
T
1
+t
X
T
1
)
t0
est independant du X
T
1
et a la meme
loi que (X
t
)
t0
. Soit f(t) := E[e
iuX
t
]. Alors lindependance et la stationnarite des accroissements entrainent
que f(t+s) = f(t)f(s) et M
t
:=
e
iuX
t
f(t)
est une martingale. Soit T
n
1
:= nT
1
. Alors par application du theorème
darret de Doob,
E[e
iu(X
T
n
1
+t
X
T
n
1
)+ivT
n
1
] = E
_
f(T
n
1
+t)
f(T
n
1
)
e
ivT
n
1
_
= E[e
iuX
t
]E[e
ivT
n
1
].
Pour terminer la preuve, il reste alors à appliquer le theorème de convergence dominee.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
64 PETER TANKOV
Processus de Poisson compose Le processus de Poisson en lui-meme nest pas utilise pour modeliser les
cours dactifs, car la condition que la taille de sauts est toujours egale à 1 est trop contraignante, mais il sert
comme brique de base pour construire des modèles plus riches.
Denition 5 (Processus de Poisson compose). Le processus de Poisson compose avec intensite des sauts et
distribution de la taille des sauts est un processus stochastique (X
t
)
t0
deni par
X
t
=
N
t
i=1
Y
i
,
o` u Y
i
i1
est une suite de v.a. independantes de loi et N est un processus de Poisson standard dintensite
independant de Y
i
i1
.
En dautres mots, un processus de Poisson compose est un processus constant par morceaux qui saute aux
instants de sauts dun processus de Poisson standard, et dont les tailles de sauts sont des variables i.i.d. dune
loi donnee.
Proposition 6 (Proprietes du processus de Poisson compose). Soit (X
t
)
t0
un processus de Poisson compose
dintensite des sauts et de loi des sauts . Alors X est un processus de Levy constant par morceaux et sa
fonction caracteristique est donnee par
E[e
iuX
t
] = exp
_
t
_
R
(e
iux
1)(dx)
_
.
Exemple 5 (Modèle de Merton). Le modèle de Merton (1976) est lune des premières applications de processus
avec sauts en modelisation nancière. Dans ce modèle, pour prendre en compte les discontinuites dans les cours
dactions, on rajoute des sauts gaussiens au logarithme du prix:
S
t
= S
0
e
rt+X
t
, X
t
= t +W
t
+
N
t
i=1
Y
i
, Y
i
N(,
2
) independants.
Lavantage de cette modelisation est davoir une representation en serie pour la densite de probabilite du log-prix
(et pour les prix doptions europeennes):
p
t
(x) = e
t
k=0
(t)
k
exp
_
(xtk)
2
2(
2
t+k
2
)
_
k!
_
2(
2
t +k
2
)
.
Mesures aleatoires de Poisson La notion de mesure aleatoire de Poisson est centrale pour toute la theorie;
elle nous permettra de donner la description complète des trajectoires dun processus de Levy.
Denition 6 (Mesure aleatoire). Soit (, P, T) un espace de probabilite et (E, c) un espace mesurable. Alors
M : c R est une mesure aleatoire si
Pour chaque , M(, ) est une mesure sur c.
Pour chaque A c, M(, A) est mesurable.
Denition 7 (Mesure aleatoire de Poisson). Soit (, P, T) un espace de probabilite, (E, c) un espace mesurable
et une mesure sur (E, c). Alors M : c R est une mesure aleatoire de Poisson dintensite si
Pour tout A c avec (A) < , M(A) suit la loi de Poisson dintensite E[M(A)] = (A).
Pour tous A
1
, . . . A
n
disjoints, M(A
1
), . . . , M(A
n
) sont independants.
En particulier, la mesure aleatoire de Poisson est une mesure aleatoire positive aux valeurs entières. Elle peut
etre construite comme la mesure de comptage dun nuage de points comme le montre la proposition suivante.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
Proposition 7. Soit une mesure -nie sur un sous-ensemble mesurable E de R
d
. Alors il existe une mesure
de Poisson sur E dintensite .
Preuve. Supposons dans un premier temps que (E) < . Soit X
i
i1
une suite de v.a. independantes telles
que P[X
i
A] =
(A)
(E)
, i et A B(E), et soit M(E) une v.a. de Poisson dintensite (E) independante de
X
i
i1
. Il est alors facile de demontrer que la mesure aleatoire M denie par
M(A) :=
M(E)
i=1
1
A
(X
i
), A B(E),
est une mesure aleatoire de Poisson sur E dintensite .
Si maintenant (E) = , il sut de prendre une suite densembles mesurables disjoints E
i
i1
telle que
(E
i
) < , i et
i
E
i
= E, construire une mesure de Poisson M
i
sur chaque E
i
avec la procedure decrite
ci-dessus et poser
M(A) :=
i=1
M
i
(A), A B(E).
Corollaire 1 (Formule exponentielle). Soit M une mesure aleatoire de Poisson sur (E, c) dintensite , B c
et f une fonction mesurable avec
_
B
[e
f(x)
1[(dx) < . Alors
E
_
e
B
f(x)M(dx)
_
= exp
__
B
(e
f(x)
1)(dx)
_
.
Denition 8 (Mesure de sauts). Soit X un processus càdlàg aux valeurs dans R
d
. La mesure de sauts de X
est une mesure aleatoire sur B([0, ) R
d
) denie par
J
X
(A) = #t : X
t
,= 0 and (t, X
t
) A.
La mesure de sauts dun ensemble de type [s, t] A compte le nombre de sauts de X entre s et t dont les
tailles tombent dans A. Pour un processus de comptage, comme la taille de saut est toujours egale à 1, la
mesure de sauts est une mesure aleatoire sur [0, ) simplement.
Proposition 8. Soit X un processus de Poisson dintensite . Alors J
X
est une mesure aleatoire de Poisson
sur [0, ) dintensite dt.
Le resultat peut-etre le plus important de la theorie de processus de Levy est que la mesure de sauts dun
processus de Levy general est egalement une mesure aleatoire de Poisson.
Exercice 5. Soit X et Y deux processus de Levy independants. A partir de la denition, demontrer que X+Y
est un processus de Levy.
Exercice 6. Demontrer que la propriete dabsence de memoire caracterise la loi exponentielle: si une variable
aleatoire T satisfait
t, s > 0, P[T > t +s[T > t] = P[T > s]
alors soit T 0 soit T suit la loi exponentielle.
Exercice 7. Demontrer la propriete 7 du processus de Poisson (si N est un processus de Poisson alors il est
un processus de Levy).
Exercice 8. Demontrer que si N et N
sont deux processus de Poisson independants de paramètres et
alors N +N
est un processus de Poisson de paramètre +
.
Exercice 9. Soit X un processus de Poisson compose, avec la loi de sauts . Etablir que
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
66 PETER TANKOV
E[[X
t
[] < si et seulement si
_
R
[x[f(dx) et dans ce cas
E[X
t
] = t
_
R
xf(dx).
E[[X
t
[
2
] < si et seulement si
_
R
x
2
f(dx) et dans ce cas
Var[X
t
] = t
_
R
x
2
f(dx).
E[e
X
t
] < si et seulement si
_
R
e
x
f(dx) et dans ce cas
E[e
X
t
] = exp
_
t
_
R
(e
x
1)f(dx)
_
.
Exercice 10. Ici il sagit de demontrer que pour construire une mesure de Poisson sur R, il faut prendre deux
processus de Poisson et faire partir un vers + et lautre vers .
Soit N et N
deux processus de Poisson dintensite , et soit M une mesure aleatoire denie par
M(A) = #t > 0 : t A, N
t
= 1 + #t > 0 : t A, N
t
= 1.
Montrer que M est une mesure aleatoire de Poisson dintensite .
5.2 Structure des trajectoires dun processus de Levy
Denition 9 (Mesure de Levy). Soit X un processus de Levy à valeurs dans R
d
. Alors la mesure denie par
(A) = E[#t [0, 1] : X
t
,= 0 et X
t
A], A B(R
d
)
est appellee la mesure de Levy de X.
Theorème 3 (Decomposition de Levy-It o). Soit X un processus de Levy à valeurs dans R
d
de mesure de Levy
. Alors
1. Sa mesure de sauts J
X
est une mesure aleatoire de Poisson sur [0, ) R
d
dintensite dt .
2. Sa mesure de Levy satisfait,
_
R
d
(|x|
2
1)(dx) < .
3. Il existent R
d
et un mouvement Brownien d-dimensionnel B de matrice de covariance A tels que
X
t
= t +B
t
+N
t
+M
t
, o` u (5.9)
N
t
=
_
]x]>1,s[0,t]
xJ
X
(ds dx) and
M
t
=
_
0<]x]1,s[0,t]
xJ
X
(ds dx) (dx)ds
_
0<]x]1,s[0,t]
x

J
X
(ds dx).
Les trois termes sont independants et la convergence dans le dernier terme est presque sure et uniforme en t
sur les compactes.
Le triplet (A, , ) est appelle le triplet caracteristique du processus X. La demonstration est fondee sur le
lemme suivant:
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
Lemme 1. Soit (X, Y ) un processus de Levy 2-dimensionnel tel que Y est constant par morceaux et X
t
Y
t
= 0
pour tout t p.s. Alors X et Y sont independants.
Preuve. En vue de lindependance et la stationnarite des accroissements, il sut de demontrer que X
1
et Y
1
sont
independants. Soit M
t
=
e
iuX
t
E[e
iuX
t ]
et N
t
=
e
iuY
t
E[e
iuY
t ]
. Alors M et N sont martingales sur [0, 1]. De lindependance
et stationnarite des accroissements on deduit que pour tout processus de Levy Z,
E[e
iuZ
t
] = E[e
iuZ
1
]
t
et E[e
iuZ
1
] ,= 0, u.
Ceci implique que M est borne. Par proposition 5, le nombre de sauts de Y sur [0, 1] est une variable de Poisson.
N est donc à variation integrable sur cette intervalle. Par la propriete de martingale et convergence dominee
on a nalement
E[M
1
N
1
] 1 = E
_
n
i=1
(M
i/n
M
(i1)/n
)(N
i/n
N
(i1)/n
)
_
E
_
_
0t1
M
t
N
t
_
_
= 0,
ce qui implique E[e
iuX
1
+ivY
1
] = E[e
iuX
1
]E[e
ivY
1
].
Preuve du theorème 3.
Partie 1 Soit A B(R
d
) avec 0 /

A. Alors N
A
t
= #s t : X
s
A est un processus de comptage et
un processus de Levy, donc, par proposition 5, un processus de Poisson, ce qui implique que J
X
([t
1
, t
2
] A)
suit la loi de Poisson dintensite (t
2
t
1
)(A) et que J
X
([t
1
, t
2
] A) est independant de J
X
([s
1
, s
2
] A) si
t
2
s
1
. Prenons maintenant deux ensembles A et B disjoints. Par lemme 1, N
A
et N
B
sont independants, ce
qui montre que J
X
([s
1
, s
2
] A) et J
X
([t
1
, t
2
] B) le sont aussi, pour tous s
1
, s
2
, t
1
, t
2
.
Partie 2 De la partie precedente, on deduit que (A) < dès que 0 /

A. Il reste à demontrer que
_
|x|
|x|
2
(dx) <
pour un > 0. Soit
X
t
=
1]X
s
]>
0st
X
s
=
_
<]x]1,s[0,t]
xJ
X
(ds dx)
et R
t
= X
t
X
t
. Comme (X
t
, R
t
) est un processus de Levy, lemme 1 implique que X
t
et R
t
sont independants.
De plus, E[e
iu,X
t
)
] > 0 pour tout t, u. Ceci implique
E[e
iuX
t
] = E[e
iuR
t
]E[e
iuX
t
].
Donc, E[e
iuX
t
] est borne inferieurement par un nombre positif independant de . Par la formule exponentielle,
ceci equivaut à
exp
_
t
_
]x]
(e
iux
1)(dx)
_
C > 0,
ce qui implique
_
]x]
(1 cos(ux))(dx)

C < . Puisque ce resultat est vrai pour tout u, la preuve de la
partie 2 est terminee.
Partie 3 Notons tout dabord que le processus M est bien deni gr ace à la compensation des petits sauts et
au fait que la mesure de Levy integre |x|
2
pres de zero: en introduisant le processus
M
t
=
_
|x|<1,s[0,t]
x

J
X
(ds dx),
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
68 PETER TANKOV
on obtient que pour
1
<
2
,
E[(M
1
t
M
2
t
)
2
] = t
_
2
|x|<
1
x
2
(dx)
et donc, puisque lespace L
2
est complet, que pour chaque t, M
t
converge en L
2
lorsque 0. En appliquant
linegalite de Doob, on montre que la convergence est uniforme en t sur les intervalles compactes. Le processus
X N M est donc un processus de Levy continu independant de N et M en vertu du lemme 1. On conclut
en appliquant proposition 3.
Corollaire 2 (Levy-Khintchine representation). Soit X un processus de Levy de triplet caracteristique (A, , ).
Sa fonction caracteristique est donnee par
E[e
iuX
t
] = exp
_
t
_
iu
Au
2
2
+
_
R
(e
iux
1 iux1
]x]1
)(dx)
__
, (5.10)
Preuve. En utilisant le theorème precedent et la formule exponentielle, on a
E[e
iu(t+B
t
+N
t
+M
t
)
] = exp
_
t
_
iu
Au
2
2
+
_
]x]
(e
iux
1 iux1
]x]1
)(dx)
__
,
et le theorème de convergence dominee permet de conclure.
Le processus variance gamma Lun des exemples les plus simples de processus de Levy avec intensite
innie de sauts est le processus gamma, un processus aux accroissements independants et stationnaires tel que
pour tout t, la loi p
t
de X
t
est la loi gamma de paramètres et ct:
p
t
(x) =

ct
(ct)
x
ct1
e
x
.
Le processus gamma est un processus de Levy croissant dont la fonction caractèristique a une forme très simple
E[e
iuX
t
] = (1 iu/)
ct
.
On demontre facilement que la mesure de Levy du processus gamma a une densite donnee par
(x) =
ce
x
x
1
x>0
. (5.11)
A partir du processus gamma, on peut construire un modèle avec sauts très populaire: le processus variance
gamma [49, 47], qui est obtenu en changeant lechelle de temps dun mouvement brownien avec drift par un
processus gamma:
Y
t
= X
t
+B
X
t
.
Lutilisation de Y
t
pour modeliser le logarithme du prix daction est habituellement justiee en disant que le
prix suit un mouvement Brownien geometrique sur une echelle de temps stochastique donnee par le processus
gamma [34]. Le processus variance gamma est un autre exemple du processus de Levy avec intensite innie de
sauts, et sa fonction caracteristique est donnee par
E[e
iuY
t
] =
_
1 +

2
u
2
2
iu
_
t
.
Le paramètres ont linterpretation intuitive suivante: est un paramètre dechelle, est le paramètre dasymetrie
(skewness) et est responsable pour le kurtosis du processus (epaisseur des queues de la densite).
Exercice 11. Soit X un processus de Levy avec triplet caracteristique (A, , ). Calculez la probabilite que X
aura au moins un saut negatif de taille superieure à > 0 sur lintervalle [0, T].
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
Exercice 12. Soit X un processus de Levy avec la mesure de Levy de la forme (dx) =
0
(dx), o` u
0
na pas
datomes et satisfait
0
(R) = . Pour tout n N, k
n
> 0 est la solution de
_
k
n
0
(dx) = n. Pour T xe, quelle
est la loi de la variable aleatoire
A
n
= #t T : X
t
[k
n+1
, k
n
].
Utiliser ce resultat pour proposer une methode destimation de à partir de lobservation dune trajectoire de
X, en supposant que
0
est connu.
Exercice 13. Soit X un processus de Levy avec sans composante de diusion et avec une mesure de Levy
qui satisfait
_
R
[x[(dx) < . A laide de la decomposition de Levy-It o, montrer que les trajectoires de X sont
p.s. à variation nie (on dit quune fonction est à variation nie si elle peut etre representee comme dierence
de deux fonctions croissantes).
Exercice 14. Demontrer que la mesure de Levy du processus gamma est donnee par lequation (5.11). Mon-
trer que le processus variance gamma peut etre represente comme une dierence de deux processus gamma
independants, et en deduire la forme de la mesure de Levy du processus variance gamma.
5.3 Modèles exponentielle-Levy
Pour assurer la positivite des prix, on modelise souvent les cours dactions comme exponentielles des processus
de Levy:
S
t
= S
0
e
rt+X
t
. (5.12)
Le modèle (5.12) nadmet pas dopportunite darbitrage sil existe une probabilite historique Q equivalente à P
telle que e
X
est une Q-martingale. Si le triplet caracteristique de X sous Q est (A
Q
,
Q
,
Q
), alors la condition
de martingale secrit
+
A
2
+
_
R
(e
x
1 x1
]x]1
)
Q
(dx) = 0.
Pour appliquer les modèles (5.12) à levaluation doptions, il faut donc etablir lexistence dune probabilite
martingale equivalente, et pour cela nous avons besoin de repondre à la question suivante:
Etant donnes 2 processus de Levy (X, P) et (X, Q), avec triplets caracteristiques (A
P
,
P
,
P
) et (A
Q
,
Q
,
Q
),
comment determiner si les probabilites P et Q sont equivalentes?
Dans le cas continu (si
P

Q
0), on sait que la condition necessaire et susante est A
P
= A
Q
> 0. Pour
les processus de Poisson composes, la solution est facile:
Proposition 9. Soit (X, P) et (X, Q) deux processus de Poisson composes de mesures de Levy
P
et
Q
. Alors
P Q sur [0, T] si et seulement si
P

Q
et dans ce cas,
dQ
dP
[
J
T
= exp
_
_
T(
P
Q
) +
sT:X
s
,=0
(X
s
)
_
_
:= exp(Z
T
), (5.13)
o` u
P
:=
P
(R),
Q
=
Q
(R) et = log
d
Q
d
P
.
Preuve. Supposons dans un premier temps que
Q

P
. Il est clair alors que Z est un processus de Levy dont
lintensite de sauts est egale à
P
. De plus,
T(
P
Q
) +T
_

Z
(dx)(e
x
1) = 0
montre que e
Z
est une martingale et donc un changement de probabilite. Soit une probabilite Q
equivalente
à P denie par
dQ
dP
[
J
T
= exp(Z
T
).
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
70 PETER TANKOV
Sois la probabilite Q, X est un processus de Levy puisque Z lest sous P. On calcule la fonction caracteristique
de X sous Q
:
E
Q
[e
iuX
t
] = E
P
[e
iuX
t
e
Z
t
] = e
t(
P
Q
)
exp
_
t
_
(e
iu(x+(x))
1)
P
(dx)
_
= exp
_
t
_
(e
iux
1)
Q
(dx)
_
.
Donc, la mesure de Levy de X sous Q
est egale à
Q
, ce qui implique que Q
concide avec Q et donc Q P.

Si, au contraire,
Q
nest pas equivalent à
P
, il existe A R tel que soit
Q
(A) > 0 et
P
(A) = 0 soit
Q
(A) = 0 et
P
(A) > 0. Supposons pour xer les idees quon est dans le premier cas. Alors levenement il y
a au moins un saut de X dans [0, T] dont la taille tombe dans A a probabilite nulle sous P et non-nulle sous
Q, ce qui veut dire que Q nest pas equivalente à P.
Le resultat precedent montre que dans le contexte de processus de Poisson on peut changer librement
lintensite de chaque taille de saut, mais on ne peut pas completement enlever les sauts dune taille donnee ni
rajouter des sauts dune taille qui etait absente sous la probabilite originale. Contrairement à ce qui se passe
dans le cas du mouvement brownien, on ne peut pas non plus changer le drift du processus, car il peut etre
observe de manière presque sure à partir dune seule trajectoire.
Lorsque lintensite de sauts est innie, exercice 12 suggère que des contraintes supplementaires sur la taille
des petits sauts sont à respecter. Le theorème suivant de [55], reproduit ici sans preuve, donne des conditions
necessaires et susantes.
Theorème 4. Soient (X, P) et (X, Q) processus de Levy avec triplets caracteristiques (A
P
,
P
,
P
) et (A
Q
,
Q
,
Q
).
Alors P Q sur [0, T] pour tout T si et seulement si
1. Les coecients de diusion verient A
Q
= A
P
:= A.
2. Les mesures de Levy verient
Q

P
avec la fonction := log
d
Q
d
P
qui satisfait
_
(e
/2
1)
2
P
(dx) < .
3. Il existe R avec
Q
=
P
+
_
]x]1
(e
1)
P
(dx) +A. (5.14)
Cette dernière condition est une contrainte seulement si A = 0.
On peut enn analyser lexistence dopportunites darbitrage dans les modèles exponentielle-Levy. La propo-
sition suivante montre que ces modèles ne sont presque jamais arbitrables.
Proposition 10. Soit (X, P) un processus de Levy de triplet caracteristique (A, , ). Il existe une probabilite
Q P telle que e
X
est une Q-martingale si et seulement si X nest pas p.s. croissant ni p.s. decroissant.
Preuve. La partie seulement si est quasi-triviale, on se concentre sur la partie si.
Si A > 0, on peut obtenir une probabilite equivalente par un simple changement de drift. On suppose donc
sans perte de generalite que A = 0. De plus on peut supposer que
_
]x]1
e
x
(dx) < pour tout car sinon
on peut commencer par un changement de probabilite equivalente avec
Q
= e
x
2
.
Pour un R, soit
Q
= e
x
et
Q
= +
_
]x]1
(e
x
1)(dx) et soit (X, Q) un processus de Levy de
triplet caracteristique (0,
Q
,
Q
). Alors par le theorème precedent, Q P. Pour demontrer quil existe une
probabilite martingale equivalente, il faut trouver un tel que
Q
+
_
(e
x
1 x1
]x]1
)
Q
(dx) = 0,
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
ce qui est equivalent à
f() := +
_
(e
(x+1)
e
x
x1
x1
)(dx) = 0.
La fonction f() est croissante de derivee
f
() =
_
xe
x
(e
x
1)(dx) 0.
Si ((, 0)) > 0 et ((0, )) > 0, la derivee f
est bornee inferieurement par

min
__
0
x(e
x
1)(dx),
_

0
x(e
x
1)(dx)
_
ce qui implique que dans ce cas f() = 0 a une solution. Supposons donc pour xer les idees que ((, 0)) = 0.
Dans ce cas
lim
+
f() = +
et
lim
f() = lim
+
_
1
0
x(e
x
1).
Lorsque
_
1
0
x(dx) = (processus à variation innie), cette limite vaut et donc f() = 0 a une solution.
Dans le cas contraire, cette limite vaut

_
1
0
x(dx),
et f() = 0 a une solution seulement si
_
1
0
x(dx) < 0, cest-` a-dire, le drift du processus doit etre negatif.
Comme on a suppose que les sauts sont positifs, ceci implique que X ne doit pas etre croissant. De la meme
manière, on montre quil ne doit pas non plus etre decroissant.
Exercice 15. Soit (X, P) un processus de Levy avec triplet caracteristique (A, , ), et soit Q une mesure de
probabilite denie par
dQ
dP
[
J
t
=
e
X
t
E[e
X
t
]
pour un R tel que E[e
X
t
] < . Calculer le triplet caracteristique de X sous Q.
Exercice 16.
Soit X un processus de Levy et soit f : R (0, ). Quelle condition doit-on imposer sur la fonction f
pour que la somme
t[0,1]:X
t
,=0
f(X
t
)
soit convergente p.s.?
Soit (X, P) un processus de Levy de mesure de Levy
1
]x]
1+
et (X, Q) un processus de Levy de mesure de
Levy
1
]x]
1+
(avec > 0 et
> 0). Montrer, en utilisant la question precedente, que P Q implique

=
. Verier votre resultat à laide du theorème 4.

5.4 Bases du calcul stochastique pour les processus avec sauts
Integrands et integrateurs Lapplication principale de lintegrale stochastique en nance est la representation
dun portefeuille autonancant: en labsence de taux dinteret, lorsque le prix de lactif risque est un processus
aux trajectoires continues S et la quantite de lactif est , la valeur du portefeuille est
V
T
=
_
T
0
t
dS
t
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
72 PETER TANKOV
On voudrait que cette relation soit aussi vraie en presence de sauts, mais quelle sont les proprietes naturelles
à imposer sur S et ? Le processus S doit etre continu à droite car les sauts dans les prix arrivent de facon
inattendue. La strategie de couverture
t
, au contraire, est fonde sur les observations du gerant du portefeuille
avant date t; elle doit donc etre continue à gauche. Une illustration est donnee par lexemple suivant: supposons
que le prix dun actif est decrit par S
t
= t N
t
, o` u N
t
est un processus de Poisson dintensite , et soit T le
temps du premier saut de N. Si on pouvait choisir la strategie càdlàg
t
= 1
[0,T)
(t), consistant a vendre lactif
juste avant le saut, on aurait une opportunite darbitrage car
V
t
=
_
t
0
t
dS
t
= t T.
Avec la strategie càglàd
t
= 1
[0,T]
(t), on a
V
t
=
_
t
0
t
dS
t
= t T N
tT
,
ce qui est desperance nulle. Il est donc naturel de considerer les integrands qui sont adaptes et continus à
gauche. La forme la plus simple (et la seule realisable en pratique) dune strategie de portefeuille est celle o` u le
portefeuille nest rebalance quun nombre ni de fois. On denit alors un processus previsible simple par
t
=
0
1
t=0
+
n
i=0
i
1
(T
i
,T
i+1
]
(t), (5.15)
o` u T
0
= 0, (T
i
)
i0
est une suite de temps darret et pour chaque i,
i
est T
T
i
-mesurable et borne. Lespace de
processus previsibles simples sera note par o.
Pour les processus previsibles simples, on denit lintegrale stochastique par
_
t
0
s
dS
s
:=
n
i=0
i
(S
T
i+1
t
S
T
i
t
) (5.16)
Pour un processus general adapte et continu à gauche, lintegrale stochastique est deni avec une extension par
continuite, en utilisant la topologie de convergence en probabilite uniformement sur le compactes (ucp): on dit
que la suite (X
n
) de processus converge vers X en probabilite uniformement sur le compactes si, pour tout t,
(X
n
X)
t
converge vers 0 en probabilite, o` u Z
t
:= sup
0st
[Z
s
[. On note par o
ucp
lespace o avec la topologie
de convergence ucp, et par L
ucp
et D
ucp
lespace de processus adaptes continus, respectivement, à gauche et
à droite, avec cette meme topologie. Il est alors possible de demontrer que lespace o
ucp
est dense dans L
ucp
,
et dassocier à la topologie ucp une metrique sur D
ucp
, pour laquelle cette espace sera complet. Pour eectuer
une extension par continuite de loperateur dintegration stochastique deni par (5.16) de o
ucp
vers L
ucp
, il faut
que cet operateur soit un operateur continu de o
ucp
vers D
ucp
. Or, cela depend de lintegrateur S, et on va se
limiter justement aux integrateurs pour lesquels ceci est vrai.
Denition 10. Un processus S D est une semimartingale si loperateur dintegration stochastique deni par
(5.16) est un operateur continu de o
ucp
vers D
ucp
.
Tout processus càdlàg adapte et de variation nie sur les compactes est une semimartingale. Ceci est une
consequence de
sup
0tT
_
t
0
s
dS
s
Var
T
0
(S) sup
0tT
t
,
o` u Var
T
0
(S) signie la variation totale de S sur [0, T]. Une martingale càdlàg de carree integrable est une
semimartingale. En eet, pour un processus previsible simple de la forme (5.15), et une martingale de carree
integrable M,
_
0

t
dM
t
est egalement une martingale et
E
_
_
T
0
t
dM
t
_
2
sup
0tT,
2
t
E[M
2
T
].
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
Soit maintenant (
n
) une suite de processus previsibles simples telle que
n
0 in ucp. Alors, en utilisant
linegalite de Chebychev et linegalite de Doob, on obtient
P
___

0
n
t
dM
t
_
>
_
P
___

0
n
t
1
]
n
t
]C
dM
t
_
>
_
+P[(
n
)
> C]
4C
2
E[M
2
T
]
2
+P[(
n
)
> C] 0,
parce que quon peut rendre le premier terme arbitrairement petit en choisissant C petit et le deuxième en
choisissant n grand.
Puisque les termes t et N
t
dans la decomposition de Levy-It o sont de variation nie, et les termes B
t
et
M
t
sont des martingales de carree integrable, on concl ut que tout processus de Levy est une semimartingale.
Un resultat très profond de la theorie des processus [52] est que toute semimartingale est la somme dun
processus de variation nie et une martingale locale. La notion de martingale locale etend la notion de martin-
gale: un processus (X
t
) est une martingale locale sil existe une suite de temps darret T
i
i1
telle que T
i

quand i et pour chaque i, (X
T
i
t
) est une martingale.
Integrales stochastiques par rapport aux mesures de Poisson Dans la section precedente nous avons
dej` a rencontre, dans la decomposition de Levy-It o, les integrales des fonctions deterministes par rapport aux
mesures de Poisson et mesures de Poisson compensees. Dans cette section nous allons generaliser cette integrale
aux fonctions stochastiques.
Soit M une mesure aleatoire de Poisson sur [0, T] R dintensite . Lintensite est supposee -nie: il
existe une suite U
n
R avec ([0, t] U
n
) < pour tout t. Typiquement, M est la mesure de sauts dun
processus de Levy. On voudrait denir lintegrale de M ou de sa version compensee par rapport à une fonction
previsible : [0, T] R R, cest-` a-dire, une fonction qui satisfait:
(i) Pour tout t, (, x) (, t, x) est T
t
B(R)-mesurable.
(ii) Pour tous (, x) t (, t, x) est continue à gauche.
On va denir lintegrale stochastique de par rapport à M dans deux situations dierentes:
Cas 1: satisfait
_
T
0
_
R
[(t, y)[M(dt dy) < p.s.
Dans ce cas, on denit lintegrale stochastique de par rapport à M =
(T
i
,y
i
)
via la somme absolument
convergente
_
t
0
_
R
(t, y)M(dt dy) :=
i:T
i
t
(T
i
, y
i
).
Cas 2: est de carree integrable, cest-` a-dire, il satisfait
E
_
T
0
_
R
2
(t, y)(dt dy) <
Dans ce cas, la construction est plus compliquee, et il faut utiliser la theorie L
2
et lextension par continuite.
On denit des fonctions previsibles simples : [0, T] R R par
(t, y) =
m
j=1
0j
1
t=0
1
A
j
(y) +
n
i=1
m
j=1
ij
1
(T
i
,T
i+1
]
(t)1
A
j
(y),
o` u T
0
= 0, (T
i
)
i1
est une suite de temps darret, pour tout j, A
j
B(R) tel que ([0, t] A
j
) < pour tout t,
et pour chaque i et j,
ij
est borne et T
T
i
-mesurable. Lintegrale stochastique dune fonction previsible simple
par rapport à M est deni par
_
t
0
_
R
(t, y)M(dt dy) :=
i:T
i
t
(T
i
, y
i
)
n,m
i,j=1
ij
M((T
i
t, T
i+1
t] A
j
)
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
74 PETER TANKOV
De facon similaire, on peut denir lintegrale par rapport à la mesure de Poisson compensee

M = M :
_
t
0
_
R
(t, y)

M(dt dy) :=
n,m
i,j=1
ij
M((T
i
t, T
i+1
t] A
j
) ((T
i
t, T
i+1
t] A
j
)
On peut demontrer que ce dernier processus est une martingale et satisfait la relation disometrie:
E[X
2
T
] = E
_
T
0
_
R
2
(t, y)(dt dy).
Cette relation disometrie permet deteindre la notion de lintegrale stochastique par rapport à une mesure de
Poisson compensee à toute fonction previsible de carree integrable. Ensuite, en utilisant la procedure de
localisation, on peut eteindre cette denition de lintegrale stochastique à toute fonction , adaptee et continu
à gauche en t, mesurable en y telle que le processus
A
t
:=
_
t
0
_
R
2
(s, y)(ds dy)
est localement integrable.
La notion de lintegrale stochastique par rapport à une mesure aleatoire de Poisson est plus generale que
celle de lintegrale par rapport à un processus de Poisson: si S est un processus de Levy constant par morceaux,
on a
_
T
0
t
dS
t
=
t
S
t
=
_
T
0
_
R
t
yJ
S
(dt dy),
i.e., lintegrale par rapport à un processus secrit comme lintegrale par rapport à une mesure dune fonction
bien particulière.
Lintegrale stochastique par rapport à une mesure de Poisson nous permettra de denir une nouvelle classe de
processus, qui generalise la classe de processus de Levy tout en gardant une structure facilement comprehensible;
plusieurs auteurs appellent cette classe processus de Levy-It o. Rappellons quun processus de Levy satisfait
(avec un petit changement de notation)
X
t
= t +W
t
+
_
t
0
_
]x]>1
xM(ds dx) +
_
t
0
_
]x]1
x

M(ds dx),
o` u M est une mesure de Poisson dintensite dt . Pour un processus de Levy-It o, on autorise des coecients
non-constants et meme aleatoires:
X
t
=
_
t
0
s
ds +
_
t
0
s
dW
s
+
_
t
0
_
]x]>1
s
(x)M(ds dx) +
_
t
0
_
]x]1
s
(x)

M(ds dx), (5.17)
o` u et sont des processus adaptes localement bornes et
t
(x) est une fonction aleatoire adaptee et continu à
gauche en t, mesurable en x, telle que le processus:
_
]x]1
2
t
(x)(dx)
est localement borne.
Lavantage de cette classe consiste en des nouvelles proprietes de stabilite: si (X
t
) est un processus de Levy-
It o, alors pour une fonction f C
2
, (f(X
t
)) est egalement un processus de Levy-It o; une propriete que les
processus de Levy ne possedent pas.
Lorsque
_
]x]>1
[
t
(x)[(dx) est aussi localement borne, le processus X peut etre decompose en une partie
martingale et une partie drift:
X
t
=
_
t
0
(
s
+
_
]x]>1
t
(x)(dx))ds +
_
t
0
s
dW
s
+
_
t
0
_
R
s
(x)

M(ds dx),
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
et dans le cas purement martingale souvent rencontre dans les applications,
X
t
=
_
t
0
s
dW
s
+
_
t
0
_
R
s
(x)

M(ds dx), (5.18)
et on a la relation disometrie
E[X
2
T
] = E
_
_
T
0
2
t
dt
_
+E
_
_
T
0
_
R
2
t
(x)(dx)dt
_
. (5.19)
Formule de changement de variable pour les processus de Levy-It o En labsence de sauts, la formule
de changement de variable (formule dIt o) pour une fonction f C
2
prend la forme
f(X
T
) = f(X
0
) +
_
T
0
f
(X
t
)dX
t
+
1
2
_
T
0
f
(X
t
)
2
t
dt.
Quand le processus na quun nombre ni de sauts sur [0, T], on peut ecrire X
t
:= X
c
t
+
st
X
s
et appliquer
la meme formule entre les sauts:
f(X
T
) = f(X
0
) +
_
T
0
f
(X
t
)dX
c
t
+
1
2
_
T
0
f
(X
t
)
2
t
dt +
tT:X
t
,=0
f(X
t
) f(X
t
).
Quand les sauts sont en nombre inni, la dernière somme peut diverger, mais on a toujours
f(X
T
) = f(X
0
) +
_
T
0
f
(X
t
)dX
t
+
1
2
_
T
0
f
(X
t
)
2
t
dt
+
tT:X
t
,=0
f(X
t
) f(X
t
) f
(X
t
)X
t
. (5.20)
Pour faire apparatre la decomposition (5.17) et montrer que la classe de processus de Levy-It o est stable par
transformations avec des fonctions C
2
, on reecrit lexpression ci-dessus:
f(X
T
) = f(X
0
) +
_
T
0
t
f
(X
t
) +
1
2
2
t
f
(X
t
)
+
_
]x]1
(f(X
t
+
t
(x)) f(X
t
)
t
(x)f
(X
t
))(dx)dt
+
_
T
0
f
(X
t
)
t
dW
t
+
_
T
0
_
]x]1
(f(X
t
+
t
(x)) f(X
t
))

M(dt dx)
+
_
T
0
_
]x]>1
(f(X
t
+
t
(x)) f(X
t
))M(dt dx)
Exercice 17. Demontrer que pour un processus previsible simple de la forme (5.15), et une martingale de
carree integrable M,
_
0

t
dM
t
est egalement une martingale et
E
_
_
T
0
t
dM
t
_
2
sup
0tT,
2
t
E[M
2
T
].
Indication: utiliser le theorème darret de Doob. Soit (X
t
) une martingale par rapport à la ltration (T
t
) et
soit S et T temps darret bornes avec S T p.s. Alors
E[X
T
[T
S
] = X
S
, p.s.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
76 PETER TANKOV
Exercice 18. La variation quadratique ou crochet droit dune semimartingale peut etre denie par
[X]
t
:= X
2
t
X
2
0
2
_
t
0
X
s
dX
s
.
Calculer la variation quadratique pour un processus de Levy-It o general, pour un processus de Levy et
pour le processus de Poisson.
Montrer que si X est un processus de Levy-It o tel que [X]
t
t et X est une martingale alors X est un
mouvement brownien standard.
Exercice 19. Soit X un processus de Levy-It o de la forme (5.17) avec coecients , et deterministes et
bornes. En appliquant la formule de changement de variable (5.20) à la fonction f(x) = e
iux
, montrer que la
fonction caracteristique de X
T
peut etre obtenue par une formule de Levy-Khintchine generalisee.
Exercice 20. Soit X un processus de Levy-It o de la forme (5.17) tel que
t
+

2
t
2
+
_
R
(e
t
(x)
1
t
(x)1
]x]1
)(dx) = 0
p.s. pour tout t. En appliquant la formule de changement de variable (5.20), montrer que e
X
t
secrit sous la
forme (5.18) avec les coecients à preciser.
En supposant que
t
et
_
R
(e
t
(x)
1)
2
(dx) sont bornes p.s. par une constante C, montrer, en utilisant la
relation disometrie (5.19) et le lemme de Gronwall, que (e
X
t
) est une martingale de carre integrable.
Indication: utiliser le lemme de Gronwall. Soit une fonction positive localement bornee sur R
+
telle que
(t) a +b
_
t
0
(s)ds
pour tout t et deux constantes a et b 0. Alors (t) ae
bt
.
5.5 Exponentielle stochastique dun processus avec sauts
Proposition 11 (Exponentielle stochastique). Soit (X)
t0
un processus de Levy-Ito de coecient de volatilite
. Il existe un unique processus c` adl` ag (Z)
t0
tel que
dZ
t
= Z
t
dX
t
Z
0
= 1. (5.21)
Z est explicitement donne par:
Z
t
= e
X
t
1
2
t
0

2
s
ds
0st
(1 + X
s
)e
X
s
. (5.22)
Preuve. Soit
V
t
=
0st;X
s
,=0
(1 + X
s
)e
X
s
.
La première etape est de montrer que ce processus existe et est de variation nie. On decompose V comme un
produit de deux termes: V
t
= V
t
V
t
, o` u
V
t
=
0st
|X
s
|1/2
(1 + X
s
)e
X
s
et V
t
=
0st
|X
s
|>1/2
(1 + X
s
)e
X
s
.
V
pour tout t est un produit dun nombre ni de facteurs, donc, il ny a pas de problèmes de convergence. V
est positif et on peut prendre son logarithme.

ln V
t
=
0st;]X
s
]1/2
(ln(1 + X
s
) X
s
).
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
Chaque terme de la somme satisfait
0 > ln(1 + X
s
) X
s
> X
2
s
.
La serie est donc decroissante et bornee inferieurement par
0st
X
2
s
, ce qui est ni pour tout processus de
Levy-It o. Donc, (ln V
t
) existe et est un processus decroissant. Ceci implique que (V
t
) existe et a des trajectoires
de variation nie.
La deuxième etape est dappliquer la formule dIt o à la fonction Z
t
f(t, X
t
, V
t
) e
X
t
1
2
t
0

2
s
ds
V
t
, ce qui
donne
dZ
t
=
2
s
2
e
X
t
1
2
t
0

2
s
ds
V
t
dt +e
X
t
1
2
t
0

2
s
ds
V
t
dX
t
+e
X
t
1
2
t
0

2
s
ds
dV
t
+

2
s
2
e
X
t
1
2
t
0

2
s
ds
V
t
dt +e
X
t
1
2
t
0

2
s
ds
V
t
e
X
t
1
2
t
0

2
s
ds
V
t
e
X
t
1
2
t
0

2
s
ds
V
t
X
t
e
X
t
1
2
t
0

2
s
ds
V
t
.
Puisque V est un processus de saut pur,
dV
t
V
t
= V
t
(e
X
t
(1 + X
t
) 1).
En substituant cela dans legalite precedente et en rassemblant les termes, on trouve (5.21).
Pour comprendre pourquoi la solution est unique, observons que si (Z
(1)
t
) et (Z
(2)
t
) verient lequation (5.21),
alors leur dierence

Z
t
= Z
(1)
t
Z
(2)
t
verie la meme equation avec condition initiale

Z
0
= 0. De la forme de
cette equation il est clair que si la solution devient nulle à un point donne, elle reste nulle.
Le processus Z est appelle exponentielle stochastique ou exponentielle de Doleans-Dade de X note par
Z = c(X).
Relation entre exponentielle ordinaire et exponentielle stochastique Il est clair que lexponentielle
ordinaire et lexponentielle stochastique dun processus sont deux processus stochastiques dierents. Par exem-
ple, contrairement à lexponentielle ordinaire e
X
t
qui est manifestement positive, lexponentielle stochastique
Z = c(X) nest pas necessairement positive. Il est facile de voir que lexponentielle stochastique de X reste
positive si tous les sauts de X sont plus grands que 1, ce qui revient à dire (pour un processus de Levy) que
la mesure de Levy satisfait ((, 1]) = 0.
Il est donc naturel de demander, lequel de deux processus convient mieux pour construire des modèles
nanciers. Le resultat suivant, d u à Goll et Kallsen [36] montre que les deux approches sont equivalents: les
deux operations correspondent à la meme classe de processus positifs.
Proposition 12 (Relation entre exponentielles ordinaires et stochastiques).
1. Soit (X
t
)
t0
un processus de Levy de triplet caracteristique (
2
, , ) et Z = c(X) son exponentielle
stochastique. Si Z > 0 p.s. alors il existe un autre processus de Levy (L
t
)
t0
de triplet caracteristique
(
2
L
,
L
,
L
) tel que Z
t
= e
L
t
o` u
L
t
= ln Z
t
= X
t

2
t
2
+
0st
_
ln(1 + X
s
) X
s
_
. (5.23)
L
= ,
L
(A) = (x : ln(1 +x) A) =
_
1
A
(ln(1 +x))(dx), (5.24)
L
=

2
2
+
_
(dx)
_
ln(1 +x)1
[1,1]
(ln(1 +x)) x1
[1,1]
(x)
_
.
2. Soit (L
t
)
t0
un processus de Levy de triplet caracteristique (
2
L
,
L
,
L
) et S
t
= exp L
t
son exponentielle.
Il existe un autre processus de Levy (X
t
)
t0
tel que S
t
est lexponentielle stochastique de X: S = c(X) o` u
X
t
= L
t
+

2
t
2
+
0st
_
e
L
s
1 L
s
_
. (5.25)
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
78 PETER TANKOV
Le triplet (
2
, , ) de X est donne par:
=
L
,
(A) =
L
(x : e
x
1 A) =
_
1
A
(e
x
1)
L
(dx), (5.26)
=
L
+

2
L
2
+
_

L
(dx)
_
(e
x
1)1
[1,1]
(e
x
1) x1
[1,1]
(x)
_
.
Preuve. 1. La condition Z > 0 p.s. est equivalente à X
s
> 1 pour tout s p.s., ce qui permet de prendre
le logarithme. Dans la preuve de proposition 11 nous avons vu que la somme
0st
_
ln(1 + X
s
) X
s
_
converge vers un processus de variation nie. Il est alors clair que L est un processus de Levy et que
L
= .
De plus, L
s
= ln(1 + X
s
) pour tout s. Ceci implique
J
L
([0, t] A) =
_
[0,t]R
1
A
(ln(1 +x))J
X
(ds dx)
et donc
L
(A) =
_
1
A
(ln(1+x))(dx). Il reste à calculer
L
. En substituant la decomposition de Levy-It o pour
(L
t
) et (X
t
) dans (5.23), on obtient
L
t t +

2
t
2
+
_
s[0,t],]x]1
x

J
L
(ds dx) +
_
s[0,t],]x]>1
xJ
L
(ds dx)
_
s[0,t],]x]1
x

J
X
(ds dx)
_
s[0,t],]x]>1
xJ
X
(ds dx)
0st
_
ln(1 + X
s
) X
s
_
= 0.
En observant que
_
s[0,t],]x]1
x(J
X
(ds dx) J
L
(ds dx))
=
0st
_
X
s
1
[1,1]
(X
s
) ln(1 + X
s
)1
[1,1]
(ln(1 + X
s
))
_
converge, on peut separer lexpression ci-dessus en une partie sauts et une partie drift, donc chacune doit
etre egale à zero. Pour la partie drift on obtient:
L
+

2
2

_
1
1
x
L
(dx) x(dx) = 0,
ce qui donne la formule pour
L
après un changement de variable.
2. Les sauts de S
t
sont donnes par S
t
= S
t
(exp(L
t
)1). Si X est un processus de Levy tel que S = c(X)
alors puisque dS
t
= S
t
dX
t
on a S
t
= S
t
X
t
et donc X
t
= exp(L
t
) 1 et est donne par (5.26). En
particulier X
t
> 1 p.s. et il est facile à verier que ln c(X) est un processus de Levy avec les memes
caracteristiques que L seulement si les caracteristiques de X sont donnees par (5.26). Inversement, si X est un
processus de Levy avec caracteristiques donnees par (5.26), (5.22) permet de verier que c(X) = exp L
t
.
En vu de ce resultat, et du fait que les formules qui font intervenir lexponentielle ordinaire sont plus lisibles,
cette dernière est plus souvent utilisee pour construire les modèles de prix. Cependant, dans certaines situations
comme le montre lexemple suivant, lexponentielle stochastique est mieux adaptee.
Strategie CPPI avec sauts La strategie CPPI est une strategie dassurance de portefeuille permettant (en
theorie) de maintenir la valeur du portefeuille au-dessus dun seuil donne tout en protant dune evolution
favorable de la bourse.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
Pour xer les idees, nous supposerons que linvestisseur souhaite garantir le capital N à lecheance T (N peut
etre plus grand ou plus petit que linvestissement initial). Pour cela il doit maintenir la valeur du portefeuille
V
t
au-dessus du plancher B
t
à chaque date, o` u B
t
est egal au prix du zero-coupon de nominal N et decheance
T. La dierence C
t
= V
t
B
t
est appellee le coussin. La strategie CPPI consiste alors à utiliser lalgorithme
suivant:
A chaque date t, si V
t
> B
t
, investir mC
t
en lactif risque, o` u m > 1 est le multiplicateur de la strategie,
et le reste en zero-coupons decheance T.
Si V
t
B
t
, investir tout en zero-coupons decheance T.
Si le prix de lactif risque S est un processus aux trajectoires continues, le portefeuille reste toujours au-dessus
du plancher, et levolution du coussin est donnee par
dC
t
C
t
= m
dS
t
S
t
+ (1 m)rdt,
o` u r est le taux dinteret. Dans le modèle de Black-Scholes,
dS
t
S
t
= dt +dW
t
,
cette equation se resout explicitement et on obtient la valeur nale du portefeuille
V
T
= N + (V
0
Ne
rT
) exp
_
rT +m( r)T +mW
T

m
2
2
T
2
_
.
Lesperance du gain est donc
E[V
T
] = N + (V
0
Ne
rT
) exp (rT +m( r)T) .
Si > r, on arrive à un paradoxe apparent: il ny a pas de risque, et lesperance du gain peut etre rendu aussi
grande que lon souhaite en choisissant un multiplicateur susamment eleve. Ce paradoxe se resout facilement
en introduisant les sauts dans les trajectoires du prix car dans ce cas, en augmentant le multiplicateur on
augmente aussi la probabilite de perte.
Soit
dS
t
S
t
= rdt +dZ
t
,
o` u Z
t
est un processus de Levy, et soit = inft : V
t
B
t
la première date o` u le portefeuille passe au-dessous
du coussin (on peut avoir = ). Alors avant la date , le coussin satisfait
dC
t
C
t
= mdZ
t
+rdt,
et le coussin actualise C
t
:=
C
t
e
rt
est donc donne par
C
t
= c(mZ)
t
, t < .
Après la date , tout le portefeuille est investi en zero coupons et le coussin actualise reste constant. On a donc
C
t
= c(mZ)
t
.
La perte a lieu si, à un instant t T, C
t
0, ce qui peut arriver si et seulement si Z a un saut dans [0, T] dont
la taille est inferieure à 1/m. On obtient donc (voir exercice 11)
P[t [0, T] : V
t
B
t
] = 1 exp
_
T
_
1/m
(dx)
_
.
Exercice 21. Montrer que si X et Y sont deux processus de Levy et Y est de saut pur alors
c(X)c(Y ) = c(X +Y +
XY )
Exercice 22 (Propriete de martingale de lexponentielle stochastique). Soit X un processus de Levy et une
martingale. Montrer que c(X) est egalement une martingale.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
80 PETER TANKOV
Indication: Decomposer X en une somme dun processus de Poisson compose et dun processus de Levy X
tel que [X
[ < 1. Utiliser proposition 12 et lexercice precedent.

5.6 Couverture dans les modèles avec sauts
Introduction Le problème de couverture se pose typiquement du point de vue du vendeur doptions (banque)
qui voudrait minimiser son risque à maturite; pour cela il essaie de repliquer le pay-o Y de loption avec
un portefeuille autonancant V
T
= V
0
+
_
T
0

t
dS
t
. Le prix de loption est alors calcule comme le co ut de
sa couverture plus une provision pour le risque residuel (sil y en a) plus la marge commerciale. Dans le
modèle Black-Scholes, qui correspond à un marche complet, une replication parfaite est obtenu avec la strategie
t
=
C
S
(t, S
t
) (couverture en delta).
Dans un marche incomplet, la replication exacte nest pas possible et le problème de couverture devient
un problème dapproximation du pay-o de loption par le portefeuille de couverture. Pour faire face à ce
problème, les praticiens calculent et neutralisent les sensibilites du portefeuille par rapport aux facteurs de
risque additionnels (e.g. risque de volatilite ou risque de grands sauts).
Delta =
C(t, X
t
)
x
: petites variations; couverture avec des actions
Gamma =

2
C(t, X
t
)
x
2
: grandes variations; couverture avec des options liquides
De manière plus systematique on peut essayer doptimiser la strategie de couverture en controlant lerreur
residuelle.
La couverture par maximisation dutilite consiste à chercher la strategie de couverture qui maximise
lutilite terminale du vendeur de loption
max
E
_
U(c +
_
T
0
t
dX
t
Y )
_
(U croissante concave).
Un inconvenient de cette approche est quelle correspond à une règle de pricing et couverture non-lineaire:
la couverture pour un portefeuille contenant une option A et une option B ne concide pas avec la couverture
de A plus la couverture de B.
La couverture quadratique donne, quant à elle, un ratio de couverture lineaire. Elle consiste à minimiser
la distance L
2
entre le pay-o et la valeur terminale du portefeuille de couverture:
min
E
_
c +
_
T
0
t
dX
t
Y
_
2
Le portefeuille de couverture optimal (sil existe) est la projection L
2
de Y sur le sous-espace (lineaire)
dactifs replicables. Par contre, elle penalise les gains et les pertes de la meme facon.
Dans la suite de cette section on va se concentrer sur la couverture quadratique. De plus, on supposera que
les prix de tous les actifs sont des martingales. Ceci simplie considerablement le calcul et donne une bonne
approximation: la prise en compte du drift du processus ne modie pas la strategie de couverture dans un
marche complet et mène a une correction de 2ème ordre dans un marche incomplet.
Le modèle On supposera que les prix de m actifs cotes X
t
R
m
sont des processus de Levy-It o martingales
X
t
= X
0
+
_
t
0
s
dW
s
+
_
t
0
_
R
s
(z)

J(ds dz),
o` u
W est un mouvement Brownien d-dimensionnel.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
J est une mesure aleatoire de Poisson dintensite dt .
et : sont des processus càdlàg adaptes qui remplissent les conditions dintegrabilite:
|
s
(z)|
2
(z)A
s
with
_
(z)(dz) <
E
_
T
0
(|
s
|
2
+A
s
)ds <
Le pay-o de loption Y est de carre integrable: E[Y
2
] < et on supposera que la martingale
Y
t
= E[Y [T
t
]
admet une representation de type Levy-It o.
Y
t
= Y
0
+
_
t
0
0
s
dW
t
+
_
t
0
_
R
0
s
(z)

J(ds dz)
Exemple 6. Le sous-jacent suit un modèle exp-Levy X
t
= X
0
e
Z
t
, ce qui implique
X
t
= X
0
+
_
t
0
X
s
dW
s
+
_
[0,t]R
X
s
(e
z
1)

J(ds dz),
et lactif à couvrir est une option europeenne
C(t, x) = E[H(X
(t,x)
T
)]
dC(t, X
t
) =
C(t, X
t
)
X
X
t
dW
t
+
_
R
(C(t, X
t
e
z
) C(t, X
t
))d

J(ds dz).
Le ratio optimal de couverture Lerreur de couverture est denie par
T
(c, ) = c +
_
T
0
t
dX
t
Y
= c E[Y ] +
_
T
0
(
t
0
t
)dW
t
+
_
[0,T]R
(
t
t
(z)
0
t
(z))

J(dt dz).
Une strategie admissible est une strategie telle que
_
0

t
dX
t
est une martingale de carree integrable. Le
ratio optimal de couverture ( c,

) est la solution de
E[
T
( c,

)
2
] = inf
(c,)
E[(
T
(c, ))
2
].
Pour resoudre ce problème doptimisation, on commence par remarquer que c doit etre egal à E[Y ] car
E[(
T
(c, ))
2
] = (c E[Y ])
2
+E
_
E[Y ] Y +
_
T
0
t
dX
t
_
2
.
Ensuite, on utilise la relation disometrie pour les processus de Levy-Ito.
E[( c, )
2
T
] =
_
T
0
dtE|
t
0
t
|
2
+
_
T
0
dt
_
(dz)E(
t
t
(z)
0
t
(z))
2
ce qui est minimise par
t
= M
1
t
_
0
t
t
+
_
R
(dz)
0
t
(z)
t
(z)
_
,
si M
t
=
t
t
+
_
R
(dz)
t
(z)
t
(z)
est non-singulière.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
82 PETER TANKOV
Couverture avec des actions dans un modèle exp-Levy
dX
t
= X
t
dW
t
+
_
R
X
t
(e
z
1)d

J(dt dz),
Y
t
= C(t, X
t
)
Le ratio optimal de couverture est donne par
opt
t
=
2 C
X
(t, X
t
) +
1
X
t
_
(dz)(e
z
1)[C(t, X
t
e
z
) C(t, X
t
)]
2
+
_
(e
z
1)
2
(dz)
Lerreur de couverture sannule si pour presque tout t, k:
(X
t
C
X
, (C(t, X
t
e
z
) C(t, X
t
))
zsupp
) = k(X
t
, (X
t
(e
z
1))
zsupp
)
Ceci se produit dans les deux cas suivants:
Mouvement brownien: = 0.
Processus de Poisson: = 0, =
x
0
(x).
Dans tous les autres cas, le marche est incomplet.
Couverture en delta vs. couverture optimale Quelle est la distance entre la couverture en delta et la
couverture optimale? Si le processus sous-jacent a une composante de diusion et les sauts sont petits, alors
t
=
C
X
+
X
t
2
2
2
C
X
2
_
(dz)(e
z
1)
3
.
o` u
2
=
2
+
_
(e
z
1)
2
(dz).
La couverture optimale apparait alors comme une petite correction (voir g. 5.1), qui est souvent negative sur
les marches doptions car les sauts sont negatifs. On reduit le ratio de couverture en anticipant les sauts negatifs
dans les prix dactions. Pour les processus de saut pur tel que le modèle variance gamma, la correction peut
etre grande car

2
C
X
2
peut ne pas etre deni (voir g. 5.2).
En terme derreur de couverture, si les sauts sont petits, la couverture en delta marche bien et sa performance
est proche de loptimale. Cette situation est illustree sur le graphique de gauche de g. 5.3. En revanche, si
la composante de sauts est forte, la strategie optimale est clairement superieure à la couverture en delta, mais
lerreur residuelle est assez importante pour les deux strategies (g. 5.3, graphique de droite). Dans ce dernier
cas, la performace peut etre amelioree en ajoutant des options liquides dans le portefeuille de couverture (g.
5.4).
Exercice 23 (Couverture dans un modèle base sur lexponentielle stochastique). Calculer le ratio optimal
de couverture (avec actions) dans un modèle o` u le sous-jacent est donne par lexponentielle stochastique dun
processus de Levy: S
t
= S
0
c(X)
t
.
Exercice 24 (Ratios de couverture dans le modèle diusion + Poisson). On suppose que le sous-jacent est
decrit par
S
t
= S
0
exp(t +W
t
N
t
),
o` u N est un processus de Poisson compose dintensite .
Calculer le ratio optimal pour la couverture dune option europeenne (dont le prix sera note par C) avec
des actions et une autre option europeenne (dont le prix sera note par C
0
).
Montrer que dans ce cas la replication est exacte.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
0.80 0.85 0.90 0.95 1.00 1.05 1.10 1.15 1.20
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
Delta
Optimal
0.80 0.85 0.90 0.95 1.00 1.05 1.10 1.15 1.20
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
Delta
Optimal
Figure 5.1: La dierence entre la couverture en delta et la couverture optimale dans le modèle de Kou (diusion
plus sauts positif et negatifs distribues selon la loi exponentielle). Gauche : paramètres estimes sur les donnees
de marche. Droite: tous les sauts sont negatifs.
0.80 0.85 0.90 0.95 1.00 1.05 1.10 1.15 1.20
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
Delta
Optimal
0.80 0.85 0.90 0.95 1.00 1.05 1.10 1.15 1.20
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
Delta
Optimal
Figure 5.2: La dierence entre la couverture en delta et la couverture optimale dans le modèle variance gamma.
Gauche : paramètres estimes sur les donnees de marche, echeance T = 1 mois. Droite la taille moyenne de saut
est de 7%, echeance T = 2 jours.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
84 PETER TANKOV
0.05 0.04 0.03 0.02 0.01 0.00 0.01 0.02 0.03 0.04 0.05
0
10
20
30
40
50
60
70
80
90
100
Deltahedging
Optimal hedging
BlackScholes
0.20 0.15 0.10 0.05 0.00 0.05 0.10
0
5
10
15
20
25
Deltahedging
Optimal hedging
Figure 5.3: Histogrammes de lerreur pour la couverture dun put Europeen hors-la-monnaie (K = 90%, T = 1
an). Gauche: modèle de Kou, paramètres estimes sur les donnees Microsoft. Droite: modèle de Kou, grands
sauts negatifs peu frequents (taille moyenne de sauts 10%. )
0.10 0.08 0.06 0.04 0.02 0.00 0.02 0.04 0.06 0.08 0.10
0
10
20
30
40
50
60
70
80
90
100
Deltahedging
Optimal 1 asset
Optimal 2 assets
Figure 5.4: Pour reduire lerreur de couverture en presence de grands sauts, des options liquides peuvent etre
utilisees pour la couverture. Le graphique montre lhistogramme de lerreur pour la couverture dun put europeen
hors la monnaie (strike K = 90%) avec des actions et un call europeen (strike K = 110%).
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
0.5 1 1.5 2
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
S
0
E
u
r
o
p
e
a
n

p
u
t

p
r
i
c
e
= 0.2, = 1
= 0.2, = 1
= 0.2, = 5
= 0.1, = 0.1
Figure 5.5: Le prix du put europeen dans le modèle de Merton pour trois choix de paramètres. Les autres
paramètres sont K = 1, T = 1, r = 0.
Montrer que lorsque 0, on retrouve les formules de couverture delta-gamma
t
=

2
C
S
2
/
2
C
0
S
2
(nombre doptions C
0
)
t
=
C
S

t
C
0
S
(nombre dactions)
5.7 Valorisation doptions dans les modèles exp-Levy
Methodes de transformee de Fourier pour les options europeennes Dans les modèles exp-Levy, les
prix doptions europeennes peuvent etre calcules avec la methode de transformee de Fourier decrite dans la
section suivante. Cette methode sapplique à tous les modèles o` u la fonction caracteristique du log-prix est
connue ou facile à calculer. Cest le cas par exemple pour les modèles exp-Levy mais aussi pour une classe plus
general de processus anes [25, 26], qui contient en particulier le modèle de Bates dont on parlera à la n de
ce chapitre. Le graphique 5.5 trace les prix dune option put en fonction du strike dans le modèle de Merton
avec paramètres dierents.
Equations integro-dierentielles pour les options exotiques Pour certaines options dont le pay-o
depend de la trajectoire empruntee par le processus de prix, telles que les options à barrière, le prix peut etre
exprime comme solution dune equation similaire à lequation de Black-Scholes
C
t
+
1
2
2
S
2
2
C
S
2
= rC rS
C
S
.
Soit X un processus de Levy tel que e
X
est une martingale sous la probabilite Q (probabilite risque-neutre)
et le prix de sous-jacent est donne par S
t
= S
0
e
rt+X
t
. Alors, le prix à linstant t dune option europeenne
P
t
= e
r(Tt)
E[(S
T
K)
+
[T
t
]
peut etre exprimee comme fonction deterministe de t et S
t
: P
t
= P(t, S
t
) et de plus e
rt
P(t, S
t
) est une
martingale.
De manière similaire, pour une option up-and-out on a
P
B
t
= e
r(Tt)
E[(S
T
K)
+
1
max
0sT
S
s
<B
[T
t
].
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
86 PETER TANKOV
Le processus e
rt
P
B
t
est donc une martingale. Soit maintenant P
B
(t, S) une fonction deterministe denie par
P
B
(t, S) = e
r(Tt)
E[g(S
T
t
)[S
t
= S],
o` u g(S) = (S K)
+
1
S<B
et
t
= infs t : X
s
B. Alors, P
B
t
= P
B
(t, S
t
) si la barrière na pas encore ete
atteinte.
Sous lhypothèse que e
X
est une martingale, la dynamique de S secrit
dS
t
= rS
t
dt +S
t
dW
t
+
_
R
S
t
(e
x
1)

J
X
(dt dx),
o` u J
X
est la mesure de sauts compensee de X et sa volatilite. Prenons alors une fonction susamment
regulière

P(t, S
t
). En appliquant la formule dIt o à cette fonction, on trouve alors
d
P(t, S
t
) =
_

P
t
+rS

P
S
+
1
2
S
2
t
2

P
S
2
+
_
R
_
P(t, S
t
e
x
)

P(t, S
t
) S
t
(e
x
1)

P
S
_
(dx)
_
+

P
S
S
t
dW
t
+
_
R
(

P(t, S
t
e
x
)

P(t, S
t
))

J
X
(dt dx).
Nous pouvons alors enoncer la proposition suivante (les resultats de ce genre sont souvent appelles theorèmes
de verication).
Proposition 13. Soit P(t, S) une fonction 1 fois derivable en t et 2 fois derivable en S avec la derivee
P
S
bornee, qui satisfait lequation
P
t
+
1
2
S
2
2
P
S
2
+
_
R
_
P(t, Se
x
) P(t, S) S(e
x
1)
P
S
_
(dx) = rP rS
P
S
avec la condition terminale P(T, S) = (S K)
+
. Alors le prix à linstant t dune option call europeenne
decheance T et de strike K est donne par P(t, S
t
).
Le prix dune option europeenne dans un modèle avec sauts resout alors une equation similaire à lEDP
Black-Scholes, mais qui contient un terme de correction dependant de la mesure de sauts. Les equations de
ce type sappellent equations integro-dierentielles. Il reste alors à demontrer que lequation ci-dessus admet
des solutions regulières, et pour les options europeennes cest un exercice relativement facile [16]. On pourrait
formellement demontrer que le prix dune option up-and-out avec la barrière B resout la meme equation avec
la condition supplementaire P
B
(t, S) = 0 pour S B, mais dans ce cas le problème de regularite est vraiment
dicile, et on est oblige de recourir aux solutions faibles au sens de viscosite [16].
Exercice 25 (Options forward start). Les options forward start sont les options dont le strike est determine à
une date future selon une règle specique, par exemple,
H
T
= (S
T
mS
T
0
)
+
, (1)
o` u T
0
< T est une date future et m est un nombre xe dans le contrat (moneyness de loption). On se place
dans un modèle exponentielle Levy sous la probabilite risque-neutre:
S
t
= S
0
e
rt+X
t
,
o` u (X
t
) est un processus de Levy, et on suppose que les prix des options Europeennes de tous les strikes et
toutes les maturites sont observables sur le marche.
1. Calculer (exprimer à partir des prix des europeens) le prix à linstant t = 0 dune option forward start
avec pay-o donne par (1).
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
2. Une option cliquet (sequence doptions forward start) a un pay-o de
12
i=1
max(0, r
i
), r
i
= S i
12
Si1
12
.
Calculer le prix à linstant t = 0 de cette option. Est-ce que le resultat vous parat realiste? Conclure sur
la pertinence des modèles exponentielle-Levy pour le pricing des options cliquets.
5.8 Methode de transformee de Fourier pour la valorisation doptions
europeennes
Let X
t
t0
be a stochastic process on (, T, P) such that e
X
t
is a martingale. In order to compute the price
of a call option
C(K) = e
rT
E[(S
0
e
rT+X
T
K)
+
] = S
0
E
_
_
e
X
T
Ke
rT
S
0
_
+
_
:= S
0
E
_
_
e
X
T
e
k
_
+
_
,
we would like to express its Fourier transform in adjusted log strike k := log
Ke
rT
S
0
in terms of the characteristic
function
T
(v) of X
T
and then nd the prices for a range of strikes by Fourier inversion. However we cannot
do this directly because C as function of k is not integrable (it tends to a positive constant as k ). The
key idea is to instead compute the Fourier transform of the time value of the option (which we also renormalize
to get rid of S
0
), that is, the function
z
T
(k) = E[(e
X
T
e
k
)
+
] (1 e
k
)
+
. (5.27)
Proposition 14. Let X
t
t0
be a stochastic process on (, T, P) such that e
X
t
is a martingale and
E[e
(1+)X
t
] < t (5.28)
for some > 0. Then the Fourier transform of the time value of a call option is given by:
T
(v) :=
_
+
e
ivk
z
T
(k)dk =

T
(v i) 1
iv(1 +iv)
(5.29)
The option prices can be found by inverting the Fourier transform:
C(K) = (S
0
Ke
rT
)
+
+
S
0
2
_
+
e
iv log(Ke
rT
/S
0
)
T
(v i) 1
iv(1 +iv)
.
Remarque 4. Since typically
T
(z) 0 as z ,
T
(v) will behave like [v[
2
at innity which means that
the truncation error in the numerical evaluation of the inverse Fourier transform will be large. The reason of
such a slow convergence is that the time value (5.27) is not smooth; therefore its Fourier transform does not
decay suciently fast at innity. For most models the convergence can be improved by replacing the time value
with a smooth function of strike. Namely, instead of subtracting the intrinsic value of the option (which is
non-dierentiable) from its price, we suggest to subtract the Black-Scholes call price with a non-zero volatility
(which is a smooth function). The resulting function will be both integrable and smooth. Suppose that the
hypothesis of the above proposition is satised and denote
z
T
(k) = E[(e
X
T
e
k
)
+
]
1
S
0
c
BS
(k),
where c
BS
(k) is the Black-Scholes price of a call option with volatility and log-strike k for the same underlying
value and the same interest rate. The above proposition implies that the Fourier transform of z
T
(k), denoted
by

T
(v), satises
T
(v) =

T
(v i)
T
(v i)
iv(1 +iv)
, (5.30)
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
88 PETER TANKOV
where
T
(v) = exp(
2
T
2
(v
2
+iv)). Since for most models found in the literature (except variance gamma) the
characteristic function decays faster than every power of its argument at innity, this means that the expression
(5.30) will also decay faster than every power of v as v , and the integral in the inverse Fourier transform
will converge very fast for every > 0. The option prices can be found via
C(K) = Call
BS
(K) +
S
0
2
_
+
e
iv log(Ke
rT
/S
0
)
T
(v i)
T
(v i)
iv(1 +iv)
.
Proof of Proposition 14. First, we note that since the discounted price process is a martingale, we can write
z
T
(k) =
_

T
(dx)(e
x
e
k
)(1
kx
1
k0
),
where
T
is the probability distribution of X
T
. Condition (5.28) enables us to compute
T
(v) by interchanging
integrals:
T
(v) =
_

dk
_

T
(dx)e
ivk
(e
x
e
k
)(1
kx
1
k0
)
=
_

T
(dx)
_
0
x
e
ivk
(e
k
e
x
)dk
=
_

T
(dx)
_
(1 e
x
)
iv + 1

e
x
iv(iv + 1)
+
e
(iv+1)x
iv(iv + 1)
_
The rst term in braces disappears due to the martingale condition and the other two, after computing the
integrals, yield (5.29).
Numerical Fourier inversion. Option prices can be computed by evaluating numerically the inverse Fourier
transform of

T
:
z
T
(k) =
1
2
_
+
e
ivk
T
(v)dv (5.31)
This integral can be eciently computed using the Fast Fourier transform, an algoritm due to Cooley and Tukey
[17] which allows to compute F
0
, . . . , F
N1
, given by,
F
n
=
N1
k=0
f
k
e
2ink/N
, n = 0 . . . N 1,
using only O(N ln N) operations.
To approximate option prices, we truncate and discretize the integral (5.31) as follows:
1
2
_

e
ivk
T
(v)dv =
1
2
_
A/2
A/2
e
ivk
T
(v)dv +
T
=
A
2N
N1
m=0
w
m
T
(v
m
)e
ikv
m
+
T
+
D
, (5.32)
where
T
is the truncation error,
D
is the discretization error, v
m
= A/2 + m, = A/(N 1) is the
discretization step and w
m
are weights, corresponding to the chosen integration rule (for instance, for the
trapezoidal rule w
0
= w
N1
= 1/2 and all other weights are equal to 1). Now, setting k
n
= k
0
+
2n
N
we see
that the sum in the last term becomes a discrete Fourier transform:
A
2N
e
ik
n
A/2
N1
m=0
w
m
e
ik
0
v
m
f(k
m
)e
2inm/N
The FFT algorithm allows to compute z
T
and therefore option prices for the log strikes k
n
= k
0
+
2n
N
. The log
strikes are thus equidistant with the step d satisfying
d =
2
N
.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
600
800
1000
1200
1400
1600
0
0.5
1
1.5
2
2.5
3
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
80 85 90 95 100 105 110 115 120
0.2
0.22
0.24
0.26
0.28
0.3
0.32
Mean jump = 10%
Mean jump = 10%
Mean jump=0
Figure 5.6: Left: implied volatilities of options on S&P 500 index as a function of their strikes and maturities.
Right: implied volatilities as a function of strike for dierent values of the mean jump size in Merton jump
diusion model. Other parameters: volatility = 0.2, jump intensity = 1, jump standard deviation = 0.05,
option maturity T = 1 month.
Typically, k
0
is chosen so that the grid is centered around the money, is xed to keep the discretization
error low, and N is adjusted to keep the truncation error low and have a suciently small step between strikes
(increasing N reduces the truncation error and the distance between consecutive strikes at the same time). The
option prices for the strikes not on the grid must be computed by interpolation. It should be noted that the
FFT method should only be used when option prices for many strikes must be computed simultaneously (such
as for calibration). If only a small number of strikes is needed, integration methods with variable step size
usually have a better performance.
5.9 Calibration de modèles exp-Levy
In the Black-Scholes setting, the only model parameter to choose is the volatility , originally dened as the
annualized standard deviation of logarithmic stock returns. The notion of model calibration does not exist,
since after observing a trajectory of the stock price, the pricing model is completely dened. On the other hand,
since the pricing model is dened by a single volatility parameter, this parameter can be reconstructed from a
single option price (by inverting the Black-Scholes formula). This value is known as the implied volatility of
this option.
If the real markets obeyed the Black-Scholes model, the implied volatility of all options written on the same
underlying would be the same and equal to the standard deviation of returns of this underlying. However,
empirical studies show that this is not the case: implied volatilities of options on the same underlying depend
on their strikes and maturities (gure 5.6, left graph).
Jump-diusion models provide an explanation of the implied volatility smile phenomenon since in these
models the implied volatility is both dierent from the historical volatility and changes as a function of strike
and maturity. Figure 5.6, right graph shows possible implied volatility patterns (as a function of strike) in the
Merton jump-diusion model.
The results of calibration of the Merton model to S&P index options are presented in gure 5.7. The
calibration was carried out separately for each maturity using the routine [5] from Premia software. In this
program, the vector of unknown parameters is found by minimizing numerically the squared norm of the
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
90 PETER TANKOV
60 70 80 90 100 110 120
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
Market
Model
30 40 50 60 70 80 90 100 110 120 130
0.1
0.2
0.3
0.4
0.5
0.6
0.7
Market
Model
50 60 70 80 90 100 110 120 130
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
Market
Model
40 50 60 70 80 90 100 110 120 130 140
0.10
0.15
0.20
0.25
0.30
Market
Model
Figure 5.7: Calibration of Merton jump-diusion model to market data separately for each maturity. Top left:
maturity 1 month. Bottom left: maturity 5 months. Top right: maturity 1.5 years. Bottom right: maturity 3
years.
dierence between market and model prices:
= arg inf |P
obs
P
|
2
arg inf
N
i=1
w
i
(P
obs
i
P
(T
i
, K
i
))
2
, (5.33)
where P
obs
denotes the prices observed in the market and P
(T
i
, K
i
) is the Merton model price computed for
parameter vector , maturity T
i
and strike K
i
. Here, the weights w
i
:=
1
(P
obs
i
)
2
were chosen to ensure that all
terms in the minimization functional are of the same order of magnitude. The model prices were computed
simultaneously for all strikes present in the data using the FFT-based algorithm described in section 5.8. The
functional in (5.33) was then minimized using a quasi-newton method (LBFGS-B described in [10]). In the case
of Merton model, the calibration functional is suciently well behaved, and can be minimized using this convex
optimization algorithm. In more complex jump-diusion models, in particular, when no parametric shape of
the Levy measure is assumed, a penalty term must be added to the distance functional in (5.33) to ensure
convergence and stability. This procedure is described in detail in [14, 15, 57].
The calibration for each individual maturity is quite good, however, although the options of dierent matu-
rities correspond to the same trading day and the same underlying, the parameter values for each maturity are
dierent, as seen from table 5.1. In particular, the behavior for short (1 to 5 months) and long (1 to 3 years)
maturities is qualitatively dierent, and for longer maturities the mean jump size tends to increase while the
jump intensity decreases with the length of the holding period.
Figure 5.8 shows the result of simultaneous calibration of Merton model to options of 4 dierent maturities,
ranging from 1 month to 3 years. As we see, the calibration error is much bigger than in gure 5.7. This
happens because for processes with independent and stationary increments (and the log-price in Merton model
is an example of such process), the law of the entire process is completely determined by its law at any given time
t (this follows from the Levy-Khintchine formula equation 5.10). If we have calibrated the model parameters
for a single maturity T, this xes completely the risk-neutral stock price distribution for all other maturities.
A special kind of maturity dependence is therefore hard-wired into every Levy jump diusion model, and table
5.1 shows that it does not always correspond to the term structures of market option prices.
To calibrate a jump-diusion model to options of several maturities at the same time, the model must have
a sucient number of degrees of freedom to reproduce dierent term structures. This is possible for example in
the Bates model (5.34), where the smile for short maturities is explained by the presence of jumps whereas the
smile for longer maturities and the term structure of implied volatility is taken into account using the stochastic
volatility process. Figure 5.9 shows the calibration of the Bates model to the same data set as above. As we
see, the calibration quality has improved and is now almost as good as when each maturity was calibrated
separately. The calibration was once again carried out using the tool [5] from Premia.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
60 70 80 90 100 110 120
0.1
0.2
0.3
0.4
0.5
0.6
0.7
Market
Model
30 40 50 60 70 80 90 100 110 120 130
0.1
0.2
0.3
0.4
0.5
0.6
0.7
Market
Model
50 60 70 80 90 100 110 120 130
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
Market
Model
40 50 60 70 80 90 100 110 120 130 140
0.10
0.15
0.20
0.25
0.30
Market
Model
Figure 5.8: Calibration of Merton jump-diusion model simultaneously to 4 maturities. Calibrated parameter
values: = 9.0%, = 0.39, jump mean 0.12 and jump standard deviation 0.15. Top left: maturity 1 month.
Bottom left: maturity 5 months. Top right: maturity 1.5 years. Bottom right: maturity 3 years.
Maturity jump mean jump std. dev.
1 month 9.5% 0.097 1.00 0.71
2 months 9.3% 0.086 0.99 0.63
5 months 10.8% 0.050 0.59 0.41
11 months 7.1% 0.70 0.13 0.11
17 months 8.2% 0.29 0.25 0.12
23 months 8.2% 0.26 0.27 0.15
35 months 8.8% 0.16 0.38 0.19
Table 5.1: Calibrated Merton model parameters for dierent times to maturity.
60 70 80 90 100 110 120
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
Market
Model
30 40 50 60 70 80 90 100 110 120 130
0.1
0.2
0.3
0.4
0.5
0.6
0.7
Market
Model
50 60 70 80 90 100 110 120 130
0.10
0.15
0.20
0.25
0.30
0.35
0.40
Market
Model
40 50 60 70 80 90 100 110 120 130 140
0.10
0.15
0.20
0.25
0.30
0.35
Market
Model
Figure 5.9: Calibration of the Bates stochastic volatility jump-diusion model simultaneously to 4 maturities.
Top left: maturity 1 month. Bottom left: maturity 5 months. Top right: maturity 1.5 years. Bottom right:
maturity 3 years. Calibrated parameters (see equation (5.34)): initial volatility
V
0
= 12.4%, rate of volatility
mean reversion = 3.72, long-run volatility

= 11.8%, volatility of volatility = 0.501, correlation =
48.8%, jump intensity = 0.038, mean jump size 1.14, jump standard deviation 0.73.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
92 PETER TANKOV
5000
5500
6000
6500
7000
0
0.5
1
0.16
0.18
0.2
0.22
0.24
0.26
0.28
Strike
Maturity
I
m
p
l
i
e
d

v
o
l
a
t
i
l
i
t
y
5000
5500
6000
6500
7000
0
0.5
1
0.16
0.18
0.2
0.22
0.24
0.26
0.28
0.3
Strike
Maturity
I
m
p
l
i
e
d

v
o
l
a
t
i
l
i
t
y
5000
5500
6000
6500
7000
0
0.5
1
0.16
0.18
0.2
0.22
0.24
0.26
0.28
Strike
Maturity
I
m
p
l
i
e
d

v
o
l
a
t
i
l
i
t
y
Figure 5.10: Top: Market implied volatility surface. Bottom left: implied volatility surface in an exponential
Levy model, calibrated to market prices of the rst maturity. Bottom right: implied volatility surface in an
exponential Levy model, calibrated to market prices of the last maturity.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
2/01/1996 2/01/1997 2/01/1998 30/12/1998
15
20
25
30
35
40
45
50
30day ATM options
450day ATM options
Figure 5.11: Implied volatility of at the money European options on CAC40 index.
5.10 Limites et extensions des processus de Levy
Despite the fact that Levy processes reproduce the implied volatility smile for a single maturity quite well,
when it comes to calibrating several maturities at the same time, the calibration by Levy processes becomes
much less precise. This is clearly seen from the three graphs of Figure 5.10. The top graph shows the market
implied volatilities for four maturities and dierent strikes. The bottom left graphs depicts implied volatilities,
computed in an exponential Levy model calibrated using a nonparametric algorithm to the rst maturity present
in the market data. One can see that while the calibration quality is acceptable for the rst maturity, it quickly
deteriorates as the time to maturity increases: the smile in an exponential Levy model attens too fast. The
same eect can be observed in the bottom right graph: here, the model was calibrated to the last maturity,
present in the data. As a result, the calibration quality is poor for the rst maturity: the smile in an exponential
Levy model is more pronounced and its shape does not resemble that of the market.
It is dicult to calibrate an exponential Levy model to options of several maturities because due to inde-
pendence and stationarity of their increments, Levy processes have a very rigid term structure of cumulants.
In particular, the skewness of a Levy process is proportional to the inverse square root of time and the excess
kurtosis is inversely proportional to time [48]. A number of empirical studies have compared the term structure
of skewness and kurtosis implied in market option prices to the skewness and kurtosis of Levy processes. Bates
[4], after an empirical study of implicit kurtosis in $/DM exchange rate options concludes that while implicit
excess kurtosis does tend to increase as option maturity shrinks, . . . , the magnitude of maturity eects is not
as large as predicted [by a Levy model]. For stock index options, Madan and Konikov [48] report even more
surprising results: both implied skewness and kurtosis actually decrease as the length of the holding period
becomes smaller. It should be mentioned, however, that implied skewness/kurtosis cannot be computed from a
nite number of option prices with high precision.
A second major diculty arising while trying to calibrate an exponential Levy model is the time evolution
of the smile. Exponential Levy models belong to the class of so called sticky moneyness models, meaning
that in an exponential Levy model, the implied volatility of an option with given moneyness (strike price to
spot ratio) does not depend on time. This can be seen from the following simple argument. In an exponential
Levy model Q, the implied volatility of a call option with moneyness m, expiring in years, satises:
e
r
E
Q
[(S
t
e
r+X
mS
t
)
+
[T
t
] = e
r
E[(S
t
e
r+W
2
2

mS
t
)
+
[T
t
]
Due to the independent increments property, S
t
cancels out and we obtain an equation for the implied volatility
which does not contain t or S
t
. Therefore, in an exp-Levy model this implied volatility does not depend on
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
94 PETER TANKOV
date t or stock price S
t
. This means that once the smile has been calibrated for a given date t, its shape is xed
for all future dates. Whether or not this is true in real markets can be tested in a model-free way by looking at
the implied volatility of at the money options with the same maturity for dierent dates. Figure 5.11 depicts
the behavior of implied volatility of two at the money options on the CAC40 index, expiring in 30 and 450 days.
Since the maturities of available options are dierent for dierent dates, to obtain the implied volatility of an
option with xed maturity T for each date, we have taken two maturities, present in the data, closest to T from
above and below: T
1
T and T
2
> T. The implied volatility (T) of the hypothetical option with maturity T
was then interpolated using the following formula:
2
(T) =
2
(T
1
)
T
2
T
T
1
T
+
2
(T
2
)
T T
1
T
2
T
1
.
As we have seen, in an exponential Levy model the implied volatility of an option which is at the money and
has xed maturity must not depend on time or stock price. Figure 5.11 shows that in reality this is not so:
both graphs are rapidly varying random functions.
This simple test shows that real markets do not have the sticky moneyness property: arrival of new
information can alter the form of the smile. The exponential Levy models are therefore not random enough
to account for the time evolution of the smile. Moreover, models based on additive processes, that is, time-
inhomogeneous processes with independent increments, although they perform well in calibrating the term
structure of implied volatilities for a given date [13], are not likely to describe the time evolution of the smile
correctly since in these models the future form of the smile is still a deterministic function of its present shape
[13]. To describe the time evolution of the smile in a consistent manner, one may need to introduce additional
stochastic factors (e.g. stochastic volatility).
Several models combining jumps and stochastic volatility appeared in the literature. In the Bates [3] model,
one of the most popular examples of the class, an independent jump component is added to the Heston stochastic
volatility model:
dX
t
= dt +
_
V
t
dW
X
t
+dZ
t
, S
t
= S
0
e
X
t
, (5.34)
dV
t
= ( V
t
)dt +
_
V
t
dW
V
t
, dW
V
, W
X
t
= dt,
where Z is a compound Poisson process with Gaussian jumps. Although X
t
is no longer a Levy process, its
characteristic function is known in closed form [13, chapter 15] and the pricing and calibration procedures are
similar to those used for Levy processes.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
Partie II
Outils
95
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
Chapitre 6
Regularisation des problèmes mal poses
6.1 Introduction
Ce chapitre commence la deuxième partie de ce polycopie, o` u au lieu detudier des modèles particuliers, on
regarde le problème de calibration en general, pour comprendre, dans quelles conditions et avec quelles methodes
il peut etre resolu. Du point de vue mathematique, les dierents problèmes de calibration rencontres en nance
sont souvent des exemples de problèmes inverses mal poses. Dans ce chapitre nous alons etudier ces problèmes
dans un cadre abstrait, pour pouvoir traiter les applications en calibration de modèles dans les chapitres suivants.
Problèmes directs et problèmes inverses La distinction entre un problème direct et un problème inverse
nest pas facile à denir. On pourrait dire quun problème direct consiste à determiner leet à partir de sa
cause:
En physique: determiner la temperature future à partir de la temperature initiale et de conductivite
thermique
En nance: calculer les prix des options à partir du prix initial du sous-jacent et de la loi devolution (e.g.
volatilite)
Dans un problème inverse, au contraire, on cherche à identier la cause dun eet observe:
En physique: identier la conductivite thermique à partir de la temperature nale
En nance: identier la loi devolution du sous-jacent à partir des prix doptions
Les problèmes inverses sont beaucoup plus diciles à resoudre que les problèmes directs correspondants car ils
sont pour la plupart mal poses.
Problèmes bien poses et mal poses Un problème bien pose peut etre intuitivement deni comme un
problème ayant les trois proprietes suivantes (cette denition est due à Hadamard):
Pour toutes donnees admissibles, une solution existe.
Pour toutes donnees admissibles, elle est unique.
La solution depend contin ument des donnees.
Pour rendre cette denition rigoureuse, on aura besoin de preciser la signication du mot admissible ainsi que
la topologie utilisee pour denir la continuite. Notons cependant quune forme de continuite est absolument
necessaire car les observations (mesures dune quantite physique ou des observation des prix) contiennent tou-
jours un certain niveau de bruit ou derreur, et en absence de continuite, la solution calculee pour ces donnees
bruitees peut etre très loin de la vraie solution.
Lexemple suivant montre les dicultes typiques quon peut rencontrer quand on cherche à resoudre un
problème qui nest pas bien pose.
97
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
98 PETER TANKOV
0 1 2 3 4 5 6 7
1.5
1
0.5
0
0.5
1
1.5
Noisy data
True data
0 1 2 3 4 5 6 7
1.5
1
0.5
0
0.5
1
1.5
Approximate derivative
True derivative
Figure 6.1: Gauche: les donnees exactes et bruitees. Droite: la derivee exacte de f et la derivee approchee de
f
avec h = 0.03.
Exemple 7 (Calcul de la derivee). Supposons quon cherche à calculer la derivee f
(x) dune fonction f(x) à

partir dune observation bruitee f
(x), telle que [f(x) f
(x)[ < pour tout x. La fonction f est supposee

dierentiable mais sur lobservation bruitee aucune hypothèse nest imposee. Pour calculer la derivee on pourrait
utiliser lapproximation suivante:
f
(x)
f
(x +h) f
(x h)
2h
Pour approcher la derivee avec une grande precision, on devrait prendre h 0. Cependant, si h est trop petit,
les erreurs de donnees seront ampliees:
f(x +h) f(x h)
2h

f
(x +h) f
(x h)
2h
O
_
h
_
Ceci est une indication que le problème de dierentiation est un problème mal pose. Pour diminuer lerreur
due aux donnees bruitees, on peut augmenter h, mais cela introduit une erreur de discretisation. Si on sait que
[f
(x)[ C alors
f(x +h) f(x h)
2h
f
(x)
h
2
C
12
Lerreur totale (h) =
h
2
C
12
+

h
atteint son minimum pour
h
opt
=
_
6
C
_
1/3
, (h
opt
)
2/3
Conclusions:
Dans un problème mal pose les erreurs dobservation sont ampliees dans la solution de facon incontrolable.
Information a priori sur la solution (ici, la borne sur f
) et le niveau derreur (ici, la valeur de ) peut

etre utilisee pour approcher la solution de facon stable.
Une amplication derreurs est inevitable: la precision de lapproximation de la solution est toujours moins
bonne que la precision des donnees dentree.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
h
T
o
t
a
l

e
r
r
o
r
0 1 2 3 4 5 6 7
1
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1
Approximate derivative
True derivative
Figure 6.2: Gauche: Erreur totale (donnees + discretisation) en fonction de pas de discretisation h. Droite: la
derivee exacte de f et la derivee approchee de f
avec h
opt
= 0.39.
6.2 Problèmes mal poses lineaires
Dans cette section on se place dans le cadre restreint de problèmes inverses mal poses lineaires pour pouvoir
denir rigoureusement un problème mal pose et etudier les techniques de regularisation de tels problèmes.
Soit A et } deux espaces de Hilbert et T : A } un operateur lineaire continu (rappelons que pour les
operateurs lineaires la continuite est equivalente à la bornitude). On note 1(T) limage de T, A(T) le noyau
de T et T
loperateur adjoint.
Le problème direct consiste a calculer Tx pour un x donne, et du fait de la continuite de T ce problème est
bien pose. Le problème inverse consiste à resoudre lequation
Tx = y
et ce problème peut etre mal pose pour trois raisons suivantes:
1. Non-existence de solution: y / 1(T).
2. Manque dunicite: T nest pas inversible, i.e., A(T) ,= 0.
3. Manque de continuite par rapport aux donnees: T
1
existe mais nest pas continu.
En dimension ni (R
d
) tout operateur lineaire est continu, et tout problème lineaire admettant une unique
solution est bien pose, la question 3 ne se pose donc pas.
Lexemple suivant montre que ceci nest plus vrai en dimension inni.
Exemple 8. Soit A = } = L
2
([1, 1]) et T loperateur dintegration
Tf(z) =
_
z
1
f(x)dx, T
1
=
d
dx
.
On montre facilement que loperateur T est borne et donc continu. Cependant, si on pose f
n
=

n(1
n[x[)1
]x]
1
n
, alors |f
n
|
2
=
2
3
mais |T
1
f
n
|
2
= 2n
2
. Donc, T
1
nest pas borne, ce qui implique que la
dierentiation est un problème mal pose.
La methode de moindres carrees Lorsque y / 1(T), en dimension ni, lexistence peut toujours etre
obtenue en passant à la formulation au sens de moindres carrees.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
100 PETER TANKOV
Denition 11. x est une solution moindres carrees de Tx = y si
|Tx y| = inf|Tz y|, z A
Proposition 15. Une solution au sens de moindres carrees du problème Tx = y existe si et seulement si
y 1(T) 1(T)
. Dans ce cas elle est caracterisee par lequation normale de Gauss:

T
Tx = T
y. (6.1)
Remarque 5. En dimension ni et plus generalement si 1(T) est ferme, on a 1(T) 1(T)
= }: tout
problème lineaire a une solution au sens de moindres carrees.
Preuve. La partie si. Dans ce le cas o` u y 1(T) 1(T)
, on peut trouver une decomposition y = y

1
+ y
2
avec y
1
1(T) et y
2
1(T)
. Alors
|Tx y|
2
= |Tx y
1
|
2
+|y
2
|
2
et le minimum est atteint si Tx = y
1
ce qui a toujours une solution. De plus, Tx = y
1
implique Txy 1(T)
et donc z
(Tx y) = 0 pour tout z A, do` u lequation (6.1).

La partie seulement si. Par linearite et continuite du produit scalaire, 1(T)
est toujours un sous-espace

lineaire ferme de }. Supposons que y / 1(T) 1(T)
et notons par y
2
la projection orthogonale de y sur
1(T)
. Alors y y
2
appartient à 1(T) mais non à 1(T). Ceci implique que
inf
x
|Tx y +y
2
|
2
= 0,
mais il nexiste pas de x pour lequel |Tx y + y
2
|
2
= 0, donc, le problème na pas de solution au sens de
moindres carres.
En dimension inni si 1(T) nest pas ferme, le problème Tx = y peut ne pas avoir de solutions au sens de
moindres carrees, comme le montre lexemple suivant.
Exemple 9. Pour loperateur dintegration deni dans lexemple (8), 1(T)
= 0. En eet, une fonction

g L
2
([1, 1]) appartient à 1(T)
si et seulement si pour toute fonction f L

2
([1, 1]),
_
1
1
dxg(x)
_
x
1
f(y)dy = 0.
Moyennant une integration par parties ceci est equivalent à
_
1
1
dxf(x)
_
1
x
g(y)dy = 0.
Comme ceci doit etre vrai pour toute f, on en deduit
_
1
x
g(y)dy = 0 pour tout x et donc g 0. Ceci montre
que 1(T) 1(T)
concide avec 1(T) (ensemble de fonctions dierentiables) et ne concide pas avec }.

Unicite de solution Pour sassurer de lunicite de solution, on impose un critère supplementaire: dans le cas
lineaire on sinteresse souvent à la solution moindres carrees de norme minimale:
x
= arg inf|z|, z est une solution m. c. de Tz = y

Proposition 16. La solution moindres carrees de norme minimale x
, aussi appelee meilleure solution ap-

prochee existe et est unique si et seulement si y 1(T) 1(T)
. Elle est caracterisee par:

T
Tx
= T
y, x
A(T)
. (6.2)
Lapplication y x
est un operateur lineaire qui sappelle linverse generalisee de T, parfois notee T
.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
Preuve. Par denition, la solution moindres carrees de norme minimale ne peut exister que si une solution
moindres carrees existe. On peut donc supposer sans perte de generalite que y 1(T) 1(T)
.
Commen cons par demontrer (6.2). Supposons que x
,= A(T)
. Comme loperateur T est suppose continu,

N(T) est un sous-espace lineaire ferme de A et on peut donc trouver une decomposition x
= x
1
+ x
2
avec
x
1
A(T) et x
2
A(T)
. Le vecteur x
2
est aussi une solution moindres carrees et sa norme est inferieure à
celle de x
.
Pour montrer lexistence, notons que pour toute solution moindres carrees x, sa projection sur A(T)
satisfait (6.2).
Pour lunicite, supposons quil existe deux solutions x et x
de (6.2). Alors, la dierence x x
satisfait.
x x
N(T)
et T
T(x x
) = 0 do` u x x
N(T), ce qui implique x = x
.
La linearite de lapplication y x
decoule directement de la caracterisation (6.2).

En dimension nie, comme tout operateur lineaire, linverse generalisee T
est continu et resout donc

complètement un problème inverse mal pose lineaire. En dimension innie, elle est unique mais peut ne pas
etre continue par rapport à y.
Exemple 10. Pour loperateur dintegration deni dans lexemple 8, comme 1(T)
= 0, linverse generalisee
existe seulement pour y 1(T) et concide donc avec linverse habituelle (operateur de dierentiation), qui
nest pas continue.
Exercice 26. On cherche à resoudre lequation
AX = E (6.3)
avec
A =
_
_
_
0 0
1 1
1 1
_
_
_ E =
_
_
_
1
1
0
_
_
_ et X R
3
1. Cette equation, a-t-elle une solution au sens strict? Calculer lensemble de ces solutions au sens de
moindres carres. Calculer la solution moindres carres de norme minimale et linverse generalisee A
.
2. Quelle sera la solution moindres carres de norme minimale si on remplace E par
E
=
_
_
_
1 +
1
0
_
_
_
Que peut-on dire sur la stabilite de calcul lorsque 0.
6.3 Regularisation de problèmes mal poses
Supposons quon cherche à approcher de manière stable la solution x
= T
y dun problème mal pose en

utilisant les donnees bruitees y
telles que |y y
| . En dimension nie, il sut de prendre x
= T
,
et par continuite on aura x
lorsque 0. En dimension inni, quand T
nest pas continu, T
peut
etre très loin de T
y. Dans ce cas, une solution stable peut etre obtenu avec la methode de regularisation qui
consiste à remplacer loperateur discontinu T
par une famille doperateurs (lineaires ou non) continus R
>0
tels que
R
()
y
lorsque 0
pour un règle de choix () à preciser. Lapproximation à la solution x
en presence du bruit de donnees est

alors donnee non pas par T
mais par x
= R
()
y
.
Etant donne quen dimension nie tout problème est bien pose, la methode de regularisation la plus simple
consiste a discretiser le problème initial pour se ramener au cadre ni-dimensionnel. Cette approche a ete
employe dans lexemple 7 o` u le r ole du paramètre etait joue par le pas de discretisation h. Cette methode
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
102 PETER TANKOV
est connue sous le nom de regularisation par projection (sur un espace ni-dimensionnel). Cependant, bien que
chaque problème ni-dimensionnel est bien pose, lorsque le niveau de bruit tend vers zero, pour approcher
la vraie solution avec de plus en plus de precision, on est souvent oblige daugmenter la dimension de lespace
ni-dimensionnel de discretisation, et cette augmentation de dimension peut empecher la convergence de la
solution discretisee vers la vraie solution continu. Dans ce cas, on doit combiner la regularisation par projection
avec dautres methodes de regularisation independantes de la dimension. Une telle methode fait lobjet de la
section suivante.
6.4 Regularisation de Tikhonov pour les problèmes lineaires
La regularisation de Tikhonov est une methode très generale pour la regularisation de problèmes inverses mal
poses lineaires et non-lineaires dans les espaces de Hilbert et Banach mais ici on ne considère que le cas lineaire.
La methode consiste à poser
R
:= arg inf
z
|Tz y
|
2
+|z|
2
. (6.4)
Le terme de moindres carrees est ainsi penalise par la norme |z|
2
pour ameliorer la stabilite de la solution. Le
paramètre de regularisation determine le compromis entre la precision et la stabilite:
La valeur de depend du niveau derreur dans les donnees: quand les donnees sont peu ables, doit
etre grand.
Pour tout > 0 le problème regularise est bien pose.
Pour tout > 0 il y a une perte de precision par rapport à la solution moindres carrees.
Le paramètre doit etre choisi tel que lorsque 0, la solution regularisee converge vers T
y.
En ecrivant la condition du premier ordre pour le problème de minimisation (6.4), on obtient directement
x
= (T
T +I)
1
T
. (6.5)
Le resultat suivant montre que lapproche de Tikhonov permet eectivement de regulariser un problème mal
pose dans le sens de la denition donnee plus haut. Pour simplier lexpose, nous supposons que le problème
inverse admet une unique solution pour la donnee non-bruitee y (mais pas necessairement pour la donnee bruitee
y
) et nous nous concentrons sur la question de continuite.

Theorème 5. Supposons que y est tel quil existe une unique solution x
du problème Tx = y.
(i) Pour tout > 0, loperateur R
de la regularisation de Tikhonov est un operateur lineaire continu.

(ii) Si () est choisi tel que
lim
0
() = 0 et lim
0
2
()
= 0, (6.6)
alors
lim
0
|x
()
x
| = 0.
(iii) Si de plus x
1(T
T) alors la vitesse de convergence asymptotique maximale est atteinte pour () =

C
2/3
, dans quel cas on a
|x
()
x
| = O(
2/3
).
Remarque 6. Pour loperateur dintegration deni dans lexemple 8, la condition x
T est equivalente à
dire que les donnees non-bruitees y sont 3 fois dierentiables, donc, cest la meme hypothèse quon a impose
dans lexemple 7, et ceci nest pas surprenant quon obtient la meme vitesse de convergence
2/3
.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
Preuve. (i) Pour tout z }, on a
|T
z|
2
= |(T
T +I)(T
T +I)
1
T
z|
2
=
2
|(T
T +I)
1
T
z|
2
+|T
T(T
T +I)
1
T
z|
2
+ 2|T(T
T +I)
1
T
z|
2
, (6.7)
do` u |R
z|
1
|T
z|, ce qui demontre la continuite de R
(puisque T est borne).

(ii) Par linegalite du triangle,
|x
| |x
| +|x
|, (6.8)
o` u x
= (T
T + I)
1
T
y. Par analogie aux problèmes destimation en statistique, le premier terme dans

la partie droite peut etre vu comme variance et le deuxième comme biais. On verra que le premier terme
est decroissant en et croissant en et que le deuxième terme est decroissant en . La valeur optimale de
permettra ainsi datteindre un compromis entre ces deux termes.
Pour estimer le premier terme on utilisera le fait que pour toute fonction continue f,
f(T
T)T
= T
f(TT
). (6.9)
Cette egalite est evidente pour les fonctions de type x
n
et donc pour les polyn omes, et on peut letendre à
toute fonction continue en lapprochant par une suite de polyn omes. En utilisant cette egalite pour la fonction
f(x) =
1
x+
,
|x
|
2
= |T
(TT
+I)
1
(y
y)|
2
= TT
(TT
+I)
1
(y
y), (TT
+I)
1
(y
y)
(y
y), (TT
+I)
1
(y
y)

2
|(TT
+I)
1
|

2
,
parce que |(TT
+ I)
1
|
1
par le meme argument qui a ete utilise dans la première partie de cette
demonstration. Ainsi, sous la condition (6.6), le premier terme dans (6.8) converge vers zero.
Le deuxième terme dans (6.8) peut etre reecrit comme
|x
| = |(T
T +I)
1
T
y (T
T +I)
1
(T
T +I)x
|
= |(T
T +I)
1
x
| (6.10)
Pour demontrer sa convergence vers 0, on supposera pour simplier lexpose que loperateur T
T a un spectre
discret
i
i=1
, mais les memes resultats peuvent etre obtenu pour les operateurs dont le spectre est continu.
1
Comme pour tout operateur auto-adjoint dans un espace de Hilbert, les vecteurs propres v
i
i=1
associes aux
valeurs propres
i
i=1
forment une base orthonormee de A. En plus T
T est deni positif, ce qui implique
i
0 pour tout i, mais comme on a suppose que la solution x
est unique, A(T
T) = 0 et donc
i
> 0 pour
tout i. Soit x
i
i=1
la decomposition de x
dans la base v
i
i=1
. En utilisant (6.10), on a
|x
|
2
=
i=1
2
x
2
i
(
i
+)
2
.
Puisque
i=1
x
2
i
= |x
|
2
< , pour tout > 0, on peut trouver n N tel que
i=n
2
x
2
i
(
i
+)
2
<
i=n
x
2
i

2
.
Dun autre cote, pour tout i,
2
x
2
i
(
i
+)
2
<

2
x
2
i
2
i
,
1
Tous les operateurs compacts, notamment les operateurs integrales avec noyau dans L
2
(X, X) ont un spectre discret.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
104 PETER TANKOV
et on peut donc trouver
0
tel que pour tout <
0
,
n1
i=1
2
x
2
i
(
i
+)
2
<

2
.
Ceci montre la convergence du deuxième terme dans (6.8) vers zero sous la condition (6.6).
(iii) Soit x
= T
Tz pour un z A. Alors en utilisant (6.10), on a

|x
| = |(T
T +I)
1
T
Tz| |z|,
do` u
|x
+C.
pour une constante C > 0. On en deduit immediatement la valeur asymptotiquement optimale de () ainsi
que la vitesse de convergence associee.
Exemple 11 (Regularisation de Tikhonov pour loperateur de dierentiation). Pour regulariser le problème de
dierentiation dune fonction g L
2
([1, 1]) suivant lapproche de Tikhonov, on devrait resoudre le problème
suivant:
g = arg inf
fL
2
([1,1])
|Tf g|
2
2
+|f|
2
2
,
o` u T est loperateur dintegration deni dans lexemple 8. Il est plus simple de rechercher la fonction u = Tf
au lieu de f et minimiser ainsi
J(u) = |u g|
2
2
+|u
|
2
2
.
sous la contrainte u(1) = 0. La condition de 1
er
ordre pour ce problème est
dJ(u +h)
d
[
=0
= 0
pour toute fonction test h avec h(1) = 0. Ceci implique
_
1
1
h(x)(u(x) g(x))dx
_
1
1
h(x)u
(x)dx +h(1)u
(1) = 0.
La fonction u est donc solution de
u
(x) u(x) = g(x) (6.11)

avec conditions aux bords u(1) = 0 et u
(1) = 0. La forme generale de la solution de (6.11) est

u(x) = u
0
(x) +Ae
x/
+Be
x/
,
o` u u
0
est une solution particulière de (6.11). On montre par dierentiation quune forme possible de u
0
est
u
0
(x) =
_
1
1
g(z)
2
|xz|
dz.
En imposant les conditions aux bords, on trouve
u(x) =
_
1
1
g(z)
sinh
_
x+z
_
+e
2/
sinh
_
xz
_
e
2/
+e
2/
+
_
1
1
g(z)
2
|xz|
dz.
Finalement, en revenant à f = u
, on a
f(x) =
_
1
1
g(z)
cosh
_
x+z
_
+e
2/
cosh
_
xz
_
e
2/
+e
2/
+
_
1
1
g(z)
|xz|
sign(x z)dz.
Le premier terme est d u aux conditions aux bords; il disparatrait si au lieu de [1, 1] on travaillait sur un
intervalle inni. Le terme important est le deuxième terme: il montre que la regularisation de Tikhonov pour
loperateur de dierentiation consiste à lisser la fonction à deriver avec un noyau exponentiel et appliquer
loperateur au resultat.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
Exercice 27. On se place dans le cadre de lexercice 26.
1. Calculer la solution de ce problème pour la donnee E
en utilisant la regularisation de Tikhonov avec

paramètre de regularisation donnee par
X
= arg inf
X
|AX E
|
2
+|X|
2
pour un > 0 xe, que peut-on dire sur la stabilite de calcul lorsque 0.
2. Supposons que () est choisi tel que () 0 quand 0. Montrer que X
()
X
lorsque 0, o` u
X
est la solution de norme minimale de (B.1). Pourquoi, dans ce cas on na pas besoin dimposer une
condition supplementaire (voir le cours) sur () pour avoir la convergence?
Choix du paramètre de regularisation Les methodes a priori utilisent linformation sur le niveau derreur
et sur loperateur T ou sur la (regularite de) solution. Par exemple, si on sait que x
1(T
T), on peut
poser =
2
3
(methode asymptotiquement optimal) .
Les methodes a posteriori: utilisent aussi les donnees y
. La methode a posteriori la plus utilisee est connue

sous le nom du principe de discrepance (divergence). La fonction de discrepance dun problème mal pose pour
une donnee y
xee est denie par

() = |Tx
|, (6.12)
o` u x
est donne par (6.5). Le principe consiste alors à choisir maximal pour la discrepance est encore
acceptable, i.e., legèrement superieure à lerreur de donnees.
opt
= max : () = c,
o` u c > 1 est une constante proche de 1. On est oblige de prendre une constante strictement superieure à 1 pour
sassurer que est toujours positif. Le resultat suivant montre que cette procedure est bien denie (si |y
|
il faut prendre = ce qui correspond à x
= 0).
Proposition 17. La fonction de discrepance (6.12) est une fonction croissante continue qui satisfait
lim
0
() lim
() = |y
|
Preuve. En utilisant lidentite (6.9), on obtient facilement
() = |(TT
+I)
1
y
|,
do` u la continuite et legalite lim
() = |y
|. Dun autre cote,

() |(TT
+I)
1
(y y
)| +|Tx
y|.
La norme du premier terme est inferieure à , et dans la preuve du theorème 5 nous avons vu que |x
| 0
lorsque 0 do` u |Tx
y| 0.
La regularisation de Tikhonov avec le paramètre choisi selon le principe de discrepance converge toujours et
permet datteindre la vitesse optimale si x
satisfait des conditions de regularite necessaires, e.g. si x
1(T
T)
alors la vitesse est la meme que dans theorème 5. Le grand avantage du principe de discrepance est que la
connaissance de la regularite de x
nest pas necessaire pour le choix de paramètre .

6.5 Regularisation du problème de reconstruction de la courbe de
taux dinteret
La courbe de taux zero-coupons Le taux zero-coupon R(T) de maturite T (vu de 0) est deni par
B(0, T) = e
TR(T)
,
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
106 PETER TANKOV
o` u B(0, T) est le prix en 0 dun zero-coupon (obligation qui paie 1 euro en T).
Les zero-coupon ne sont pas cotes, mais les taux LIBOR, les taux swap et les prix dobligations permettent
de les calculer pour 20-30 echeances allant dun jour (taux EONIA) à 30 ans. En particulier, les courbes de taux
zero-coupon sont disponibles chez les fournisseurs de donnees tels que Bloomberg ou Datastream. Cependant,
il est souvent necessaire de connatre les taux zero pour les dates qui ne sont pas presentes dans les donnees de
marche. On doit alors resoudre le problème suivant:
Partant des taux zero R
1
, . . . , R
N
, correspondant aux
echeances T
1
, . . . , T
N
, trouver R(T) pour tout T.
(ZC)
Une alternative consiste à utiliser directement les prix des obligations et les taux swap, sans passer par les prix
de zero-coupons. De facon generale, le prix dune obligation de nominal N versant des coupons c
i
, i = 1, . . . , K
aux dates T
1
, . . . , T
K
est donne par
P =
K
i=1
c
i
B(T
i
) +NB(T
K
).
Notant P
i
le prix de i-ième obligation et C
i
j
son payo à la date T
j
(coupon ou remboursement de nominal), le
problème de reconstruction de la courbe de taux secrit sous la forme
Trouver B(T) pour tout T sous contrainte
K
j=1
C
i
j
B(T
j
) = P
i
, i = 1, . . . , N,
o` u N est le nombre total dobligations.
(OBLIG)
Linformation sur les taux swap peut aussi secrire sous cette forme. Dans la suite, pour simplier lexpose, on
se limitera au problème de reconstruction de la courbe de taux sous la forme (ZC). Les principaux objectifs
dune methode de reconstruction de la courbe de taux sont les suivantes:
Regularite de la courbe de taux zero-coupon et de la courbe de taux forward instantanes f(T) donnee par
f(T) = (TR(T))
.
Precision: en general on demande que les ecarts entre les donnees de marche et la courbe interpolee
nexcèdent pas un point de base ou un niveau similaire.
Stabilite des resultats par rapport aux perturbations des donnees.
6.5.1 Methodes classiques
Methodes classiques dinterpolation. Une methode simple pour resoudre le problème (ZC) consiste à
interpoler les points de marche par une methode classique dinterpolation, par exemple, par splines cubiques.
La methode de splines cubiques consiste à interpoler les donnees R
1
, . . . , R
N
connues aux points T
1
< < T
N
par une courbe R(T) telle que
R(T) est un polyn ome de degre 3 sur [T
i
, T
i+1
], i = 1, . . . , N 1
R
est continu sur [T

1
, T
N
];
R
(T
1
) = R
(T
N
) = 0 (un spline cubique qui satisfait cette dernière condition sappelle spline cubique
naturel).
Comme on voit sur la gure 6.3, graphique de gauche, les methodes classiques dinterpolation ne permettent
pas de construire des courbes zero et forward de regularite susante.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
Methodes parametriques. Dans les methodes parametriques on choisit une forme fonctionnelle parametrique
pour la courbe de taux forward ou pour la courbe de taux zero: R(T) = R
(T) o` u est le vecteur de paramètres.

Le paramètres sont ensuite calibres par la methode de moindres carrees:
= arg inf
i=1
(R
i
R
(T
i
))
2
.
Les exemples le plus couramment utilises de cette approche sont la methode de Nelson-Siegel o` u on ecrit la
courbe de taux forward sous la forme
f
NS
(t) =
0
+
1
e
t/
1
+
2
t
1
e
t/
1
et la methode de Swensson o` u
f
S
(t) =
0
+
1
e
t/
1
+
2
t
1
e
t/
1
+
3
t
2
e
t/
2
.
Notons que ceci implique pour le modèle de Nelson-Siegel
R
NS
(t) =
0
+
1
1
t
(1 e
t/
1
)
2
e
t/
1
+
2
1
t
(1 e
t/
1
)
et pour le modèle de Swensson
R
S
(t) =
0
+
1
1
t
(1 e
t/
1
)
2
e
t/
1
+
2
1
t
(1 e
t/
1
)
3
e
t/
2
+
3
2
t
(1 e
t/
2
).
Dans les deux modèles, la courbe de taux zero a donc la forme
R(t) =
M
j=0
j
(t, ),
o` u le vecteur contient les paramètres non-lineaires. Les valeurs de
0
, . . . ,
M
peuvent dont etre calcules
analytiquement: si on note A
ij
() =
j
(T
i
, ) et R le vecteur de donnees de marche, on a, pour xe,
arg min
|R A()|
2
= (A()
A())
1
A()
R.
min
|R A()|
2
= R
R R
A()(A()
A())
1
A()
R.
Les valeurs optimales de paramètres et sont donc donnees par
opt
= arg sup
A()(A()
A())
1
A()
R,
opt
= (A
(
opt
)A(
opt
))
1
A
(
opt
)R.
Dans le modèle de Nelson-Siegel, on doit ainsi resoudre numeriquement seulement un problème de minimisation
unidimensionnel.
La gure 6.3, graphique de droite, montre que la precision de methodes parametriques peut parfois se reveler
insusante.
6.5.2 Methode de regularisation
Dans cette section nous etudions une methode non-parametrique de reconstruction de la courbe de taux dinteret,
inspiree de la regularisation de Tikhonov et propose dans un document de travail par H. Berestycki et J. Busca.
Lidee principale consiste à introduire un terme de lissage de la courbe:
R
= arg inf
R
_
N
i=1
(R(T
i
) R
i
)
2
+
_
T
0
(tR
(t))
2
dt
_
(6.13)
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
108 PETER TANKOV
0 5 10 15 20 25 30
3.5
4
4.5
5
5.5
6
6.5
7
Spline interpolation
Linear interpolation
0 5 10 15 20 25 30
3
3.5
4
4.5
5
5.5
6
Nelsen Siegel
Market data
Figure 6.3: Gauche: courbe forward calculee avec taux zero-coupon interpoles. Droite courbe zero-coupon
obtenue par la methode de Nelson Siegel. Lecart maximal est de 9 points.
Ici, est un paramètre de reglage qui determine le compromis entre la precision ( petit) et la regularite de la
courbe ( grand).
2
Techniquement, le deuxième terme dans la fonctionnelle ci-dessus nest pas une norme, mais pour N 2 le
problème (6.13) peut etre reecrit pour se ramener au cadre de regularisation de Tikhonov:
R
= R
1
+ (R
N
R
1
)
T T
1
T
N
T
1
+ arg inf
J(

R)
avec

J(

R) =
N1
i=2
(

R(T
i
)

R
i
)
2
+ (

R(T
1
))
2
+ (

R(T
N
))
2
+
_
T
0
(t
(t))
2
dt
=
N1
i=2
(

R(T
i
)

R
i
)
2
+|
R|
2
o` u

R
i
= R
i
R
1
(R
N
R
1
)
T T
1
T
N
T
1
et |R| :=
(R(T
1
))
2
+
1
(R(T
N
))
2
+
_
T
0
(tR
(t))
2
dt
Il est facile de verier que |R| a toutes les proprietes de la norme:
1. Positivite: |R| 0 et |R| = 0 si et seulement si R 0.
2. Homogeneite: |kR| = [k[ |R| pour tout k R.
3. Inegalite de triangle: |R
1
+R
2
| |R
1
| +|R
2
| (en utilisant Cauchy-Schwartz pour la norme L
2
).
On est ramene au cas dej` a etudie de regularisation de Tikhonov ce qui implique lexistence de solution et la
stabilite pour le problème (6.13).
2
Cette approche est en eet equivalente à lutilisation des splines de lissage: on peut demontrer que la solution optimale est
donne par un polyn ome dordre 3 par morceaux. La grande dierence avec les splines cubiques consideres auparavant est que
maintenant la courbe R(T) ne passe pas par les points de marche, mais on peut regler la qualite de calibration en jouant sur le
paramètre , ce qui permet de trouver un equilibre entre precision et stabilite. Dans la suite on nexplorera pas cette piste car nous
sommes plutot interesses par le lien de ce problème avec regularisation de Tikhonov quavec splines. De plus, linterpretation de
splines de lissage disparat lorsque le problème est considere sous forme (OBLIG), alors que lapproche de Tikhonov reste valable.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
Implementation numerique Pour resoudre ce problème numeriquement, il est discretise sur une grille
x
i
M
i=1
plus ne que la grille initiale T
i
N
i=1
, cest-` a-dire, chaque point de lancienne grille est aussi un point
de la nouvelle grille. Soit

R =
R
i
M
i=1
un vecteur de valeurs de R sur la nouvelle grille, i.e.,

R
i
= R(x
i
) Le
premier terme dans (6.13) est alors approche par
|S

R R|
2
,
o` u S est la matrice N M denie par S
nm
= 1 si x
m
= T
n
et S
nm
= 0 sinon. La derivee R
sera calculee avec

lapproximation suivante aux points x
2
, . . . , x
M1
:
R
(x
i
) R
i
=
R
i1
(x
i
x
i+1
) R
i
(x
i1
x
i+1
) +R
i+1
(x
i1
x
i
)
2(x
i1
x
i
)(x
i
x
i+1
)(x
i1
x
i+1
)
et lintegrale dans (6.13) sera approche par la methode de rectangles sur lintervalle [
T
1
+T
2
2
,
T
N1
+T
N
2
]:
_
T
N
T
1
(tR
(t))
2
dt
M
i=2
(x
i
R
i
)
2
x
i1
+x
i+1
2
= |L
R|
2
,
o` u L est une matrice M 2 M denie par
L
i,i
=
x
i+1
2(x
i+1
x
i
)(x
i+2
x
i
)
_
x
i
+x
i+2
2
L
i,i+1
=
x
i+1
2(x
i+1
x
i
)(x
i+2
x
i+1
)
_
x
i
+x
i+2
2
L
i,i+2
=
x
i+1
2(x
i+2
x
i+1
)(x
i+2
x
i
)
_
x
i
+x
i+2
2
La fonctionnelle à minimiser devient alors
J
disc
(

R) = |S

R R|
2
+|L
R|
2
et le resultat est solution de
(S
S +L
L)

R = S
R. (6.14)
Remarquons que
S
S est une matrice M M diagonale avec [S
S]
ii
= 1 si x
i
appartient à lancienne grille et 0 sinon.
S
R est un vecteur de dimension M, tel que [S
R]
i
= R
j
si x
i
= T
j
et zero sinon.
La matrice L
L est donnee par la formule

[L
L]
ij
=
M2
k=1
L
ki
L
kj
Les courbes zero et forward calculees sont montrees sur g. 6.4. On remarque qu` a la fois la precision de
calibration et la stabilite des courbes zero et forward sont meilleures dans ce cas que pour les deux methodes
classiques de g. 6.3.
Pour choisir de facon optimale, on utilise le principe de discrepance: on augmente pour ameliorer la
stabilite tant que le niveau derreur reste acceptable.
0.01 0.1 1 10
max [R(T
i
) R
i
[ 0.0035 0.0088 0.0247 0.0588
La valeur optimale pour un niveau derreur inferieur à 1bp est donc entre = 0.1 et = 1.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
110 PETER TANKOV
0 5 10 15 20 25 30
3
3.5
4
4.5
5
5.5
6
=1
=0.1
=0.01
Market data
5 10 15 20 25 30
5
5.5
6
6.5
=1
=0.1
=0.01
Figure 6.4: Gauche: courbes de taux zero-coupon pour dierentes valeurs du paramètre de regularisation.
Droite: courbes de taux forward correspondantes.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
Chapitre 7
Regularisation de problèmes de
calibration I: problèmes lineaires
7.1 Reconstruction de la densite risque-neutre
Dans cette section on se place dans un marche à une periode: t
0
= 0, t
1
= T o` u sont cotes les actifs suivants:
Un actif sans risque B
t
: B
0
= 1, B
T
= e
rT
Un actif risque S, S
0
= 1, S
T
à la densite p(x)
Des options europeennes sur S de maturite T
Le theorème fondamental de valorisation des actifs implique quil existe une densite risque-neutre (egalement
appelee densite des prix detats ou SPD pour state price density): une densite q
T
p
T
telle que
e
rT
_
xq
T
(x)dx = 1.
Le prix dune option de payo h satisfait
C
0
= e
rT
_
h(x)q
T
(x)dx.
Formule de Breeden-Litzenberger Pour une option call, la fonction payo est h(x) = (x K)
+
. On en
deduit
C
call
(K) = e
rT
_

K
(x K)q
T
(x)dx
q
T
(K) = e
rT
C
call
(K)
La deuxième formule est connue sous le nom de formule de Breeden-Litzenberger [8]. Pour calculer q avec cette
formule, il faut connatre les prix des calls pour toute valeur de strike. Or, ces prix sont connus seulement pour un
ensemble ni de valeurs de K et à une fourchette bid-ask près. Pour appliquer la formule de Breeden-Litzenberger
aux donnees de marche on doit donc interpoler les prix des options mais le problème de dierentiation etant mal
pose, le resultat sera très sensible aux erreurs de donnees et à la methode dinterpolation. Figure 7.1 montre le
resultat dapplication de cette formule aux prix doptions interpoles (par splines cubiques): on observe clairement
lamplication des erreurs de donnees dans la solution.
111
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
112 PETER TANKOV
0.1
0.05
0
0.05
0.1
0.15
0.2
0.25
0.3
Figure 7.1: Formule de Breeden-Litzenberger avec interpolation par splines cubiques. Les erreurs dans les
donnees sont ampliees dans la solution.
7.1.1 Application de la regularisation de Tikhonov à la reconstruction de la SPD
Pour determiner la densite risque-neutre q, on cherchera à regulariser lequation
_
h
i
(x)q
T
(x)dx = C
i
, h
i
(x) = e
rT
(x K
i
)
+
, i = 1, . . . , N
Avec les fonction pay-o non-bornees, la fonctionnelle q
_
h
i
(x)d(x)dx nest pas bornee et la theorie du
chapitre precèdent ne sapplique donc pas. Pour se ramener au cadre etudie auparavant, on remplacera les calls
par les contrats buttery (papillon) dont le payo est à support compact
H
but
i
=
x K
i
K
i+1
K
i
1
K
i
<xK
i+1
+
K
i+2
x
K
i+2
K
i+1
1
K
i+1
<xK
i+2
, h
but
i
= e
rT
H
but
i
.
Le prix de non-arbitrage dun contrat buttery peut se calculer à partir des prix de marche des options call:
C
but
i
=
C
i+2
C
i+1
K
i+2
K
i+1
C
i+1
C
i
K
i+1
K
i
.
Le problème initial se reecrit alors sous la forme
1
_
h
but
i
(x)q
T
(x)dx = C
but
i
, i = 1, . . . , N
et on peut maintenant appliquer la regularisation de Tikhonov. Suivant la theorie generale, on cherche à
minimiser la fonctionnelle
J(q) =
1
i=1
__
h
but
i
(x)q(x)dx C
but
i
_
2
+
_
q
2
(x)dx.
En utilisant lidentite elementaire
b
2
= sup
(2b
2
), le problème se transforme en
inf
q
sup
R
N
_
||
2
+ 2
N
i=1
i
__
h
but
i
(x)q(x)dx C
but
i
_
+
_
q
2
(x)dx
_
. (7.1)
1
Pour construire N prix de contrats buttery on a en eet besoin de N+2 prix de calls; ce problème peut etre resolu en ajoutant
deux donnees ctives avec prix nuls et strikes susamment eleves.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
5000 5500 6000 6500 7000 7500 8000
1
0.5
0
0.5
1
1.5
2
2.5
3
3.5
x 10
3
=0
=100
Figure 7.2: Reconstruction de q
T
avec et sans regularisation
Soit
V () = inf
q
_
||
2
+ 2
N
i=1
i
__
h
but
i
(x)q(x)dx C
but
i
_
+
_
q
2
(x)dx
_
. (7.2)
On peut demontrer que si V () admet un minimum unique
o` u elle est dierentiable, alors il ny a pas de

saut de dualite et on peut interchanger le inf et le sup dans (7.1). Le inf dans (7.2) est atteint par q(x) =
N
i=1
i
h
but
i
(x) do` u
V () = ||
2
2
N
i=1
i
C
but
i

N
i,j=1
j
_
h
but
i
(x)h
but
j
(x)dx
= ||
2
2
C
but
H.
o` u H est une matrice tridiagonale très simple à calculer:
H
i,i
= e
2rT
K
i+2
K
i
3
, H
i,i+1
= H
i+1,i
= e
2rT
K
i+2
K
i+1
6
.
On voit que V () est une forme quadratique avec une matrice strictement positive. Elle admet donc un minimum
unique o` u elle est dierentiable ce qui implique que le minimum de J(q) est atteint par
q(x) =
N
i=1
i
h
but
i
(x) avec
= (H +I)
1
C
but
Le resultat de lapplication de cette formule aux donnees doptions est montre sur le graphique 7.2. Pour choisir
le paramètre de regularisation on utilise le principe de discrepance qui consiste à prendre maximal pour
lequel lerreur peut encore etre toleree. Si ce seuil derreur est xe à 0.01 le tableau suivant montre que
optimal se trouve entre 1 et 10.
1 10 100
Err. 0.005 0.039 0.139
Regularisation avec projection Un lecteur attentif remarquera que la fonction obtenu representee sur le
graphique 7.2 prend des valeurs negatives et nest pas forcement dintegrale egale à 1 car nous avons regularise
la formule de Breeden-Litzenberger sans imposer que q
T
soit une densite.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
114 PETER TANKOV
5000 5200 5400 5600 5800 6000 6200 6400 6600 6800 7000
0
0.5
1
1.5
2
2.5
3
3.5
x 10
3
=0
=100
Figure 7.3: Regularisation de Tikhonov avec projection: resultats numeriques.
Pour reconstruire la densite risque-neutre, il faut imposer les contraintes q 0,
_
q(x)dx = 1 et e
rT
_
xq(x)dx =
S
0
. Soit C lensemble convexe ferme decrit par ces contraintes. Une methode consiste à projeter la regularisee
de Tikhonov q
sur cet ensemble à la n du calcul.

q
C
= P
C
q
= arg inf
pC
_
(p(x) q
(x))
2
dx,
do` u on trouve, par la methode de multiplicateurs de Lagrange:
q
C
= max(0, q
(x) e
rT
x)
avec
(, ) = arg inf
_
((q
(x) e
rT
x) 0)
2
dx + +S
0
.
Ce deuxième problème de minimisation (en deux dimensions) doit etre resolu numeriquement. Le resultat de
calcul (o` u on a impose seulement la contrainte de positivite et la contrainte dintegrale egale à 1 mais non la
contrainte de martingale) est montre sur le graphique 7.3.
Regularisation entropique Une autre methode pour imposer la positivite de la densite consiste à choisir
une regularisation adaptee. Pour regulariser une densite on utilise souvent lentropie relative (distance de
Kullback-Leibler) de q par rapport à une mesure à priori p denie par
I(q[p) =
_
log
_
dq
dp
_
dq
dp
dp
La mesure p reète notre connaissance à priori sur la solution. La fonctionnelle à minimiser secrit alors
J(q) =
1
N
i=1
__
h
but
i
q(x)dx C
but
i
_
2
+
_
log
_
dq
dp
_
dq
dp
dp
Nous ne sommes plus dans le cadre de regularisation de Tikhonov (lentropie nest pas une norme) mais on peut
toujours demontrer la convergence de cette methode sous certaines conditions voir [29]. La minimisation de
J(q) sous la contrainte de masse q(R) = 1 donne
q(dx) =
exp
_
2
i
h
but
i
_
_
dp exp
_
2
i
h
but
i
_p(dx)
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
5000 5200 5400 5600 5800 6000 6200 6400 6600 6800 7000
0
0.2
0.4
0.6
0.8
1
1.2
x 10
3
Densite a priori
=0
alpha=0.01
Figure 7.4: Regularisation entropique: resultats numeriques.
avec
= arg inf 2
N
i=1
i
C
but
i
+||
2
+ log
__
dpe
2
i
h
but
i
_
.
On doit donc resoudre un problème de minimisation convexe N-dimensionnel (un multiplicateur de Lagrange
par prix doption). Le resultat de calcul (avec une mesure a priori gaussienne) est represente sur le graphique
7.4. Pour plus de details sur la regularisation entropique pour la reconstruction de la densite risque-neutre voir
[1, 56].
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
116 PETER TANKOV
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
Chapitre 8
Regularisation de problèmes de
calibration II: problèmes non-lineaires
8.1 Regularisation de Tikhonov pour les problèmes non-lineaires
Dans le cas de problèmes mal poses lineaires de type Tx = y, les etapes de resolution sont les suivantes:
1. Pour quune solution existe (au moins en dimension nie), on utilise la methode de moindres carrees:
|Tx y| min!
2. Pour que la solution soit unique, on passe à la solution de norme minimale (SNM) qui minimise |x| sur
lensemble des solutions au sens de moindres carrees.
3. Pour que la solution soit continue par rapport aux donnees, on applique la methode de regularisation de
Tikhonov:
|Tx y|
2
+|x|
2
min!
La methode de Tikhonov admet une solution explicite
x
= (T
T +I)
1
T
y,
qui converge vers la SNM lorsque le niveau derreur 0, si le paramètre de regularisation () est choisi
correctement.
Dans le cas dun problème non-lineaire f(x) = y certaines de ces conclusions ne seront plus vraies:
1. La solution au sens de moindres carrees denie par
|f(x) y| min!
peut ne pas exister meme en dimension nie (voir Fig. 8.1).
2. La solution de norme minimale doit etre remplacee par x
0
-solution de norme minimale qui minimise
|x
0
x| sur lensemble des solutions au sens de moindres carrees, o` u x
0
est une valeur de reference. Cette
solution nest pas, en general, unique.
3. La regularisation de Tikhonov:
|f(x) y|
2
+|x x
0
|
2
min!
assure lexistence, la continuite et, pour grand, lunicite.
Cette fois, la methode de Tikhonov nadmet pas de solution explicite, mais les solutions regularisees convergent
toujours vers lune des SNM lorsque le niveau derreur diminue vers zero, si () est choisi de facon appropriee.
117
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
118 PETER TANKOV
0.1
0.15
0.2
0
1
2
0
1
2
3
x 10
5
0.1
0.15
0.2
0.25
0
5
10
0.5
1
1.5
2
x 10
5
B
A
Figure 8.1: Meme en dimension ni, |f(x) y|
2
peut etre non-convexe. Les graphiques illustrent la forme de
la fonctionnelle à minimiser dans dierents problèmes de calibration.
R ole de regularisation: existence Toutes les solutions de
inf|f(x) y|
2
+|x x
0
|
2
appartiennent à lensemble
|x x
0
|
1
|f(x
0
) y|
En dimension nie cet ensemble est compact, et pour avoir une solution il sut que f soit continu. En dimension
innie les hypothèses plus nes sont necessaires: il faut que f soit faiblement continu.
R ole de regularisation: continuite La denition de continuite change en presence de solutions multiples:
soient deux sequences x
k
et y
k
avec y
k
y
et x
k
la solution du problème regularise avec donnee y
k
. Alors
Il existe une sous-suite convergente de x
k
.
La limite de toute sous-suite convergente de x
k
est une solution du problème regularise avec donnee y
.
Interpretation: si la donnee y est proche de y
, alors chaque solution avec donnee y sera proche dune des

solutions avec donnee y
.
R ole de regularisation: unicite pour grand Dans le cas o` u f est une fonction R R,
2
x
2
|f(x) y|
2
+|x x
0
|
2
= 2f
2
(x) + (f(x) y)f
(x) +
Si f et ses derivees sont bornees, |f(x) y|
2
+|x x
0
|
2
est convexe pour susamment grand.
En dimension grande ou innie on rencontre aussi ce phenomène; le problème regularise est plus facile à
resoudre par une methode de gradient que le problème initial.
8.2 Regularisation du problème de calcul de la volatilite locale
Dans les modèles de volatilite locale
dS
t
S
t
= rdt +(t, S
t
)dW
t
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
les prix doptions satisfont lequation backward de pricing:
C
t
+rS
C
S
+
1
2
2
(t, S)S
2
2
C
S
2
= rC, C(T, S, T, K) = (S K)
+
Cette equation denit loperateur de pricing (, ) C(, ). Cependant, loperation inverse qui consiste à
reconstruire (t, S) pour tout t, S à partir dun nombre ni de prix C
M
(T
i
, K
i
), i = 1 . . . N, est un problème
mal pose.
Regularisation de Tikhonov Lagnado et Osher [44], Crepey [20] et dautres auteurs ont utilise la methode
de Tikhonov pour regulariser le problème de calibration de la surface de volatilite locale. Plus precisement, ces
auteurs proposent de minimiser la fonctionnelle
J()
N
i=1
w
i
(C(T
i
, K
i
, ) C
M
(T
i
, K
i
))
2
+||
2
2
, (8.1)
||
2
2

_
K
max
K
min
dK
_
T
max
T
min
dT
_
_
K
_
2
+
_
T
_
2
_
. (8.2)
Techniquement, ||
2
nest pas une norme. Pour se ramener au cadre de regularisation de Tikhonov, on
pourrait prendre
J()
N
i=1
w
i
(C(T
i
, K
i
, ) C
M
(T
i
, K
i
))
2
+||
2
H
1
o` u ||
2
H
1 ||
2
2
+
_
K
max
K
min
_
T
max
T
min
2
(T, K)dT dK
mais, empiriquement, cela nameliore pas la regularisation.
Pour minimiser (8.1), on peut utiliser, par exemple, un algorithme de descente de gradient (ou la methode
de gradient conjugue voir chapitre 9):
Discretiser sur une grille espace-temps;
Choisir une surface initiale
(0)
, par exemple, constante;
Evaluer le gradient de J() au point
(0)
et calculer la direction de descente
(0)
;
Resoudre le problème de minimisation unidimensionnelle
h
= arg inf
h
J(
(0)
+h
(0)
);
Poser
(1)
:=
(0)
+h
(0)
et passer à literation suivante.
Pour mettre en place cet algorithme, une etape essentielle est de calculer le gradient de J. Le gradient
grad J()(t, S) est deni par:
grad J(), = J() lim
0
J( +) J()
pour toute fonction test .

Pour le deuxième terme dans (8.1), lintegration par parties donne
||
2
2
= 2
_
K
max
K
min
dK
_
T
max
T
min
dT
_
K
2
+

2
T
2
_
,
do` u
grad ||
2
2
= 2
_
K
2
+

2
T
2
_
.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
120 PETER TANKOV
Le premier terme (note par J
1
) est plus dicile. On a
J
1
() = 2
N
i=1
w
i
(C(T
i
, K
i
, ) C
M
(T
i
, K
i
))C(T
i
, K
i
, )
=
_
2
N
i=1
w
i
(C(T
i
, K
i
, ) C
M
(T
i
, K
i
))
(T
i
,K
i
)
(T, K), C(T, K, )
_
,
o` u le produit scalaire est ici deni par
f, g =
_
T
0
_

0
fgdKdT
avec

T lhorizon du temps maximal. La fonction C(T, K, ) satisfait lEDP de Dupire
C
T
=
1
2
2
(T, K)K
2

2
C
K
2
rK
C
K
, C(t, K) = (S
t
K)
+
,
do` u
C
T
=
1
2
2
(T, K)K
2
2
C
K
2
rK
C
K
+K
2

2
C
K
2
,
ce quon peut ecrire
/C = K
2

2
C
K
2
, / =

T

1
2
2
(T, K)K
2

2
K
2
+rK

K
.
Soit G une fonction qui satisfait
/
G = 2
N
i=1
w
i
(C(T
i
, K
i
, ) C
M
(T
i
, K
i
))
(T
i
,K
i
)
(T, K), G(
T, K) = 0, (8.3)
o` u /
est loperateur adjoint

/
f =
f
T

1
2
2
K
2
(
2
(T, K)K
2
f)

K
(rKf).
Alors
/
G, C(, , ) = G, /C(, , ) = GK
2

2
C
K
2
, ,
ce qui implique
grad J
1
() = K
2

2
C
K
2
G.
Resolution du problème adjoint Soit
F(T, K) =
_
K
0
dK
_
K
0
dxG(T, x).
Alors lequation (8.3) devient
F
T

1
2
2
K
2

2
F
K
2
rK
F
K
+rF
= 2
N
i=1
w
i
(C(T
i
, K
i
, ) C
M
(T
i
, K
i
))(K K
i
)
+
T
i
(T) (8.4)
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
et
grad J
1
() = K
2

2
C
K
2
2
F
K
2
.
Lequation (8.4) est lequation Black-Scholes standard entre les dates de maturite des options, et aux maturites,
on a
F(T
i
+, K) F(T
i
, K) = 2
j:T
j
=T
i
w
i
(C(T
j
, K
j
, ) C
M
(T
j
, K
j
))(K K
j
)
+
.
Cette equation se resout par morceaux entre les dates de maturite.
Implementation numerique Principe: calculer le gradient exact du problème discretise plutot que le gradi-
ent approche du problème continu. Pour limplementation numerique, la volatilite locale doit etre discretisee
suivant lune des methodes proposees dans la litterature:
Dierences nies: Lagnado et Osher [44].
Arbre trinomial: Crepey [20].
Le problème est ensuite resolu par la methode de descente de gradient dans lespace de surfaces de volatilite
discretisees.
Points faibles de la methode
La fonctionnelle à minimiser J() nest pas, en general, convexe.
La dimension du problème de minimisation est très grande (le nombre de noeuds dans larbre: 10
3
10
4
).
La regularisation est la meme (||) dans les regions o` u la volatilite à beaucoup dinuence sur les prix
et dans les regions o` u cette inuence est très petite (l` a o` u le processus de prix a peu de chances darriver).
Representation de volatilite par splines Pour reduire la dimension du problème doptimisation, plusieurs
auteurs ont propose de representer la volatilite par splines: [41, 12].
Splines cubiques: methode dinterpolation dune fonction f(x) dont les valeurs f
i
sont connues en un nombre
ni de points x
0
, . . . , x
n
.
f(x) = a
i
x
3
+b
i
x
2
+c
i
x +d
i
pour x [x
i1
, x
i
]
f C
2
([x
0
, x
n
])
Les coecients du spline sont calcules à partir des equations suivantes:
a
i
x
3
i1
+b
i
x
2
i1
+c
i
x
i1
+d
i
= f
i1
, i = 1 . . . n
a
i
x
3
i
+b
i
x
2
i
+c
i
x
i
+d
i
= f
i
, i = 1 . . . n
3a
i
x
2
i
+ 2b
i
x
i
+c
i
= 3a
i+1
x
2
i
+ 2b
i+1
x
i
+c
i+1
, i = 1 . . . n 1
(continuite de f
)
6a
i
x
i
+ 2b
i
= 6a
i+1
x
i
+ 2b
i+1
, i = 1 . . . n 1
(continuite de f
)
Il restent alors deux degres de liberte pour completement xer les coecients. Pour le spline cubique naturel,
on prend f
(x
0
) = f
(x
n
) = 0. Ce spline est la fonction qui minimise
_
x
n
x
0
(f
)
2
dx parmi toutes les fonctions
qui passent par les points (x
i
, f
i
)
n
i=0
.
Dans lapproche de Jackson, Suli et Howison [41], (t, S) est supposee 2 fois contin ument dierentiable en
S et continue en t:
Pour chaque t xe, (t, S) est une spline cubique avec noeuds S
0
. . . S
P
.
Pour chaque p = 0, . . . , P, (t, S
p
) est lineaire par morceaux avec noeuds t
0
, . . . , t
Q
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
122 PETER TANKOV
La volatilite est completement determine par la matrice de coecients (
pq
)
q=0...Q
p=0...P
, o` u
pq
= (t
q
, S
p
).
Pour resoudre le problème de calibration, on minimise la fonctionnelle
J() =
N
i=1
w
i
(C(T
i
, K
i
, ) C
M
(T
i
, K
i
))
2
+c
1
p,q
2
S
(S
p
, t
q
)
(P + 1)(Q+ 1)
+c
2
p,q;q,=Q
2
t
(S
p
, t
q
+)
(P + 1)Q
Une discretisation par dierences nies ou elements nis est toujours necessaire pour calculer les prix doptions
mais la dimension du problème de minimisation est reduite.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
Chapitre 9
Methodes numeriques pour la
calibration de modèles
9.1 Algorithmes doptimisation
9.1.1 Optimisation: rappels theoriques
Soit H un espace de Hilbert, J : H R et K H. On dit que u
K est un minimum global de J sur K si

u K, J(u
) J(u).
u
K est un minimum local de J sur K sil existe > 0 tel que |u
u| implique J(u
) J(u).
Une fonction J : H R est semicontinue inferieurement (sci) si pour toute suite u
n
n=1
telle que limu
n
=
u,
J(u) liminf J(u
n
)
On rappelle quun ensemble K H est un compact (plus precisement, K est sequentiellement compact) si à
partir de toute suite u
n
n=1
K on peut extraire une sous-suite u
n
k
k=1
K telle que limu
n
k
K. Un
ensemble K R
n
est compact si et seulement sil est ferme et borne. Ceci nest plus vrai en dimension inni.
Theorème 6. Soit J une fonction sci et K un ensemble compact. Alors J admet un minumum global sur K.
Corollaire 3 (existence de minimum dans R
n
). Soit K un ferme de R
n
et J : K R une fonction sci innie
à linni:
lim
n
J(u
n
) = si lim
n
|u
n
|
Alors J admet un minimum global sur K.
Fonctions convexes Un ensemble K est convexe si u, v K [0, 1],
u + (1 )v K
Soit K un ensemble convexe. Une fonction J : K R est convexe si u, v K [0, 1],
J(u + (1 )v) J(u) + (1 )J(v)
On dit que J est strictement convexe si linegalite est stricte dès que u ,= v et (0, 1).
Theorème 7 (Minimisation dune fonction convexe). Soit K H un ensemble convexe ferme et soit J : K R
une fonction convexe sci innie à linni:
lim
n
J(u
n
) = si lim
n
|u
n
|
Alors J admet un minimum global sur K. Si J est strictement convexe, le minimum est unique.
123
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
124 PETER TANKOV
9.1.2 Problèmes doptimisation en nance
Les dierents problèmes doptimisation en nance necessitent des algorithmes dierents:
1. Programmation lineaire:
infa, x s. c. Bx b
Exemple: optimisation de rendement de portefeuille sous contraintes de trading. Solution: methode de
simplexe.
2. Programmation quadratique:
infAx, x s. c. Bx b
Exemple: minimisation de la variance de portefeuille sous contraintes de rendement et de trading.
3. Minimisation dune fonction convexe (ou presque) et dierentiable. Exemple: problèmes de calibration
regularises. Solution: methodes de gradient, gradient conjugue ou quasi-newton.
4. Minimisation dune fonction non convexe et/ou non dierentiable. Exemple: problèmes de calibration
sans regularisation. Solution possible: algorithmes evolutionnaires.
Dans cet section on se concentre sur les methodes de minimisation des fonctions convexes.
9.1.3 Minimisation de fonctions convexes
Dans cette section, on etudie les algorithmes permettant de minimiser une fonction convexe J : R
n
R.
Les methodes de descente consistent à faire deplacer un point dans lespace de recherche
Dans les algorithmes à pas optimal, à literation n, une direction de descente p
n
est choisie puis on resout
un problème de minimisation unidimensionnelle:
u
n+1
= u
n
+
p
n
,
= arg inf
R
J(u
n
+p
n
)
Si J nest pas convexe, ces algorithmes trouvent un minimum local.
Un algorithme doptimisation unidimensionnelle est donc un brique de base pour presque tous les methodes
multidimensionnelles.
Optimisation unidimensionnelle Les algorithmes de minimisation unidimensionnelle sinspirent des methodes
de solution dequations: bissection, methode de Newton ou combinaison de deux. Pour demarrer, ces algo-
rithmes necessitent le plus souvent que le minimum soit dej` a localise: il faut trouver 3 nombres a < b < c tels
que f(b) < f(a) et f(b) < f(c). Lalgorithme golden section search, analogue à la bissection, procede ensuite
par iterations successives:
Choisir un point x, soit dans (a
n
, b
n
) soit dans (b
n
, c
n
). Supposons pour xer les idees que x (b
n
, c
n
).
Si f(b
n
) < f(x), poser
(a
n+1
, b
n+1
, c
n+1
) = (a
n
, b
n
, x);
sinon poser
(a
n+1
, b
n+1
, c
n+1
) = (b
n
, x, c
n
).
Le fonctionnement de cet algorithme est represente graphiquement sur la g. 9.1. La règle optimale pour le
choix de x consiste à prendre
x = b
n
+w(c
n
b
n
), si c
n
b
n
> b
n
a
n
x = b
n
w(b
n
a
n
), sinon,
o` u
w =
3
5
2
0.382
est le nombre dor.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
a
i
b
i c
i
w(c b )
i i
a
i+1
b
i+1
c
i+1
Figure 9.1: Lalgorithme golden section search pour la recherche de minumum en une dimension.
Algorithme de relaxation La methode la plus intuitive pour minimiser une fonction J : R
n
R consiste
à la minimiser successivement suivant chaque dimension. Pour calculer literation u
i+1
à partir de u
i
, on pose,
u
i+1
1
= arg inf
u
J(u, u
i
2
, . . . , u
i
n
)
u
i+1
2
= arg inf
u
J(u
i+1
1
, u, u
i
3
, . . . , u
i
n
)
. . .
u
i+1
n
= arg inf
u
J(u
i+1
1
, . . . , u
i+1
n1
, u)
Figure 9.2, graphique de gauche, montre le fonctionnement de cet algorithme pour la fonction
f(x, y) = (x +y)
2
+
1
20
(x y)
2
.
On voit que la performance peut etre amelioree en choisissant bien la direction de descente.
Algorithme de gradient à pas optimal Dans cet algorithme, on cherche à aller toujours dans la direction
de decroissance la plus rapide de la fonction J. Pour calculer literation u
i+1
à partir de u
i
, on pose,
u
i+1
= u
i
i
J
(u
i
)
o` u
i
= arg inf
R
J(u
i
J
(u
i
))
Comme le montre g. 9.2, graphique de droite, il nest pas toujour judicieux de choisir la direction de descente
la plus rapide!
Algorithme de gradient conjugue Lalgorithme de gradient conjugue choisit la meuilleure direction en
tenant compte non seulement de lendroit o` u lon se trouve, mais aussi de toutes les directions que lon avait
choisies auparavant. Supposons dans un premier temps:
J(u) =
1
2
(Au, u) (b, u)
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
126 PETER TANKOV
2 1.5 1 0.5 0 0.5 1 1.5 2
2
1.5
1
0.5
0
0.5
1
1.5
2
2 1.5 1 0.5 0 0.5 1 1.5 2
2
1.5
1
0.5
0
0.5
1
1.5
2
Figure 9.2: Gauche: Algorithme de relaxation (minimisation successive suivant chaque dimension). Droite:
Algorithme de gradient à pas optimal. Les ellipses sur chaque graphique sont les lignes de niveau de la fonction
à minimiser.
Dans ce contexte la methode de gradient secrit:
u
n+1
= arg inf
uu
n
+1(J
(u
n
))
J(u)
La methode de gradient conjugue propose:
u
n+1
= arg inf
uu
n
+1(J
(u
0
),...,J
(u
n
))
J(u)
La condition de 1er ordre implique:
n, J
(u
n
), J
(u
k
) = 0 k < n
Soit p
n
:= u
n+1
u
n
le n-ième pas de lalgorithme. Alors
Ap
n
, J
(u
k
) = 0 k < n
Ceci implique que Ap
n
/(J
(u
0
), . . . , J
(u
n1
))
et donc
Ap
n
, p
k
= 0 k < n (9.1)
Les vecteurs (p
k
)
1kn
sont dits conjugues par rapport à A.
Pour chaque n, il existe x /(J
(u
0
), . . . , J
(u
n1
)) tel que
p
n
= J
(u
n
) +x
La relation de conjugaison (9.1) implique que pour tout k < n 1, Ax, p
k
= 0 et donc x p
n1
. Il existent
alors z
n
, k
n
R et
n
R avec
p
n
=
n
z
n
et z
n
= J
(u
n
) +k
n
z
n1
La relation (9.1) donne à nouveau: z
n
, Az
n1
= 0 et
k
n
=
J
(u
n
), Az
n1
z
n1
, Az
n1
=
|J
(u
n
)|
2
|J
(u
n1
)|
2
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
2 1.5 1 0.5 0 0.5 1 1.5 2
2
1.5
1
0.5
0
0.5
1
1.5
2
2 1.5 1 0.5 0 0.5 1 1.5 2
2
1.5
1
0.5
0
0.5
1
1.5
2
Figure 9.3: Gauche: methode de gradient conjugue. Droite: methode de gradient avec projection.
Version nale de lalgorithme:
Initialisation: u
0
, z
0
= J
(u
0
)
u
n+1
= u
n
+z
n
o` u = arg inf
R
J(u
n
+z
n
)
z
n+1
= J
(u
n+1
) +
|J
(u
n+1
)|
2
|J
(u
n
)|
2
z
n
Lalgorithme permet de minimiser une forme quadratique N-dimensionnelle en N iterations (voir g. 9.3,
graphique de gauche). Il est aussi ecace pour des fonctions convexes generales.
Methodes de type Newton Dans les methodes de type Newton, on utilise non seulement le gradient de J
mais aussi sa matrice Hessienne J
. Pour calculer literation u

i+1
à partir de u
i
, on ecrit un developpement de
J autour de u
i
:
J(u) J(u
i
) +J
(u
i
)(u u
i
) +
1
2
(u u
i
)
(u
i
)(u u
i
)
Cette expression est minimale pour
u = u
i
J
(u
i
)
1
J
(u
i
)
La methode de Newton consiste à poser
u
i+1
= u
i
J
(u
i
)
1
J
(u
i
)
Avantages des methodes de type Newton
Minimisation dune forme quadratique en une iteration.
Convergence quadratique près de minimum.
Les defauts
Le calcul et linversion de J
est necessaire.
La performance est mauvaise si J
nest pas denie positive ou si J ne ressemble pas à une forme quadra-

tique.
Solution: methodes quasi-Newton (e.g. BFGS): à chaque iteration, on utilise J
pour mettre à jour une approx-

imation de J
qui reste toujours denie positive.

c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
128 PETER TANKOV
Optimisation sous contraintes On cherche à resoudre
inf
uK
J(u),
o` u K est typiquement un ensemble convexe ferme. En cas de contraintes degalite, on essaie, si possible de passer
aux variables independantes ou introduire les multiplicateurs de Lagrange. En cas de contraintes dinegalite:
methodes de projection ou penalisation de contraintes.
Methode de gradient avec projection Lalgorithme de gradient à pas optimal avec projection consiste à
projetter la solution sur lensemble admissible après chaque iteration de la methode de gradient. Pour calculer
literation u
i+1
à partir de u
i
, on pose,
u
i+1
= P
K
(u
i
i
J
(u
i
)),
o` u
i
= arg inf
R
J(u
i
J
(u
i
)).
Si lensemble K est un rectangle
K = [a
1
, b
1
] . . . [a
n
, b
n
],
loperateur de projection a la forme particulièrement simple:
[P
K
u]
i
= min(b
i
, max(a
i
, u
i
)).
Figure 9.3, graphique de droite, illustre le fonctionnement de cet algorithme pour lensemble de contraintes
K = (x, y) : y 0.5.
Methodes de penalisation de contraintes Soit K de la forme
K = u : F
i
(u) 0, i = 1, . . . M
avec les fonctions F
i
convexes et continues. La methode de penalisation de contraintes consiste à remplacer le
problème initial par un nouveau problème sans contraintes et avec une fonction dobjectif modiee:
u
= arg inf
vR
n
_
J(v) +
1
i=1
max(F
i
(v), 0)
_
.
Le problème penalise reste alors convexe et on peut demontrer que
lim
0
u
= arg inf
vK
J(v).
Bibliographie et liens .
Methodes numeriques generales; description et code source de nombreux algorithmes doptimisation sans
contrainte
W. H. Press, S. A. Teukolsky, W. T. Vetterling, and B. P. Flannery, Numerical Recipes in
C: the Art of Scientic Computing. Livre disponible sur internet: www.nr.com
Implementation professionnelle de la methode BFGS avec contraintes de type intervalle
C. Zhu, R. H. Byrd and J. Nocedal, L-BFGS-B: Algorithm 778: L-BFGS-B, FORTRAN routines
for large scale bound constrained optimisation.
www.ece.northwestern.edu/nocedal/lbfgsb.html
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
Appendix A
Quelques rappels sur le calcul
stochastique et les processus de
Markov
Theorème 8 (Critère de Novikov). Soit M une martingale locale continue et supposons que
E[e
1
2
M)
] <
Alors c(M) := (e
M
t
1
2
M)
t
)
t0
est une martingale uniformement integrable.
Approximation dun processus de diusion par une chane de Markov Soit X une diusion markovi-
enne:
dX
t
= (X
t
)dt +(X
t
)dW
t
,
o` u W est un mouvement standard, et pour tout h > 0, soit X
h
n
n1
une chane de Markov. On dit que la
famille de chanes de Markov X
h
n
h>0
n1
est localement consistante avec X si elle satisfait les conditions suivantes:
E[X
h
n
[X
h
n
] = (X
h
n
)h +o(h),
Var [X
h
n
[X
h
n
] = a(X
h
n
)h +o(h),
sup
n,
[X
h
n
[
h0
0,
o` u on utilise la notation X
h
n
:= X
h
n+1
X
h
n
et a(x) = (x)(x)
.
Theorème 9 (Approximation par chane de Markov, [43]). Soit et continus et bornes et soit X
h
n
h>0
n1
une
famille de chanes de Markov faiblement consistante avec X. Alors le processus interpole deni par
X
h
t
= X
h
[t/h]
converge faiblement vers une diusion markovienne avec derive et coecient de diusion .
129
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
130 PETER TANKOV
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
Appendix B
Examens des annees precedentes
B.1 Master Modelisation Aleatoire, examen du 27 avril 2006
Exercice 1 (Problèmes inverses mal poses; 6 points). On cherche à resoudre lequation
AX = E (B.1)
avec
A =
_
_
_
0 0
1 1
1 1
_
_
_ E =
_
_
_
1
1
0
_
_
_ et X R
3
1. Cette equation, a-t-elle une solution au sens strict? Calculer lensemble de ces solutions au sens de
moindres carres. Calculer la solution moindres carres de norme minimale.
2. Quelle sera la solution moindres carres de norme minimale si on remplace E par
E
=
_
_
_
1 +
1
0
_
_
_
Que peut-on dire sur la stabilite de calcul lorsque 0.
3. Calculer la solution de ce problème pour la donnee E
en utilisant la regularisation de Tikhonov avec

paramètre de regularisation donnee par
X
= arg inf
X
|AX E
|
2
+|X|
2
pour un > 0 xe, que peut-on dire sur la stabilite de calcul lorsque 0.
4. Supposons que () est choisi tel que () 0 quand 0. Montrer que X
()
X
lorsque 0, o` u
X
est la solution de norme minimale de (B.1). Pourquoi, dans ce cas on na pas besoin dimposer une
condition supplementaire (voir le cours) sur () pour avoir la convergence?
Exercice 2 (Arbres trinomiaux implicites; 5 points). Dans cet exercice on considère un arbre trinomial à deux
periodes de structure suivante (les prix de laction S dans les noeuds sont indiques sur larbre):
131
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
132 PETER TANKOV
r
r
r
r
r
r
r
r
r
r
r
r
t
t
t
t
t
t
t
t
t
r
r
r
r
r
r
r
r
r
r
r
r
8
4
2 4
1
4
16
8
2
Sur ce marche, les prix doptions suivants ont ete observes:
Un call de strike K = 4 et maturite T = 1 cote à 1.2.
Un call de K = 2 et T = 2 cote à 2.36.
1. En supposant que le taux dinteret est egal à zero et en utilisant la methode decrite dans le cours, calculer
les probabilites de transition dans cet arbre (12 probabilites au total).
2. Utiliser ces probabilites de transition pour calculer le prix dune option Call upandout avec une barrière
à B = 6 (la valeur de loption est zero à maturite si la barrière a ete franchi pendant la vie de loption),
de strike K = 2 et maturite T = 2.
Problème 1 (9 points). Dans un marche nancier soumis au defaut il existent deux actifs risques:
Une action S dont levolution du prix est decrit par
dS
t
S
t
= dt +dW
t
, t < , S
t
= 0, t , (B.2)
o` u est linstant du defaut.
Un zero-coupon B soumis au defaut de maturite T. A la maturite, le prix de ce zero-coupon vaut 1 si
> T et zero sinon. A nimporte quelle date le prix de ce zero-coupon est une fonction uniquement du
temps et de la valeur de laction notee par B(t, S).
Il existe egalement un compte bancaire sans risque dont le taux dinteret est constant et egal à r.
Première partie Dans un premier temps on cherche à demontrer quune option europeenne sur S peut etre
couvert par une portefeuille contenant des actions, des zero-coupons risques et lactif sans risque.
1. Soit V
t
la valeur du portefeuille autonancant contenant du cash,
t
actions et
t
unites de B. Ecrire
lexpression pour dV
t
.
2. On considère maintenant une option sur S qui paie h(S) à la date T (maturite). Soit C(t, S) le prix de
cet option à une date t < T. On cherche à construire un portefeuille autonancant dont la valeur replique
C(t, S
t
). En utilisant le fait que dC(t, S
t
) = dV
t
avant le defaut et que C(t, S
t
) = V
t
à linstant du
defaut, determiner
t
,
t
et lequation satisfaite par C(t, S).
3. Montrer que lequation pour C(t, S) peut secrire sous la forme
LC rC +rS
C
S
C(t, S) C(t, 0) S
C
S
=
LB rB +rS
B
S
B(t, S) S
B
S
:= (t, S), (B.3)
o` u LC =
C
t
+
1
2
S
2
2
2
C
S
2
.
4. Rappeler lequation de Black-Scholes. Montrer que lequation (B.3) est une equation de Black-Scholes
avec un terme source et avec un taux dinteret modie, à denir.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
Deuxième partie Dans cette partie on suppose que (t, S) = est une constante.
1. Montrer que par un changement de variable on peut ramener lequation (B.3) à une equation de Black-
Scholes sans terme source, cest-` a-dire, montrer quon peut toujours trouver une decomposition C(t, S) =
C(t, S) +f(t) telle que

C satisfait lequation de Black-Scholes sans terme source, o` u f est une fonction à
denir.
2. En utilisant le resultat precedent, donner une formule explicite pour la solution de (B.3) dans le cas des
options call et put europeennes.
3. Calculer egalement le prix B(t, S) du zero-coupon soumis au defaut. En deduire que est toujours positif.
4. Montrer que dans ce modèle en presence de possibilite de defaut, les options call sont toujours plus chers
que dans le modèle Black-Scholes standard.
5. Montrer que le prix dune option europeenne de payo h(S
T
) peut secrire comme lesperance actualisee
de h(S
T
) sous la probabilite Q sous laquelle
dS
t
S
t
= (r +)dt +dW
Q
t
, t < , S
t
= 0, t ,
o` u W
Q
est un Q-mouvement Brownien et est une variable exponentielle independante de W de paramètre
.
B.2 Master Modelisation Aleatoire, examen du 10 mai 2007
Exercice 1 (Arbre trinomial, 6 points). Dans un marche incomplet sans arbitrage, le prix de certains actifs
nest pas unique, mais on peut toujours calculer les bornes darbitrage sur leur prix, donnees par
inf
Q
E
Q
[X] (X) sup
Q
E
Q
[X],
o` u Q est lensemble de toutes les probabilites risque-neutres sur le marche, X la valeur terminale de lactif,
(X) son prix à linstant initial, et le taux dinteret est suppose nul. Dans cet exercice on calculera les bornes
darbitrage pour le prix dune option dans un marche trinomial.
On se place dans un premier temps dans un modèle trinomial à 1 periode: un marche contenant un actif
sans risque B avec B
0
B
1
et un actif risque S o` u S
1
peut prendre les valeurs dS
0
, S
0
, uS
0
, d < 1 < u. On
note f la fonction pay-o de loption qui est supposee convexe comme cest le cas pour les calls et les puts.
1. Decrire lensemble des probabilites risque-neutres dans ce marche; montrer que cet ensemble peut etre
parametre par la probabilite p de transition S
0
uS
0
.
2. Montrer que lesperance E[f(S
1
)] est une fonction croissante de p. En deduire les bornes darbitrage
inf
Q
E
Q
[f(S
1
)] et sup
Q
E
Q
[f(S
1
)].
3. Montrer que les deux bornes sont des fonctions convexes de S
0
et que chaque borne peut secrire comme
le prix dune option de pay-o f dans un modèle plus simple qui constitue un cas particulier degenere du
modèle trinomial.
On se place maintenant dans un modèle trinomial à T periodes.
4. Calculer les bornes darbitrage inf
Q
E
Q
[f(S
T
)] et sup
Q
E
Q
[f(S
T
)]. Pour la borne superieure, la
solution ne sera pas complètement explicite, il sagit de donner la methode de calcul.
Indication: utiliser la convexite et les esperances conditionnelles embotees pour se ramener au cas traite
dans 1.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
134 PETER TANKOV
Exercice 2 (Options forward start, 5 points). Les options forward start sont les options dont le strike est
determine à une date future selon une règle specique, par exemple,
H
T
= (S
T
mS
T
0
)
+
, (1)
o` u T
0
< T est une date future et m est un nombre xe dans le contrat (moneyness de loption). On se place
dans un modèle exponentielle Levy sous la probabilite risque-neutre:
S
t
= S
0
e
rt+X
t
,
o` u (X
t
) est un processus de Levy, et on suppose que les prix des options Europeennes de tous les strikes et
toutes les maturites sont observables sur le marche.
1. Calculer (exprimer à partir des prix des europeens) le prix à linstant t = 0 dune option forward start
avec pay-o donne par (1).
Indication: utiliser lindependance et la stationnarite des accroissements dun processus de Levy.
2. Une option cliquet (sequence doptions forward start) a un pay-o de
12
i=1
max(0, r
i
), r
i
= S i
12
Si1
12
.
Calculer le prix à linstant t = 0 de cette option. Est-ce que le resultat vous parat realiste? Conclure sur
la pertinence des modèles exponentielle-Levy pour le pricing des options cliquets.
Exercice 3 (Couverture dans un modèle exp-Levy, 6 points). On se place dans un modèle exponentielle Levy
sous la probabilite martingale et en labsence de taux dinteret:
S
t
= S
0
e
X
t
,
o` u (X
t
) est un processus de Levy de la forme
X
t
= t +W
t
+aN
t
,
avec W un mouvement Brownien et N un processus de Poisson standard dintensite .
1. Calculer la valeur de pour laquelle (e
X
t
) devient une martingale.
On souhaite demontrer que dans ce modèle on peut couvrir parfaitement une option europeenne de pay-o
H
T
avec une strategie dynamique de trading en actions et une autre option, de pay-o H
0
T
. On note par
C
0
(t, S
t
) = E[H
0
T
[T
t
] le prix de loption de couverture et par C(t, S
t
) = E[H
T
[T
t
] le prix de loption quon
cherche à couvrir.
2 Ecrire la dynamique de C(t, S
t
) et C
0
(t, S
t
) et celle dun portefeuille autonancant contenant
t
actions
et
t
unites de loption C
0
. La valeur initiale du portefeuille est egale à C(0, S
0
) = E[H
T
].
3 En utilisant la relation disometrie pour les integrales stochastiques, calculer lesperance du carre de lerreur
de couverture (dierence entre le portefeuille de couverture et H
T
). Montrer quil est possible de choisir
des processus (
t
) et (
t
) pour annuler lerreur de couverture. De quelle condition sur C
0
avez-vous besoin?
4 Montrer que lorsque la taille du saut a est petite, les ratios de couverture sont proches de ratios delta-
gamma obtenus dans le modèle Black-Scholes.
Exercice 4 (Swap de volatilite, 7 points). On se place dans un modèle à volatilite stochastique sous la proba-
bilite risque-neutre et avec taux dinteret nul. La dynamique du sous-jacent secrit
dS
t
S
t
=
t
dW
t
.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
En introduisant le processus du log-prix X
t
= log(S
t
/S
0
), on a
X
t
=
_
t
0
2
s
ds.
Le swap de volatilite est un contrat dechange de la volatilite realisee dun actif sur une periode contre un somme
xe. Dans lapproximation continue, le pay-o dun swap de volatilite secrit
_
1
T
_
T
0
2
s
ds
_
1/2
vol
,
o` u
vol
est une valeur speciee dans le contrat. Il est rappele que le pay-o du swap de variance, traite en cours,
est donne par
1
T
_
T
0
2
s
ds
2
var
,
Calculer le taux de swap de volatilite signie trouver
vol
qui annule la valeur du swap à linstant t = 0.
Vous pouvez imposer les hypothèses dintegrabilite que vous trouvez necessaires, à condition quelles soient
clairement identiees dans votre solution.
1. Montrer que le pay-o dun swap de volatilite est majore par le pay-o du swap de variance sur le meme
sous-jacent plus une constante. En utilisant ce resultat, donner une borne superieure pour le taux du
swap de volatilite
vol
en fonction du taux du swap de variance
var
et le portefeuille de surreplication
correspondant.
Dans la suite de lexercice on suppose de plus que la volatilite (
t
) est independante du mouvement brownien
(W
t
).
2. Ecrire la dynamique de X et montrer que, sous lhypothèse dindependance ci-dessus,
E[e
X)
t
] = E[e
1
2
1
4
+2
X
t
], C.
3. On rappelle la representation suivante pour la fonction racine:
q =
1
2
_

0
1 e
sq
s
3/2
ds, q 0.
Utiliser cette representation pour montrer que E[X
1/2
T
] = E[h(S
T
/S
0
)] avec h une fonction deterministe
donnee par
h(x) =
1
2
_

0
1 Re[e
1
2
1
4
2s
log x
]
s
3/2
ds.
En deduire une methode pour calculer le taux de swap de volatilite à partir de la densite risque-neutre
q().
Pour la suite de lexercice on se place dans le cadre du modèle de Heston vu en cours, avec paramètres k = 1,
= 0.01, = 0.1 = 0 et v
0
= 0.01.
4. Calculer le taux de swap de variance decheance 3 mois, et la borne superieure pour le taux de swap de
volatilite (que vous avez obtenu en question 1 ci-dessus).
5. Calculer une approximation pour le taux de swap de volatilite, en utilisant une correction de convexite:
decomposition de la fonction

x en serie de Taylor jusquà lordre 2 autour du point E[X
T
].
Indication pour le calcul de variance de X
T
vous pouvez supposer que T est petit.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
136 PETER TANKOV
Exercice 1 (Corridor variance swaps). Un corridor variance swap est une modication du variance swap o` u
la variance du sous-jacent est comptabilise pour le calcul du pay-o seulement lorsque le sous-jacent se trouve
entre les bornes K
1
et K
2
. Le pay-o (dans lapproximation continue) est ainsi donne par
H
T
=
1
T
_
T
0
2
t
1
[K
1
,K
2
]
(S
t
)dt
2
K
,
o` u
K
est la valeur contractuelle de volatilite. Dans cet exercice on suppose que le processus de prix S est
continu et que le taux dinteret est nul.
1. En appliquant la formule dIt o à f(S
t
), montrer quil est possible, en choisissant une fonction f adaptee,
de representer le pay-o dun corridor variance swap comme la somme dune fonction de S
T
et dune
integrale stochastique par rapport à S
t
.
2. En deduire une methode de replication du corridor variance swap avec un portefeuille statique doptions
europeennes et une strategie dynamique de trading en lactif sous-jacent. Calculer egalement
K
qui
annule la valeur du swap.
Exercice 2 (Arbres implicites). On considère un modèle discret à trois periodes avec possibilite de defaut,
dont la structure est representee sur le graphique suivant. Les numeros des noeuds sont indiques sur larbre.
Les prix du sous-jacent dans les noeuds sont S
0
= S
0
1
= S
0
2
= S
0
3
= 80, S
1
1
= 100, S
1
2
= 120 et S
1
3
= 140.
l
l
l
l
l
l
t
t
t
t
t
t
D
D
D
D
D
D
l
l
l
l
l
l
t
t
t
t
l
l
l
l
l
l
@
@
@
@
@
@
@
@
@
@
@
@
r
r
r
r
r
r
S
1
1
S
0
1
S
0
2
S
0
3
0
S
0
0
S
1
2
S
1
3
0
On supposera le taux dinteret nul dans tout lexercice. Dans la première partie, on considère que le
processus S est markovien, cest-` a-dire, les probabilites de transition dependent seulement du noeud, mais pas
de la trajectoire empruntee pour arriver à ce noeud (comme dans le cours).
Les probabilites de transition entre les dierents noeuds sont notees p
m
n
(vers le haut) et q
m
n
(vers le bas)
avec n et m les indices du noeud correspondant.
1. A partir de la condition de non-arbitrage (S martingale), determiner les probabilites p
1
1
, p
2
1
, q
1
1
, q
2
1
et
les contraintes sur les probabilites p
0
, q
0
, p
0
1
, q
0
1
, p
0
2
, q
0
2
. Combien reste-t-il de degres de liberte dans ce
modèle?
2. Les options suivantes sont cotees à la date T = 0:
Un Call à la monnaie decheance T = 1, au prix de 12.
Un Call à la monnaie decheance T = 2, au prix de 15.
Un Call à la monnaie decheance T = 3, au prix de 20.25.
Determiner les probabilites p
0
, q
0
, p
1
1
, q
1
1
, p
1
2
, q
1
2
.
3. Utiliser les probabilites de transition pour calculer le prix dune option Put de strike K = 90 decheance
T = 3 avec une barrière desactivante à 100.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
Maintenant, on ne supposera plus le processus S markovien, cest-` a-dire, les probabilites de transition à
partir dun noeud peuvent dependre du chemin que le processus de prix a emprunte pour arriver à ce noeud.
4. Montrer, à partir de la condition dabsence darbitrage, que pour tous les noeuds sauf S
0
2
, les probabilites
de transition sont independantes de trajectoire et ont la meme valeur que dans la 1ère partie de lexercice.
5. On notera par p
0
2
et p
0
2
la valeur de la probabilite p
0
2
dans le cas ou le processus de prix a emprunte,
respectivement, une trajectoire haussière ou plate pour arriver au noeud S
0
2
. En utilisant la connaissance
du prix du Call à la monnaie decheance T = 3, demontrer que 24 p
0
2
+ 11 p
0
2
= 7. Combien de degres de
liberte reste-t-il dans le modèle?
6. Exprimer le prix dune option Put de strike K = 90 decheance T = 3 avec une barrière desactivante à
100 en fonction de p
0
2
et p
0
2
. En deduire les bornes de non-arbitrage pour le prix de cette option.
Exercice 3 (Crash notes). Une crash note est une option exotique permettant de se couvrir contre le risque
dune forte chute quasi-instantanee du sous-jacent. Dans cet exercice on considère une variante de ce produit
appelee daily cliquet put spread. Les caracteristiques de cette option sont lecheance T, les deux niveaux de
strike K
1
< K
2
< 1 et la valeur nominale N. On note par R
t
le rendement instantane
1
du sous-jacent R
t
=
S
t
S
t
et par la première date a laquelle ce rendement est inferieur à K
2
:
= inft : R
t
K
2
.
Le pay-o du produit est deni comme suit:
Si R
t
> K
2
pour tout t T, le pay-o est nul.
Sinon, lacheteur re coit à la date le montant N(K
2
R
)
+
N(K
1
R)
+
et le produit sarrete.
Pour letude de ce produit, on se dans le cadre dun modèle exponentielle-Levy risque-neutre: S
t
= S
0
e
X
t
,
o` u X est un processus de Levy de triplet caracteristique (
2
, , ) tel que S
t
est une martingale. Le taux
dinteret est suppose nul.
1. Exprimer le pay-o du produit en fonction des variables et X
.
2. Montrer que et X
sont independants, et donner les lois de ces deux variables.

3. En deduire le prix du daily cliquet (en fonction de la mesure de Levy de X). Quel est le delta de ce
produit?
4. Calculer le prix du daily cliquet dans le modèle de Kou, o` u la mesure de Levy a une densite
(x) = c
+
e
x/
+
1
x>0
+c
e
x/
1
x<0
.
5. Donner la representation du pay-o du daily cliquet comme lintegrale dune fonction à preciser par rapport
à la mesure aleatoire de Poisson de X, J
X
(ds dz).
6. En deduire une representation de martingale pour le prix C
t
du daily cliquet en fonction de temps t
(autrement dit, il faut representer le prix comme une constante + integrale par rapport à la mesure
aleatoire compensee de X,

J
X
(ds dz)).
7. En deduire le ratio de couverture optimal quadratique pour le daily cliquet. En comparant ce ratio au
delta du produit, conclure sur lapplicabilite de la couverture en delta en presence de sauts.
1
En realite on prend plutot le rendement journalier, do` u le nom daily cliquet, mais dans ce problème on utilise le rendement
instantane pour simplier le traitement.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
138 PETER TANKOV
Exercice 1 (Options sur variance). Dans cet exercice, S
t
est un processus de prix daction de dynamique
dS
t
S
t
=
t
dt +
t
dW
t
,
o` u est un processus stochastique. La variance integree de X
t
:= log S
t
est notee par
V
t
=
_
t
0
2
s
ds,
et
Q
est le 1er instant o` u la variance atteint une valeur donnee :
Q
= inft : V
t
= Q.
Dans tout lexercice le taux dinteret est suppose nul.
Première partie. Dans cette partie de lexercice on cherche à calculer le prix et la strategie de replication
du Perpetual timer option dont le pay-o à linstant
Q
est donne par f(S
Q
) avec f une fonction deterministe.
1. Soit h(t, y) une fonction C
1,2
. Appliquez la formule dIt o à h(V
t
, S
t
).
2. Montrer que si h verie lEDP de Black-Scholes avec volatilite constante egale à 1, h(Q, S
Q
) secrit comme
une integrale stochastique par rapport ` a dS.
3. Donner une condition terminale que h doit verier pour que cette integrale puisse sinterpreter comme un
portefeuille de replication du perpetual timer option.
4. Donner une representation de h comme integrale par rapport à la densite gaussienne.
5. En deduire la strategie de replication et la formule de prix dun perpetual timer option.
Deuxième partie. Maintenant on cherche une methode de sous-replication pour une option call sur variance
realisee, de pay-o (V
T
Q)
+
à linstant T.
6. Soit une fonction convexe C
2
veriant
2/y
2
. En appliquant la formule dIt o à (S
T
), donnez une
strategie de sous-replication de la variance V
T
avec une option europeenne dont le pay-o est à preciser
et un portefeuille dynamique dactions.
7. Montrer que si
Q
T alors à linstant
Q
le problème de sous-replication du payo (V
T
Q)
+
devient
equivalent au problème de sous-replication dun swap de variance (de strike nul). En utilisant la question
6., donner une strategie de sous-replication pour ce swap de variance avec une option europeenne et un
portefeille dynamique dactions (donner la composition du portefeuille à partir de linstant
Q
et le prix
du portefeuille à linstant
Q
).
8. Toujours dans le cas
Q
T, en utilisant la question 5., donner une strategie de sous-replication pour le
call sur variance realisee sur [0, T] et le prix de cette strategie en 0 (toujours avec une option europeenne
et un portefeuille dynamique dactions).
9. Montrer que cette strategie reste une strategie de sous-replication meme si
Q
> T.
10. En utilisant lintegration par parties, reecrire la borne inferieure pour le prix dune option sur variance
realisee comme une integrale de la forme
_
(y). . .dy.
11. En deduire la fonction

qui maximise la borne inferieure (sous les contraintes de convexite et
(y)
2/y
2
).
Exercice 2 (Valorisation doptions de courte maturite). On se place dans le cadre dun modèle exponentielle-
Levy
S
t
= e
X
t
,
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
o` u X est un processus de Levy dintensite nie de sauts, cest-` a-dire de la forme
X
t
= bt +W
t
+
N
t
k=1
Y
i
,
sous la probabilite risque-neutre Q, o` u N est un processus de Poisson standard et (Y
i
) sont des variables i.i.d.
La mesure de Levy de X est notee par . Le taux dinteret est suppose nul. On etudie le comportement du
prix dune option Put europeenne sur S de strike K < 1 (hors la monnaie) et de maturite T, donne par
P(T, K) = E[(K S
T
)
+
],
lorsque T 0.
Les quatre questions sont independantes
1. Calculer la valeur de b pour laquelle S est une martingale.
2. Demontrer que
lim
t0
1
t
E[(K e
bt+W
t
)
+
] = 0.
Vous pouvez par exemple appliquer la règle de lHopital.
3. Montrer que
lim
t0
E[(K e
bt+W
t
+Y
1
)
+
] = E[(K e
Y
1
)
+
].
4. En conditionnant lesperance par rapport à N
t
et en utilisant les deux resultats ci-dessus, demontrer que
lim
T0
1
T
P(T, K) =
_
R
(K e
x
)
+
(dx).
B.5 Master Probabilites et Finance, examen du 27 mars 2009
Modèle à volatilite stochastique de Barndor-Nielsen and Shephard
Première question On considère la dynamique suivante pour la volatilite:
d
2
t
= k
2
t
dt +dZ
t
, (B.4)
o` u Z est un processus de Poisson compose dintensite , dont les sauts ont une distribution exponentielle de
densite exponentielle f(z) = e
z
1
z>0
. On note v
t
=
2
t
.
1. En appliquant la formule dIt o à e
kt
v
t
, resoudre lequation (B.4).
2. Calculer la fonction caracteristique
t
(u) = E[e
iuZ
t
] et la transformee de Laplace L
t
(u) = E[e
uZ
t
] de Z
t
.
3. Calculer
E
_
e
T
0
f(s)dZ
s
_
pour une fonction continue bornee positive f. Indication: commencer par considerer une fonction f
constante par morceaux puis passer à la limite.
4. En deduire la transformee de Laplace de
2
t
et I
T
:=
_
T
0

2
s
ds.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
140 PETER TANKOV
Deuxième question On considère maintenant le modèle du comportement dun actif nancier
dS
t
= S
t
t
dW
t
, (B.5)
o` u est donnee par lequation (B.4) et W est un mouvement brownien standard sous la probabilite risque-neutre
Q, independant de Z. Le taux dinteret est nul.
1. En utilisant la formule dIt o, deduire lEDS satisfaite par X
t
:= log S
t
.
2. Montrer que X
T
a la meme loi quun mouvement Brownien avec drift, change de temps par un processus
à preciser. En utilisant lindependance entre Z et W et le point 4 de la première question, calculer la
fonction caracteristique de X
T
.
3. En deduire les indices dexplosion de moments (pour T xe)
p = supp : E[S
1+p
T
] < et q = supq : E[S
q
T
] <
4. Calculer les asymptotiques de la volatilite implicite pour T xe et K grand/petit.
Troisième question (independante des deux premières) Dans cette question on sinteresse à la couver-
ture dune option europeenne dans le modèle (B.5).
1. Le marche, est-il complet? Peut-on construire un portefeuille de replication parfaite en utilisant une action
et un autre actif liquide? Justier votre reponse.
2. On considère la couverture approchee utilisant uniquement les actions.
Ecrire la dynamique du prix C
t
dune option europeenne, en considerant que C
t
est une fonction
deterministe de S
t
et v
t
. On exprimera C
t
comme integrale stochastique par rapport à W et à la
mesure aleatoire de Poisson de Z, notee par J
Z
.
Ecrire la dynamique dun portefeuille autonancant.
Calculer E[
2
T
] par isometrie dIt o, o` u
T
est lerreur de couverture.
Calculer la strategie de couverture quadratique optimale; montrer quelle coincide avec la strategie
de couverture en delta et expliquer ce resultat.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
Bibliographie
[1] M. Avellaneda, R. Buff, C. Friedman, N. Grandchamp, L. Kruk, and J. Newman, Weighted
Monte Carlo: a new technique for calibrating asset-pricing models, Int. J. Theor. Appl. Finance, 4 (2001),
pp. 91119.
[2] O. E. Barndorff-Nielsen and N. Shephard, Econometric analysis of realized volatility and its use in
estimating stochastic volatility models, J. R. Statistic. Soc. B, 64 (2002), pp. 253280.
[3] D. Bates, Jumps and stochastic volatility: the exchange rate processes implicit in Deutschemark options,
Rev. Fin. Studies, 9 (1996), pp. 69107.
[4] D. S. Bates, Testing option pricing models, in Statistical Methods in Finance, vol. 14 of Handbook of
Statistics, North-Holland, Amsterdam, 1996, pp. 567611.
[5] A. Ben Haj Yedder, Calibration of stochastic volatility model with jumps. A computer program, part of
Premia software. See www.premia.fr, 2004.
[6] H. Berestycki, J. Busca, and I. Florent, Asymptotics and calibration of local volatility models,
Quant. Finance, 2 (2002), pp. 6169.
[7] T. Bollerslev, Generalized autoregressive conditional heteroskedasticity, Journal of Econometrics, 31
(1986), pp. 307327.
[8] D. Breeden and R. Litzenberger, Prices of state-contingent claims implicit in option prices, Journal
of Business, 51 (1978), pp. 621651.
[9] M. Broadie and O. Kaya, Exact simulation of stochastic volatility and other ane jump diusion
processes. Discussion paper, Columbia University, Graduate School of Business.
[10] R. Byrd, P. Lu, and J. Nocedal, A limited memory algorithm for bound constrained optimization,
SIAM Journal on Scientic and Statistical Computing, 16 (1995), pp. 11901208.
[11] P. Carr and D. Madan, Towards a theory of volatility trading, in Volatility, R. Jarrow, ed., Risk
Publications, 1998.
[12] T. F. Coleman, Y. Lee, and A. Verna, Reconstructing the unknown local volatility function, J. Comput.
Finance, 2 (1999), pp. 77102.
[13] R. Cont and P. Tankov, Financial Modelling with Jump Processes, Chapman & Hall / CRC Press,
2004.
[14] R. Cont and P. Tankov, Non-parametric calibration of jump-diusion option pricing models, J. Comput.
Finance, 7 (2004), pp. 149.
[15] R. Cont and P. Tankov, Retrieving Levy processes from option prices: Regularization of an ill-posed
inverse problem, SIAM Journal on Control and Optimization, 45 (2006), pp. 125.
[16] R. Cont and E. Voltchkova, Integro-dierential equations for option prices in exponential Levy models,
Finance and Stochastics, 9 (2005), pp. 299325.
141
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
142 PETER TANKOV
[17] J. W. Cooley and J. W. Tukey, An algorithm for the machine calculation of complex Fourier series,
Math. Comp., 19 (1965), pp. 297301.
[18] J. C. Cox, The constant elasticity of variance option pricing model, Journal of Portfolio Management, 22
(1996), pp. 1517.
[19] J. C. Cox, J. E. Ingersoll, Jr., and S. A. Ross, An intertemporal general equilibrium model of asset
prices, Econometrica, 53 (1985), pp. 363384.
[20] S. Cr epey, Calibration of the local volatility in a trinomial tree using Tikhonov regularization, Inverse
Problems, 19 (2003), pp. 91127.
[21] F. Delbaen and W. Schachermayer, The fundamental theorem of asset pricing for unbounded stochas-
tic processes, Math. Ann., 312 (1998), pp. 215250.
[22] E. Derman, Regimes of volatility, RISK, (1999).
[23] E. Derman and I. Kani, Riding on a Smile, RISK, 7 (1994), pp. 3239.
[24] E. Derman, I. Kani, and N. Chriss, Implied trinomial trees of the volatility smile, The Journal of
Derivatives, (Summer 1996).
[25] D. Duffie, D. Filipovic, and W. Schachermayer, Ane processes and applications in nance, Ann.
Appl. Probab., 13 (2003), pp. 9841053.
[26] D. Duffie, J. Pan, and K. Singleton, Transform analysis and asset pricing for ane jump-diusions,
Econometrica, 68 (2000), pp. 13431376.
[27] B. Dupire, Pricing with a smile, RISK, 7 (1994), pp. 1820.
[28] N. El Karoui, Couverture des risques dans les marches nanciers. Lecture notes for master Probability
and Finance, Paris VI university.
[29] H. W. Engl, M. Hanke, and A. Neubauer, Regularization of Inverse Problems, vol. 375, Kluwer
Academic Publishers Group, Dordrecht, 1996.
[30] R. F. Engle, Autoregressive conditional heteroscedasticity with estimates of variance of united kingdom
ination, Econometrica, 50 (1982), pp. 9871008.
[31] P. Friz and S. Benhaim, Regular variation and smile asymptotics, Mathematical Finance, (to appear).
[32] M. B. Garman and S. W. Kohlhagen, Foreign currency option values, Journal of International Money
and Finance, 2 (1983), pp. 231237.
[33] J. Gatheral, The Volatility Surface: a Practitioners Guide, Wiley Finance, 2006.
[34] H. Geman, D. Madan, and M. Yor, Asset prices are Brownian motion: Only in business time, in
Quantitative Analysis in Financial Markets, M. Avellaneda, ed., World Scientic, River Edge, NJ, 2001,
pp. 103146.
[35] P. Glasserman, Monte Carlo Methods in Financial Engineering, Springer, New York, 2003.
[36] T. Goll and J. Kallsen, Optimal portfolios for logarithmic utility, Stochastic Process. Appl., 89 (2000),
pp. 3148.
[37] P. S. Hagan and D. E. Woodward, Equivalent black volatilities. Research report, 1998.
[38] J. Harrison and D. Kreps, Martingales and arbitrage in multiperiod security markets, J. Economic
Theory, 2 (1979), pp. 381408.
[39] T. Hayashi and P. A. Mykland, Hedging errors: an asymptotic approach, Mathematical Finance, 15
(2005), pp. 309343.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2
[40] S. Heston, A closed-form solution for options with stochastic volatility with applications to bond and
currency options, Rev. Fin. Studies, 6 (1993), pp. 327343.
[41] N. Jackson, E. S uli, and S. Howison, Computation of deterministic volatility surfaces, Journal of
Computational Finance, 2 (1999), pp. 532.
[42] M. Keller-Ressel, Moment explosions and long-term behavior of ane stochastic volatility models.
Forthcoming in Mathematical Finance, 2008.
[43] H. J. Kushner and P. Dupuis, Numerical Methods for Stochastic Control Problems in Continuous Time,
Springer, 2001.
[44] R. Lagnado and S. Osher, A technique for calibrating derivative security pricing models: numerical
solution of the inverse problem, J. Comput. Finance, 1 (1997).
[45] R. Lee, The moment formula for implied volatility at extreme strikes, Mathematical Finance, 14 (2004),
pp. 469480.
[46] R. Lord and C. Kahl, Complex logarithms in heston-like models. Available at SSRN:
http://ssrn.com/abstract=1105998, 2008.
[47] D. Madan, P. Carr, and E. Chang, The variance gamma process and option pricing, European Finance
Review, 2 (1998), pp. 79105.
[48] D. Madan and M. Konikov, Option pricing using variance gamma Markov chains, Rev. Derivatives
Research, 5 (2002), pp. 81115.
[49] D. Madan and F. Milne, Option pricing with variance gamma martingale components, Math. Finance,
1 (1991), pp. 3955.
[50] A. Medvedev and O. Scaillet, A simple calibration procedure of stochas-
tic volatility models with jumps by short term asymptotics. Download from
www.hec.unige.ch/professeurs/SCAILLET_Olivier/pages_web/Home_Page.htm, 2004.
[51] D. Nualart, The Malliavin Calculus and Related Topics, Springer, 1995.
[52] P. Protter, Stochastic integration and dierential equations, Springer, Berlin, 1990.
[53] M. Romano and N. Touzi, Contingent claims and market completeness in a stochastic volatility model,
Mathematical Finance, 7 (1997), pp. 399410.
[54] M. Rubinstein, Implied binomial trees, Journal of Finance, 49 (1994), pp. 771819.
[55] K. Sato, Levy Processes and Innitely Divisible Distributions, Cambridge University Press, Cambridge,
UK, 1999.
[56] M. Stutzer, A simple nonparametric approach to derivative security valuation, Journal of Finance, 51
(1996), pp. 16331652.
[57] P. Tankov, Levy Processes in Finance: Inverse Problems and Dependence Modelling, PhD thesis, Ecole
Polytechnique, France, 2004.
[58] R. Zhang, Couverture approchee des options Europeennes., PhD thesis, Ecole Nationale des Ponts et
Chaussees, 1999.
c
e
l
-
0
0
6
6
4
9
9
3
,

v
e
r
s
i
o
n

1

-

3
1

J
a
n

2
0
1
2

Poly Francais

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Poly Francais

Uploaded by

Copyright:

Available Formats

Calibration de Mod`eles et Couverture de Produits Derives

t est un mouvement Brownien sous Q et

h. Pour diviser lerreur par 2

est 2 fois dierentiable et dierente de f seulement si [x[ < /2. De plus, on a

> 0 pour tout t, , S (dans ce cas on

= 0, C(T, , S) = h(S) (4.9)

sont Q-mouvements browniens avec d

est toujours suppose independant de W. Les fonctions et sont reguli`eres et

v dans notre formulation. Lhypoth`ese

< tel que pour tout k > k

() est decroissante, que p f

x nest pas Lipschitz en zero, le schema dEuler

(t) = kD, C(0) = 0 (4.26)

sont deux processus de Poisson independants de param`etres et

est un processus de Poisson de param`etre +

concide avec Q et donc Q P.

est bornee inferieurement par

> 0). Montrer, en utilisant la question precedente, que P Q implique

. Verier votre resultat `a laide du theor`eme 4.

est positif et on peut prendre son logarithme.

[ < 1. Utiliser proposition 12 et lexercice precedent.

(x) dune fonction f(x) `a

(x), telle que [f(x) f

(x)[ < pour tout x. La fonction f est supposee

) et le niveau derreur (ici, la valeur de ) peut

. Dans ce cas elle est caracterisee par lequation normale de Gauss:

, on peut trouver une decomposition y = y

(Tx y) = 0 pour tout z A, do` u lequation (6.1).

est toujours un sous-espace

= 0. En eet, une fonction

si et seulement si pour toute fonction f L

concide avec 1(T) (ensemble de fonctions dierentiables) et ne concide pas avec }.

= arg inf|z|, z est une solution m. c. de Tz = y

, aussi appelee meilleure solution ap-

. Elle est caracterisee par:

est un operateur lineaire qui sappelle linverse generalisee de T, parfois notee T

. Comme loperateur T est suppose continu,

de (6.2). Alors, la dierence x x

N(T), ce qui implique x = x

decoule directement de la caracterisation (6.2).

est continu et resout donc

y dun probl`eme mal pose en

| . En dimension nie, il sut de prendre x

lorsque 0. En dimension inni, quand T

nest pas continu, T

par une famille doperateurs (lineaires ou non) continus R

en presence du bruit de donnees est

) et nous nous concentrons sur la question de continuite.

de la regularisation de Tikhonov est un operateur lineaire continu.

T) alors la vitesse de convergence asymptotique maximale est atteinte pour () =

z|, ce qui demontre la continuite de R

(puisque T est borne).

y. Par analogie aux probl`emes destimation en statistique, le premier terme dans

T est deni positif, ce qui implique

est unique, A(T

Tz pour un z A. Alors en utilisant (6.10), on a

(x) u(x) = g(x) (6.11)

(1) = 0. La forme generale de la solution de (6.11) est

en utilisant la regularisation de Tikhonov avec

. La methode a posteriori la plus utilisee est connue

xee est denie par

|. Dun autre cote,

satisfait des conditions de regularite necessaires, e.g. si x

nest pas necessaire pour le choix de param`etre .