Méthodes de Monte Carlo & Simulation des Modèles Financiers
Méthodes de Monte Carlo & Simulation des Modèles Financiers
Monte Carlo Methods, Financial Engineering, Statistics · course
Fiche de révisionFiche de cours
Rédigée à partir de ce document, puis vérifiée avant publication.
Ce matériel couvre les méthodes de Monte Carlo appliquées à la simulation et à l’estimation dans les modèles financiers. Il s’adresse aux étudiants et professionnels en finance quantitative souhaitant comprendre comment estimer des espérances, des quantiles et construire des intervalles de confiance dans un cadre stochastique, notamment en utilisant le modèle de Black-Scholes.
Soit X1, X2, ..., Xn un échantillon de variables aléatoires indépendantes et identiquement distribuées (i.i.d.) issues d’un générateur de nombres aléatoires (ex. R, Matlab). L’estimateur de Monte Carlo de la quantité θ = E[g(X)] est donné par :
θ̂n ≡ (1/n) ∑(i=1 à n) g(Xi)
Remarque : θ̂n est une variable aléatoire dépendant de l’échantillon. Par exemple, si X représente un prix d’actif à maturité T et que l’on souhaite tarifer une option d’achat, alors :
g(X) = e^(-rT) max(X - K, 0)
Supposons que la variance σ² = Var[g(X)] est finie et connue. L’estimateur θ̂n est sans biais et convergent :
La loi forte des grands nombres garantit la convergence presque sûre :
Pr(lim n→∞ θ̂n = θ) = 1
Le théorème central limite implique que :
√n (θ̂n - θ) / σ → N(0, 1) en loi lorsque n → ∞
On peut donc construire un intervalle de confiance asymptotique de niveau 1 - α :
[θ̂n - z_(α/2) (σ/√n), θ̂n + z_(α/2) (σ/√n)]
où z_(α) est le quantile d’ordre 1 - α de la loi normale centrée réduite.
La marge d’erreur associée est :
marge d’erreur = z_(α/2) (σ/√n)
Lorsque σ² est inconnu, on l’estime par :
σ̂²_n = (1/(n-1)) ∑(i=1 à n) (g(Xi) - θ̂n)²
et on pose σ̂(n) = √(σ̂²_n). L’intervalle de confiance devient :
[θ̂n - z_(α/2) (σ̂(n)/√n), θ̂n + z_(α/2) (σ̂(n)/√n)]
Pour de grands échantillons, la loi de Student est souvent remplacée par la loi normale centrée réduite.
Considérons un actif risqué dont le prix au temps T est S. On souhaite estimer la valeur à l’instant 0 d’une option d’achat de prix d’exercice K et maturité T :
θ = E_Q [e^(-rT) max(S - K, 0)]
où Q est la mesure neutre au risque. La fonction g est :
g(x) = e^(-rT) max(x - K, 0)
Dans le modèle de Black-Scholes, on a :
S ≡ s₀ exp((r - ν²/2) T + ν √T Z)
avec s₀ le prix initial, r le taux sans risque, ν la volatilité instantanée, et Z une variable normale centrée réduite.
La valeur exacte de θ est connue :
θ = s₀ N(d) - K e^(-rT) N(d - ν √T)
où
d = (ln(s₀/K) + (r + ν²/2) T) / (ν √T)
et N(·) la fonction de répartition de la loi normale centrée réduite.
De même, la variance σ² de g(X) est donnée par :
σ² = s₀² e^{ν² T} N(d + ν √T) - 2 s₀ K e^{-rT} N(d) + K² e^{-2rT} N(d - ν √T) - θ²
Par exemple, avec s₀ = 100, r = 0.05, ν = 0.20, T = 1, et différents K :
| K | θ (valeur option) | σ (écart-type) |
|---|---|---|
| 0.9 × s₀ | 16.69944841 | 17.38872250 |
| 1.0 × s₀ | 10.45058357 | 14.71940409 |
| 1.1 × s₀ | 6.04008813 | 11.63474406 |
Pour α ∈ (0, 1), le quantile d’ordre α de la distribution FX est :
x_α = inf {x ∈ ℝ : FX(x) ≥ α}
C’est la plus petite valeur x_α telle que la probabilité que X ≤ x_α soit au moins α.
Soit un échantillon X1, X2, ..., Xn i.i.d. de la variable X avec fonction de répartition FX. On note X(1) ≤ X(2) ≤ ... ≤ X(n) l’échantillon ordonné.
La fonction de répartition empirique est :
F⁽ⁿ⁾_X(x) = (1/n) ∑(i=1 à n) 1{Xi ≤ x}
L’estimateur ponctuel du quantile d’ordre α est :
ˆx⁽ⁿ⁾_α = X(⌈nα⌉)
où ⌈x⌉ est le plus petit entier supérieur ou égal à x.
Pour α = 0.25 et n = 10, on calcule nα = 2.5, donc ⌈2.5⌉ = 3, et l’estimateur est X(3).
Pour α = 0.001 (0.1%) et n = 100 000, on a nα = 100, donc l’estimateur est X(100).
Soit x_α le quantile d’ordre α de FX. On définit les variables indicatrices :
ξ_i = 1 si Xi ≤ x_α, 0 sinon, i = 1,...,n
La somme ξ = ∑ ξ_i suit une loi binomiale B(n, θ) avec θ = FX(x_α) ≥ α.
On a :
Pour n grand, ξ est approximée par une loi normale N(nθ, nθ(1-θ)).
On définit :
Δ_β = z_(β/2) √(n θ (1 - θ))
Un intervalle de confiance de niveau 1 - β pour x_α est alors :
[X(⌊nθ - Δ_β⌋), X(⌈nθ + Δ_β⌉)]
où ⌊x⌋ est la partie entière inférieure de x.
Si FX est continue, θ = FX(x_α) = α, ce qui simplifie le calcul.
Pour n = 100 000, α = 1% (θ = 0.01), et un intervalle de confiance à 95% (z_2.5% = 1.95996), on calcule :
j = ⌊nθ - z_(α/2) √(n θ (1 - θ))⌋ = 938
m = ⌈nθ + z_(α/2) √(n θ (1 - θ))⌉ = 1062
L’intervalle de confiance est donc [X(938), X(1062)].
On utilise la relation :
Var[X] + (E[X])² = E[X²]
Pour X = e^(-rT) max(S - K, 0), on calcule :
σ² + θ² = E_Q[(e^(-rT) max(S - K, 0))²]
En remplaçant S par sa représentation dans le modèle Black-Scholes :
S ≡ s₀ exp((r - ν²/2) T + ν √T Z)
avec Z une variable normale centrée réduite, on obtient :
σ² + θ² = E_Q[(s₀ exp(ν²/2 T + ν √T Z) - K e^(-rT))² 1{Z > -d - ν √T}]
où
d = (ln(s₀/K) + (r - ν²/2) T) / (ν √T)
En utilisant les propriétés de la loi normale et la symétrie de sa densité, on obtient :
σ² + θ² = s₀² e^{ν² T} N(d + ν √T) - 2 s₀ K e^{-rT} N(d) + K² e^{-2rT} N(d - ν √T)
avec N(·) la fonction de répartition de la loi normale centrée réduite.
La variance est donc :
σ² = s₀² e^{ν² T} N(d + ν √T) - 2 s₀ K e^{-rT} N(d) + K² e^{-2rT} N(d - ν √T) - θ²