Méthodes Monte Carlo et Simulation des Modèles Financiers

Cet article traite des méthodes de simulation par Monte Carlo appliquées aux modèles financiers, en particulier des techniques permettant de générer des variables aléatoires selon différentes distributions à partir de variables uniformes. Il s'adresse aux étudiants en mathématiques appliquées, finance quantitative, statistique ou informatique qui souhaitent comprendre comment simuler efficacement des variables aléatoires complexes nécessaires à la modélisation financière.

La question

Le travail aborde le problème fondamental de la simulation de variables aléatoires selon des distributions arbitraires, à partir de variables uniformes sur l’intervalle (0, 1). Cette question est cruciale en finance quantitative où la modélisation des risques, des prix d’actifs ou des scénarios économiques repose souvent sur des simulations stochastiques. Le défi est de transformer des variables uniformes simples en variables suivant des lois plus complexes, parfois continues, parfois discrètes, tout en garantissant la fidélité statistique et l’efficacité computationnelle.

Concepts de base

Avant d’aborder les méthodes, il est essentiel de comprendre quelques notions fondamentales :

• Variable aléatoire uniforme (0, 1) : variable dont la probabilité est uniformément répartie entre 0 et 1.
• Fonction de répartition (F) : fonction donnant la probabilité qu’une variable aléatoire soit inférieure ou égale à une valeur donnée.
• Fonction inverse de répartition (F⁻¹) : inverse de la fonction de répartition, utilisée pour transformer une variable uniforme en une variable selon une autre distribution.
• Fonction de densité (f) : dérivée de la fonction de répartition pour les variables continues, représentant la densité de probabilité.
• Simulation par rejet : méthode qui génère des candidats selon une distribution simple et les accepte ou rejette selon un critère lié à la densité cible.
• Variables discrètes : variables prenant un nombre fini ou dénombrable de valeurs, simulées par partition de l’intervalle (0, 1).

Approche

Le document présente plusieurs méthodes classiques pour transformer une variable uniforme en une variable suivant une distribution cible :

La méthode d’inversion

Si la fonction de répartition F est continue et strictement croissante, on peut utiliser son inverse F⁻¹. En générant une variable U uniforme sur (0, 1), la variable V = F⁻¹(U) suit la distribution de fonction de répartition F. Cette méthode est simple et directe.

Exemple : Pour la loi exponentielle d’espérance µ, la fonction de répartition est F(x) = 1 − exp(−x/µ) pour x > 0. Son inverse est F⁻¹(y) = −µ ln(1 − y). Ainsi, V = −µ ln(1 − U) suit une loi exponentielle.

La méthode du rejet

Cette méthode est utilisée lorsque la densité f de la distribution cible est connue mais difficile à inverser. On choisit une autre densité g, facile à simuler, et une constante c telle que f(x) ≤ c g(x) pour tout x. On génère indépendamment X selon g et U uniforme sur (0, 1). On accepte X si c U ≤ f(X)/g(X), sinon on rejette et recommence. La variable acceptée suit la distribution cible.

Le choix de g et c est crucial pour limiter le nombre de rejets, car la probabilité d’acceptation est 1/c.

Simulation des variables discrètes

Pour simuler une variable discrète prenant des valeurs {x₁, x₂, ..., xₙ} avec probabilités {p₁, p₂, ..., pₙ}, on utilise une variable uniforme U sur (0, 1) et on détermine l’intervalle dans lequel U tombe selon la somme cumulative des pᵢ. La variable simulée V prend alors la valeur correspondante xₙ.

La méthode de composition

Si la fonction de répartition F peut s’écrire comme une combinaison linéaire de fonctions de répartition Fi, F = ∑ pᵢ Fi, avec ∑ pᵢ = 1, on simule d’abord une variable discrète X prenant la valeur i avec probabilité pᵢ, puis on simule V selon la distribution Fi. Cette méthode est utile lorsque la distribution cible est une mixture de distributions plus simples.

Exemple : La loi double exponentielle peut être simulée en choisissant au hasard entre deux lois exponentielles (positive ou négative) avec probabilité 1/2 chacune.

La méthode basée sur un ratio d’uniformes

Cette méthode repose sur un théorème qui établit qu’en générant un vecteur aléatoire (V₁, V₂) uniformément sur un domaine Af défini par la densité cible f, la variable V = V₂ / V₁ suit la distribution de densité f. L’algorithme consiste à simuler deux variables uniformes U₁ et U₂, puis à transformer ces variables en V₁ et V₂ selon des bornes adaptées, en rejetant les couples hors du domaine Af. Cette méthode est particulièrement adaptée lorsque Af est contenu dans un rectangle compact.

La méthode de Box-Muller pour la distribution gaussienne

Cette méthode génère deux variables aléatoires indépendantes G₁ et G₂ suivant la loi normale centrée réduite N(0,1) à partir de deux variables uniformes U₁ et U₂ sur (0, 1) :

G1 = √(−2 ln U1) cos(2π U2)
G2 = √(−2 ln U1) sin(2π U2)

La preuve repose sur la transformation en coordonnées polaires et la décomposition de la densité jointe en produit de densités indépendantes. Cette méthode est efficace car elle génère deux variables normales à la fois.

Résultats

Les méthodes présentées permettent de simuler des variables aléatoires selon une large gamme de distributions, continues ou discrètes, avec des garanties théoriques solides :

• La méthode d’inversion est simple et exacte lorsque l’inverse de la fonction de répartition est accessible.
• La méthode du rejet est flexible et applicable même lorsque l’inverse n’est pas disponible, mais son efficacité dépend du choix judicieux de la densité enveloppe g.
• La méthode de composition permet de simuler des distributions mixtes en combinant des simulations plus simples.
• La méthode du ratio d’uniformes offre une alternative géométrique pour simuler des densités complexes.
• La méthode de Box-Muller est une technique classique et efficace pour générer des variables normales.

Limitations et questions ouvertes

Le document souligne certaines limites :

• La méthode d’inversion nécessite la connaissance explicite de l’inverse de la fonction de répartition, ce qui n’est pas toujours possible.
• La méthode du rejet peut être inefficace si la constante c est trop grande, entraînant un grand nombre de rejets et donc un coût computationnel élevé.
• Le choix de la densité enveloppe g dans la méthode du rejet est crucial mais parfois difficile à optimiser.
• La méthode basée sur un ratio d’uniformes requiert la définition précise du domaine Af, ce qui peut être complexe pour certaines densités.
• La méthode de Box-Muller est limitée aux distributions normales centrées réduites et nécessite des adaptations pour d’autres paramètres.

Glossaire

• Variable aléatoire uniforme (0, 1) : variable dont la probabilité est uniformément répartie entre 0 et 1.
• Fonction de répartition (F) : fonction donnant la probabilité cumulative d’une variable aléatoire.
• Fonction inverse de répartition (F⁻¹) : fonction inverse de la fonction de répartition, utilisée pour la simulation par inversion.
• Fonction de densité (f) : dérivée de la fonction de répartition pour les variables continues.
• Méthode du rejet : technique de simulation qui accepte ou rejette des candidats selon un critère probabiliste.
• Variable discrète : variable prenant un nombre fini ou dénombrable de valeurs.
• Méthode de composition : simulation d’une distribution comme combinaison de plusieurs distributions plus simples.
• Méthode du ratio d’uniformes : méthode géométrique basée sur la simulation uniforme dans un domaine défini par la densité cible.
• Méthode de Box-Muller : technique pour générer des variables normales à partir de variables uniformes.