Revue de modèle
Transcription
Revue de modèle
DOSSIER TECHNIQUE Revue de modèle Le modèle de Heston Adrien Génin Adrien Génin a effectué son Master 2 Ingénierie Financière et Modèles Aléatoires à l’Université Paris 6. Au sein d’Opus Finance Research, il travaille sur les différentes méthodes de modélisation de la volatilité implicite et sur les modèles de taux à trois facteurs. Ses compétences en mathématiques et en analyse numérique lui permettent de proposer des méthodes de valorisation et des indicateurs de risque innovants. E n 1993, Steven L. Heston, chercheur à l’université de Yale, propose un modèle à volatilité stochastique pour expliquer la dynamique de la volatilité, du sous-jacent et l’influence du premier sur le deuxième. Nous proposons de revenir sur ce modèle dans un but pédagogique afin de mieux comprendre ses réelles innovations, ses caractéristiques, ses limites et ses difficultés de mise en oeuvre. Bien que ce soit un modèle très classique de la boîte à outils quantitative, en dégager une compréhension intuitive n’est pas si évident... Le modèle de Heston est un modèle à volatilité stochastique qui s’inspire à la fois du modèle CIR pour expliquer la dynamique de la volatilité et du modèle de Black-Scholes. L’idée d’utiliser la volatilité stochastique comme second facteur de risque a été introduite par John C. Hull et Alan White en 1987. Elle a été introduite pour répondre à l’échec du modèle de Black-Scholes à reproduire l’ensemble des prix des options sur un même sous-jacent. En 1985, John C. Cox, Jonathan E. Ingersoll et Stephen A. Ross ont développé un modèle pour expliquer les phénomènes de clusters et de retour à la moyenne observés sur les taux d’intérêt qui porte aujourd’hui leurs noms. Avant de présenter le modèle, regardons ce qui se passe concrètement sur les marchés. QU’OBSERVE-T-ON SUR LES MARCHÉS ? Quelle dynamique pour la volatilité ? Le VIX, pour Volatility Index, est calculé en faisant la moyenne des volatilités des options d’achat et de vente sur le S&P 500 : c’est un indicateur de la dynamique de la volatilité des options. Historiquement, on observe une volatilité élevée non pas ponctuellement mais sur des intervalles de temps. Ce phénomène s’appelle les clusters de volatilité. On remarque aussi que la volatilité a tendance à retourner vers sa moyenne. À la façon d’une masse accrochée à un ressort que l’on étire, le système oscille mais les frottements diminuent leur amplitude et le ressort se stabilise autour de sa longueur à vide. Ces phénomènes sont L’économie Les modèles LE MODÈLE DE HESTON DANS SON CONTEXTE HISTORIQUE 44 1900 : Louis Bachelier 1973 : Fisher Black et soutient sa thèse Théorie Myron Scholes publient de la spéculation. l’article fondateur The Pricing of Options and Corporate Liabilities. 1973 : création du premier marché organisé d’options, le Chicago Board Options Exchange (CBOE). LL aa rr ee vv uu ee dd ‘‘ OO pp uu ss FF ii nn aa nn cc ee Nº2 • Décembre 2013 1985 : Cox, Ingersoll et Ross publient A Theory of the Term Structure of Interest Rates. Modèle avec retour à la moyenne et clusters pour les taux. 1982 : dette bancaire des pays en voie de développement suite à une très forte hausse des taux courts. 1987 : généralisation du modèle de BlackScholes avec une volatilité stochastique. The pricing of Options on Assets with Stochastic Volatilities, Hull et White. 1993 : Heston publie A Closed-Form Solution for Options with Stochastic Volatility with Applicatios to Bond and Currency Options. Octobre 1987 : crise du marché obligataire puis du marché action. 1992-1993 : crise du Système Monétaire Européen. RETOUR À LA MOYENNE ET CLUSTERS DE VOLATILITÉ OBSERVÉS SUR LE VIX DOSSIER TECHNIQUE d’achat et de vente sur le S&P 500 : c’est un indicateur de la dynamique de la volatilité des options. Historiquement, on observe une volatilité élevée non pas ponctuellement mais sur des intervalles de temps. Ce phénomène s’appelle les clusters de volatilité. On remarque aussi que la volatilité a tendance à retourner vers sa moyenne. A la façon d’une masse accrochée à un ressort que l’on étire, le système oscille mais les frottements diminuent leur amplitude et le ressort se stabilise autour de sa longueur à vide. Ces phénomènes sont nettement visibles sur la période de 2000 à 2013 et sont mis en évidence sur la figure 2. Source : Bloomberg Figure 2 : Retour à la moyenne et clusters de volatilité observés sur le VIX - Source : Bloomberg gative entre le sous-jacent et sa volatilité : c’est l’effet de levier. Une des raisons de ce phénomène est que la diminution de la valeur des sous-jacents peut entraîner un réajuste(((sous-titre))) Quelle influence sur la dynamique du sous-jacent ? ment massif des portefeuilles et donc une augmentation de En représentant le S&P 500 et le VIX, voir figure 3, on distingue clairement une corrélala volatilité. Dans des périodes de hausses, la nécessité de tion négative entre le sous-jacent et sa volatilité : c’est l’effet de levier. Une des raisons En représentant le S&P 500 et le VIX (voir l’encadré réajuster le portefeuille est moins pressante et donc l’effet de ce phénomène que la diminution la valeur des entraîner un ci-dessous), on distingueestclairement une corrélationdenéd’urgence estsous-jacents amoindri ce quipeut crée l’asymétrie. nettement visibles sur la période de 2000 à 2013 et sont mis en évidence dans l’encadré ci-dessus. . Quelle influence sur la dynamique du sous-jacent ? réajustement massif des portefeuilles et donc une augmentation de la volatilité. Dans des périodes de hausses, la nécessité de réajuster le portefeuille est moins pressante et donc l’effet d’urgence est amoindri ce qui crée l’asymétrie. EFFET DE LEVIER ENTRE LE SOUS-JACENT2 ET LA VOLATILITÉ Source : Bloomberg Figure 3 : Effet de levier entre le sous-jacent et la volatilité - Source : Bloomberg . (((titre))) Le modèle La revue d‘Opus Finance Nº2 • Décembre 2013 45 DOSSIER TECHNIQUE Figure 3 : Effet de levier entre le sous-jacent et la volatilité - Source : Bloomberg . FONCTIONNEMENT DU MODÈLE PAS À PAS LE MODÈLE Le modèle de Heston est caractérisé par deux équations (((titre)))Figure Le modèle Figure : Effetde delevier levierentre entrelelesous-jacent sous-jacentetetlalavolatilité volatilité- -Source Source: Bloomber : Bloomb 3 3: Effet différentielles stochastiques la différentielles dynamique du Le succesmodèle de Heston est caractérisé par deuxdonnant équations stochastiques d En considérant Opus la variance à deux instants Finance Research sous-jacent et de sa et volatilité. nant la. dynamique du sous-jacent de sa volatilité. . sifs t1 et du t2 très proches,pas entreàlesquels Fonctionnement modèle pas s’est écoulé un temps Δt, puis en discrétisant la dynamique de √ la volatilité 1 3 : entre Effet lesquels de levier entre le sous-jacent - Source : Bloomberg En considérant la variance à deux instants successifs t1 et t2 trèsFigure proches, µSt dt + vet dSt = t St dWt (((titre))) Le modèle (((titre))) Le modèle √ - Source la variance par un schéma d’Euler, on obtient l’exFonctionnement du modèle pas àdvsous-jacent pas 2 Figure : Effet de entre le et la volatilité : Bloomberg s’est écoulé un temps ∆t, puis en discrétisant la dynamique de la 3variance parlevier un schéma = κ (θ −deux vdeux +équations σ vt dWdifférentielles t t ) dtéquations tdifférentiellesstochastique Lemodèle deHeston Heston estcaractérisé caractérisé par stochastiqu est . Le pression suivante :En considérant la variance àmodèle deux de instants successifs t1 et tpar d’Euler, on obtient l’expression suivante : 2 très proches, entre lesquels nant la dynamique du sous-jacent et de sa volatilité. nant la dynamique du sous-jacent et de sa volatilité. . Figure 3 : Effet de levier entre le sous-jacent et la∆t, volatilité Source : Bloomberg Lapuis variance de l’actif processus desous-jacent type CIR, dula nom chercheurs Jo Figure 3 : vEffet deun levier entre le et volatilité - Source : Bl s’est écoulé en- discrétisant lat 3suit dynamique de laentre variance par un schéma √ temps Figure : Effet de levier le sous-jacent et lades volatilité - Sourc √ un Stephen l’actif deet υt suit un processus type CIR, duintroduit pour (((titre))) Le modèle √√ l’ontdeinitialement (θ − vd’Euler, + σle ∆tZ, l’expression Z ∼Cox, N(0, 1) v t2 = nce Research Figure tobtient t1 + κde t1 ) ∆t C.et Jonathan E.variance Ingersoll A. Ross qui 11 1 3 :vEffet levier entre la volatilité -La Source onvsous-jacent suivante : : Bloomberg µS dS µS dS t == t dt++ vtvS tS t dW t par t dt t dW t Ingersoll stochastiques tE. Le modèle Heston est caractérisé deux équations différentielles do . chercheurs John C. Cox, Jonathan et un paramètre √√ (((titre))) Le modèle . nom pliquer la de dynamique des taux√d’intérêt. est 2 2 par . des Opusà l’instant Finance Research dv =saκCe κ(θ(θmodèle −vtv)t dt ) dt+ +σσcaractérisé dv = − v t dW t tde tvdW t t √ On s’aperçoit que la variance t est essentiellement déterminée par la variance nant la dynamique du sous-jacent et volatilité. 2 Le modèle de Heston estStephen caractérisé par deux équations différentielles stochastiques donA. Ross qui l’ont initialement introduit pour expli. retour à la moyenne κ et une variance long-terme θ. Ils permettent de prendre en com κdéterministe (θ − vt1 ) ∆tet+un σ vt1 ∆tZ, Z ∼ N(0, 1) v 2la=moyenne On ils’aperçoit queunlaterme à l’instant t2vtest 1 +esA cela faut ajouter de retour à l’instant t1 . Le (((titre))) modèle nctionnement du modèle pas variance à pas nantàtla dynamique du sous-jacent sades volatilité. (((titre))) Le modèle quer lal’actif dynamique taux d’intérêt. la tendance de (((titre))) la volatilité àvde retourner vers sa moyenne après denom brutale P √ Leet modèle Lavariance variance de l’actif suit un processus de type CIR,du du nom deshausse. chercheu La de un type CIR, des chercheur 1 tsuit tv sentiellement déterminée par la variance à l’instant = µSprocessus vt Sde dW dS bruit, en moyenne mais dont la dispersion est proportionnel au niveau de variance t t dt + par tdeux Opus Finance Research Le nul modèle de Heston est caractérisé par deux équations différentielles stochastiques dont deux sidérant la variance à deux instants successifs t et t très proches, entre lesquels Le modèle de Heston est caractérisé équations différentielles stoch 1 2 (((titre))) Le modèle reprendre l’exemple du ressort, la force de rappel d’un ressort peut être exprimée de √ Le modèle de Heston est caractérisé par équations différentielles √ C. Cox, Jonathan E. Ingersoll et Stephen A. Ross qui l’ont initialement introduit ps C. Cox, Jonathan E. Ingersoll et Stephen A. Ross qui l’ont initialement introduit po 2 On s’aperçoit quedela retour variance à l’instant est essentiellement déterminée par la variance t2pas → 1+σ v tentre . À cela il faut ajouter un à par laniveau dvdu = κ (θv− ) dt etprécédent t2un très proches, lesquels Le puis niveau de volatilité dépend donc essentiellement du de volatilité µS dtdu + dS Fonctionnement du modèle tpas tet t dWt 1 de en nant lavmodèle du sous-jacent et de saterme volatilité. tdynamique t =à tsous-jacent t StvdW oulé temps discrétisant la dynamique de laéquations variance un schéma dynamique 1 .∆t, t paramètre nant la de sade volatilité. Le Heston est caractérisé par deux différentielles stochastiques donnant la dynamique sous-jacent et sa volatilité. Ce modèle est caractérisé par un de retour à la √ pliquer la dynamique des taux d’intérêt. Ce modèle est caractérisé par un param pliquer la dynamique des taux d’intérêt. Ce modèle est caractérisé par un paramè = k|L − L | où k est le coefficient de raideur du ressort et L sa l façon suivante : 2 et Fterme cela faut ajouter un de retour déterministe et un l’instant t1 .des 0 0 moyenne et un bruit, nul enilmoyenne que de la nant variance par un schéma à l’instant précédent, cesuivante quidéterministe permet modéliser périodes forte volatilité dvsuccessifs ) dtmoyenne + très σ vt dW tde = κ (θ − on obtient l’expression : à de t En considérant lasaA variance àdevariance deux tà1vtla et t proches, entre lesquels la dynamique du sous-jacent et de volatilité. √ 2long √ la moyenne et une variance long-terme Ils permettent de prendre en retour à àlainstants moyenne κvκtetla une variance long-terme θ. permettent de prendre en moyenne etest une variance terme .θ.Ils Ils permettent de 1 retour √ La de l’actif suit un processus de type CIR, du nom des chercheurs Joc 1 : κ(θ−v bruit, nul en moyenne mais dont la dispersion proportionnel au niveau de variance 1 gueur à vide. On reconnait partie déterministe du processus CIR ). Le troisiè = du µS dt + v S dW Fonctionnement modèle pas à pas dS mais dont(des la dispersion est proportionnelle au nipériode de faible volatilité clusters anglais). = µS dt + v S dW dS t t en t t t t t dSt =t µSt dt + t t vt S √ temps ∆t, t t dW √ tintroduit √ un √ la tendance de la volatilité à retourner vers sa moyenne après de brutale hauss la tendance de la volatilité à retourner vers sa moyenne après de brutale hausse s’est écoulé puis en discrétisant la dynamique de la variance par un schéma prendre en compte la tendance de la volatilité à retourner √ 2 √ C. Cox, Jonathan E. Ingersoll et Stephen A. Ross qui l’ont initialement pour 2 La variance de l’actif v suit un processus de type CIR, du nom des chercheurs John 1 t1qui 2 le entre modèle CIR C’est lavt volatilité. Ellee t proches, dv (θvµS vZ dt +(0, σt S1) vdW la + variance deux instants successifs et t2caractérise très lesquels vt1En +àκconsidérant (θ vt1 ) ∆t σt dSv=tt1 àκ N vt2 =pas Le niveau de volatilité dépend donc essentiellement niveau devressort volatilité précédent veau de− variance précédent niveau de vodvtestdv =σ.tdu κ= (θ −κlav(θtvolatilité )− dt + σdt +vde dW t )∼ t dW du modèle pas =∆tZ, dt + vparamètre t− tσ 1.. tLe treprendre t )ressort t dW t t √ t exprimé reprendre l’exemple du ressort, la force de rappel d’un peut être l’exemple du ressort, la force de rappel d’un peut être √ 1 exprim vers sa moyenne après une brutale hausse. pliquer la dynamique des taux d’intérêt. Ce modèle est caractérisé par un paramètre d’Euler, on obtient l’expression suivante : C. Cox, Jonathan E. Ingersoll et Stephen A. Ross qui l’ont initialement introduit pour ex Z, Z ∼ N (0, 1) 2 vt devant le mouvement dWt permet supposée constante le terme s’est temps discrétisant la dynamique de de la variance par un schéma Le sous-jacent, lui,écoulé suitdépend detpuis type Black-Scholes mais lavde volatilité constante à deux instants tun etprocessus t2 donc très proches, entre latilité essentiellement niveau →→ à ∆t, l’instant précédent, ce modéliser desen périodes de forte volatilité brownien et de dv =en κ (θ −lesquels vdu + σqui dW 1 un modèle pasvariance àsuccessifs pas t ) dt tpermet une mais t àpar la moyenne et variance long-terme θ.processus Ils permettent deparamètre prendre comp Lalavariance de l’actif vde un processus de type du des chercheurs John est essentiellement déterminée lanom variance erçoit que à volatilité l’instant t2suit k|L − L | modèle oùkvktest estle leun coefficient de raideur duressort ressort etL L façon suivante :κ pliquer la CIR, dynamique taux Ce est caractérisé par un de == k|L − Ll’actif |0tvolatilité. où coefficient raideur du et façon suivante : périodes d’intérêt. Lades variance de l’actif suit un processus dede type CIR, du nom des che Fanglais). tstochastique. F rendre compte de forte 0v 00 d’Euler, on obtient l’expression suivante : retour ainstants étédiscrétisant remplacée par la Ces deux processus sont corrélés via leurs La variance de suit de type CIR, du en nom de uis en la dynamique la variance par un schéma √ volatilité à l’instant précédent, ce qui permet de ux successifs t et t très proches, entre lesquels période de faible volatilité (des clusters en 1 variance 2 √àE.pour √ ement déterminée parajouter la 1 terme 2 suit la tendance de la volatilité retourner vers sa moyenne après de brutale hausse. Po C. Cox, Jonathan E. Ingersoll et Stephen A. Ross qui l’ont initialement introduit ex. A cela il faut un de retour à la moyenne déterministe et un ant t retour à la moyenne κ et une variance long-terme θ. Ils permettent de prendre en compte Pour reprendre l’exemple du ressort, la force de rapC. Cox, Jonathan Ingersoll et Stephen A. Ross qui l’ont initialement intro 1 La variance de l’actif v un processus de type CIR, du nom des chercheurs John , dW = ρdt. Intuitivement, le terme en v devant la mouvements browniens : dW √ C. Cox, Jonathan E. Ingersoll et Stephen A. Ross qui l’ont initialement gueur à vide. On reconnait la partie déterministe du processus CIR : κ(θ−v ). Le tr us Finance Research gueur à vide. sion suivantela: dynamique κ pé(θ − vt1 )t On ∆treconnait + σ vt1la partie ∆tZ,déterministe Z ∼ N (0,du 1)processus CIR : κ(θ−vt ).t Le tro vvolatilité t variance tt √ modéliser des périodes de forte des t2 = vt1et+ discrétisant de la par un schéma àul laenmoyenne etdes un reprendre l’exemple du ressort, la force de rappel d’un ressort peut être exprimée deE pliquer ladéterministe dynamique taux d’intérêt. Ce modèle est caractérisé par un paramètre de moyenne mais dont la dispersion est proportionnel au niveau de variance = v + κ (θ − v ) ∆t + σ v ∆tZ, Z ∼ N(0, 1) v la tendance de la volatilité à retourner vers sa moyenne après de brutale hausse. Pour pliquer la dynamique des taux d’intérêt. Ce modèle est caractérisé par un pel d’un ressort peut être exprimée de la façon suivante : t t t t C. Cox, Jonathan E. Ingersoll et Stephen A. Ross qui l’ont initialement introduit pour expartie aléatoire de la dynamique du sous-jacent permet de capter l’impact d’un choc 1 2 1 1 pliquer la dynamique des taux d’intérêt. Ce modèle est caractérisé pa paramètre qui caractérise le modèle CIR est σ. C’est la volatilité de la volatilité. paramètre qui caractérise le modèle CIR est σ. C’est la volatilité de la volatilité. √de faible volatilité uivante : au niveau riodes (des clusterslui, en anglais). →de type Black-Scholes √volatilité √√mais Leparamètre sous-jacent, suit unSicaractérisé processus lalong-terme volatilité constante àressort, portionnel variance retour à la κ etdépend une long-terme θ.façon Ils permettent de en 1 1delo .−Le de donc essentiellement du niveau volatilité ntκdev(θt1volatilité reprendre l’exemple du lamoyenne force deune d’un ressort peut exprimée de retour lapar moyenne κ|terme et variance θ.être Ils du permettent de prend + vpliquer ) ∆t +moyenne σle dynamique vde Z ∼variance N (0, 1) la des taux d’intérêt. Ce modèle est un paramètre de sur sous-jacent grâce au de corrélation. la est = − Lcompte où est le de raideur du ressort et Lla suivante :retour àk|L la κkrappel et une variance long-terme θ. Ils permettent où est levtvcoefficient coefficient de raideur resdevant mouvement brownien dW pep supposée constante mais le0terme en t1niveau t1 ∆tZ, Fprendre lele mouvement brownien dW per supposée constante mais le en corrélation de 0t tsa tdéterminée essentiellement par laleurs variance On s’aperçoit que la variance à l’instant tde √ → 3devant 2 est On s’aperçoit que la variance à l’instant t est essentiellement déterminée par la variance √ tiellement du niveau de volatilité a été remplacée par la volatilité stochastique. Ces deux processus sont corrélés via 2 la tendance de la volatilité à retourner vers sa moyenne après de brutale hausse. Pour ant précédent, ce qui permet de modéliser des périodes de forte volatilité et la tendance de la volatilité à retourner vers sa moyenne après de brutale Fonctionnement du modèle pas à pas àt1lachoc moyenne κNet une variance long-terme θ. Ils permettent de prendre en compte surZla∼volatilité va entrainer un choc de sens opposé sur le sousla tendance de la volatilité à retourner vers sa moyenne après de bru rendre compte des périodes de forte volatilité. rendre compte des périodes de forte volatilité. = k|L − L | où k est le coefficient de raideur du ressort et L sa lonfaçon suivante : sort et sa longueur à vide. −négative vt1 ) ∆tretour +alors σ vun ∆tZ, (0, 1) F √ 0 0 gueur à vide. On la partie déterministe du processus CIR : κ(θ−v t ). Le troisièm 1 à peut 2reconnait Le sous-jacent, lui, un processus de type . l’instant A en cela ilsuit faut un terme deBlackretour laun moyenne etàunla lemoyenne àvolatilité l’instant tà .ajouter Apar cela faut de retour un tforce périodes de forte de 1plus essentiellement déterminée la variance ce à considérant l’instant t2 est reprendre l’exemple ressort, de rappel d’un ressort être exprimée deressort, la 1successifs de faible (des clusters anglais). , dW terme =brutale ρdt. Intuitivement, en déterministe vt rappel devant la etressort mouvements browniens dW reprendre l’exemple la terme force de rappel d’un d’un ressort peut peut être ex En la variance àet deux instants t1il et tmoyenne proches, entre lesquels lavolatilité tendance de ladu volatilité àla retourner vers sa après hausse. t2treconnait très proches : déterministe jacent. On observe cet effet clairement entre deux instant t:ajouter 2 très reprendre l’exemple du la force de t de → 1 et dedu qui caractérise le modèle CIRressort, est σ. C’est laCIR volatilité det ).laLevolatilité. Elleê Pour → gueur àparamètre vide. On laaupartie déterministe du processus : κ(θ−v troisième → Scholes mais la volatilité constante a été remplacée bruit, nul en moyenne mais dont la dispersion est proportionnel niveau variance ajouter un terme de retour à la moyenne déterministe et un √ bruit, nul en moyenne mais dont la dispersion est proportionnel au niveau de variance ’est écoulé un tempsl’exemple puis en discrétisant dynamique de la variance par un schéma est essentiellement déterminée par la variance instant t2reprendre partie aléatoire de la dynamique du sous-jacent permet de capter l’impact d’un choc du ressort, la force de rappel d’un ressort peut être exprimée de la 1 = k|L − L | où k est le coefficient de raideur du ressort et L sa lonfaçon suivante :∆t, F √ =F k|L − L k est le coefficient de raideur du ressor façonfaçon suivante : terme 0 0CIR F √ 0 |−où On reconnaît la partie déterministe du processus CIR : v devant le mouvement brownien dW permet supposée constante mais le en = k|L L | où k est le coefficient de raideur du r suivante : paramètre qui caractérise le modèle est σ. C’est la volatilité de la volatilité. Elle est t 0 t volatilité dépend donc essentiellement du niveau√ de volatilité précédent par volatilité stochastique. processus t1. Le sous-jacent, dont laon dispersion estprocessus au niveau de variance lui, un deniveau type Black-Scholes mais la volatilité constante v→ d’Euler, obtient l’expression suivante :de ter un terme de retour àtproportionnel la moyenne déterministe et le un S = (r∆t +suit S + Sla ∆t ρZ + 1où − ρ2Ces X ,deux Xdu ∼ N(0, 1) indépendant de Z de volatilité sur le sous-jacent grâce au paramètre de corrélation. Siducaractérise laniveau corrélation est1 permet . Le niveau de volatilité dépend donc essentiellement de volatilité précédent v t2gueur t1 )On t1 = 1: v t k|L − L | k est coefficient de raideur du ressort et L sa lonfaçon suivante rendre compte des périodes de forte volatilité. à vide. reconnait la partie déterministe processus CIR : κ(θ−v ). Le troisième F 1 . Le troisième paramètre qui le modèle v devant le mouvement brownien dW de supposée constante mais le terme en 0 0 gueur à vide. On reconnait la partie déterministe du processus CIR : κ(θ−v t t t) t àdonc l’instant précédent, ce de modéliser des: périodes de àforte et de la partie 3 3 déterministe du processus vide.volatilité On reconnait CIR : κ(θ choles mais lalavolatilité constante sont corrélés via leurs mouvements browniens volatilité dépend essentiellement du niveau de volatilité par volatilité stochastique. Cesqui deux processus sont corrélés viagueur leurs tmplacée la dispersion est proportionnel aumodèle niveau depermet variance √ √ négative alors un choc sur la volatilité va entrainer un choc de sens opposé sur le sous√ paramètre qui caractérise le CIR est σ. C’est la volatilité de la volatilité. Elle est à l’instant précédent, ce qui permet de modéliser des périodes de forte volatilité et de rendre compte des périodes de forte volatilité. paramètre qui caractérise le modèle CIR est σ. C’est la volatilité de la vola CIR est σ. C’est la volatilité de la volatilité. Elle est sup1 2 gueur à vide. On reconnait la partie déterministe du processus CIR : κ(θ−v ). Le troisième période de faible volatilité (des clusters en anglais). paramètre caractérise le modèle CIR est σ. C’est la volatilité de la processus sont corrélés t uilité permet de modéliser périodes forte etplus = vdéterminée + leurs κ vt1niveau )de +√ σ volatilité vt1 ∆tZ, Zde ∼le N (0, v:essentiellement .le∆t Intuitivement, terme en1) ,via =−du ρdt. Intuitivement, lele terme en vd’intérêt la t2 =1qui ments browniens √ √ t2dW t devant: ∆S dépend donc de 1 dW t tdes t (θ La dérive ou drift est par niveau précédent taux √ vtvolatilité devant le mouvement brownien dW de supposée constante mais terme enfaible très proches jacent. On observe effet plus clairement entre deux instant ten vtt2 devant mouvement brownien dW supposée mais le 1 et en posée mais leterme terme en devant lelemouvement t permet paramètre qui caractérise lede modèle CIR est σ.cet C’est ladu volatilité de laconstante volatilité. Elle est période volatilité (des clusters enconstante anglais). vt devant le:mouvement browni supposée constante mais le terme ment, leLemodéliser terme en vt périodes devant lale (des clusters anglais). aléatoire de laenimportant dynamique du sous-jacent permet de capter l’impact d’un choc devant la partie aléatoire de la dynamique met de des de forte volatilité et de √ r∆t. point est que pour simuler les processus de volatilité et du sous-jacent, 12périodes rendre compte des périodes de forte volatilité. rendre compte des forte volatilité. v devant le mouvement brownien dW permet de supposée constante mais le terme en est essentiellement déterminée par la variance On s’aperçoit que la variance à l’instant t brownien permet de rendre compte des périodes de Le sous-jacent, lui, suit un processus de type Black-Scholes mais la volatilité constante rendre compte des périodes de forte volatilité. et de capter l’impact d’un choc t 2 √ t tilité surenleanglais). sous-jacent au paramètre dedoivent corrélation. Si est une 3 lusters sous-jacent permet de capter l’impact d’un choc dePour se donner √la corrélation les mêmes réalisations degrâce la variable aléatoire Z être utilisées. compte desajouter périodes forte Ala cela il volatilité faut un terme devolatilité. retour la S moyenne déterministe et1 corrélés un àecorrélation. l’instant tchoc acorrélation été remplacée par laSde volatilité stochastique. deux processus leurs = (r∆t + Saude )paramètre + vprocessus ∆t + sont −Black-Scholes ρ2 X via , X ∼ N(0, 1) indépendant Z forte volatilité. 1 .Si un processus de type Black-Scholes mais volatilité constante tla t1à tCes tde alors unrendre sur la va entrainer un choc sens opposé leρZ sous2 ce 1 1 sur 3 intuition, on suppose que ρ sur =est −1. Dans cas la dynamique discrétisée du sous-jacent volatilité le sous-jacent grâce √ Le sous-jacent, lui, suit un de type mais la volatilitédeconstante 1 est proportionnel 2 bruit, nul en moyenne mais dont la dispersion au niveau de variance , dW = ρdt. Intuitivement, le terme en v devant la mouvements browniens : dW choc de sens opposé sur le soust tilité stochastique. Ces deux processus sont corrélés via leurs et t très proches : On observe cet effet plus clairement entre deux instant t t t 1 2 cessus de :type Black-Scholes volatilité constante devient corrélation. Si lalaremplacée corrélation négative alors un √est √ volatilité amais été par la Ces deux processus sont corrélés via leurs 1 niveau de volatilité dépend donc essentiellement du stochastique. niveau volatilité précédent partie aléatoire la dynamique du sous-jacent permet de de capter l’impact d’un choc très proches instant t 2vet.tLe Intuitivement, leLa terme v√ dW 2ρdt. 3leurs S dérive ou est ladéterminée par précédent plus le taux d’intérêt : ∆St2 = stochastique. deux sont corrélés via t , dWt1 t1= Ces 3 = de (r∆t + S√ )en − vdevant ∆tZ Sla:t2 volatilité √processus 3√ t1 entraîner t1 tdrift tun choc sur va choc de sens 1 2 le niveau 1 √ àdW l’instant précédent, ce qui permet de modéliser des périodes de forte volatilité et de 2 , dW = ρdt. Intuitivement, le terme en vt devant la mouvements browniens : dW de volatilité sur le sous-jacent grâce au paramètre de corrélation. Si la corrélation est 2 mique du sous-jacent permet de capter l’impact d’un choc (r∆t + S ) + S X , X ∼ N (0, 1) indépendant de Z v ∆t ρZ + 1 − ρ t t t t t = ρdt. Intuitivement, le terme en v devant la 1 1 1 r∆t. Le point important est que pour simuler les processus de volatilité et du sous-jacent, t t opposé sur le sous-jacent. On observe3vacetentrainer effet plus Les chocs deindépendant volatilité sont déterminé par les réalisations de Z. Il apparait clairement période de faible volatilité (des clusters en anglais). négative alors un choc sur la volatilité un choc de sens opposé sur le sousX ∼ N (0, 1) de Z ent grâce au paramètre de corrélation. Si la corrélation est aléatoire de la dynamique du aléatoire sous-jacent permet de capter l’impact e du sous-jacent permet departie capter l’impact d’un choc les mêmes de ladeux variable Z doivent être utilisées. Pour se donnerd’un une choc entre deux instants tsous-jacent et tle très proches : dans ce cas leclairement même choc sur leréalisations mais le signe inverse Nous ce t2letrèsutiliser proches : modèle pour évaluer le prix des opjacent. On observe cet effet plus clairement entre instant t etallons 1sur 2 le la volatilité vaque entrainer un choc dereporté sens opposé sousve ou drift est déterminée par leest niveau précédent plus taux d’intérêt : “-” ∆S râce au paramètre de corrélation. Si la corrélation est t2 1= de volatilité sur le sous-jacent grâce au paramètre de corrélation. Si la corrélation est on que ρ la = −1. Dans ce cas laeuropéennes. dynamique Pour discrétisée du sous-jacent sens du choc. d’intérêt Ceci permet l’effet de levier. Le sous-jacent, lui, suit und’expliquer deprocessus mais constante tions d’achat ces contrats il existe une =sens intuition, nt plus le taux : pour ∆S suppose volatilité et ttype proches : plus clairement entre deux instant topposé tprocessus point important est que de volatilité et du sous-jacent, √Black-Scholes 2 simuler 1les 2 très atilité va entrainer un choc de sur le sous√ négative alors choc sur laρ2 X volatilité vavia undeà choc de sensà l’aide opposé sur le desousdevient : un aus été remplacée par volatilité deux sont corrélés leurs = (r∆t +tSstochastique. Strès vproches ∆t ρZ +processus 1 −Pour X ∼√formule N(0, 1)entrainer indépendant Z volatilité et du , , donner ressemblant celle obtenue du modèle tvariable tet t1doivent t1 Ces aléatoire entre 2sous-jacent, 1) + mes réalisations de laSla être se une √ √ t Z : utilisées. clairement deux instant √de 1 1 22 2 , dW = ρdt. Intuitivement, le terme en v devant la mouvements browniens : dW = (r∆t + S ) − S v ∆tZ S et t très proches jacent. On observe cet effet plus clairement entre deux instant t être utilisées. Pour se donner une t t t t t ZZ Black et C(S0, K, υ0, t, 1T) = S2tQ1 — Ke—r(T—t)Q2.: Xt ∼ N indépendant de vn, ∆tsuppose ρZ 1− 2 sous-jacent 1 Scholes : 1 1 ρρ= X −1., Dans cet(0, cas1)laindependant dynamiquede discrétisée du t1on + que partie aléatoire de la dynamique du sous-jacent permet de capter l’impact d’un choc La dérive ou drift est déterminée par le niveau précédent plus le taux d’intérêt : ∆S mique discrétisée du sous-jacent 2 t2 = lesles fonctions la loi normale N(d1) et de répartitions Mais indépendant devolatilité Z t: ρZ + 1 − ρ X , X ∼ N (0, 1) Les √déterminé chocs de sont par réalisations de Z. Ildeapparait clairement √que√ √ de volatilité sur ler∆t. sous-jacent grâce au paramètre de corrélation. Si la corrélation est Le point important est pour simuler les processus de volatilité et du sous-jacent, = minée par le niveau précédent plus le taux d’intérêt : ∆S 2 = (r∆t + S ) − S v ∆tZ S √ Lattechniques drift déterminée le prétniveau N(d ) ont été remplacées par les termes Q et Q . t1 est t1 +t1S )par 2 2dérive ou Contraintes S = (r∆t + S X , X ∼ N (0, 1) indépendant de Z v ∆t ρZ + 1 − ρ 2 1 2 t2 t1que tmême t1sens dans lechoc chocopposé est reporté 1 Z négative alors un choc surplus la volatilité va lace entrainer un= dedoivent sur le sur sousles mêmes de variable aléatoire être utilisées. Pourlesesous-jacent donner une mais le signe “-” inverse le ∆tZ que pour simuler les processus volatilité etcas du sous-jacent, cédent plus taux d’interêt rΔt.Ilcertains Le pointcas par leprocessus niveau précédent lelede taux d’intérêt :: ∆S Le de variance vréalisations toujours positif mais dans il peut toucher tde t reste 2 = cs de volatilité sont déterminé par les réalisations Z. apparait clairement sens du Ceciinstant permet l’effet: dedu levier. et t2 très proches acent. Onaléatoire observe cet effetde plus clairement deux tla1 d’expliquer intuition, on suppose que ρ entre =choc. −1. Dans ce dynamique variable Zimportant doivent être utilisées. Pour seles donner une pour simuler les processus volatilité et du sous-jacent, 0 et rebondir. Cependant, la volatilité s’interprètre comme lacas au est que pour simuler processus de voIldiscrétisée est toujourssous-jacent possible d’exprimer le prix d’une opons de Z.leIlmême apparait cas que chocclairement est reporté sur leou sous-jacent mais levariance signe “-”associée inverse le sousLa dérive drift est déterminée par le niveau précédent le taux d’intérêt : ∆S = devient : = −1. Dans ce cas la être dynamique discrétisée du sous-jacent √ ble aléatoire Zsigne doivent Pour se donner uneréalisations √etutilisées. jacent en tant que variable aléatoire, ellelevier. est donc par nature strictement De européenne,plus √ acent mais le “-” inverse le latilité du sous-jacent, les mêmes de √ positive. tion d’achat sous une forme à la « Black ett2 choc. Ceci permet d’expliquer l’effet de 2 √ S = (r∆t + S ) + S X , X ∼ N (0, 1) indépendant de Z v ∆t ρZ + 1 − ρ = (r∆t + S ) − S v ∆tZ S t t t t t t t t 2 1 1 1 2important 1:est 1 1 ne vérifie r∆t. Le point que simuler lesetprocessus de volatilité et du sous-jacent, 1.plus, Dansducepoint cas ladedynamique discrétisée du sous-jacent √ xpour pas les la fonction racine x → lavue variable aléatoire Z doivent être carré utilisées. Scholes », cela indépendamment du modèle. En effet, √technique, = (r∆t +de St1régularité ) Les − Schocs ∆tZ St2conditions t1 vnécessaires t1de Opus en Finance Research pour appliquer la formule d’Itô x = 0. Ce qui volatilité sont déterminé par les réalisations de Z. Il apparait clairement les mêmes réalisations de la variable aléatoire Z doivent être utilisées. Pour se donner √ en utilisant une technique de changement de numéraire, on une Opus Finance Research √ = La dérive ou drift est déterminée par le niveau précédent plus le taux d’intérêt : ∆S t2 (r∆t + St1aussi )− Sàtles v ∆tZ conduit une convergence très lente du schéma d’Euler. Il faut donc garantir ce cas que le même choc est reporté sur le sous-jacent mais le signe “-” inverse le t 1dans 1 déterminé par réalisations de Z. Il apparait clairement == —1. Pour se une intuition, onprocessus suppose que toute maisdiscrétisée seulement pour option intuition, on suppose que ρvolatilité −1.etDans ce encas la généralité, dynamique duune sous-jacent ∆t. Le point important estdonner que pour simuler les de dutrouve sous-jacent, Contraintes techniques sens du choc. Ceci permet d’expliquer l’effetle de une levier. −r(T −t) hoc estpar reporté sur le de sous-jacent mais le signe “-” inverse Dans ce cas la dynamique discretisée du sousvanille, une formule du type rminé les réalisations de Z. Il apparait clairement option vanille, une formule du type S Q − Ke Q : −r(T −t) t 1 2 es mêmes réalisations la variable aléatoire Z doivent être utilisées. Pour se donner une devient : Opus Finance Research Le processus de variance v reste toujours positif mais dans certains cas il peut toucher une option vanille, Q2 : ntraintes techniques √formule du type St Q1 − Ke t √ une d’expliquer l’effet de levier. st reporté sur le sous-jacent “-” le jacent ntuition, suppose quedevient ρtoujours =mais −1.: leDans casinverse la dynamique discrétisée du sous-jacent Research ∆tZ (2) cessus de on variance vt reste positif mais dans certains cas il Finance peut toucher (r∆t + S ) − S v SOpus 0signe et ce rebondir. Cependant, volatilité s’interprètre comme la variance associée au sous−r(T −t) −r(T −t) (2) t2 la= t t t 1 1 1 (2)+ Ct = e − K) (S − K)(2) [(S ] K) (ST−t) = e− K)+ t= e[(S −r(T iquercertains l’effet decas levier. T −t) ST >K− devient : dans il la peut touchers’interprètre Ct t= e−r(T √ ondir. Cependant, volatilité comme variance associée audu sousT T −r(T −t) t: strictement t √ la jacentune en tant que variable aléatoire, elle est donc par nature positive. De option vanille, une formule type S Q − Ke Q (2) (2) t 1 −t) 2 √ −r(T −r(T −t) = (r∆t + S ) − S v ∆tZ S me la variance associée au sous(2) chocs de sont déterminé par les réalisations de Il tLes t1 par t1nature t1 strictement −r(T −t) 2 n tant que variable aléatoire, elle est donc positive. De=une ] Z. −− Ke [pas e formule −r(T −t) T >K ST −t) >K une option vanille, du type S (2) Q KeTapparait : clairement t=carré les] t [ ST >K ] plus, du volatilité point de vue la fonction racine :S(2) 2 −r(T √technique, ] − tQ Ke e[S >Kvérifie Tx tt→1[STx Sne (2) Contraintes techniques strictement positive. De + le −r(T −t) −r(T −t) unature point vue technique, fonction racine : x → x ne vérifie pas les ceconditions cas le même choc est reporté sur sous-jacent mais le signe “-” inverse le √ Les chocsde de volatilité sontladans déterminé par que les carré réalisations de Z. Il apparait clairement (1) Ct = e nécessaires [(Sd’Itô K) ](2) (S = eS(2)Tla Sformule T − K) T >K detoujours régularité pour en =[S−r(T 0. >−t) Ce qui S− t t T >K −r(T −t) SxT(2) (1) S Le processus de variance vsur positif mais dans certains il peut toucher −r(T −t) T+ rré :dece x régularité → x ne vérifie pasde les (2) =eappliquer Scas − Ke T >K−r(T −t) t reste niques ons pour appliquer la formule d’Itô en x = 0. Ce qui t le T [(SK] t t Les chocs volatilité sont déterminés par les réaliC = − K) − K) (S = e (2) (2) dans cas que lenécessaires même choc est reporté le sous-jacent mais le signe “-” inverse = S − Ke [S > t T T S >K ] t−r(TS t sens duconduit choc. Ceci permet d’expliquer l’effet de levier. tT td’Euler. Il faut donc T T K] −t) t aussi à toucher une Il= convergence très lente du schéma garantir 0xpermet et=rebondir. Cependant, la de volatilité s’interprètre comme la au−t) sous[STvariance − Ke [ STS>K e−r(T d’Itô enpositif 0. Ce qui ST >K ] associée reste mais dans certains cas il levier. peut T ] t garantir t aussi àchoc. une Ceci convergence très du schéma d’Euler. faut donc tformule (2) (2) es ens du toujours d’expliquer l’effet sations de Z. Illente apparaît clairement dans ce cas que −r(T −t) −r(T −t) =e S (1) [S −t) (2) [SK] − Ke [ (2) = en tant que variable aléatoire, ellesousest donc (1) par Snature strictement positive. De T (1) ST >K ST >K ] aea toujours d’Euler. Ils’interprètre fautjacent doncdans garantir − Ke]−r(T K] −r(T −t) volatilitépositif comme la associée au T=>S(2) T t> t t mais certains cas il peut toucher > K] − tKe[S −r(T t−t) le même choc estvariance reporté sur le sous-jacent mais le T ST >K √− Ke T K] t [S t [S t [ST > K] = S > t T x ne vérifie pas les plus, du point de vue technique, la fonction racine carré : x → t (1) ST STt >K aléatoire, elle est comme donc par strictement De atilité s’interprètre la nature variance associée sous−r(T −t) (2) √ signe « — inverse le sens au dupositive. choc. Ceci permet (1)ST =probabilité St(1) [ST (2) > représente K] Où est Où la forward-neutre, tandis tque probabilité conditions de»régularité la formule d’Itô ent est x =la(2) 0. Ce qui − Ke nique,elle la fonction racine carré : x → nécessaires x positive. ne vérifiepour pas appliquer les S probabilité forward-neutre, tandis que (2)lareprésente la toire, est donc par nature strictement De (1) T −r(T −t) d’expliquer l’effet de levier. √ = S [S > K] [S > K] − Ke t signifie qu’il s’agit d’une probabilité conditionnellement à l’info T tneutre. T L’indice t t conduit aussi à une convergence très lente du schéma d’Euler. Il faut donc garantir cessaires pour appliquer la formule d’Itô en x = 0. Ce qui (2) d’une probabilité conditionnellem (1) neutre. L’indice t signifie qu’il s’agit −r(T −t) , la fonction racine carré : x → x ne vérifie pas les = St t.t En [STréalité > K] le − Ke [Snuméraire T > K] t de disponible àdisponible la date est difficile à exploite rgence très lente dutechniques garantir Contraintes techniques à tandis la dateque t. Enchangement resContraintes pour appliquer laschéma formuled’Euler. d’Itô enIlxfaut = Où 0.donc Ce(1)qui (2)réalité le changement de numéraire est diffici est la probabilité forward-neutre, représente la probabilité risque-pour ST , ni l tement : on ne connait ni une expression analytique de la solution Le processus de variance v reste toujours positif mais dans certains cas il peut toucher t (1) (2) tement : on ne connait ni une expression analytique de la solution po e très lente du schéma d’Euler. Il faut donc Le processus degarantir variance toujours positif mais dans certains cas peut toucher Où qu’il est la au probabilité forward-neutre, tandis que représente la probabilité (1) probabilité (2) t reste neutre. L’indice t vsignifie d’une conditionnellement àil l’information 0 et rebondir. Cependant, la volatilité s’interprètre comme la variance associée sous(1) (2) processus Ss’agit sous et . Pour aller plus loin, il faut considérer les équations T t t processus ST sous et d’une Pour aller associée loin, il faut considérer le neutre. L’indice t signifie qu’il s’agit probabilité conditionnellement à l’infor t t .variance disponible à la datela t. En réalité le changement de numéraire est difficile àplus exploiter direcet rebondir. Cependant, volatilité s’interprètre comme la au sousacent en tant que variable 0 aléatoire, elle est donc par nature strictement positive. De rivées partielles associées à la valeur du produit dérivé U (S, v, t) dans le du √ni uneà expression rivées partielles associées à la valeurdepour du produit dérivé U (S, àv,cadre t) dans disponible la date t. En réalité le changement numéraire est difficile exploiter , ni la loi du tement : on ne connait analytique de la solution S T plus, du point racine carré : x → x (2) ne vérifie pas que variable aléatoire, elle est les donc nature positive. Deraisonnem de Heston. En considérant un par portefeuille destrictement couverture un raisonnement visant é LL aa rde uu ee technique, dd ‘‘ OO ppjacent uu ss FF la ii nn en afonction ee r ee vvvue a nn cctant (1) de Heston. En un portefeuille de et couverture et un √les équations :t on ne connait ni considérant une expression analytique la solution pour ST , ni la 46 de processus ST formule sous tement et en .xPour aller plus loin, il faut considérer auxpour déonditions régularité Nnécessaires la d’Itô =d’arbitrage, 0. Ce(1)qui topportunités º 2plus, • D é du c pour e mpoint b rappliquer e 2 0de 1 3 vue on trouve l’équation d’évolution suivante la valeur du (2) technique, la fonction racine carré : x → x ne vérifie pas les opportunités l’équation d’évolution suivante pour processus et d’arbitrage, .dérivé Pour aller plus loin, ille faut considérer les équations a T sous du produit rivées partielles associées à laSvaleur Uon (S,trouve v, t) dans cadre du modèle Opus Finance Research CAS D’UNE OPTION D’ACHAT EUROPÉENNE DOSSIER TECHNIQUE pose que ρ = −1. ce cas la du sous-jacent intuition, ondiscrétisée suppose que ρ ce = cas −1.discrétisée Dans ce cas dynamique du so intuition, onDans suppose que = −1. Dans ce cas la Dans dynamique dulasous-jacent intuition, onρdynamique suppose que = −1. Dans ce cas la dynamique discrétisée dudiscrétisée sous-jacent intuition, on suppose que ρρ = −1. la dynamique discrétisée du sous-jacent devient : devient : devient :: √ √ devient √ √ √ √ √S = (r∆t √+ S√ √ St2 = (r∆t + St1 ) − St1 Svt2t1= ∆tZ ) − S t t t ∆tZ (r∆t + StS1S)tt22−= S v ∆tZ 1 vt1 ∆tZ = (r∆t (r∆t + SStt121)) − − SStt11 vvtt11 1∆tZ t1 t+ 1 tilité sont par réalisations de Z. Il apparait clairement dans Les chocs de volatilité sont par lesde réalisations de Z. Il apparait clairem Les déterminé chocs de volatilité sont par les réalisations de Z. Il apparait clairement dans Lesles chocs dedéterminé volatilité sont déterminé pardéterminé les réalisations réalisations de Z. IlIl apparait apparait clairement dans Les chocs de volatilité sont déterminé par les Z. clairement dans me choc est reporté sur le sous-jacent mais le signe “-” inverse le sens du ce cas que le même choc est reporté sur le sous-jacent mais le signe “-” inverse ce cas que le même choc reportéchoc sur est le le signe “-” inverse le sens du ce cas cas queest le même même choc estsous-jacent reporté sur surmais le sous-jacent sous-jacent mais le signe signe “-” inverse inverse le le sens sens du du l ce que le reporté le mais le “-” t d’expliquer l’effet de levier. choc. Ceci d’expliquer l’effet de levier. choc. Ceci permet d’expliquer l’effet depermet levier.l’effet choc. Ceci permet permet d’expliquer l’effet de levier. levier. choc. Ceci d’expliquer de é))) (((fin de l’encadré))) (((fin de l’encadré))) (((fin de de l’encadré))) l’encadré))) (((fin dré PARTIE TECHNIQUE: Contraintes techniques ))) PARTIEtechniques (((début encadré TECHNIQUE: Contraintes (((début encadré PARTIE TECHNIQUE: Contraintes ))) techniques (((début encadré PARTIE TECHNIQUE: Contraintes techniques )))techniques ))) (((début encadré PARTIE TECHNIQUE: Contraintes ))) CONTRAINTES TECHNIQUES reste toujours positif mais dans certains cas il peut toucher 0 et variance v reste toujours positif mais dans cas il 0peut to Le processus de variance v t t toujoursvvttpositif mais dans certains ilpeut peut toucher 0àilcertains et Le processus deLe variance vt reste reste toujours toujours positif maiscas dans certains cas il peut toucher toucher 0 et et Le processus de variance reste positif mais dans certains cas peut processus de variance Pour comprendre intuitivement ce résultat, on chercher savoir quel est le typ dant, larebondir. volatilité s’interprètre comme la variance associée au sous-jacent Cependant, la volatilité s’interprètre comme la Cependant, variance associée au so la loi volatilité s’interprètre comme lacevariance associée sous-jacent LeCependant, processus de de variance υrebondir. reste toujours positif mais dans certains cascomme il peut 0au et rebondir. rebondir. Cependant, lala volatilité s’interprètre comme la variance variance associée au sous-jacent sous-jacent rebondir. Cependant, la volatilité s’interprètre la associée au t suivit par volatilité dans modèle. Iltoucher est possible destrictement montrer mathématiqu ble aléatoire, elle est donc par nature strictement positive. De plus, du en tant que variable aléatoire, elle est donc par nature positive. la volatilité s’interprète comme la variance associée au sous-jacent en tant que variable aléatoire, elle est donc par en tant que variable aléatoire, elle est doncsuit, par positive. Dedu plus, en tant tant queque variable aléatoire, elle estfacteur donc par nature strictement positive. De plus, plus, du Ded en que variable aléatoire, elle est donc par nature positive. De du 2 du √ volatilité √ √strictement décentrée àpas n degrés ment la ànature un près 1/L une loi χ √,strictement √ hnique,point la fonction racine carré : x → x ne vérifie pas les conditions de nature strictement positive. De plus, du point de vue technique, la fonction racine carrée : ne vérifie x ne vérifie les point de vue technique, la fonction racine carré : x → de vue technique, la fonction carré : xracine → xcarré ne vérifie point de de vue vue technique, la−κt fonction racine carré →pasxxles neconditions vérifie pas pasde les conditions conditions decond point technique, la fonction :: xx → ne vérifie les de 4v0 κ σ 2 racine 4κθ et un paramètre de décentrage ξ = (1 − e ), n = ). Ainsi pou liberté (L = pas les conditions de régularité nécessaires pour appliquer la formule d’Itô en x = 0. Ce qui conduit aussi à une 2 2 κt aires pour appliquer la formule d’Itô en 4κ x =pour 0. Ce qui conduit aussi régularité pour appliquer la formule enàx = 0. qui conduit σ la σ Ce (e aussi −1) régularité nécessaires pour appliquer lanécessaires formule d’Itô x = à0.une Ce qui conduit aussi une régularité nécessaires pour appliquer laen formule d’Itô en = 0. 0.d’Itô Ce qui conduit aussi une au régularité nécessaires appliquer formule d’Itô en xx = Ce qui conduit àà une convergence très lente du schéma d’Euler. garantir unelente volatilité non nulle, ilschéma faut que la densité de lasolutions loi garantir de la volatilité soit nul lente convergence du schéma d’Euler. Il faut donc garantir l’existence solutions convergence dude d’Euler. Il faut de très lente du schéma d’Euler. Il lente faut donc garantir l’existence dedonc convergence très lente du très schéma d’Euler. faut donc garantir l’existence del’existence solutions convergence très du schéma d’Euler. IlIl faut donc garantir l’existence de solutions 2 en 0. Or la densité de la loi du χ est nulle en 0, dès que le degré de liberté est stricteme ives pour l’équation différentielle stochastique décrivant ladifférentielle variance. Le strictement positives pour l’équation différentielle stochastique décrivantLe la va strictement pour l’équation différentielle décrivant la variance. Le la strictement positives pour l’équation différentielle stochastique décrivant ladévariance. Le strictement positives pour l’équation stochastique décrivant variance. Il fautpositives donc garantir l’existence de solutions strictement stochastique positives pour l’équation différentielle stochastique supérieur à 2, comme cela est illustré sur figure ci-contre. C’est la condition de Feller sont strictement vant : résultat Si les paramètres κ, θ, σ et la volatilité initiale v sont st résultat est le suivant : Si les paramètres κ, θ, σ et la volatilité initiale v 0et la volatilité 0 strictement est le lasuivant : Le Si résultat les paramètres κ, siθ, σ paramètres v0 sont sont strictement strictement résultat est le suivant suivant Si les les paramètres κ,, θ, θ,, σσσetinitiale etlala la volatilité initiale résultat est le :: Si paramètres κ, et volatilité initiale vv00 sont crivant variance. est le suivant : les volatilité initiale υ0 sont strictement 2 n > 2 ⇔ 2κθ > σ 2 2 2 estet alors existe une unique nditionpositifs de Feller : 2κθ >laσcondition 22existe est vérifiée alors il existesolution une uniqu positifs etilsi> laσFeller condition de Feller 2κθunique >une σalors positifs si Feller : est vérifiée une solution strictement est vérifiée il:vérifiée existe unique solution et si laetcondition de Feller : 2κθ est vérifiée alors existe unepositive unique solution positifs etvérifiée side la condition de Feller 2κθalors >alors est ilil existe une unique positifs si la condition de :: 2κθ > σσilsolution ive surstrictement chaquesur intervalle de temps [0, t] tel que t ∈ [0, ∞[. strictement positive sur chaque intervalle de temps [0, t] tel que t ∈ [0, ∞[. chaque intervalle de temps [0, t] tel que t [0, ∞]. positive sur chaque intervalle de temps [0, t] tel t ∈[0, [0,t]t]∞[. strictement positive sur chaque chaque intervalle deque temps [0, tel que que tt ∈ ∈ [0, [0, ∞[. ∞[. strictement positive sur intervalle de temps tel Pour comprendre intuitivement 4 4 4 44 ce résultat, on peut chercher à savoir quel est le type de loi suivie par la volatilité dans ce modèle. Il est possible de montrer mathéPourmatiquement comprendre que intuitivement la volatilité suit, ce résultat, on peut chercher à savoir quel est le type de loi suivit par laprès volatilité à un facteur 1/L, une dans loi du ce modèle. Il est possible de montrer mathématiquepeut chercher savoir quel est ment que la volatilité suit,leàdetype un facteur près 1/L , une loi du χ2 décentrée à n degrés de χà2 décentrée à n degrés liberté 2 4v0 κ st possible de (L montrer et un paramètre de décentrage ξ = σ2 (e − e−κt ), n = 4κθ liberté = σ4κ (1mathématiqueκt −1) ). Ainsi pour σ 2 et 2 une loigarantir du χ un décentrée à n degrés de paramètre de décentrage une volatilité non nulle, il faut que la densité de la loi de la volatilité soit nulle 4v0 κ de décentrage = densité ).. Ainsi pour en 0. Orξ la de la loi du χ2 est nulle en 0, dès que le degré de liberté est strictement σ 2 (eκt −1) à 2, comme cela est illustréintuitivement sur figure ci-contre. C’est on la condition de Feller : nsité desupérieur la loi de la volatilité nulle Poursoit comprendre ce résultat, peut chercher à savoir quel est le type Ainsi, pour 2garantir une volatilin > 2 ⇔ 2κθ > σ s que le degré de liberté deest loistrictement suivit par la volatilité dans ce modèle. Il est possible de montrer mathématiqueté non nulle, il faut que la densité ci-contre. C’estdelalacondition de Feller : que lasoit volatilité suit, à un facteur près 1/L , une loi du χ2 décentrée à n degrés de loi dement la volatilité nulle 2 2 4v0 κ σ en 0. Or, laliberté densité (L de la du et un paramètre de décentrage ξ = σ2 (e (1 χ− e−κt ), n = 4κθ = loi κt −1) ). Ainsi pour 4κ σ2 est nulle en 0, dès que le degré de garantir une volatilité non nulle, il faut que la densité de la loi de la volatilité soit nulle liberté est strictement supérieur 2 encela 0. Or la densité à 2, comme est illustré sur la de la loi du χ est nulle en 0, dès que le degré de liberté est strictement supérieur 2, comme cela est illustré sur figure ci-contre. C’est la condition de Feller : figure ci-contre. C’est laàcondition Figure 4 : Quelques densités de la loi du χ2 en fonction de leur degré de liberté Quelques densités de la loi du χ2 en fonction de leur degré de liberté. de Feller : n > 2 ⇔ 2κθ > σ 2 . (((fin de l’encadré))) . (((titre))) Cas d’une option d’achat européenne Nous allons utiliser ce modèle pour évaluer le prix des options d’achat européenn Pour ces contrats il existe une formule ressemblant à celle obtenue à l’aide du modèle d Black et Scholes : C(S0 , K, v0, t, T ) = St Q1 − Ke−r(T −t) Q2 . Mais, les fonctions de répart tions de la loi normale N (d1 ) et N (d2 ) ont été remplacées par les termes Q1 et Q2 . Il est toujours possible d’exprimer le prix d’une option d’achat européenne, sous un forme à la ’Black et Scholes’, et cela indépendamment du modèle. En effet, en utilisant un Figure 4 : Quelques densités la loi du χ2 de en fonction de leur degré de technique dede changement numéraire, on trouve enliberté toute généralité, mais seuleme (((fin de l’encadré))) . n fonction de leur degré de liberté (((titre))) Cas d’une option d’achat européenne 5 Nous allons utiliser ce modèle pour évaluer le prix des options d’achat européenne. Figure 4 :formule Quelques densités de la loi du χ2 en fonction de leurde degré de liberté Pour ces contrats il existe une ressemblant à celle obtenue à l’aide du modèle −r(T −t) Q2 . Mais, les fonctions de répartiBlack et Scholes : C(S0 , K, v0, t, T ) = St Q1 − Ke (((fin et N (d2 ) ont été remplacées par les termes Q1 et Q tions de la loi normale Nde (d1 )l’encadré))) L a2 . r e v u e d ‘ O p u s F i n a n c e prix des options d’achat N º 2 • D é csous e m b r une e 2013 Il est toujours possible d’exprimer le prix d’une option d’achat européenne, . européenne. 47 DOSSIER TECHNIQUE : [(SS2TT >K −∂x K) Ct = e Ct = te (ST −t K)(ST=−eK) = te [(Savec ] 2 ST >K ] ∂x∂v 2 T − t K) ∂t ∂v 2 avec : −r(T −r(T −t) −t) (2) (2) (2) (2) on ionvanille, vanille,une uneformule du dutype type Qt Q Ke Q−t) Q : −r(T −r(TS −t) −r(T tS 1− 1− 2 2: avec aj = κθ, bj = κ + (−ρσ)2−j , u = ] Ke − [ : −t) =formule e−r(T −t) T Ke ST >K ] − Ke ST >K t ] [ ST >K ] te [ST STt >K[S t aj = κθ, bj 2−j = κ + (−ρσ)2− (2)(2) ( + + −r(T −r(T −t) −t) (2)(2) −r(T −r(T −t) −t) (1) ST TT−− aaj été = κθ, bj = κ + (−ρσ) ,plusujde = cal − T= STe>K SK) >K S= (2) (2) Le problème transformé. Il ne s’agit −r(T −t) T K) −r(T −t) CC e e = S t t (1)(S [(S [(S − − K) K) ] ] (S e t = t = T T S S >K >K t t T T = St t − Ke − Ke t t t [ST > K] t [ST > K] Opus Finance Research problème aQété transformé. Il ne s’agit plus d S−r(T ST ment les Le probabilités T−r(T 1 et Q2 . Et cela est possible à l −r(T −r(T −t) −t) (2)(2) −t) −t) (2)(2) Le problème a été transformé. Il ne et s’agit plus de calculer le (j) [S [S ] − ] − Ke Ke [ [ ] ] ==e e T T S S >K >K S S >K >K t t(1) t −r(T t T T(1) T T (2) Q Et cela est possib 2 . Elles −t) −t) (2) eitX où X Q =1 ln(S tment → les probabilités caractérisent ψj>: K] , Q T ). =TS> [S [S > −r(T K] − Ke = St t [S [S−r(T K] K] −TKe (j) T t T > et . Et cela est possible à l’aide d ment les probabilités Q t t t itX −t) (1) ST STune (1) T ). Elles (2) e 2probabilités , où X = ln(S t → caracté ψj :itX les1 deux STS>K une option(1) vanille, formule du−r(T type St (2) Q(2) Q2 :aléatoire T >K −t) −t) 1 − Ke (j) sous et . ==StStt t −−Ke Ke−r(T [S [S > > K] K] TT e fait, intervenir où X = laln(S → Elles caractérisent compl ψj(2): t chaque t t (1) T ). (1) est laSprobabilité fonction ou ses dérivées aléatoire sous deux probabilités et (2) . forward-neutre, T forward-neutre, (2) (2) Oùla probabilité forward-neutre, que Où est laTS probabilité tandis que (2)terme représente la les probabilité Où (1) est tandis que représente la probabilité risque+ tandis−r(T −r(T −t) −t) (1)risque(2) C = e − K) [(S − K) ] (S = e aléatoire sous les deux probabilités et . t T T S >K et les coefficients sont affines en υ. Ces indices aident à t t T (1)L’indice (1)signifie (2)(2)probabilité −r(T −r(T −t) −t)s’agit la > probabilité risque-neutre. L’indice tK] signifie Les fonctions caractéristiques sont solutions des mê neutre. tK] signifie qu’il d’une probabilité conditionnellement à l’information eutre. L’indice qu’il s’agit d’une conditionnellement à l’information ==Sreprésente K] [S K] −−t) −Ke Ke T T>−t) T T>> tSt t tt [S (2) (2) t t [S[S deviner la forme de la solutioncaractéristiques comme une exponentielle −r(T −r(T −r(T −t) (1) (2) qu’il s’agit d’une probabilité conditionnellement à l’infordu type S Q − Ke Q : Les fonctions sont d [S ] − Ke [ ] = e 2 t. En T ST >K Sest et estaffine .à difficile On s’aperçoit que chaque termesolutions fait interv le changement à exploiter direcsponibledisponible àt la1 date àt.laEndate réalité changement de numéraire exploiter t le réalité tde numéraire T >Kdifficile d’une fonction en υ dontdirecles coefficients dépendent (1) (2) Les fonctions caractéristiques sont solutions des mêmes éq mation disponible à la date t. 1) et STsont .niOn queduindices chaqueaident terme àfait (1)est connait (1) STniSTune (2)une les affines en lav. loi Ces dev ni : on−t) ne expression de la solution , pour la Ss’aperçoit loi ment : tement on niconnait expression analytique de(1)la solution pour estla la probabilité probabilité forward-neutre, forward-neutre, tandis tandis que que (2)(2)analytique représente représente la lacoefficients probabilité probabilité risquerisque>K (2) T , du +ne (2) =Research St t t(2) −] Ke−r(T −t) t [S >du K]temps. . les On coefficients s’aperçoit que chaque terme faitindices intervenir la [(S (ST − K)Opus =Finance e−r(T(1) T et T − K)(2)ST >K (1) sont affines en v. Ces aident une exponentielle d’une fonction affine en v dont les coe STnuméraire L’indice L’indiceprocessus tStTsignifie signifie qu’il qu’il s’agit s’agit d’une probabilité conditionnellement conditionnellement àles àl’information l’information S sous et .probabilité Pour aller plus loin, il faut considérer les équations aux déocessus sous etchangement . d’une Pour aller plusest loin, il faut considérer équations aux déT t t En réalité, le de difficile à ex(2) t t les coefficients sont affines en v.d’une Ces indices aident àendeviner la −r(T −t) (hj +fj v+iφx) une exponentielle affine (2) ] −ploiter ] àK]la −r(T −t) dérivé ,,où Cette décomposition t, φ) du = fonction emodèle où hvj dont et fj le s ψdirecSla >K STchangement >K ble e[SàT àlapartielles date date t.Ke t.partielles En En réalité réalité le dede numéraire numéraire est est difficile difficile à(S, àexploiter exploiter direcdu produit dérivé v,le t) dans le v, cadre vées associées àle[(1) lachangement du produit U (S, v,décomposition t) U dans cadre du modèle j (x, directement : ni une expression ana= tSassociées > K] [Svaleur −valeur Ke t t on Tne>connaît t [ST T rivées (h +f v+iφx) une exponentielle d’une fonction affine en v dont les coefficients j j −r(T −t) (x, v, t, φ) = e , où h e décomposition ψ et f sont des fonctions de t et , permet de se h une option vanille, formule du type Sde − Ke Qpour : j un j de se ramener àloi des équations différentielles de type Ricc tQ 2et la loidu dujvisant nenede connait connait nini une expression expression analytique de1la laSsolution solution S S,raisonnement jpour lytique deEn laune solution pour ST,un nianalytique laportefeuille loide ducouverture processus sous Heston. considérant de couverture e :Son Heston. En considérant unune portefeuille et un raisonnement visant >K (2) T T ,ninila (h les +fjéviter v+iφx) Ton −r(T −t) T décomposition 2e j v,équations t, φ) éviter =σdes , les où et fj sont des − Ke(1) [ST > K] j (x, 1de h (2) ramener deàψ des différentielles 2 jtype (1) et (2) t (2) se ramener à équations différentielles de typ Où est la probabilité forward-neutre, tandis que représente la probabilité risque. , ξ , ξ ) = (− , −ρσiφ + b , φ − u iφ)). (avec (ξ STSTSTsous (2) (2) opportunités trouve d’évolution suivante pour la valeur du produit pportunités d’arbitrage, trouve l’équation la du produit 1valeur 0aux j 2 j sus sous . Pour . on Pour aller aller plus plus loin, loin,l’équation ild’évolution ilfaut faut considérer leslespour équations équations aux dédé+ considérer 2 différentielles −r(T −t)on −t) ramener t t etet t td’arbitrage, σ2 1 2Riccati, do desuivante se à2 K) des équations de type Riccati, dont les solutions sont connues (avec [(ST(avec − ] (Sd’une = e−r(T t = e qu’il T − K) S >K ξmodèle + b , φ − uj iφ)). t t (ξdu neutre. L’indice tlaC signifie s’agit probabilité conditionnellement à2Tσ,modèle l’information Finance Research (2)Opus 1 , ξ0 ) = (− 2 ,1−ρσiφ j 2 −r(T −t) 2 dérivé : érivé : partielles rtielles associées associées à à la valeur valeur du du produit produit dérivé dérivé U U (S, (S, v, v, t) t) dans dans le le cadre cadre du 2 [S−r(T K] −r(T −t) (2) K] −Research Ke nance T >−t) ). (2) taller , ξ , ξ ) = (− , −ρσiφ + b , φ − u iφ)). (avec (ξ 2 1 0 j j −r(T −t) Pour plus loin, il faut considérer les équations aux disponible la date t.=QEn le [S changement de numéraire est exploiter direc- 2 le type St Q1 −à Ke 2 ]− Ke [ Sdifficile ] à éviter e2 : réalité T ST >K >K 6 n. on.du En En considérant considérant ununportefeuille dede couverture unun raisonnement raisonnement visant visant éviter lesles t couverture T Finance 2 2 et 2 t Opus 2 portefeuille 2et ∂du dérivées partielles associées à2 la valeur produit dérivé 1 1 ∂U ∂ ∂U ∂ U U U ∂U 1 1 ∂U ∂ ∂ ∂U ∂ U U U ∂U , ni la loi du tement : on ne connait ni une expression analytique de la solution pour S (2) T 2 2 2 2 21 rue des Jeuneurs 75002 Paris Opus Finance 6 (2) (2) −r(T −t) rward-neutre, tandis que représente la probabilité risque(1) S + unités ités d’arbitrage, d’arbitrage, on on trouve trouve l’équation l’équation d’évolution d’évolution suivante suivante pour pour la la valeur valeur du du produit produit −r(T −t) =le2(1) vSρσvS +−r(T + κQ (θ2− − v) − rU +Tune ρσvS v (2) −vS =formule + σ QvEn:du κrS(θ − v) + +σ−t)rS − ST−r(T >K (2) −t) option vanille, formule St Q − : rU 1+ U(S, dans cadre du modèle de Heston. considérant − K) −2 Pour K) ]l’information (S = 2Finance 2 2type on vanille, du Q − Ke Tprocessus Saller = S[(S − Ke [S >∂fKe K]∂S S2v,Tet)une sous et plus loin, il Opus faut considérer aux dé- Paris 6 2∂v ttype T >K 21 les rue équations des Jeuneurs 75002 t S∂S T ∂t ∂S∂v ∂v ∂tune ∂S 2 ∂S ∂v tT t∂v t2 tt .1∂S∂v s’agit d’une probabilité conditionnellement à j =75002 2 (2) un portefeuille et S unT du raisonnement visant à (S, de Riccati) f2(2) + ξdu fjmodèle + ξ0 (équation (équation de Riccati) 21 rue des Jeuneurs rivées ]partielles associées à la produit dérivé U t)∂t dans−t)leξ2cadre −r(T −t) (2) direcj −r(T vin j Paris de(2)couverture valeur (2) + v,∂f té [S leTchangement de numéraire est à −t) exploiter −r(T −t) (2)−r(T − Ke [ ] +difficile −r(T −t) −r(T = ξ f +[(S ξ1du fT1jPour +K) ξ0 une (équation de Riccati) S >K S >K (2) (1) t T T −t) 2 C = e − K) − ] (S = e ∂h j La condition terminale est déterminée par la valeur finale contractuelle produit. Pour une éviter opportunités d’arbitrage, on trouve l’équation a condition terminale est déterminée par la valeur finale contractuelle du produit. ∂t j C = e − K) [(S − K) ] (S e t T S >K 2 2 2En 2lestconsidérant 2 2 t t T t T T S >K = S [S > K] − Ke [S > K] de Heston. un portefeuille de couverture et un raisonnement visant éviter les t TT t∂UtU T1 t = −af − riφ 1 ∂U ∂U ∂U ∂ ∂ ∂ ∂U ∂U ∂ ∂ U U U U ∂U 1 1 analytique , ni la loi du expression de la solution pour S ∂h j j 2 2 2 2duTproduit ∂t (2) (2) − d’évolution suivante pour la valeur dérivé : T −ST >K (2) =−t) riφl’on −r(T −t) option vanille on sait, via l’argument changement numéraire, que peut exprimer ption vanille on sait, via l’argument de de++ numéraire, que l’on exprimer == vS +Ke + σ−r(T σvchangement κ κ(θ(θ−de −v) −−af rU rU − +(2) +ρσvS ρσvS v−t)2 2(2) +de + rS rS j peut −r(T −r(T −r(T −t) −t) opportunités d’arbitrage, on l’équation pour la− valeur produit ∂tv) −vS > K] 2(1) 2t il tfaut [S[S ] trouve − −t) [d’évolution ]ST >Ksuivante = eKe [S ] − Ke [ Sdu ] = e Pour aller plus loin, les équations aux déT Tconsidérer S∂S∂v >K S >K T (2) ∂t ∂t 2 2 ∂S ∂S 2 2 ∂v ∂v ∂S ∂v ∂v t T ∂S∂v T∂S t t la probabilité T >K −r(T −t) −r(T S Où est la probabilité forward-neutre, tandis que représente T sousSlatU v, t)Stdans Q1 −e KQ le dede S (S, Finalement, à partir des expressions onlnobtient ψj . Puis par (S, v, dérivé t)duU sous la t) forme Qforme KQ effectuant le changement de variable xvariable =frisqueln S hxj = : v, du ∂fjchangement 2 . Eneffectuant j et 1 −e 2 . En valeur produit (S, le cadre modèle =partir ξ2 fj2 + ξ1àexpressions fjl’information + ξ0f(équation de Riccati) (1) dérivé ST ST >K Finalement, à partir des expressions de hjfj eton obtient Finalement, à des hj on obtient ψjj. . Puis par i (1) S (2) (2) ∂t j etde −r(T −t) −r(T −t) neutre. L’indice t signifie qu’il s’agit d’une probabilité conditionnellement T S >K (2) Tcontractuelle −r(T −t) et en injectant cette expression dans l’équation d’évolution, on obtient deux équations pour peuvent être calculées et incl la transformée de Fourier les probabilités Q en injectant cette expression dans l’équation d’évolution, on obtient deux équations pour dition tion terminale terminale est est déterminée déterminée par par la la valeur valeur finale finale contractuelle du du produit. produit. Pour Pour une une ∂h [S > K] > K] − Ke = S − Ke [S > K] 2 2 2 j T et un T1 éviter = S∂t laU − Fourier Ke >laK] t ∂U t tvisant ortefeuille det couverture raisonnement lesde T de 1S ∂U ∂UPuis parles = [S −af riφ inversion transformée de Fourier les probabitle tdifficile j − être calculées et inclu transformée probabilités Qj jpeuvent 2∂ U 2S ∂ U de ∂t disponible à la t. En réalité changement numéraire est à exploiter direcT date = vS + σ + κ (θ − v) − rU + ρσvS + rS v − T et Q typesuivante : 2 dedepour Q formule à numéraire, la2’Black et Scholes’ : être Qon du type anille vanille sait, via via l’argument l’argument changement changement dedenuméraire, que que l’on l’on peut peut exprimer exprimeret incluses dans une formule 1 sait, 2: du 1 et l’équation 2 on ouve d’évolution la valeur peuvent lités ∂S 2du produit ∂S ∂v calculées (2)formule (1)∂t: on 2ne connait (2) j des expressions −r(T la∂v ’Black−r(T et : pour , ni la loi du ni−t) une∂S∂v expression de la Qsolution ST de Finalement, à Scholes’ partir −r(T −r(T −t) −t) (1)T > K]à analytique (2) orward-neutre, que représente laeffectuant probabilité risque−t) =tement St ttandis > K] − Ke [S t t) sous souslalaforme forme StS[S Qt TQ −e −e KQ KQ . En . En effectuant le le changement changement de de variable variable x x= =lnlnSfSj et hj on obtient ψj . Puispar inversion à la « Black et Scholes » : 1 21 2(2)St t 2 [ST2 > K] − 2Ke >lesK] (1) équations T probabilités 2 et t [S 2 2= ∞∂Q −iφ K être calculées et inclues dans u la transformée de Fourier les processus S sous . Pour aller plus loin, il faut considérer auxln déil s’agit d’une probabilité conditionnellement à l’information ∂Q 1 ∂ 1 ∂ ∂ ∂Q ∂Q Q Q Q ∂Q 1 ∂ 1 ∂ ∂ ∂Q Q Q Q T Q La condition terminale est par finale produit. Pour une t déterminée 1j ∞ pour epeuvent 1du j j dans j jt jcontractuelle j j (x, v, t, , φ) j j expression j 2 on j j−iφ 2 jla valeur ectant jectant cette cette expression dans l’équation l’équation d’évolution, d’évolution, on obtient obtient deux deux équations équations pour ln K ψ 2 − = v + σ + (a + ρσv v + (r + u v) − b v) (1) ∂ 2 (2) = v + σ + (a + ρσv v + (r + u v) − b v) formule à la ’Black et Scholes’ : 1 e 1 ψ (x, v, t, , φ) + dφ Q R = j j j j j j 1 ∂U ∂U ∂ U U j rivées partielles associées à la valeur du produit dérivé U (S, v, t) dans le cadre du modèle j est la probabilité forward-neutre, tandis que représente la probabilité risquelité le− changement de numéraire est difficile à exploiter direc2 2sait, 22 option on via∂x l’argument de − changement de2 numéraire, que l’on peut exprimerla∂v ∂v ∂t ∂x ∂x∂v 2∂x∂v ∂v ∂x dφ Q R∂v + σ 2 v2 ∂t + κ la (θ−r(T − v) rU + rS2 (1) π(2) 2+ ∂x iφ risqueOù est probabilité forward-neutre, tandis probabilité QσvS dutype type :de : vanille j = que 0représente 2du −t) 2 Heston. En considérant un portefeuille de couverture et un raisonnement visant éviter les ∞ L’indice t signifie qu’il s’agit d’une probabilité conditionnellement à l’information ni effectuant la loi du le changement ne expression de ∂S la solution pour ST2 ., En ln KS ∂S∂v ∂vla forme ∂v π 1variable 2 1 de KQ xe−iφ = ln U (S, v,2t)analytique sous St Q 1 −e 0 ψj (x,iφ v,àt,l’information , φ) neutre. L’indice signifie qu’il s’agit d’uneà probabilité avec : vec : laetdate + conditionnellement Qjj = pour R dφ opportunités d’arbitrage, ontdans trouve l’équation d’évolution suivante la valeur du produit ble à t. réalité le de est difficile exploiter direc2 2Enloin, 2 changement 2 considérer 2 l’équation 2numéraire en injectant cette expression d’évolution, on obtient deux équations pour j . Pour aller plus il faut les équations aux dé2 (−1) π∂Q iφ à exploiter direc∂Q 1 1la∂ ∂ 1 2 2du ∂QQ ∂ t. ∂Q ∂Q ∂Q ∂Q ∂Q QQ Q rminée valeur finale∂contractuelle produit. Pour une j j par j j disponible j àj la1 date j j réalité j j (−1) j0 j est difficile En le changement de numéraire 2−j 2−j dérivé :+ ,− : valeur on ne connait ni une de solution condition terminale est par la finale = = vQLa2 2du + σv=κθ, (aT(a + ρσv ρσv vκl’on (rla (r +valeur + umodèle v) v) v) du etv type Qde at)janalytique = b+ = κ + =bla a− produit dérivé U (S, v,+ le+ du a:expression = κθ, bσdéterminée ,(−ρσ) ujpour =+ −,+S ju j v) ju jni− jb− j loi 1du j+ jnuméraire, jdans 2 (2) 2 cadre 2(−ρσ) ument de que peut exprimer (1) ∂t 2 changement 2 de ∂x ∂x ∂x∂v ∂x∂v 2Pour 2connait ∂v∂v ∂x∂x ∂v 2∂v tement : on ne ni une expression analytique de la solution pour ST , ni la loi du 2 contractuelle du produit. une option vanille on sait, us S∂t sous et . Pour aller plus loin, il faut considérer les équations aux déportefeuille couverture et un raisonnement visant éviter les 2 2 2 −r(T −t) T KQ . tEn effectuant t ∂U ∂U ∂1 U(2)∂x ∂ U ∂U ∂ U ∂ 2 Qde 21 changement 2 1 le = ln S (1) variable 2 2 2 ∂Q 1 ∂ ∂Q ∂Q Q Q jdérivé j+ jà jdu jσl’on via l’argument changement dets’agit numéraire, que peut processus S+Ttransformé. sous et .s’agit Pour aller plus loin, ille faut considérer lesmais équations 2U Le problème a été Il ne de calculer prix de l’option, seule- aux déLe problème a été transformé. Il plus de calculer le prix de l’option, mais =de vS + κ(a (θ −MODÈLE v)v) −j rU +neρσvS vplus + rS − artielles associées la valeur produit (S, v, t) dans le cadre du modèle rouve l’équation d’évolution suivante pour la valeur du produit t AU-DELÀ DU DEseuleHESTON − = v + σ + ρσv v + (r + u v) − b 2 2 dans l’équation d’évolution, on obtient deux ∂S∂v équations pour jj j ∂S j j ∂v ∂t 2 ∂S 2 ∂v 2 2 —r(T—t) (−1) (−1) ∂t 2 ∂x ∂x∂v 2 ∂v ∂x ∂v exprimer U(S, v, t) sous la forme S Q — e KQ . rivées partielles associées à la valeur du produit dérivé U (S, v, t) dans le cadre du modèle 2−j 2−j on. un portefeuille couverture et raisonnement éviter Q2t.est possible àvisant l’aide des les fonctions caractéristiques ment les Q . κde Et cela possible à2− l’aide des fonctions caractéristiques entEn lesconsidérant probabilités Qκθ, 1Et 1κ 1 etb Q ajaprobabilités κθ, b=2= +et +(−ρσ) (−ρσ) ,cela , un ujuest − = j= j== (j) itX j j (j) itX La condition terminale est déterminée par la valeur finale contractuelle du produit. Pour une nités d’arbitrage, trouve d’évolution pour valeur du produit avec : : t e→onde 2la 2deLe Heston. unsuivante portefeuille couverture et raisonnement visantenéviter les modèle delaHeston certes compte eXl’équation ,En où considérant X ln(S Elles caractérisent complètement la variable loi de de la prendre variable = ln(S : t → complètement loiundepermet la T ). T ).=Elles j 1 2effectuant ∂Ucaractérisent ∂ 2ψ ∂,2 Uoù on ∂U Ujoption 2 (−1) 2vanille En lerS changement de variable x∂Q =rU ln S2−j et(2) en in- del’effet sait, via l’argument de changement numéraire, que l’on peut exprimer 1 ∂ ∂Q ∂ Q Q (1) (1) (2) de levier et les clusters de volatilité. Cela est-il suf+ σ + κ (θ − v) − ρσvS v + opportunités d’arbitrage, on trouve l’équation d’évolution suivante pour la valeur du produit j j j j 2été problème oblème a aσété transformé. Il s’agit s’agit plus de decalculer prix l’option,mais maisseuleseuleaIlne =dans κθ, = b∂v κ + (−ρσ) ,le.leobuprix −del’option, sous les deux probabilités et on éatoire sous les deux et . calculer 2 j ne j =de −t) +aléatoire (abplus vjectant + (rprobabilités + − ∂S∂v 2transformé. ∂v ∂S j v) jj−r(T j v) expression d’évolution, −e KQ le changement variable x = ln S des marchés à U (S, v, sous la:uforme St Q+1l’équation 2 Existe-t-il de 2t)cette 2 . En effectuant fisant ? d’autres comportements 2Q 2 cela 2 2 ∂v ∂x ∂v dérivé et et Q Q . . Et Et cela est est possible possible à à l’aide l’aide des des fonctions fonctions caractéristiques caractéristiques s∂x∂v probabilités probabilités Q 1et tient 1 et ∂U on obtient deux équations pour ∂ dans ∂U U U type : ∂U 1deux 1 2 2 ∂ Upour Q équations du 2 ∂ injectant 2 Q en cette expression l’équation d’évolution, 1σ vIldu 2neproduit. prendre en compte dans un modèle d’évaluation des proLe problème a été transformé. s’agit plus de calculer le prix de l’option, mais seulevS + + κ (θ − v) − rU + ρσvS + rS − (j)(j)=itX erminée par la valeur finale contractuelle Pour une 2caractéristiques 2 2 sont ∂S 2 2 loi e e2itX , et où ,∂S où XX == ln(S ln(S → Les ). Elles Elles caractérisent complètement complètement ladérivés ? la loi de de laréponse la variable variable Les fonctions caractéristiques solutions des mêmes équations que les probabilités ∂t ment ∂S∂v 2sont ∂v ∂v fonctions solutions des mêmes équations que les probabilités T ). T j.1caractérisent 1 ∂U ∂ ∂ ∂U U ∂ U U ∂U Q du type : Q duits La est oui ! et Q Et cela est possible à l’aide des fonctions caractéristiques les probabilités Q 1 2 gument (2) de(1)changement de numéraire, 2 1 (−1)2 que2 l’on peut exprimer 2−j ., itX j s’aperçoit (2) (1)(1)= que (2)(2) chaque vS +intervenir σfonction κ (θses − v) − rU +fait ρσvS v 2 la + ou rS ses + − (j) ,ition b = κ + (−ρσ) u = − et On terme fait fonction ou dérivées et et . On s’aperçoit que chaque terme intervenir la dérivées et −r(T −t) e1) sous sous les les deux deux probabilités probabilités et et . . j 2 terminale esteffectuant déterminée par valeur contractuelle produit. Pour e , où X : t 2→ Elles caractérisent complètement la une loi ∂S de la variable ∂v ψjKQ e . En le changement de variable x =2∂S∂v ln S du ∂t 2 T ). ∂S 2 ∂v 2 = 2finale 2la ln(S ∂Q 1 ∂ 1 ∂ ∂ ∂Q ∂Q Q Q Q j sont jCesen j aident j jla forme j 2 les coefficients affines v. Ces indices aident à deviner de la solution comme s coefficients sont affines en v. indices à deviner la forme de la solution comme Nous retraçons brièvement comment ce modèle a été perfec(1) (2) vanille on sait, plus via l’argument de changement de que exprimer n dans l’équation onprix obtient deuxet équations pour −d’évolution, = vprobabilités +numéraire, σ. vseule+ (aj − bj v) + de ρσvl’option, + (rl’on + upeut aléatoire sous lescalculer deux j v) mé. Il ne s’agit de le mais 2terminale 2 par la valeur La condition est déterminée finale contractuelle du produit. Pour une ∂t 2 ∂x ∂x∂v 2 ∂v ∂x ∂v −r(T −t) tionné à la suite des travaux de Heston. Le tableau ci-dessous exponentielle d’une fonction affine en dont les dépendent temps. Cette ne exponentielle fonction en des vcaractéristiques dont lesv coefficients dépendent du Cette onctions caractéristiques caractéristiques sont sont solutions des mêmes équations équations que queles probabilités )fonctions laune forme St Qd’une KQ .affine En effectuant lemêmes changement de coefficients variable xles =probabilités ln S temps.du 1 −eà l’aide 2solutions . sous Et cela est possible des fonctions (h +f v+iφx) (h +f v+iφx) option vanille on sait, via l’argument de changement de numéraire, que l’on peut (2) (2) fournit un panorama des grandes classes de modèles utilisés j j j j avec jectant cette expression dans l’équation obtient deux pour (x, v, φ) =d’évolution, efait h etdes féquations sont t et φ, permetexprimer décomposition ψφ) v,que t, = e t,terme ,solutions où hlaj on et,des foù sont fonctions de φ,etde permet écomposition ψ: j2(x, que .2T.On s’aperçoit s’aperçoit chaque terme fait intervenir intervenir lajfonction fonction ououdes ses ses dérivées dérivées et Les fonctions caractéristiques sont mêmes que lest et probabilités jchaque j équations j la j fonctions n(S ).On Elles caractérisent complètement la loi de variable −r(T −t) (−1) pour la valorisation des produits dérivés : le modèle de 1 ∂ ∂ ∂Q ∂Q Q Q KQ En effectuant leses changement de variable ln S (2) U j (1) : j (S, v, t) sous laj forme St Q1 −e j 2affines duramener type 2 se de des équations différentielles de type dont solutions sont connuesx =réféetse . On que chaque intervenir fonction oules dérivées et ecients àvramener des équations différentielles Riccati, les solutions sont connues fficients sont sont en ens’aperçoit v. Ces Ces indices indices aident aident àde àdeviner deviner la2−j la forme forme de lalasolution solution comme comme aj =+ κθ, bjterme κtype +fait (−ρσ) , 2 .dont uRiccati, =de − (1) (2) + σaffines (a σv + (ràv.+ uj v) bj= v) jla j − ités et . 2 2 rence de Black et Scholes, les modèles à volatilité stochas2 2 σ 1 et en injectant cette expression dans l’équation d’évolution, on obtient deux équations pour ∂x∂v 2 ∂v ∂x ∂v σ 1 2 2 les(avec coefficients affines indices aident deviner la forme detemps. la solution comme ,(− ξ1sont , ξ2 0∂,)2−ρσiφ =affine (− 12en , en −ρσiφ +les bules φ −∂Q uàj iφ)). ,∂d’une ξ20Q )(ξ=2fonction + bv.jv,Ces − vec ponentielle nentielle fonction affine en coefficients coefficients dépendent dépendent dudu temps. Cette Cette 2v jj,iφ)). 2s’agit 2dont tique, àle sauts lesl’option, modèles àmais corrélation ∂Qj(ξ2 , ξ11d’une ∂Q Qa(h Qφdont j été j j de calculer j etde Lej problème transformé. Ilen ne plus prix seule-stochastique. 2 ∂ Finance et Q du type : Q (h v+iφx) v+iφx) Research Research 1 2 une exponentielle d’une affine v dont les coefficients dépendent du temps. Cette j +f j +f jfonction j Opus −sition = v + σ + (a + ρσv v + (r + u v) − b v) jjsont j j (x, (x, v, v, t, t, φ) φ) = = e e , , où h h et et f f sont des des fonctions fonctions de de t t et et φ, φ, permet permet osition ψ ψ joù es sont solutions des mêmes équations que les probabilités j j j j j 2 2 ∂t décomposition 2 ment ∂x ∂x∂v 2Q(−1) ∂x ∂v fonctions avecles : probabilités Q Et cela est à l’aide des caractéristiques j +f 1 et 2 .j v+iφx) 2−j t, la φ) = e(h∂v où hj 2possible et dont fetdont des fonctions de connues t connues et φ,extensions permet des modèles à volatiψ(j) j,(x, j sont différentielles θ, bjà=àdes κdes +équations (−ρσ) uv, −fonction 2ou 2 mener mener équations différentielles de de type type Riccati, les les solutions solutions sont sont chaque terme fait intervenir ses,6Riccati, dérivées j = Pourquoi développer des∂Q Opus Finance 6 www.opus-finance.com pus Finance www.opus-finance.com itX ∂Q 1 ∂ 1 ∂ ∂ ∂Qj Q Q Q j j j j jla variable eéquations ,Finance où X = ln(S ). Elles caractérisent complètement la loi de ψramener 2 2 2 Opus Research rch j :σt2σ→ T de se à des différentielles de type Riccati, dont les solutions sont connues 1 1 2=2 vde −r(T − + σ[email protected] (aQsauts +(1)Q ρσv:comme [email protected] (r +enu− vdustochastique j −r(T+ −t) −t) lité intégrant des 21=(− rue des Jeuneurs 75002 Paris .2rue Ces aident à Paris deviner la forme la1 2solution des 75002 jyv) j −: bou j v)en les rendant 2jb ξ,nille, ξ , , ξ ) ) = (− , −ρσiφ , −ρσiφ + + b , , φ φ − − u u iφ)). iφ)). 1ξ,1ξ 0indices 0Jeuneurs j j j (2) (−1) 2 σ une option vanille, une formule type S Q Ke 2 une formule du type S Q − Ke 2ξ 2 , ξsous t 1 t2le2probabilités 1prix 2mais 2−j 2+de ∂x∂v 2 multidimensionnels ? ∂v ∂xquelques 2pistes : ∂v aléatoire lesbjdeux et . Il(avec neens’agit plus de seule=calculer (− ,∂t −ρσiφ bj∂x ,l’option, φ, −temps. iφ)). 2, a 1 0) κθ, (−ρσ) uu 2= κ + 2 du Voici j = j j= − Cette nmé. affine v(ξdont les coefficients dépendent 2 Q(h2 .j +f Etj v+iφx) cela ,est possible à l’aide des fonctions caractéristiques fj sont −r(T−r(T (2) (2) avec : + −r(T −t) + fonctions oùdu hj(2) et des de et(2)φ, permet −r(T −t) −t):j −r(T −t) −t)tune option vanille, formule du type(S S] tTéquations Q − Ke Qprobabilités une formule type Q − Ke= Q :C = evariable − K) [(ST −constat K) Ss’im] = des e−r(T C e).Opus K) [(S − des K) (SS e −t) 1 2 t− 1 2loi nance nce 6 6de www.opus-finance.com www.opus-finance.com roblème aElles été transformé. Il complètement ne s’agit plus calculer le de mêmes l’option, mais seuleLes caractéristiques sont que les tsolutions t =T Tune Tprix ln(S caractérisent la la (−1) t ST●>K t premier t fonctions tde T >K Finance 6 www.opus-finance.com Pourquoi intégrer sauts ? Un 2−j différentielles type sont connues (1)de (2)Riccati, dont les solutions a = κθ, b = κ + (−ρσ) , u = − Jeuneurs s Jeuneurs 75002 75002 Paris Paris j j j (1) (2) (2) (2) (2) (2) et Q . Et cela est possible à l’aide des fonctions caractéristiques s probabilités Q 21 rue des Jeuneurs 75002 Paris et1. . 2On s’aperçoit que terme−r(T fait la fonction ou−r(T ses(2)2 dérivées et et imprévisibles du [email protected] [email protected] 1−r(T intervenir ] −−r(T −t) [email protected] −t) −r(Tchaque −t) −r(T bilités (2) pose. mouvements soudains (2) + Les +−r(T b= , −t) φ2 −et uj iφ)). −t) −t) ne(2)s’agit j(j) [S −deKe [ K) =−t) ede [SK) [− ]S−t) T la >Ke]−r(T ST >K ] S+ SK) >K 2e itXlesLe tTla tcomme tX problème asont été transformé. plus T T >K Taident CttCes = [(S etindices K) [(S ] à tra(S = ] −loi e Ke affines en Ilv. à deviner forme la solution T −pour T − Tcomplètement e t , coefficients où = Tln(S →e Elles caractérisent de Sla variable tcalculer t T >K T >K T ).= sous-jacent sont difficiles à capter unSmodèle (S Le problème a été transformé. Il ne s’agit plus de calculer le prix de l’option, mais seulele prix de l’option, mais seulement les probabilités Q et (1) (2) (2) (2) (2) exponentielle (2) (1) ST Sjectoires ST des une d’une fonction affine en v dont(1) les Cette 1 coefficients ST >K (2) à payer (2) eesous les deux probabilités et . continues : le temps. prix est un paramétrage −r(T −t) −r(T −t) du −r(T −t) −r(T −t) ques sont solutions mêmes équations que les probabilités T >K dépendent −r(T −t) −r(T −t) [ST est ] − fonctions Ke [ φ,S[S ] K] www.opus-finance.com − [1fonctions Scaractéris−àKe = St tdécomposition −Ke Ket,àφ)l’aide [S >=2,]K] et Q .où Et cela possible l’aidededes caractéristiques ment les probabilités +f v+iφx) ST >K >K T cela S >K ST Q6[S . Et est]ψ possible des t T > j= je tt ettfonctions Tpermet tQ T >K =et(h des 2 j (x, v, du modèle ; par exemple, une valeur très élevée ue chaque fait la fonction ou ses dérivées et fj sont STTintervenir thtj et STirréaliste (j) tterme itX [email protected] e (2) ,de ,des où = (1) ln(S tà→ ). Elles complètement la loi de la variable où XX = ln(S ). de STTtype S de seSaident des équations Riccati, les solutions connues de dont laprobabilités volatilité de la volatilité. T tiques >Kψj à: deviner (2) T équations fonctions caractéristiques sont solutions quecaractérisent les v. Ces(1)indices la−t) forme la solution comme −r(T −t) Tramener −r(T (2) sont (1)ST >K (2)différentielles (1) −r(T −t) −r(T S − Ke [S >T K] − Ke S >mêmes K] σ 2 −t)t [S[S 1t K] 2t = St (1) (2) T [S t = T= [S > K] − Ke > K] [S > K] − Ke > t t St t(avec (2) T T T t t , ξ , ξ ) = (− , −ρσiφ + b , φ − u iφ)). (ξ t aléatoire sous les deux probabilités et . 1 coefficients 0chaque terme jdu On s’aperçoit fait intervenir laj fonction ion .affine en vSdont les Cette ST ou ses dérivées et 2 dépendent 2 temps. T 2 que complètement laàloi de la variable aléaj v+iφx) Elles caractérisent Ce−r(T constat a(2) été souligné par certains auteurs pour justifficients Ces indices aident(1) deviner forme de la solution e(hj +f , où hjenetv.fj−r(T sont des(2)fonctions de t(2) et (1)φ,lapermet (1) sont affines −t)comme −t) (2) = S [S > K] − Ke [S > K] [S > K] − Ke [S > K] Sdifférentielles Où est la probabilité forward-neutre, tandis queà trajectoires représente la probabilité risq tonentielle la forward-neutre, tandis que représente la probabilité risqueet . Les fonctions toire sous les deux probabilités t T T t probabilité T fier l’utilisation deTwww.opus-finance.com modèles t t t Opusde Finance 6sont d’une fonction affine ent v dont les coefficients dépendent du temps. Cette type Les Riccati, dont lescaractéristiques solutions sont connues fonctions solutions des mêmes équations que les discontinues : probabilités caractéristiques sont des solutions des mêmes équations (h +f v+iφx) 1 2 In a diffusion model the notion of a sudden, unpredict21 rue des Jeuneurs 75002 Paris j j (1) (2) t des signifie qu’il d’une probabilité conditionnellement à l’informat ce s’agit probabilité conditionnellement l’information [email protected] φ) = e et d’une ,(1) oùs’aperçoit hj L’indice et fj sont fonctions des’agit tàfait et φ,intervenir permet osition φ +tbjsignifie ,ψ φ(x,−v,uqu’il . neutre. On que chaque terme la (2) fonction ou ses dérivées et jt,iφ)). 2j Où est la(2) probabilité forward-neutre, tandis que[...] représente la difficile probabilité risque- di robabilité forward-neutre, tandis que la probabilité risqueque les probabilités etde . représente On s’aperçoit que able market move isnuméraire difficult to capture and thisàisexploiter disponible à la date t. En réalité le changement de est a dateàt.des En réalité le changement numéraire est difficile à exploiter direcmener équations différentielles de type Riccati, dont les solutions sont connues les coefficients sont affines en v. Ces indices aident à deviner la forme de la solution comme 2 σ 1 2 neutre. L’indice twww.opus-finance.com signifie qu’il ni s’agit d’une àpour l’information signifie qu’il d’une à l’information , ξ0 ) = (−ni2s’agit + bj , probabilité φ tement − uj iφ)). :conditionnellement on ne laconnait une expression analytique de la solution ST , ni la loi niprobabilité la loi du conditionnellement ne une expression analytique de solution pour ST , les 2 , ξ1connait 6, −ρσiφ 2 une exponentielle d’une fonction affine en v dont coefficients dépendent du temps. Cette 7 est difficile à exploiter direc(1) v+iφx) (2) (2) changement àloin, la date t.est Endifficile réalité changement de esous t. En(1) réalité deψnuméraire àle exploiter direcprocessus Pour aller plusnuméraire loin,fonctions il faut considérer équations aux et tle. décomposition Pourdisponible aller [email protected] plus les équations dét,Tfaut φ)sous =considérer e(htj +fjet hj et fjaux sont des de t et φ, les permet t , . où t j (x, v,ilS , ni la loidu dumod tement : on ne connait ni une expression analytique de la solution pour S , ni la loi du nnait ni une expression analytique de la solution pour S ance 6 www.opus-finance.com L a r e v u e d ‘ O p u s F i n a n c e L a r e v u e d ‘ O p u s F i n a n c e T T rivées associées à lalevaleur produit dérivé U (S, v, t)sont dans le cadre es(1)48 associées à la valeurramener du produit dérivé U (S, v, (2) t) dans cadre du modèledont à despartielles équations de typedu Riccati, les solutions connues (1) différentielles (2) Paris deNse Jeuneurs 75002 23 º 2 • D é c e m b r e 2 0 1 [email protected] σ 1 2un portefeuille S= sous,considérer et + plus loin, illesfaut considérer les équationsvisant aux déet t . Pour allerprocessus plus ilT (− faut équations aux éviter déEn de couverture et un raisonnement éviter t considérant tbles n considérant un portefeuille de et un raisonnement visant t , ξ loin, ,de ξ couverture )Heston. −ρσiφ ,. Pour φ − aller u iφ)). (avec (ξ ● Ensuite, ces modèles ne permettent pas de traiter le cas important de produits portant sur plusieurs sous-jacents. Ils ne permettent pas de répondre à des questions du type : comment valoriser une option sur panier ? Pour traiter ce type de problème, il faut modéliser la corrélation entre les sous-jacents. Les modèles à corrélation stochastique permettent d’y faire face. Modèle La modélisation de la corrélation pose la même question que la modélisation de la volatilité : qu’observe-t-on sur les marchés ? Il a été montré2 que la corrélation répond de façon asymétrique aux chocs à la hausse ou à la baisse du sous-jacent : par analogie avec l’effet observé sur la volatilité ce phénomène est appelé effet de levier. Le modèle WASC permet de capter à la fois l’effet de levier sur la volatilité et sur la corrélation. Equation de diffusion Phénomènes captés Retour Black-Scholes Le modèle WASC, pour Wishart Affine Stochastic Correlation, fait partie de cette classe de modèles. Un regard attentif permet de remarquer qu’en dimension un, il s’agit en fait du modèle de Heston. dSt St DOSSIER TECHNIQUE where jumps are helpful1. Les modèles à sauts comme le modèle exponentiel de Lévy ou le modèle de Bates ont été introduits pour pallier cette lacune. Le premier est une généralisation du modèle de Black-Scholes et le deuxième est une généralisation du modèle de Heston avec l’ajout de sauts. Clusters Marché Effet Sauts Effet de à la de de du sous- levier sur la moyenne volatilité levier jacent correlation Action Taux “ rdt ` σdWt Change Modèles à volatilité stochastique dFt Ft SABR “ αt Ftβ´1 dWt1 dW t2 dWt2 “ ρdt ? dSt 1 St “ rdt ` vt dWt Heston dσt “ νσt dWt2 2 ? dvt “ κ pθ ´ vt q dt ` σ vt dWt2 dWt1 dWt2 “ ρdt Modèles à sauts Modèle exponentiel de Levy Modèle de Bates dSt St “ rdt ` σdWt ` dZt Zt est un processus de Poisson composé ? dSt 2 St “ rdt ` vt dWt ` dZt ? dvt “ κ pθ ´ vt q dt ` σ vt dWt2 dWt2 dWt2 “ ρdt Modèle multi sous-jacents Modèle WASC ˘ ` ? dSt “ diagrSt s r1dt ` Σt dZt ˘ ` dΣt “ ΩΩT ` M Σt ` Σt M T dt ? ? ` Σt dWt Q ` QT pdWt qT Σt b dZtk “ 1 ´ T rrrk RkT sdBtk `T rrRk dWtT s, k “ 1, . . . , n CONCLUSION Nous avons montré dans cet article comment le modèle de Heston permet de reproduire les clusters de volatilité et l’effet de levier. S’il reste dans des cas unidimensionnels un outil intéressant de modélisation, son extension multidimensionnelle, le modèle WASC, pourrait être extrêmement intéressante pour des modèles de risque de marché comme alternative aux modèles gaussien souvent utilisés en pratique. 1. Financial modelling with jump processes, Rama Cont et Peter Tankov, Chapman & Hall - 2. Modeling Asymmetric Comovements of Asset Returns, Kenneth F. Kroner et Victor K. Ng. La revue d‘Opus Finance Nº2 • Décembre 2013 49