Simulation de processus gaussiens
Transcription
Simulation de processus gaussiens
Simulation de processus gaussiens MMFI Le mouvement brownien est à la base de tous les modèles d’évolution de prix d’actifs. Par définition, (Bt , t ≥ 0) est un mouvement brownien ssi – Les v.a. Bt sont de moyenne nulles, – B est un processus gaussien (c’est-à-dire que toute combinaison linéaire des Xt est une gaussienne réelle) de noyau de covariance E[Bt Bs ] = min(t, s). En particulier, on démontre que – Bt suit une loi gaussienne centrée de variance t, – Le processus (Bt+s − Bt , s ≥ 0) est un mouvement brownien indépendant de σ(Bu , u ≤ t), – par conséquent, pour t1 < t2 < . . . < tn , (Bt1 , Bt2 −Bt1 , . . . , Btn −Btn−1 ) est une famille de v.a. indépendantes et le vecteur (Bt1 , Bt2 , . . . , Btn ) est un vecteur gaussien centré de matrice de covariance Γi,j = min(ti , tj ). On rappelle que pour simuler un couple de v.a. gaussiennes centrées réduites (moyenne 0 et variance 1) indépendantes, on utilise la formule p p X1 = −2 ln(U1 ) cos(2πU2 ) et X2 = −2 ln(U1 ) sin(2πU2 ), où U1 et U2 sont deux v.a. indépendantes de loi uniforme sur [0, 1]. 1. Avec chacune des quatre méthodes de simulation, simuler des trajectoires à 128, 512, 1024, 4096 points. Calculer pour chacune d’entre elles X X X |∆Bi |, |∆Bi |2 , |∆Bi |3 . Quelles limites conjecturez-vous pour ces trois quantités ? 2. Simuler une trajectoire sur l’intervalle [1/2, 3/4] sans la simuler sur un intervalle plus long. 3. Si l’on a déjà simulé une trajectoire sur [0, t], comment fait-on sans tout recommencer pour en simuler une sur [0, t + s] ? 4. Soit µ la loi de |B1 |. Quelles sont les équations à résoudre pour trouver 20 intervalles Ii = [ai , ai+1 ] tels que µ(Ii ) = µ(Ij ) pour tout couple i, j. Tous calculs faits (avec Maple ou Mathematica) on a a20 = ∞, et 1 i 0 1 2 3 4 5 6 7 8 9 ai 0 .06270677794 .1256613469 .1891184263 .2533471031 .3186393640 .3853204664 .4537621902 .5244005127 .5977601260 i 10 11 12 13 14 15 16 17 18 19 ai .6744897502 .7554150264 .8416212336 .9345892911 1.036433390 1.150349380 1.281551566 1.439531471 1.644853627 1.959963985 5. Soit B1∗ = inf s≤1 Bs , évaluer avec le test du χ2 , l’hypothèse selon laquelle la loi de B1 −B1∗ est égale à celle de |B1 |. Prendre 400 trajectoires de L = 2000 points et les 21 intervalles de la question précédente. 6. On considère maintenant le processus appelé mouvement brownien fractionnaire, c’est-à-dire un processus gaussien de noyau de covariance E[BtH BsH ] = Z min(t,s) (t − r)H−1/2 (s − r)H−1/2 dr 0 où H est un paramètre qui varie dans ]0, 1[. Simuler des trajectoires à 500 points de ce processus en utilisant la méthode de Cholesky pour H = 0, 2; H = 0, 8 et H = 0, 5. 7. On admet que ce processus admet la représentation suivante : Z t H Bt = (t − s)H−1/2 dBs . 0 La signification précise du dBs sera vu ultérieurement. On admet aussi que BtH peut ainsi s’approcher par BtH ' X ti ≤t 1 ti+1 − ti Z ti+1 (t − r)H−1/2 dr ∆Bi . ti Représenter des trajectoires de B H par cette méthode. 2 1 Méthodes de simulation du mouvement brownien Sauf dans la méthode de Karhunen-Loève, les trajectoires ne sont calculées qu’en un nombre fini de points. Le reste des valeurs s’en déduit si besoin est par interpolation linéaire. 1.1 Méthode des incréments On utilise l’indépendance des incréments : √ T = Bti + √ Yi L B0 = 0, Bti+1 où ti = iT /L, i variant de 1 à L et Y1 , . . . , YL est une suite de v.a. indépendantes de loi gaussienne centrée réduite. Cette méthode s’applique à n’importe quel processus à accroissements indépendants. 1.2 Méthode de Karhunen-Loève Soit (Zn , n ≥ 1) une suite de v.a. indépendantes équidistribuées de loi normale centrée réduite (moyenne nulle, variance 1). Soit √ (2n + 1)πt 2 2T φn (t) = sin , (2n + 1)π 2T on peut montrer que dans L2 (Ω × [0, T ]), on a Bt = ∞ X Zn φn (t). n=0 Il existe donc une sous-suite de la suite des sommes partielles de la série de droite qui converge p.s. vers B. On en déduit une méthode d’approximation par troncature de la série. RT On peut en théorie appliquer cette méthode a tout processus tel que E[ 0 Xs2 ds] soit fini. En pratique, il faut pouvoir caractériser la loi des Zn , en particulier ce n’est applicable pratiquement que si ces variables sont indépendantes. 1.3 Méthode de Cholesky La loi d’un processus est entièrement caractérisée par ses marginales de rang fini. Les marginales d’un processus gaussien sont caractérisées par le vecteur moyen m et la matrice de covariance, notée ici Γ. Soit σ la racine carrée autoadjointe de Γ, c’est-à-dire la matrice telle que σσ ∗ = Γ. Soit X = (Xn , n = 1, . . . , N ) un vecteur de N gaussiennes centrées réduites indépendantes. Un calcul avec les transformées de Fourier montre que le vecteur Y défini par Y = σ.Y + m 3 est un vecteur gaussien de moyenne m et de matrice de covariance Γ. En conclusion, pour simuler un mouvement brownien en N points, – on forme Γ donnée par Γi,j = min(ti , tj ), – on calcule σ par la méthode de Cholesky, – on forme le vecteur Y à partir de N tirages indépendants de v.a. gaussiennes centrées réduites. Cette méthode s’applique à n’importe quel processus gaussien. 1.4 Méthode du point médian On prend pour N une puissance de 2. On part de B0 = 0 et BT = Z0 , où Z0 est une v.a. gaussienne centrée de variance T. – Ensuite, on prend BT /2 = (B0 + BT + Z1 )/2 où Z1 est une v.a. gaussienne centrée de variance T indépendante de Z0 . – Pour tous les points de rang i, c’est-à-dire de la forme t = k2−i T avec k impair dans {1, . . . , 2i }, on pose Bk2−i T = (B(k−1)2−i T + B(k+1)2−i T + Zi,k )/2 où les Zi,k sont des v.a. gaussiennes centrées indépendantes de variance T 2−(i−1) indépendantes des Zj,l pour j < i. Avec quelques modifications, cette méthode s’applique à n’importe quel processus markovien. 4