Professional Documents
Culture Documents
Introduction
Dans ce qui suit, nous allons prsenter une nouvelle approche pour lapproximation par simulation de la valeur dune option Amricaine qui nadmet pas en
gnrale des solutions analytiques sous des processus de Lvy, et qui reste lun
des problmes les plus importants dans lvaluation des produits drivs. En effet,
on trouve les options amricaines dans un grand nombre de marchs financiers
comme les marchs de crdit, dassurance, dchange tranger, dnrgie, dhypothque, etc. Lorsque la valeur de loption est affecte par plus quun seul facteur,
les mthodes binomiale et de diffrence finie nauront aucune utilit. La simulation, par sa nature, est une alternative prometteuse aux mthodes de diffrence
finie et binomiale, et a plusieurs avantages dans le cadre dvaluation, de gestion
de risque et dexercice optimal doptions amricaines. Cette approche est la mthode de moindres carrs (Least Squares Monte Carlo LSM). Pour comprendre
lintuition derrire cette mthode, il suffit de savoir que le titulaire dune option
amricaine, compare le payoff de lexercice immdiat avec le payoff estim par
continuation. Il exerce si le payoff actuel est plus grand. La statgie de lexercice
est dtrmin par lesprance conditionnelle du payoff par continuation, et cette
1
Distribution NIG
La distribution Normale Inverse Gaussienne NIG est une classe des distributions hyperboliques gnralises qui ont fourni dexcellents ajustements aux donns des sries chronologiques financires.
On dfinit dabord la fonction densit des distributions hyperboliques gnralises
GH :
GH(x; , , , , ) = a(, , , )( 2 + (x )2 )
( 1 )
2
2
K 12 (
p
2 + (x )2 )exp((x )),
(2 + 2 ) 2
p
a(, , , ) =
1
2 2 K ( 2 2 )
= , = .
Ces paramtres ont les interprtations suivantes :
resprsente la localisation
reprsente le scale
reprsente lasymtrie
reprsente la lourdeur les queues
, ,
reprsentent lapplatissement.
2
p 2
K1 (g(x ))
( 2 + (x ))
g(x )
g(x) = 2 + x2
x R
X = + Z + Y Z
Longstaff et Schwartz prsentent une mthode simple dvaluation dune option amricaine par simulation.
A la section prcdente, nous avons prcis que loption amricaine peut tre exerce en tout temps jusqu la date dexpiration. Ainsi, chaque temps dexercice,
le dtenteur dune option amricaine compare dune faon optimale son gain aprs
un exercice immdiat et son gain espr sil choisi de ne pas exercer loption au
temps dexercice courant. Sa stratgie dexercice optimal est dtermine par lesprance conditionnelle du gain ralis si on fait le choix de ne pas exercer loption
immdiatement. Il faut dterminer la fonction desprance conditionnelle en faisant une rgression du payoff issus de la continuation sur les fonctions des valeurs
des variables dtats considres.
3.1
Formalisation du problme
K
X
exp
j=k+1
tj
tk
#
r (, s) ds C (, tj ; tk , T ) Ftk
Proposition 1
Pour chaque choix fini de M, K et un vecteur RM (K1) reprsentant les
coefficients des M fonctions de bases chacune des K 1 dates dexercices, posons
LSM (; M, K) le cash-flow escompt obtenu par lalgorithme de moindres carrs
Monte-Carlo. On a lingalit suivante :
N
1 X
V (X) lim
LSM (i ; M, K)
N N
i=1
Ce rsultat nest valide que lorsque loption est continuement exerable et permet de dterminer le nombre de fonctions de bases quil faut pour obtenir une
approximation prcise. Il suffit daugmenter M jusqu ce que la valeur obtenue
par la mthode LSM naugmente plus.
Proposition 2
Supposons que la valeur dune opton amricaine dpende dune variable dtat X
avec un support sur (0, ), qui suit un processus de Markov. Supposons galement
que cette option ne peut tre exerce au temps t1 et t2 , que la fonction F (; t1 )
est absolument continue, et que :
eX F 2 (; t1 ) dX <
0
eX FX2 (; t1 ) dX <
0
La mthode utilise des moindres carrs pour approximer la fonction desprance conditionnelle tK1 , tK2 , . . . , t1 . On commence la rcursion de tk1 t1 .
Seules les trajectoires dans la monnaie sont utilises, car la dcision darrter o
de continuer na de sens que si loption est dans la monnaie.
Nous allons utiliser comme fonctions de base lensemble des polynomes de Laguerre jusqu L3 dfinis comme suit :
6
L0 (X) = exp(X/2)
L1 (X) = exp(X/2)(1 X)
L2 (X) = exp (X/2) 1 2X + X 2 /2
3 2 1 3
L3 (X) = exp (X/2) 1 3X + X X
2
6
Ln (X) = exp (X/2)
eX dn
n X
X
e
n! dX n
o :
X
F (; tK1 ) =
aj Lj (X)
j=0
Pour t = T 1, ..., t1
Pour les trajectoires i dans la monnaie linstant t
Dfinir X, Y deux vecteurs tels que :
X est le vecteur du prix de laction pour les trajectoires dans la monnaie
Y est le vecteur des valeurs de cash flows escompts linstant t, pour
les trajectoires dans la monnaie
Faire la rgression de Y sur L0 (X) , L1 (X) , L2 (X) , L3 (X) pour trouver les paramtres aj , j = 0, ..., 3.
Obtenir lesprance conditionnelle de la continuation
F (, t) = a0 L0 (X) + a1 L1 (X) + a2 L2 (X) + a3 L3 (X)
Pour le cas o la rgression est faite jusqu L3 , nous avons crit une fonction
dataRegress_L3 qui retourne une matrice de dimension (length(X),4) qui sera
utilise pour faire la rgression de Y sur L0 (X) , L1 (X) , L2 (X) , L3 (X).
Ensuite, il suffit de faire appel la fonction dataRegress_L3(X) dans la fonction LSM _L_3(S_temp, K, r).
3.3.2
Pour nous assurer que notre implmentation est fonctionnelle, nous avons tent
de reproduire les rsultats de lexemple simple qui a t fait dans larticle de
Longstaff et Schwartz. La seule nuance, est que nous avons utilis une fonction dataRegress_X2(X) afin de faire la rgression sur une constante, X et X 2
comme dans larticle. Pour obtenir les rsultats, il suffit de faire appel la fonction
LSM _X_2 (S_temp, K, r) qui est similaire aux fonctions prcdentes mais qui
utilise la fonction dataRegress_X2(X) pour faire la rgression.
Les rsultats que nous avons obtenus en excutant test_LSM _simple.m sont :
Cash - flow matrix at time 3:
Cash_flow =
0
0
0
0
0
0
0
0
0.0700
0
0
0.1800
0
0
0
10
0
0
0
0
0
0
0.2000
0.0900
0
Les matrices des cash-flows sont les mmes que ceux obtenus dans larticle de
Longstaff-Schwartz, et nous pouvons en dduire que notre mthode fonctionne.
3.4
Afin dvaluer loption amricaine, nous crons une fonction qui gnre des
trajectoires NIG. Puis nous faisons appel la fonction LSM_L_3.m pour avoir
la valeur du put amricain.
3.4.1
Algorithme
Gnrer une matrice de prix St dont les trajectoires suivent un processus NIG
Obtenir la valeur du put avec la fonction LSM_L_3
3.4.2
Implmentation et rsultats
Nous avons implment la mthode de moindres carrs Monte Carlo pour des
trajectoires suivants une distribution NIG avec les paramtres = 94.7257, =
8.6670, = 0.0012, = 0.0115, pris dans Di Cesare (figure 3.3). Nous prenons
11
= 100
= 105
= 110
= 115
a + bx + cx2
0.9654
4.7102
9.4190
14.1278
L0 , . . . , L2
0.9846
4.7118
9.4179
14.1244
L0 , . . . , L3
0.9914
4.7172
9.4190
14.1278
L0 , . . . , L4
0.9796
4.7111
9.4190
14.1278
L0 , . . . , L5
0.9788
4.7123
9.4190
14.1278
Cette analyse montre quil nest pas ncessaire davoir plus que quatre fonctions
de base L0 , L1 , L2 , L3 . En effet, lapport de fonctions de bases supplmentaires L4
et L5 ne semble pas changer considrablement les valeurs doptions calcules.
Par contre, nous notons que les rsultats obtenus avec les fonctions de Laguerre
sont sensiblement diffrents de ceux obtenus avec la rgression sur X et X 2 sauf
pour le cas o le prix dexercice est gal 110 et 115.
En utilisant la proposition 1 de convergence de lalgorithme LSM, nous pouvons
en dduire quil est suffisant davoir quatre fonctions de base pour obtenir une
bonne approximation de loption.
Conclusion
Rfrences
[1] F. Longstaff & E. Schwartz (2001) Valuing American Options by Simulation : A Simple Least-Squares
Approach. The Review of Financial Studies, Spring 2001 Vol. 14, No. 1, pp. 113-147.
[2] Joe DiCesare, Applications of the Normal Inverse Gaussian Lvy process to finance.
[3] W Schoutens (2004) Exotic Options under Lvy Models : An Overview, Journal of Computational
and Applied Mathematics, Volume 189, Issues 1-2, pp. 526-538.
12