MAT6240 - Projet final

Evaluation dune option amricaine sous un processus NIG

Hassan Choueib
L. Alexia Imokoyend
April 27, 2014
Rsum
Lobjectif moyen terme de ce travail est dexplorer quelques formulations des problmes
dvaluation des produits drivs, et plus prcisment, lvaluation dune option amricaine
qui se place parmi les produits drivs les plus importants dans le march financier. Dans
ce rapport, nous prparons le terrain pour la simulation de la valeur dune options amricaine par la mthode de moindres carrs de Monte Carlo, en commenant tout dabord
par la dfinition dune option amricaine, et les domaines dapplication de ces produits
dans les marchs financiers, pour passer ensuite la prsentation de lun des modles stochastiques les plus importants et efficaces pour dcrire lvaluation des options, qui est le
processus normal inverse gaussien. Pour cela, on va faire une petite revue sur la littrature
des processus gnraliss hyperboliques, leurs caractristiques, et leurs avantages pour la
prsentation des options. Sans oublier bien sur, laspect numrique pour limplmentation
des trajectoires des processus cits prcdemment. Aprs avoir prparer le terrain "thorique" de notre tude, on passe lintroduction de la mthode des moindres carrs, ainsi
que ltude thorique de cette mthode, et la convergence de lalgorithme vers la valeur
exacte de loption. Et finalement limplmentation de cette mthode pour des fonctions de
Laguerre allant jusqu L3 , et ensuite pour un nombre arbitraire n de ces fonctions.

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

esprance peut tre facilement estime par la mthode de moindres carrs.

Dans notre modle, on va utiliser des variables alatoires Normales Inverses Gaussiennes NIG qui offrent un compromis entre la prcision statistique offerte par la
distribution hyperbolique gnralise et la traabilit des processus de Wiener.
Hassan Choueib sest charg des sections 1 et 2, savoir :
lintroduction
ltude thorique de la distribution NIG
limplmentation des trajectoires simules NIG.
Alexia Imokoyend sest charge des sections 3 et 4 comprenant :
ltude thorique de la mthode des moindres carrs de Longstaff Schwartz
limplmentation de cette mthode pour des fonctions de bases allant jusqu
L3 et pour un nombre n de fonctions de bases choisies par lutilisateur
la conclusion.

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 )

o K est la fonction de Bessel de troisime ordre avec indice .

En 1999 Prause a dfinit dautres paramtres utiles pour la caractrisation des
distributions GH :
p
= 2 2
= (1 + )1/2 , =

= , = .
Ces paramtres ont les interprtations suivantes :
resprsente la localisation
reprsente le scale
reprsente lasymtrie
reprsente la lourdeur les queues
, ,
reprsentent lapplatissement.
2

La distribution NIG est un cas particulier des distributions GH, avec = 21 :

N IG(x; , , , ) =

p 2
K1 (g(x ))
( 2 + (x ))

g(x )

g(x) = 2 + x2

x R

Et la famille des distributions hyperboliques gnralises GH peut tre dfinie

comme la convulution dun normal avec une distribution Gnerale Inverse Gaussienne GIG :
GH(, , , , ) = N ( + z, z) GIG(z; , , 2 2 ).
Cette famille est infiniment divisible, et donc gnre un processus de Lvy qui a des
accroissements indpendants et stationnaires. Par construction, les accroissements
qui ont un cart dune seule unit de temps ont une distribution GH, tandis que
ceux qui ont un cart diffrent de 1 nont pas ncessairement une distribution GH.
La seule exception est lorsque = 1/2, o le processus NIG a des accroissements
qui sont toujours NIG.
Xt+t Xt N IG(, , t, t)
Pour = 1/2 la distribution GIG se rduit la distribution Inverse Gaussienne
IG. Et dans les problmes de finance qui suivent une GH, lon a besoin de prendre
une convolution des distributions GH, qui peut donner une distribution dans une
classe diffrente. La solution de ce problme sera de se restreindre sur la classe
des distributions NIG, qui est la seule classe ferme sous covolution de la famille
GH. Un autre problme important pour toutes les classes de la distribution GH
est que la densit risque neutre utilise dans lvaluation des produits nest pas
un membre de la famille GH. Une seule exeption est la distribution NIG o le
paramtre de localisation est gale zro.
2.1

Code Matlab dune distribution NIG

On gnre dabord une fonction Inverse Gaussienne Z partir des paramtres

, , et .
Ensuite on construit la distribution NIG X partir de Z et une distribution
Normale(0,1) Y tel que

X = + Z + Y Z

Figure 1 Codes Matlab genIG et genNIG

La mthode de Longstaff-Schwartz (LSM)

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

Considrons un espace de probabilit (, F, P ) et un horizon de temps fini

[0, T ]. On suppose lexistence dune mesure martingale quivalente Q, impliquant
4

Figure 2 Exemple dune trajectoire NIG

que le march est sans arbitrage.

Nous cherchons valuer une option amricaine, avec des cash-flows alatoires
entre [0, T ]. On suppose que loption amricaine peut tre exerce K temps discrets 0 < t1 t2 t3 . . . tk = T , et considrons une politique darrt optimal
chaque temps dexercice.
A la date dexpiration, linvestisseur choisi dexercer loption si elle est dans la
monnaie, et de la laisser expirer sinon. Pour loption amricaine, au temps dexercice tk < T , le dtenteur de loption choisi de lexercer immdiatement ou de
continuer et de prendre sa dcision un autre temps dexercice.
Au temps tk , le cash flow dexercice immdiat est connu par linvestisseur par
contre, les cash flows si on choisi de continuer ne sont pas connus au temps tk .
Par la thorie dvaluation sans arbitrage, la valeur de continuation F (; tk ) peut
tre exprime comme :
"
F (; tk ) = E Q

K
X


exp

j=k+1

tj

tk


#



r (, s) ds C (, tj ; tk , T ) Ftk


o C (, s; tk , T ) reprsente les flux escompts sous la mesure Q et r (, t) le taux

descompte sans risque.
3.2

Convergence de lalgorithme LSM

Soit V (X), la vraie valeur de loption amricaine.

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

Alors, pour chaque  > 0, il existe un M < tel que :


"
#
N


X
1


lim P r V (X)
LSM (i ; M, K) >  = 0.
n


N i=1
Ce rsultat signifie que si on slectionne un M suffisamment large et un grand
nombre de trajectoires (N ), alors lalgorithme des moindres carrs permet
dobtenir une valeur proche de la vraie valeur de loption amricaine (  prs).
3.3

Lalgorithme des moindres carrs Monte-Carlo (LSM)

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

Lalgorithme LSM est dfini comme suit :

Algorithme 1 Moindres carrs Monte-Carlo LSM

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)

Comparer la valeur dexercice immdiat avec la valeur espre de continuation

Si valeur dexercice immdiat > valeur espre de continuation
cash_f low (i, t) = valeur dexercice immdiat

Mettre jour cash_f low (i, tk ) = 0 o tk (i, T )

Sinon
cash_f low (i, t) = 0

cash_f low (i, tk ) reste inchang

Pour toutes les trajectoires
Escompter les cash flows t = 0
Retourner la valeur de loption amricaine qui est la moyenne des cash-flows
escompts.
Cet algorithme a t implment dans la fonction LSM_L_3.m en annexe.
Remarque
Il est crucial de mettre jour les colonnes de cash-flow pour viter davoir deux
valeurs positives sur la mme ligne. Loption amricaine ne pouvant tre exerce
quune seule fois, il serait abrrant davoir plusieurs rsultats positifs par ligne
pour la matrice de cash flow t = t1 .
Le fait de garder une approche matricielle nous permet davoir des rsultats qui
sont cohrents avec une matrice de rgle darrt, o il y a au plus une valeur 1
8

par ligne pour reprsenter un cash-flow positif.

3.3.1

Implmentation de lalgorithme LSM dans MATLAB pour le cas

o la rgression est faite jusqu L3

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).

Figure 3 Fonction dataRegress_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

Implmentation de lalgorithme LSM dans MATLAB o le degr

n du polynme de Laguerre Ln est spcifi par lutilisateur

Dans ce cas-ci, lutilisateur spcifie jusqu quel degr n il souhaite faire la

rgression. Nous avons exploit les fonctions de calcul symbolique de MATLAB
pour calculer L0 , . . . , Ln dans une fonction symbolic_laguerre(x, n).

Figure 4 Fonction symbolic_Laguerre(x,n)

Nous utilisons une fonction dataRegress_Ln(X) qui utilise la fonction

symbolic_Laguerre(x, n) et retourne une matrice de dimension (length(X), n + 1)
qui sera utilise pour faire la rgression de Y sur L0 (X) , L1 (X) , . . . , Ln (X).

Figure 5 Fonction dataRegress_Ln(X,x,n)

Comme prcdemment, il faut simplement faire appel la fonction dataRegress_Ln(X, x, n)

dans la fonction LSM _L_n(S_temp, K, r, x, n). Cette dernire fonction la
mme structure que la fonction LSM _L_3 dfinie prcdemment.
3.3.3

Test de lalgorithme LSM avec une rgression sur une constante,

X et X2

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.

Figure 6 Fonction dataRegress_X2(X)

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

Cash - flow matrix at time 2:

Cash_flow =
0
0
0
0
0
0
0
0
0.0700
0
0.1300
0
0
0
0
0
0.3300
0
0
0.2600
0
0
0
0
Cash - flow matrix at time 1:
Cash_flow =
0
0
0
0
0
0
0
0
0.0700
0.1700
0
0
0
0
0
0.3400
0
0
0.1800
0
0
0.2200
0
0
val_put =
0.1144

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

Evaluation dune option amricaine sous un processus NIG

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

Algorithme 2 Evaluation dune option amricaine sous un processus NIG

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

galement S0 = 100, r = 6%, T = 50 et n_paths = 1000.

Nous calculons des valeurs doptions avec n fonctions de base allant de L0 , . . . , L2
L0 , . . . , L5 pour diffrents prix dexercice : K = 100, 105, 110, 115. Nous comparons
aussi ces rsultats avec le cas o nous faisons une rgression sur une constante, X
et X 2 .
Les rsultats obtenus pour cette excution sont les suivants :
K
K
K
K

= 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

Table 1 Rsultats de la mthode LSM avec n = 2, 3, 4, 5

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

La mthode de moindres carrs Monte Carlo propose par Longstaff et Schwartz

semble tre une mthode intuitive, prcise et facile dapplication pour lvaluation
doptions amricaines. Elle est aussi applicable des options dont les sous-jacents
ont des trajectoires NIG, donnant des rsultats cohrents.
Cette mthodes des proprits de convergence robustes, permettant lutilisateur davoir le niveau de prcision voulu. Cependant, le choix des fonctions de
bases un impact sur la valeur finale de loption que lon obtient, et cela demande
une certitude dans ce choix.

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