0% ont trouvé ce document utile (0 vote)

174 vues71 pages

Modèles Discrets en Finance et Assurance

Transféré par

Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.

Formats disponibles

Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

0% ont trouvé ce document utile (0 vote)

174 vues71 pages

Modèles Discrets en Finance et Assurance

Transféré par

merag76668

Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.

Formats disponibles

Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

Modèles Mathématiques Discrets

pour la Finance et l’Assurance

Marc et Francine DIENER

28 mars 2010
2
Table des matières

1 Prix et couverture d’une option d’achat 5

1.1 Evaluation du prix dans un modèle à une étape . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Modèle à deux étapes : couverture dynamique. . . . . . . . . . . . . . . . . . . . . . . . . 6

2 Formule fondamentale dans un modèle de Cox-Ross-Rubinstein 11

2.1 Le modèle de Cox-Ross-Rubinstein . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2 Construction du portefeuille de couverture . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3 Probabilité risque neutre et formule fondamentale . . . . . . . . . . . . . . . . . . . . . . . 13
2.4 Hypothèses du modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

3 Marches aléatoires. Filtration et information 17

3.1 Définitions et exemple du modèle CRR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.2 L’ensemble Ω, ou comment indexer tous les avenirs possibles . . . . . . . . . . . . . . . . . 18
3.3 Caractériser ce qui sera connu et ce qui restera aléatoire . . . . . . . . . . . . . . . . . . . 19
t
3.3.1 La relation ∼ et la partition Ω | t de Ω . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.3.2 La tribu FtS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.3.3 La tribu associée à une v.a. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.4 FtS -mesurabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

4 Espérance conditionnelle 21
4.1 Espérance conditionnelle d’une v.a. sachant un évènement . . . . . . . . . . . . . . . . . . 21
4.2 Espérance conditionnelle d’une v.a. par rapport à une tribu . . . . . . . . . . . . . . . . . 21
4.3 L’espace euclidien L2 (Ω) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4.4 Application au calcul de prix d’options . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

5 Martingales, arbitrage et complétude 25

5.1 Martingales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
5.2 Marché et “pertes et profits” d’un portefeuille . . . . . . . . . . . . . . . . . . . . . . . . . 27
5.3 Marchés sans arbitrage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
5.4 Marchés complets et non complets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

6 Options américaines 31
6.1 Calcul du prix par récurrence rétrograde . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
6.2 Théorème d’arrêt optimal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
6.3 Stratégie de couverture avec consommation . . . . . . . . . . . . . . . . . . . . . . . . . . 33

7 Options barrières 35
7.1 Définitions et exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
7.2 Mesurabilité et temps d’arrêt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
7.3 Calcul du prix d’une option DIC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
7.4 Evaluation par le principe d’André . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

8 Black-Scholes comme limite de CRR 41

8.1 La formule de Black-Scholes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
8.2 Limite du prix CRR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
8.3 Convergence vers Black-Scholes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
8.4 Vitesse de convergence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

3
4 TABLE DES MATIÈRES

9 Le modèle de Ho et Lee 47
9.1 Actifs à flux déterministes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
9.2 Taux aléatoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
9.2.1 Where are the risks ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
9.2.2 Courbes de taux et structure par terme . . . . . . . . . . . . . . . . . . . . . . . . 49
9.3 Le modèle de Ho et Lee pour les zéro-coupons . . . . . . . . . . . . . . . . . . . . . . . . . 50
9.3.1 Un model à trois paramètres : π, δ, et n . . . . . . . . . . . . . . . . . . . . . . . 51
9.4 Exemples de produits derivés de taux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52

A Exercices 55
A.1 Les trajectoires d’un modèle à n étapes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
A.2 Les trajectoires du call d’un modèle à n étapes . . . . . . . . . . . . . . . . . . . . . . . . 56
A.3 Calcul de prix par espérance conditionnelle . . . . . . . . . . . . . . . . . . . . . . . . . . 57
A.4 Le Delta de couverture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
A.5 Options américaines . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
A.6 La formule de Black et Scholes ; convergence des prix CRR vers BS . . . . . . . . . . . . . 61
A.7 Calcul de prix d’options barrière . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
A.8 Modèles de Ho et Lee, et produits de taux d’intérêts . . . . . . . . . . . . . . . . . . . . . 63
A.9 Incidence du paiment d’un dividende sur le prix d’une action et d’une option . . . . . . . 66
A.10 Examen 2006-2007 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
A.11 Examen 2007-2008 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
A.12 Examen 2008-2009 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
Chapitre 1

Prix et couverture d’une option

d’achat

Dans cette première leçon, on explique comment on peut calculer le prix d’un contrat d’option en
évaluant celui d’un portefeuille de couverture de cette option. On se place dans un cas très simple, celui
d’une option d’achat sur un actif financier dont on a modélisé la dynamique au moyen d’un arbre binaire.
Le taux d’intérêt monétaire est supposé constant pendant la durée du contrat.
Définition : Une option d’achat (européenne), encore appelée call, est un titre donnant droit à son
détenteur d’acheter un actif financier à une date future et à un prix fixé. Il s’agit d’un droit et non
d’une obligation. Le prix fixé s’appelle le prix d’exercice de l’option et la date de fin du contrat la date
d’échéance ou date d’exercice. L’actif financier sur lequel porte le contrat s’appelle l’actif sous-jacent.
Le propre d’un contrat d’option, tient à ce qu’à la date de souscription, la valeur à l’échéance de
l’actif sous-jacent n’est pas connue mais le paiment que pourra exiger le détenteur de l’option, s’il exerce
l’option, dépend de cette valeur à l’écheance. C’est pourquoi on appelle aussi les options des contrats
contingents. On peut comprendre, dans un premier temps, un tel contrat comme un contrat d’assurance :
le vendeur de l’option est l’assureur, l’acheteur l’assuré, ce dernier cherchant à se couvrir contre une
envolée de la valeur du sous-jacent. Il s’agit alors d’un contrat de transfert de risque moyennant un prix.
Mais nous verrons plus loin qu’il y a une différence essentielle entre un contrat d’assurance classique
(assurance habitation ou automobile) et un contrat d’option.
L’exemple le plus naturel d’actif financier est sans doute celui d’une action cotée en bourse, comme
l’action Micsft ou Netscp sur le NASDAQ ou AmOnLne sur le NYSE. Mais cela peut aussi être le cours
d’une matière première comme le prix d’une tonne de zing ou celui d’un produit agricole tel le prix
de 50.000 livres de boeuf. Les premiers contrats d’option étaient des contrats sur cours agricoles déjà
courants au siècle dernier. Les contrats d’option sur actions se sont vraiment développés lorsqu’ils ont
pu faire l’objet d’une négociation en bourse, c’est-à-dire à partir des années 70 sur le CBOT, à Chicago,
puis progressivement dans la plupart des autres places financières.

1.1 Evaluation du prix dans un modèle à une étape

Pour évaluer le prix d’une option d’achat à l’instant initial, c’est-à-dire la somme à verser par l’acheteur
au vendeur, plaçons nous tout d’abord dans un cas très simple. Notons t = 0 l’instant de souscription de
l’option, t = T son échéance et K son prix d’exercice. Supposons que l’actif sous-jacent ait la valeur S0
à l’instant initial et qu’il ne puisse prendre que deux valeurs ST = S0 u ou ST = S0 d à l’échéance, avec
0 < d < 1 < u. On verra qu’il est naturel de supposer en outre que S0 d < K < S0 u. Soit C0 la valeur, à
déterminer, du call à l’instant t = 0 ; c’est le prix du contrat, ou la prime. A l’instant initial le vendeur ne
sait pas si ST prendra la valeur S0 u ou S0 d, mais il peut évaluer ce qu’il devra à l’acheteur dans chacun
des deux cas : si ST = S0 d, l’acheteur n’exercera pas (puisqu’il peut alors acheter l’actif sous-jacent sur le
marché à un prix inférieur à K) et donc la valeur de l’option est nulle ; par contre si ST = S0 u, l’acheteur
réclamera au vendeur la différence entre le prix de marché et le prix convenu K, soit S0 u − K, somme lui
permettant d’effectuer son achat à ce prix. Comment le vendeur peut-il, avec la prime qu’il a reçue, faire
face à ses engagements ? L’idée est d’utiliser la prime pour constituer un portefeuille, appelé portefeuille
de couverture Π, composé de a actifs S0 et de b unités monétaires, et de choisir sa composition a et b
de telle façon que sa valeur à l’échéance soit précisément celle de l’option, c’est-à-dire 0 si ST = S0 d et

5
6 CHAPITRE 1. PRIX ET COUVERTURE D’UNE OPTION D’ACHAT

180 100

120 50
Q Q
Q Q

60 0

Fig. 1.1 – Un exemple de modèle à une étape

S0 u − K si ST = S0 u. . Si l’on désigne par r le taux d’intérêt monétaire, la composition du portefeuille

(a, b) devra donc vérifier les deux équations suivantes :

aS0 u + berT = S0 u − K
(1.1)
aS0 d + berT = 0

On résout facilement ce système (système linéaire de deux équations à deux inconnues a et b) et on déduit
des valeurs de a et b obtenues la valeur du portefeuille à l’instant initial Π0 = aS0 + b . On peut alors
donner à C0 la valeur C0 = Π0 .
Exemple : Par exemple, si S0 = 120, u = 1, 5, u = 0, 5, r = 0, et K = 80, la résolution du système
(1.1) donne a = 56 , b = −50 et donc Π0 = 50. Cela signifie que, ayant touché la prime fixée à C0 = 50, le
vendeur emprunte 50 (car b = −50) et achète a = 56 de S0 (au prix 100) ; à l’échéance, son portefeuille
vaudra soit 150 = 56 180, si ST = S0 u, et il paiera alors 100 = 180−80 au détenteur du call et remboursera
les 50 empruntés (sans interêts puisqu’on a supposé r = 0), soit il vaudra 50 = 56 60, si ST = S0 d, ce qui,
compte tenu du fait que le détenteur du call ne viendra pas l’exercer, lui permet de rembourser les 50
empruntés.

Remarque : Notons que pour que le problème admette une solution, il suffit que le système (1.1)
admette une solution, ce qui est assuré dès que u 6= d, ce qui est précisément l’origine du sens du contrat :
si l’actif sous-jacent n’avait qu’un seul prix à t = T , il n’y aurait pas besoin de souscrire d’option !

Remarque : Le raisonnement précédent se généralise facilement à d’autres contrats d’option ; par

exemple pour un contrat d’option qui donne le droit de vendre au prix K (au lieu du droit d’acheter),
appelé un put, sa valeur à l’échéance sera K − S0 d si ST = S0 d et 0 si ST = S0 u. Plus généralement,
si l’on désigne par CT = ϕ(ST ) le prix du contrat d’option à l’instant T , la résolution du système (1.1)
dans ce cas montre que la composition du portefeuille en actif sous-jacent sera donnée par
ϕ(S0 u) − ϕ(S0 d)
a= (1.2)
S0 u − S0 d
Les praticiens désignent ce quotient sous le nom de delta de couverture (ou simplement delta). Il désigne
la quantité d’actifs sous-jacent qu’il faut avoir dans son portefeuille si l’on veut couvrir l’option.

1.2 Modèle à deux étapes : couverture dynamique.

La seule idée du portefeuille de couverture (a, b) constitué à l’instant initial ne suffit plus si l’option
peut prendre trois valeurs à l’échéance (parce que l’actif sous-jacent en prendrait trois). Par contre, si
l’on ajoute la possibilité de modifier, à une date intermédiaire (entre t = 0 et t = T ) la composition du
portefeuille constitué à la date initiale, en tenant compte de la valeur St du sous-jacent à cette date, on
peut trouver une solution à ce problème : c’est l’idée de la couverture dynamique.
Considérons un modèle à deux étapes de l’actif sous-jacent : t ∈ {0, δt, 2δt = T } et (St ) prenant la
valeur S0 à l’instant initial, l’une des deux valeurs Sδt = S0 d ou Sδt = S0 u à l’instant intermédiaire
t = δt et l’une des trois valeurs ST = S0 d2 , ST = S0 ud ou ST = S0 u2 à l’échéance. Pour déterminer la
1.2. MODÈLE À DEUX ÉTAPES : COUVERTURE DYNAMIQUE. 7

S 0 u2 ϕ(S0 u2 )

0
S u ?
Q

Q
Q
Q

S0

S0 ud ? ϕ(S0 ud)
Q
Q

Q
Q

S0 d ?
Q
Q

Q
Q

S0 d2 ϕ(S0 d2 )

Fig. 1.2 – Quelles valeurs donner à l’option aux instants t = δt et t = 0 ?

valeur d’un portefeuille de couverture d’une option CT = ϕ(ST ), raisonnons en partant de sa valeur ΠT
à l’échéance, qui est connue puisque, pour couvrir l’option il devra valoir ΠT = ϕ(ST ), somme due en
t = T par le vendeur à l’acheteur de l’option. Il y a trois possibilités pour cette valeur, selon les valeurs
prises par ST . En utilisant la même méthode que dans le cas d’un modèle à une étape, on peut calculer
les deux valeurs Πδt = aδt Sδt + bδt que devra prendre le portefeuille à l’instant t = δt, selon que Sδt = S0 d
ou Sδt = S0 u. Pour cela, il suffit de résoudre les deux systèmes

aS0 u2 + berδt = ϕ(S0 u2 )
(1.3)
aS0 ud + berδt = ϕ(S0 ud)

aS0 ud + berδt = ϕ(S0 ud)
(1.4)
aS0 d2 + berδt = ϕ(S0 d2 )

Désignons par Πuδt et Πdδt les deux valeurs de Πδt = aδt Sδt + bδt obtenues en remplaçant d’une part
(aδt , bδt ) par la solution du système (1.3) et Sδt par S0 u et d’autre part (aδt , bδt ) par la solution du
système (1.4) et Sδt par S0 d. Pour obtenir la valeur cherchée du portefeuille à l’instant initial, qui sera
comme précédemment la valeur initiale de l’option (ou prime), il reste alors simplement à résoudre le
système
aS0 u + berδt = Πuδt
(1.5)
aS0 d + berδt = Πdδt

Exemple : Soit un titre valant S0 = 80 et changeant deux fois de prix avant l’échéance en T = 2δt.
Observons que dans l’exemple précédent nous avions, à t = δt, Sδt = S0 (1 + 12 ) ou Sδt = S0 (1 − 12 ).
Supposons qu’ici S suive un processus analogue :

Sδt = S0 (1 ± 12 ) , S2δt = Sδt (1 ± 12 ).

Cela donne pour cet actif la dynamique indiquée figure 1.2 :

S0 = 80 devient Sδt = 120 ou Sδt = 40 (1.6)

S0 = 120 devient S2δt = 180 ou S2δt = 60 (1.7)
S0 = 40 devient S2δt = 60 ou S2δt = 20 (1.8)

Soit une option call de date d’exercice T = 2δt et prix d’exercice K = 80 (lorsque K = S0 , on dit que
c’est une option “à la monnaie”). On suppose, pour simplifier, que le taux d’intéret monétaire r est ici
égal à 0.
Observons que si Sδt = 120 nous retrouvons l’exemple précédent et comprenons que le portefeuille de
couverture, dans ce cas (c’est-à-dire si Sδt = 120), doit valoir

Πuδt = 50.

Qu’en est-il si Sδt = 40 ? Inutile de faire des calculs : les deux seules possibilité à venir pour S2δt sont
60 ou 20. Comme ces deux valeurs sont inférieures au prix d’exercice K = 80, on aura dans les deux cas
ϕ(S2δt ) = 0, et donc aδt = bδt = Πδt = 0 puisqu’il n’y a plus rien à couvrir dans ce cas.
8 CHAPITRE 1. PRIX ET COUVERTURE D’UNE OPTION D’ACHAT

180 100

120 50
Q

Q
Q
Q

80
60 25 0
Q
Q

Q
Q

40 0
Q
Q

Q
Q

20 0

Fig. 1.3 – Deux pattes-d’oie : la première représente l’évolution sur deux étapes d’un actif à dynamique
stochastique binaire, avec S0 = 80 et St+δt = St (1 ± 0.5) ; la seconde celle du portefeuille de couverture
d’un call sur cet actif de prix d’exercice K = 80.

ϕ (S) ϕ (S)

K S K S

Fig. 1.4 – Fonction de paiement (ou pay-off) d’un call et d’un put : l’option call est l’option qui assure
à son détenteur de pouvoir acheter, à la date d’échéance T , l’actif S à un prix maximal K. Si ST ≤ K,
l’option aura donc une valeur nulle pour t = T . Si ST > K, l’option vaudra ST − K pour t = T , c’est-à-
dire la différence entre le prix maximal convenu K et le prix effectif ST de l’actif à la date T . Pour une
option call, on a donc ϕCall (s) = (s − K)+ , où x+ vaut x si x > 0 et 0 sinon. L’option put assure à son
détenteur de pouvoir vendre, à la date T , l’actif S au prix minimum K. En examinant successivement
les cas ST ≥ K et ST < K, il est facile de voir que ϕP ut (s) = (K − s)+ . Le nombre K s’appelle le prix
d’exercice (ou strike) de l’option.

A l’instant t = 0 le portefeuille de couverture (a0 , b0 ) doit satisfaire a0 Sδt + b0 = Πδt , c’est-à-dire

vérifier le système
a0 120 + b0 = a0 S0 u + b0 = 50
(1.9)
a0 60 + b0 = a0 S0 d + b0 = 0

On trouve immédiatement a0 = 58 et b0 = −25 d’où Π0 = 58 80 − 25 = 25. Le vendeur de l’option, dont

le prix est Π0 = 25, touche cette prime à l’instant initial, y ajoute un montant de 25 qu’il emprunte,
le tout servant à acheter 58 d’actifs à 80 pièce. Si, pour t = δt, l’actif sous-jacent a évolué à la baisse
et que Sδt = 40, on solde le portefeuille ; la part en actifs ne vaut plus que a0 Sδt = 58 40 = 25, soit
exactement de quoi rembourser la dette b0 = 25. Si, pour t = δt, l’actif sous-jacent a évolué à la hausse
et que Sδt = 120, nous avons vu dans l’exemple précédent que le portefeuille doit à présent comporter
aδt = 56 ; comme il y a déjà 58 d’actifs dans le portefeuille, il convient d’en racheter 56 − 58 = 10
48 au prix
unitaire Sδt = 120, donc pour une valeur de 10 48 120 = 25, que l’on emprunte, ce qui porte la dette totale
à 25 + 25 = 50, comme dans le premier exemple, bien entendu. Le vendeu a ainsi modifié la composition
de son portefeuille de couverture (sans changer sa valeur) de telle sorte qu’à l’échéance sa valeur soit
exactement celle de l’option (100, 0, ou 0 selon les valeurs de S2δt ) : c’est le principe de la couverture
dynamique.

Remarque : On peut à présent comprendre pourquoi le méchanisme de couverture dynamique d’une

option décrit dans cette leçon est fondamentalement différent de celui qui permet à un assureur de
couvrir un risque de vol ou d’incendie : dans le cas d’une option, le vendeur peut (à supposer que le
modèle mathématique qu’il a de la dynamique de l’actif sous-jacent soit réaliste) couvrir le risque d’un
seul contrat, et même le couvrir exactement, c’est-a-dire le faire disparaı̂tre. Dans le cas d’une assurance
1.2. MODÈLE À DEUX ÉTAPES : COUVERTURE DYNAMIQUE. 9

(a) (b) (c)

(d) (e) (f)

Fig. 1.5 – Fonctions de paiement (ou pay-off) de quelques options standard : (a) straddel, (b) strangel,
(c) bull spread, (d) bear spread, (e) butterfly spread, (f) condor. Exercice : après avoir étudié la définition
d’un call et d’un put, indiquer comment au moyen d’achat et de vente de call et de put on peut synthétiser
les options définies par les pay-off de cette figure.

classique au contraire, l’assureur doit avoir vendu de nombreux contrats pour, en moyenne, pouvoir faire
face à ses obligations, comptant sur le fait que la probabilité pour qu’un trop grand nombre de clients
aient un sinistre simultanément est suffisamment faible : c’est une couverture du risque par diversification.

Une question naturelle que cette remarque peut susciter est la suivante : si le vendeur d’une option
peut, grace à la couverture dynamique, supprimer le risque, pourquoi l’acheteur ne couvre-t-il pas lui-
même ce risque ? Quand au vendeur, s’il ne gagne rien à le faire, pourquoi le fait-il ? La réponse est
que, dans la pratique, la couverture dynamique nécessitant un travail au jour le jour de surveillance des
cours et d’ajustement de son portefeuille, est, bien entendu, rémunérée, même si nous n’en avons pas
tenu compte dans les calculs ci-dessus ; l’acheteur, quant à lui, n’a pas nécéssairement envie d’assumer ce
travail, d’autant qu’il subsiste une part de risque pour le vendeur si le modèle mathématique utilisé pour
faire les calculs est trop grossièrement faux.

Remarque : Il est utile également d’observer ce qui se passe si le vendeur de l’option ne la couvre pas,
soit qu’il n’achète aucun portefeuille de couverture avec la prime, soit qu’il achète bien, à la date initiale,
le portefeuille (a0 , b0 ) adapté mais ne le réajuste plus avant l’échéance. Examinons la question dans le
cas de l’exemple : avec 5/8ième d’actif St et une dette de 25, le portefeuille acheté à la date initiale vaut
à la date finale, si sa composition n’a pas été modifié dans l’intervalle, respectivement :

5
– 8 180 − 25 = 87, 5, si le sous-jacent prend la valeur 180 ; or le vendeur doit dans ce cas 100 à
l’acheteur.
– 58 60 − 25 = 12, 5, si le sous-jacent prend la valeur 60 ; mais le vendeur ne doit rien à l’acheteur dans
ce cas, il n’a donc pas de problème.
– 58 20 − 25 = −12, 5, si le sous-jacent prend la valeur 20 ; ici encore le vendeur ne doit rien à l’acheteur
mais il garde une dette de 12, 5.

On voit donc sur cet exemple qu’il peut se révéler désastreux de ne pas assurer complètement la couverture
dynamique.
10 CHAPITRE 1. PRIX ET COUVERTURE D’UNE OPTION D’ACHAT

.
Chapitre 2

Formule fondamentale dans un

modèle de Cox-Ross-Rubinstein

L’objet de cette leçon est de généraliser le calcul du prix d’une option d’un modèle à une ou deux
étapes à un modèle à n étapes, appelé modèle de Cox, Ross et Rubinstein ou modèle binomial. Cela
conduira à une formule générale de prix d’option, appelée formule fondamentale que l’on obtient grâce à
l’introduction de la probabilité risque-neutre, une probabilité permettant le calcul du prix d’un portefeuille
de couverture. Ce sera aussi l’occasion d’aborder la notion d’opportunité d’arbitrage.

2.1 Le modèle de Cox-Ross-Rubinstein

Le marché financier que nous considérons est un marché financier très simple qui comporte 2 actifs,
un actif risqué (par exemple une action ou un indice), dont la valeur est notée St sur lequel sera souscrit
l’option, et un actif non risqué (par exemple un dépot d’argent sur un compte rémunéré), dont la valeur
est notée Bt .
J. Cox, S. Ross, et M. Rubinstein ont proposé en 19791de modéliser l’évolution du prix d’un actif de
la façon suivante :
– Pour une suite finie de n instants régulièrement répartis entre 0 et T , T := {0, δt, 2δt, . . . , nδt = T },
où δt > 0 est un réel fixé (supposé petit), la valeur (St )t∈T de l’actif risqué est égale à un nombre
positif donné S0 à l’instant t = 0, et elle évolue selon la règle suivante : si sa valeur à l’instant
t ∈ T\{nδt} est St , alors sa valeur à l’instant t + δt sera soit St u soit St d, où u et d sont des
constantes qu’on supposera telles que 0 < d < u. Donc (St )t∈T évolue sur un arbre binaire qui, à
tout instant t = iδt ∈ T, présente i + 1 noeuds ou i + 1 valeurs possibles égales à :

{S0 uj di−j , j = 0, . . . , i}

l’indice j représentant le nombre de fois où l’actif a évolué à la hausse entre l’instant t = 0 et
l’instant t = iδt (j est nombre de “up”), l’ordre des “up” et des “down” n’important pas.
– Pour la même suite d’instants T, l’actif non risqué vaut B0 = 1 à l’instant initial, et il évolue selon la
récurrence Bt = Bt−δt erδt , soit Bt = ert , où r désigne le taux d’escompte monétaire qu’on suppose
constant, pour simplifier, sur toute la période [0, T ].

1 Ce modèle fait suite à un modèle introduit en 1971 indépendement par Black et Scholes, et Merton, fondé sur une

approche stochastique en temps continu. Le premier modèle de ce type remonte en fait à Louis Bachelier, dans sa thèse
(1900), à laquelle Black et Scholes rendent hommage. On peut penser que c’est la sociologie des mathématiques qui explique
la pause 1900-1971 de publication sur ce sujet. L’idée de l’approche discrète revient, selon les écrits de Cox et Rubinstein,
à W. Sharpe, prix Nobel d’économie et auteur du fameux Capital Asset Pricing Model (1964). Nous montrerons dans
une leçon ultérieure les liens entre les deux approches, discrete et continue. L’approche en temps continu présente des
avantages de calcul indéniables une fois que l’on maı̂trise ce calcul. Mais l’approche discrète exposée ici, au dela de ses
vertus pédagogiques, est parfois plus à même de modéliser des situations subtiles pour lesquelles l’approche continue peut
se révèler trop limitative. Remarquons que la question du calcul des prix d’options peut également être abordée au moyen
d’équations aux dérivées partielles (voir par exemple le livre de P. Wilmott, S. Howison, et J. Dewynne, The Mathematics
of Financial Derivatives, Cambridge University Press (1995)). Le lien entre les deux approches, équations aux dérivées
partielles/modèles aléatoires continus, est aujourd’hui bien compris.

11
12CHAPITRE 2. FORMULE FONDAMENTALE DANS UN MODÈLE DE COX-ROSS-RUBINSTEIN

2.2 Construction du portefeuille de couverture

On considère un call européen, souscrit sur l’actif (St )t∈T , d’échéance T = nδt et de prix d’exercice
K. Il s’agit donc du droit d’acheter l’actif St à la date T au prix K. La valeur de cette option à l’instant
final (son paye off) est donc
CT = (ST − K)+ = Max (ST − K, 0) (2.1)
c’est-à-dire que, si l’actif sous-jacent vaut S0 uj dn−j à l’instant final, pour un certain j ∈ {0, . . . , n}, le
call vaudra CT = (S0 uj dn−j − K)+ pour ce même j.
Pour calculer, à partir de ces données, le prix du call à l’instant initial nous allons reprendre l’idée
développée dans le cas des modèles à une et deux étapes, qui consiste à prendre pour prime de l’option la
valeur initiale d’un portefeuille qui couvre l’option, c’est-à-dire dont la même valeur soit précisément celle
de l’option à l’instant final. Comme pour le modèle à une ou deux étapes, nous cherchons pour définir
le portefeuille Πt par une relation de récurrence rétrograde (“backward”) de manière à lier les inconnues
Π0 , a0 , et b0 , prix initial et composition initiale, à la donnée de son paye off (ST − K)+ . Cette récurrence
se définit de la façon suivante : à toute date t, lorsque le sous-jacent prend la valeur St , le portefeuille
se compose d’une certaine quantité de sous-jacent St , et d’une certaine quantité de placement non-risqué
Bt . Comme sa composition a été arrêtée à l’instant t − δt (il est commode de dire “la veille”), lorsqu’on
ne connaissait que St−δt , et qu’elle est restée inchangée jusqu’à la date t, nous choisissons de la noter

a =: at−δt et b =: bt−δt .

Ce choix de notation est important. On a donc :

δΠt = Πt − Πt−δt = (at−δt St + bt−δt Bt ) − (at−δt St−δt + bt−δt Bt−δt ) = at−δt δSt + bt−δt δBt (2.2)

où δSt et δBt sont des notations pour les différences St − St−δt et Bt − Bt−δt . On peut alors recomposer
le portefeuille, ayant prit connaissance de la valeur atteinte par St , mais par construction le portefeuille
devra être autofinancé, c’est-à-dire que le changement de composition (couverture) intervenant à la date
t devra se faire sans apport ni retrait de capitaux, c’est-à-dire en vérifiant la relation :

at−δt St + bt−δt Bt = Πt = at St + bt Bt (2.3)

Nous reviendrons sur cette relation d’autofinancement. On détermine la nouvelle composition de la façon
suivante : désignons par S la valeur atteinte par l’actif sous-jacent à l’instant t, par Π (Π := Πt =
at−δt St + bt−δt Bt ) celle correspondante du portefeuille et par B celle de Bt . Deux issues sont possibles
pour la valeur du sous-jacent, le “lendemain” Su et Sd, d’où résultent deux valeurs de portefeuille, que
nous notons Πu et Πd , supposées connues par récurrence. Nous devons donc choisir la nouvelle composition
(a, b) comme solution du système d’équations suivant :

aSu + berδt B = Πu
aSd + berδt B = Πd

qui se résoud immédiatement en

Πu − Πd Πd u − Πu d
a= et b = e−rδt . (2.4)
Su − Sd B(u − d)

On pose alors at = a et bt = b et on en déduit la valeur cherchée Πt , par la formule Πt = at St + bt Bt . On

a donc la proposition suivante :

Proposition 2.1 Dans un marché financier (St , Bt )t∈T où St suit un modèle CRR, toute option d’échéance
T et de fonction de paiement ϕ(ST ) est duplicable, c’est-à-dire qu’il existe un portefeuille autofinancé
qui la couvre.

Preuve : On raisonne par récurence sur le nombre n d’étapes du modèle. On a vu le cas d’un modèle
à une étape ; pour un modèle à n étapes, on remarque simplement que, comme St prend deux valeurs
S0 u et S0 d à l’instant δt, ces deux valeurs sont chacunes les valeurs initiales d’un modèle à n − 1 étapes
auquel on peut appliquer l’hypothèse de récurrence. D’où l’existence de deux portefeuilles de couverture
Πuδt et Πdδt avec lesquels on peut alors calculer Π0 (et donc C0 ) comme dans un modèle à une étape. 2
2.3. PROBABILITÉ RISQUE NEUTRE ET FORMULE FONDAMENTALE 13

2.3 Probabilité risque neutre et formule fondamentale

Le calcul évoqué, bien que simple dans son principe, est lourd dans sa mise en oeuvre (résolution d’un
grand nombre de systèmes d’équations) ? Nous allons voir à présent comment on peut le simplifier grâce
à l’introduction d’un formalisme probabiliste.
La remarque cruciale est la suivante : si l’on calcule la valeur du portefeuille Π = aS + bB en utilisant
les solutions (a, b) trouvées en (2.4), on voit facilement qu’on peut réécrire Π comme une fonction de Πu
et Πd , sous la forme
Π = e−rδt (pΠu + qΠd ), (2.5)
si l’on introduit les quantités
erδt − d u − erδt
p := et q := . (2.6)
u−d u−d
Or il est facile de vérifier que ces quantités sont telles que p + q = 1 et que, si l’on suppose, ce que nous
ferons désormais, que 0 < d < erδt < u, ces quantités p et q vérifient aussi 0 < p < 1 et 0 < q < 1.
Donc si l’on considère que Πu et Πd sont les deux valeurs que peut prendre une v.a. de Bernouilli Π avec
P(Π = Πu ) = p et P(Π = Πd ) = q alors l’équation (2.5) affirme simplement que Π est précisement le
produit par le facteur d’actualisation, e−rδt , de l’espérance de cette v.a., c’est-à-dire l’espérance actualisée
de cette v.a.. Les valeurs p et q ainsi définies se calculent directement en fonction de u, d et r, donc à
partir des données du modèle choisi (St , Bt )t∈T . Mais elles ont aussi une autre propriété essentielle : on
a en effet
S = e−rδt (pSu + qSd), (2.7)
ce que l’on peut aussi écrire
St−δt = e−rδt E(St connaissant St−δt ).
On appelle probabilité risque-neutre la probabilité (p, 1 − p) et c’est avec elle que l’on pourra calculer
les prix d’options, directement et sans recourir à la résolution d’un grand nombre de petits systèmes
linéaires. On la désigne aussi sous le nom de probabilité de calcul, ou encore probabilité de martingale
pour des raisons sur lesquelles nous reviendrons.
La probabilité risque-neutre permet de munir le modèle de l’actif sous-jacent (St ) d’une structure de
marche aléatoire, c’est-à-dire que, pour chaque t ∈ T, les i + 1 valeurs {S0 uj di−j , j = 0, . . . , i} que peut
prendre St sont les i + 1 valeurs possibles d’une v.a. dont la loi est donnée par :

i
P(St = S0 uj di−j ) = pj (1 − p)i−j . (2.8)
j

En effet la valeur S0 uj di−j atteinte par St correspond à une trajectoire qui présente j “montées” et i − j
“descentes” dont la probabilité est pj (1 − p)i−j si l’on fait l’hypothèse que ces mouvements,
à la hausse
i
ou à la baisse, sont indépendants, et il est facile de voir qu’il y a exactement trajectoires qui
j
atteignent cette valeur. La formule (2.8) explique le nom de modèle binomial que l’on donne souvent
au modèle Cox-Ross-Rubinstein. On a la proposition suivante que l’on obtient par un raisonnement par
récurrence comme dans la preuve de la proposition précédente, en utilisant la relation de récurrence
retrograde (2.5) et (2.6), ainsi que les propriétés des coefficients du binôme :
Proposition 2.2 Dans un marché financier (St , Bt )t∈T où St suit un modèle CRR, le prix d’une option
européenne (T, ϕ(ST )) est donnée par
n
X
n
e−rT E(ϕ(ST )) = e−rT pj (1 − p)n−j ϕ(S0 uj dn−j ) (2.9)
j
j=0

c’est-à-dire que ce prix est la valeur actualisée de l’espérance, sous la probabilité de calcul, de sa fonction
de paiement ; ainsi, pour une option call, c’est-à-dire si ϕ(S) = (S − K)+ , on a
Xn
−rT n
C0 = e pj (1 − p)n−j (S0 uj dn−j − K)+
j
j=0

et pour le cas d’un put, c’est-à-dire si ϕ(S) = (K − S)+ , on a

Xn
n
P0 = e−rT pj (1 − p)n−j (K − S0 uj dn−j )+ .
j
j=0
14CHAPITRE 2. FORMULE FONDAMENTALE DANS UN MODÈLE DE COX-ROSS-RUBINSTEIN

La formule (4.3) s’appelle la formule fondamentale pour l’évaluation du prix d’une option européenne
dans un modèle de Cox, Ross, et Rubinstein.
Exemple : Si l’on revient à l’exemple de modèle à deux étapes donné à la leçon précédente, le calcul
de la prime C0 peut se faire à présent simplement : on détermine la probabilité de calcul définie par la
relation S = pSu + (1 − p)Sd (on a supposé r = 0) ; on obtient p = 12 = 1 − p ; puis on calcule C0 comme
l’espérance C0 = 100P(ST = 180) + 0P(ST = 60) + 0P(ST = 20) = 100( 41 ) = 25.

Remarque : Notons que si la formule fondamentale donne immédiatement le prix de l’option, elle ne
donne pas directement la composition du portefeuille de couverture.

2.4 Hypothèses du modèle

La formule fondamentale ci-dessus (formule (4.3) a été obtenue sous l’hypothèse explicite que le modèle
choisi pour la dynamique de l’actif sous-jacent est le modèle binomial de Cox-Ross-Rubinstein. Mais il y
a en fait d’autres hypothèses, économiques, qui ont été faites implicitement, et que nous allons étudier à
présent.
– La plus irréaliste, mais difficilement contournable, est celle que l’on appelle l’hypothèse de marché
parfait. Elle suppose d’une part que le marché est infiniment liquide : à tout instant, il existe des
acheteurs et des vendeurs pour tous les titres du marché ; elle suppose aussi qu’il n’y a aucune
contrainte sur les quantités d’actifs achetés ou vendus (opérations nécessaires pour assurer la cou-
verture dynamique des options) ; en particulier, les titres sont supposés infiniment divisibles, et les
agents sans de limitation de découvert. Enfin un marché parfait suppose aussi l’absence de coûts
de transaction ainsi que l’égalité des prix à l’achat et à la vente (pas de fourchette bid-ask).
L’hypothèse de marché parfait est une hypothèse théorique, évidemment non satisfaite dans la
pratique, qu’il convient de considérer comme “satisfaite en première approximation”, un peu comme
l’hypothèse de gaz parfait en physique. Les modèles mathématiques plus élaborés que le modèle
CRR cherchent parfois à s’en affranchir sur tel ou tel aspect. Mais il faut reconnaı̂tre que, pour
l’essentiel, on ne sait pas le faire aujourd’hui de façon satisfaisante et qu’il reste beaucoup à améliorer
dans cette direction.
– La seconde hypothèse est celle, déja mentionnée, de taux d’escompte monétaire constant. Nous
avons par exemple supposé qu’un actif valant St à l’instant t a une valeur actuelle, en t = 0, égale
à e−rt St . Or, durant la période [0, t], le taux d’escompte varie en réalité et ce qui pourrait être une
approximation raisonnable si t était très petit, cesse d’être valable lorsque t devient appréciable.
Les modèles plus élaborés font parfois l’hypothèse d’un taux d’escompte stochastique et on peut
alors, moyennant le choix d’un modèle mathématique pour la dynamique des taux, intégrer dans la
probabilité de calcul, et donc dans l’évaluation des prix d’option par la formule fondammentale, la
présence de taux variables.
– La troisième hypothèse est l’absence de dividendes versés par les actifs sous-jacents. En fait, il existe
des modèles analogues au modèle CRR qui autorisent la prise en compte de dividende.
– La dernière hypothèse est probablement la plus importante : elle porte le nom d’hypothèse d’absence
d’opportunité d’arbitrage (simplement notée AOA) et joue un rôle essentiel.
Définition : Une opportunité d’arbitrage est un portefeuille autofinançant nul en t = 0 (Π0 = 0)
et tel que ΠT ≥ 0 dans tous les états du monde et P(ΠT > 0) > 0.
Proposition 2.3 Dans un marché dans lequel on fait l’hypothèse d’AOA, deux portefeuilles qui ont
la même valeur à une date future T , ont la même valeur à toutes dates intermédiaires 0 < t < T .
En effet, si ce n’était pas le cas, on pourrait former un portefeuille composé du premier Πt (en
crédit), du second −Π̃t en débit, et d’une somme d’argent égale à la différence α := Πt − Π̃t placée
au taux r. Si par exemple on suppose, par l’absurde, α > 0, alors ce portefeuille est une opportunité
d’arbitrage :
t ∈ [0, T [ T
Πt ΠT
−Π̃t −Π̃T
α αer(T −t)
0 >0
L’hypothèse d’AOA permet aussi de justifier les inégalités qui ont été supposées satisfaites par
l’actif risqué du modèle CRR :
0 < d < erδt < u. (2.10)
2.4. HYPOTHÈSES DU MODÈLE 15

Bt
En effet comme erδt est le rendement B 0
de l’actif non risqué durant le laps de temps δt, et comme
d et u sont les deux rendements possibles SS0t de l’actif risqué sur le même laps de temps, si l’on
avait d < u < erδt par exemple, on aurait une opportunité d’arbitrage :
t t + δt
−St −St d ou −St u
α αerδt
0 St (e − d) ou St (erδt − u)
rδt

Car si α est une somme d’argent égale à St et placée au taux r, le portefeuille représenté dans ce
tableau est une opportunité d’arbitrage. On raisonnerait de façon analogue dans le cas erδt < d < u,
avec +St et −α.
Remarque : Une opportunité d’arbitrage est parfois appelée un free lunch (et l’hypothèse d’AOA,
no free lunch), ce qui résume l’idée que sous cette hypothèse il n’y a pas de possibilité de gagner
d’argent à coup sûr, c’est-à-dire sans prendre de risque.

Remarque : C’est encore un raisonnement d’AOA qui rend plausible l’unicité du prix de l’option.
En effet nous avons choisi pour prix de l’option celui d’un portefeuille de couverture. Mais pourquoi
n’y aurait-il pas une autre façon de s’y prendre qui conduirait à un prix différent, disons un prix
moindre par exemple ? En réalité ce n’est pas possible car si tel était le cas, un portefeuille com-
prenant l’option, vendue à un prix C0 strictement inférieur au prix du portefeuille de couverture
Π0 , le portefeuille de couverture lui-même en débit et une somme Π0 − C0 , serait une opportunité
d’arbitrage comme l’indique le tableau suivant :
t=0 t=T
C0 CT
−Π0 −ΠT
Π0 − C0 (Π0 − C0 )erT
0 >0
Enfin une conséquence de l’AOA, importante dans la pratique, est la relation de parité call-put :
Proposition 2.4 Considérons un call Ct et un put Pt souscrits sur le même actif sous-jacent St ,
de même date d’échéance T et même prix d’exercice K. On a la relation de parité call-put suivante :

Ct − Pt = St − Ker(T −t)

Preuve : On applique la proposition 2.3 : les portefeuilles Πt := Ct − Pt et Π̃t := St − Ker(T −t)

ont même valeur à l’échéance t = T puisque l’on a (ST − K)+ − (K − ST )+ = ST − K. 2
16CHAPITRE 2. FORMULE FONDAMENTALE DANS UN MODÈLE DE COX-ROSS-RUBINSTEIN

.
Chapitre 3

Marches aléatoires. Filtration et

information

A coté des modèles dynamiques déterministes, c’est-à-dire pour lesquels les quantités étudiées ont
une évolution gouvernée par une équation différentielle ou une équation récurrente dont la connaissance
fournit une prédiction certaine de ses valeurs futures, il existe des modèles dynamiques aléatoires , ou
processus stochastiques, souvent plus pertinents car ils permettent de prendre en compte plusieurs avenirs
possibles ; les plus simples sont les marches aléatoires.

3.1 Définitions et exemple du modèle CRR

Définition : Soient Ω un ensemble fini, F une sous-tribu de P(Ω), (Ω, P, F) une espace probabilisé fini
et soit T = {0, δt, . . . , nδt = T }, où δt > 0 est un réel fixé (petit). On appelle marche aléatoire (finie) une
application Z mesurable
Z : Ω × T → R , (ω, t) 7→ Zt (ω).
Oublions provisoirement l’adjectif “mesurable” dont nous préciserons le sens plus loin et étudions tout
d’abord l’exemple du modèle de Cox-Ross-Rubinstein, CRR, où Z=S. Donc le prix St de l’action sera
notre exemple de Zt qui est une v.a. dont la valeurs sont les valeurs St (ω) pour ω ∈ Ω dans le modèle
CRR.
Dans le cas d’une marche aléatoire, l’évolution future d’une quantité observée, le cours d’un titre,
un indice, un taux, n’est plus constituée d’une trajectoire unique mais de plusieurs possibles dont une
seule se réalisera : précisément, une trajectoire de la marche Z est l’ensemble {(t, Zt (ω) | t ∈ [0..T ]δt }
pour un ω ∈ Ω quelconque. L’ensemble des trajectoires possibles sera muni d’une probabilité qui pourrait
représenter la probabilité que la trajectoire se réalise, mais ce ne sera pas notre point de vue ici, et qui
représentera le prix ou le coût qu’il convient d’attacher à la réalisation de cette trajectoire en termes de
risque : c’est le point de vue auquel nous a conduit l’introduction de la probabilité de calcul.
Nous poursuivons donc notre mise en formules du modèle CRR dans cet esprit, en nous bornant à
décrire les outils mathématiques disponibles pour prendre en compte l’idée d’informations disponible à
tout moment et qui permettra de mener pour chaque futur encore possible un calcul tenant compte de ce
qui ne risque plus de se produire, compte tenu de cette information : ceci permettra, au chapitre suivant,
de rerépartir la probabilité totale sur ces seuls futurs encore possibles.
Voici un résumé de la description de CRR à laquelle nous sommes parvenus. Nous notons St le prix
de l’action pour une succession d’instants t ∈ T := [0..T ]δt := {0, δt, 2δt, . . . , T }, où T = nδt est la date
d’exercice d’un contrat payant ϕ(ST ), ou plus généralement une quantité X qui pourra être calculée sans
ambiguité à la date T , en fonction des valeurs que l’action aura prise pour t ∈ T. C’est cette somme que
nous appelons le payoff. Les valeurs pouvant êtres prises par l’action sont

St = S0 uj di−j , (3.1)

où S0 est la valeur de l’action à la date présente, t = iδt et donc i = t/δt = nt/T ≤ n, puisque
t ≤ T . Notons que choisir un modèle CRR demande trois “paris”, sur n, u, et d ; nous ne voyons aucun
inconvénient à choisir d = 1/u, dès lors qu’on respecte que d < R < u, où R := erδt est la somme
dûe, “intérêt et principal” dirait la Cigale, après une période δt, pour le prêt d’un euro (ou toute unité

17
18 CHAPITRE 3. MARCHES ALÉATOIRES. FILTRATION ET INFORMATION

choisie pour exprimer St ). Nous appelons r le taux d’intérêt (ou “taux continu”) ; il est, et c’est essentiel
ici, supposé connu pour tout la période T = [0..T ]δt , et constant. Le choix de n a son importance mais
n’est pas capital, par exemple n = 50 ; l’approche classique “en temps continu” évacue cette question
en prenant la limite lorsque n tend vers l’infini. Le choix de u, en revanche, est essentiel. En pratique
ce choix s’effectue de façon à ce que le modèle soit en cohérence avec les prix
√
d’options sur le marché,
σ δt
au travers du choix de la valeur de la “volatilité” σ de l’action, avec u = e . On peut considérer que
l’introduction d’un modèle, tel qu’ici CRR, sert avant tout à préciser ce qu’on entend, en pratique, par
“cohérence”, et on choisira σ tel que le prix observé pour une option vendue sur le marché coı̈ncide avec
la valeur Π0 (u(σ)) calculée avec la méthode exposée ici. Une fois la valeur σ ainsi déterminée (on parle
de “volatilité implicite”), on l’utilise pour calculer la valeur d’autres contrats, de payoffs X ou de date
d’exercice T différents

3.2 L’ensemble Ω, ou comment indexer tous les avenirs possibles

Jusqu’ici nous n’avons rien rappelé pour j dans l’expression (3.1). A l’évidence j compte le nombre
de mouvement vers le haut de S pour tous les instants s inférieurs ou égaux à t = iδt. Nous voyons donc
que j est un entier, qu’il dépend de i et des mouvements du cours jusqu’à t = iδt, et qu’il est compris
entre 0 (que des mouvements vers le bas) et i (que des mouvements vers le haut). Voici comment nous
allons prendre en compte ces deux traits essentiel de j : qu’il est dynamique (il dépend de i) et aléatoire
(il dépend de ce qu’il adviendra à S) : nous allons substituer Ji à j et donc

Siδt = S0 uJi di−Ji (3.2)

où, pour tout i ∈ [0..n], Jn : Ω −→ [0..i] (⊆ R) est une fonction définie sur un ensemble permettant
d’indexer tous les comportements envisagés par le modèle CRR. A l’évidence, nous pouvons choisir
pour Ω un ensemble fini. Dès que i > 0, Ji peut prendre plus qu’une valeurs et est donc aléatoire1
A noter qu’il n’est pas important que nous précision notre choix de Ω : cela peut être une définition
géométriquement parlante comme toutes les trajectoires possibles dans le graphe des valeurs (t, St ) dans
le modèle CRR, ou plus proche d’un codage des mouvements tel que Ω = {0, 1}n ; dans ce dernier cas,
Pi
si ω = (ω1 , . . . , ωn ) ∈ Ω = {0, 1}n, on a la définition explicite suivante de Ji (ω) = i=1 ωi , mais ceci ne
nous sera pas utile.
A présent S := (St )t∈[0..T ]δt est lui aussi un processus, défini pour tout t ∈ T = [0..T ]δt , avec

pour tout ω ∈ Ω, Siδt (ω) = S0 uJi (ω) di−Ji (ω) .

Lorsque nous avons introduit le modèle CRR, nous avons expliqué que St+δt se déduit de St soit par
multiplication par u (mouvement vers de haut) ou par d (mouvement vers le bas). Comme Ji compte
le nombre de mouvements vers le haut, nous voyons que les éléments constitutifs de la description de la
dynamique aléatoire de S sont les

δJi+1 = Ji+1 − Ji , à valeurs dans {0, 1}. (3.3)

Ils permettent, par la récurrence Ji+1 = Ji + δJi+1 , de définir les Ji et, partant, les Siδt . Ils se prètent
bien à l’introduction de la probablité, conformément à l’observation faite à la section 2.3. Rappelons qu’à
la formule (2.6) nous avons introduit la valeur
R−d
p= , avec R = erδt (3.4)
u−d
comme probabilité “de calcul” affectée à un “up” de l’action, c’est-à-dire que p = P(St+δt = su) où
s = St (ω), indépendemment de cette valeur. Ceci équivaut à imposer, dans notre modèle stochastique, que
les (δJi )i=1..n soient des v.a. de Bernoulli indépendantes, de loi B(1, p), c’est-à-dire que p = P(δJi = 1) et,
P
partant, que chaque Ji = ik=1 δJk suit une loi binômiale B(i, p) et, comme, pour t = iδt, St = S0 uJi di−Ji ,
on retrouve
j i−j i
P(St = S0 u d ) = pj (1 − p)i−j . (3.5)
j
C’est en ce sens que l’on peut voir le processus δJ := (δJi )i=1..n comme la source fondamentale d’aléa
du modèle CRR.
1 Lorsque nous aurons muni Ω d’une probabilité P, J sera une variable aléatoire (v.a.). Comme nous pouvons choisir Ω
i
fini, nous pourrons aussi le choisir tel que P({ω}) 6= 0, pour tout ω ∈ Ω et que P et définie sur tout P(Ω) ; ceci nous permet
d’introduire la notion de tribu sans rencontrer les difficultés que cela implique habituellement.
3.3. CARACTÉRISER CE QUI SERA CONNU ET CE QUI RESTERA ALÉATOIRE 19

Par exemple dans le modèle CRR à n = 3 étapes, l’espace Ω comporte 8 évènements élémentaires,
ω1 = (1, 1, 1), ω2 = (1, 1, 0), ω3 = (1, 0, 1), ω4 = (1, 0, 0), ω5 = (0, 1, 1), ω6 = (0, 1, 0), ω7 = (0, 0, 1), et
ω8 = (0, 0, 0) et il y a 8 trajectoires notées respectivement γ1 ,. . .,γ8 :

γ1 = (S0 , 0) ; (δt, S0 u) ; (2δt, S0 u2 ) ; (3δt, S0 u3 )

γ2 = (S0 , 0) ; (δt, S0 u) ; (2δt, S0 u2 ) ; (3δt, S0 u2 d)

γ3 = (S0 , 0) ; (δt, S0 u) ; (2δt, S0 ud) ; (3δt, S0 u2 d)

γ4 = (S0 , 0) ; (δt, S0 u) ; (2δt, S0 ud) ; (3δt, S0 ud2 )

γ5 = (S0 , 0) ; (δt, S0 d) ; (2δt, S0 ud) ; (3δt, S0 u2 d)

γ6 = (S0 , 0) ; (δt, S0 d) ; (2δt, S0 u2 ) ; (3δt, S0 ud2 )

γ7 = (S0 , 0) ; (δt, S0 d) ; (2δt, S0 d2 ) ; (3δt, S0 ud2 )

γ8 = (S0 , 0) ; (δt, S0 d) ; (2δt, S0 d2 ) ; (3δt, S0 d3 )

3.3 Caractériser ce qui sera connu et ce qui restera aléatoire

t
3.3.1 La relation ∼ et la partition Ω
| t de Ω
Considérons un t ∈ [0..T ]δt et deux “états possibles du monde” ω 0 ∈ Ω et ω 00 ∈ Ω. Nous dirons que
t
ω 0 et ω 00 sont équivalents à l’instant t et écrirons ω 0 ∼ ω 00 si et seulement si pour tous s ∈ [0..t]δt on a
Ss (ω 0 ) = Ss (ω 00 )
t def
ω 0 ∼ ω 00 ⇔ ∀s ∈ [0..t]δt Ss (ω 0 ) = Ss (ω 00 ) (3.6)
L’idée est simple : Ω indexe toutes les situations prises en compte par le modèle et les deux situations
indéxées pas ω 0 et ω 00 correspondent à des évolutions du cours qui coı̈ncident jusqu’à l’instant t au moins.
t
Pour chaque t la relation ∼ est une relation d’équivalence ; la classe d’équivalence ω (ou ω t si l’on tient à
t
rappeler t) est composée de tous les ω 0 tels que ω 0 ∼ ω. Deux classes d’équivalences ω1 t et ω2 t quelconques
sont nécessairement égales ou disjointes2 et chaque ω appartient à une telle classe (“sa” classe ω, tout
t
simplement).
S A la relation ∼ correspond donc une partition Ω | t de Ω, ce qui signifie que Ω| t ⊆ P(Ω),
A∈Ω| t A = Ω, et si A 1 ∈ Ω| t et A2 ∈ Ω
| t sont distincts, ils sont nécessairement disjoints.
Exemple : Si la marche aléatoire est le modèle CRR à 3 étapes, on a :
– si t = 0, Ω| 0 = {Ω}.
– si t = δt, Ω| δt = {Ω1 = {w1 , ω2 , ω3 , ω4 }, Ω2 = {w5 , ω6 , ω7 , ω8 }}.
– si t = 2δt, Ω| 2δt = {Ω11 = {w1 , ω2 }, Ω12 = {ω3 , ω4 }, Ω21 = {w5 , ω6 }, Ω22 = {ω7 , ω8 }}.
– si t = 3δt, Ω| 3δt = {{w1 }, {ω2 }, {ω3 }, {ω4 }, {w5 }, {ω6 }, {ω7 }, {ω8 }}.

3.3.2 La tribu FtS

Observons que pour tout ω ∈ Ω et tout s ≤ t on a ω s ⊇ ω t (voyez-vous pourquoi ?). Cependant ceci ne
peut pas s’écrire Ω| s⊇Ω | t , ni Ω
| s⊆Ω | t d’ailleurs. Si nous voulons obtenir une inclusion d’une telle nature
nous devons, à partir de chaque partition Ω | t considérer le plus petit sous ensemble de Q ⊆ P(Ω) tel que,
pour tout A ∈ Q, si ω t rencontre A, alors il est contenu dans A (ou encore, que ou bien ω t ∩ A = ∅ ou bien
ω t ⊆ A.) Ce plus petit sous-ensemble Q de P(Ω) est tout simplement constitué des réunions quelconques3
de classes ωt ; on le notera FtS et il s’appelle la tribu engendrée par la partition Ω | t . Observez que, comme
les “morceaux” dans la partition Ω | s sont réunions de morceaux dans Ω | s ⊆ FtS , et donc aussi
| t , on a Ω
Fs ⊆ Ft : on dit que la tribu Fs est plus grossière que la tribu Ft , ou encore que la tribu FtS est plus
S S S S

fine que la tribu FsS . Notez que si s ≤ t, on a ω s ⊇ ωt mais FsS ⊆ FtS .

L’un des intérêts de passer de la partition à la tribu, c’est que dans la tribu on a un calcul : la tribu
est une algèbre, dans le sens suivant : on dit que A ⊆ P(Ω) est une algèbre si ∅ ∈ A, et si A ∈ A et
B ∈ A, alors Ac ∈ A et A ∩ B ∈ A.
Nous avons vu comment passer de la partition à l’algèbre. Le passage inverse, de l’algèbre à la partition
en prenant pour parties de la partitions les atomes de l’algèbre A, qui sont les plus petits éléments A de
A dans le sens où, si ∅ = 6 B ⊆ A, si B ∈ A, alors nécessairement B = A.
2 c’est-à-dire d’intersection vide.
3 Veuillez observer que la réunion des éléments d’une famille vide est vide, et donc ∅ ∈ FtS
20 CHAPITRE 3. MARCHES ALÉATOIRES. FILTRATION ET INFORMATION

Exemple : Si la marche aléatoire est le modèle CRR à 3 étapes, on peut associer à chaque partition
| t , une tribu, notée Ft :
Ω
– si t = 0, F0 = {o /, Ω}.
– si t = δt, Fδt = {o /, Ω1 , Ω2 , Ω}.
– si t = 2δt, F2δt = {o /, Ω11 , Ω12 , Ω21 , Ω22 , Ω1 , Ω2 , Ω11 ∪ Ω2 , . . . , Ω}.
– si t = 3δt, F3δt = P(Ω).
Et on a évidemment F0 ⊂ Fδt ⊂ F2δt ⊂ F3δt . Cette suite croissante de tribus est appelée une filtration.

3.3.3 La tribu associée à une v.a.

De façon générale, si X : Ω −→ R est une variable aléatoire à valeurs dans R = R ou R = Rd , on
définit une partition Ω | X de Ω, en définissant, pour tout ω ∈ Ω, la partie ωX ∈ Ω
| X contenant ω par

ω X := {ω 0 ∈ Ω | X(ω 0 ) = xω } , où xω = X(ω).

En d’autres termes, les éléments de Ω | X sont les X −1 (x) pour x ∈ X(Ω). Cette partition, elle aussi,
engendre une algèbre appelée la tribu de X et notée σ(X) ; on a

σ(X) = {A ∈ P(Ω) | ∃A0 ∈ P(R), A = X −1 (A0 )}. (3.7)

On retrouve FtS on choisissant X = (Sδt , S2δt , . . . , St−δt , St ) qui est une variable aléatoire à valeurs dans
R = Ri , où t = iδt.

3.4 FtS -mesurabilité

Nous pouvons à présent aborder la notion cruciale de mesurabilité d’une variable aléatoire Y qui
correspond à l’idée de ce qu’il suffira de connaı̂tre pour que Y ne soit plus aléatoire, mais connue.
Concrètement, on aura que Y est σ(X)-mesurable si et seulement si Y est une fonction déterministe (g)
de la grandeur X, avec Y = g(X). Ainsi, dès lors que nous connaı̂trons X(ω ∗ ) nous connaı̂trons aussi
Y (ω ∗ ) = g(X(ω ∗ )), où ω ∗ est l’élément (de Dieu seul connu...) de Ω qui indexe l’histoire que nous vivons
(et vivrons) effectivement !
L’exemple concrêt (et capital !) que nous avons compris au chapitre 2, c’est Y := Πt , la valeur du
portefeuille de couverture à l’instant t. En effet nous avons vu dans ce chapitre comment calculer cette
valeur comme une fonction de St et nous avions Πt = ϕ(t, St ). Ainsi Πt est σ(St )-mesurable (poser X = St
et g : x 7→ ϕ(t, x))
La définition de la mesurabilité de Y par rapport à une tribu σ est à la fois simple4 et, certainement,
totalement opaque au lecteur par rapport à son utilisation évoquée :
Définition : La variable aléatoire Y est dite mesurable par rapport à la tribu σ si elle est constante sur
les atomes de σ.

Proposition 3.1 La variable aléatoire Y est σ(X)-mesurable si et seulement si il existe une fonction g
définie sur X(Ω) telle que Y = g(X).

Preuve : Les atomes de σ(X) sont les X −1 ({x}) pour x ∈ X(Ω). Supposons que Y est σ(X)-mesurable
et notons ω l’atome de σ(X) contenant ω. Soit x ∈ X(Ω) quelconque ; donc x = X(ωx ) pour un ωx ∈ Ω
au moins ; Y est constante sur ω x , donc Y (ω x ) = {yx } ; il suffit de poser g(x) := yx .
Réciproquement, supposons que Y = g(X) ; soit ω ∈ Ω quelconque et xω := X(ω). Par définition
de ω, X est constante sur cet atome de σ(X), donc ∀ω 0 ∈ ω, X(ω 0 ) = X(ω) = xω , et donc Y (ω 0 ) =
g(X(ω 0 )) = g(xω ) = g(X(ω)) = Y (ω) ; donc Y est bien constante sur ω ce qui, par définition, montre que
Y est σ(X)-mesurable. 2
Dans le chapitre qui suit nous allons, pour chaque t ∈ [0..T ]δt , confectionner une variable aléatoire
Πt FtS -mesurable qui se prète à un remarquable calcul : le calcul des espérances conditionnelles. Nous
verrons que cette variable aléatoire, appelée l’espérance conditionnelle du payoff ΠT de l’option, n’est
autre que la valeur, à l’instant t, du portefeuille de couverture. Ce faisant, nous rendrons applicable le
calcul des espérances conditionnelles au calcul des prix d’options.
4 Le fait que Ω soit fini permet cette définition simplifiée ; la définition dans le cas générale n’est guère plus compliquée

(mais impose de savoir ce qu’est un borélien de R ; toutes fois les preuves que nous utiliseront sont alors beaucoup plus
subtile, même si elle n’apprennent rien sur la Finance !)
Chapitre 4

Espérance conditionnelle

Dans les leçons précédentes nous avons appris à calculer le prix de diverses options à l’instant t = 0. Les
options étant des actifs financiers négociables, qu’on veut pouvoir acheter et vendre aussi à des instants
ultérieurs, on voudrait également savoir décrire et calculer leur prix à des instants t > 0. C’est ce que
nous allons faire dans cette leçon grâce à la notion d’espérance conditionnelle par rapport à une tribu. On
découvrira au passage que cette espérance conditionnelle, qui généralise l’espérance conditionnelle usuelle
d’une variable aléatoire par rapport à un évènement, est en fait un extraordinaire outil de calcul, un de
ceux qui font que la théorie des probabilités s’appelle souvent le calcul des probabilités.

4.1 Espérance conditionnelle d’une v.a. sachant un évènement

Voici tout d’abord quelques rappels de probabilités élémentaires. Soit (Ω, T , P) un espace probabilisé
que nous supposerons comme précédemment fini et satisfaisant en outre la condition suivante1 :

∀ω ∈ Ω, P(ω) 6= 0.
P
Soit X une variable aléatoire sur Ω. L’espérance de X est le nombre E (X) = ω∈Ω X(ω)P(ω). Notons
que, pour tout évènement A ⊆ Ω appartenant P à la tribu T , on peut exprimer la probabilité de A comme
l’espérance d’une v.a., en posant P(A) = α∈A P(α) = E IA , où IA désigne la v.a. indicatrice de A, égale
à 1 sur A et 0 sinon.
Plus généralement, on appelle “espérance de X sachant A” ou “espérance de X conditionnellement à
A”, le nombre, notée E(X/A), donné par

1 X E (XIA )
E(X/A) = X(α)P(α) = .
P(A) E IA
α∈A

En d’autres termes E(X/A) est la moyenne des éléments de A, pondérée par leur probabilité rapportée à
la probabilité de A.
Nous insistons sur le fait que l’espérance conditionnelle d’une v.a. sachant un évènement est un
nombre. L’espérance conditionnelle par rapport à une tribu, que nous allons introduire à présent, n’est
pas un nombre, mais “un nombre qui dépend de l’état du monde”, c’est-à-dire une variable aléatoire.

4.2 Espérance conditionnelle d’une v.a. par rapport à une tribu

Soient F ⊆ T une tribu et Ω
| := {Ω1 , . . . , Ωm } la partition de Ω formée par les atomes de F.
Définition : Soit X est une v.a. sur Ω. On appelle espérance conditionnelle de X par rapport à la tribu
F ⊆ T , ou encore espérance conditionnelle de X relativement à la partition Ω | , la v.a. notée E(X|F)
définie, pour tout ω ∈ Ω, par
1 X
E(X|F)(ω) := E[X/ω] = X(α)P(α)
P(ω)
α∈ω

où ω désigne l’atome Ωi ∈ Ω

| de la partition tel que ω ∈ Ωi .
1 conformément à l’usage, nous notons P(ω) pour P({ω})

21
22 CHAPITRE 4. ESPÉRANCE CONDITIONNELLE

On voit donc que par définition l’espérance conditionnelle par rapport à une tribu F est une v.a.
constante sur les atomes Ωi de la partition Ω
| associée à F. On a plus précisément :

Proposition 4.1 La v.a. E(X|F) est mesurable par rapport à la tribu F et de plus si Y = E(X|F)
désigne cette v.a., alors Y peut être définie comme l’unique v.a. F-mesurable telle que

| , E(Y /Ωi ) = E(X/Ωi ).

∀Ωi ∈ Ω (4.1)

Preuve : Le fait que E(X|F) soit mesurable par rapport à la tribu F est clair par définition puisqu’elle
est constante sur les atomes de la partition Ω | associée à F.
Montrons qu’elle vérifie l’équation (4.1) : Soit ω est un élément quelconque de l’atome Ωi , et donc
ω = Ωi ; comme Y est constante sur les atomes on a Y (ω) = Y (α) pour tout α ∈ Ωi . Par définition de
Y = E(X|F), on a

1 X 1 X P(Ωi )
E(Y /Ωi ) = Y (α)P(α) = Y (ω) P(α) = E(X|F)(ω) = E[X/ω] = E(X/Ωi ).
P(Ωi ) P(Ωi ) P(Ωi )
α∈Ωi α∈Ωi

| , et la relation E(Y /Ωi ) =

Réciproquement si Y est F-mesurable, elle est constante sur les Ωi ∈ Ω
E(X/Ωi ) définit Y uniquement car, pour tout ω ∈ Ω, on aura Y (ω) := E(X/Ωi ), où Ωi est l’atome
contenant ω. 2
Voici les principales propriétés de l’espérance conditionnelle :

Proposition 4.2 Soient X et Y des v.a. sur (Ω, T , P), F et G des sous-tribus de T, et x0 , a et b des
nombres réels. On a :
1. E(X|T ) = X, et E(X|{∅, Ω}) = E(X).
2. E(aX + bY |F) = aE(X|F) + bE(Y |F).
3. Si X ≥ 0, on a E(X|F) ≥ 0, avec égalité si et seulement si X = 0.
4. E(x0 |F) = x0 .
5. Si Y est F-mesurable, on a E(XY |F) = Y E(X|F)
6. Si G ⊆ F, on a E( E(X|F) | G) = E(X|G). En particulier E(E(X|F)) = E(X).

Cette sixième propriété s’appelle la transitivité des espérances conditionnelles. Elle est d’un usage
fréquent en Finance.

4.3 L’espace euclidien L2(Ω)

On désigne par L2 (Ω) l’ensemble des variables aléatoires sur Ω dans le cas où on munit cet ensemble
d’une structure euclidienne (c’est-à-dire d’un produit scalaire) que nous allons définir à présent. Cet
espace de v.a. joue un rôle fondamental en économétrie et en calcul stochastique.
Tout d’abord, il est facile de munir l’ensemble des v.a. sur Ω d’une structure d’espace vectoriel : si
X et Y sont deux éléments de cet ensemble, X + Y et, pour tout λ ∈ R, λX sont encore des v.a. sur Ω.
D’autre part on peut définir un produit scalaire sur cet ensemble de la façon suivante :

< X, Y >:= E(XY ) (4.2)

et la norme associée par : p

kXk := E(X 2 )
En effet on vérifie facilement la bilinéarité et la symétrie ; de plus on a kXk ≥ 0 puisque X 2 est une v.a.
positive ou nulle ; enfin, si kXk = 0, alors X = 0 car E(X 2 ) est une combinaison linéaire à coefficients
strictement positifs (puisque P(ω) > 0 pour tout ω ∈ Ω) des nombres positifs.
On vérifie sans peine que l’on a E(X) =< X, 1 >, Cov(X, Y ) =< X − E(X), Y − E(Y ) > et donc
V ar(X) =< X − E(X), X − E(X) >= kX − E(X)k2 .
L’espace L2 (Ω) des variables aléatoires sur Ω, muni du produit scalaire (4.2), est donc bien un espace
euclidien. On sait que dans un espace euclidien on peut associer à tout vecteur sa projection orthogonale
sur un sous espace. Rappelons la définition de la projection orthogonale :
4.4. APPLICATION AU CALCUL DE PRIX D’OPTIONS 23

Définition : Soient G ⊆ L2 (Ω) un sous espace vectoriel et X ∈ L2 (Ω) un vecteur quelconque. On

appelle projection orthogonale de X sur G, notée π(X) l’unique élément de G tel que

∀Z ∈ G , < X − π(X), Z >= 0

On peut vérifier facilement que si F est une tribu alors l’ensemble des v.a. de L2 (Ω) F-mesurables
forment un sous espace vectoriel. En effet, si X et Y sont deux v.a. F-mesurables, donc constantes sur
les atomes de la partition associée à la tribu F, toute combinaison linéaires λX + µY , pour λ et µ réels
quelconques, est encore F-mesurable.

Proposition 4.3 Soient X une v.a. et F une tribu. L’espérance conditionnelle de X par rapport à la
tribu F est la projection orthogonale de X sur le sous espace G des v.a. F-mesurables.

Preuve : Soit Z ∈ G. En utilisant les propriétés de l’espérance conditionnelle du théorème 4.2, on a :

E(XZ) = E(E(XZ|F)) = E(E(X|F)Z)

donc < X − E(X|F), Z >= E(XZ) − E(E(X|F)Z) = 0. 2

4.4 Application au calcul de prix d’options

Soit X = (Xt )t∈T une marche aléatoire et soit (FtX )t∈T la filtration associée ; rappelons que la
filtration associée à une m.a. est par définition la suite croissante de tribus

/, Ω} = F0X ⊂ Fδt
{o X
⊂ . . . ⊂ FTX ⊆ P(Ω)

définie de la façon suivante : pour chaque t ∈ T,les atomes de la tribu FtX sont les classes d’équivalence
pour la relation :
t
ω 0 ∼ ω 00 si et seulement si Xs (ω 0 ) = Xs (ω 00 ) pour tout s ∈ [0..t].

L’exemple de filtration importante pour nous et la filtration associée à la marche CRR est détaillé au
chapitre 3.
On a vu ci-dessus comment associer à une v.a. X son espérance conditionnellement à une tribu,
E(X|F) =: Y . Si l’on dispose non plus d’une seule tribu mais de toute une filtration (Ft )t∈T , on peut
associer alors, à toute v.a. X, une famille, indéxée par t ∈ T, de variables aléatoires Yt := E(X|Ft ),
c’est-à-dire une nouvelle marche aléatoire (Yt )t∈T .
Prenons l’exemple d’une option enropéenne standard (T, ϕ(ST )) souscrite sur une actif (St )t∈T . La
fonction de paiement X := ϕ(ST ) est une v.a. sur l’ensemble des états du monde Ω sur lesquel est définie
la m.a. (St ). On peut donc associer à l’option une nouvelle m.a. donnée par Yt := E(ϕ(ST )|Ft ). Que
représente Yt par rapport à X := ϕ(ST ) ? Pour chaque état du monde ω ∈ Ω, Yt (ω) est l’espérance
conditionnelle de X sachant ω, où ω désigne l’atome de la tribu Ft , c’est-à-dire l’ensemble des états du
monde correspondant à des trajectoires de la marche (St ) qui coı̈ncident jusqu’à l’instant t. En d’autres
termes, Yt (ω) est la moyenne des paiements attendus sur toutes les trajectoires qui coı̈ncident avec ω
jusqu’à l’instant t, ou la moyenne des paiements futurs sachant la trajectoire Ss jusqu’à l’instant t,
c’est-à-dire connaissant l’information jusqu’à t. Notons que l’on a E(ϕ(ST )|FTS ) = ϕ(ST ) (car ϕ(ST ) est
FTS -mesurable) et E(ϕ(ST )|F0S ) = E(ϕ(ST )) (car F0S = {∅, Ω}).
En fait, par le choix de p = R−d S
u−d et des lois des δJ = (δJi )i=1..n , le nombre E(ϕ(ST )|Ft )(ω) est
précisément le prix du portefeuille de couverture à l’instant t, lorsque l’action vaut St (ω). En d’autres
termes, en utilisant la notion d’espérance conditionnelle par rapport aux tribus de la filtration des prix
du sous-jacent, il est possible de calculer le prix d’une option, non seulement à l’instant t = 0 mais à tout
instant t ∈ T : c’est la formule fondamentale qui généralise celle donnée au chapitre 2 pour t = 0. La
seule hypothèse que nous faisons sur l’option est qu’elle soit européenne d’échéance T , c’est à dire qu’elle
paye sa valeur ΠT à la date T et que cette valeur ne dépendent que des valeurs de S jusqu’à cette date,
c’est-à-dire qu’elle soit FTS -mesurable ; par exemple ΠT = ϕ(ST ) pour une option vanille de fonction de
paiement ϕ.
24 CHAPITRE 4. ESPÉRANCE CONDITIONNELLE

Théorème 4.4 Considérons un marché financier (St , Bt )t∈T où l’actif risqué S suit un modèle CRR et
l’actif sans risque est donné par Bt := ert . Considérons une option européenne d’échéance T et de valeur
ΠT qui est FTS -mesurable. Pour tout t ∈ T = [0..T ] la valeur Πt du portefeuille de couverture est donnée
par
Πt = e−r(T −t) E(ΠT |FtS ) (4.3)
où (FtS )t∈T est la filtration associée à la m.a. S = (St )t∈T et où l’espérance conditionnelle est calculée
erδt −d
sous la probabilité de calcul définie par p = u−d . En particulier, la prime de l’option est egale à
Π0 = e−rT E(ΠT ).

Rappelons que le calcul du prix Πt (ω) du portefeuille de couverture s’effectue par récurrence rétrograde
à partir de sa valeur finale ΠT , supposée FTS -mesurable, c’est à dire que ΠT (ω) est fonction des valeur
sδt , s2δt , . . ., sT des St (ω) pour t ∈ T. De fait, plus généralement, Πt est FtS -mesurable, c’est à dire une
fonction (dépendant de t) des sδt , . . ., st ; en effet supposons que ce soit le cas pour t + δt :

Πt+δt (ω) = π(t + δt, sδt , . . . st , st+δt ),

et plaçons-nous à la date t, lorsque nous savons que St (ω) = sδt , . . ., St (ω) = st . Dans ce cas St+δt (ω) =
sδt u ou St+δt (ω) = sδt d et le calcul élémentaire vu au chapitre 2 nous montre que la valeur du portefeuille
de couverture à la date t se déduit des deux valeurs correspondantes π(t, sδt , . . . st , st u) et π(t, sδt , . . . st , st d)
à t + δt par la formule
1
Πt (ω) = (pπ(t + δt, sδt , . . . st , st u) + (1 − p)π(t + δt, sδt , . . . st , st d)) =: π(t, sδt , . . . st ) (4.4)
R
avec R := erδt et p := R−d u−d , et qui est bien une fonction des seules valeurs de Ss (ω) pour s ≤ t.
Reformulons ce résultat en termes d’espérance conditionelle :

Lemme 4.5
1
Πt = E(Πt+δt | FtS ). (4.5)
R

Preuve : Pour tout ω ∈ Ω, soient siδt := Siδt (ω), i = 1..n. Rappelons que ω t est l’atome de ω dans la
tribuFtS ,
ω t = {ω 0 ∈ Ω | Sδt (ω 0 ) = sδt , . . . , St (ω 0 ) = st }.
Par définition de l’espérance conditionnelle nous avons

E(Πt+δt | FtS )(ω)

1
= E(Πt+δt Iωt )
P(ω t )
1
δJ
= E π t + δt, Sδt , . . . , St , St d (u/d) t+δt I{Sδt =sδt } · · · I{St =st }
E(I{Sδt =sδt } · · · I{St =st } )
u δJt+δt
1
= E π t + δt, sδt , . . . , st , st d I{Sδt =sδt } · · · I{St =st }
d E(I{Sδt =sδt } · · · I{St =st } )
u δJt+δt E(I
{Sδt =sδt } · · · I {St =st } )
= E π t + δt, sδt , . . . , st , st d , par independance,
d E(I{Sδt =sδt } · · · I{St =st } )
= pπ(t + δt, sδt , . . . , st , st u) + (1 − p)π(t + δt, sδt , . . . , st , st d) , puisque δJt+δt ; B(1, p),
= R π(t, sδt , . . . , st ) , par (4.4),
= R π(t, Sδt , . . . , St )(ω) = R Πt (ω).

2
La preuve du théorème s’en déduit facilement par transitivité de l’espérance conditionelle : posons
t = iδt ; par n − i applications du lemme on obtient

1 1 1 1
Πt = E E . . . E(ΠT | FTS−δt ) . . . | Ft+δt
S
| FtS = n−i E(ΠT |FtS ) = e−r(T −t) E(ΠT |FtS ).
R R R R
Chapitre 5

Martingales, arbitrage et complétude

La notion de martingale joue aujourd’hui un rôle central en finance mathématique1 ; elle était déja
présente dans la thèse de Louis Bachelier en 1900 mais elle n’a commencé à être étudiée systématiquement
par les mathématiciens que vers 1940, notamment par P. Levy et J.L. Doob, et plus tard par l’école de
probabilités de Strasbourg, notamment P.A. Meyer. Ce n’est qu’à la fin des années 70 et au début des
années 80 (dans un séries d’articles de M. J. Harrison, D. M. Kreps et S. R. Pliska) que l’on a commencer
à comprendre les liens entre les notions économiques ou financières d’absence d’oportunité d’arbitrage et
de complétude du marché et la notion mathématique de martingale. Ce sont ces liens que nous étudions
ici à travers notamment deux résultats importants parfois appelés les deux théorèmes fondamentaux de
la finance mathématique.

5.1 Martingales
Intuitivement, une martingale est une marche aléatoire n’ayant ni tendance haussière ni tendance
baissière, sa valeur à chaque instant étant égale à l’espérance de ses valeurs futures. On utilise des
marches aléatoires ayant cette propriété pour modéliser le prix des actifs financiers car un prix de marché
est un nombre sur lequel deux parties, celle qui achète et celle qui vend, tombent d’accord ; si le prix
avait une tendance à la hausse, le vendeur n’aurait pas accepté la transaction et inversement s’il avait
une tendance à la baisse c’est l’acheteur qui l’aurait refusé. Donc il est naturel de supposer qu’un fair-
price a la propriété de martingale. Cela n’entraine nullement que le prix ne varie pas car, selon l’état
du monde qui se réalise, il augmente effectivement ou bien diminue. Mais lorsque l’on prend en compte
l’ensemble des états du monde possibles, il est raisonnable de supposer que sa variation espérée est nulle.
Bien sûr, les véritables variations du prix qui interviendront dans la réalité, et qui dépendent de l’état du
monde, seront certainement non nulles. D’ailleurs, c’est parce que les deux parties n’ont pas les mêmes
anticipations sur l’état du monde qui va se réaliser que la transaction a lieu.
Définition : Soit (Ω, T , P ) un espace probabilisé fini et soit F := (Ft )t∈T une filtration de Ω. On dit
qu’une marche aléatoire M := (Mt )t∈[0..T ]δt est une F-martingale (mtg) si et seulement si

pour tous s ≤ t, Ms = E(Mt |Fs ). (5.1)

Observons qu’il résulte de la définition de l’espérance conditionnelle qu’une F-martingale est toujours
une marche aléatoire F-adaptée, c’est-à-dire que, pour tout t, la v.a. Mt est Ft -mesurable.
La proposition suivante donne trois autres caractérisations de la propriété de martingale, souvent
utiles, qui découlent également des propriétés de l’espérance conditionnelle. On utilise la notation Es X :=
E(X|Fs ).

Proposition 5.1 Les propriétés suivantes sont équivalentes

1. M est une martingale.
2. Pour tout s ∈ T, Ms = Es (Ms+δt ).
3. Pour tout s ∈ T, Ms est Fs -mesurable et Es (δMs+δt ) = 0, où δMs+δt := Ms+δt − Ms .
4. Pour tout s ≤ t dans T, Ms est Fs -mesurable et Es (Mt − Ms ) = 0.

1 Voir le livre de Nicolas Bouleau, Martingales et marchés financiers, Editions Odile Jacob, 1998

25
26 CHAPITRE 5. MARTINGALES, ARBITRAGE ET COMPLÉTUDE

Preuve : On fait une démonstration ”circulaire” : la propriété 1 entraine évidemment 2 et si la propriété

2 est vraie, on a :
Es (Ms+δt − Ms ) = Es (Ms+δt ) − Ms = Ms − Ms = 0.
D’où la propriété 3. Si celle-ci est vraie, alors
t−δt
! t−δt t−δt
X X X
Es (Mt − Ms ) = Es (Mτ +δt − Mτ ) = E(δMτ +δt ) = Es (Eτ (δMτ +δt )) = 0.
τ =s τ =s τ =s

D’où la propriété 4. On vérifie enfin que la propriété 4 implique à son tour la propriété 1 car, comme Ms
est Fs -mesurable Ms = Es (Ms ), et donc Ms − Es (Mt ) = Es (Ms − Mt ) = 0. 2

Exemples :
1. Le premier exemple est celui de la p-marche de Wiener (Wt )t∈T pour laquelle on a par définition :
√ √ √
E(δWt ) = p δt + (1 − p)(− δt) = (2p − 1) δt.
Donc c’est une martingale (par rapport à la filtration qui lui est associée) si et seulement si p = 12 .
2. Le second exemple est celui de la marche aléatoire de Cox, Ross et Rubinstein (St )t∈T qui modélise
le prix d’un actif financier à l’instant t. Pour trouver une probabilité p = P (St+δt /St = u) telle
que sa valeur actualisée soit une martingale, on procède de la façon suivante : si r désigne le taux
d’escompte monétaire, supposé constant, et S̃t le prix actualisé, S̃t := e−rt St , on a les relations
suivantes que doit satisfaire p :
Et (S̃t+δt ) = e−r(t+δt) E(St+δt ) = e−r(t+δt) (pSt u + (1 − p)St d) = e−rδt (pu + (1 − p)d)S̃t .
Donc S̃t est une F-martingale pourvu que pu + (1 − p)d = erδt . On retrouve la probabilité risque
neutre introduite pour évaluer le prix d’options :
erδt − d
p= .
u−d
Dans le modèle CRR, la probabilité risque neutre est donc l’unique probabilité pour laquelle la
valeur actualisée de l’actif sous-jacent est une martingale.
3. Le troisième exemple est celui d’une martingale fermée par une v.a. : si Φ est une v.a. sur un
espace probabilisé muni d’une filtration F = (Ft )t∈T , la marche aléatoire (Xt )t∈T définie par
Xt := E(Φ/Ft ) est, par construction, une martingale. De façon générale, on dit qu’une F-martingale
Mt est une martingale fermée par la v.a. Φ si elle s’écrit Mt := E(Φ/Ft ) pour une certaine v.a. Φ.
C’est une façon naturelle de construire une martingale et c’est ce que nous avons fait à travers la
fomule fondamentale pour la marche C̃t . Nous avons vu en effet que
Ct = er(T −t) E(ϕ(ST )/Ft )
ce qui s’écrit encore ert Ct = E(erT ϕ(ST )/Ft ). Ainsi la formule fondamentale indique qu’à tout
instant t, le prix actualisé C̃t d’une option européenne (T, ϕ(ST )) est la martingale fermée par la
˜ T ).
v.a. ϕ(S

Proposition 5.2 Si (Mt )t∈T est une martingale, alors t 7→ E(Mt ) est constant et pour tout t ∈ T on
a E(Mt ) = E(M0 ). En particulier si M0 est une v.a. constante, égale au nombre M0 , on a pour tout t,
E(Mt ) = M0 .
De cette proposition appliquée à la martingale (C̃t )t∈T , on déduit immédiatement que la valeur de la
prime C0 est l’espérance du payoff C̃T = ϕ(S̃T ).
Pour finir ce paragraphe, indiquons la definition de sur- et sous-martingale, utile notamment pour
l’etude des options américaines.
Définition : On dit qu’une m.a. (Xt )t∈T est une F-sous2 -martingale si et seulement si X est F-adaptée
et
pour tous s ≤ t, Xs ≤ E(Xt | Fs ). (5.2)
On définit de façon analogue les F-surmartingales. Evidemment une m.a. qui est à la fois une sur- et
une sous-martingale est une martingale.
2 retenir que toute valeur Xs de la marche est “sous” (≤) l’espérance (conditionnelle) de toute valeur future (E(Xt |Fs )).
5.2. MARCHÉ ET “PERTES ET PROFITS” D’UN PORTEFEUILLE 27

5.2 Marché et “pertes et profits” d’un portefeuille

Le fait que les valeurs actualisées des deux actifs (risqué et non risqué) qui composent le portefeuille
de couverture d’une option soient des martingales entraine automatiquement, comme nous allons le voir
maintenant, qu’il en est de même de la valeur de ce portefeuille autofinancé. Ceci fournit d’ailleurs une
nouvelle façon de se convaincre que la valeur actualisée de l’option (qui par définition est le prix d’un
portefeuille de couverture) est elle-même une martingale.
Ce résultat important est en fait valable non seulement lorqu’on ne dispose que de deux actifs,
l’un risqué et l’autre non risqué, mais plus généralement lorsque l’on dispose de d + 1 actifs, d’où la
généralisation proposée maintenant.
Définition : Un marché financier est la donnée de (d + 1) marches aléatoires (St1 , . . . , Std ; Bt ) définies
sur le même espace probablisé (Ω, T , P ) muni d’une filtration F = (Ft )t∈T , telles que :
– (Bt )t∈T est déterministe (par exemple Bt = ert ) : elle modélise un actif non risqué.
– (St1 )t∈T , . . ., (Std )t∈T sont F-adaptées : elles modélisent d actifs risqués.
Pour définir la notion de portefeuille dans un tel marché financier, il est utile d’introduire la notion
de marche aléatoire prévisible.
Définition : Une marche aléatoire (Xt )t∈T est dite prévisible par rapport à une filtration F si, pour
tout t ∈ T, Xt est Ft−δt -mesurable.
Rappelons qu’une v.a. est Ft−δt -mesurable lorsqu’elle est connue dès qu’on connait l’information
dont on dispose à l’instant t − δt, information représentée par la tribu Ft−δt . L’exemple typique de m.a.
prévisible que nous considérerons est la m.a. αt qui représente la composition en actif sous-jacent d’un
portefeuille de couverture d’une option. En effet on supposera cette composition choisie à l’instant t − δt
au vu du prix atteint par l’actif sous-jacent à cet instant et maintenue inchangée jusqu’à l’instant t, date
à laquelle le détenteur du portefeuille réajuste sa position au vu de la nouvelle valeur atteinte par l’actif
sous-jacent à cette date.
Définition : On appelle portefeuille Π = (Πt )t∈T (ou stratégie de portefeuille) une famille de d + 1 m.a.
prévisibles Πt = (α1t , . . . , αdt ; βt ) = (αt ; βt ) et valeur du portefeuille (ou de la stratégie) Π la quantité
Vtπ = α1t St1 + . . . + αdt Std + βt Bt = αt · St + βt Bt

Il est utile d’introduire, à coté des prix des actifs ou des portefeuilles leurs prix actualisés, de façon
St Vπ
à pouvoir comparer leurs valeurs à des instants t différents. On désigne par S̃t := B t
et Ṽtπ := Btt ces
valeurs actualisées. On a alors
Ṽtπ = αt · S̃t + βt .
Remplacer dans les calculs les prix des actifs Sti par leurs valeurs actualisées S̃ti correspond à ce que
l’on appelle parfois “travailler en Euros constants” c’est-à-dire choisir comme numéraire le prix de l’actif
non risqué Bt et donc exprimer les autres prix en fonction de celui-ci. On supposera aussi désormais que
B0 = 1.
Une propriété importante des portefeuilles que nous considérons, que possèdent notamment les porte-
feuilles destinés à couvrir une option, est d’être autofinancés, c’est-à-dire que, lors de la recomposition à
chaque instant t ∈ T, les modifications se font sans apport ni retrait de fonds. Cette propriété s’exprime
par l’identité suivante :
Définition : Un portefeuille Πt = (αt ; βt ) est dit autofinancé ssi pour tout t = 0, . . . , T − δt, on a :
αt+δt · St + βt+δt Bt = αt · St + βt Bt . (5.3)

Une autre façon d’évaluer la valeur d’un portefeuille autofiancé est d’étudier ses “pertes et profits”,
c’est-à-dire la somme accumulée des gains et pertes réalisés, en raison des variations de la valeur des actifs
qui le composent.
Définition : On appelle pertes et profits, noté P &Pt , d’un portefeuille Πt = (αt ; βt ) la quantité
t
X
P &Pt (α) := αs (δ S̃s ) où δ S̃s = S̃s − S̃s−δt .
s=δt
28 CHAPITRE 5. MARTINGALES, ARBITRAGE ET COMPLÉTUDE

Proposition 5.3 Pour un portefeuille autofinancé, on a la propriété suivante :

Ṽtπ = V0π + P &Pt .

π
Preuve : Par (5.3) pour t = s − δt, on a Vs−δt = αs · Ss−δt + βs Bs−δt , et donc

X
t t π
X π
V0π Vs Vs−δt
Ṽtπ = δ Ṽsπ + Ṽ0π = + −
B0 Bs Bs−δt
s=δt s=δt
t
X 1 1
= V0π + (αs · Ss + βs Bs ) − (αs · Ss−δt + βs Bs−δt )
Bs Bs−δt
s=δt
X t t
X
= V0π + (αs · S̃s + βs ) − (αs · S̃s−δt + βs ) = V0π + αs · δ S̃s = V0π + P &Pt .
s=δt s=δt

2
Pt
Si l’on suppose que S̃t est une martingale, la somme s=δt αs (δ S̃s ) s’appelle la transformée de la
martingale S̃t par la marche aléatoire prévisible αt . Cette somme est une version discrète de l’intégrale
stochastique de la marche αt contre les variations de la martingale S̃t . Cette somme est elle-même une
martingale comme nous allons le voir maintenant.

5.3 Marchés sans arbitrage

Pour simplifier, on suposera dans ce paragraphe et le suivant que le taux d’intéret r est nul. Ce n’est
guère réaliste mais une fois les résultats exposés ici bien compris dans ce cas particulier, il est facile de
les généraliser au cas général où r n’est pas nul.
Dans la suite, on notera pour simplifier αt le vecteur de composantes du portefeuille Πt = (αt ; βt ).
On parlera indifféremment de portefeuille ou de stratégie.
Définition : On dit qu’un portefeuille est un portefeuille d’arbitrage (ou une opportunité d’arbitrage
ou simplement un arbitrage) si P &LST (α) ≥ 0, et s’il existe un état du monde au moins ω0 ∈ Ω tel que
P &LST (α)(ω0 ) > 0.
En d’autres termes, un arbitrage est un portefeuille tel que même lorsque sa valeur initiale est nulle,
sa valeur en T est toujours positive ou nulle et même strictement positive dans au moins un état du
monde. C’est donc une stratégie (qu’on appelle aussi parfois free lunch) qui est gagnante dans certains
cas et ceci sans prendre aucun risque puisqu’elle n’est jamais perdante.
Dans la modélisation des marchés financiers, on admettra généralement qu’une telle stratégie n’existe
pas. C’est l’hypothèse dite d’absence d’opportunité d’arbitrage. On explique souvent cette hypothèse en
disant que si d’aventure une opportunité d’arbitrage apparaisait quelque part le marché se chargerait de
la faire disparaı̂tre presqu’aussitôt. Il n’est donc pas deraisonnable de supposer qu’à l’équilibre il n’en
existe pas.
Le théorème suivant est souvent appelé le premier théorème fondamentale. Il donne une condition
nécessaire et suffisante pour qu’un marché soit sans arbitrage. Le fait que cette condition soit suffisante
est assez facile à prouver. La preuve de la réciproque (la condition est nécéssaire) est plus élaborée et
cette réciproque n’est d’ailleurs plus vraie telle quel lorsqu’on quitte le monde des modèles discrets (Ω
fini) pour celui des modèles continus (il en existe toutefois une généralisation dans le cas continu aussi).

Théorème 5.4 Un marché financier (St1 , . . . , Std ; Bt ) est sans arbitrage si et seulement s’il existe une
probabilité P∗ , avec P∗ ({ω}) > 0 pour tout ω ∈ Ω, telle que tous les actifs actualisés (S̃t1 , . . . , S̃td ; B̃t )
soient des martingales sous cette probabilité. Cette probabilité P ∗ s’appelle probabilité de martingale ou
probabilité risque neutre.

Avant de démontrer ce théorème, étudions un exemple que l’on peut trouver dans le livre de Pliska :
Exemple : C’est un exemple à une étape (c’est-à-dire un pas de temps unique δt = T ) et pour lequel
on n’a qu’un seul actif risqué St défini par S0 = 5 et Sδt ∈ {3, 4, 6}. Comme habituellement on suppose
F0 = {∅, Ω} et on désigne par p = P∗ {Sδt = 3}, q = P∗ {Sδt = 4}, and 1 − p − q = P∗ {Sδt = 6}. Dans
ce cas, il est facile de voir que pour que S = (St )t∈{0,T } soit une martingale il faut que (on rappelle que
r = 0) :
5 = S0 = E∗ (Sδt | F0 ) = E∗ (Sδt ) = p3 + q4 + (1 − p − q)6 = 6 − 3p − 2q,
5.4. MARCHÉS COMPLETS ET NON COMPLETS 29

ou, ce qui revient au même, que q = 12 − 32 p (et 1 − p − q = 12 − 12 p). Finalement S est une martingale
si 3p + 2q = 1 et P∗ {Sδt = 3} = p ∈ (0, 13 ). Les valeurs possibles pour les deux autres probabilités
en découlent : q = P∗ {Sδt = 4} ∈ (0, 12 ) et 1 − p − q = P∗ {Sδt = 6} ∈ ( 12 , 23 ). Donc, le théorème
5.4affirme que ce modèle est sans arbitrage si et seulement si p ∈ (0, 13 ) =: (p∗− , p∗+ ). En d’autres
termes, il y a un ensemble des probabilités de martingale pour ce modèle qui forment un segment du type
( 1+λ 1−3λ 1
2 , 2 , λ), λ ∈ [0, 3 ].
On retiendra qu’en dehors de ces probabilités de martingale (qui donneront chacune un prix d’op-
tion différent) aucune probabilité n’est acceptable car toute autre probabilité conduirait à un modèle
présentant des opportunités d’arbitrage. Nous reviendons sur la question de la non unicité au prochain
paragraphe.

Preuve : Première partie : Pour montrer que l’existence d’une probabilité de martingale entraine
l’absence d’opportunité d’arbitrage (qui est la partie facile de la preuve), nous utiliserons le résultat
suivant :
Proposition 5.5 Si P∗ est une probabilité de martingale et α une stratégie autofinancée alors le processus
de pertes et profits associé à cette stratégie, P &P (α), est aussi une P∗ -martingale.

Preuve : On fait la preuve dans le cas d’un seul actif risqué (St ) pour simplifier. Pour montrer que
P &P (α) est une martingale on utilise la troisième propriété de la proposition 5.1. On a :
X X
δ(P &P (α))t+δt = αs δSs − αs δSs = αt+δt St+δt .
s∈(0..t+δt]δt s∈(0..t]δt

Mais α est Ft -previsible, donc αt+δt ∈ Ft , donc

E(δP &Pt+δt (α) | Ft ) = E(αt+δt δSt+δt (α) | Ft ) = αt+δt E(δSt+δt (α) | Ft ) = 0,
cette dernière espérance étant nulle puisque S est martingale sous P ∗ par hypothèse. 2
Pour prouver l’absence d’opportunité d’arbitrage, considérons un portefeuille α vérifiant P &P0 (α) = 0
et vérifions que P &PT (α) est nécessairement d’espérance nulle (et non strictement positive). Comme
P∗ est une probabilité de martingale, le processus P &Pt (α) est une P∗ -martingale. Donc P &P0 (α) =
E∗ (P &PT (α) | F0 ) ; mais comme P &P0 (α) = 0, on a
E∗ (P &PT (α)) = E∗ (E∗ (P &PT (α) | F0 )) = E∗ (P &P0 (α)) = E∗ (0) = 0.
Donc cette stratégie ne peut être un arbitrage, ce qui prouve la première partie du théorème. 2

Preuve : deuxième partie : Pour montrer l’existence d’une probabilité de martingale lorsque le marché
est sans arbitrage, nous renvoyons le lecteur au livre de Lamberton et Lapeyre. 2

5.4 Marchés complets et non complets

On a vu que lorsqu’on modélise les actifs financiers par des m.a. CRR avec la condition d’abscence
d’opportunité d’arbitrage d < R < u, on peut construire, pour toute option européenne (T, ϕ(ST )),
un portefeuille autofinançant qui couvre l’option. On dit aussi de ce portefeuille qu’il duplique l’option
puisque son prix est, à chaque instant, égal à celui de l’option, ou bien que celle-ci est duplicable.
Définition : Si Φ est une v.a. FT -mesurable, on dit que Φ est duplicable s’il existe un portefeuille
autofinançant tel que VTπ = Φ.
Si l’on choisit d’autres modèles que des modèles CRR pour décrire les actifs présents sur le marché,
rien n’indique, à priori, que n’importe quelle option souscrite sur un de ces actifs, sera duplicable.
Définition : Un marché où toute option est duplicable s’appelle un marché complet. Sinon, on parle de
marché incomplet.
Une question naturelle se pose : comment calculer le prix d’une option (non nécessairement duplicable)
dans un marché incomplet ? La première règle est de se placer dans un marché sans arbitrage (on parle
de marché viable) et dans ce cas, le théorème précédent affirme l’existence d’au moins une probabilité
pour laquelle tous les actifs sont des martingales. On peut alors définir dans ce cas des prix de sur et sous
couverture (non uniques) et on pourra vérifier (deuxième théorème fondamental) que seuls les marchés
complets auront la propriété d’unicité du prix de couverture que nous avons rencontré dans le cas du
modèle CRR.
30 CHAPITRE 5. MARTINGALES, ARBITRAGE ET COMPLÉTUDE

Définition : Soit (Ft ) la filtration représentant l’information disponible du marché que l’on suppose
sans arbitrage. Un nombre x ∈ R est appelé un prix de surcouverture pour une v.a. Φ FT -mesurable (telle
que le pay off d’une option) s’il existe une stratégie α telle que

x + P &PT (α) ≥ Φ ; (5.4)

De même x est un prix de souscouverture pour Φ s’il existe une stratégie α telle que

x + P &PT (α) ≤ Φ. (5.5)

Proposition 5.6 Soit un modèle sans arbitrage, soit P∗ une probabilité pour laquelle tous les actifs sont
des martingales et soit Φ un pay off FT -mesurable. Alors pour tout prix de surcouverture x+ et tout prix
de souscouverture x− on a :
x− ≤ E∗ (Φ) ≤ x+ .

Preuve : Soit une stratégie de surcouverture α telle que x+ + P &PTS (α) ≥ Φ. Comme P∗ est une
probabilité de martingale, E∗ (P &PT (α)) = 0. Donc

E∗ (Φ) ≤ E∗ (x+ + P &PT (α)) ≤ x+ + E∗ (P &PT (α)) = x+ .

On montrerait que x− ≤ E∗ (Φ) de la même façon en utilisant cette fois une stratégie de sousconverture.
2
Ce résultat montre que tout prix de non arbitrage x∗ := E∗ (Φ) obtenu comme espérance du pay off
pour une probabilité de martingale est borné supérieurement par n’importe quel prix de surcouverture
et aussi borné inférieurement par n’importe quel prix de souscouverture. Posons :

x+
X := Min {x ∈ R, tel que x est un prix de surcouverture pour Φ}
x−
X := Max {x ∈ R, tel que x est un prix de souscouverture pour Φ}.

Nous venons de voir que x∗ ∈ [x− +

X , xX ] 6= ∅ ; cet intervalle est appelé l’intervalle des prix de non arbitrage.
Notons que, comme Ω et [0..T ]δt sont finis, le Max et le Min sont atteint, donc il existe des stratégies α+
et α− telles que x− − + +
X + P &PT (α ) ≤ Φ ≤ xX + P &PT (α ), et il existe ω
−
et ω + (possiblement égaux)
± S ± ± ±
tels que xX + P &LT (α )(ω ) = Φ(ω ).
Remarque : Dans l’exemple de Pliska, on avait (p∗− , p∗+ ) := ( 12 , 23 ). On peut ainsi vérifier que pour
un Call à la monnaie ϕ(ST ) := (ST − S0 )+ , on a x+ = E+ (ϕ(ST )) et x− = E− (ϕ(ST )), où E+ est
l’espérance par rapport à la probabilité p = p∗+ et de même pour E− . On calcule alors facilement
P &PT (α+ ) − ϕ(ST ) + x+ et P &LST (α− ) − ϕ(ST ) + x− .
Le théorème suivant est parfois appelé le deuxième théorème fondamental.

Théorème 5.7 Un marché sans arbitrage est complet si et seulement s’il n’existe qu’une seule probabilité
de martingale (et donc un seul prix).

Preuve : voir Lamberton Lapeyre page 19 et 20. 2

Remarque : Vendre une option à n’importe quel prix x > x+ permet de faire un arbitrage. En effet
il suffit de garder la prime x et d’appliquer une stratégie α+ . A l’instant final T on a P &LST (α+ )(ω) ≥
Φ(ω) − x+ , pour l’état du monde ω qui s’est réalisé. On paie alors Φ(ω) et on garde x, et on a donc
x + P &LST (α+ )(ω) − Φ(ω) ≥ x − x+ . Il reste au moins la quantité strictement positive x − x+ > 0 pour
un “free-lunch”.
On peut montrer comment obtenir de même un “free-lunch” en achetant une option de pay off Φ à
un prix x < x− .
Chapitre 6

Options américaines

Alors qu’une option européenne ne donne à son détenteur le droit d’exercer (et d’obtenir le pay-off)
qu’à un instant fixé T , l’option américaine correspondante lui donne ce droit à tout instant t ∈ [0..T ]δt :=
{0, δt, 2δt, . . . , T = nδt} compris entre 0 et T . Par exemple un call européen sur l’actif St rapportera
(ST − K)+ à la date T et le call américain sur le même actif sous-jacent rapportera, s’il est exercé à la
date t, le pay-off ϕ(St ) = (St − K)+ . Nous allons dans cette leçon apprendre à calculer le prix d’une
option américaine et au passage nous decouvrirons quelques beaux outils du calcul stochastique comme
le théorème d’arrêt optimal ou la décomposition de Doob-Meyer des surmartingales.

6.1 Calcul du prix par récurrence rétrograde

Comme précédemment, le processus (St ), défini pour tout t ∈ [0..T ]δt := {0, δt, 2δt, . . . , T = N δt},
représente l’évolution d’un actif financier au cours du temps, et on le suppose adapté par rapport à une
filtration (Ft ) qui représente l’information disponible à l’instant t. Désignons par Ut la valeur à l’instant
t d’une option américaine dont le pay-off est noté ϕ(St ) (s’il exerce son option à l’instant t, le détenteur
de l’option reçoit ϕ(St )). Comment évaluer son prix ?
On le détermine de proche en proche à partir de la valeur finale la valeur minimale d’un portefeuille
de couverture. Tout d’abord, si l’option n’a pas été exercée avant la date finale T , elle vaudra en t = T le
pay-off ϕ(ST ). A l’instant précédent t = T − δt, le vendeur devra pour se couvrir disposer d’une richesse
au moins égale au pay-off ϕ(ST −δt ), pour le cas où le détenteur de l’option l’exercerait à cette date, et
en même temps au moins égale à e−rδt E(ϕ(ST )/FT −δt ) qui est le prix d’un portefeuille de couverture lui
permettant de faire face à ses obligations à la date T si le détenteur ne vient pas exercer avant T . On
peut donc écrire pour le prix de l’option américaine en T − δt :

UT −δt = Max {ϕ(ST −δt ), e−rδt E(ϕ(ST )/FT −δt )} = Max {ϕ(ST −δt ), e−rδt E(UT /FT −δt )}

Mais on peut reproduire ce raisonnement pour l’instant t = T − 2δt, et ainsi de suite. On obtient ainsi la
relation de récurrence retrograde suivante :

Ut = Max ϕ(St ), e−rδt E(Ut+δt /Ft )
(6.1)
UT = PT

Dans le cas d’une option européenne, par exemple un Call, on déduit facilement de la relation de récurrence
Ct = e−rδt E(Ct+δt /Ft ) la formule fondamentale Ct = e−r(T −t) E(CT /Ft ) indiquant que la valeur de
l’option à l’instant t est l’espérance actualisée de son pay-off. Dans le cas d’une option américaine, on
ne déduit pas facilement de cette relation (A.2) la valeur de Ut directement comme une fonction de t et
du pay-off final ϕ(ST ) mais nous verrons qu’il existe néanmoins une formule fermée de ce type, quoique
moins explicite. Par contre, il est facile de programmer cette récurrence pour calculer la prime Ut à tout
instant t.
On ne sera pas surpris que l’option américaine soit plus chère, ou au moins aussi chère, que l’option
européenne correpondante puisqu’elle donne plus de droits. La différence entre les deux s’appelle la prime
d’exercice anticipé (early exercice premium). Dans quels cas a-t-on intérêt à exercer de façon anticipée
c’est-à-dire dans quels cas cette prime est-elle strictement positive ? Nous allons voir que ce n’est jamais
le cas pour un Call, sauf si l’actif sous-jacent distribue des dividendes et que par contre c’est généralement
le cas pour un Put, à moins de pouvoir supposer nul le taux d’intérêt r (ce qui ne serait pas très réaliste).

31
32 CHAPITRE 6. OPTIONS AMÉRICAINES

Proposition 6.1 En supposant que l’actif sous-jacent St ne distribue pas de dividende, le prix d’un Call
américain sur St est égal au prix du Call européen de même date et même prix d’exercice. Autrement
dit, la prime d’exercice anticipée est nulle.

Preuve : On déduit de (A.2) que pour tout t, Ut+δt ≥ ϕ(St+δt ). L’espérance conditionnelle et l’actual-
isation conservant cette inégalité, il en résulte que

e−rδt E(Ut+δt /Ft ) ≥ e−rδt E(ϕ(St+δt )/Ft ).

Comme ϕ(St ) = (St − K)+ est une fonction convexe de St , l’inégalité de Jensen1 implique que
+
e−rδt E(Ut+δt /Ft ) ≥ e−rδt E(St+δt /Ft ) − e−rδt K .

Mais comme la valeur actualisée de St est une martingale, e−rδt E(St+δt /Ft ) = St , et donc
+
e−rδt E(Ut+δt /Ft ) ≥ St − e−rδt K ≥ (St − K)+ = ϕ(St ),

la dernière inégalité résultant simplement du fait que −e−rδt ≥ −1. Des deux termes du maximum de
(A.2), le second reste, pourtout t, supérieur ou égal au premier. Il n’y a donc pas d’intérêt à exercer
l’option avant la date finale T . 2
On notera que si l’on remplace dans ce calcul le pay-off du Call (St − K)+ par celui du Put (K − St )+ ,
la dernière inégalité cesse d’être satisfaite dès que r > 0. Et, de fait, si l’exercice anticipé n’est jamais
intéressant dans le cas du Call, il l’est souvent dans celui du Put (sauf si r = 0), comme nous allons le
voir maintenant.

6.2 Théorème d’arrêt optimal

Rien dans la formule de récurrence (A.2) ne permet aisément au détenteur de l’option américaine de
savoir à quel moment un exercice anticipé pourrait être intéressant pour [Link] réalité, il existe une courbe
dans l’espace (t, St ) appelée la frontière d’exercice (voir la figure 6.1) qui a la propriété suivante : aussi
longtemps que le cours de l’actif sous-jacent St ne franchit pas cette courbe, un exercice anticipé n’est
pas intéressant (il est préférable de garder l’option) mais dès que le cours la franchit, il est intéressant
d’exercer et il est même préférable de le faire sans attendre. On ne sait pas calculer l’équation explicite
de cette courbe mais on peut en calculer des approximations plus ou moins facilement. D’un point de
vue théorique, on peut montrer que cette frontière d’exercice est le lieu d’un temps d’arret appelé temps
d’arret optimal. On a le théorème suivant :
Théorème 6.2 Si T (t, T ) désigne l’ensemble des temps d’arrêt à valeur dans [t..T ]δt , le prix à l’instant
t de l’option américaine de pay-off ϕ(St ) est donnée par

Ut = Max τ ∈T (t,T ) e−r(T −t) E(ϕ(Sτ )/Ft )

le maximum étant atteint pour le temps d’arrêt τt défini par

τt := Min {s ∈ [t..T ]δt , Us = ϕ(Ss )}.

Notons qu’en particulier, si on applique ce théorème au cas où t = 0, la prime d’une option américaine
U0 est égale à U0 = e−rT E(ϕ(Sτ0 ), où τ0 est le premier instant où le prix de l’option est égal au pay-off,
c’est-à-dire le premier instant où le maximum de la formule (A.2) est égal au premier des deux termes.
Plus précisément, tant que ce maximum est égal au second terme (espérance des valeurs futures), il n’est
pas intéressant d’exercer, mais au premier instant où le pay-off dépasse la valeur de la couverture, il
convient d’exercer.
Preuve : Pour simplifier, voici la preuve dans le cas particulier où t = 0 le cas général étant très
semblable.
On introduit la valeur actualisée de l’option américaine Ũt définie par Ũt = e−rt Ut et on considère
Ũt∧τ0 (ω) qui est égale à Ũt (ω) aussi lontemps que t < τ0 (ω) et à une constante Ũτ0 (ω) (ω) pour tout
1 pourϕ convexe, E(ϕ(X)) ≥ ϕ(E(X)), puisque l’hypergraphe de ϕ est convexe - observer comment sont localisés
E(X, ϕ(X)) et (E(X), ϕ(E(X)) ; dans notre contexte finitaire, E(Y |Ft )(ω) = E(Y |ω t ), où ω t désigne l’atome de ω dans
l’algèbre Ft .
6.3. STRATÉGIE DE COUVERTURE AVEC CONSOMMATION 33

140

135

130

125

120

115

110

105

100
0 100 200 300 400 500 600 700 800 900

Fig. 6.1 – Tracé de la frontière d’exercice du put américain à la monnaie dans un modèle de Cox, Ross
et Rubinstein avec σ = 0.4, r = 0.05, T = 1, et n = 900.

t ≥ τ0 (ω). Cette marche est appelée la marche Ũ arrêtée au temps τ0 . Nous allons vérifier que cette
marche est une Ft -martingale : par définition de τ0 , comme 1 = It<τ0 + It≥τ0 et ces deux indicatrices
étant Ft mesurable, puisque τ0 est un F-temps d’arrêt, on a

E(Ũ(t−δt)∧τ0 − Ũt∧τ0 /Ft ) = It<τ0 E(Ũ(t−δt)∧τ0 − Ũt∧τ0 /Ft ) + It≥τ0 E(Ũ(t−δt)∧τ0 − Ũt∧τ0 /Ft )
= E(It<τ0 (Ũ(t−δt)∧τ0 − Ũt∧τ0 )/Ft ) + E(It≥τ0 (Ũ(t−δt)∧τ0 − Ũt∧τ0 )/Ft )
= E(It<τ0 (Ũt−δt − Ũt )/Ft ) + E(It≥τ0 (Ũτ0 − Ũτ0 )/Ft ).

Or sur {t < τ0 }, Ũt−δt = E(Ũt /Ft−δt ) d’après (A.2) et donc le premier terme est nul. C’est évidemment
le cas aussi du second donc Ũt∧τ0 est bien une martingale.
Il en résulte que Ũ0∧τ0 = E(ŨT ∧τ0 ) et donc que l’on a bien U0 = E(ϕ(Sτ0 )).
Il reste a vérifier que pour tout temps d’arrêt τ ∈ T (t, T ), E(ϕ(Sτ0 )) ≥ E(ϕ(Sτ )). On a bien en effet

E(ϕ(Sτ0 )) = U0 ≥ E(Ut∧τ ) = E(Uτ ) ≥ E(ϕ(Sτ ))

la première inégalité résultant du fait qu’une surmartingale arrêtée (ici il s’agit de Ũt∧τ ) est encore une
surmartingale (exercice) et la seconde du fait que pour tout t on a Ut ≥ ϕ(St ) d’après (A.2). 2

^
Remarque : Si l’on désigne comme nous l’avons fait pour Ut , par ϕ(S t ) le pay-off actualisé, la formule
(A.2) peut s’écrire plus simplement

^
Ũt = max{ϕ(S t ), E(Ũt+δt /Ft )}.

On peut alors vérifier que Ũt est une surmartingale, et plus précisément que cette formule la définit comme
^
la plus petite surmartingale qui majore le pay-off actualisé ϕ(S t ). C’est ce que l’on appelle l’enveloppe de
^
Snell de ce pay-off actualisé ϕ(St ).
Le théorème précédent est en fait un théorème général qui permet d’exprimer toute enveloppe de
Snell comme une martingale obtenue en arrêtant de façon appropriée la surmartingale constituée par
cette enveloppe de Snell.

6.3 Stratégie de couverture avec consommation

Nous avons justifié la définition par récurrence retrograde du prix de l’option américaine en indiquant
qu’avec cette valeur le vendeur de l’option pouvait se couvrir dans tous les cas, que le détenteur exerce
de façon anticipé ou non. Mais comme nous allons le voir maintenant il ne s’agit plus ici, comme dans le
cas européen, d’une couverture exacte car autofinancée mais plutot d’une surcouverture encore appelée
couverture avec consommation. En effet, tant que la frontière d’exercice n’a pas été franchie, la prime
U0 , investie dans un portefeuille de couverture, gérée de façon dynamique comme pour la couverture
d’une option européenne, fournit une couverture exacte en ce sens que la valeur du portefeuille à chaque
instant est exactement égale à la valeur de l’option américaine. Une fois la frontière d’exercice franchie
(si cela a lieu), il y a deux possibilités. Soit le détenteur de l’option l’exerce, il recupère le pay-off et
l’option cesse d’exister. Soit il n’exerce pas (il n’a pas noté le franchissement de la frontière d’exercice,
ou il a mieux à faire) et dans ce cas le vendeur peut constituer son portefeuille de couverture à un prix
strictement inférieur au pay-off et réalise un gain aux dépens du détenteur négligeant. Ce “revenu” durera
34 CHAPITRE 6. OPTIONS AMÉRICAINES

aussi longtemps que le prix de l’action restera inférieur à la “frontière d’exercice” et que le détenteur de
l’option n’exerce pas son droit, rapportant une richesse strictement positive que l’on désigne sous le nom
de consommation et qui restera acquise au vendeur de l’option.
La couverture d’une option américaine est donc une surconverture qui peut soit être une simple
couverture (exacte) soit générer une consommation, selon les cas.
Il y a une façon simple et élégante de formaliser cette situation au moyen d’un résultat connu sous le
nom de Décomposition de Doob-Meyer.

Théorème 6.3 Soit Ũt une Ft -surmartingale. Il existe une marche aléatoire At croissante et prévisible
(c’est-à-dire telle que pour tout t At soit Ft−δt -mesurable) telle que

Ũt = Mt − At

où Mt est une Ft -martingale. Cette décomposition de Ũt s’appelle sa décomposition de Doob-Meyer.

Preuve : La démonstration de ce théorème est particulièrement simple dans le cas discret où nous nous
plaçons ici. On définit les deux marches At et Mt de la façon suivante :

A0 := 0 At+δt := At + E(Ũt − Ũt+δt /Ft )

M0 := 0 Mt+δt := Mt + Ũt+δt − E(Ũt+δt /Ft )

Puis on vérifie qu’elles satisfont les propriétés annoncées. Tout d’abord At est croissante car Ũt est une
surmartingale, et est prévisible par construction. D’autre part on a :

E(Mt+δt − Mt /Ft ) = E(Ũt+δt /Ft ) − E(E(Ũt+δt /Ft )/Ft ) = 0

en appliquant simplement la linéarité et la transitivité de l’espérance conditionnelle. D’où le fait que Mt

soit une Ft -martingale. 2
Dans le théorème suivant, on note, pour simplifier, Zt le pay-off actualisé de l’option américaine.
Théorème 6.4 Soit Zt un processus adapté à Ft et soit Ũt son enveloppe de Snell. Soit Ũt = Mt − At
la décomposition de Doob-Meyer de Ũt . Alors le temps d’arrêt optimal τ0 défini par τ0 = Min {s ∈
[0..T ]δt , Us = Zs } est égal au temps d’arrêt τA = Min {s ∈ [0..T ]δt , As+δt 6= 0} si AT 6= 0 et τ0 = T
sinon.
Ce théorème affirme donc que le temps d’arrêt optimal, c’est à dire l’instant d’exercice optimal pour le
détenteur, est le premier instant où le processus croissant At cesse d’être nul. Ce processus apparaı̂t donc
comme représentant précisément la consommation. En effet, dès que la frontière d’exercice est franchie, si
le détenteur n’exerce pas l’option, la valeur de l’option cesse d’être la valeur d’un portefeuille autofinancé
et commence à générer une consommation égale au processus croissant At . C’est cette consommation
qui fait de l’option américaine une surmartingale (et non une martingale comme l’option européenne)
et du portefeuille de couverture une sur couverture (et non une couverture exacte comme pour l’option
européenne).
Preuve : La preuve montre successivement que τA ≥ τ0 et que τA ≤ τ0 .
– Soit t ∈ [0..T ]δt . Sur {τA = t}, At = 0 et At+δt 6= 0. Donc Ũt = Mt − At = Mt et Ũt+δt =
Mt+δt − At+δt < Mt+δt . Donc

E(Ũt+δt /Ft ) < E(Mt+δt /Ft ) = Mt = Ũt .

Comme Ũt = Max {Zt , E(Ũt+δt /Ft )}, ceci entraine que Ũt = Zt . Donc, par définition de τ0 , τA ≥ τ0 .
– Soit s ∈ [0..T ]δt . Sur {τ0 = s + δt}, Ũs+δt = Zs+δt et Ũs > Zs . Donc, comme At est prévisible,

Ũs = E(Ũs+δt /Fs ) = E(Ms+δt − As+δt /Fs ) = Ms − As+δt = Ũs + As − As+δt

Donc As+δt = As , d’où τA ≤ τ0 .

2
Chapitre 7

Options barrières

Dans cette leçon, on va étudier l’exemple le plus simple d’option exotique, c’est-à-dire d’option dont la
valeur n’est pas seulement fonction des valeurs atteintes par l’actif sous-jacent à l’échéance mais aussi de
toutes les valeurs qu’il prend pendant la durée du contrat. De telles options s’appellent aussi des options
dépendant du chemin. L’étude des options barrières sera aussi l’occasion de rencontrer la notion de temps
d’arret et surtout le joli principe de réflexion d’André.

7.1 Définitions et exemples

Une option barrière (T, ϕ(ST ), L) est une produit dérivé sur un actif sous-jacent (St )t∈T pour lequel
le versement de la fonction de paiment ϕ(ST ) à l’échéance T est soumis au fait que l’actif sous-jacent ait
franchi ou non, durant la durée de vie du contrat, vers le haut ou vers le bas, une barrière L donnée. Il
existe une grande variété d’option barrière ; on peut ranger les plus courantes en deux catégories :
– les knock-out : l’option expire automatiquement lorsque le sous-jacent touche la barrière.
– les knock-in : l’option n’est activée que si le sous-jacent touche la barrière.
Par ailleurs, ces options s’appellent put, call, options binaires, etc, . . ., selon que ϕ(S) = (K − S)+ ,
ϕ(S) = (S − K)+ , ϕ(S) = IS>K , etc,. . .. Voici quelques exemples :
– Un down and out call (DOC) de prix d’exercice K, d’échéance T et de barrière L est le droit
d’acheter l’actif sous-jacent au prix K à la date T si celui-ci n’est jamais descendu en dessous de L
pendant la durée de vie du contrat.
– Un down and in put (DIP) de prix d’exercice K, d’échéance T et de barrière L est le droit de vendre
l’actif sous-jacent au prix K à la date T seulement si celui-ci est descendu en dessous de L pendant
la durée de vie du contrat.
– Un up and out put (UOP) de prix d’exercice K, d’échéance T et de barrière L est le droit de vendre
l’actif sous-jacent au prix K à la date T si celui-ci n’a jamais dépassé le niveau L pendant la durée
de vie du contrat.
Il existe de même des options DIC, UIC, UIP, DOP et UOC, mais aussi des options avec doubles
barrières et bien d’autres. Souvent le contrat prévoit une rebate, somme payée en cash, dans le cas où
l’option est out.
Le principal intérêt des options barrières est qu’elles sont moins chères que les options ordinaires
correspondantes, environs quatre fois moins chères, car elles laissent à l’acheteur, et d’ailleurs aussi au
vendeur, un risque résiduel. Par exemple pour une option DIC, la couverture qu’un call offre par rapport
à une envolée du cours du sous-jacent est tout simplement perdue dans le cas où celui-ci n’a pas franchi
la barrière. Mais ce risque est jugé suffisamment improbable par celui qui accepte de le prendre ou bien il
considère que ses conséquences sont acceptables au regard de l’économie qu’il procure. Pour le vendeur,
l’un des intérêt est que, comme les options barrières se négocient uniquement de gré à gré (et non sur les
marchés organisés comme c’est le cas pour les put et les call ordinaires), il peut prendre en général des
marges plus élévées car le marché des produits OTC (over the counter) est moins tendu.
A titre d’exemple, considérons une entreprise qui va recevoir dans 6 mois en Euros des revenus perçus
en Yen et qui craint qu’une dépréciation du Yen par rapport à l’Euro dans les mois à venir vienne mettre
en péril le niveau de ces revenus. Elle peut acheter un put à 6 mois qui lui donnera le droit de vendre
des Yens en Euros à un prix fixé, par exemple égal au cours actuel. Mais si l’entreprise achète une option
DIP, avec une barrière L peu inférieure au prix d’exercice K, cela lui en coûtera bien moins chère et cela
lui assurera la même couverture contre une dépréciation du Yen, sauf dans le cas où à aucun moment

35
36 CHAPITRE 7. OPTIONS BARRIÈRES

donné durant ces 6 mois, le cours ne descend en dessous de L. Mais ce cas correspond à une situation où
la dépréciation redoutée est restée très limitée et le risque résiduel peut donc être jugé sans gravité.
Ce sont des situations de ce type qui conduisent au développement du marché des options barrières ;
celles-ci constituent plus de 10% de l’activité sur le marché des changes par exemple.

7.2 Mesurabilité et temps d’arrêt

Rappelons que si (Ω, P, F) est un espace probabilisé, T une sous tribu de F, on dit qu’une v.a.
X : Ω → R est mesurable par rapport à T , ou qu’elle est T -mesurable, si pour tout x ∈ R, {X ≤ x} ∈ T .
Il est clair que si T = {o /, Ω}, une v.a. T -mesurable est nécessairement constante et si A étant une partie
de Ω, T = {o /, A, Ac , Ω}, une v.a. T -mesurable aura au plus deux valeurs. Plus généralement, on a la
proposition suivante :

Proposition 7.1 Lorsque (Ω, P, F) est un espace probabilisé fini et T une sous tribu de F, une v.a. est
T -mesurable si et seulement si elle est constante sur les atomes de la tribu T .

Il est aussi utile de connaı̂tre la notion de tribu engendrée par une v.a. dont nous rappelons la
définition :
Définition : Si X : Ω → R est une v.a. sur (Ω, P, F), on appelle tribu engendrée par X, notée σ(X), la
plus petite sous tribu de F par rapport à laquelle X est mesurable. Plus généralement si X1 , X2 , . . ., Xm
est une suite de v.a. sur (Ω, P, F), la tribu engendrée par cette suite de v.a., notée σ(X1 , X2 , . . . , Xm ) est
la plus petite sous tribu de F par rapport à laquelle toutes les v.a. Xi , i = 1, . . . , m, sont mesurables.

Exemple : On a vu qu’on peut associer à toute marche aléatoire (Xt )t∈T une filtration (Ft )t∈T telle
que, pour un t ∈ T donné, les atomes de Ft sont formés des états du monde ω ∈ Ω dont les trajectoires
X(ω) coı̈ncident jusqu’à l’instant t. On se convainc facilement que les v.a. Xt sont Ft -mesurables et aussi
Fs -mesurable pour tout s ≥ t mais Xt n’est généralement pas Fs -mesurable pour s < t. Intuitivement
la propriété d’être Ft -mesurable pour une v.a. sur Ω signifie simplement, Ft représentant l’information
dont on dispose à l’instant t, que cette v.a. ne dépend que de l’information dont on dispose à cet instant
ou plus simplement qu’elle est connue à l’instant t, mais qu’elle ne peut pas prévoir l’avenir, c’est-à-dire
distinguer (en leur donnant des valeurs différentes) deux trajectoires qui coı̈ncident jusqu’à l’instant t
mais ne coı̈ncideraient plus au dela.
En particulier il est facile de voir que si (Ft )t∈T est la filtration associée à une m.a. (St )t∈R de Cox-
Ross-Rubinstein, ST est une v.a. FT -mesurable de même que toute v.a. de la forme ϕ(ST ) où ϕ est une
fonction (déterministe) de R dans R.
Remarque : Il y a un point un peu subtile qu’il est important de noter ici : pour une marche aléatoire
(Xt )t∈T , les deux tribus Ft et σ(Xt ) ne sont pas égales. La première représente l’information dont on
dispose jusqu’à l’instant t et la seconde l’information dont on dispose à l’instant t. En réalité on a
Ft = σ(X0 , Xδt , . . . , Xt−δt , Xt ) et donc σ(Xt ) ⊂ Ft mais cette inclusion est stricte. Une v.a. qui est Ft -
mesurable, donne donc nécessairement la même valeur à deux états du monde pour lesquels Xt coı̈ncide
jusqu’à l’instant t et donc, en particulier la même valeur pour deux états du monde pour lesquels Xt
coı̈ncide à l’instant t, alors qu’une v.a. σ(Xt )-mesurable donne la même valeur à deux états du monde
pour lesquels Xt coı̈ncide à l’instant t, mais pas nécessairement la même valeur à deux états du monde
pour lesquels Xt coı̈ncide à l’instant t mais pas à un instant antérieur.

La notion de temps d’arrêt formalise l’idée d’un instant où quelque chose se produit, par exemple le
passage d’une barrière, sans que cela ait lieu nécessairement au même instant sur toutes les trajectoires :
en ce sens c’est une temps aléatoire puisque sa valeur dépend de l’état du monde.
Définition : Si (Ω, P, F) est un espace probabilisé et (Ft )t∈T une filtration, une v.a. τ : Ω → T est un
temps d’arrêt si et seulement si pour tout t ∈ T, {τ = t} ∈ Ft .
On peut vérifier que la condition “pour tout t ∈ T, {τ ≤ t} ∈ Ft ” est équivalente à la précédente.
L’exemple suivant est l’un des exemples de temps d’arrêt les plus utilisés :
Exemple : Soit (Xt )t∈T une m.a. sur (Ω, P, F), (Ft )t∈T sa filtration associée et A ⊆ R un sous
ensemble quelconque. La v.a. suivante qui représente le premier instant d’entrée d’une trajectoire dans le
sous ensemble A est un temps d’arrêt :

Min {t ∈ T, Xt (ω) ∈ A} si {t ∈ T, Xt (ω) ∈ A} = 6 o
/
τ (ω) :=
T +1 sinon
7.3. CALCUL DU PRIX D’UNE OPTION DIC 37

Par contre on voit facilement que la v.a. suivante n’est pas un temps d’arrêt :

Max {t ∈ T, Xt (ω) ∈ A} si {t ∈ T, Xt (ω) ∈ A} =
6 o
/
θ(ω) :=
T +1 sinon

La caractérisation suivante des temps d’arrêt est souvent très utile :

Proposition 7.2 Si (Xt )t∈T est une m.a. sur (Ω, P, F), et (Ft )t∈T la filtration associée, une v.a. τ est
un temps d’arrêt si et seulement si

t
[τ (ω) = t et ω 0 ∼ ω] ⇒ τ (ω 0 ) = t

En utilisant cette caractérisation, on montre par exemple que si τ et τ 0 sont deux temps d’arrêt alors
τ ∧ τ 0 := Min (τ, τ 0 ) est encore un temps d’arrêt, de même que τ + c, où c est une constante.

7.3 Calcul du prix d’une option DIC

Pour calculer le prix d’une DIC, nous allons supposer comme précédemment que l’actif sous-jacent
suit un modèle CRR mais nous choisissons cette fois un taux d’escompte r = 0 pour simplifier.

Définition : Soit (St )t∈T une m.a. CRR sur (Ω, P, F) et soit L > 0. La v.a. suivante est un temps d’arrêt
pour la filtration (Ft ) associée :

Min {t ∈ T, St (ω) ≤ L} si {t ∈ T, St (ω) ≤ L} =
6 o
/
τL (ω) :=
T +1 sinon

Si St (ω) est la trajectoire correspondant à l’état du monde ω, τL (ω) désigne donc le premier instant qui
suit le franchissement de la barrière L si cet instant précède T et il vaut T si la trajectoire ne franchit pas
la barrière avant T . On vérifie facilement qu’il s’agit bien d’un temps d’arrêt en utilisant la caractérisation
donnée par la proposition 7.2.
Ce temps d’arrêt permet d’exprimer par une formule la valeur à l’échéance ou payoff d’une option
DIC :

Définition : Une down and in call (DIC) de prix d’exercice K, d’échéance T et de barrière L souscrite
sur un actif modélisé par une m.a. CRR (St ) a pour valeur à l’échéance :

ψT = (ST − K)+ IτL ≤T

où IτL ≤T est la v.a. sur Ω qui vaut 1 si τL ≤ T et 0 sinon.

On a vu lors des leçons précédentes comment calculer le prix d’une option (T, ϕ(ST )) sur un sous-
jacent (St )t∈T de type CRR : c’est la formule fondamentale (proposition 4.3). Dans ce cas le payoff ϕ(ST )
est une v.a. ST -mesurable c’est-à-dire que ϕ(ST ) est connu dès qu’on connaı̂t la valeur atteinte par (St )
en t = T . Dans le cas d’une option barrière, la valeur atteinte par (St ) en t = T ne suffit pas pour
calculer le payoff, il faut en plus connaı̂tre la trajectoire suivie par St entre t = 0 et t = T puisqu’il faut
savoir si celle-ci a franchi la barrière ou non. Cela sigifie que la valeur de l’option à l’échéance n’est plus
σ(ST )-mesurable mais bien FT -mesurable. Rappelons la formule fondamentale :

Proposition 7.3 Dans un marché financier (St , Bt )t∈T où St suit un modèle CRR, en supposant le taux
d’escompte nul, le prix à l’instant t = 0 d’une option (T, ψT ), où ψT est FT -mesurable, est donnée par
ψ0 = E(ψT ), c’est-à-dire qu’il est égal à l’espérance, sous la probabilité risque neutre, de sa fonction de
paiement. En particulier, le prix d’une DIC est E((ST − K)+ IτL ≤T )

La preuve de cette proposition consiste simplement à appliquer le théorème 4.4 en utilisant la FT -

mesurabilité du payoff.
Il reste cependant à calculer l’espérance E((ST − K)+ IτL ≤T ). C’est pour faire cela qu’on utilise le
principe de symétrie d’André.
38 CHAPITRE 7. OPTIONS BARRIÈRES

J-point

k-point

So
L
line of L-points end point

of this line of L-points

Fig. 7.1 – La ligne des L-points est la ligne de noeuds de l’arbre située sur ou immédiatement en-dessous
de la barrière d’ordonnée L. Elle a pour ordonnée S0 uJ−n où le nombre J défini par 7.1 a un sens
intéressant : c’est le nombre maximal de up que peut présenter à l’instant final une trajectoire qui a
franchi la barrière. Parmi ces trajectoires, celle qui aboutit (pour i = n) au point le plus élevé, noté
J-point sur la figure, commence par n − J down, pour atteindre la ligne de L-points, puis ne présente
plus que des up.

7.4 Evaluation par le principe d’André

Pour évaluer cette espérance et donc l’exprimer comme une somme finie, on va utiliser le principe
de symétrie d’André qui permet de calculer le nombre de trajectoires d’une marche binomiale qui at-
teignent un niveau terminal donné en ayant franchi une barrière fixée. Ce principe classique est lié au
problème combinatoire appelé The Ballot problem et son utilisation pour l’évaluation d’options barrières,
maintenant classique, est joliment exposée par exemple dans [12].
Il est utile de faire l’hypothèse supplémentaire suivante sur le modèle du sous-jacent : supposer que
d = 1/u. Les valeurs prises par St lorsque t = nδt s’écrivent alors St = S0 u2j−n et, en fait, cette
hypothèse entraine que les noeuds de l’arbre sont alignés horizontalement. Le niveau de la barrière L se
trouve alors située entre deux lignes (horizontales) de noeuds de l’arbre. On attache son attention à la
ligne de noeuds située immédiatement en dessous de L puisque toute trajectoire qui franchit la barrière
passe nécessairement par l’un des noeuds de cette ligne de noeuds. Elle a pour ordonnée S0 uJ−n , où J
est le plus grand entier m ∈ {0, . . . , n} tel que S0 um−n ≤ L, qui vaut (voir figure 7.1)
" # " L #
ln SL0 ln S0
J := n + =n+ (7.1)
ln u ln u

où [z] désigne la partie entière de z, c’est-à-dire le plus grand entier relatif inférieur au nombre z. En fait,
il y a deux cas de figure : soit le point le plus à droite de cette ligne de noeuds, notée end point sur la
figure, est un point d’abscisse T = nδt et son ordonnée s’écrit S0 ul dn−l = S0 uJ−n , pour un J = 2l pair,
soit son extrémité est un point d’abscisse T −δt = (n−1)δt et son ordonnée s’écrit S0 ul d(n−1)−l = S0 uJ−n
pour un J = 2l + 1 impair. A noter que dans les deux cas, l’entier l (qui vaut J/2 ou (J − 1)/2 selon la
parité de J) est défini par " #
n ln SL0
l := + . (7.2)
2 2 ln u

Le principe de symétrie d’André, illustré par la figure 7.2 (dans le cas où la ligne de noeuds située
immédiatement sous la barrière a pour extrémité un point d’abscisse T = nδt (cas où J est pair)) consiste
en la remarque suivante : le nombre de trajectoires issues de O qui atteignent le niveau j en t = T , en
ayant franchi la barrière, est égal au nombre de trajectoires issues du point O0 , symétrique de O par
7.4. EVALUATION PAR LE PRINCIPE D’ANDRÉ 39

2 2

2
2
2
2

2
2 !
2
2
O 2
2
2 2
2 2
2 2
2 2
2
2 2 2
2
2
2 2
2
S0 uj dn j
2
2
2
2
2

2 2 2
2
2 2
2
2 2
2 L
S0 ul dn l

2
2
2
2
2

2 2
2

2
O 05

2

!
5
5 0
5
5
5
5
5
5
5

_ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _
0 Æt 2Æt nÆt

Fig. 7.2 – Illustration du principe de symétrie d’André dans le cas où J = 2l est pair.

rapport à la ligne de noeuds située immédiatement sous la barrière, et qui atteignent ce même niveau.
Comme j représente le nombre de up d’une trajectoire issue de O (et n − j le nombre de down), on vérifie
sans mal que si une trajectoire notée ω a j up, sa symétrique notée ω 0 en aura j 0 avec j 0 = j +n−J. Donc,
si J/2 ≤ j ≤ J, le nombre de trajectoires cherché est (nj+n−J ), ce qui s’écrit encore (nJ−j ). Par ailleurs on
voit immédiatement que si le niveau terminal j est tel que 0 ≤ j ≤ J/2, toute trajectoire issue de O doit
franchir la barrière pour atteindre ce niveau (donc le nombre de trajectoires cherché est simplement (nj )),
et enfin si j > J aucune trajectoire issue de O0 ne peut atteindre ce niveau.
D’où le lemme 7.4 suivant dans le cas où J est pair. Dans le cas où J = 2l + 1 est impair (cas non
représenté sur la figure), on retrouve les mêmes formules. En effet le nombre de trajectoires issues de O
qui atteignent le niveau j à l’instant final t = nδt, en ayant franchi la barrière, est égal à la somme du
nombre de trajectoires ayant atteint le niveau j − 1 à l’instant précédent t = (n − 1)δt (en ayant franchi la
barrière) et de trajectoires ayant atteint le niveau j à l’instant précédent t = (n − 1)δt (en ayant franchi
la barrière). Donc ce nombre est la somme (n−1 n−1 n
j+n−1−J ) + (j+n−J ), soit encore (J−j ) :

Lemme 7.4 Soient n ∈ N et J ∈ N avec 0 ≤ J ≤ n. Le nombre de trajectoires de la marche aléatoire

binaire (St )t∈T telles que Snδt = S0 u2j−n (c’est-à-dire qui atteignent l’ordonnée S0 u2j−n à l’instant
t = nδt) en ayant franchi la ligne de noeuds d’ordonnée S0 uJ−n à un instant quelconque entre t = 0 et
t = nδt est égal à :


 0 si J < j ≤ n


 n
si J/2 ≤ j ≤ J
A(j, J) =
 − j
J

 n

 si 0 ≤ j ≤ J/2
j

La preuve de ce lemme combinatoire est laissée en exercice. On en déduit le théorème suivant qui
donne le prix d’une option DIC à l’instant initial comme une somme finie. On verra que cette somme n’a
pas la même forme selon que L ≤ K ou que K ≤ L. Par ailleurs, comme le prix de l’option dépend du
niveau de son prix d’exercice K, il convient aussi de repérer K, tout comme L, par rapport aux noeuds
de l’arbre. Pour cela on introduit l’entier k qui correspond à la ligne de noeuds de l’arbre, ayant une
extrémité d’abscisse nδt, située immédiatement au dessus du prix d’exercice K :
# "
n ln SK0
k= + + 1. (7.3)
2 2 ln u
40 CHAPITRE 7. OPTIONS BARRIÈRES

Théorème 7.5 Une down and in call (DIC) de prix d’exercice K, d’échéance T et de barrière L souscrite
sur un actif modélisé par une m.a. (St ) a pour valeur initiale :
· dans le cas où L ≤ K :
J
X
−rT n
DIC0 = e pj (1 − p)n−j (S0 u2j−n − K). (7.4)
J −j
j=k

· dans le cas où K ≤ L :

 
X l J
X 
n n
DIC0 = e−rT pj (1 − p)n−j (S0 u2j−n − K) + pj (1 − p)n−j (S0 u2j−n − K) .
 j J −j 
j=k j=l+1
(7.5)

Preuve : Notons S(j) le nombre S(j) := S0 u2j−n . On a par définition :

DIC0 = e−rT E((ST − K)+ IτL ≤T )

 
j=n
X j=n
X
= e−rT  P {ST = S(j), τL ≤ T }(S(j) − K)+ + P {ST = S(j), τL > T }(0)
j=0 j=0

et donc, en introduisant l’entier k défini en (7.3) :

j=n
X
DIC0 = e−rT P {ST = S(j), τL ≤ T }(S(j) − K).
j=k

Mais toutes les trajectoires aboutissant au niveau j ont la même probabilité pj (1−p)n−j , et le nombre
d’entre elles qui atteignent les noeuds en question est égal à A(j, J), comme cela a été établi au lemme
7.4. Donc

P (ST = sj , τL ≤ T ) = pj (1 − p)n−j A(j, J) (7.6)



 0 if J < j ≤ n


 n
pj (1 − p)n−j if J/2 ≤ j ≤ J
= J − j (7.7)



 n
 pj (1 − p)n−j if 0 ≤ j ≤ J/2
j

d’où les formules (7.4) et (7.5) selon que L ≤ K ou que K ≤ L. 2

Remarque : Notons qu’on peut bien entendu établir, toujours à l’aide du même lemme, des formules
analogues à celles du théorème 7.5 pour chacune des autres options barrière (voir l’article par F. Diener
et E. Bagge intitulé Calcul des asymptotiques des options barrières à
http ://[Link]/Bibliotheque/[Link]).
Chapitre 8

Black-Scholes comme limite de CRR

Si l’on se pose la question de savoir si l’on a déjà vu une formule de mathématique publiée dans un
journal grand public, on réalise que la réponse est très probablement “non” (on pense éventuellement à
E = mc2 mais c’est une formule de physique). Pourtant en 1997, lorsque Black, Scholes et Merton reçurent
le prix Nobel d’économie, la formule, connue aujourd’hui sous le nom de formule de Black-Scholes, fit la
une du New York Times, signe de l’importance qu’elle avait (et a encore) pour le monde de la finance.

8.1 La formule de Black-Scholes

Voici cette formule dans le cas d’un Call (Européen) :
Z d1 Z d2
1 2
− y2 −rT 1 y2
C0 = S0 √ e dy − Ke √ e− 2 dy (8.1)
2π −∞ 2π −∞
S0 2 S0 2
ln( )+(r+ σ )T ln( )+(r− σ )T
où d1 = K √
σ T
2
et d2 = K √
σ T
2
.
Elle donne le prix à l’instant initial (la prime) d’un Call Européen de date d’exercice T et de prix
d’exercice K sur un actif sous jacent de prix initial S0 , de volatilité σ, sachant
√ que le taux sans risque
est r. On notera que d1 et d2 sont des constantes qui vérifient d2 = d1 − σ T . Cette formule permet de
calculer la prime du Call dès lors qu’on se donne les constantes T , K, S0 , σ et r dont elle dépend.
On la réécrit souvent en utilisant la fonction de répartition de la loi normale centrée réduite
Z x
1 y2
N (x) = √ e− 2 dy.
2π −∞

Elle s’écrit alors plus simplement C0 = S0 N (d1 ) − Ke−rT N (d2 ).

La formule correspondante pour une option Put (Européen) de mêmes paramètres est

P0 = Ke−rT N (−d2 ) − S0 N (−d1 ). (8.2)

A partir de ces deux expressions de prix de Call et de Put, on peut vérifier là encore la relation de parité
Call-Put en utilisant les propriétés de symétrie de la loi normale, plus précisément en utilisant que l’on
a N (x) + N (−x) = 1 pour tout x.

8.2 Limite du prix CRR

On a vu que dans un modèle Cox, Ross et Rubinstein, la prime d’un Put (Européen), tout comme
celle d’un Call, est égale à l’espérance, sous la probabilité risque neutre, du payoff actualisé :

P0 (n) = e−rT Eϕ(ST )

où ϕ désigne ce payoff qui, dans le cas du Put, vaut ϕ(S) = (K − S)+ . Cette formule CRR permet, tout
comme la formule de Black-Scholes, de calculer la prime du Put dès que l’on s’est donné les constantes
T , K, S0 , σ et r. La principale différence est que le prix dépend cette fois, en plus de ces constantes, du
nombre n de pas de discrétisation de l’intervalle [0, T ]. D’où la notation adoptée à présent, P0 (n). L’objet

41
42 CHAPITRE 8. BLACK-SCHOLES COMME LIMITE DE CRR

de ce paragraphe est de montrer que, lorsque n tend vers l’infini, la limite de P0 (n) existe et qu’elle est
précisément égale au prix Black-Scholes (formule (8.2)), c’est-à-dire de montrer que

lim e−rT E((K − ST )+ ) = Ke−rT N (−d2 ) − S0 N (−d1 ). (8.3)

n→+∞

L’équivalent, c’est-à-dire limn→+∞ e−rT E((ST − K)+ ) = S0 N (d1 ) − Ke−rT N (d2 ) est vrai aussi dans le
cas d’un Call et découlera du cas du Put en appliquant la relation de parité Call-Put. Le choix que nous
faisons d’étudier ce passage à la limite dans le cas du Put apparaı̂tra plus loin.
Désignons par Z une v.a. prenant les deux valeurs −1 et +1 avec les probabilitéss √
1 − p et p √
respec-
tivement, où p est la probabilité risque neutre (égale à R−d
u−d , où R = erδt
, u = eσ δt
et d = e−σ δt
). A
T
noter que dans ce cas la loi de Z dépend de n puisque δt = n est fonction de n. On peut alors réécrire
dans le modèle CRR la v.a. ST , donnant le prix en t = T de l’actif sous-jacent, de la façon suivante :
étant donnée une suite de v.a. Z1 , Z2 , ...Zn indépendantes et ayant la même loi que Z, ST est égal à
√ √ √ √
ST = S0 eZ1 σ δt Z2 σ δt
e , . . . , eZ n σ δt
= S0 eσ T Z̃n

Pn √
où Z̃n la v.a. Z̃n = √1n i=1 Zn . Donc si l’on pose f (z) = (K −S0 eσ T z )+ , la limite que l’on veut calculer
limn→+∞ e−rT E((K − ST )+ ) s’écrit simplement

lim e−rT E((K − ST )+ ) = lim e−rT E(f (Z̃n )). (8.4)

n→+∞ n→+∞

où f est la fonction définie précédemment qui est à la fois continue et bornée. Nous allons voir que cette
dernière propriété de f est importante et on peut noter qu’elle ne serait plus vraie pour un Call (puisque
dans ce cas le payoff n’est pas borné).
On a le résultat suivant :
Proposition 8.1 Soient T , r, σ des constantes strictement positives, δt = Tn , et R, d et u les quantités
√ √
R = erδt , d = e−σ δt et u = eσ δt . Soit Z1 , Z2 , ...Zn une suite de v.a. indépendantes prenant deux
valeurs −1 et +1 avec les probabilités 1 − p et p respectivement où p est la fonction de n donnée par
Pn √
σ2
p = R−d
u−d . Alors la suite Z̃n = √1
n i=1 Zi converge en loi vers une v.a. de la forme T
σ (r − 2 ) + Z̃, où
Z̃ suit une loi normale centrée et réduite.
Rappelons que, par définition, une suite de v.a. Z̃n converge en loi vers Z̃ si et seulement si, pour
toute fonction f continue et bornée, on a limn→+∞ E(f (Z̃n )) = E(f (Z̃)). C’est cette caractéristique qui
explique le choix du Put plutôt que celui du Call pour établir la convergence du prix CRR vers le prix
BS.
Preuve : Mais nous n’allons pas utiliser cette définition de la convergence en loi pour prouver cette
proposition. En effet, on sait aussi qu’il est équivalent de montrer que Z̃n converge en loi vers Z̃ ou que la
fonction génératrice des moments de Z̃n , MZ̃n (τ ) = E(eτ Z̃n ), converge vers celle de Z̃, MZ̃ (τ ) = E(eτ Z̃ ).
Or pour calculer la fonction génératrice des moments de Z̃n , comme les v.a. Z1 ,. . ., Zn sont indépendantes
de même loi que Z, on a

(Z +Z +...+Zn ) √τn Z √τ Z √τ
MZ̃n (τ ) = E(eτ Z̃n ) = E e 1 2 = E e 1 n ...e n n

τ
n
τ

Z1 √τn Zn √τn n
= E e ...E e = MZ √ = MZ √ ,
n n
il suffit de calculer celle de la v.a. Z au point √τn . Or Z ne prend que les deux valeurs −1 et +1 avec les
probabilités 1 − p et p et vaut donc simplement

τ − √τ √τ
MZ̃ √ = (1 − p)e n + pe n .
n
√ √
R−d
En se souvenant que p = u−d avec R = erδt , d = e−σ δt
et u = eσ δt
, on vérifie facilement que
2
1 r − σ2 √ √
p= + δt(1 + ε( δt))
2 2σ
2
1 r − σ2 √ √
1−p= − δt(1 + ε( δt))
2 2σ
8.3. CONVERGENCE VERS BLACK-SCHOLES 43
√
où les ε( δt) désignent des fonctions possiblement distintes qui tendent vers 0 quand δt tend vers 0 (et
donc quand n tend vers +∞). Comme on a aussi

√τ τ τ2 1 1
e n =1+ √ + + ε
n 2n n n
et
− √τn τ τ2 1 1
e =1− √ + + ε ,
n 2n n n
1

avec limn→+∞ ε n = 0, il en résulte que
2 !
τ 1 1 2 r − σ2 √ 1
MZ̃ √ =1+ τ +2 τ T +ε
n n 2 σ n

et donc que
√
τ τ 1 2 T σ2 1
MZn √ = exp n ln MZ √ = τ + r− τ +ε .
n n 2 σ 2 n
Lorsque n tend vers l’infini (et donc ε( n1 ) vers 0), on a bien à la limite la fonction génératrice des moments
√
T σ2
d’une v.a. de loi N ( σ (r − 2 ), 1). D’où la proposition. 2

Remarque : Notons que si les Zn avaient été identiquement distribués, c’est-à-dire de même loi
(indépendante de n), ce qui n’est pas le cas ici, on aurait pu utiliser le théorème de la limite central
pour trouver la loi limite de Z̃n . En effet, selon ce théorème, si µ et s2 désignent l’espérance et la variance
des Zi (des constantes si les loi des Zi sont identiques et indépendantes de n), la suite de v.a. Z̃ns√ −nµ
n
converge en loi vers une v.a. Z0 de loi N (0, 1).
Ce qui empèche l’application du théorème de la limite centrale ici est le fait que la suite de v.a. Z1 ,
Z2 , ...Zn n’est pas une suite i.i.d. mais ce que l’on appelle un vecteur triangulaire en ce sens que, pour
chaque n, la suite Z1 , Z2 , ...Zn est bien i.i.d. mais lorsque n varie, la suite change à la fois de longueur
mais aussi de loi. Mais, à défaut de pouvoir utiliser le théorème de la limite central, on reprend l’idée de
sa preuve pour en généraliser l’énoncé à le cas qui nous intéresse ici.

8.3 Convergence vers Black-Scholes

Pour vérifier que la limite du prix CRR est bien le prix
√
Black-Scholes, il reste à vérifier que, si Z0 est
une v.a. normale centrée réduite et si f (z) = (K − S0 eσ T z )+ , on a bien
e−rT E(f (Z0 )) = Ke−rT N (−d2 ) − S0 N (−d1 ).
Cela découle du calcul suivant :
Z +∞ √ √ √ 2 √
+
1 σ √T ( nz+ σT (r− σ2 ) n) z2
e−rT E(f (Z0 )) = e−rT √ K − S0 e n e− 2 dz
2π −∞
Z +∞ √ + z2
1 σ2
= e−rT √ K − S0 eσ nz eT (r− 2 ) e− 2 dz
2π −∞
√ 2
nz T (r− σ2 )
On peut vérifier que la quantité S0 eσ e
< K si et seulement si z < −d2 . D’où
! Z Z −d2 √ !
−d2
−rT −rT 1 2
− z2 1 2 2
σ nz+T (r− σ2 )− z2
e E(f (Z0 )) = e K √ e dz − S0 √ e dz
2π −∞ 2π −∞
Z −d1 !
1 y2
= e−rT KN (−d2 ) − S0 √ e− 2 dy
2π −∞
√
en faisant dans le second terme le changement de variable y = z − σ T pour lequel il est facile de voir
que z ∈] − ∞, −d2 ] si et seulement si y ∈] − ∞, −d1 ]. D’ou la formule cherchée
e−rT E(f (Z0 )) = e−rT KN (−d2 ) − S0 N (−d1 ).
44 CHAPITRE 8. BLACK-SCHOLES COMME LIMITE DE CRR

Remarque : Il est intéressant de noter qu’on peut réécrire la formule de prix du modèle CRR de
façon à faire apparaı̂tre, comme pour la formule de Black-Scholes deux termes, que l’on peut lire comme
la composition du portefeuille de couverture, le premier terme (en revenant au cas du Call) étant la
partie inverstie en actif sous jacent et le second celle investie en actif non risqué (ou en cash). Sous cette
forme on l’appelle la formule exacte de Cox, Ross et Rubinstein. Pour le voir, notons k l’entier défini par
k := Min { j ∈ N | S0 uj dn−j > K } et désignons par Φ la somme binomiale incomplète définie par
Pn n
Φ(k, n, p) := j=k pj (1 − p)n−j . On a
j
n
X
−rT + −rT n
C0 (n) = e E(ST − K) = e pj (1 − p)n−j (S0 uj dn−j − K)+
j
j=0
Xn
−rT n
= e pj (1 − p)n−j (S0 uj dn−j − K)
j
j=k
X n Xn
n n
= S0 e−rT (up)j (d(1 − p))n−j − Ke−rT pj (1 − p)n−j
j j
j=k j=k
n
X n n
X n
= S0 q j (1 − q)n−j − Ke−rT p∗j (1 − p∗ )n−j
j j
j=k j=k
−rT
= S0 Φ(k, n, q) − Ke Φ(k, n, p)

où l’on a défini q par q = upe−rδt . Il convient de vérifier que l’on a bien 1 − q = d(1 − p)e−rδt et aussi que
0 < q < 1. Ceci découle de la relation de martingale S = e−rδt (pSu + (1 − p)Sd), du fait que 0 < p < 1
et aussi des inégalités d’absence d’opportunité d’arbitrage 0 < d < erδt < u < 1.
En fait, il est aussi possible de montrer directement que lim Φ(k, n, q) = N (d1 ) et lim Φ(k, n, p) =
N (d2 ) et d’obtenir ainsi directement la formule de Black-Scholes comme limite de la formule exacte de
Cox, Ross et Rubinstein.

8.4 Vitesse de convergence

Sachant que la limite du prix Cox, Ross et Rubinstein est égale au prix Black-Scholes, on peut se
demander comment se comporte le premier tend vers le second lorsque n tend vers l’infini. La convergence
est-elle monotone, ou non, et surtout est-elle rapide ?
Si l’on représente sur un graphe du prix C0 (n) comme une fonction de n, on s’aperçoit (voir la figure
ci dessous) que la convergence est très irrégulière et qu’elle ne semble pas particulièrement rapide. En
réalité, on peut montrer que
1
C0 (n) − CBS = O ,
n
c’est-à-dire que cet écart tend vers zéro comme n1 , ce qui est assez rapide (dans le cas du théorème de la
limite centrale, on attend plutôt une convergence en √1n ).
8.4. VITESSE DE CONVERGENCE 45

30.35

30.30

30.25

30.20

30.15

30.10

30.05

30.00

29.95

29.90

29.85
0 50 100 150 200 250

Fig. 8.1 – Tracé du prix Cox, Ross et Rubinstein C0 (n) d’un Call Européen en fonction de n et de sa
limite, le prix Black-Scholes. Valeur des paramètres : S0 = 140, σ = 0.40, r = 0.05, et K = 130
46 CHAPITRE 8. BLACK-SCHOLES COMME LIMITE DE CRR
Chapitre 9

Le modèle de Ho et Lee

Cette leçon est une modeste excursion dans un vaste et important chapitre de la finance mathématique
qui concerne les taux d’intérêts et l’évaluation des produits dérivés sur ces taux. Il est beaucoup plus
difficile de modéliser la dynamique des taux d’intérêt que de modéliser celle des actions, comme nous
allons le voir, et pourtant c’est absolument nécessaire car il n’est pas généralement pas raisonnable de
supposer, comme nous l’avons fait jusqu’ici, que le taux d’intérêt r est une constante et que sa prise
en compte dans les calculs de prix d’actifs financiers peut se réduire à la prise en compte d’un actif
déterministe Bt = B0 ert représentant la dynamique de B0 Euros placés au taux constant r.
Lorsqu’on parle d’intérêts, il s’agit le plus souvent de la rémunération, sous la forme de versements
périodiques, d’un prêt consenti par un préteur à un emprunteur. On explique que pour le préteur, l’intérêt
est le prix de la renonciation temporaire à une consommation et pour l’emprunteur c’est le coût corre-
spondant à une consommation anticipée.
Au fil du temps les intérêts, accusés d’appauvrir les uns au profit d’autres ont fait souvent l’objet
d’interdiction ou de limitations. Ils sont perçus de façon bien différente selon les cultures et selon les
religions. Ainsi la Bible (dans l’ancien testament) et le Coran contiennent des versets qui condamnent
fermement la pratique du prêt à intérêts. Les choses ont été codifiées dans la religion juive par l’interdiction
de demander des intérêts à ses coreligionnaires, mais pas à des ”étrangers”. Cette même règle a été aussi
longtemps en vigueur dans la religion catholique. Les protestants ont contribués à la levée progressive de
son interdiction dans les pays européens, restée en vigueur jusqu’en 1830. Pour l’islam, l’interdit subsiste
et le développement récent de banques islamiques fonctionnant sur des principes différents en est une
conséquence importante. Quoiqu’il en soit la question de l’intérêt reste un sujet sensible qui est encore
souvent perçu différemment selon les origines culturelles des intervenants.

9.1 Actifs à flux déterministes

A coté des actions et de leur produits dérivés, il existe sur les marchés à la disposition des investis-
seurs une autre grande famille d’actifs financiers liés au taux d’interêt dont les plus simples sont les
obligations. Les obligations sont des contrats qui assurent à leur détenteur à la signature du contrat un
flux connu de revenus composé du principal versé à terme et d’une succession de coupons versés à des
dates intermédiaires. Par exemple une obligation d’état qui rapporte 1000 Euros dans 5 ans et 3% (soit
30 Euros) tous les 6 mois pourrait s’évaluer, si le taux d’intérêt annuel r était constant sur la période,
comme
30 30 30 30 1000
1 + + 3 + ... + 9 +
(1 + r) 2 (1 + r) (1 + r) 2 (1 + r) 2 (1 + r)5
et de façon plus générale, une obligation de principal P , d’échéance Tmax et versant aux dates ti , 0 <
t1 < ... < ti < ... < tk = Tmax , les coupons ci aurait comme valeur à l’instant t = 0 :
k−1
X ci P
+ . (9.1)
i=1
(1 + r)ti (1 + r)Tmax

Mais cette formule n’est pas adaptée, non seulement parce que le taux r ne peut pas être considéré
comme constant mais aussi parce qu’ici on fait implicitement l’hypothèse que les taux sont (quasiment)
1
proportionnels à la durée du prêt ou de l’emprunt : en effet, si par exemple t = 2t0 , comme (1+r) t =
1 1
e−t ln(1+r) ' e−tr , on a donc (1+r)t0
' (1+2r)t . Or s’il est effectivement naturel de postuler qu’il y a une

47
48 CHAPITRE 9. LE MODÈLE DE HO ET LEE

relation entre le taux pratiqué et la durée du contrat, une simple proportionnalité est cependant, dans la
réalité, une hypothèse bien trop simplificatrice.
En pratique, l’évaluation va se faire en utilisant un taux variable déterminé à partir des prix observés
à travers la notion de zéro-coupons, que nous définissons à présent.
Définition : Un zero-coupon de maturité T est un titre qui rapporte 1 Euros à une date future T fixée.
Sa valeur à tout instant t ∈ [0, T ] (la durée restante étant θ := T − t) se note Z(t, T ), ou encore ZtT et
on a donc toujours Z(T, T ) = 1.
Le zéro-coupon est un actif théorique que l’on introduit notamment comme référence pour calculer
le prix des obligations. En effet, toute obligation de principal P , d’échéance T et versant Pk−1aux dates ti
les coupons ci peut s’écrire comme une simple combinaison linéaire de zéro-coupons i=1 ci Z(t, ti ) +
P Z(t, Tmax ) (pour tout t < t1 ). En outre le zéro-coupon est aussi l’actif que nous allons modéliser dans
le modèle de Ho et Lee présenté ci-dessous.
Comme les zéro-coupons ne sont pas des actifs effectivement disponibles sur le marché, les praticiens
sont conduit à reconstituer, à chaque date t, les valeurs Z(t, T ) pour toutes les valeurs t < T < Tmax à
partir des prix observées à cette date t des obligations disponibles sur le marché. Dans un marché liquide
où l’on dispose des prix d’un nombre suffisant d’obligations dont les dates de versements sont identiques
(ou compatibles), c’est simplement un problème de résolution d’un système linéaire. S’il y a trop peu
de prix observés, on utilise ceux dont on dispose et on complète la fonction T → Z(t, T ) par diverses
méthodes d’interpolation. Notons cependant que si, à toute date t, les valeurs des zéro-coupons Z(t, T )
peuvent en principe être calculées à partir des prix observés à cette date, et donc sont considérées comme
connues à cette date, les valeurs Z(t+δt, T ) des zéro-coupons à la date suivante t+δt et de façon générale
les valeurs des zéro-coupons à une date future quelconque, sont parfaitement inconnues. Or ces valeurs
peuvent varier con sidérablement. D’où l’utilité, mais aussi la dificulté d’une modélisation stochastique.
Remarque : En général, ce ne sont pas les prix (en Euros) des obligations qui sont relevés mais leur
taux actuariel. Le taux actuariel est le taux (supposé constant) qu’il faudrait utiliser dans la formule (9.1)
pour obtenir le prix observé noté P0 . En d’autres termes, le taux actuariel d’une obligation est défini
implicitement par
k−1
X ci P
+ = P0
i=1
(1 + r)ti (1 + r)Tmax
où P0 est le prix de marché. Il est utile de remarquer, pour avoir une bonne intuition, que le taux actuariel
d’une obligation augmente lorsque son prix diminue et qu’il diminue lorsque son prix augmente. A noter
aussi que le taux actuariel est le seul moyen de comparer les prix de deux obligations qui n’ont pas
la même structure (pas les même montants de coupons et de principal et/ou pas les mêmes dates de
versements).

Remarque : On peut en fait s’interroger pour savoir pourquoi un actif (comme une obligation) dont
le flux de revenus est parfaitement connu (puisqu’on connait à l’avance le montants des coupons, du
principal et les dates de versement), est à regarder comme stochastique. En réalité il est facile de voir que
si le taux actuariel d’une obligation d’état est r0 et si l’on veut revendre cette obligation ultérieurement
à une date où le même état émet une nouvelle obligation à un taux r1 > r0 , personne n’achètera cette
obligation au taux r0 car le prix de la nouvelle obligation sera inférieur. Ceci explique que le détenteur
d’une obligation fait face à un risque dès que le taux peut varier.

9.2 Taux aléatoires

9.2.1 Where are the risks ?
Modern mathematical approach to interests is related to risks. One reason for the existence of different
interest rates, it is because the risks can be different, and mathematical finance of interest-rates is related
to no-arbitrage in this matter of risk : if there is an opportunity somewhere to take less risks for the same
amount of interests, it will disappear immediately, as somebody will take advantage of it.
The main risk with loans lays in the “default risk” which means that the beneficiary of the loan can
not pay back in due time what was decided. We will not consider here this question and will only consider
the risks related to interests for sovereign debts, such as Treasury bonds of some reliable state. This could
be for example buying, at t0 = 0, for 950 some bond with face value of 1000 to be paid at maturity T =
one year, that is an interest of 50 for 950 ; as time moves and the maturity becomes closer, this bond will
9.2. TAUX ALÉATOIRES 49

exchange at an increasing price, say 975 at some t1 < T . Assume that at this date the same institution
releases bonds with same face value of 1000 and same maturity T , for 974. Immediately nobody would
buy the previous bond for 975, but only for 974. This would mean that the interests would increase from
25 for 975 to 26 for 974 (for a time-to-maturity of T − t1 ) and explains how the value of a bond faces a
risk, as the releasing institution has the full right to sell for less (or more) future money. This also shows
why an upward change of interest-rates results in an immediate downward change of bond values.
The same institution may release at time 0 a bond with face value 1000 with maturity 2T , at a price
that does not need to correspond to the same compound interest-rate, as the two bonds do not correspond
to real money at the same date (one is 1000 at T and the second is 1000 at 2T ; you would buy one or the
other according to when you need to get 1000 or on what your anticipations are on what the interest-rates
will be at time T for the maturity 2T ).
This is how interest-rates depend on time t and maturity T . If t = 0 (always considered to be the
present time) these interest-rates are known, as a function of T . As soon as t > 0, they are not, as the
souvereign releasing institution may change its interests rates in the interval, and it is common sense to
introduce stochastic process to models. Observe that for each t, one does not have just one number but
a complete function of the maturity T called term-structure at time t, for t < T .

9.2.2 Courbes de taux et structure par terme

A coté du zéro-coupon Z(t, T ), que nous avons défini comme le prix en t d’un Euro délivré en T , il y
a d’autres façons de représenter les taux d’intérêt que nous allons détailler ici. On utilise par exemple le
taux zéro-coupons, plus souvent appelé le rendement à maturité (Yield to maturity), qui est la fonction
(t, T ) 7→ Y (t, T ) définie par Z(t, T ) = e−Y (t,T )(T −t) . Si l’on applique la formule (9.1) pour exprimer le
1 −(T −t) ln(1+r)
prix d’un zéro-coupon Z(t, T ), on obtient Z(t, T ) = (1+r) T −t = e , ce qui est peu différent
de e−r(T −t) . Ceci permet de comprendre que le taux zéro-coupons Y (t, T ) peut être compris comme un
équivalent stochastique du taux actuariel.
Définition : Pour chaque valeur de t, le graphe de la fonction T → Y (t, T ) s’appelle la courbe de taux
à l’instant [Link] donne à un instant t fixé l’ensemble des taux pratiqués à cet instant pour des prêts de
maturité δt, 2δt, .... en fonction de cette maturité. L’ensemble des courbes de taux pour les différentes
valeurs de t s’appelle la structure par terme des taux.
La connaissance de la courbe des taux T → Y (t, T ) (qui est équivalente à la connaissance des prix
des zéros coupons) est importante puisqu’elle permet d’exprimer le prix de n’importe quelle obligation.
Comme nous l’avons souligné, les valeurs à l’instant initial t = 0 peuvent être déduites des prix observés
sur le marché. Pour t > 0 par contre, elle est inconnue et peut être considérée comme une courbe aléatoire
(v.a. à valeurs dans un ensemble de fonctions). On comprend que pour modéliser les taux, il faut modéliser
la dynamique de ces courbes de taux et non seulement la dynamique d’un prix comme dans le modèle
Cos-Ross-Rubinstein, ce qui explique que ce soit plus complexe.
Une autre quantité, le taux forward instantané, noté f (t, T ) remplace aussi parfois Z(t, T ) ou Y (t, T ).
Ce taux est défini implicitement à partir des zéro-coupons par la formule
RT
− f (t,u)du
Z(t, T ) = e t .

Une dernière quantité, importante, est le taux court ou taux instantané, rt . C’est le taux que les
professionels utilisent pour les règlements de dettes ou d’avoirs entre eux d’un jour sur l’autre (taux à un
jour ou jj). Cette quantité aléatoire représente le coût de l’argent d’un jour sur l’autre. On supposera que
rt désigne le taux d’actualisation entre les dates t − δt et t, et donc rt = Z(t − δt, t) et rt ∈ Ft−δt . Si l’on
connait les prix des zéro-coupons, on peut donc en déduire les valeurs de rt . L’inverse n’est cependant
pas vrai.
Du point de vue mathématique, c’est rt que l’on utilise dans les modèles financiers où le taux d’intérêt
sont supposés stochastiques, pour calculer l’actualisation. Ainsi, si Xt est le prix en t d’un actif, et X̃t
son prix actualisé en t = 0, on aura X̃t = Xt /Bt où Bt = (1 + rδt )(1 + r2δt ) . . . (1 + rt ). L’actualisation
peut donc aussi s’écrire en fonction des zéro-coupons :
1 1 1 1
= ··· = Z(0, δt)Z(δt, 2δt) . . . Z(t − δt, t).
Bt 1 + rδt 1 + r2δt 1 + rt
On peut voir Bt comme la valeur aléatoire d’une compte d’épargne ayant un dépot initial de 1 Euros et
rapportant des intérêts sur la base du taux cours observé au jour le jour.
50 CHAPITRE 9. LE MODÈLE DE HO ET LEE

9.3 Le modèle de Ho et Lee pour les zéro-coupons

On veut maintenant introduire l’équivalent, pour les taux d’intérêt, du modèle de Cox-Ross-Rubinstein
pour les actions, c’est-à-dire un modèle binomial. Comme il s’agit cette fois d’un modèle de taux, sa
particularité est que les valeurs de la marche aléatoire ne sont plus des nombres mais des courbes

T 7→ ZtT = Z(t, T ) , t ≤ T ≤ Tmax , t ∈ T := [0..Tmax ]δt , δt := Tmax /n.

L’idée de ce modèle est de généraliser au cas stochastique la relation Z(s, t)Z(t, u) = Z(s, u) pour tout
s ≤ t ≤ u, appelée relation de rollover. Dans le cas de taux d’intérêt déterministes, il est en effet facile
de se convaincre que cette relation doit être satisfaite puisque le terme de gauche est précisément égal
à la quantité à investir à l’instant s pour avoir en t le montant précis qu’il faut investir à cet instant
pour avoir un Euros à l’instant u. Mais ceci est aussi la quantité égale au terme de droite. Lorsqu’on
réécrit cette relation sous la forme, Z(t, u) = Z(s,u)
Z(s,t) , on remarque que les valeurs de Z(s, t) et Z(s, u)
étant connues à l’instant s, la relation permet de prévoir à l’instant s la valeur de Z(t, u) qui, elle, est
inconnue à cette date. Pour leur modèle stochastique Ho et Lee ont eu l’idée de transformer cette égalité
en une récurrence stochastique
Z(s, u)
Z(t, u) = η(s, t, u). (9.2)
Z(s, t)

où η = η(s, t, u) est aléatoire. Plus précisément, on se donne une fonction déterministe (θ, x) 7→ η(θ, x)
(que l’on présisera plus loin) telle que

T ZtT T
Zt+δt = η(θt+δt , Xt+δt ), (9.3)
Ztt+δt

où θsT := T − s est le temps qui reste en t = s jusqu’à la maturité t = T . L’idée de ce modèle est illustrée
par la figure suivante tirée de l’article original de Ho et Lee.
Comme dans le modèle de Cox-Ross-Rubinstein, Ziδt prend i + 1 valeurs, selon le nombre de “up”,
j = Ji (ω), où Ji = δJ1 + . . . + δJi , (δJi )i≥1 étant des v.a. de Bernoulli indépendentes et de loi1 δJi ;
B(1−πi , 1). On définit la filtration F = (Ft )t∈T , par F0 = {∅, Ω}, et pour k ≥ 1, Fkδt = σ(δJ1 , . . . , δJk ) =
σ(Xδt , . . . , Xkδt ), avec Xiδt = δJi . Les fonctions aléatoires Zt : [t..Tmax ] → R+ , T 7→ ZtT , sont choisies
Ft -measurables, et même σ(Ji )-measurables pour t = iδt.
Nous allons montrer à présent que pour ce modèle la fonction η doit nécessairement prendre une forme
particulière assez simple et donc que ce modèle ne dépend en fait que de 3 paramètres.

1 Il est d’usage de choisir π = P({δJ = 0}) et donc 1 − π = P({δJi = 1}), sans doute car un “up” sur les taux
i i i
correspond à un “down” sur les obligations.
9.3. LE MODÈLE DE HO ET LEE POUR LES ZÉRO-COUPONS 51

9.3.1 Un model à trois paramètres : π, δ, et n

Condition d’absence d’opportunité d’arbitrage
La première contrainte concerne l’absence d’opportunité d’arbitrage : pour tout T ∈ T, la valeur
actualisée de ZtT doit être une martingale. Pour cela on doit avoir pour tout t ∈ [0..T − δt]

ZtT = E∗ (Ztt+δt Zt+δt

T
| Ft ).

En utilisant (9.3), il vient

ZtT = E∗ (Ztt+δt Zt+δt

T
| Ft ) = E∗ (ZtT η(θT (t + δt), Xt+δt ) | Ft )
= ZtT E∗ (η(θT (t + δt), Xt+δt ) | Ft ) = ZtT E∗ (η(θT (t + δt), Xt+δt )).

puisque Xt+δt est indépendent of Ft . Donc, en divisant par ZtT on obtient,

1 = πi η(θ, 0) + (1 − πi )η(θ, 1). (9.4)

T
pour tout θ = θt+δt ∈ [δt..Tmax ]δt Il en résulte que πi = (1 − η(θ, 1))/(η(θ, 0) − η(θ, 1)) ne peut changer
avec i et doit être constant (égal à π). De plus, en utilisant (9.3) pour t0 := T − δt, on a aussi θtT0 +δt =
θTT = 0, et
ZtT0 ZTT −δt
1 = ZTT = ZtT0 +δt = t0 +δt η(θtT0 +δt , Xt0 +δt ) = T −δt+δt η(θTT , XT )
Zt0 ZT −δt
pour XT ∈ {0, 1}. Donc η(0, x) = 1 pour tout x ∈ {0, 1}. D’où la proposition suivante :
Proposition 9.1 Tout model de taux d’intérêt satisfaisant (9.3), avec les Xti ; B(πi , 1) independents,
est sans arbitrage si et seulement si η(0, x) = 1 pour tout x ∈ {0, 1}, et si les πi sont égaux et que leur
valeur commune π satisfait la relation

1 = πη(θ, 0) + (1 − π)η(θ, 1). (9.5)

Condition binomiale
A présent, en utilisant le fait que pour t = iδt, ZtT ne dépend que de Ji , on a le résultat suivant qui
fixe la forme de la fonction η :
Proposition 9.2 Sous la condition de non arbitrage, pour tout θ ∈ [0..T − δt]δt , on a :

η(θ + δt, 1)η(θ, 0)η(δt, 0) = η(θ + δt, 0)η(θ, 1)η(δt, 1), (9.6)

et donc
1 θ η(δt, 1)
η(θ, 0) = θ , η(θ, 1) = δ δt η(θ, 0) , avec δ := > 1. (9.7)
π + (1 − π)δ δt η(δt, 0)

Preuve : Cette formule est une conséquence du fait que le modèle doit être binomial, c’est-à-dire que,
pour t = iδt, ZtT ne doit dépendre que de j = Ji (ω) et non des valeurs particulières de δJ1 (ω), . . ., δJi (w)
dont la somme vaut Ji (ω). Ceci n’est vrai que si l’arbre est recombinant, c’est-à-dire si un up suivi d’un
down donne le même résultat qu’un down suivi d’un up. En d’autres termes, pour ω 0 ∈ Ω et ω 00 ∈ Ω tels
que Ji (ω 0 ) = Ji (ω 00 ) = j et Ji+2 (ω 0 ) = Ji+2 (ω 00 ) = j + 1, mais δJi+1 (ω 0 ) = 1 et δJi+2 (ω 0 ) = 0 tandis que
δJi+1 (ω 00 ) = 0 et δJi+2 (ω 00 ) = 1, les valeurs de Ziδt T T
et de Z(i+2)δt ne doivent pas dépendre du fait que
0 00
ω = ω ou ω = ω .
T
Posons θ = θt+2δt et appliquons deux fois (9.3) :
T
T Zt+δt ZtT
Zt+2δt = t+2δt
η(θ, Xt+2δt ) = t+δt t+2δt
η(θ, Xt+δt )η(θ, Xt+2δt )
Zt+δt Zt Zt+δt
ZtT
= t+2δt
η(θ, Xt+δt )η(θ, Xt+2δt ) , toujours par (9.3)
Zt η(δt, Xt+δt )

Donc comme Ji (ω 0 ) = Ji (ω 00 ) et Ji+2 (ω 0 ) = Ji+2 (ω 00 ), et comme Zt+2δt

T
, ZtT , et Ztt+2δt ne dépendent pas
du fait que ω = ω 0 ou que ω = ω 00 , il en sera de même de
η(θ + δt, Xt+δt )η(θ, Xt+2δt )
.
η(δt, Xt+δt )
52 CHAPITRE 9. LE MODÈLE DE HO ET LEE

L’égalité des deux valeurs obtenues selon que ω = ω 0 ou ω = ω 00 , donne

η(θ + δt, 1)η(θ, 0) η(θ + δt, 0)η(θ, 1)

= .
η(δt, 1) η(δt, 0)
1
A présent, comme d’après (9.5) on a η(θ, 1) = 1−π (1 − πη(θ, 0)), donc (9.3) devient

1 1
(1 − πη(θ + δt, 0)η(θ, 0)η(δt, 0) = η(θ + δt, 0)(1 − πη(θ, 0))(1 − πη(δt, 0)). (9.8)
1−π (1 − π)2
1 1 1
Posons xn = η(θ,0) , xn+1 = η(θ+δt,0) , et donc x1 = η(δt,0) , l’égalité (9.8) devient

π 1 1 1 π π
(1 − π) 1 − = 1− 1− .
xn+1 xn x1 xn+1 xn x1

Soit, en multipliant les deux termes par x1 xn xn+1 , on obtient (1 − π)(xn+1 − π) = (xn − π)(x1 − π), ou, de
1
manière équivalente, xn+1 = π + 1−π (xn − π)(x1 − π) =: xn δ + γ, avec δ = x1−π
1 −π π
et γ = π − 1−π (x1 − π) =
1 1
π(1 − δ). Comme x1 = η(δt,0) , on obtient η(δt, 0) = π+(1−π)δ . Et comme 1 = πη(δt, 0) + (1 − π)η(δt, 1),

1 1 1 1 − πη(δt, 0) η(δt, 1)
δ= −π = = .
1−π η(δt, 0) 1 − π η(δt, 0) η(δt, 0)

Finalement, en résolvant xn = xn−1 δ + π(1 − δ) il vient xn = (1 − π)δ n + π, d’où

1 1 1
η(θ, 0) = η(nδt, 0) = = = θ ,
xn π + (1 − π)δ n π + (1 − π)δ δt
et θ
1 π δ δt θ
η(θ, 1) = − θ = θ = δ
δt η(θ, 0).
1−π π + (1 − π)δ δt π − (1 − π)δ δt
2
Résumons en un théorème le point où nous sommes parvenus :

Théorème 9.3 Pour tout π ∈]0, 1[ et tout δ > 1 la famille de processus (ZtT )t∈[0..T ]δt définie pour T ∈
]0..Tmax ] par Z0T deterministe quelconque puis par récurrence par (9.3) et (9.7) où les v.a. (Xt )t∈]0..Tmax ]
sont des v.a. de Bernoulli B(1, 1 − π) indépendantes est un modèle sans arbitrage de marché de zéros-
coupons.

ZtT
Preuve : La proposition 5.1 montre que le calcul menant à (9.4) prouve que (Z̃tT )t∈[0..T ]δt := Bt ,
t∈[0..T ]δt
avec Bt = 1/Z(0, δt)Z(δt, 2δt) . . . Z(t − δt, t) = 1/Z0δt Zδt
2δt t
. . . Zt−δt est une martingale pour tout T . On
conclut par le théorème 5.4. 2

9.4 Exemples de produits derivés de taux

Lorsqu’on souscrit un prêt à taux variable on peut souhaiter souscrire un contrat qui prendra en
charge le paiement des intérêts dûs, au-delà d’un taux maximal K. Typiquement, si rT est l’intérêt
payable à la date T pour l’emprunt d’un euro à la date T − δt, ce contrat payera (rT − K)+ . Ce contrat
s’appelle un caplet à l’échéance T au plafond K. Il donne une assurance contre une envolée du taux
(taux plafond) à l’instant T . Pour le prêt d’un Euro remboursable à la date Tmax et à intérêts payables
à intervalle δt = un an, il convient de souscrire un Cap, qui est la somme de tous les caplets d’échéance
T ∈]0..Tmax ]δt . Comme le modèle de Ho et Lee est un modèle binaire, un produit dérivé de taux tel qu’un
t
caplet se couvre, à la date t−δt, par un portefeuille comportant à la fois un placement (non risqué) en Zt−δt
t+δt
et en placement (risqué) en Zt−δt . Ceci se calcule de manière similaire au cas des options pour un modèle
binaire d’action et, comme les processus (Z̃tT )t∈[0..T ] sont, pour tout T ∈ T, des (F, P∗ )-martingales, on
retrouve pour la valeur du portefeuille de couverture

CapletTt−δt = E∗ (CapletTt | Ft−δt )/(1 + rt ) (9.9)

9.4. EXEMPLES DE PRODUITS DERIVÉS DE TAUX 53

(et plus généralement, pour tous s ≤ t, CapletTs = E∗ CapletTt BBt
s
| Fs ).
A coté des Caps composés de caplets, il existe de même des Floors composés de floorlets, qui protègent
d’une dégringolade du taux (taux plancher), dont le prix se calcule de manière analogue puisqu’il s’agit
alors d’un Put (ou d’une famille de Puts). Enfin il existe également un grand nombre d’autres con-
trats dérivés de taux, comme les Collars (achat d’un Cap et vente simultanée d’un Floor de même
caractéristiques), Swaps (échange d’un taux variable contre un taux fixe), Swaptions (option sur Swap)
ou FRA (Forward Rate Agreement)...
Remarque : Le modèle de Ho et Lee étudié ici est un modèle discret. Les versions continues correspon-
dantes appartiennent à la famille des modèles HJM (pour Heath, Jarrow et Morton) et sont des modèle du
taux forward instantané f (t, T ) et non du zéro-coupons Z(t, T ). Il existe aussi plusieurs modèles continus
pour le taux court rt (dont un dû à Ho et Lee, à ne pas confondre...) mais ces modèles ne permettent pas
de représenter l’ensemble de la dynamique de la structure par terme.

Remarque : Notons pour finir que le modèle de Ho et Lee, comme c’est le cas généralement des modèles
dit modèles de taux, ne prend en compte que le risque dit rique de taux correspondant aux variations du
taux dues à l’inflation et autres aléa économiques mais pas le risque dit risque de crédit ou de défaut
qui correspond au niveau plus ou moins bon de confiance du détenteur de l’obligation ou du prêt dans
la qualité de l’emprunteur quant à un possible défaut (de remboursement). C’est la raison pour laquelle
une obligation d’état (en Europe) est généralement moins chère qu’une obligation souscrite auprès d’une
entreprise de même caractéristiques. Le risque de crédit est habituellement séparé dans la modélisation
du risque de taux et il existe des produits spécifiques dit produits dérivés de crédit qui servent à couvrir
ce second risque. Le modèle de Ho et Lee ne prend pas du tout en compte le risque de crédit.
54 CHAPITRE 9. LE MODÈLE DE HO ET LEE
Annexe A

Exercices

A.1 Les trajectoires d’un modèle à n étapes

L’objet de cet exercice est de calculer et dessiner un modèle à n étapes généralisant les modèles à
une et deux étapes vues en cours. Du point de vue de l’interprétation financière, il est important de
comprendre que le dernier instant (d’indice n) et l’instant initial sont fixés, respectivement à T et 0,
et que les n étapes correspondent à une discrétisation [0..T ]δt , 0 < t0 < . . . < ti < tn = T que nous
supposons régulière, avec pas de temps constant δt =delta t=T/n. Nous fixerons n mais veillerons à ce
que sa valeur puisse être changée facilement d’une execution à l’autre de la feuille de calcul.
Pour des raisons de réalisme du modèle qui apparaı̂tront peu à peu il est important que les facteurs
up< 1 <down dépendent de n astucieusement choisie ; le modèle de Cox-Ross-Rubinstein (CRR) – qui
sera√étudier plus longuement dans les cours suivants – consiste à poser up=exp(sigma*sqrt(delta t))=
− √σ
e+σ δt et down=1/up= e n . Nous choisirons pour commencer n=16 ; T=1 ; S0 =S0=140 ; σ =sigma=0.40.
On notera delta t=T/n. Les valeurs possibles des Sti sont celles d’une marche aléatoire partant de S0 ,
avec Sti = Sti−1 Ui , avec Ui ∈ {up,down}, et donc Sti = S0 upJi downi−Ji , où les Ji forment une marche
de Bernoulli
J0 = 0 ; Ji = Ji−1 + δJi ; δJi ∈ {0, 1}.
Nous noterons j = Ji (ω) ∈ {0, . . . , i} et S(i, j) = S0 upj downi−j . Nous tabulerons les valeurs possibles de
S(i, j) dans une matrice SS(1 :n+1,1 :n+1):= S(i, j).
1. Ouvrir une feuille Scilab [Link] . Initialiser les diverses constantes évoquées. Calculer la matrice
SS. Notez que cette matrice est triangulaire (inférieure), puisque j ≤ i.
2. Tracer l’“arbre de Cox” joignant les points (i ∗ δt, S(i, j)) à ((i + 1) ∗ δt, S(i + 1, j + δJi+1 )), avec
δJi+1 ∈ {0, 1} :

3000

2500

2000

1500

1000

500

0
0 1 2 3 4 5 6 7 8 9 10

Arbre de Cox-Ross-Rubinstein :
Indications :
xset("window",1) choisit (et éventuellement crée) la fenêtre 1 comme fenêtre graphique courante
(qu’on peut effacer au moyen de clf(1)).
plot2d(Abs,Ord) trace les lignes polygonales (ouvertes) dont les abscisse et les ordonnées des
sommets figurent dans les colonnes homologues des matrices notées ici Abs et Ord.
Voici un code qui utilise un algorithme parcourant tous les cotés de l’arbre une fois et une seule, en
n + 1 lignes polygonale joignant n + 1 sommets, et qui se prète donc bien à la syntaxe de plot2d.
Utilisez les commentaires du code pour comprendre l’algoritme sur le dessin, pour une petite valeur
de n, n=10 par exemple.
Abs=zeros(n+1,n+1); // le dessin comportera n+1 lignes polygonales
Ord=zeros(n+1,n+1); // ayant chacune n cotes, donc n+1 sommets

55
56 ANNEXE A. EXERCICES

for k=0 :n // k numerote les lignes polygonales

for l=0 :n-k // premieres moitie : depart en (t,S(t,k)) avec t=k*delta t
Abs(l+1,k+1)=(k+l)*delta t ; // les abscisses croissent
Ord(l+1,k+1)=SS(k+l+1,k+1); // et les ordonnees decroissent : j=k=Cste
end ; // on arrive en (T,S(T,k)) avec T=n*delta t
for l=1 :k // on repart de ce point
Abs(n-k+l+1,k+1)=(n-l)*delta t ; // avec les abscisses qui diminuent
Ord(n-k+l+1,k+1)=SS(n-l+1,k-l+1); // et les ordonnees aussi
end ; // la lignes no k abouti en (t,S(t,0)) avec t=(n-k)*delta t
end ;
xs2eps(1,’[Link]’) et xs2gif(1,[Link]) permettent de sauvegarder votre figure
dans la norme eps et gif respectivement.
3. Pour n=200 calculer puis représenter M=40 trajectoires aléatoires1 du processus de CRR.

300

250

200

150

100

0
0 20 40 60 80 100 120 140 160 180 200

Des trajectoires tirées aléatoirement :

Indications :
rand(n,M,’uniform’) retourne une matrice nxM de nombres aléatoires uniformément distribués
sur [0, 1].
Que vaut deltaJ=int(p+rand(n,M)) ,si p ∈]0, 1[ est une valeur donnée ?
Et J=cumsum(deltaJ,"r") ?
4. A l’aide de l’instruction histplot représenter un histogramme des valeurs finales de vos trajectoires
aléatoires ; on pourra par exemple prendre int(sqrt(M)) pour nombre de classes. Recommencer
avec M=400.
0.012

0.010

0.008

0.006

0.004

0.002

0.000
0 50 100 150 200 250 300

Histogramme des valeurs finales obtenues :

A.2 Les trajectoires du call d’un modèle à n étapes

L’objet de cet exercice est de calculer et dessiner les valeurs d’une option Call d’un modèle à n étapes
généralisant les modèles à une et deux étapes vues en cours.
On reprend toutes les notations du TP1 ; de ce point de vue, il peut être plus simple, pour la feuille
[Link] de script, de partir de la feuille [Link], on supprimant les passages sans objet ici.
Nous choisirons toujours, pour commencer n=16 ; T=1 ; S0 =S0=140 ; σ =sigma=0.40.
Nous tabulerons les valeurs possibles C(i, j) d’une option Call de prix d’exercice K = S0 (option “à
la monnaie”), lorsque l’action vaut S(i, j), dans une matrice CC(1 :n+1,1 :n+1):= S(i, j).
1. Définir la fonction phi(S) retournant la valeur (S − K)+ d’un Call à la date d’exercice T et de
prix d’exercice K.
2. Calculer la matrice (triangulaire) CC.
Indication : la probabilté risque-neutre est caractérisée par p := P∗ ({δJi+1 = 1}) = R−d
u−d , avec
R = erδt , u =up, et d =down. Prendre r = 0.05.
3. Que vaut la Call à la monnaie à la date t = 0 ?
1 Pour 1
p := P({δJi = 1}) et donc 1 − p := P({δJi = 0}), on choisit pour le moment p = 1 − p = 2
.
A.3. CALCUL DE PRIX PAR ESPÉRANCE CONDITIONNELLE 57

4. Tracer l’arbre joignant les points (i∗δt, C(i, j)) à ((i+1)∗δt, C(i+1, j +δJi+1)), avec δJi+1 ∈ {0, 1} :

450

400

350

300

250

200

150

100

0
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0

Arbre du Call :
Indications :
plot2d(Abs,Cot) trace les lignes polygonales (ouvertes) dont les abscisse et les ordonnées des
sommets figurent dans les colonnes homologues des matrices notées ici Abs et Cot. Il suffit de
remplacer la matrice Ord du TP1 qui comportait des valeurs de SS, par une matrice analogue Cot
comportant les valeurs correspondantes de CC.
xs2eps(1,’[Link]’) et xs2gif(1,[Link]) permettent de sauvegarder votre
figure dans la norme eps et gif respectivement.
5. Pour n=200 calculer puis représenter M=40 trajectoires aléatoires2 du processus de prix du Call
dans ce modèle de CRR.
6. On revient à n=15. Tracer, au moyen de la fonction param3d1, le “filet du Call”.
Indication : utiliser param3d1(Abs,Ord,Cot,alpha=50,theta=-89,flag=[2,4])) puis, en cli-
quant sur GED, selectionnez Axes, choisissez l’onglet Aspect, et cochez la case Cube Scaling On.
Pour améliorer la lisibilité du dessin, représenter, au niveau t = T (et donc i=n) le graphe de
phi(SS(n+1, :), c’est-à-dire de la fonction de payoff. Pour cela former les vecteurs (colonnes)
AbsLignePayOff, OrdLignePayOff, CotLignePayOff.

30
Z

10
180
0
0
1 120
2
3
4
5 60
6
7 Y
X 8
9 0
10

Filet du Call :
7. Recommencer le tracé avec n = 150 ; qu’observez-vous ? Savez-vous comment demander à Scilab de
ne tracer que les segments contenus dans la boite [0..T,0..3*S0,0..2*S0]?

A.3 Calcul de prix par espérance conditionnelle

Vous avez vu en cours qu’à tout moment iδt = t ≤ T , lorsque le sous-jacent St vaut s, le prix Ct
d’une option européenne de payoff ϕ(ST ) (options vanilles) est donné par

Ct = C(t, St ) , avec C(t, s) = e−r(T −t) E∗ (ϕ(ST ) | {St = s}) = e−r(T −t) E∗ (ϕ(suL dn−i−L )), (A.1)
où L ; B(n − i, p), avec u =up ;d =down ;p = R−d u−d et R = e
rδt
.
L’objet de cet exercice est d’utiliser ce résultat pour obtenir diverses illustrations relatives aux options
vanilles.
On reprend toutes les notations du TP1 ; nous choisissons toujours, pour commencer n=16 ; T=1 ;
K = S0 =S0=140 ; r =r=0.05 ; σ =sigma=0.40 ;ϕ(S) = phi(S) =max(S-K,0)= (S − K)+ .
1. Exécutez la commande plot2d2(0 :50,binomial(0.4,50) . Devinez-vous ce que retourne la fonc-
tion Scilab binomial(p,n) ? A défaut, consultez l’aide en ligne. . .
2 Pour R−d
p := P({δJi = 1}) et donc 1 − p := P({δJi = 0}), on choisit à présent p = u−d
.
58 ANNEXE A. EXERCICES

2. Tabuler les valeurs possibles C(i, j) d’une option Call de prix d’exercice K = S0 (option “à la
monnaie”), lorsque l’action vaut S(i, j), dans une matrice CCC(1 :n+1,1 :n+1)des valeurs de :=
C(i, j) en utilisant cette fois-ci la formule A.1.
Vérifiez que vous retrouvez bien la même valeur qu’avec la méthode de la fois précédantes pour le
Call à la monnaie à la date t = 0 ?
3. Pour l=0 :n, tracez toutes les courbes joignant les (S(n−l, j), C(n−l, j)) successifs, pour j=0 :n-l
(ou plutôt j=0 :min(n-l,jmax) où jmax=10 si n=16.
4. Représenter (dans une nouvelle fenêtre) le graphe du prix du Call (à t = 0) comme une fonction de
K ∈ [ 12 S0 .. 32 S0 ]δK pour δK = S0 /10. Observez et commentez le sens de variation de cette fonction.
5. Représenter (dans une nouvelle fenêtre, par scf(2)) le graphe de la prime du Call (prix à t = 0)
comme une fonction de σ ∈ [δσ..0.5]δσ pour δσ = 0.01. Observez et commentez le sens de variation
de cette fonction.
6. Reprenez ces deux dernières questions pour un Put, de payoff ϕ(S) = (K − S)+ .

A.4 Le Delta de couverture

Lors du TD 3 vous avez tabulé, dans une matrice CCC, les valeurs CCC(i+1,j+1)= C(i, j) d’une
option, lorsque Siδt = S(i, j) =SS(i+1,j+1). et, pour l=0 :n, vous avez tracé toutes les courbes des
prix, c’est-à-dire les courbes joignant les (S(n − l, j), C(n − l, j)) successifs, pour j=0 :n-l (ou plutôt
j=0 :min(n-l,jmax) ) Le code ci-dessous permet de faire cela selon une animation (Choisir n=100)
scf(1) ; //on se place dans la fenetre 1
jmax=int(sqrt(n)); //maximum de up faire figurer dans le cadre
rectangle=[0,0,SS(jmax,jmax),CCC(jmax,jmax)]; //[Smin,Cmin,Smax,Cmax]
driver("X11") //pas d’enregistrement des operations graphiques
xset("pixmap",1) //on passe en mode double buffer
plot2d(0,0,frameflag=5,rect=rectangle) //on fixe l’echelle
for l=n :-1 :0 //on attaque la boucle d’animation
xset("wwpc") //effacement de la pixmap
plot2d(SS(n+1-l,1 :n+1-l),CCC(n+1-l,1 :n+1-l),frameflag=0)
xset("wshow") //basculement de la pixmap a l’ecran
halt() // il faudra passer dans la fenetre scilab et appuyer une touche
end ; //... et on deboucle
xset("pixmap",0) //retour a l’affichage direct a l’ecran
driver("Rec") //retour au driver par defaut
Vous avez vu en cours qu’à tout moment iδt = t ≤ T , lorsque le sous-jacent St vaut s = S(i, j), l’option
Ct vaut C = C(i, j) le portefeuille de couverture doit comporter un nombre ∆t = a de sous-jacent, avec

C+ − C−
a = ∆t = = ∆(i, j) = DD(i+1,j+1),
S+ − S−

avec C + = C(i + 1, j + 1), C − = C(i + 1, j), S + = S(i + 1, j + 1), et S − = S(i + 1, j).

On reprend toutes les notations du TP3 ; en particulier r =r=0.05 ; σ =sigma=0.40 ;ϕ(S) = phi(S)
=max(S-K,0)= (S − K)+ .
1. Expérimentez le code d’animation ci-dessus
2. Tabulez les valeurs ∆(i, j) =DD(i+1,j+1) des quantités d’actions à détenir pour couvrir l’option.
3. Pour l=n :-1 :0, tracez toutes les courbes joignant les (S(n − l, j), ∆(n − l, j)) successifs, pour
j=0 :n-l , en vous inspirant du code fourni.
4. Reprenez ces deux dernières questions pour un Put, de payoff ϕ(S) = (K − S)+ .
5. S’il vous reste du temps, terminez la fiche TD3 : graphe du prix du Call (à t = 0) comme une
fonction de K ∈ [ 12 S0 .. 32 S0 ]δK pour δK = S0 /10 (Observez et commentez le sens de variation de
cette fonction.) et ...
6. Représentez (dans une nouvelle fenêtre, par scf(2)) le graphe de la prime du Call (prix à t = 0)
comme une fonction de σ ∈ [δσ..0.5]δσ pour δσ = 0.01. (Observez et commentez le sens de variation
de cette fonction.)
A.5. OPTIONS AMÉRICAINES 59

A.5 Options américaines

On considère un processus St , défini pour tout t ∈ [0..T ]δt := {0, δt, 2δt, . . . , T }, T =: nδt qui
représente l’évolution d’un actif financier au cours du temps. On appelle option américaine de payoff
ϕ(St ) et de date d’échéance T un contrat qui peut être exercé à toute date t ∈ [0..T ]δt et qui rapporte
ϕ(St ) à son détenteur s’il l’exerce à l’instant t. Lorsque ϕ(St ) = (St − K)+ , on parle de call américain
et lorsque ϕ(St ) = (K − St )+ , on parle de put américain. On désigne par Ut la valeur à l’instant t d’une
option américaine dont le payoff, à l’instant t, est ϕ(St ). On désigne par R = erδt le taux d’escompte
entre les dates t et t + δt (supposé connu et constant).
Une adaptation du raisonnement simple mené pour les options européennes permet de se convaincre
que Ut vérifie la relation de récurrence descendante suivante :

Ut = Max ϕ(St ), R1 E∗t (Ut+δt )
(A.2)
UT = ϕ(ST )

où E∗t est l’espérance conditionnelle E∗ (. | Ft ) au sens de la probabilité “risque neutre”.

1. Poser n=10, S0=140, K=S0, sigma=0.4, r=0.05, et créer par récurrence rétrograde (sur i) une
matrice CC de taille (n+1)x(n+1) telle que CC(i+1,j+1) soit égale à la valeur du Call (européen)
lorsque t = iδt et St =S(i,j) (, j≤i).

2. En utilisant la formule de récurrence rétrograde (A.2) dans le cas d’un call, créer de manière analogue
une matrice CCAmer correspondant aux valeurs d’un Call américain.

3. Comparez les valeurs à l’instant initial (=prime) d’un Call et d’un Call européen. Commentez

4. Plus généralement, comparez CC(i+1,j+1) et CCAmer(i+1,j+1)).(Commentez).

5. Créer de manière analogue des matrices PP(i,j) et PPAmer(i,j) correspondant aux valeurs d’un
Put et d’un Put américain.

6. Comparez les valeurs des primes du Put et du PutAmericain. Commentez

7. Recommencer avec n=200. Commentaire

8. Recommencer avec r=0. Commentez

9. On revient à r=0.05. Sur l’arbre binaire représentant les valeurs de l’actif sous-jacent, représenter les
noeuds en deux couleurs différentes selon que le Max de la formule de récurence est égal à ϕ(St ) ou à
1
R Et (Ut+δt ). On obtient ainsi deux régions séparées par la “frontière d’exercice”. On pourra prendre
N = 20, puis N = 100. On créera pour ce faire une matrice ExerPA(i,j) ayant la valeur 1 ou 0
selon que R1 Et (Ut+δt ) < ϕ(St ) ou non, où Ut =PPAmer(i+1,j+1) et donc Ut+δt =PPAmer(i+2,j+1)
ou Ut+δt =PPAmer(i+2,j+2). (La matrice ExerPA(i,j) est triangulaire puisqu’on ne considère que
les j≤i ; commencez par initialiser la matrice avec -ones(n+1,n+1) afin de distinguer les valeurs
calculées des autres) Pour rendre plus lisible cette frontière d’exercice sur le dessin, on pourra choisir
de ne pas représenter les arètes de l’arbre mais seulement les noeuds et se borner à ne tracer que
la “partie basse” de l’arbre (par exemple en se limitant aux noeuds pour lesquels S ≤ 2 ∗ S0).
Pour déterminer les syntaxes Scilab vous pouvez taper les commandes apropos plot , et apropos
LineSpec.

10. Tracer la frontière d’exercice, à la manière du la figure 6.1. Commencer par n=90, puis n=900 (ou
la valeur la plus grande de n compatible avec votre programme et votre ordinateur.)

11. Examiner comment varie la frontière d’exercice si l’on fait varier les paramètres r et σ.

12. Ecrire un algorithme permettant de calculer à chaque instant la composition DeltaAmer(i,j) en

actif risqué du portefeuille de couverture d’un put américain, lorsque la valeur de l’actif sous-jacent
vaut S(i,j). Observez et commentez le signe de DeltaAmer(i,j)

13. Tracer une trajectoire aléatoire et la valeur DeltaAmer(i,j)*S(i,j) investie en action dans le
portefeuille de couverture.
60 ANNEXE A. EXERCICES

500

450

400

350

300

250

200

150

100

0
0 1 2 3 4 5 6 7 8 9 10

135

130

125

120

115

110

105

100

95
0 10 20 30 40 50 60 70 80 90

140

135

130

125

120

115

110

105

100
0 100 200 300 400 500 600 700 800 900
A.6. LA FORMULE DE BLACK ET SCHOLES ; CONVERGENCE DES PRIX CRR VERS BS 61

A.6 La formule de Black et Scholes ; convergence des prix CRR

vers BS
1. Définir une function BlackScholes(S,K,r,T,σ) donnant la valeur du Call de prix d’exercice K
à la date d’exercice T lorsque le taux (constant) vaut r et la volatilité est égale à σ, en utilisant la
formule de Black et Scholes

1 S0 σ2 √
C = SN (d1 ) − Ke−rT N (d2 ) , avec d1 = √ ln +T r+ et d2 = d1 − σ T .
σ T K 2
Indication : voyez la fonction erf de Scilab.
2. Utiliser la relation Call-Put
Ct − Pt = St − Ke−r(T −t) ,
pour définir une function Put(S,K,r,T,σ).
3. Utiliser la formule fondamentale de Cox-Ross-Rubinstein
√ R−d pu
CRR = S0 Φ(n, k, q) − Ke−rT Φ(n, k, p) avec u = eσ δt
,p= et q =
u−d R
pour définir une function CRR(n,S,K,r,T,σ) donnant le prix du Call dans un modèle de Cox-
Ross-Rubinstein.
4. Tracer CRR(n,140,140*a,0,1,0.40) pour n = 10..100 et a ∈ {1, 0.9, 1.1} et la valeur correspon-
dante dans un modèle de Black et Scholes.

A.7 Calcul de prix d’options barrière

1. Calculer le prix d’une option DIC sur le sous jacent

S0 = 140 √ (A.3)
St+δt = St exp(±σ δt)

d’échéance T = 1(= nδt), de prix d’exercice K = 140 et de barrière L = 130. On supposera σ = 0, 4

et r = 0.
2. Comparer avec le prix du Call vanille de mêmes paramètres.
3. Même exercice pour K = 120.
4. En déduire le prix de la DOC pour les mêmes valeurs des paramètres.
5. Reprendre les questions précédentes pour un Put avec barrière.
NB : Pour effectuer le calcul du prix au moyen des formules 7.4 et 7.5 données dans le chapitre 7
du cours, il sera utile d’exprimer les sommes binômiales comme des produits scalaires d’un vecteur
P de
probabilités par un vecteur de valeurs de la v.a., selon la formule habituelle d’une espérance i pi xi .
Pour cela on notera que A(j, J) peut se réécrire en

n
A(j, J) = zj
j
avec zj = 1 si 0 ≤ j ≤ J/2, zj = 0 si j > J, et pour J/2 < j ≤ J, zj = z(j, −[ln(L/S0 )/ ln(u)]), où z(j, a)
est défini par la relation de récurrence :
n + 1 − (j + a)
z(j, a) = z(j, a − 1) , avec z(j, 0) = 1. (A.4)
j+a
En effet, on a
n n n
= =
J −j n − (J − j) j+a

n n!
avec a = n − J = −[ln(L/S0 / ln(u)] > 0 car L < S0 . Finalement = (j+a)!(n−j−a)! =
j+a

n n−j−a+1 n n n
j+1 · . . . · n−j−a+a
j+a = n−j−a+1
j+a , et donc on a bien = zj
j j+a−1 j +a j
selon la définition de zj .
62 ANNEXE A. EXERCICES

Calcul de prix d’options parisiennes

On appelle option parisienne une option Call ou Put qui prend (in) ou perd (out) sa valeur si le cours
de l’actif sous-jacent passe assez de temps sous (down) ou au-dessus (up) d’une barrière L. L’instant
présent est t = 0 ; l’échéance est T ; le cours présent du sous-jacent est S0 ; le prix d’exercice est K.
”Assez de temps” signifie une durée au-delà de la barrière égale à τ , appelée durée d’excursion. Cette
durée peut être cumulative (on compte tous les jours passés au-delà de la barrière) ou non-cumulative
(on ne compte que les jours consécutifs passés au-delà de la barrière). Nous noterons DICPc(τ ) le prix
(prime) d’une option Call parisienne cumulative qui ne prend valeur qu’après une excursion cumulée de
durée τ sous la barrière L. De façon analogue, nous noterons DOCPnc(τ ) le prix (prime) d’une option
Call parisienne non-cumulative qui perd sa valeur après toute excursion sous la barrière L de durée τ .
De façon analogue, on définirait DIPPc(τ ) ou DOPc(τ ) ou DIPPnc(τ ) ou DOPnc(τ ), et analogue on
ajoutant le suffixe Pc(τ ) ou Pnc(τ ) aux noms des options barrières usuelles
1. Que peut-on dire du signe de DIC-DICPc(τ ) ? (expliquer)
2. Que peut-on dire de DICPc(τ )+DOCPc(τ ) ? (expliquer)
3. Nous nous proposons de calculer une estimation de DICPc(τ ), en utilisant un modèle d’arbre binaire,
subdivisant [0, T ] en N intervalles égaux de longueur δt = T /N , avec

S0 = 1 √ (A.5)
St+δt = St exp(±σ δt)

dans le cas T = 1, τ = minitime = 0.30, S0 = 140, σ = 0.4, K = 140, r = 0.05, L = 126. Voici un
code calculant la valeur de l’option en chaque noeud (i, j) de l’arbre, pour n = 17 :
N=17 ;
T=1 ;minitime=0.3 ;// Barrier option corresponds to minitime=1/N ;
delta t=T/N ;
S0=140 ;K=S0 ; L=S0*0.9 ;//barrier
r=0.05 ;sigma=0.4 ;
up=exp(sigma*sqrt(delta t)) ; down=exp(-sigma*sqrt(delta t)) ;
p=(exp(r*delta t)-down)/(up-down);
function y=S(n,j) //j=nb of up
y=S0*up^j.*down^(n-j);
endfunction ;
function po=PayOffCall(S,K);
po=max(S-K,0) ;
endfunction ;
function under=underL(n,j)// equal to 1 if S(n,j) is under the barrier L
if S(n,j)<=L then under=1 ;
else under=0
end ;
endfunction ;
PCall=zeros(N+1,N+1,N+1); //PCall(n+1,j+1,k+1) ; k = number of steps ending
//under the barrier L
for j=0 :N
for k=0 :N
if k*delta t >= minitime then PCall(N+1,j+1,k+1)=PayOffCall(S(N,j),K);
else PCall(N+1,j+1,k+1)=0;
end ;
end ;
end ;
for n=N-1 :-1 :0
for k=0 :n
for j=0 :n
PCall(n+1,j+1,k+1)=exp(-r*delta t)*..
A.8. MODÈLES DE HO ET LEE, ET PRODUITS DE TAUX D’INTÉRÊTS 63

(p*PCall(n+1+1,j+1+1,k+underL(n+1,j+1)+1)+..
(1-p)*PCall(n+1+1,j+1,k+underL(n+1,j)+1));
end ;
end ;
end ;
disp(’minitime=’), disp(minitime)
PriceParisianCall=PCall(1,1,1);
disp(’Price Parisian Call=’), disp(PriceParisianCall)

Calculer une estimation de l’option DICPc(0.4) pour N = 14 puis N = 15 et N = 16. Qu’observez-

vous ?
4. Adaptez votre programme pour que PriceParisianCall devienne un vecteur donnant les valeurs
de DICPc(0.4) pour N=1 :30. Tracer en fonction du nombre N de pas de discrétisation, le prix
d’une option DICPc, pour N=1..30 (modifier éventuellement 30 à une valeur différente, en fonction
de la puissance de votre machine).
5. Qu’observez-vous pour les petites valeurs de N ? Comment expliquez-vous cela ?
6. Comment adapter ce programme pour qu’il donne le prix d’une option DIC de même prix d’ex-
ercice K et même barrière L en fonction de N . NB : ceci peut se faire très facilement (expliquez
comment).Qu’obtenez-vous pour DIC(14) ?
7. Représentez sur un même graphique le prix d’une DICPc et d’une DIC en fonction de N . Qu’observez-
vous ? (il y a au moins deux remarques possibles).
8. Adaptez votre programme pour qu’il calcule le prix d’une option Call parisienne non-cummulative
DICPnc . Reprendre sur un même dessin les prix de DIC, DICPc, et DICPnc pour N=1 :30.

A.8 Modèles de Ho et Lee, et produits de taux d’intérêts

Un modèle de Ho et Lee est un modèle mathématique pour la valeur d’un zéro-coupon ZtT , t, T ∈
[0..Tmax ]δt =: T, δt := Tmax /N , t ≤ T , où ZtT désigne la valeur à la date t d’un contrat assurant le
paiement de 1 EUR à la date T . On a donc ZTT = 1 pour n’importe quel T ∈ T. C’est un modèle
probabiliste sur un ensemble Ω servant à coder tous les états du monde envisagés par le modèle, filtré
par une filtration F = (Ft )t∈T servant à coder l’information disponible à la date t ∈ T. En fait, dans
ce modèle, la seule information pertinente est celle contenue dans la suite des valeurs des v.a. (Xt )t∈T∗ ,
T∗ :=]0..T ]δt , Xt ∈ {0, 1}, les Xt de même ∗
P loi P (Xt = 0) = π, Ft -mesurables, et indépendantes de
3 ∗
Ft−δt . Pour tout t ∈ T , posons Jt := s∈]0..t]δt Xs . Notons n et k, n ≤ k, les entiers tels que t = nδt
et T = kδt ; la caractéristique d’un modèle de Ho et Lee est que les ZtT (ω) appartiennent à un arbre
T
binaire recombinant, c’est-à-dire que, Znδt (ω) ne prend que n + 1 valeurs distinctes, ne dépendant que de
kδt
la valeur j = Jnδt (ω). Pour 0 ≤ j(= Jnδt (ω)) ≤ n ≤ k, nous noterons Znδt (ω) :=Z(n,j,k).
1. Montrer que Z(k,j,k)= 1.
2. Nous avons montré que tout modèle de Ho et Lee est sans arbitrage, et qu’il satisfait à :
T
Zt−δt
ZtT = t η(θT (t), Xt ) , où θT (t) := T − t, (A.6)
Zt−δt

pour une fonction η définie par le choix4 d’un δ > 1, caractérisant, avec π ∈]0, 1[, le modèle retenu,
définie par
1 T −t
η(θ, 0) := T −t et η(θ, 1) = η(θ, 0) · δ
δt (A.7)
π + (1 − π)δ δt
Les valeurs des Z0T , T ∈ T, peuvent être choisies de manière arbitraire, en pratique comme étant
les valeurs spot des zéros-coupons observées sur le marché.
Vérifier que E∗ (η(θ, Xt ) | Ft−δt ) = E∗ (η(θ, Xt )) = 1, pour tout θ et t dans T∗ , et où E∗ désigne
l’espérance pour la probabilité P∗ .
3 Attention, dans l’article de M. Leippold et Z. Wiener ( http ://[Link]/abstract=292225 ), il est fait le

choix P(Xt = 0) = (1 − π)
4 C’est le choix δ(= η(δt, 1)/η(δt, 0)) > 1 qui exprime qu’un X (ω) = 1 code un “up” et X (ω) = 0 code un “down”
t t
64 ANNEXE A. EXERCICES

3. On définit le taux court, “sans risque” rt , par

Ztt+δt (1 + rt+δt ) = 1 ; (A.8)

on voit donc que rt+δt est Ft -mesurable (on dit que le processus (rt )t∈T∗ est F-prévisible) ; on pose

Bt := (1 + rδt )(1 + r2δt ) . . . (1 + rt ) et Z̃tT := ZtT /Bt .

En établissant que E∗ (Z̃tT | Ft−δt ) = Z̃t−δt

T
, montrer que (Z̃tT )t∈T est une (F, P∗ )-martingale, et
que ce modèle est donc sans arbitrage.
4. Voici une implantation du modèle pour lequel on a Tmax = N (et donc δt = 1=delta t), t =n*delta t,
T =k*delta t, Jt (ω) =j, T − t =l*delta t, η(T − t, Xt (ω)) =eta(l*delta t,x), pour x= Xt (ω),
ZtT (ω) =Z(n,j,k), pour Jt (ω) =j, avec les choix π =pi :=0.5, et δ =delta :=1.01.
// Modèle de Ho et Lee
clear ;Nmax=8 ;Tmax=Nmax ;delta t=Tmax/Nmax ;
pi=0.5 ;delta=1.01 ;r=0.025 ;
function z0=Z0(k) ; z0=(1+r)^(-k*delta t) ; endfunction ;
plot(0 :Nmax,Z0(0 :Nmax)) ;
//
function ee=eta(l,x) ;
if x==0
ee=(1^l)./(pi+(1-pi)*delta^l);
else ee=delta^l./(pi+(1-pi)*delta^l);
end ;
endfunction ;
// représentation des eta extrèmes
xset("window",1);clf(1) ;
Nprime=1000 ;for x=0 :1 plot(0 :Nprime,eta(0 :Nprime,x)) ; end ;
//calcul des valeurs de la fonctions Z(n,j,k)=ZZ(n+1,j+1,k+1)
ZZ=ones(Nmax+1,Nmax+1,Nmax+1);
for k=0 :Nmax
ZZ(0+1,1,k+1)=Z0(k);
end ;
for n=1 :Nmax
for k=n :Nmax
ZZ(n+1,0+1,k+1)=eta(k-n,0)*ZZ(n-1+1,0+1,k+1)/ZZ(n-1+1,0+1,n+1);
for j=1 :n
ZZ(n+1,j+1,k+1)=eta(k-n,1)*ZZ(n-1+1,j-1+1,k+1)/ZZ(n-1+1,j-1+1,n+1);
end ;
end ;
end ;
function z=Z(n,j,k) //t=n*delta t et T=k*delta t
z=ZZ(n+1,j+1,k+1);
endfunction ;
// Dessins : représentation des évolutions possibles de Z(n,j,N) pour N=Nmax
xset("window",2);clf(2) ;
N=Nmax ;
//courbes "down"
for j=0 :N plot(j :N,Z(j :N,j,N),"-b") ; end ;
//courbes "up"
for n1=0 :N
Vecteur=zeros(N-n1+1);
for nn=0 :N-n1
Vecteur(nn+1)=Z(n1+nn,nn,N);
A.8. MODÈLES DE HO ET LEE, ET PRODUITS DE TAUX D’INTÉRÊTS 65

end ;
plot(n1 :N,Vecteur,"--r");
end ;
xs2gif(2,"[Link]");xs2eps(2,"[Link]");xs2fig(2,"[Link]");
(a) Comment a été choisie la fonction T 7→ Z0T constituée par les valeurs initiales de ZtT ?
(b) Exercez-vous à lire l’arbre des valeurs de Z 8 : que vaut Z88 ? Que vaut Z08 et retrouver cette
valeur sur la courbe StructureParTermesInitiale? Que vaut Z48 après deux “up” et deux
“down” ? Que vaut Z68 après rien que des “up” ? On dit dans ce dernier cas que le zéro-coupon
d’échéance T = 8 est “above par” ; pourquoi l’existence d’une telle situation paraı̂t-elle être
une critique à formuler contre ce modèle ?
5. Taux actuariels : On appelle taux actuariel d’un zéro-coupon le taux noté ATt (ou a(t, T )) tel que
T −t
ZtT (1 + ATt ) δt = 1.
Il n’est donc défini que pour t < T .
kδt
(a) Définir une fonction A(n,j,k) correspondant au zéro-coupon Znδt (ω) quand Jnδt (ω) = j, qui
est lui de valeur Z(n,j,k).
(b) Représenter l’arbre des taux actuariels joignant chaque valeur de ATt aux deux valeurs ATt+δt
pouvant lui succéder dans ce modèle.
(c) Comment se manifeste ici ce que vous avez observé pour Z68 dans la question précèdente.
6. Caplets et Caps : Lorsqu’on souscrit un prêt à taux variable on peut souhaiter souscrire un contrat
qui prendra en charge le paiement des intérêts dûs, au-delà d’un taux maximal K. Typiquement,
si l’intérêt rT payable à la date T pour l’emprunt d’un euro à la date T − δt, ce contrat payera
(rT − K)+ . Ce contrat s’appelle un caplet à l’échéance T au plafond K. Pour le prêt d’un euro
remboursable à la date Tmax et à intérêts payable à intervalle δt = un an, il convient de souscrire
un Cap, qui est la somme de tous les caplets d’échéance T ∈]0..Tmax ]δt . Comme le modèle de Ho et
Lee est un modèle binaire, un produit dérivé de taux tel qu’un caplet se couvre, à la date t − δt, par
t
un portefeuille comportant à la fois un placement (non risqué) en Zt−δt et un placement (risqué) en
t+δt
Zt−δt . Ceci se calcule de manière similaire au cas des options pour un modèle binaire d’action et,
comme les processus (Z̃tT )t∈[0..T ] sont, pour tout T ∈ T, des (F, P∗ )-martingales, on retrouve pour
la valeur du portefeuille de couverture
CapletTt−δt = E∗ (CapletTt | Ft−δt )/(1 + rt ) (A.9)

(et plus généralement, pour tous s ≤ t, CapletTs = E∗ CapletTt B s
Bt | Fs ).
De manière similaire au cas des zéro-coupons et taux actuariels, notons CapletTt (ω)=Caplet(n,j,k),
toujours avec t = nδt, Jt (ω) =j, et T = kδt.
n=k) Comment définir Caplet(k,j,k) ?
t
n=k-1) Comme 1/(1 + rt ) = Zt−δt , montrer que Caplet(k-1,j,k)=Caplet(k,j,k)*Z(k-1,j,k).
n<k-1) Exprimer Caplet(n,j,k) en fonction de Caplet(n+1,j,k) et Caplet(n+1,j+1,k) lorsque
n<k-1, en utilisant (A.9).
func) Définir une hypermatrice CCaplet(n,j,k) et une fonction Caplet(n,j,k) donnant la valeur
de Capletkδt
nδt (ω) lorsque Jnδt (ω)=j.
Application : Dans le modèle de Ho et Lee considéré (où rδt =2,5%), quel est le prix d’un contrat
de plafonnement à K =4,5% des intérêts payés annuellement sur un emprunt de 1.000.000
euros sur 15 ans. Idem pour un plafonnement à 3,5%

1.02

1.00

0.98

0.96

0.94

0.92

0.90

0.88

0.86

0.84

0.82

0.80
0 1 2 3 4 5 6 7 8
66 ANNEXE A. EXERCICES

A.9 Incidence du paiment d’un dividende sur le prix d’une ac-

tion et d’une option
Le paiement de dividendes est, avec le droit de révoquer le management (les gestionnaires de l’entre-
prise côtée), le principal contrôle qu’exercent les actionnaires sur cette entreprise. La date t∗ et le montant
D de ce dividende sont fixés par l’AG, longtemps avant t∗ . Le marché anticipe donc ce paiement. Si l’on
note Πt la valeur d’un portefeuille géré en dividende réinvesti (on ne modifie pas la somme qu’on a investie
dans l’entreprise), il est légitime de supposer que c’est Πt qui suit un modèle CRR :

Π0 = S0 , Πt+δt = Π± ± + −
t := Πt u avec u = up = u et u = down = d.

Par gestion en dividende réinvesti on entend qu’à la date t∗ , lorsque D est versé, la somme sert à
D
acheter une fraction c = d’action pour chaque action détenue (et donnant droit au versement de D)
S t∗
donc avant t , une action est détenue et donc Πt = St pour t < t∗ , alors qu’à t∗ et après, il y a (1 + c)
∗

actions détenues, et donc

Πt = St (1 + c) (t ≥ t∗ ) (A.10)
1
d’où St = 1+c Πt et en particulier

1 1 1
S t∗ = Πt∗ = Πt∗ −δt u± = St∗ −δt u±
1+c 1+c 1+c
1
= St∗ −δt u±
1 + SDt∗

qui, après calcul, donne simplement

St∗ = St∗ −δt u± − D

alors que pour t > t∗ , (A.10) redonne

St = St−δt u± pour t > t∗ , comme pour t < t∗ .

600 450

400
500
350

400 300

250
300
200

200 150

100
100
50

0 0
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0

1. Que peut-on dire des trajectoires de Π ?

2. Définir une fonction S(n,j1,j2), où j1 représente le nombre de up ayant lieu pour t ≤ t∗ et j2
représente le nombre de up ayant lieu pour t > t∗ , en posant t∗ = N1 δt, avec N1=6 et D = (0.1)S0 (ce
qui signifie que le CA a décidé de verser un dividende égal à 10% de la valeur de l’action à la date t =
0). Vous stockerez ses valeurs dans un hypermatrice SS(0+1 :N+1,0+1 :1+N1,0+1 :1 :(N-N1)+1).
3. Expérimentez pour déterminer la plus grande valeur de N1 acceptée par Scilab avec N=2*[Link]
qu’on n’utilise que les éléments SS(n+1,j1+1,0+1) pour 0 ≤j1≤n≤N1 et SS(n+1,j1+1,j2+1)
pour 0 ≤j2≤n-j1 et 0 ≤j1≤N1. L’hypermatrice SS est donc très creuse : essayez de la déclarer en
sparce ; cela permet-il d’utiliser une plus grande valeur de N1 ?
4. Tracer les trajectoires de S.
5. Calculer et tracer les prix d’options call et put européennes, pour K=SO. On commencera par cal-
culer le vecteur CallAuPaiementDiv(0+1 :N1+1) des valeurs du Call à l’instant t∗ =N1*delta t,
lorsque St∗ =S(N1,j1).
6. Calculez les prix des options call et put américaines, pour K=SO. Qu’observez-vous pour le prix du
Call américain ?
A.10. EXAMEN 2006-2007 67

A.10 Examen 2006-2007

On appelle butterfly BT F := B(T, K1, K2, K3) sur l’actif S de date d’exercice T un contrat payant
à la date T le payoff ϕ(ST ), affine par morceaux, nul en dehors de [K1, K3], maximal en K2 ∈]K1, K3[
du type suivant
25

0
60 70 80 90 100 110 120 130 140

Payoff d’un butterfly B(T, 80, 100, 120) :

1. Montrer qu’on peut réaliser un butterfly B(T, K1, K2, K3) en prenant une combinaison simple de
Call de même date d’exercice et de valeur d’exercise (strike) respective K1, K2, et K3. Indication :
représenter le payoff relatif à la détention d’un Call de strike K1 et la vente (à découvert) de deux
Call de strike K2, ce qu’on peut noter 1 ∗ C K1 − 2 ∗ C K2 .
2. Définir le payoff, comme sur la figure ci-dessus (on supposera dorénavant que K1, K2, et K3 sont
comme sur la figure) par une fonction Scilab, puis tracer son graphe.
3. On considère un modèle de Cox-Ross-Rubinstein d’actif St défini sur [0..T ]δt . On suppose que T = 1,
δt = T /N avec N = 60, S0 = 120, σ = 0.3, le taux continu vaut r = 0.05. Pour t ∈ [0..T ]δt on note
BT Ft la valeur, dans ce modèle, à la date t, du butterfly BT F . Calculer BT F0 .
4. Pour n = 0..N , calculer les valeurs de BT Fnδt en fonction des valeurs de Snδt . Représentez ces
diverses courbes sur un même dessin.
Rappel : la commande Scilab plot2d(AA(1 :M),BB(1 :M),[xmin,ymin,xmax,ymax]) représente
la ligne polygonale joignant les M premiers points dont les abscisses et ordonnées sont les premières
composantes des vecteurs AA et BB, et qui sont dans le rectangle caractérisé par [xmin,ymin,xmax,ymax].
5. On souhaite couvrir 10.000 contrats butterfly B(1, 80, 100, 120). Combien de soujacents S0 doit-on
acquérir ?
6. On considère à présent un contrat butterfly B a (T, K1, K2, K3) de type américain (il donne droit au
payoff à un instant quelconque t ≤ T ) ; on note BT Fta son prix à chaque instant t. Calculer la prime
BT F0a du butterfly américain B a (1, 80, 100, 120). Que remarquez-vous ? Dans ce cas, combien de
soujacents S0 doit-on acquérir pour commencer à couvrir 10.000 contrat de ce butterfly américain
B a (1, 80, 100, 120) ?
7. Un investisseur place 10.000 euros au taux EURIBOR-1Y (taux à un an). On suppose que ce taux
suit un modèle de Ho et Lee (avec un pas de temps égal à un an). Pour une probabilité risque-
neutre π = 0.5 on suppose que δ = 1.01. Le taux EURIBOR actuel (moment du placement) est de
r = 0.044. On suppose que la courbe actuelle des taux sur 15 ans correspond à un taux constant,
égale au taux en vigueur.
Quels sont, dans ce modèle, les intérêts qui pourraient être versés à l’investisseur après un an et
après deux ans ?
8. L’investisseur souhaite se garantir, pendant 15 ans, un flux d’intérêts annuels au moins égaux au
taux à la souscription. Comment s’appelle le contrat garantissant cela ? Notons Fr15 son prix.
9. Quel est, dans le modèle considéré, le prix Fr15 de ce contrat ?
15
10. Représenter la courbe des prix Fr+mδr pour δr = 0.001 et m = −20.. + 20.

A.11 Examen 2007-2008

Nous allons étudier un autre modèle pour le prix d’une action distribuant un dividende qui, tout en
étant aussi réaliste, se prète mieux au calcul pour de grandes valeurs du nombre n de pas de discrétisation
de [0, T ]. Supposons qu’à t = 0 l’assemblée générale des actionnaires décide de la distribution, à la date
∗
t∗ , d’un dividende D pour chaque action détenue. A t = 0 ce dividende futur vaut De−rt et, plus
∗
généralement, il vaut De−r(t −t) à la date t, où r ≥ 0 représente le taux d’intérêt sans risque.
Jusqu’à t∗ le prix St de l’action “inclut” cette valeur déterministe et suit une dynamique
∗
St = Xt + De−r(t −t)
pour t < t∗ , puis (A.11)
∗
St = Xt pour t ≥ t . (A.12)
68 ANNEXE A. EXERCICES

(et le détenteur de l’action à la date t∗ touche à cette date) le dividende D. Le modèle étudié ici consiste
à poser que c’est (Xt )t∈[0..T ]δt qui suit un modèle CRR

Xt+δt = Xt u± ±
t+δt , où ut+δt ∈ {up, down} , (A.13)
√ √
avec up= e+σ δt , et down= e−σ δt , δt =delta t= T /n, où T > t∗ est un “horizon futur”, par exemple
la date d’exercice d’une option européenne que ce modèle doit servir à valoriser (“pricer”).
Comme dans le TD, on fixe T = 1, r = 0.05, R = erδt , sigma= σ = 0.40, S0=120, D=S0*0.10,
n=N1+N2, N1= 6 =N2 (pour commencer), t∗ =N1*delta t
Trajectoires du modèle d’action distribuant un dividende étudié ici : on observera que ce modèle est

450

400

350

300

250

200

150

100

0
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0

bien recombinant ce qui simplifie largement les calculs

1. Que vaut X0 ?
2. Former5 la matrice XX, où XX(i+1,j+1) est la valeur de Xiδt dans le modèle considéré, après j
“up”. Vérifiez que XX(n+1,1)=27,091.. . Quelles valeurs trouvez-vous pour XX(n+1,n+1) et pour
XT /2 après 2 “up” ?
3. Former la matrice SS, où SS(i+1,j+1) est la valeur de Siδt dans le modèle considéré, après j “up”.
Vérifiez qu’après 0 “up" Sδt vaut 108,238 Quelles valeurs trouvez-vous pour SS(n+1,1), et pour
Sδt après 1 “up” ?
4. Calculer la probabilité p = P∗ ({u±
t = up}) (usuelle) pour laquelle X̃t := e
−rt
Xt est une martingale.
5. On considère une option Call à la monnaie sur S, de date d’exercice T et on note Ct sa valeur à
chaque t ∈ [0..T ]δt . On note CC la matrice telle que CC(i+1,j+1)= Ciδt lorsque Siδt a subi j“up”.
Affecter les valeurs convenables à CC(n+1,j+1) pour j=1 :n. Quelles valeurs trouvez-vous pour
CC(n+1,1) et CC(n+1,n+1) ?
6. Affecter les valeurs convenables à CC(i+1,j+1) pour i=n-1 :-1 :N1 et j<=i calculées à l’aide de p
et R. Vérifiez que vous trouvez CC(N1+1,N1+1)= 99.687.. ; que trouvez-vous pour CC(N1+1,N1-1+1)?
7. Prix de l’option à la “veille” de la distribution du dividende.
(a) Calculer la composition (a actions et b cash) du portefeuille de couverture formé la date t =
t∗ − δt, en fonction de S = X + D/R (:= St∗ −δt (ω) = Xt∗ −δt (ω) + e−rδt D =SS(N1-1+1,j+1)),
et de C + et C − , où C + et C − désignent comme d’habitude la valeur de l’option selon que
St∗ = S + ou St∗ = S − . Commencer par exprimer les deux valeurs S + et S − à l’aide de X,
u =up et d =down, puis former le système linéaire caractérisant a et b, en n’oubliant pas que
chaque action reçoit D à la date t∗ .
(b) Calculer le prix C(= Ct∗ −δt (ω)) de ce portefeuille. Trouvez q tel que C = (qC + +(1−q)C − )/R ;
qu’observez-vous ? Affecter les valeurs convenables à CC(N1-1+1,j+1) pour j=0 :N1-1
8. Vérifier de façon analogue que, pour tout t = iδt < t∗ − δt, lorsque St = S = X + R−k D (avec
k = N1 − i), la relation Ct = (pCt+ + (1 − p)Ct− )/R est toujours satisfaite. Affecter les valeurs
convenables à CC(i+1,j+1) pour i=N1-2 :-1 :0.
9. Quel est le prix C0 de l’option à la date t = 0 (prime de l’option) ?
10. On choisit à présent N1=50 et N2=50 ; que vaut dans ce cas la prime C0 ?
11. Soit Πt la valeur du portefeuille composé d’une action pour t < t∗ et d’un action et de son dividende
placé au taux sans risque pour t ≥ t∗ . Calculer Πt en fonction de Xt , r, t, et D et en déduire que
Π̃t := e−rt Πt est une martingale et que le modèle que nous avons étudié est donc sans arbitrage.
5 Veuillez noter qu’à la question 10 on demandera de refaire tous les calculs pour d’autres valeurs de N1 et N2 et que

vous avez donc tout intérêt à déterminer vos réponses à l’aide de commandes consignées dans un fichier [Link] que
vous pourrez ensuite reexécuter pour ces autres valeurs.
A.12. EXAMEN 2008-2009 69

12. En vous inspirant de ce qui a été fait pour CC programmez les valeurs de la matrice CCA telle que
CCA(i+1,j+1) représente cette fois la valeur d’une option américaine Cta (de même date d’exercice
et de même prix d’exercice) à la date t = iδt lorsque l’action a subit j “up”. Quelle valeur de la
prime C0a obtenez-vous (pour N1=50 et N2=50) ? Que remarquez-vous ?

A.12 Examen 2008-2009

Exercice 1. : On considère le modèle CRR d’actif financier lorsque la valeur initiale S0 = 200, la
volatilité σ = 0.42, et le pas de temps δt = 1/120.
1. Calculer avec Scilab une matrice SS(i,j) donnant les différentes valeurs de l’actif et indiquer
ci-dessous les 4 valeurs qu’il peut prendre à l’instant t = 3δt.
2. On suppose que le taux d’escompte monétaire r est constant et vaut r = 0, 2. On considère un Put
européen Pt sur l’actif précédent de prix d’exercice K = 180 et de date d’exercice T = 1 et le Put
américian P at de même prix d’exercice et date d’exercice, sur le même actif. Expliquez comment
se calculent par récurrence rétrograde les prix de ces deux Puts.
3. Calculer avec Scilab deux matrices PP(i,j) et PPa(i,j) qui indiquent le prix de ces deux Put et
préciser ci-dessous les valeurs trouvées pour chacun d’eux à l’instant t = 0. Comment s’appelle la
différence P a0 − P0 ? Expliquer pourquoi elle est positive.
Exercice 2. : On rappelle qu’une option DIP (respectivement DOP) est une option Put qui ne prend sa
valeur à l’instant final T que si le cours de l’actif sous-jacent est passé en dessous (respectivement n’est
pas passé en dessous) d’une barrière qu’on prendra ici égale à L = 160. Définir avec Scilab une matrice
DIP(i,j,k) dont la valeur en i = j = k = 1 est la valeur initiale d’une option DIP. Faire de même pour
une option DOP.
1. Indiquer ci-dessous les valeurs de ces deux options à l’instant t = 3δt, si l’actif sous-jacent n’a cessé
de décroı̂tre entre l’instant t = 0 et l’instant t = 3δt.
2. Que peut-on dire des trois quantités Put, DIP et DOP à l’instant initial ; expliquer.
Exercice 3. :
On désigne par ZZ(i,j,k)la matrice de Scilab représentant dans un modèle de Ho et Lee la valeur
à l’instant t = iδt du zéros coupon de maturité T = kδt lorsqu’il y a eu depuis l’instant t = 0 j “up”.
Exécuter le programme Scilab permettant de calculer les différentes valeurs du Zéro coupon pour les
valeurs suivantes des paramètres du modèle

N max = 15 , r = 0, 02 , pi = 0.5 , delta = 1.015 , δt = 1

Z0kδt = \exp(−rkδt)
1. Indiquer ci-dessous les valeurs trouvées et commentez
15
– Z15 (expliquer)
– Z05 et Z015 (comparer et expliquer)
– Que vaut Z58 après trois “up” et deux “down” ?
– Que vaut Z615 après rien que des “down” ?
2. En vous inspirant des exercices du TP1, écrire un programme Scilab qui simule M trajectoires du
modèle de Ho et Lee puis, à l’aide de la commande histplot, tracer l’histogramme de la loi de cette
marche à l’instant t = 8. Reproduire votre programme ci-dessous et une esquisse de l’histogramme.
Pouvez-vous deviner la loi à l’instant t = T max ?
Exercice 4. :Micro-crédit : modèle de Tadeschi, sans exclusion, avec catégories. On considère un modèle
de Tadeschi simplifié, sans temps d’exclusion, mais avec plusieurs niveaux de bénéficiaires : lorsqu’un
bénéficiaire rembourse son prêt il passe dans un niveau supérieur (qui lui donne accès à plus de prêt
ou à un meilleur taux), jusqu’à un niveau maximal, “hors catégorie”. La seule sanction en cas de non-
remboursement du prêt et des intérêts est la perte du droit automatique à un nouveau prêt et le renvoi
dans le statut de demandeur D. Rappelons qu’un demandeur n’a qu’une probabilité γ de se voir attribuer
un prêt et il devient alors un bénéficiaire “B”. On suppose que tout bénéficiaire a une probabilité α de
ne pas rembourser son prêt : dans ce cas il redevient demandeur. Dans l’autre cas, favorable, il passe en
catégorie supérieure. On envisage quatre catégories : B1 = B, B2 = B + , B3 = B ++ , et B4 = B ∗ , la “hors
catégorie”.
70 ANNEXE A. EXERCICES

1. Ecrire le diagramme de la chaı̂ne de Markov à cinq états D, B1 , B2 , B3 , et B4 correspondant à ce

modèle.
2. Ecrire la matrice de passage P (ou de transition) de cette chaı̂ne.
3. (facultatif) trouver (au moyen de Maple par exemple) son vecteur propre unitaire π ∗ associé à la
valeur propre 1 : c’est une distribution d’équilibre de la chaı̂ne.
4. Rappelons que, sous des hypothèse assez générale, P n tend vers une matrices dont toutes les lignes
sont égales à π ∗ . Application numérique : choisir α = 0.10 et γ = 0.50 ; calculer P 50 et donner π ∗ .
Commentez votre résultat.
Bibliographie

[1] Martin Baxter and Andrew Rennie. Financial calculus. Cambridge University Press, 1999.
[2] Thomas Björk. Arbitrage Theory in Continuous Time. Oxford University Press, 2004.
[3] F. Black and M. Scholes. The pricing of options and corporate liabilities. Journal of Political
Economy, 81 :637–659, 1973.
[4] Nicolas Bouleau. Martingales et marchés financiers. Editions Odile Jacob, 1998.
[5] John Cox, Stephen Ross, and Mark Rubinstein. Option pricing : A simplified approach. Journal of
Financial Economics, 7 :229–263, 1979.
[6] Rose-Anne Dana and Monique Jeanblanc-Piqué. Marchés financiers en temps continu. Economica,
1998.
[7] John Hull. Options, Futures, and other derivatives. Prentice-Hall, 1997.
[8] Jean Jacod and Philip Protter. L’essentiel en théorie des probabilités. Cassini, 2003.
[9] Ioannis Karatzas and Steven E. Shreve. Methods of mathematical finance, volume 39 of Application
of Mathematics, stochastic modelling and applied probability. Springer, 1998.
[10] Damien Lamberton and Bernard Lapeyre. Introduction au calcul stochastique appliqué à la finance,
volume 9 of Mathématiques et applications. Ellipse, 1993.
[11] Marek Musiela and Marek Rutkowski. Martingale methods in Financial modelling, volume 36 of
Applications of mathematics. Springer, 1997.
[12] Stanley R. Pliska. Introduction to mathematical finance, discrete time models. Blackwell publishers,
1997.
[13] Albert N. Shiryaev. Essentials of stochastic finance, volume 3 of Advanced series on statistical science
and applied probability. World scientific, 1999.
[14] Paul Wilmott. Derivatives. John Wiley and sons, 1998.
[15] Paul Wilmott, Sam Howison, and Jeff Dewynne. The mathematics of financial derivatives. Cam-
bridge University Press, 1995.

Vous aimerez peut-être aussi

Calcul Stochastique PDF
Pas encore d'évaluation
Calcul Stochastique PDF
115 pages
Modèles Stochastique Financières
Pas encore d'évaluation
Modèles Stochastique Financières
115 pages
Modèles Stochastiques Et Applications À La Finance PDF
Pas encore d'évaluation
Modèles Stochastiques Et Applications À La Finance PDF
147 pages
Théorie des Options et Arbitrage Financier
Pas encore d'évaluation
Théorie des Options et Arbitrage Financier
127 pages
Stat F 508
Pas encore d'évaluation
Stat F 508
157 pages
M2MNF Cour
Pas encore d'évaluation
M2MNF Cour
42 pages
Mathématiques Financières - Mathfirapport
Pas encore d'évaluation
Mathématiques Financières - Mathfirapport
8 pages
Les Grecs
Pas encore d'évaluation
Les Grecs
220 pages
Calcul stochastique en finance 2016-2017
Pas encore d'évaluation
Calcul stochastique en finance 2016-2017
126 pages
El Karoui
Pas encore d'évaluation
El Karoui
269 pages
Couverture des risques financiers
Pas encore d'évaluation
Couverture des risques financiers
262 pages
Nicole El Karaoui Couverture Des Risques Dans Les Marches Financiers
Pas encore d'évaluation
Nicole El Karaoui Couverture Des Risques Dans Les Marches Financiers
136 pages
Lamberton, Introduction Au Calcul Stochastioue Appliqué À La Finance
100% (1)
Lamberton, Introduction Au Calcul Stochastioue Appliqué À La Finance
254 pages
Arbi G
Pas encore d'évaluation
Arbi G
34 pages
Évaluation des actifs dérivés par calcul stochastique
Pas encore d'évaluation
Évaluation des actifs dérivés par calcul stochastique
213 pages
Processus en Finance
Pas encore d'évaluation
Processus en Finance
132 pages
PDF Gratuit CoursExercices - Com MouvementBrownien Turinici Dauphine Jan16.pdf 385 PDF
Pas encore d'évaluation
PDF Gratuit CoursExercices - Com MouvementBrownien Turinici Dauphine Jan16.pdf 385 PDF
211 pages
Le Modele de Black Et Scholes
100% (1)
Le Modele de Black Et Scholes
16 pages
Modèle de Black-Scholes et valorisation d'options
Pas encore d'évaluation
Modèle de Black-Scholes et valorisation d'options
16 pages
Calcul Stochastique en Finance
Pas encore d'évaluation
Calcul Stochastique en Finance
172 pages
Calcul stochastique en finance
Pas encore d'évaluation
Calcul stochastique en finance
172 pages
(Damien Lamberton, Bernard Lapeyre) Introduction A (B-Ok - Xyz) PDF
Pas encore d'évaluation
(Damien Lamberton, Bernard Lapeyre) Introduction A (B-Ok - Xyz) PDF
254 pages
Evaluation Des Options Américaines (ATTALLAH Sabrina)
Pas encore d'évaluation
Evaluation Des Options Américaines (ATTALLAH Sabrina)
130 pages
Cours Processus Et Calcul Stochastique
Pas encore d'évaluation
Cours Processus Et Calcul Stochastique
79 pages
C 07 05f PDF
Pas encore d'évaluation
C 07 05f PDF
384 pages
Poly Maths Fi S7
Pas encore d'évaluation
Poly Maths Fi S7
63 pages
Méthodes de Monte Carlo Pour La Finance
Pas encore d'évaluation
Méthodes de Monte Carlo Pour La Finance
72 pages
Monte Carlo en Finance: Méthodes et Applications
Pas encore d'évaluation
Monte Carlo en Finance: Méthodes et Applications
72 pages
Cours M2: Processus Stochastiques
Pas encore d'évaluation
Cours M2: Processus Stochastiques
79 pages
Calcul Stochastique en Finance
Pas encore d'évaluation
Calcul Stochastique en Finance
97 pages
Pricing des options européennes : méthodes et modèles
Pas encore d'évaluation
Pricing des options européennes : méthodes et modèles
31 pages
Monte Carlo et Finance Quantitative
Pas encore d'évaluation
Monte Carlo et Finance Quantitative
103 pages
Bouchard - Contrôle Stochastique Appliqué À La Finance (Thèse)
Pas encore d'évaluation
Bouchard - Contrôle Stochastique Appliqué À La Finance (Thèse)
207 pages
Modèle Black-Scholes en finance
Pas encore d'évaluation
Modèle Black-Scholes en finance
25 pages
Modèles de Taux et Risque de Crédit
Pas encore d'évaluation
Modèles de Taux et Risque de Crédit
178 pages
Volatilité et microstructure des marchés
Pas encore d'évaluation
Volatilité et microstructure des marchés
16 pages
Methodes Mathematiques Finance
Pas encore d'évaluation
Methodes Mathematiques Finance
66 pages
CDT PDF
Pas encore d'évaluation
CDT PDF
47 pages
CH2 - ModS Île Binomial CRR
Pas encore d'évaluation
CH2 - ModS Île Binomial CRR
5 pages
Incertitude Épistémique et Options
Pas encore d'évaluation
Incertitude Épistémique et Options
65 pages
Modélisation Des Options Asiatiques Sur Le Taux de Change. Auteur: MARIANE Mouhammed, ENSAE
80% (5)
Modélisation Des Options Asiatiques Sur Le Taux de Change. Auteur: MARIANE Mouhammed, ENSAE
47 pages
Calibration de Mod'eles Et Couverture de Produits D Erivés
Pas encore d'évaluation
Calibration de Mod'eles Et Couverture de Produits D Erivés
143 pages
Calcul Stochastique et Finance
Pas encore d'évaluation
Calcul Stochastique et Finance
197 pages
Modélisation des Options Financières
Pas encore d'évaluation
Modélisation des Options Financières
38 pages
Cours de Finance: Processus Stochastiques
Pas encore d'évaluation
Cours de Finance: Processus Stochastiques
90 pages
Chap 9 - Le Modele Cox-Ross-Rubinstein
Pas encore d'évaluation
Chap 9 - Le Modele Cox-Ross-Rubinstein
43 pages
Cours de Finance de Marché et Exercices
75% (4)
Cours de Finance de Marché et Exercices
40 pages
Modele Binomial
Pas encore d'évaluation
Modele Binomial
53 pages
Maths Ing Fin PDF
Pas encore d'évaluation
Maths Ing Fin PDF
271 pages
Engagements scolaires et méthodes d'apprentissage
Pas encore d'évaluation
Engagements scolaires et méthodes d'apprentissage
6 pages
Statistiques & Probabilités L2 Syllabus
100% (2)
Statistiques & Probabilités L2 Syllabus
3 pages
Recrutement : Test écrit juillet 2022
Pas encore d'évaluation
Recrutement : Test écrit juillet 2022
1 page
2015 Cyberlibris Titres Sciences
Pas encore d'évaluation
2015 Cyberlibris Titres Sciences
496 pages
Épreuve DCG 2019 : Finance d'entreprise
Pas encore d'évaluation
Épreuve DCG 2019 : Finance d'entreprise
14 pages
Enseigner les sciences à l'école primaire
Pas encore d'évaluation
Enseigner les sciences à l'école primaire
12 pages
Formation en gestion de trésorerie
Pas encore d'évaluation
Formation en gestion de trésorerie
2 pages
Feuilletage 112
Pas encore d'évaluation
Feuilletage 112
19 pages
Concours Attaché Territorial: Guide 2022
Pas encore d'évaluation
Concours Attaché Territorial: Guide 2022
21 pages
Cours Gestion Trésorerie BAC+5 Nanterre
Pas encore d'évaluation
Cours Gestion Trésorerie BAC+5 Nanterre
2 pages
Analyse de Coinbase et son modèle économique
Pas encore d'évaluation
Analyse de Coinbase et son modèle économique
13 pages
Analyse Renault pour investisseurs
Pas encore d'évaluation
Analyse Renault pour investisseurs
15 pages
Annales Ijs
Pas encore d'évaluation
Annales Ijs
6 pages
Formation Pratique en Gestion de Trésorerie
Pas encore d'évaluation
Formation Pratique en Gestion de Trésorerie
2 pages
Corrigé Bac Métropole 12 Mai 2022
Pas encore d'évaluation
Corrigé Bac Métropole 12 Mai 2022
10 pages
Exercices de maths 6ème corrigés
Pas encore d'évaluation
Exercices de maths 6ème corrigés
7 pages
Corrigé Bac Spécialité Mathématiques
Pas encore d'évaluation
Corrigé Bac Spécialité Mathématiques
6 pages
Corrigé Bac Polynésie 2022 : Maths Spécialité
Pas encore d'évaluation
Corrigé Bac Polynésie 2022 : Maths Spécialité
6 pages
Corrigé Bac 2022 : Spécialité Mathématiques
Pas encore d'évaluation
Corrigé Bac 2022 : Spécialité Mathématiques
5 pages
Corrigé Baccalauréat Centres Étrangers 2022
Pas encore d'évaluation
Corrigé Baccalauréat Centres Étrangers 2022
7 pages
Corrigé Bac Polynésie 2022 : Mathématiques
Pas encore d'évaluation
Corrigé Bac Polynésie 2022 : Mathématiques
7 pages
Corrige Spe Madagascar Spe 19 Mai 2022 RR
Pas encore d'évaluation
Corrige Spe Madagascar Spe 19 Mai 2022 RR
5 pages
Glidewire r2p Ifu
Pas encore d'évaluation
Glidewire r2p Ifu
2 pages
Module Francais NSI
Pas encore d'évaluation
Module Francais NSI
46 pages
Concours et Formations en Géomatique
Pas encore d'évaluation
Concours et Formations en Géomatique
8 pages
Procedures Et Annexes
Pas encore d'évaluation
Procedures Et Annexes
5 pages
Lire et écrire des fichiers en Go
Pas encore d'évaluation
Lire et écrire des fichiers en Go
5 pages
Chegou A Hora - Coral PDF
Pas encore d'évaluation
Chegou A Hora - Coral PDF
7 pages
Prototypage Rapide et Fabrication Additive
Pas encore d'évaluation
Prototypage Rapide et Fabrication Additive
7 pages
Programme BUT Génie Civil 1ère Année
Pas encore d'évaluation
Programme BUT Génie Civil 1ère Année
6 pages
Contexte Historique de la Psychologie Cognitive
Pas encore d'évaluation
Contexte Historique de la Psychologie Cognitive
28 pages
GPM E5 Travaux Diriges Speciaux Premiere A4 2022-1
Pas encore d'évaluation
GPM E5 Travaux Diriges Speciaux Premiere A4 2022-1
58 pages
Serie2 THL 2022
Pas encore d'évaluation
Serie2 THL 2022
2 pages
Les Perspectives de La Gestion
Pas encore d'évaluation
Les Perspectives de La Gestion
4 pages
Cours API 10-01-25
Pas encore d'évaluation
Cours API 10-01-25
11 pages
TD Maths Tle D Du 31 05 2025
Pas encore d'évaluation
TD Maths Tle D Du 31 05 2025
3 pages
Écriture Scientifique: Quelques Idées Pratiques, Tirées Principalement Du Livre de Joshua Schimel
Pas encore d'évaluation
Écriture Scientifique: Quelques Idées Pratiques, Tirées Principalement Du Livre de Joshua Schimel
17 pages
Programme d'Apprentissage en Dessin Métallique
Pas encore d'évaluation
Programme d'Apprentissage en Dessin Métallique
60 pages
Horaire Examens 1er Semestre 2023-2024
Pas encore d'évaluation
Horaire Examens 1er Semestre 2023-2024
1 page
Modèle Cam Clay
Pas encore d'évaluation
Modèle Cam Clay
13 pages
Examen Final de Chimie Organique 2016
Pas encore d'évaluation
Examen Final de Chimie Organique 2016
4 pages
C C 1-Frnç-4
Pas encore d'évaluation
C C 1-Frnç-4
2 pages
Chapitre 3 Digitalisation STEG AMIN
Pas encore d'évaluation
Chapitre 3 Digitalisation STEG AMIN
3 pages
Timer 68HC11 : Fonctions et Programmation
Pas encore d'évaluation
Timer 68HC11 : Fonctions et Programmation
10 pages
La Trame Pédagogique
Pas encore d'évaluation
La Trame Pédagogique
5 pages
Équations de Lagrange en dynamique
Pas encore d'évaluation
Équations de Lagrange en dynamique
68 pages
Flexion Simple : Exercices de Poutre
Pas encore d'évaluation
Flexion Simple : Exercices de Poutre
4 pages
Exercice 1
100% (1)
Exercice 1
1 page
Techniques de Lecture Rapide Efficaces
Pas encore d'évaluation
Techniques de Lecture Rapide Efficaces
4 pages
ds2 s2 2ac Modc
Pas encore d'évaluation
ds2 s2 2ac Modc
2 pages
Plan de Formation Chef de Travaux Et Doctorant Yannick Ipafa
Pas encore d'évaluation
Plan de Formation Chef de Travaux Et Doctorant Yannick Ipafa
3 pages
Caractères quantitatifs en statistique
Pas encore d'évaluation
Caractères quantitatifs en statistique
4 pages