HEC MONTRÉAL

Persistances de Volatilités Implicites

et Historiques: Une Étude Empirique
sur le S&P 500

Par
Hicham El Ouali

Sciences de la gestion
(Économie Financière Appliquée)

Mémoire présenté en vue de l’obtention du

grade de maı̂trise ès sciences ([Link].)

Janvier 2012
© El Ouali, 2012
Sommaire

Cette étude a pour but de comparer la volatilité historique obtenue à partir

des prix d’un actif sous-jacent à la volatilité implicite obtenue à partir des
prix d’options écritent sur cet actif. Plus précisément, nous comparons les
persistances des chocs de volatilités implicites à celles des volatilités historiques
pour une période allant de janvier 2007 à octobre 2009. Cette période inclut la
crise financière du « Subprime ». Nous trouvons que les persistances historiques
et implicites du S&P500 sont significativement différentes dans plus de 50%
des cas. Cependant, à partir de Juillet 2008, les persistances implicites sont
plus faibles que les persistances historiques.

i
Table des matières

Table des matières ii

Table des figures iv

Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

1 Revue de la littérature 5
1.1 Le comportement aléatoire de la volatilité . . . . . . . . . . . . 5
1.2 Le pouvoir prévisionnel de la volatilité implicite versus celui de
la volatilité historique . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3 La structure de la volatilité implicite . . . . . . . . . . . . . . . 8

2 Le modèle de Duan (1995) 9

2.1 Sous les probabilités physiques . . . . . . . . . . . . . . . . . . . 9
2.2 Sous la mesure risque neutre . . . . . . . . . . . . . . . . . . . . 11

3 Présentation des données 13

3.1 Choix de l’indice : S&P500 . . . . . . . . . . . . . . . . . . . . . 13
3.2 Présentation des options vanilles sur le S&P 500 . . . . . . . . . 15
3.3 Le taux d’interêt sans risque . . . . . . . . . . . . . . . . . . . . 16

4 Méthodologie 18
4.1 Estimation de la volatilité historique . . . . . . . . . . . . . . . 18
4.1.1 La méthode de maximum de vraissemblance . . . . . . . 18
4.1.2 Éstimations . . . . . . . . . . . . . . . . . . . . . . . . . 19

ii
TABLE DES MATIÈRES iii

4.2 Estimation de la volatilité implicite . . . . . . . . . . . . . . . . 24

4.2.1 L’optimisation à résoudre . . . . . . . . . . . . . . . . . 24
4.2.2 Simulation de Monte Carlo . . . . . . . . . . . . . . . . . 25
4.2.3 La variable antithétique . . . . . . . . . . . . . . . . . . 26
4.2.4 Estimations . . . . . . . . . . . . . . . . . . . . . . . . . 27

5 Résultats et analyse 32
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

Bibliographie 41
Table des figures

3.1 Évolution du S&P500 du 3 janvier 2007 au 28 octobre 2009 . . . 14

3.2 Rendements hebdomadaires du S&P500 du 3 janvier 2007 au 28
octobre 2009 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.3 Taux « Eurodollar Deposits »mensuels du 3 Janvier 2007 au 28
Octobre 2009 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

4.1 Évolution de β0 du 3 janvier 2007 au 28 octobre 2009 . . . . . . 20

4.2 Évolution de β1 du 3 janvier 2007 au 28 octobre 2009 . . . . . . 20
4.3 Évolution de β2 du 3 janvier 2007 au 28 octobre 2009 . . . . . . 21
4.4 Évolution de λ du 3 janvier 2007 au 28 octobre 2009 . . . . . . 21
4.5 Évolution de γ du 3 janvier 2007 au 28 octobre 2009 . . . . . . 22
4.6 Évolution de la persistance historique du 3 janvier 2007 au 28
octobre 2009 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
4.7 Évolution de β0 du 3 janvier 2007 au 28 octobre 2009 . . . . . . 28
4.8 Évolution de β1 du 3 janvier 2007 au 28 octobre 2009 . . . . . . 29
4.9 Évolution de β2 du 3 janvier 2007 au 28 octobre 2009 . . . . . . 29
4.10 Évolution de ω du 3 janvier 2007 au 28 octobre 2009 . . . . . . 30
4.11 Évolution de la persistance implicite du 3 janvier 2007 au 28
octobre 2009 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

5.1 Évolution des persistances historique et implicite du 3 janvier

2007 au 28 octobre 2009 . . . . . . . . . . . . . . . . . . . . . . 32
5.2 Bornes inférieure et supérieure de la persistance historique du 3
janvier 2007 au 28 octobre 2009 . . . . . . . . . . . . . . . . . . 33

iv
TABLE DES FIGURES v

5.3 Bornes inférieure et supérieure de la persistance implicite du 3

janvier 2007 au 28 octobre 2009 . . . . . . . . . . . . . . . . . . 34
5.4 Évolution de l’indice VIX entre le 02 Janvier 1990 et le 30 Dé-
cembre 2011 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
5.5 Évolution de la variance historique conditionnelle du 3 janvier
2007 au 28 octobre 2009 . . . . . . . . . . . . . . . . . . . . . . 36
5.6 Évolution de la variance implicite conditionnelle du 3 janvier
2007 au 28 octobre 2009 . . . . . . . . . . . . . . . . . . . . . . 37
5.7 Évolution des variances inconditionnelles historique et implicite
du 3 janvier 2007 au 28 octobre 2009 . . . . . . . . . . . . . . . 38
Remerciements

Je souhaite adresser ici tous mes remerciements aux personnes qui m’ont ap-
porté leur aide et qui ont ainsi contribué à l’élaboration de ce mémoire.
Tout d’abord Monsieur Lars Stentoft, directeur de ce mémoire, pour l’aide et
le temps qu’il a bien voulu me consacrer et sans qui ce mémoire n’aurait jamais
vu le jour. Je le remercie pour son inspiration, sa disponibilité tout au long de
ce mémoire et l’excellence de son encadrement académique.
Aussi, mes remerciements sont adressés à tous mes enseignants, au corps ad-
ministratif de HEC Montréal et à Monsieur Pascal François, Monsieur Tolga
Cenesizoglu et Monsieur Christian Dorion pour avoir accepté d’évaluer mon
travail.
J’adresse mes plus sincères remerciements à tous mes proches et amis, qui m’ont
toujours encouragés et soutenus pendant les périodes difficiles qui ponctuent
la rédaction d’un mémoire.
Enfin, je tiens à remercier mes parents, Smail et Karima El Ouali, pour leur
soutien indéfectible tout au long de ma scolarité. Ils ont démontrés de grandes
qualités de patience et de confiance durant toute la période qui m’a été néces-
saire pour achever mon mémoire et je leur dédie ce travail.

vi
Introduction

L’évaluation de produits dérivés est un sujet fondamental en finance empirique

car ces produits sont abondamment utilisés à des fins de spéculation ou de
couverture. Les modèles de tarifications traditionnellement employés (Black et
Scholes (1973), Merton (1973) 1 , Cox et Rubinstein (1979)) permettent d’éva-
luer une option en fonction des paramètres suivant : le prix de l’actif sous-jacent
(S) ; le prix dexercice (K) ; l’échéance de l’option (T) ; le taux d’intérêt sans
risque (Rf) et la volatilité de l’actif sous-jacent(σ). 2 De tous ces paramètres,
seule la volatilité n’est pas directement observable sur les marchés, les formules
d’évaluations permettent donc de mettre en relation le prix de l’option et la
volatilité de l’actif sous-jacent. D’après ces modèles, la volatilité instantanée
du rendement de l’actif sous-jacent est le paramètre qui a le plus d’influence
sur le prix de l’option.

Il y a principalement deux façons d’estimer la volatilité d’un actif sous-jacent.

La première consiste à utiliser les données historiques de prix de l’actif en
question pour en extraire la volatilité (ce qu’on appelle la volatilité historique :
1. Le modèle de Merton (1973) est une variante du modèle de Black et Scholes (1973).
On utiliseras l’acronyme BSM pour parler du modèle de Black, Merton et Scholes.
2. On prend ici le cas ou il n’y a aucun coût ni bénéfice à détenir l’actif sous-jacent
(comme par exemple des coûts de stockage ou des dividendes)

1
TABLE DES FIGURES 2

σh ). La seconde utilise les prix des différentes options écritent sur cet actif pour
en retirer la volatilité par le biais d’une formule de tarification (ce qu’on nomme
la volatilité implicite : σimp ). 1 Celle-ci peut s’interpéter comme la volatilité
moyenne future prévue par le marché sur la maturité de l’option. En effet, le
propriétaire d’une option a le droit, et non l’obligation, de l’exercer : la valeur
de cette option est donc une fonction non décroissante de la volatilité 2 et le
prix de l’option observé sur le marché contient un estimé de cette volatilité.

Les modèles mentionnés ci-dessus prennent pour hypothèse que la volatilité de

l’actif sous-jacent est constante sur la durée de vie de loption. Or de nombreuses
études ont démontrées que la volatilité de l’actif sous-jacent est loin dêtre
constante pour tout les prix d’exercices et toutes les maturités. Les modèles
dont la volatilité implicite dépend de la date d’échéance sont connus sous le nom
de « structure à terme de la volatilité implicite »(« Term Structure of Implied
Volatility ») et les modèles qui prennent en compte les dates d’échéances et
les maturités sont appelés « Volatility Smile »(Stewart (1995)). De ce fait, la
modélisation de la volatilité est devenue la pierre angulaire de la tarification
d’options.

Partant de l’importance de la modélisation ex - post de la volatilité des ren-

dements d’un actif financier, Engle et Mustafa (1992) estiment le processus de
volatilité implicite de l’indice S&P 500 et le compare au processus de volatilité
historique. Les auteurs concluent que la persistance des deux processus est gé-
1. On exploite ici le lien entre le prix d’une option et la volatilité de l’actif sous-jacent.
On résoud C(σimp ) - Cm = 0 en faisant varier σimp . C() est une formule de tarification
d’option et Cm le prix du marché. La volatilité implicite est le paramètre qui fait en sorte
que le prix théorique est égale au prix observé sur les marchés.
2. Lorsque la volatilité d’un actif sous-jacent augmente, le prix de l’option augmente aussi
puisque le détenteur de cette option aura plus de chance de l’exercer et vice versa.
TABLE DES FIGURES 3

néralement similaire. Cependant, après le crash boursier du 19 octobre 1987, la

persistance du processus de volatilité implicite est significativement plus faible
que celle du processus de volatilité historique. Il semble que les options étaient
sous-tarifées en considérant le processus de volatilité historique, mais l’analyse
de Engle et Mustafa (1992) montre que la persistance de ce choc de volatilité
est réduite ex-post, ce qui a été prédit par le marché des options.

Ainsi, suite à l’importance de la crise financière de 2007, notre projet de re-

cherche consiste à suivre une démarche similaire à celle d’ Engle et Mustafa
(1992) qu’on appliquera à des données plus récentes. Notre mémoire comporte
donc les objectifs suivants :

1. Déterminer la structure de volatilité qui capture le plus fidèlement pos-

sible le processus de volatilité historique de l’actif sous-jacent et estimer
ce processus.

2. Choisir un modèle d’évaluation d’options compatible avec le processus

de volatilité choisi en 1 et utiliser ce modèle pour estimer le processus de
volatilité implicite.

3. Comparer la persistance des deux processus en développant des inter-

valles de confiances pour les estimés.

Le travail sera organisé de la façon suivante. Le deuxième chapitre, la revue

de littérature, présente les différentes études faites sur le sujet et qui abordent
essentiellement la propriété stochastique de la volatilité, le caractère prédictifs
des volatilités implicites et historiques ainsi que la structure de la volatilité. La
troisième section présente le modèle NGARCH de Duan (1995). La quatrième
section détaille la méthodologie ainsi que les données utilisées. Le cinquième
TABLE DES FIGURES 4

chapitre présente les résultats et leur interprétations. Enfin, on conclue en

résumant les résultats obtenus et on ouvre sur d’autres pistes de recherches.
Chapitre 1

Revue de la littérature

1.1 Le comportement aléatoire de la volatilité

Depuis Black et Scholes (1973), le caractère non constant de la volatilité à été

démontré. (Voir Bollerslev et al. (1992)). En effet, une des faiblesses du mo-
dèle de BMS est l’hypothèse de volatilité constante. En inversant la formule de
BMS pour en retirer la volatilité implicite, on obtient une surface de volatilité
qui dépend à la fois du prix d’exercice de l’option ainsi que de sa maturité.
Ce qui est contradictoire avec l’hypothèse de volatilité constante stipulé par
le modèle. À partir de là, de nombreuses études ont permis de réconcilier des
modèles d’évaluations de produits dérives avec la surface de volatilité. Se ré-
férer notamment aux travaux d’Heston (1993), Bates (1996). Il existe deux
grandes familles de modèles communément utilisés : les modèles à volatilité
stochastique en temps continu et les modèles en temps discret suivant une spé-
cification ARCH ou GARCH (autoregressive conditional heteroskedasticity et

5
1.2 Le pouvoir prévisionnel de la volatilité implicite versus celui de
la volatilité historique 6

generalized ARCH ) introduite respectivement par Engle (1982) et Bollerslev

(1986). Bien que les modèles à volatilité stochastique soient efficaces pour tari-
fer les options, ceux-ci peuvent êtres difficiles à mettre en place et la volatilité
continue ne s’extrait pas facilement à partir d’observations en temps discret.
L’avantage des modèles GARCH est que la volatilité est observable à partir de
données discrètes, ce qui porte notre choix sur ces derniers.

1.2 Le pouvoir prévisionnel de la volatilité im-

plicite versus celui de la volatilité histo-

rique

De nombreuses études se sont intéressées à la prévision de la volatilité future.

La plupart des études concluent que la volatilité implicite est un meilleure es-
timateur de la volatilité future que la volatilité historique. Ainsi, Day et Lewis
(1992) ont comparer le pouvoir de prévision de la volatilité implicite à celui
de la volatilité historique en incorporant la volatilité implicite comme variable
explicative dans le modèle GARCH. Les auteurs utilisent les options sur l’in-
dice S&P100 et concluent que la volatilité implicite et la volatilité historique
contiennent toute les deux une information supplémentaire sur la volatilité
future.

Xu et Taylor (1994) ont étendu le travail de Day et Lewis (1992) en tenant

compte de la structure à terme de la volatilité implicite. Les auteurs utilisent
des options sur devises étrangères et concluent que, pour trois quart des op-
1.2 Le pouvoir prévisionnel de la volatilité implicite versus celui de
la volatilité historique 7

tions, la volatilité implicite est supérieure pour prévoir la volatilité future.

Aussi, cette étude stipule que les données historiques n’ajoutent aucun pou-
voir explicatif additionnel.

Stein (1989) utilise la volatilité implicite pour tester l’hypothèse de sur réaction
dans le marché des options. En admettant que la volatilité suit un processus
de retour vers la moyenne, les chocs de volatilité implicite des options proches
de la maturité sont suivis de chocs, dans la même direction mais d’amplitude
moindre, de la volatilité implicite pour les options qui s’éloignent de l’échéance.
Stein obtient que, pour un niveau de retour vers la moyenne donné, la volatilité
implicite des options à long terme sur l’indice S&P100 sur-réagit aux variations
de volatilité implicite des options à court terme.

Poterba et Summers (1986) ont examiné les propriétés de la volatilité implicite

et historique d’options sur indices à trois mois et à six mois pour arriver à une
conclusion opposé à celle de Stein (1989). En effet, ils remarquent que les chocs
de volatilité ne persistent pas pour longtemps et que la volatilité des options
à long terme ne varie pas significativement en réaction aux chocs de volatilité
sur les options à court terme. Canina et Figlewski (1993) se sont aussi intéressé
au caractère prévisionnel de la volatilité implicite. Ils trouvent que la volatilité
implicite n’a aucun pouvoir explicatif alors que la volatilité historique peut
expliquer une partie de la variation de la volatilité réalisé. En obtenant des
coefficients de régression non significatifs, les auteurs parachèvent en disant
que la volatilité implicite a un faible pouvoir de prédiction de la volatilité
actuelle.

Comme nous l’avons vu, les études sont parfois contradictoires et il est difficile
1.3 La structure de la volatilité implicite 8

de déterminer quelle mesure de volatilité, implicite ou historique, permet de

mieux prévoir la volatilité future.

1.3 La structure de la volatilité implicite

Rubinstein (1994) étudie la structure de la volatilité en utilisant les options

sur l’indice S&P500. Rubinstein remarque qu’avant le crah boursier de 1987,
le « smile »de volatilité assumé par les marchés était plat sur les différentes
maturités et prix d’exercices. Ceci revient à dire que la volatilité est à peu
près constante et le modèle de BMS donne des résultats convenables. Après le
crash de 87, la structure de la volatilité à changé pour refléter la perception des
acteurs du marché des options sur cet indice. Les options de vente (« Puts »)
hors-jeu se transigent selon des volatilités implicites plus élevées que les options
d’achat hors-jeu. Les acheteurs de puts étaient probablement disposés à payer
plus pour s’assurer contre des mouvements soudains à la baisse. Il est admis
que des chocs sur le rendement d’un actif sous-jacent influencent la volatilité
future. Par exemple, un rendement absolu élevé est plus susceptible d’être
suivi par un autre rendement absolue avec une volatilité persistante. Aussi, la
volatilité augmente davantage suite à une mauvaise nouvelle que suite à une
bonne nouvelle. Ceci implique quil existe une corrélation négative entre les
rendements et la volatilité. Cette propriété importante a mené Engle et Ng
(1993) à développer un modèle pour tenir compte de cet effet.
Chapitre 2

Le modèle de Duan (1995)

Duan (1995) utilise des méthodes d’évaluations d’options GARCH pour mo-
déliser l’évolution du « smile » de volatilité. Duan utilise le modèle d’Engle
et Ng (1993), une version asymétrique non linéaire du modèle GARCH (N-
GARCH). Ce modèle inclut une provision spéciale pour l’effet de levier (« Feed
Back Effect », ou corrélation négatif entre les rendements et la volatilité). Nous
présentons le modèle de Duan (1995) ci-dessous :

2.1 Sous les probabilités physiques

Soit St le prix de l’actif sous-jacent à la date t et ht+1 la variance conditionnelle

des rendements logarithmiques sur la période [t, t + 1], les prix de l’actif sous-
jacent suivent le processus suivant :

9
2.1 Sous les probabilités physiques 10

p 1 p
Ln(St+1 /St ) = r + λ ht+1 − ht+1 + ht+1 t+1
2 (2.1)
2
ht+1 = β0 + β1 ht + β2 ht (t − γ)

Avec :

–  = Variable aléatoire suivant la loi normale centrée réduite.

– λ = Prime de risque unitaire pour l’actif.
– γ = Paramètre qui capture la corrélation négative entre les rendements et
la volatilité.
– r = Taux d’intérêt sans risque.

L’auteur effectue une régression des Call et des Put de même maturité pour
obtenir la valeur de l’indice ajusté aux dividendes (S(T )) et le taux d’inté-
rêt sans risque (r(T ))pour une maturité donnée. La régression se base sur la
relation de parité Put - Call suivante :

C(T, X) − P (T, X) = S(T ) − Xexp[−T ∗ r(T )].

Avec C(T, X) et P (T, X) respectivement le prix du Call et le prix du Put pour

un prix d’exercice X et une maturité T .

Duan calcule les volatilités GARCH implicites en minimisant le carrés des

résidus entre le modèle GARCH ajusté et les volatilités implicites du marché en
utilisant la procédure d’optimisation itérative de Newton-Raphson. Il conclut
que l’ajustement est convenable.
2.2 Sous la mesure risque neutre 11

Ensuite, l’auteur teste son approche hors échantillon en utilisant les données
une semaine après la période d’estimation. Le but est de savoir si le modèle
avec des valeurs prédéterminées est capable de décrire le « smile » de volatilité.
Les résultats de ce test sont bons.

Notre choix d’utiliser la méthode de Duan est motivé par le fait que celui-ci
propose un modèle d’ajustement structurel basé sur les techniques dévaluations
GARCH, non seulement capable de bien ajuster le « smile » et la structure à
terme de la volatilité implicite, mais aussi d’obtenir des valeurs de paramètres
consistantes avec celles obtenues à partir des estimations GARCH en utilisant
les rendements de l’actif sous-jacent. Aussi, cette méthode permet d’ajuster la
structure de volatilité sur des données hors échantillon. Nous utiliserons aussi
le modèle de Duan (1995) sous les probabilités risque-neutre.

2.2 Sous la mesure risque neutre

D’après Duan (1995), le système localement neutre au risque est :

1 p
Ln(St+1 /St ) = r − ht+1 + ht+1 νt+1
2 (2.2)
2
ht+1 = β0 + β1 ht + β2 ht (νt − ω)

Avec ω = γ + λ et l’innovation t à été remplacé par (νt − λ) dans le processus

qui met à jour la volatilité locale. Vue de la date t, νt+1 est une variable aléatoire
normale.

Pour s’assurer que la volatilité conditionnelle reste positive, β0 , β1 et β2 doivent

2.2 Sous la mesure risque neutre 12

être non-négatifs. Ce modèle à quatre variables qui doivent être estimer en plus
de la volatilité initiale h1 : β0 , β1 , β2 et ω. Ces quatre paramètres sont constants.
La volatilité inconditionnelle est donnée par :

s
β0
σ= 365 ∗ .
1 − β1 − β2 (1 + ω 2 )

Ainsi, pour s’assurer que la variance inconditionnelle est finit (« Bounded »)

et stationnaire, il faut que l’equation suivante soit respectée :

β1 + β2 (1 + ω 2 ) < 1 (2.3)

Cette expression représente la persistance du processus de volatilité et est cen-

trale à notre recherche. Notons que sous les probabilités physique, la persistance
est donnée par :

β1 + β2 (1 + γ 2 ) < 1 (2.4)
Chapitre 3

Présentation des données

3.1 Choix de l’indice : S&P500

Pour estimer le processus de volatilité historique, nous avons besoin d’un in-
dice qui reflète l’économie de manière générale. Représentant les 500 entre-
prises publiques les plus importantes (en terme de capitalisations boursière)
aux États-Unis, l’indice SP 500 répond à ce critère.

Notre choix d’indice à aussi été motivé par les caractéristiques des options
écrites sur cette indice. En effet, le marché d’options sur le S&P500 est le plus
actif de tout les marchés d’options sur indice. Il y a donc moins de problèmes
de liquidités ou de faibles volumes de transactions. Aussi, l’existence d’options
vanilles européennes de différentes maturités et différents prix d’exercices sim-
plifie la tarification et rend possible l’utilisation du modèle de Duan (1995).
Enfin, Rubinstein (1994) explique que le S&P500 est le meilleur marché pour
tester un modèle d’évaluation d’options européennes, (l’efficacité du modèle de

13
3.1 Choix de l’indice : S&P500 14

Duan à tarifer l’indice S&P500 nous aidera à minimiser les erreurs de réplica-
tion dont on parle au prochain chapitre). Nous utilisons donc les options sur le
S&P500 pour estimer le processus de volatilité implicite. Les figures suivantes
illustrent les valeurs ainsi que les rendements hebdomadaire du S&P500 pour
la période couverte par notre étude.

Figure 3.1: Évolution du S&P500 du 3 janvier 2007 au 28 octobre 2009

Figure 3.2: Rendements hebdomadaires du S&P500 du 3 janvier 2007 au 28 octobre

2009
3.2 Présentation des options vanilles sur le S&P 500 15

3.2 Présentation des options vanilles sur le S&P

500

Nous utilisons les données relatives aux prix de clôture des options d’achats
(« Call ») sur l’indice S&P500 (GSPX) pour plusieurs échéances et différents
prix d’exercices. Ce sont des options européennes expirant le troisième ven-
dredi du mois d’échéance du contrat. Notre base de données 1 est composée
de cotations quotidiennes pour la période allant du mercredi 3 janvier 2007
(premier jour ouvrable de 2007) au 28 octobre 2009. Pour chaque journée ou-
vrable, les données comprennent la date d’expiration de l’option, le volume de
transaction, le « Bid », le « Ask », le « Last » 2 . Pour chaque journée ouvrable
couverte par notre étude, nous incluant à notre base de données le niveau
de l’actif sous-jacent (« Adjusted close », soit le prix de fermeture ajusté en
fonction des dividendes.) 3

Rappelons que la volatilité implicite s’interprète comme la volatilité moyenne

future prévue par les marchés sur la durée de vie de l’option. En comparant
celle-ci à la volatilité historique, on étudie comment le marché à réagit à la
crise financière de 2007. Nous allons donc utiliser exclusivement des options à
« moyen terme ». Cependant, pour obtenir une surface de volatilité adéquate, il
est primordial d’inclure plusieurs maturités ainsi que plusieurs degrès d’enjeu.

Nous retenons les cotations de chaque mercredi en ignorant les options dont la
1. La base de données provient d’OptionMetrics et a été fournie par le laboratoire de
calcul et d’exploitation de données (LACED) de HEC Montréal
2. Pour les journées pour lesquelles le last n’était pas coté, nous avons pris la moyenne
du « Bid »et du « Ask ».
3. Le niveau de l’indice est obtenu sur le site Yahoo Finance (« http :/fi-
[Link]/ »).
3.3 Le taux d’interêt sans risque 16

maturité est inférieur à cinq jours ouvrables (soit une semaine), et celles dont
la maturité est supérieur à trois mois. En effet, les options dont l’échéance
est inférieure à 5 jours ont une volatilité implicite trop instable tandis que
celles dont l’échéance depasse trois mois n’entre pas dans la logique « moyen
terme »expliquée précédement.

Aussi, nous allons considéré différents degrés d’enjeu. Nous prenons les options
dont le degré d’enjeu ( K
S
) va de 0.80 à 1.20. Au dela de cet intervalle, certaines
cotations n’existait pas, ou aucun volume n’était enregistré. Les calls proche
de la monnaie étant en générale plus échangés, leur cotations représente une
information de qualité, nous avons donc favorisé les calls dont le degré d’enjeu
se situe entre 0.95 et 1.05 en en incluant davantage dans notre base de données.

Le résultat de ces selections est une base de données conprenant 7131 options
cotées sur 148 jours ouvrables. Nos données sont à la fois composées de séries
temporelles (pour chaque date t,ou chaque mercredi) et de données en coupe
transversales (différents prix dexercice et différentes maturités par date t). Ceci
s’apparente à des données de panel.

3.3 Le taux d’interêt sans risque

Nous utilisons un taux d’intérêt sans risques tiré des taux « Eurodollar De-
posits »1 mois. Pour simplifier nos estimation, on utilise un taux constant qui
correspond à la moyenne des taux « Eurodollar Deposits »1 mois sur la pé-
riode à l’étude. Cette démarche est similaire à celle utilisé par Rombouts et
Stentoft (2009). Le graphique suivant illustre l’évolution des taux « Eurodollar
3.3 Le taux d’interêt sans risque 17

Deposits »ainsi que le taux moyen utilisé dans le cadre de ce mémoire (r =

3.17%)

Figure 3.3: Taux « Eurodollar Deposits »mensuels du 3 Janvier 2007 au 28 Octobre

2009
Chapitre 4

Méthodologie

Nous cherchons à estimer les equations 2.1 et 2.2 de deux facon différentes.

4.1 Estimation de la volatilité historique

4.1.1 La méthode de maximum de vraissemblance

D’abord, nous utilisons les valeurs observées de l’actif sous-jacent pour en

retirer le processus de volatilité historique. Ceci est accompli en utilisant la
méthode de maximum de vraisemblance avec l’algorithme BHHH d [Engle et
al., 1987]. En assumant la normalité conditionnelle du terme d’erreur νt , la
fonction de Log-vraisemblance à maximiser est donnée par :

T
X
ln(L) = −0.5(ln(ht ) + 2t ) (4.1)
t=1

18
4.1 Estimation de la volatilité historique 19

On maximise la fonction ci-dessus en faisant varier l’ensemble des paramètres

à estimer : θ = [β0 , β1 , β2 , λ, γ]. À partir de ces paramètres obtenus, nous
calculons la persistance donnée par β1 + β2 (1 + γ 2 ).

4.1.2 Éstimations

Pour trouver les paramètres optimaux, nous utilisons la fonction Matlab fmin-
con 1 . Cette fonction optimise la fonction de vraissemblance tout en respectant
la contrainte de persistance inférieur à 1 (équation 3.3). On calcule ensuite les
écarts-types des paramètres estimés en utilisant la matrice d’information de
Fisher. On obtiens celle-ci en appliquant des chocs sur tout les paramètres.
L’inverse de cette matrice est la matrice de variance-covariance.

Le premier paramètre du modèle (correspondant au 3 Janvier 2007) est calculé

en utilisant la valeur de l’actif sous-jacent sur 252 jours 2 précédent la date as-
socié au paramètre. Puis, pour chaque date de cotation incluse dans notre base
de données, les paramètres du modèle sont estimés en utilisant un « extended
rolling window » sur toute la série jusqu’a la date en question. Nous obtenons
une série de paramètre allant de Janvier 2007 à Octobre 2009. Plus pécisément,
nous obtenons 148 estimations pour chacun des cinq paramètres du modèle.
Les figures ci-dessous illustre les paramètres optimaux obtenus.
1. « Find Minimum of Constrained Nonlinear Multivariable Function »
2. Ceci correspond à une année de cotation
4.1 Estimation de la volatilité historique 20

Figure 4.1: Évolution de β0 du 3 janvier 2007 au 28 octobre 2009

Figure 4.2: Évolution de β1 du 3 janvier 2007 au 28 octobre 2009

4.1 Estimation de la volatilité historique 21

Figure 4.3: Évolution de β2 du 3 janvier 2007 au 28 octobre 2009

Figure 4.4: Évolution de λ du 3 janvier 2007 au 28 octobre 2009

4.1 Estimation de la volatilité historique 22

Figure 4.5: Évolution de γ du 3 janvier 2007 au 28 octobre 2009

Le choix d’un « extended rolling window » est justifié par le fait que les para-
mètres obtenus par cette méthode sont plus stables et l’optimisation converge
avec plus de facilité que lorsqu’on utilise un « rolling window » standard. Le
graphique ci-dessous présente la persistance calculé à partir des paramètres
optimaux par l’équation 3.4.
4.1 Estimation de la volatilité historique 23

Figure 4.6: Évolution de la persistance historique du 3 janvier 2007 au 28 octobre

2009

β0 est quasi-nul, β1 tourne autour de 0.8 tandis que β2 se situe entre 0.005
et 0.14. ces valeurs sont similaires à ce qu’on retrouve dans la littérature (se
référer à Christoffersen et Jacobs (2004)). Ainsi, ces paramètres semblent plau-
sibles. Le γ est environ égale à 0.9 ce qui est plus élevé que se qu’on retrouve
dans la littérature ( généralement entre 0.7 et 0.8). l’ordre de grandeur du pa-
ramètre λ est aussi en concordance avec la littérature, cependant, ce dernier
est souvent nul. Or les résultats en terme de persistance semblent plausible et
la convergence des paramètres se fait bien.
4.2 Estimation de la volatilité implicite 24

4.2 Estimation de la volatilité implicite

4.2.1 L’optimisation à résoudre

La volatilité historique estimée précédement ignore l’information que contiennent

les cotations d’options écritent sur l’actif sous-jacent. Pour estimer la volatilité
implicite, nous utilisont à la fois les valeurs de l’indice et les prix des options
écrites sur cet indice. Pour ce faire, nous estimons les paramètres du modèle
en minimisant l’erreur de tarification. En effet, il est normal que le prix d’une
option théorique obtenue à l’aide d’un modèle de tarification diffère du prix
observé (se référer à Day et Lewis (1992) pour plus de détails à ce sujet). L’er-
reur de tarification est la différence entre le prix du marché observé et le prix
théorique obtenue par l’équation 3.2). On utilise l’approche des moindres car-
rés. La fonction objectif à minimiser est la somme du carré des erreurs (SCR)
définie comme :

T X
Nt
X  C θ (Ki , T ) − C M (Ki , T ) 2
i i
minθ (4.2)
t=1 i=1
bidi − aski

où Nt est le nombre de contrats transigé à la date t, Ciθ (Ki , T ) le prix théorique
donné par le modèle de Duan, CiM (Ki , T ) sont le prix observé et est un vecteur
représentant l’ensemble des paramètres soient [β0 , β1 , β2 , ω, h1 ]. La minimisa-
tion est pondérée par le « Bid-Ask spread »pour accorder plus d’importance
aux options les plus liquides.
4.2 Estimation de la volatilité implicite 25

4.2.2 Simulation de Monte Carlo

Le modèle NGARCH de Duan (1995) de l’équation 3.2 n’a pas de solution

analytique fermée. Ainsi, pour estimer Ciθ (Ki , T ), nous devons utiliser une
simulation de Monte Carlo. Le principe est de simuler plusieurs trajectoires
possibles pour l’actif sous-jacent. On calcule ensuite la valeur d’un call pour
chaque trajectoire. Le prix théorique retenue est la moyenne de ces prix. Ainsi,
l’estimateur Monte Carlo du prix du call est :

n
θ 1X
φ = C(θi ) (4.3)
n i=1

Avec n le nombre de trajectoire simulée et θi l’ensemble de paramètre obtenue

pour la trajectoire i. Ainsi, le prix d’une option est calculé n fois pour chaque
trajectoire i. Le prix de l’option retenue est la moyenne des prix simulés.

Pour générer les différents scénarios, le processus de volatilité est donnée par :

ht+1 = β0 + β1 ht + β2 ht (Ut − ω)2 (4.4)

Où U est un tirage aléatoire de la loi normale centrée réduite. De ce fait, le

prix de l’actif sous-jacent deviens une variable aléatoire ce qui va créer des
problèmes de convergences. La solution est abordée à la section suivante.
4.2 Estimation de la volatilité implicite 26

4.2.3 La variable antithétique

Étant donnée que les prix des options obtenues par simulation sont des va-
riables aléatoires, nous utilisons la technique de la variable anthitétique pour
en améliorer la convergence. Soit σ 2 ≡ V ar[C(θ)] et l’estimateur de Monte
Carlo est indépendement et identiquement distribué, on a :

n
θ 1X
V ar[φ ] = V ar[ C(θi )]
n i=1
n
1 X
= 2 V ar[C(θi )]
n i=1

σ2
=
n

Pour améliorer la convergence il faut diminuer la variance de l’éstimateur. Cela

peut ce faire en augmentant le nombre de simulations (n) au détriement d’un
temps de calcul plus élevé. On peut cependant trouver un éstimateur donc la
σ2
variance est inférieur à n
sans changer le nombre de simulations en utilisant
une technique de réduction de variance. On choisit d’utiliser la méthode de la
variable anthitétique.

Lorsqu’une simulation est effectuée, on obtient l’estimateur du prix de l’op-

tion C(θi (U ). Sans refaire une deuxième simulation, nous pouvons obtenir un
deuxième estimateur en inversant le signe des tirages de la variable U. Le nouvel
estimateur C(θi (−U ) est valable en raison de la symétrie de la loi normale. 3
3. Les explications sont inspirées du cours Produits Dérivés 2 donné par Mr Pascal Fran-
cois, Professeur Agrégé à HEC Montréal, ainsi que de son livre : « Les produits dérivés
financiers, méthodes d’évaluation »publié chez Dunod.
4.2 Estimation de la volatilité implicite 27

Il est donc possible d’utiliser un nouvel estimateur de Monte Carlo ϕθ donné

par :

C(θi (U )) + C(θi (−U ))

ϕθ = E[ ]
2

Dont la variance est :

1
V ar(ϕθ ) = (σ 2 + Cov(C(θi (U )), C(θi (−U )) ≤ σ 2
2

Le nouvel estimateur obtenut par la technique de la variable antithétique a une

variance plus petite, ce qui améliore la convergence des prix d’options obtenus
par simulation.

4.2.4 Estimations

Pour résoudre l’optimisation (équation 5.2), on utilise la fonction MATLAB

« lsqnonlin ». Nous effectuons l’optimisation pour chaque journée incluse dans
notre base de donnée (tout les 5 jours ouvrables à partir du 3 Janvier 2007 soit
148 dates). Notons que la fonction « lsqnonlin »résoud les problèmes d’opti-
misations non linéaires par la méthode des moindres carrés. Nous devons donc
simplement lui fournir un vecteur de prix obtenue par une formule de tarifi-
cation ainsi qu’une fonction d’erreur de tarification ([Ciθ (Ki , T ) − CiM (Ki , T )])
pondéré par le « Bid-Ask Spread »L̇a fonction élève ensuite le vecteur d’er-
reurs de tarifications au carrés. Nous utilisons l’algorithme d’optimisation par
défault qui est « trust-region-reflective » basé sur la méthode de Newton. (Pour
4.2 Estimation de la volatilité implicite 28

plus de détails, se référer à Coleman et Li (1994) et Coleman et Li (1996))

Pour U, le tirage de la loi normale centrée réduite (équation 5.4), on utilise la

fonction « randn » de Matlab. Nous simulons 5000 trajectoires. Les paramètres
optimaux sont présentés ci-dessous.

Figure 4.7: Évolution de β0 du 3 janvier 2007 au 28 octobre 2009

4.2 Estimation de la volatilité implicite 29

Figure 4.8: Évolution de β1 du 3 janvier 2007 au 28 octobre 2009

Figure 4.9: Évolution de β2 du 3 janvier 2007 au 28 octobre 2009

4.2 Estimation de la volatilité implicite 30

Figure 4.10: Évolution de ω du 3 janvier 2007 au 28 octobre 2009

Comme pour l’estimation par maximum de vraisemblance, les valeurs obtenue

pour β0 , β1 et β2 sont similaires à ce qu’on retrouve dans la littérature. On
constate que ceux-ci sont beaucoup plus volatils que les paramètres historiques
présentés à la section précédente. Sous la mesure risque neutre, le paramètre ω
équivaut à la somme de λ et γ. Celui-ci connait de larges variations (entre 0.85
et 3.48) alors que les paramètres λ et γ varie relativement peu (respectivement
entre 0.0001 et 0.109, et entre 0.8996 et 0.9). Dans l’ensemble, les résultats en
terme de persistance semble plausible et la convergence des paramètres se fait
bien. Le graphique ci-dessous présente la persistance implicite calculée à partir
des paramètres optimaux par l’équation 3.3.
4.2 Estimation de la volatilité implicite 31

Figure 4.11: Évolution de la persistance implicite du 3 janvier 2007 au 28 octobre

2009
Chapitre 5

Résultats et analyse

Cette section portera sur l’analyse des résultats obtenus ainsi que sur la com-
paraison entre les paramètres historiques et implicites.

L’objectif premier de ce mémoire consiste à comparer les persistances de vo-

latilités historiques et implicites sur le S&P500. Le graphique suivant illustre
l’évolution de ces deux mesures sur toute la période à l’étude.

Figure 5.1: Évolution des persistances historique et implicite du 3 janvier 2007 au

28 octobre 2009

32
 33

Une simple analyse visuel du graphique précédent permet de dire que les deux
persistances suivent des tendances similaires. Ceci est confirmé puisque un
coeficient de corrélation entre les deux série de 0.8002, soit une corrélation
relativement élevée.

Dans le but de comparer les deux persistances pour chaque journée que com-
prend notre base de donnée et savoir si celles-ci sont significativement diffé-
rente, nous construsons des intervalles de confiances définis comme étant :

σ(Π)
I = [Π ± 1.96 ∗ √ ] (5.1)
n

Où Π représente la mesure de persistance pour une journée donnée, n le nombre

d’observations sur lequelles l’estimation à été faite, et 1.96 reflète le degré
de confiance de 95%. Les écart types ainsi que les erreurs d’estimations sont
obtenus par le biais de la matrice d’information de Fisher comme expliqué
précédement (l’erreur d’estimation étant l’expression 1.96 ∗ √σ(Π)
n+1
.). Ci-dessous,
les représentations graphiques des intervalles de confiances des persistances
historiques et implicites.

Figure 5.2: Bornes inférieure et supérieure de la persistance historique du 3 janvier

2007 au 28 octobre 2009
 34

Figure 5.3: Bornes inférieure et supérieure de la persistance implicite du 3 janvier

2007 au 28 octobre 2009

Nous obtenons 148 intervalles de confiances pour les persistances historiques,

et 148 autres pour les persistances implicites. Nous trouvons que, avec un degré
de confiance de 95%, les deux mesures de persistances sont significativement
différentes pour 86 observations sur 148 (soit environ 58% des fois). Pour un
degré de confiance de 99%, celles ci diffèrent 76 fois (environ 51% des fois). Ce
résultat surprenant est en inédaquation avec la conclusion tirée par Engle et
Mustafa (1992). Rappelons que ceux-ci ont conclus que la persistance implicite
de la volatilité du S&P500 est généralement similaire à sa persistance histo-
rique. Les auteurs précisent cependant que pour la période suivant le crash
du 19 Octobre 1987, la persistance implicite est bien inférieur à la persistance
historique.

La différence entre les résultats d’Engle et Mustafa (1992) et les nôtres peut
s’expliquer par plusieurs facteurs. Du point de vue des données, les niveaux de
volatilités observés à la fin des années 80 sont plus faibles que ceux observés
 35

pour la période allant de 2008 à 2009 (l’indice VIX 1 est de 17 2 pour le premier
jour de 1990 versus 32 en moyenne pour 2008 et 2009.). Avec des niveaux
de volatilités plus élevés, les paramètres du modèle N-GRACH obtenus par
estimation sont moins stables. Aussi, la crise de 1987 se caractérise par une
journée (le 19 octobre) ou l’indice S&P500 à baissé de plus de 20% (passant de
282.70 à 224.54) alors que la crise de 2007 est caractérisée par une succession
de baisses et de hausses et il est difficile d’identifier une journée en particulier
comme étant une journée de crise. Notons qu’en estimant un modèle AR(1)
pour le VIX sur la période à l’étude, on obtient une persistance de 0,9954.
Ce niveau élevé est surement dû au fait que le VIX est une estimation de la
volatilité implicite sur 30 jours alors que les paramètres estimés dans le cadre
de ce mémoire prennent en compte des données allant de 5 à 90 jours.

Figure 5.4: Évolution de l’indice VIX entre le 02 Janvier 1990 et le 30 Décembre

2011

1. Le VIX, ou « Chicago Board Options Exchange Market Volatility Index » est une
mesure de volatilité implicite des options sur l’indice S&P500. Le VIX est une estimation de
la volatilité espéré de l’indice sur 30 jours et il est souvent considéré comme une mesure du
niveau de confiance ou de « peur »des participants aux marchés boursiers (« Fear Index ».
2. Un niveau de 17 s’interprète comme suit : les options sont tarifées avec l’hypothèse,
à 68% de vraissemblance (ou 1 écart-type) que sur les prochains 30 jours, le rendements
17%
absolue du S&P500 sera inférieur à 4.90% (soit √ 12
= 4.90%.)
 36

Du point de vue de la méthodologie, Engle et Mustafa (1992) estiment les

paramètres historiques et implicites à deux dates distinctes, le 1er Juin 1987
et le 19 octobre 1987. Nous estimons les paramètres successivement pour 148
dates différentes. Sachant que pour une grande partie de la période à l’étude
les conditions de marché sont inhabituelles (haute volatilité et rendements
quotidiens absolus élevés) il est plausible de trouver une différence significative
entre persistances historiques et implicites dans plus de 50% des cas.

Cependant, on retrouve la même intuition économique. Ainsi, en étudiant le

graphique 6.1, on remarque que jusqu’a Juillet 2008, la courbe de persistance
implicite est au dessus de celle de la persistance historique. Puis, apres Juillet
2008, la tendance s’inverse et la persistance implicite deviens plus faible. Cette
période correspond à une hausse marquée et continue de la variance condition-
nelle historique. Au même moment, il y a un pic de la variance conditionnelle
implicite, ou une hausse importante mais temporaire qui dure environ trois
mois.

Figure 5.5: Évolution de la variance historique conditionnelle du 3 janvier 2007 au

28 octobre 2009
 37

Figure 5.6: Évolution de la variance implicite conditionnelle du 3 janvier 2007 au

28 octobre 2009

En résumé, le début de l’année de 2008 à été marqué par une forte baisse
de l’indice S&P500 (voir graphique 4.1 et 4.2 ) et un niveau de volatilité en
hausse. On peut penser que les intervenants du marché boursier s’attendent
à ce que cette volatilité persistent pour une longue période. Ainsi, pour la
première partie de 2008 la persistance implicite est généralement supérieure à
la persistance historique. Cependant, autour du mois de juillet 2008, il semble
que les participant au marché boursier ont perçu un changement structurel du
procesus de variance conditionelle et la persistance implicite deviens inférieur
à la persistance historique, et ce pour tout le reste de la période à l’étude
(graphique 6.1). Ceci est aussi vrai pour les volatilités inconditionnelles. En
effet, à partir de juillet 2008, la volatilité implicite inconditionnelle devient
inférieure à la volatilité historique inconditionnalle (à l’exception de certains
pics isolés) pour le reste de la période.
 38

Figure 5.7: Évolution des variances inconditionnelles historique et implicite du 3

janvier 2007 au 28 octobre 2009
Conclusion

Cette étude a permis de comparer la volatilité historique du S&P500 à la vola-

tilité implicite obtenue à partir d’options écritent sur cet indice. Pour estimer
les processus de volatilités implicites et historiques, et donc les persistances
qui en découlent, nous utilisons le modèle NGARCH de Duan (1995). Nous
avons choisi ce modèle car il prend en compte l’effet de levier, ou la corrélation
négative qui existe entre le rendement d’un actif financier et sa volatilité.

Pour le processus de volatilité historique, nous avons estimé les différents para-
mètres du modèle de Duan par maximum de vraissemblance. Pour le processus
de volatilité historique, les paramètre optimaux ont été obtenues par la mé-
thode des moindres carrés non linéaire. Nous avons eu recours à des simulations
de Monte Carlo, ainsi qu’à la méthode de la variable antithétique pour amélio-
rer la convergence. Les deux processus ont été estimés en utilisant des options
d’achats transigés chaque Mercredi pour une période allant du 03/01/2007 au
28/10/2009. Pour chaque journée, nous obtenons une persistance historique
et une persistance implicite pour lesquelles on développe des intervalles de
confiance.

En utilisant les intervalles de confiances, nous trouvons que les deux persis-

39
 40

tances sont significativement différentes dans plus de 50% des cas. Cependant,
on décèle deux périodes ou les résultats sont intéressant. Au début de l’année
2008, l’indice S&P500 a connu une forte baisse. Les acteurs des marchés finan-
ciers s’attendaient à ce que cette volatilité persiste pour une longue période. La
persistance implicite est supérieur à la persistance historique pour toute la per-
mière moitié de l’année 2008. À partir de juillet 2008, le marché des options
à perçu un changement structurel dans la volatilité et la volatilité implicite
devient inférieur à la volatilité historique pour tout le reste de la période à
l’étude. Il semblerait que les participants au marché ont utilisés des modèles
d’évaluations différents ou qu’il aient ajustés leurs modèles pour tenir compte
de cette volatilité plus importante.

Il serait intéréssant de réitérer notre démarche en considérant une période

d’étude plus longue ainsi que des cotations quotidiennes. En effet, la crise
du « Subprime »est caractétisé par une longévité très importante. Ainsi, on
commencant les éstimation quelques années avant 2007, on pourrait obtenir des
résultats intéréssants. Aussi, il serait désirable d’inclure dans la base de donnée
les options de ventes. Dans son étude, Rubinstein (1994) trouve qu’après le
crash boursier de 87, les options de ventes se transigent selon des volatilités
implicites plus élevées que les options d’achat hors-jeu puisque les acheteurs
sont probablement disposés à payer plus pour s’assurer contre des mouvements
soudain à la baisse. Inclure des « Puts »à une étude similaire à la notre pourrait
explorer ce résultat.
Bibliographie

Bates, D. (1996). Jumps and stochastic volatility : Exchange rate processes

implicit in deutsche mark options. Review of Financial Studies, 9:69 – 107.

Black, F. et Scholes, M. (1973). The pricing of options and corporate

liabilities. Journal of Political Economy, 81(3):637–654.

Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedas-

ticity. Journal of Econometrics, 31(3):307–327.

Bollerslev, T., Chou, R. et F., K. (1992). Arch modeling in finance :

A review of the theory and empirical evidence. Journal of Econometrics,
52:5–59.

Canina, L. et Figlewski, S. (1993). The informational content of implied

volatility. Review of Financial Studies, 6:659–681.

Christoffersen, P. et Jacobs, K. (2004). Which garch model for option

valuation. Management Science, 50(9):1204–1221.

Coleman, T. et Li, Y. (1994). On the convergence of reflective newton me-

thods for large-scale nonlinear minimization subject to bounds. Mathemati-
cal Programming., 67:189–224.

41
BIBLIOGRAPHIE 42

Coleman, T. et Li, Y. (1996). An interior, trust region approach for nonlinear

minimization subject to bounds. SIAM Journal on Optimization., 6:418–445.

Cox, J.C. Ross, S. et Rubinstein, M. (1979). Option pricing : A aimplified

approach. Journal of Financial Economics, 7:229–263.

Day, R. et Lewis, C. (1992). Stock market volatility and the information

content of stock index options. Journal of Econometrics, 52:267–287.

Duan, J.-C. (1995). The GARCH option pricing model. Mathematical Fi-
nance, 5(1):13–32.

Engle, R. et Mustafa, C. (1992). Implied arch models from options prices.

The Journal of Econometrics, 52:987–1007.

Engle, R. et Ng, V. (1993). Measuring and testing the impact of news on

volatility. The Journal Of Finance, 48:1749–1778.

Engle, R. F. (1982). Autoregressive conditional heteroscedasticity with esti-

mates of the variance of united kingdom inflation. Econometrica, 50:987–
1007.

Heston, S. (1993). A closed–form solution for options with stochastic vo-

latility with applications to bond and currency options. The Review Of
Financial Studies, 6(2):327–343.

Merton, R. (1973). Theory of rational option pricing. Bell Journal of Eco-

nomics and Management Science., 4:141–183.

Poterba, J. et Summers, L. (1986). The persistence of volatility and stock

market fluctuations. American Economic Review, 76:193–214.
BIBLIOGRAPHIE 43

Rombouts, J. et Stentoft, L. (2009). Bayesian option pricing using mixed

normal heteroskedasticity models. Research Papers 2009-07, University of
Aarhus.

Rubinstein, M. (1994). Implied binomial trees. The Journal of Finance,

69:771–818.

Stein, J. (1989). Overreactions in the option market. Review of Financial

Studies, 44:1011–1023.

Stewart, M. (1995). Implied volatility. Financial Analysts Journal., July-

August.

Xu, X. et Taylor, S. (1994). The term structure of volatility implied by

foreign exchange options. Journal of Financial and Quantitative Analysis.,
29:57–74.