Simulation des modèles financiers

Monte Carlo & différences finies pour les EDP

Yassine EL QALLI

Institut National de Statistique et d’Economie Appliquée

Novembre 2024
Filière Actuariat-Finance - Semestre 5

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 1 Méthodes Monte-Carlo pour les options
Introduction
Réduction de la variance

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes Monte-Carlo pour les options

Méthodes Monte-Carlo pour les options

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes Monte-Carlo pour les options Introduction

Introduction

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes Monte-Carlo pour les options Introduction

En Finance le payoff des produits dérivés est donné par une fonction
de l’actif sous-jacent à une (ou des) date(s) future(s).
Le prix du produit dérivé, dans un modèle complet, est alors
l’espérance sous l’unique probabilité risque neutre du payoff actualisé.
L’objectif numérique est donc de calculer cette espérance de la
manière la plus efficace et la plus rapide possible.

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes Monte-Carlo pour les options Introduction

Les méthodes numériques:

Ces espérances peuvent à l’aide de la formule de Feynman-Kac
s’écrire comme la solutions d’équations aux dérivées partielles. Ainsi,
on peut utiliser les méthode existantes de type éléments finis ou
différences finies.
Il existe également les méthodes dites d’arbre, qui consistent à
approcher la solution de l’équation différentielle stochastique par une
chaı̂ne de Markov discrète.
Enfin, les méthodes de Monte-Carlo. Ces méthodes nécessitent de
savoir simuler l’EDS du sous-jacent. Souvent, il faut recourir à des
schémas numériques. De plus, même cette discrétisation effectuée, il
peut s’avérer que la méthode ne soit pas efficace, par exemple lorsque
la variance est trop élevée. Les méthodes de réduction de variance
permettent d’éviter ce genre de difficulté.

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes Monte-Carlo pour les options Introduction

Théorème (Loi forte des grands nombres)

Soit (Xi , i ≥ 1) une suite de variables aléatoires indépendantes et
identiquement distribuées (iid) telles qe E(|X1 |) < +∞, alors
n
!
1X
lim Xi = E(X1 ).
n→+∞ n
i=1

Ce théorème permet d’utiliser des algorithmes probabilistes pour calculer

n’importe quelle espérance. Considérons le cas où les variables aléatoires
suivent une loi uniforme sur [0, 1]. Alors un générateur aléatoire permet de
simuler cette loi. Pour approcher son espérance, il suffit donc de simuler n
fois cette loi et de faire la moyenne des simulations. C’est aussi pour cela
que le terme de gauche est souvent appelé moyenne arithmétique et on le
notera X̄n .

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes Monte-Carlo pour les options Introduction

Il faut remarquer également que cette Rméthode permet de calculer un

1
certain nombre d’intégrales. Soit I = 0 f (u)du où f est une fonction
intégrable. On voit immédiatement que I se réécrit comme I = E[f (U )]
où U est une variable aléatoire de loi U[0,1] . En appliquant l’algorithme
précédant à Xi = f (Ui ) on calcule I.
Le problème se pose maintenant d’évaluer théoriquement l’efficacité de
cette méthode. Il existe des théorèmes qui permettent de calculer la
vitesse de convergence d’une méthode de Monte-Carlo.
Théorème (Théorème central Limite)
Soit (Xi , i ≥ 1) une suite de variables aléatoires, indépendantes et
identiquement distribuées telles que E(Xi2 ) < +∞. On pose
σ 2 = V ar(Xi ), alors
√  
n 1 L
E(X 1 ) − (X1 + . . . + Xn ) −
→G où G → N (0, 1).
σ2 n

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes Monte-Carlo pour les options Introduction

Remarque
Si on considère l’erreur de l’estimation
1
ϵn = E(X1 ) − (X1 + . . . + Xn )
n
alors d’après le théorème central limite pour tout c1 < c2
  Z c2
σ σ x2 dx
lim P √ c1 ≤ ϵn ≤ √ c2 = e− 2 √
n→+∞ n n c1 2π

Ainsi, si on veut construire des intervalles de confiance, leurs largeurs

dépend du nombre de simulations et de la variance.
En pratique on applique l’approximation précédente pour n assez large et
2
ϵn ∼ N (0, σn ).

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes Monte-Carlo pour les options Introduction

A noter qu’il est impossible de borner l’erreur puisque le support d’une

variable gaussienne est R. Néanmoins, on peut définir un intervalle de
confiance. Par exemple, remarquer que

P(|G| ≤ 1.96) ≈ 0.95.

Donc, avec une probabilité de 0.95, pour n assez large on a

σ
|ϵn | ≤ 1.96 √ .
n

Il faut également noter que :

L’évaluation de la variance est cruciale pour mesurer l’efficacité de la

méthode.

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes Monte-Carlo pour les options Introduction

On note par X̄N l’estimateur Monte-Carlo de E(X)

N
1 X
X̄N = Xi .
N
i=1

L’estimateur standard de la varianceNest donné par

2 1 X
σ̄N = (Xi − X̄N )2 .
N −1
i=1
Donc avec une probabilité de 0.95, E(X) appartient à l’intervalle
(aléatoire) donné par
 
1.96σ̄N 1.96σ̄N
X̄N − √ , X̄N + √ .
N N

Donc avec un peu de calcul additionnel, (calcul de σ̄N ) on peut donner

une estimation raisonnable de l’erreur d’approximation de E(X) par X̄N .
La possibilité d’avoir une erreur d’estimation avec un coût numérique
faible est une proprièté très utile des méthodes Monte-Carlo.
–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes Monte-Carlo pour les options Introduction

Les méthodes de Monte-Carlo reposent sur la capacité de simuler des

variables aléatoires. Pour ce faire, on a recours à des générateurs de
nombres aléatoires.
Un ordinateur n’est en pratique capable que de générer des suites
déterministes. Il existe néanmoins des procédés permettant de
construire des suites de nombres qui se comportent statistiquement
comme des suites aléatoires.
Ces suites sont construites par récurrence

un+1 = h(un ), n ∈ N.

La valeur de u0 (le germe) doit alors être choisie par l’utilisateur sous
peine de toujours obtenir la même suite de nombres. Souvent, on
utilise l’horloge de l’ordinateur pour initialiser le germe.
L’exemple le plus simple est celui du générateur congruentiel linéaire

h(x) = (ax + b) (mod. m)

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes Monte-Carlo pour les options Introduction

Sous C (library stdlib.h), la fonction srand() permet d’initialiser le

germe du générateur rand(). On peut par exemple écrire
srand(time(NULL));.
La fonction rand() retourne la valeur d’un entier (de type
long int) uniformément distribué dans [0, RAND MAX].
Attention, rand() peut renvoyer la valeur 0.
Maintenant, pour obtenir une variable gaussienne on peut se servir de la
méthode la plus utilisée; la méthode de Box-Muller.
Proposition (Box-Muller)
Soient U et V deux variables aléatoires indépendantes de loi uniforme sur
[0, 1]. On définit X et Y par
p p
X = −2 log U sin(2πV ) ; Y = −2 log U cos(2πV ).

Alors X et Y sont deux variables aléatoires de loi normale N (0, 1).

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes Monte-Carlo pour les options Introduction

Donc pour simuler une variable normale sous C on procède comme suit :
Faire le changement d’échelle
u
u → ũ := .
RAND MAX
tel que ũ ∈ [0, 1].
Générer maintenant deux variables uniformément distribuées dans
rand() rand()
[0, 1], u1 = RAND MAX ; u2 = RAND MAX et donc
p
G = −2 log u1 sin(2πu2 ) ∼ N (0, 1)

Proposition (Algorithme polaire)

2 2
√ V ) de loi uniforme sur {(u, v); 0 < u + v < 1}. On pose
Soit (U,
R = U 2 + V 2 et
p p
X = U −2 ln(R2 )/R2 ; Y = V −2 ln(R2 )/R2 .

Alors (X, Y ) ∼ N (0, I2 )

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes Monte-Carlo pour les options Introduction

En pratique, on a souvent besoin de pouvoir simuler des vecteurs gaussiens

faisant intervenir des corrélations entre les différentes dimensions.
Proposition
Soit µ ∈ Rd et Γ ∈ Md une matrice symétrique définie positive. Alors
il existe A ∈ Md , telle que Γ = AAT (par exemple l’algorithme de
Cholesky).
si G ∼ N (0, Id ), alors µ + AG ∼ N (µ, Γ).

Sous GSL library on peut utiliser la fonction

gsl linalg cholesky decomp(gsl matrix *A) pour faire la
decomposition de Cholesky.

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes Monte-Carlo pour les options Réduction de la variance

Réduction de la variance

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes Monte-Carlo pour les options Réduction de la variance

Nous avons vu que l’erreur due à l’approximation de l’espérance par

une√méthode Monte-Carlo à N simulations est majoré par le ratio
σ/ N .
On a donc intérêt à réécrire cette espérance comme fonction d’une
espérance d’une autre variable aléatoire qui a une variance plus faible.
C’est l’idée de base des techniques de la réduction de la variance.
Supposons qu’on souhaite évaluer E(X). On cherche donc une
représentation alternative pour cette espérance telle que

E(X) = E(Y ) + C

en utilisant une variable aléatoire Y qui a une variance inférieure à

celle de X et C une constante connue. Plusieurs techniques ont été
développées pour implémenter cette idée. variables de contrôles,
variables antithétiques, fonction d’importance,...

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes Monte-Carlo pour les options Réduction de la variance

Variables de contrôles
L’idée de base de la méthode des variables de contrôles est d’écrire
E(f (X)) comme

E(f (X)) = E(f (X) − h(X)) + E(h(X)),

où E(h(X)) est d’espérance nulle ou calculable explicitement et

Var(f (X) − h(X)) ≪ Var(f (X)).

Dans ce cas le calcul de E(f (X)) sera effectué en utilisant une méthode
Monte-Carlo pour estimer E(f (X) − h(X)).
Comme la variance est plus faible, l’estimateur sera de meilleure qualité.

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes Monte-Carlo pour les options Réduction de la variance

Réduction de la variance via la parité Call-put

Soit St le prix à l’instant t d’un actif risqué. On note par C le prix d’une
option d’achat européenne et par P le prix d’une option de vente
européenne

C = E e−rT (ST − K)+ P = E e−rT (K − ST )+ .

,

On rappelle la parité Call-put qui est une relation qui ne dépend pas du
choix du modèle
C − P = S0 − Ke−rT .
Cette formule peut être utilisée pour réduire la variance d’un call puisque

C = E e−rT (K − ST )+ + S0 − Ke−rT .

Le calcul Monte-Carlo du call est réduit au calcul du put.

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes Monte-Carlo pour les options Réduction de la variance

Remarque
En général, la variance d’une option put est plus faible que celle d’une
option call, puisque le payoff du put est borné contrairement au payoff du
call.

Exemple 1 : Option Asiatique

La paritéR call-put peut être obtenue pour l’option asiatique. Posons
T
S̄T = T1 0 Su du. On a

E (S̄T − K)+ − E (K − S̄T )+ = E(S̄T ) − K,

et dans le cas de Black-Scholes on a

1 T 1 T erT − 1
Z Z
E(S̄T ) = E(Su )du = S0 eru du = S0 .
T 0 T 0 rT

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes Monte-Carlo pour les options Réduction de la variance

Méthode de Kemna-Vorst pour les options Asiatiques

Kemna and Vorst. A pricing method for options based on average
asset values. Journal of Banking and Finance., 113-129.
Le prix d’un put Asiatique est
 Z T + !
1
P = E e−rT K − Su du .
T 0

De plus on a dans le cadre de Black-Scholes

σ2
  
St = x exp r− t + σWt
2
où (Wt , t ≥ 0) est un mouvement brownien sous la probabilité
risque-neutre.
Si σ et r sont assez petits, on peut espérer que
1 T
Z  Z T 
1
Su du “n’est pas trop loin de” exp log (Su ) du
T 0 T 0
–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes Monte-Carlo pour les options Réduction de la variance

Cet argument heuristique suggère d’utiliser la variable de contrôle suivante

Y = e−rT (K − exp(Z))+
RT
avec Z = T1 0 log (Su ) du. Comme Z est gaussienne on peut calculer
explicitement
E e−rT (K − exp(Z))+ .

Elle est donnée par la formule

1
 
E e−rT (K − exp(Z))+ = KN (−d)−eE(Z)+ 2 Var(Z) N −d − Var(Z) .

p

où d = √
E(Z)−log(K)
.
Var(Z)
Cette méthode est efficiente quand σ ≈ 0.3 par an et r ≈ 0.1 par an et
T ≈ 1 année. Bien sûr, si les valeurs de σ et r sont plus grand, le gain
obtenu avec cette variable de contrôle est moins signifiant mais la
méthode reste utile.

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes Monte-Carlo pour les options Réduction de la variance

Variables antithétiques

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes Monte-Carlo pour les options Réduction de la variance

La technique des variables antithétiques est largement utilisée dans la

simulation Monte-Carlo. Cette technique est souvent efficiente mais ses
gains sont moins signifiants que les autres techniques. Considérons cet
exemple pour illustrer.
Exemple
Considérons l’intégrale suivante
Z 1
I= g(x)dx.
0
Si U suit une loi uniforme sur [0, 1], alors 1 − U à la même loi que U , et
donc
1 1
Z  
1
I= (g(x) + g(1 − x))dx = E (g(U ) + g(1 − U )) .
2 0 2
On peut donc générer n variables indépendantes U1 , . . . , Un de loi
uniforme sur [0, 1], et approcher I par
 
1 1 1
I2n = (g(U1 ) + g(1 − U1 )) + . . . + (g(Un ) + g(1 − Un ))
n 2 2
–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes Monte-Carlo pour les options Réduction de la variance

1
I2n = [g(U1 ) + g(1 − U1 ) + . . . + g(Un ) + g(1 − Un )] .
2n
Pour tester l’efficience de cette méthode on la compare à la méthode
standard avec 2n simulations
0 1
I2n = [g(U1 ) + g(U2 ) + . . . + g(U2n−1 ) + g(U2n )] .
2n
On a
0 1
Var(I2n )= V ar(g(U1 )),
2n
et
 
1 1
V ar(I2n ) = Var (g(U1 ) + g(1 − U1 ))
n 2
1
= (Var(g(U1 )) + Var(g(1 − U1 )) + 2Cov(g(U1 ), g(1 − U1 )))
4n
1
= [Var(g(U1 )) + Cov(g(U1 ), g(1 − U1 ))] .
2n

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes Monte-Carlo pour les options Réduction de la variance

0 ) si et seulement si Cov(g(U ), g(1 − U )) ≤ 0.

On a V ar(I2n ) ≤ V ar(I2n 1 1

Théorème
Soit X une v.a., T une transformation décroissante de R telle que
loi
T (X) = X, et f une fonction monotone alors

Cov(f (X), f (T (X))) ≤ 0,

avec inégalité si f est strictement monotone sur un domaine de mesure

non nulle.
Le principe de cette méthode est d’utiliser des propriétés de symétrie de la
loi simulée pour réduire la variance.
Exemple en finance
Considérons une
gaussienne standard G et une option d’achat
E (λeσG − K)+ .
loi
Évidement G ∼ −G, et la fonction T à considérer dans ce cas est
T (x) = −x.
–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes Monte-Carlo pour les options Réduction de la variance

Comme le payoff est croissant comme fonction de G, l’estimateur

antithétique suivant certainement va réduire la variance
1
I2n = (g(G1 ) + g(−G1 ) + · · · + g(Gn ) + g(−Gn )) ,
2n
où g(x) = (λeσx − K)+ .
TP
Écrire un programme C comparant les prix d’une option d’achat
E (λeσG − K)+ en utilisant

La formule close de Black-Scholes;

En utilisant un estimateur antithétique de Monte-Carlo ; Préciser
l’intervalle de confiance.
En utilisant une variable de contrôle ; Préciser l’intervalle de
confiance.

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes Monte-Carlo pour les options Simulation des processus stochastiques

Simulation des processus stochastiques

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes Monte-Carlo pour les options Simulation des processus stochastiques

Nous avons vu des méthodes de simulation permettant de calculer des

espérances de variables aléatoires par la méthode de Monte Carlo.
Ceci n’est possible que lorsque l’on est capable de simuler selon la loi
des dites variables aléatoires.
En finance, il s’agit souvent de calculer des espérances de la forme

E(ψ(Xs , s ≤ T )),

où ψ est une fonctionnelle du processus (Xt , t ≥ 0).

Le but de cette partie est de décrire quelques méthodes utilisées pour la
simulation trajectorielle d’un processus donné. Cette simulation est
nécessaire lorsque l’on veut calculer une option dépendant de la trajectoire
(options asiatiques, barrières, etc...).

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes Monte-Carlo pour les options Simulation des processus stochastiques

Simulation récursive d’une trajectoire Brownienne

On considère (Wt , 0 ≤ t ≤ T ) un mouvement Brownien définit sur [0, 1].
Soit 0 = t0 < t1 < · · · < tn = T une subdivision de [0, T ]. On cherche à
simuler une trajectoire du mouvement Brownien en les points de la
subdivision, c’est à dire que l’on cherche la loi du processus discret
(Wti , i = 0, . . . , n).
Proposition
Soit (Gi )i=1,...,n une suite i.i.d selon N (0, 1). On définit
i
X p
X0 = 0 ; Xi = tj − tj−1 Gj , i > 0.
j=1

Les vecteurs (Wt0 , . . . , Wtn ) et (X0 , . . . , Xn ) sont égaux en loi.

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes Monte-Carlo pour les options Simulation des processus stochastiques

Notons bien que cette méthode de simulation n’engendre pas d’erreur de

discrétisation sur le processus discret.
Pour simuler la valeur de Wt on a exploité les propriétés des incréments en
décomposant Wt comme suit : Pour un pas h = ∆t on écrit
Wt = W∆t + (W2∆t − W∆t ) + (W3∆t − W2∆t ) + . . . + (Wt − Wt−∆t )
Pour obtenir une réalisation de (Wph , 1 ≤ p ≤ N ) il suffit de calculer
h
√ X
Wph = h Gk .
1≤k≤p

(Algorithme pour simuler les trajectoires du MB)

choisir ∆t
T


t0 = 0 ; n = ent ∆t
pour j = 0 à n
tj = tj−1 + ∆t
générer Zj ∼ N (0, 1)√
Wtj = Wtj−1 + Zj × ∆t
J ++
–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes Monte-Carlo pour les options Simulation des processus stochastiques

Figure: Une trajectoire du mouvement Brownien tracée sous Gnuplot.

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes Monte-Carlo pour les options Simulation des processus stochastiques

Simulation du modèle de Black-Scholes

Soit
σ2
 

St = x exp t + σWt . r−
2
En utilisant le paragraphe précédent, on construit une simulation exacte en
loi du vecteur (Sph , 1 ≤ p ≤ N ) en posant
σ2
  
h h
Sph = x exp r− ph + σWph .
2
Il faut remarquer que l’on peut obtenir une simulation exacte quand la
volatilité σ est une fonction du temps puisque
Z (p+1)h
σs dWs ,
ph
reste une suite de variable aléatoire gaussienne de moyenne 0 et de variance
Z (p+1)h
σs2 ds.
ph

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes Monte-Carlo pour les options Simulation des processus stochastiques

Discrétisation d’EDS
La méthode de Monte-Carlo utilisée pour approcher E[f (XT )]
suppose que l’on sait simuler la loi de la variable aléatoire XT .
En général, on ne peut pas résoudre explicitement l’équation
différentielle stochastique associée au processus X (C’est le cas de la
plupart des modèles de taux d’intérêt).
De plus, même si on trouve une solution, celle-ci peut être trop
complexe pour être simulée directement.
Il est naturel de chercher à simuler une solution à partir de l’équation
elle-même en utilisant des schémas d’approximation.
La méthode dePMonte-Carlo va consister en l’approximation de
E[f (XT )] par i f (X̄tn ) où X̄tn est le schéma.
L’erreur de ces méthodes à deux causes : une erreur statistique et une
erreur liée à la discrétisation.

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes Monte-Carlo pour les options Simulation des processus stochastiques

Le schéma d’Euler
Notre but est de trouver un schéma approchant la solution d’une équation
différentielle stochastique. Soit (Xt , t ≥ 0) le processus d-dimensionnel
solution de
Z t Z t
Xt = X0 + b(Xs )ds + σ(Xs )dWs (∗∗)
0 0

où (Wt , t ≥ 0) est un mouvement Brownien r-dimensionnel.

Soit n le nombre d’intervalles de discrétisation et h = Tn . La solution
exacte vérifie
Z h Z h
Xh = X0 + b(Xs )ds + σ(Xs )dWs
0 0
Une approximation naturelle de Xh , basée sur la définition de l’intégrale
d’Itô, peut être donnée par
Xh ≃ X0 + b(X0 )h + σ(X0 )(Wh − W0 ).

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes Monte-Carlo pour les options Simulation des processus stochastiques

En procédant par récurrence, on obtient le schéma d’Euler pour l’EDS

(∗∗)

X0n = X0 ,
n n n n
X(k+1)h = Xkh + b(Xkh )h + σ(Xkh )(W(k+1)h − Wkh ) (⊛)

Ce schéma est une généralisation naturelle aux EDS des schémas d’Euler
utilisés pour les équations différentielles ordinaires. La simulation d’un
schéma d’Euler est extrêmement simple puisqu’il suffit de simuler les
variables gaussiennes W(k+1)h − Wkh .

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes Monte-Carlo pour les options Simulation des processus stochastiques

Théorème (Convergence forte)

Soient b et σ deux fonctions lipschitziennes. Soit (Wt , t ≥ 0) un
mouvement brownien r-dimensionnel. On note (Xt , t ≥ 0) l’unique
solution de
dXt = b(Xt )dt + σ(Xt )dWt , X0 = x,
n , k ≥ 0) la suite de variables définies par l’équation (⊛). Alors,
et par (Xkh
pour tous q ≥ 1 !
E n
sup |Xkh − Xkh |2q ≤ Chq .
k,kh≤T

De plus, pour tous α < 21 , presque sûrement

1 n
lim sup |Xkh − Xkh | = 0
h→0 hα k,kh≤T

Ce théorème prouve que la vitesse de convergence dans L2 est de l’ordre

de h1/2 .
et quedeslamodèles
vitesse deMonte
convergence presque sure 1/2−ϵ , pour
–Simulation financiers, Carlo & différences finies pour les EDP–est d’ordre
–INSEA Novh
2024– –Yassine EL QALLI–
 Méthodes Monte-Carlo pour les options Simulation des processus stochastiques

Le schéma de Milshtein

Pour les équations différentielles ordinaires, le schéma d’Euler peut

être amélioré par les méthodes de Runge Kutta.
Plusieurs schémas d’ordre supérieur ont été proposés pour les EDS.
Cependant leur mise en œuvre reste délicate.
Le plus simple schéma d’ordre 2 est le schéma de Milshtein. Il permet
de faire converger à une vitesse supérieure dans les espaces Lp mais
est difficile à simuler quand la dimension est strictement plus grande
que 1 et converge en loi à la même vitesse que le schéma d’Euler.

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes Monte-Carlo pour les options Simulation des processus stochastiques

Le schéma de Milshtein quand d = r = 1 est défini par X̃0n = x et pour

k≥1
   
n n n n


X̃(k+1)h = X̃kh + b X̃kh h + σ X̃kh W(k+1)h − Wkh
    Z (k+1)h
′ n n
+ σ X̃kh σ X̃kh (Ws − Wkh )dWs
kh

Explication: Pour comprendre comment le nouveau terme apparaı̂t,

considérons l’équation sans drift suivante

dXt = σ(Xt )dWt .

On peut étendre le schéma d’Euler à tous t dans [tk , tk+1 ], (tk = kh), par
interpolation linéaire.
 
X̂tn = X̂tnk + σ X̂tnk (Wt − Wtk ).

X̂tn donne une approximation de Xt sur [tk , tk+1 ] qui est meilleure que
Xtnk (approxi d’Euler en tk ).
–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes Monte-Carlo pour les options Simulation des processus stochastiques

 
On peut éspérer aussi que σ X̂tn est une meilleure approximation de
σ(Xt ) que σ(Xtnk ). Un bonne proposition pour un schéma d’ordre
supérieur est Z t  
n n
X̂t = X̂tk + σ X̂sn dWs
tk

avec une approximation en utilisant la formule de Taylor

     
σ X̂tn = σ X̂tnk + σ X̂tnk (Wt − Wtk )
     
≈ σ X̂tnk + σ ′ X̂tnk σ X̂tnk (Wt − Wtk )

Cela conduit au schéma suivant

     Z t
′
X̂tn = X̂tnk +σ X̂tnk (Wt − Wtk ) + σ X̂tnk σ X̂tnk (Ws − Wtk )dWs .
tk

C’est le schéma de Milstein avec b = 0. Le calcul s’étend au cas où b ̸= 0.

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes Monte-Carlo pour les options Simulation des processus stochastiques

On note qu’en pratique l’intégrale qui figure dans la formule de Milstein

est calculable par la formule d’Itô
Z (k+1)h
1
2 
(Ws − Wkh )dWs = W(k+1)h − Wkh − h .
kh 2

Le schéma de Milstein se réécrit comme

        
n n n
− 21 σ ′ X̃kh
n n n


X̃(k+1)h = X̃kh + b X̃kh σ X̃kh h + σ X̃kh W(k+1)h − Wkh
   
2
+ 12 σ ′ X̃kh
n n
σ X̃kh W(k+1)h − Wkh (∗)

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes Monte-Carlo pour les options Simulation des processus stochastiques

Exemple
Considérons le cas du modèle de Black-Scholes avec
∆Wk = W(k+1)h − Wkh

dSt = St (rdt + σdWt ) , S0 = x.

Le schéma d’Euler s’écrit

n n
X̃(k+1)h = X̃kh (1 + rh + σ∆Wk ) .

Le schéma de Milstein
   
n n 1 2 1 2 2
X̃(k+1)h = X̃kh 1 + r − σ h + σ∆Wk + σ (∆Wk ) .
2 2

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes Monte-Carlo pour les options Simulation des processus stochastiques

Théorème
On suppose que b et σ sont deux fois continuement différentiables avec
des dérivées bornées. On note (Xt , t ≥ 0) l’unique solution de

dXt = b(Xt )dt + σ(Xt )dWt , X0 = x,

n , k ≥ 0) la suite de variables aléatoires définis par (∗). Alors
et par (X̃kh
!
q
n
E sup X̃kh − Xkh ≤ Chq ∀q ≥ 1.
k,kh≤T

1 n
lim sup X̃kh − Xkh = 0 p.s, ∀α < 1
h→0 hα k,kh≤T

Le schéma de Milshtein améliore les vitesses de convergence

√ trajectorielles
: il est d’ordre h alors que le schéma d’Euler est d’ordre h.

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes Monte-Carlo pour les options Simulation des processus stochastiques

TP
Considérer le modèle de Black-Scholes et comparer les schémas d’Euler et
Milstein avec la solution explicite.

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes des différences finies

Méthodes des différences finies

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes des différences finies Généralités sur les EDP

Généralités sur les EDP

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes des différences finies Généralités sur les EDP

Une EDP (équations aux dérivées partielles) est une équation(s) où
l’inconnue est une fonction(s) de plusieurs variables où interviennent des
dérivées partielles de cette fonction. Selon les cas cette équation doit être
complétée de conditions aux limites, d’une condition initiale, etc...
D’une façon générale on se place dans O un ouvert de RN et on distingue
au moins trois catégories
Problème elliptique : le cas modèle est le problème de Dirichlet
−∆u = f, u = 0 sur ∂O
où ∂O désigne le bord (la frontière de l’ouvert) et ∆u le laplacien de
∂2u
u : ∆u = N
P
i=1 ∂x2i .
Problème Parabolique : le cas modèle est l’équation de la chaleur
∂u


 − ∆u = f t ∈ (0, T ), x ∈ O
∂t
 u(t = 0) = u0 dans O (donnée initiale)
sur(0, T ) × ∂O (donnée sur le bord)

u=0
Par rapport au cas précédent on ajoute la variable t (le temps), une
condition initiale (c’est un problème d’évolution), et l’opérateur ∂u
∂t .
–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes des différences finies Généralités sur les EDP

Problème hyperbolique :
ordre 1 (problème de transport)
∂u ∂u
(
+ a(t, x) =f (0, T ) × R
∂t ∂x
u(t = 0) = u0

ordre 2 (équation des ondes)


 ∂2u
2
− ∆u = f
 ∂t(donnée initiale)

Chaque catégorie provient de situation physique/mécanique différente et

possède des propriétés spécifiques. Généralement donner une expression
simple de la solution d’une EDP est illusoire. Dans certains cas on peut
espérer une expression sous forme intégrale, analytique, de séries de
Fourier, etc.
La théorie mathématique pour comprendre ces équations est très large et
utilise entre autres les espaces de Hilbert, les espaces de Sobolev, l’analyse
fonctionnelle, la géométrie différentielle, etc.
–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes des différences finies Généralités sur les EDP

Black-Scholes comme équation de la chaleur

Rappelons que l’équation de Black-Scholes est donnée par
∂V 1 ∂2V ∂V
+ σ 2 S 2 2 + rS − rV = 0
∂t 2 ∂S ∂S

Proposition
Si on pose S = K exp(x) , t =
T − σ2τ2 , q = 2r
σ2
et
v(τ, x) = V K exp(x), T − σ2τ2 . Alors
 
1 1 2
v(τ, x) = K exp − (q − 1) x − (q + 1) τ y(τ, x)
2 4

où la fonction y ainsi définie est solution de l’équation de la chaleur

∂y ∂2y
− 2 =0
∂τ ∂x

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes des différences finies Généralités sur les EDP

Une deuxième simplification de Black-Scholes

Premièrement on simplifie l’EDP de B-S en posant x = ln(S) tel que

∂V ∂V 1 ∂2V
+r + σ 2 2 = rV.
∂t ∂x 2 ∂x

Si on pose u(t, x) = er(T −t) V (ex , t), alors u qui correspond au prix
forward de l’option V satisfait

1 2 ∂2u ∂u ∂u
σ 2
+r =−
2 ∂x ∂x ∂t

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes des différences finies Différences finies pour l’EDP de Black et Scholes

Différences finies pour l’EDP de Black et Scholes

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes des différences finies Différences finies pour l’EDP de Black et Scholes

Les différences finies consistent à résoudre une version discrète de l’EDP

sur une grille en remplaçant les dérivées partielles par des approximations
discrètes du type différence progressive, centrée, rétrograde, etc.
On suppose que u(t, x) t ∈ R, x ∈ R est suffisamment régulière. Comment
approcher ∂u ∂u
∂t (t, x) ? L’idée vient de la définition de ∂t (t, x) :
∂u u(t + h, x) − u(t, x)
(t, x) = lim .
∂t h→0 h
À l’aide des développements de Taylor on obtient
différence progressive pour ∂u
∂t (t, x) :

∂u u(t + k, x) − u(t, x) k ∂ 2 u
(t, x) = − (t̄, x), t < t̄ < t + k.
∂t k 2 ∂t2

∂u
différence rétrograde pour ∂t (t, x) :
∂u u(t, x) − u(t − k, x) k ∂ 2 u
(t, x) = + (t̄, x), t − k < t̄ < t.
∂t k 2 ∂t2

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes des différences finies Différences finies pour l’EDP de Black et Scholes

∂u
différence centrée pour ∂x (t, x) :
∂u u(t, x + h) − u(t, x − h) h2 ∂ 3 u
(t, x) = + (t, x̄), x − h < x̄ < x + h.
∂x 2h 6 ∂x3

∂2u
différence centrée pour ∂x2
(t, x) :
∂2u u(t, x + h) − 2u(t, x) + u(t, x − h) h2 ∂ 4 u
2
(t, x) = − (t, x̄), x−h < x̄ < x+h.
∂x h2 12 ∂x4

Les différences finies ne permettent pas d’approcher la solution sur un

intervalle infinie (c’est généralement le cas des méthodes numériques). On
se place donc sur (t, x) ∈ [0, T ] × [a, b] avec a < b. Pour M ∈ N∗ et
N ∈ N∗ , on pose T b−a
k = ∆t = h = ∆x =
M +1 N +1
tj = jk 0≤j ≤M +1
xn = a + nh 0 ≤ n ≤ N + 1.

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes des différences finies Différences finies pour l’EDP de Black et Scholes

On définit Uj,n = u(tj , xn ), k = ∆t est le pas de discrétisation en temps

tandis que h = ∆x est celui en espace.
L’équation discrète sera obtenue en écrivant l’EDP en (tj , xn ) et en
remplaçant les dérivées partielles par les différences définis auparavant
(sans l’erreur de troncature).
On va étudier l’équation de la chaleur étant donné que c’est notre
équation “source”. Pour l’équation de Black et Scholes on a le choix entre
“équation de la chaleur + changement de variables” et “différences finies
en les variables originelles” (directement sur l’équation).
Pour avoir un problème bien posé au sens mathématique (existence et
unicité) des conditions dites “conditions sur le bord” doivent être ajoutées.
Ainsi dans la suite on va étudier l’approximation par les différences finies
du problème

∂u ∂ 2 u
− 2 = f sur [0, T ] × [a, b]



∂t ∂x

 u(t = 0, x) = u0 (x) dans [a, b],
 u(t, x = a) = α, u(t, x = b) = β ∀t ∈ [0, T ].

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes des différences finies Différences finies pour l’EDP de Black et Scholes

Schéma explicite
On utilise la différence progressive et la différence centrée pour écrire
l’équation en un point (tj , xn ) de la grille. Remarquons tout de suite que
pour xN +1 = b et x0 = a il n’est pas possible d’écrire la différence centrée
car on “sort” de l’intervalle [a, b]. Pour x0 par exemple on obtient
∂2u u(t, a + h) − 2u(t, a) + u(t, a − h)
(t, x0 ) ≈
∂x2 h2
C’est la condition aux limite qui aidera! Donc pour 0 ≤ j ≤ M et
1 ≤ n ≤ N on a
Uj+1,n − Uj,n Uj,n+1 − 2Uj,n + Uj,n−1
− = f (tj , xn ).
k h2
Comme nous avons une donnée initiale, la quantité
u(t0 , xn ) = u(0, xn ) = u0 (xn ) est déterminée pour tout 0 ≤ n ≤ N + 1.
On se pose donc
∀1 ≤ n ≤ N, U0,n = u0 (xn ).

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes des différences finies Différences finies pour l’EDP de Black et Scholes

Comme on a une condition aux limites u(tj , x0 ) = α et u(tj , xN +1 ) = β

on pose
∀j ∈ {1, . . . , M + 1} Uj,0 = α, Uj,N +1 = β.
Pour alléger les notations nous poserons aussi

Fj,n = f (tj , xn ).

On peut donc réécrire notre schéma numérique : pour 0 ≤ j ≤ M

k α 
Uj+1,1 = Uj,1 + (Uj,2 − 2U j,1 ) + k + Fj,1
h2 h2
k
Uj+1,n = Uj,n + (Uj,n+1 − 2Uj,n + Uj,n−1 ) + kFj,n 2 ≤ n ≤ N − 1
h2  
k β
Uj+1,N = Uj,N + 2 (−2Uj,N + Uj,N −1 ) + k + Fj,N
h h2
On constate assez facilement que la connaissance de Uj,n pour tout
1 ≤ n ≤ N entraı̂ne celle de Uj+1,n pour tout 1 ≤ n ≤ N . On retrouve ici
le côté “évolution” en temps de l’équation de la chaleur.
–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes des différences finies Différences finies pour l’EDP de Black et Scholes

Écriture Matricielle

 

Uj,1
  α
+ Fj,1
 2 −1
h2
Fj,2  −1 2 −1
Uj,2
    
 

..
 
..
 .. .. ..
U (j)
 (j)  
. . .

= F =  A = 
 
. .

 

 Uj,N −1
 
Fj,N −1
  .. .. 
    . . −1 
β
Uj,N h2 + Fj,N −1 2

On a alors  
(j+1) k
U = I − 2 A U (j) + kF (j)
h

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes des différences finies Différences finies pour l’EDP de Black et Scholes

Définition
On définit l’erreur de troncature (ou de consistance) locale pour
1 ≤ j ≤ M , 1 ≤ n ≤ N du schéma explicite
u(tj+1 , xn ) − u(tj , xn ) u(tj , xn+1 ) − 2u(tj , xn ) + u(tj , xn−1 )
εj,n (M, N ) = − −f (tj , xn ).
k h2
et l’erreur de troncature globale
ε(M, N ) = max |εj,n (M, N )|
1≤j≤M,1≤n≤N

un schéma est dit consistant si

lim ε(M, N ) = 0
∆t,∆x→0

schéma est dit d’ordre p en temps et q en espace s’il existe C > 0

vérifiant pour tout M, N
ε(M, N ) ≤ C ((∆t)p + (∆x)q )

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes des différences finies Différences finies pour l’EDP de Black et Scholes

Proposition
Si la solution u est suffisamment régulière, le schéma explicite est
consistant, d’ordre 1 en temps et d’ordre 2 en espace.

On pose
E (j) = Ũ (j) − U (j)
où Ũ (j) est le vecteur solution exacte en tj et xn .
Proposition
Le schéma explicite est convergent pour (∆t, ∆x) tends vers (0, 0) sous la
2
condition, dite de stabilité, ∆t ≤ (∆x)
2 . On peut montrer que

∥ E (j) ∥∞ ≤ C((∆t) + (∆x)2 )

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes des différences finies Différences finies pour l’EDP de Black et Scholes

Schéma implicite
Le schéma implicite consiste à prendre pour la dérivée en temps la
différence rétrograde par rapport au schéma explicite. On obtient alors
Uj,n − Uj−1,n Uj,n+1 − 2Uj,n + Uj,n−1
− = f (tj , xn ).
k h2
ou encore
Uj+1,n − Uj,n Uj+1,n+1 − 2Uj+1,n + Uj+1,n−1
− = f (tj+1 , xn ).
k h2
Avec les mêmes notations que précédemment, ce schéma se traduit sous
forme matricielle par
 
k
I + 2 A U (j+1) = U (j) + kF (j+1) .
h
Ce schéma est dit implicite car U (j+1) vérifie une équation en U (j) .
Heureusement c’est un problème linéaire :
 −1 
(j+1) k 
U = I + 2A U (j) + kF (j+1) .
h
–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes des différences finies Différences finies pour l’EDP de Black et Scholes

Proposition
Le schéma implicite est consistant d’ordre 1 en temps et d’ordre 2 en
espace. Il est inconditionnellement convergent i.e. pour tout couple
(∆t, ∆x).

L’avantage par rapport au schéma explicite est le côté

“inconditionnellement convergent, ce qui évite une condition sur ∆x par
rapport à ∆t. Par contre il y a un système linéaire à résoudre. Comme la
matrice est trigonale cette résolution n’est pas très coûteuse.

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes des différences finies Différences finies pour l’EDP de Black et Scholes

Schéma de Crank-Nicolson
Le schéma de Crank-Nicolson consiste en une moyenne des deux formules
explicite et implicite
Uj+1,n − Uj,n 1 Uj,n+1 − 2Uj,n + Uj,n−1 Uj+1,n+1 − 2Uj+1,n + Uj+1,n−1
 
− 2
+ 2
k 2 h h
1
= (f (tj+1 , xn ) + f (tj , xn )) .
2

soit sous forme matricielle

U (j+1) − U (j) 1   1 
− 2 A U (j) + U (j+1) = F (j) + F (j+1) .
k 2h 2
Proposition
Le schéma de Crank-Nicolson est consistant d’ordre deux en temps et en
espace, inconditionnellement convergent.

L’erreur commise avec le schéma de Cranck-Nicolson sera meilleure que

pour les deux schémas précédents.
–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes des différences finies Différences finies pour l’EDP de Black et Scholes

Algorithme différences finies

Pour les trois schémas l’organisation de l’algorithme est identique. A noter
que f, α, β, u0 , a, b et T sont données.
1 Calcul de ∆t, ∆x et vérification de la stabilité si schéma explicite
2 On ”entre“ la matrice d’itération (selon le schéma) et éventuellement
on établit sa décomposition
3 initialisation de U (0) → V par la donnée initiale
4 for j=0 to M do
5 Calcul de F (j) (éventuellement F (j+1) selon le schéma)
6 Résolution du système linéaire (sauf pour le schéma explicite où c’est
juste un calcul matriciel) : la variable V est mise à jour
7 end for
8 La variable V contient une approximation de Ũ M +1

Le schéma explicite est à éviter, son intérêt est purement académique. On

préfère évidemment le schéma de Crank-Nicolson au schéma implicite.
–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes des différences finies Différences finies pour l’EDP de Black et Scholes

Schémas numériques pour Black et Scholes

Initialement le modèle de Black et Scholes est une EDP où S (le
sous-jacent) appartient à ]0, +∞[. Après le changement de variable
exp(x) = S/K , la nouvelle variable x appartient à ] − ∞, +∞[ et nous
avons une équation de la chaleur sur R tout entier. Pour faire nos schémas
numériques il est indispensable de restreindre R à [a, b] avec a < 0 < b et
donc pour compléter l’EDP il faut spécifier des conditions sur le bord en
accord avec Black et Scholes. Sinon la simulation numérique ne sera pas
valide. Rappelons que
VC (S, t) = 0 pour S = 0, et VP (S, t) = 0 pour S → ∞ (∗)
Pour compléter l’information en +∞ pour le call et 0 pour le put, on
utilise la parité call-put : S + VP − VC = K exp(−r(T − t)). On en déduit
VC (S, t) = S − K exp(−r(T − t)) S → +∞ (∗∗)

VP (S, t) = K exp(−r(T − t)) S → 0+ (∗∗)

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes des différences finies Différences finies pour l’EDP de Black et Scholes

Rappelons le changement de variables

2τ 2r
S = K exp(x), t = T − 2 , q = 2
 σ σ

2τ
v(τ, x) = V K exp(x), T − 2 .
 σ 
1 1
v(τ, x) = K exp − (q − 1) x − (q + 1)2 τ y(τ, x)
2 4
où la fonction y est solution de l’équation de la chaleur
∂y ∂2y T σ2
− 2 = 0 (τ, x) ∈ [0, ]×R
∂τ ∂x 2
Déterminons maintenant α et β pour que les condition aux limites du
problème

∂y ∂2y T σ2
− 2 = 0 sur [0, ] × [a, b]



∂τ ∂x 2

 u(τ = 0, x) = u0 (x) dans [a, b],
 u(τ, x = a) = α(τ ), u(τ, x = b) = β(τ ) ∀t ∈ [0, T ].

soient une approximation de (∗) − (∗∗).

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes des différences finies Différences finies pour l’EDP de Black et Scholes

Pour un call
Comme VC (0, t) = 0 en a on imposera u(τ, a) = α(τ ) = 0.
En +∞
 
1 1 1
Kex − K exp −r T − (T − 2τ /σ 2 ) exp − (q − 1) x − (q + 1)2 τ
 


y(τ, x) =
K 2 4
 
x 1 1 2
≈ e exp − (q − 1) x − (q + 1) τ
2 4
 
1 1
≈ exp − (q + 1) x − (q + 1)2 τ
2 4
En effetdevant exp(x) on

estime que le terme
2
exp −r T − (T − 2τ /σ ) est négligeable. On posera donc pour le call
(
α(τ ) = 0  
β(τ ) = exp − 21 (q + 1) b − 14 (q + 1)2 τ
Pour un put. De façon similaire
(  
α(τ ) = exp − 12 (q − 1) a − 14 (q − 1)2 τ
β(τ ) = 0
–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–
 Méthodes des différences finies Différences finies pour l’EDP de Black et Scholes

Finalement on ajoute la condition initiale u(0, x) = K(ex − 1)+ .

TP
L’EDP suivante

∂u ∂2u
− κ 2 = 0 sur [0, T ] × [0, L]



(P ) ∂t ∂x

 u(t = 0, x) = sin( nπx
L ) dans [0, L],
 u(t, x = 0) = 0, u(t, x = L) = 0 ∀t ∈ [0, T ].

admet une solution explicite donnée par

nπ 2
u(t, x) = e−κ( L ) t sin( nπ
L x)(⋆)
1 Implementer les schema implicite et Cranck-Nicolson pour le problme
(P ), en comparant l’approximation avec la solution explicite (⋆).
2 Considérer un call et comparer les schémas implicite et
Cranck-Nicolson avec la formule close de B-S, tout en vérifiant que le
schéma de Cranck-Nicolson converge avant le schéma implicite.

–Simulation des modèles financiers, Monte Carlo & différences finies pour les EDP– –INSEA Nov 2024– –Yassine EL QALLI–