Année académique 2024-2025

Institut Universitaire d’Abidjan

FACULTE DES SCIENCES ECONOMIQUES ET SOCIALES

(FSES)

--------------------------------------

Département : Administration des affaires

MASTER 1 FINANCE

-------------------------

Principes d’évaluation des produits dérivés

THEOREME CENTRAL LIMITE DANS LE

CALCUL DES PRIX DES DERIVES FINANCIERS

Nom & Prénoms des étudiants :

Alla Ahou Quinty Ange Lucrèce

Diomande Myrsally Axelle

Etou Roxane Maurane Emmanuella NOM & PRENOMS DU CHARGE DE

MODULE :
Gnakadja Diana Gloria Fifame

Kouadio Gnamienwa Ange Rebecca Dr KOUASSI AKE

Koudougou Traoré Yasmina

Koffi Kouassi Roger Guy-Stéphane

N’da Mambekan Ursule Maximilien

Ouattara Fatoumata Kody

Yamble Tchake Jean Marc

SOMMAIRE

Liste des sigles………………………………………………………………. ii

Listes des figures……………………………………………………………iii

Introduction………………………………………………………………….1

Chapitre 1………………………………………………………………….3

Chapitre 2…………………………………………………………………..6

Chapitre 3………………………………………………………………….16

Chapitre 4………………………………………………………………….24

Conclusion…………………………………………………………………..28

Bibliographie………………………………………………………………..iv

Table des matières…………………………………………………………..v

i
LISTE DES SIGLES

iid : indépendant identiquement distribué

TCL : Théorème Central Limite

VaR : Value at the Risk

LGN: Loi des Grands Nombres

ii
LISTE DES FIGURES

• Convergence des moyennes d’échantillons vers une distribution normale

• Représentation de la Value at Risk (VaR)

• Distribution des pertes agrégées pour un portefeuille de crédits

• Identification des risques extrêmes avec EVT

• Différent type de distribution et le TCL

iii
INTRODUCTION

Le théorème central limite (TCL) est une pierre angulaire des mathématiques et des statistiques
modernes. Son origine remonte au XVIIIᵉ siècle, lorsqu'Abraham de Moivre, mathématicien
français exilé en Angleterre, publia en 1733 un traité où il établit une première version du
théorème. De Moivre démontra que, pour une somme de variables binomiales, la distribution
des probabilités tend vers une courbe en cloche, préfigurant ainsi la célèbre "distribution
normale". Cependant, ce résultat était limité aux cas spécifiques des distributions binomiales.

Au début du XIXᵉ siècle, Pierre-Simon Laplace généralisa les travaux de de Moivre. En 1812,
il publia un théorème qui démontrait que toute somme de variables aléatoires indépendantes et
identiquement distribuées converge vers une distribution normale sous certaines conditions,
indépendamment de la nature de leur distribution initiale. Ce résultat, désormais connu comme
le théorème central limite, ouvrit la voie à une formalisation mathématique des concepts
d'incertitude et de variabilité. Plus tard, au XIXᵉ et XXᵉ siècles, des chercheurs comme Carl
Friedrich Gauss, Andrey Kolmogorov et Paul Lévy contribuèrent à perfectionner et élargir les
fondements de ce théorème.

L’importance du TCL ne se limite pas aux mathématiques théoriques. Il trouve des applications
concrètes dans de nombreux domaines scientifiques, tels que la physique, les sciences sociales
et, plus particulièrement, la finance. Dans ce dernier domaine, le TCL est au cœur des méthodes
modernes de valorisation des instruments financiers, notamment les dérivés.

Les produits financiers dérivés ont été créés dans les années 1970 dans un contexte doublement
troublé sur le plan économique. En 1971 tout d’abord la dénonciation des accords de Bretton
Woods par l’administration Nixon inaugure une ère de flottement général des devises les unes
par rapport aux autres. Deux ans plus tard le choc pétrolier de 1973 provoque une forte reprise
de l’inflation.

Dans ce contexte de forte volatilité et pour aider les entreprises à se protéger contre les risques
de variation des prix des matières premières, des devises, des taux d’intérêt etc. les banques ont
mis au point des produits innovants qui allaient révolutionner la finance et l’économie mondiale
: futures, forwards, swaps, options etc. Les produits dérivés se sont progressivement diversifiés

1
et sont devenus de plus en plus complexes en même temps que leur utilisation s’est répandue
au point de créer des marchés immenses et des mécanismes décrits simplement.

Grâce au TCL, les rendements des actifs financiers peuvent être modélisés comme des variables
normalement distribuées, facilitant ainsi les calculs probabilistes utilisés dans des modèles
célèbres comme celui de Black-Scholes.

En finance, cette simplification est cruciale. Elle permet de surmonter les complexités
inhérentes aux données de marché et d'utiliser des approches standardisées pour évaluer les prix
des dérivés. C’est dans cette optique que ce travail se pose une question centrale : Comment le
théorème central limite simplifie-t-il les calculs des prix des dérivés financiers ?

Pour répondre à la problématique, notre étude sera structurée en quatre chapitres principaux :

Chapitre 1 : Le théorème central limite (TCL) – Fondements et théorie

Chapitre 2 : Application du TCL dans le calcul des prix des dérivés financiers

Chapitre 3 : Utilisation du TCL en gestion des risques et en gestion de portefeuille

Chapitre 4 : Limites et critiques de l’application du TCL dans l’évaluation des prix des dérivés
financiers

2
CHAPITRE 1 : LE THEOREME CENTRAL LIMITE-
FONDEMENT ET THEORIE

SECTION 1 : DEFINITION ET ÉNONCE DU THEOREME CENTRAL LIMITE

1.1 DEFINITION ET INTUITION STATISTIQUE

Le théorème central limite (TCL) est un pilier fondamental des probabilités et des statistiques.
Il établit que, sous certaines conditions, la somme ou la moyenne de variables aléatoires
indépendantes converge vers une distribution normale. Ce chapitre explore les bases théoriques
et les applications pratiques du TCL, en particulier dans la finance et la modélisation
probabiliste.

1.2 CONVERGENCE DES MOYENNES D’ÉCHANTILLONS

La convergence peut être représentée par une équation clé du TCL :

(X̄−μ)
𝑍= σ → N(0,1) lorsque n →∞ où
√n

- Z est la variable réduite suivant une loi normale standard N(0,1)

- X̄ est la moyenne d’échantillon

- µ et σ sont respectivement la moyenne et l’écart-type de la population.

3
1.3 REPRESENTATION GRAPHIQUE

Figure1 : Convergence des moyennes d’échantillons vers une distribution normale

Les graphiques présentés ci-dessus illustrent la convergence des moyennes d’échantillons vers
une distribution normale. Avec des tailles croissantes d’échantillons (n = 5, 30, 100), on observe
que la distribution des moyennes devient de plus en plus symétrique et concentrée autour de la
moyenne de la population.

SECTION 2 : HYPOTHESES ET CONDITIONS DU TCL

2.1 INDEPENDANCE DES VARIABLES ALEATOIRES

Le TCL suppose que les variables aléatoires sont indépendantes, c’est-à-dire que la valeur d’une
variable ne dépend pas de celles des autres. Cette hypothèse garantit que les interactions entre
variables n’influencent pas la convergence.

2.2 EXISTENCE D’UNE VARIANCE FINIE

Pour que le TCL s’applique, les variables doivent avoir une variance finie. Si les variables ont
des distributions avec des queues lourdes (comme la loi de Cauchy), le TCL ne s’applique pas
directement. Des ajustements ou modèles alternatifs sont nécessaires dans ces cas.

2.3 CAS PARTICULIERS ET GENERALISATIONS

Le TCL est souvent comparé à la Loi des Grands Nombres. Alors que la LGN garanti que la
moyenne des échantillons converge vers la moyenne réelle de la population, le TCL précise que
cette moyenne suit une distribution normale.

4
SECTION 3 : IMPORTANCE DU TCL EN FINANCE ET EN MODELISATION
PROBABILISTE

3.1 OUTIL FONDAMENTAL EN STATISTIQUE

Le TCL est essentiel pour l’inférence statistique, permettant de construire des intervalles de
confiance et de réaliser des tests d’hypothèses. Il fournit une base théorique pour de nombreux
outils statistiques utilisés quotidiennement.

3.2 APPLICATIONS EN FINANCE

- Modélisation des rendements : Les rendements des portefeuilles financiers sont souvent
approximés par une distribution normale grâce au TCL, facilitant les calculs de risque comme
la Valu at Risk (VaR)

- Estimation des paramètres financiers : Le TCL simplifie les estimations complexes et garantit
leur validité asymptotique, ce qui est crucial pour les modèles financiers basés sur de grands
volumes de données.

Ce chapitre a démontré l'importance du théorème central limite, tant sur le plan théorique que
pratique. En statistique, il permet d’analyser des données complexes avec des outils simples.
En finance, il justifie l’usage répandu de la distribution normale dans la modélisation des
rendements. Le chapitre suivant explorera les applications spécifiques du TCL en gestion des
risques et en gestion de portefeuille.

5
CHAPITRE 2 : APPLICATION DU TCL DANS LE CALCUL DES
PRIX DES DERIVES FINANCIERS

SECTION 1 : MODELISATION DES RENDEMENTS FINANCIERS

ET PROCESSUS STOCHASTIQUES

Le rendement est défini comme étant le gain ou la perte de valeur d’un actif sur une période
donnée. Il est constitué des revenus occasionnés et des gains en capitaux d’un investissement
et est habituellement représenté sous la forme d’un pourcentage. Ces derniers peuvent prendre
la forme de coupons pour les titres à revenus fixes et de dividendes pour les actions échangées
sur les marchés boursiers.

Nous ne considèrerons, dans cette étude, que les titres boursiers sans dividende, dont le
rendement est lié uniquement aux gains en capitaux.

On définit le prix S(t) > 0 d’un titre financier observé au temps t. Implicitement, le prix
considéré est celui à la fermeture. On définit aussi le taux de rendement effectif R(t) sur une
période comprise dans l’intervalle de temps [t − 1, t]. C’est le taux composé continument,
aussi appelé force d’intérêt, qui aurait occasionné les mêmes gains ou pertes sur un montant
déposé en banque au cours de la période concernée. Le taux de rendement est la variable
d’intérêt dans le contexte de la modélisation financière.

On associe le taux de rendement effectif à la différence entre le logarithme du prix initial et

final. Dans la situation où le taux de rendement est déterministe et non aléatoire, on obtient
l’équation différentielle suivante :

𝑑𝑠(𝑡)
= 𝑅(𝑡). 𝑆(𝑡)
𝑑𝑡

On peut interpréter cette équation en affirmant que la variation du prix dS(t) sur un intervalle
de temps infiniment petit dt est proportionnelle à la valeur actuelle S(t). Cette équation
différentielle a pour solution générale:

𝑆(𝑡) = 𝑆(0)𝑒𝑅(𝑡).𝑡

6
HYPOTHESE DE NORMALITE DES RENDEMENTS EN FINANCE.

Pour définir les propriétés de l’échantillon sélectionné, nous posons comme hypothèse :

Hypothèse 1 : Le rendement R(t) est constant durant la période définie par l’intervalle de temps
[t − 1, t], mais il est différent d’une à l’autre : R(s) 6= R(t), s 6= t.

On peut alors représenter le rendement R(t) comme étant la différence entre les logarithmes des
prix observés au temps t et t − 1, ou encore le logarithme du quotient de ces mêmes prix :

R(t) = ln(S(t)) – ln(S(t-1))

= ln((S(t)/S(t-1))

Hypothèse 2: Les rendements R(i), i ∈ 1, . . ., t sont indépendants, mais pas nécessairement

identiquement distribués

On peut alors obtenir la distribution du rendement cumulé L(t) en utilisant le produit de

convolution. Considérons φR(i) (ξ) la fonction caractéristique d’un rendement R(i) et φL(t) (ξ)
celle du cumulé L(t). On obtient alors que cette dernière est égale au produit des fonctions
caractéristiques des rendements effectifs sur chacune des périodes de l’intervalle [0, t] :

ΦL (t) (ξ) = (∏t i=1) ՓR (i) (ξ).

Hypothèse 3: Les rendements R(i), i ∈ 1, . . ., t sont à la fois indépendants et identiquement

distribués.

Alors, la fonction caractéristique des rendements est égale pour chaque période :

ΦR (ξ) = ՓR (1) (ξ) = . . . = ՓR (t) (ξ).

7
LE MOUVEMENT BROWNIEN ET LA MODELISATION DES PRIX D’ACTIFS.

Le processus (Bt, t ≥ 0) est un mouvement brownien standard si :

1. P (B0 = 0) = 1, le mouvement brownien est issu de l’origine.

2. ∀s ≤ t, Bt − Bs est une variable aléatoire réelle de loi gaussienne centré de variance (t − s),
c’est la condition de la stationnarité des accroissements du mouvement brownien.

3. ∀n, ∀ti, 0 ≤ t0 ≤ t1 ≤ ... ≤ tn, les variables (Btn − Btn−1, ..., Bt1 − Bt0, Bt0) sont
indépendantes. Cette propriété traduit que le mouvement brownien est à accroissements
indépendant ce qui équivalent à :

4. Soit ∀s 6 t, la variable Bt − Bs est indépendante de la tribu du passé avant s, soit σ (Bu, u ≤

s). Le processus Xt = a + Bt est un mouvement brownien, on dit que X est un mouvement
brownien généralisé ou de drift µ si Xt = x + µt + σBt où B est un mouvement brownien. La
variable Xt est une variable gaussienne d’espérance x + µt et de variance σ 2 t. Les variables
(Xti+1 − Xti, t0 ≤ t1... ≤ tn) sont indépendantes.

Nous allons démontrer :

1. ⇒) Pour t1 ≤ ... ≤ tn, le vecteur (Bt1, Bt2 − Bt1, ..., Btn − Btn−1) constitué de variables
aléatoires gaussiennes indépendantes est un vecteur gaussien. Ainsi par combinaisons
linéaires, (Bt1, ..., Btn) l’est également. Le mouvement brownien est un processus
gaussien continu. Il est de plus centré et si t ≥ s : cov (Bt, Bs) = E [BtBs ] = E[(Bt −
Bs)Bs ] + E[(Bs) 2 ] = s. 2. ⇐) Nous vérifions la définition point par point : – E[(B0) 2]
= 0 donc B0 = 0, P-p.s

– B est continue par hypothèse.

– Pour t1 ≤ . . . ≤ s < t, le vecteur (Bt1, ..., Btn, Bt − Bs) est gaussien avec cov (Bt − Bs, Bti) =
0. Ainsi Bt − Bs ⊥ (Bt1, . . ., Btn), donc d’aprés la remarque si dessus, Bt − Bs est indépendant
de F B s = σ (Bu, u ≤ s). – Enfin, pour s ≤ t, Bt − Bs est gaussienne, centrée de variance var (Bt
− Bs) = t + s − 2in f (s, t) = t − s.

8
 ▪ la modélisation des prix d’actifs.

Une modélisation classique des prix d’actifs financiers est de les considérer comme des
processus S suivant une dynamique de la forme : dSt St = µtdt + σtdWt, ∀t ∈ R + (1) Avec W
un mouvement brownien unidimensionnel, µ un terme de dérive et finalement σ un processus
de volatilité

La nature du processus de volatilité choisi détermine en grande partie l’efficacité du modèle

construit. Ce processus peut être choisi constant (modèle de Black-Scholes), fonction
déterministe du temps ou/et du prix du sous-jacent (modèle de volatilité local de Dupire) ou
encore stochastique (modèle de Heston)

SECTION 2 : SIMULATION DE MONTE-CARLO ET TCL

INTRODUCTION A LA METHODE DE MONTE-CARLO EN FINANCE.

De manière générale, la simulation numérique permet d’étudier un système donné dont on

connait les interactions complexes, de mesurer les effets de certaines variations des paramètres
sur le comportement global du système, voire d’expérimenter de nouvelles situations. Lorsque
dans la simulation intervient un élément aléatoire, on parle alors de simulation aléatoire (ou
stochastique). Parmi les nombreux exemples d’applications aussi diverses que variées, citons
la simulation des flux de clients dans des réseaux de files d’attente, des portefeuilles d’actifs en
mathématiques financières, la comparaison d’estimateurs en statistique ou encore la recherche
d’´équilibres en physique ou en économie. De surcroît, si l’on cherche une représentation fidèle
des phénomènes observés, les difficultés inhérentes aux calculs souvent peu explicites
deviennent insurmontables : les techniques de simulation permettent alors de les approcher
numériquement.

Les méthodes dites de Monte Carlo, dont le principe repose essentiellement sur la Loi des
Grands Nombres, c’est-`a-dire sur une répétition d’expériences aléatoires, permettent d’évaluer
une quantité donnée mais inconnue, voire de résoudre un système déterministe.

Considérons le problème suivant. Il s’agit d’approcher numériquement l’intégrale

I = ∫1,0 g(x)dx,

9
Où g : R → R est une fonction continue par morceaux sur [0, 1]. Diverses m´méthodes
classiques de type d´déterministe existent : rectangles, trapèzes, Simpson, l’intégrale I ´étant
approchée par une somme

∑ i=0 w g (xi), avec ∑ i=0 w = 1

et la subdivision (xi)0≤i≤n bien choisie dans [0, 1]. La m´méthode de Monte Carlo, quant à elle,
consiste à représenter cette intégrale sous la forme d’une espérance :

I = E [g (U)],

où U est une variable aléatoire réelle suivant la loi U[0,1] uniforme sur l’intervalle [0, 1], et
ensuite à utiliser la Loi des Grands Nombres : si (Un) n∈N ∗ est une suite de variable aléatoire
réelle . Identique Indépendamment Distribué. De loi uniforme U [0,1], alors on a la convergence
presque sure suivante de la moyenne empirique :

1/ n ∑n i=1 g (Ui) −→n→+∞ E [g (U)].

En d’autres termes, si u1, u2, · · ·, un sont des nombres tirés au hasard dans l’intervalle [0, 1],
alors n −1 ∑n i=1 g(ui) est une approximation de l’intégrale I.

ROLE DU TCL POUR L’APPROXIMATION DES DISTRIBUTIONS DE PRIX.

Soit X1, X2…, Xn (n élément de N*), une suite de variables aléatoires réelles définies sur le
même espace de probabilité, indépendantes et identiquement distribuées suivant la même loi A.
On pose que l'espérance μ et la variance σ² de A existent et sont finis avec σ ≠ 0.

Soit la somme : Sn = X1 + X2 + … + Xn.

Parce que les Xi sont indépendants, l'espérance E(Sn)= E(X1) +E(X2) +...+E(Xn)= nμ.

De plus, la variance V(Sn) = V(X1) +V(X2) +...+V(Xn) = nσ².

Quand n est suffisamment grand, on dira que Sn suit une loi normale de paramètres nμ et nσ².
Cela signifie que plus le nombre de variables aléatoires indépendantes choisies est grand, plus
les valeurs obtenues pour la variable agrégée Sn auront tendance à converger vers nμ avec un
écart moyen proportionnel à l'écart-type σ√n.

10
Le théorème central limite stipule que lorsque n tend vers l'infini, la suite de variables
aléatoires Z1, Z2, …, Zn converge en loi vers la variable aléatoire Z, définie sur le même espace
probabilisé, et de loi normale centrée réduite (espérance nulle et variance égale à 1).

Pour que le TCL s’applique il faut que :

- Les variables doivent être indépendantes.

- Elles doivent avoir une variance finie.

- Il doit y avoir un nombre suffisamment grand de variables.

Cela est particulièrement utile pour modéliser la distribution des prix, car les prix peuvent être
vus comme la somme de plusieurs contributions indépendantes.

• Imaginons qu’un prix final est déterminé par trois facteurs :

X1 : coût des matières premières (loi uniforme entre 10 et 20),

X2: coûts de transport (loi exponentielle avec une moyenne de 5),

X3 : taxes (fixes, mais avec une petite variation gaussienne autour de 3).

Si l’on considère la somme :

Sn=X1+X2+X3S_n = X_1 + X_2 + X_3

Sn=X1+X2+X3

où SnS_nSn représente le prix total.

- Pour X1 (uniforme entre 10 et 20) nous avons :

Moyenne : μ1=10+20/2=15, Variance : σ12= (20−10) ^2 /12=8.33

- Pour X2 (exponentielle avec moyenne 5) :

Moyenne : μ2=5, Variance : σ^22=5^2=25

- Pour X3 (gaussienne, moyenne 3, variance 0.5) :

11
Moyenne : μ3=3, Variance : σ (3,2) =0.5

Grâce aux propriétés de la somme de variables aléatoires nous pouvons ecrire :

μSn=μ1+μ2+μ3=15+5+3=23

σSn2=σ12+σ22+σ32=8.33+25+0.5=33.83

Ainsi, avec Approche gaussienne via le TCL Avec un nombre élevé de facteurs, la distribution
de Sn est approximativement normale est :

Sn∼N (μSn, σSn2)

L’application à notre cas nous donne :

Sn∼N (23,33.83).

SECTION 3 : LE TCL DANS LE MODELE DE BLACK-SCHOLES ET

LES ARBRES BINOMIAUX

DEDUCTION DU MODELE BLACK-SCHOLES GRACE AU TCL

Le théorème central limite (TCL) joue un rôle fondamental dans la déduction du modèle de
Black-Scholes. Dans le cadre des marchés financiers, les variations logarithmiques du prix d’un
actif financier (“log-returns”) sont souvent modélisées comme étant des variables aléatoires
indépendantes et identiquement distribuées. Lorsqu'on observe ces variations sur une période
suffisamment longue ou avec un grand nombre de sous-intervalles temporels, la somme
normalisée des variations converge, selon le TCL, vers une distribution normale. Ainsi, en
décomposant une période de temps en sous-intervalles et en supposant que les rendements
instantanés sont distribués de manière iid, la trajectoire de l’actif financier suit une dynamique
qui tend vers un processus de Wiener (mouvement brownien) à mesure que . En intégrant cette
dynamique et en appliquant la formule d’Ito, on obtient l’équation différentielle stochastique
sous-jacente au modèle de Black-Scholes : où µ représente le taux de rendement attendu, σ
l’écart-type des rendements (volatilité) et un processus de Wiener standard. La transformation
de ce modèle sous la mesure risque-neutre permet de dériver la fameuse formule de valorisation
des options.

12
APPROCHE BINOMIALE ET CONVERGENCE VERS LA DISTRIBUTION
NORMALE

Le modèle binomial, introduit par Cox, Ross et Rubinstein, constitue une approche discrète
pour modéliser les prix des actifs financiers. Dans ce modèle, le prix d’un actif peut soit
augmenter soit diminuer à chaque pas de temps selon des probabilités prédéfinies. Si on divise
la période totale jusqu’à l’échéance de l’option en intervalles de temps et si , les incréments
binomiaux convergent vers une distribution normale, conformément au TCL.
Mathématiquement, la relation entre le modèle binomial et le modèle de Black-Scholes est
décrite par : avec . Cette convergence justifie l’utilisation du modèle de Black-Scholes comme
limite continue du modèle binomial.

SECTION 4 : EXEMPLE D’APPLICATION DU TCL DANS LE

CALCUL DES DERIVES

APPLICATION PRATIQUE POUR L’EVALUATION D’OPTIONS (PAR

EXEMPLE, UNE OPTION DE TYPE EUROPEEN)

Considérons une option européenne, qui donne le droit (mais non l’obligation) d’acheter ou de
vendre un actif à un prix fixé (également appelé prix d’exercice) à une date d’échéance donnée.
Le modèle de Black-Scholes utilise l’hypothèse que les prix suivent une distribution log-
normale pour calculer la valeur de cette option. Cela repose sur le TCL, car les log-returns du
prix de l’actif sont supposés converger vers une distribution normale. La formule de Black-
Scholes pour une option d’achat européenne est donnée par : avec et Φ représentant la fonction
de répartition de la loi normale standard. Cette application illustre comment le TCL permet de
modéliser les incertitudes sur le prix futur d’un actif.

UTILISATION DU TCL DANS LES CALCULS DE PROBABILITES ET DE

DISTRIBUTIONS DE PRIX

En pratique, le TCL simplifie l’approximation des probabilités liées à la distribution des prix
d’un actif à l’échéance. Par exemple, pour estimer la probabilité que le prix d’un actif soit
supérieur ou inférieur à un seuil donné, on utilise la distribution normale : avec . Cette
formulation permet une évaluation rapide et efficace des probabilités liées aux prix futurs et

13
constitue un outil essentiel pour la gestion des risques et la stratégie d’investissement. En
combinant l’approche binomiale et l’approximation normale, le TCL fournit une base théorique
solide pour développer des modèles financiers précis et pour résoudre des problèmes pratiques
liés à l’évaluation des produits dérivés

Le théorème central limite (TCL) est un outil fondamental pour modéliser les rendements
financiers, les prix des actifs et les dérivés financiers. Il permet d'approximer des distributions
complexes en s'appuyant sur une distribution normale, simplifiant ainsi les calculs probabilistes
et les simulations nécessaires à l’évaluation des produits financiers. En finance, les rendements
des actifs sont souvent modélisés en supposant une normalité des rendements à court terme,
une hypothèse issue des travaux classiques comme ceux de Bachelier et Samuelson. Cette
hypothèse simplifie l’analyse et sert de base à de nombreux modèles. La méthode de Monte-
Carlo est largement utilisée en finance pour évaluer les prix des dérivés ou estimer les risques.
Elle repose sur des simulations massives de trajectoires possibles des prix d’actifs. Le TCL joue
un rôle essentiel ici, car il garantit que les moyennes des résultats simulés convergent vers une
distribution normale, ce qui rend les calculs fiables même lorsque les distributions initiales sont
complexes.

L'approximation normale offerte par le TCL simplifie l’analyse des scénarios extrêmes, par
exemple en évaluant la probabilité qu’un dérivé dépasse un certain seuil de profit ou de perte.
Ce processus stochastique aléatoire sous-tend des modèles comme celui de Black-Scholes, où
les rendements logarithmiques suivent une loi normale, conforme au TCL.

Le modèle de Black-Scholes, pierre angulaire de l’évaluation des options, utilise le TCL pour
dériver la formule de valorisation. En supposant que les petits mouvements des prix d’actifs
suivent une loi normale, le modèle applique le mouvement brownien géométrique pour décrire
l’évolution des prix.

Dans une approche binomiale, les trajectoires de prix d’actifs sont discrétisées en périodes,
chaque période correspondant à une montée ou une descente du prix selon une probabilité
donnée. Lorsque le nombre de périodes tend vers l’infini, la distribution des prix converge vers
une loi normale, comme le stipule le TCL, établissant ainsi le lien avec le modèle Black-Scholes

Le chapitre suivant, intitulé Utilisation du TCL en Gestion des Risques et en Gestion de

Portefeuille, explorera comment le TCL est appliqué pour mesurer les risques (comme la

14
Value-at-Risk ou VaR), optimiser les portefeuilles en tenant compte de la corrélation des actifs
et gérer les distributions des rendements dans des contextes de stress financier.

15
CHAPITRE 3 : UTILISATION DU TCL EN GESTION DE
RISQUES ET EN GESTION DE PORTEFEUILLE

Le théorème central limite (TCL) est une notion fondamentale en finance quantitative. Il
indique que la somme d’un grand nombre de variables aléatoires indépendantes et
identiquement distribuées (iid) tend vers une distribution normale, quelle que soit la distribution
initiale des variables. En gestion des risques, le TCL simplifie l’évaluation des pertes
potentielles, tandis qu’en gestion de portefeuille, il facilite l’analyse des rendements agrégés et
l’optimisation des investissements. Ce chapitre examine ces applications en profondeur, en
illustrant les concepts par des calculs concrets et des études de cas.

SECTION 1 : APPLICATION DU TCL EN GESTION DES RISQUES

ÉVALUATION DES RISQUES DE MARCHE

En finance, un outil important pour mesurer les risques de marché est la Value at Risk (VaR),
qui représente la perte maximale probable pour un portefeuille, à un niveau de confiance donné
et sur une période définie. Grâce au TCL, les rendements agrégés d’un portefeuille peuvent être
supposés et suivre une distribution normale, même si les rendements individuels ne le sont pas.

• Formule de la VaR basée sur le TCL :

VaR = -µ + zα ⋅ σ

où :

• µ : moyenne des rendements du portefeuille,

• zα : quantile de la distribution normale pour un niveau de confiance α,

• σ : écart-type des rendements.

16
Exemple pratique : Considérons un portefeuille d'actions avec une moyenne de rendement
quotidien de 0,1 % (µ = 0,001) et un écart-type de 2 % (σ = 0,02). Pour un niveau de confiance
de 99 % (z0,99 = 2,33):

VaR = -(0,001) + (2,33 ⋅ 0,02) = 0,0456 (ou 4,56 %)

Interprétation : Ainsi, il existe 99 % de chances que les pertes quotidiennes du portefeuille ne

dépassent pas 4,56 %. Cela aide les gestionnaires à fixer des limites de risque.

GESTION DES RISQUES DE CREDIT

Dans les portefeuilles de crédits, le TCL est utilisé pour évaluer les pertes agrégées en cas de
défaut. Chaque emprunteur a une probabilité de défaut (p) indépendante des autres. La perte
totale est modélisée comme la somme des pertes individuelles, et le TCL permet d’estimer cette
somme avec une précision accrue.

Modélisation avec le TCL : Si Xi représente la perte liée à un emprunteur, la perte totale Sn

pour un portefeuille de n emprunteurs est donnée par :

Sn = ∑i=1n Xi

Pour un grand nombre n, Sn suit approximativement une distribution normale :

Sn ∼ N(n ⋅ µ, n ⋅ σ2) où µ et σ2 sont respectivement la moyenne et la variance des pertes

individuelles.

Cas pratique : Un portefeuille contient 200 prêts, avec une perte moyenne par prêt de 50 000
CFA (µ = 50 000) et un écart-type de 10 000 CFA (σ = 10 000).

µtotal = 200 ⋅ 50 000 = 10 000 000 CFA

σtotal = √200 ⋅ 10 000 = 141 421 CFA

Ces résultats permettent de calculer les réserves nécessaires pour couvrir les pertes potentielles.

17
IDENTIFICATION ET QUANTIFICATION DES RISQUES EXTREMES

Bien que le TCL soit un outil puissant, il présente des limites face aux événements extrêmes,
comme les crises financières ou les faillites massives. Ces événements, situés dans les queues
de distribution, nécessitent des outils complémentaires comme la théorie des valeurs extrêmes
(EVT).

• Approche mixte TCL-EVT : En combinant le TCL pour les risques modérés et l’EVT
pour les queues de distribution, les gestionnaires peuvent mieux quantifier les risques
extrêmes. Par exemple, une distribution de Pareto généralisée est souvent utilisée pour
modéliser ces événements.

• Illustration : Un portefeuille d'actions montre des pertes extrêmes correspondant aux

mouvements de marché dépassant 3 écarts-types. L’EVT permet de modéliser ces
queues pour une gestion plus robuste des risques.

SECTION 2 : APPLICATION DU TCL EN GESTION DE

PORTEFEUILLE

MODELISATION DES RENDEMENTS DES ACTIFS

Dans un portefeuille diversifié, les rendements individuels des actifs sont souvent considérés
comme indépendants. Le TCL justifie que les rendements agrégés suivent une distribution
normale, facilitant ainsi les prévisions.

Elle a aussi un lien avec la théorie de Markowitz : La théorie moderne du portefeuille repose
sur cette hypothèse de normalité pour optimiser le rapport rendement-risque. Cela permet de
calculer facilement la moyenne et la variance des rendements du portefeuille.

18
CONSTRUCTION ET OPTIMISATION DES PORTEFEUILLES

Le TCL facilite l’agrégation des risques pour maximiser la diversification. Un portefeuille bien
diversifié voit sa variance totale diminuer à mesure que le nombre d'actifs augmente.

Exemple pratique : Un portefeuille contient 30 actions avec une moyenne de rendement de 7

% (µ = 0,07) et une variance individuelle de 5 % (σ2 = 0,05). Avec le TCL :

µportefeuille = µ = 0,07 (ou 7 %)

σportefeuille = √(σ2/30) = √(0,05/30) = 0,0408 (ou 4,08 %)

Cela montre que la diversification réduit significativement le risque total.

ÉVALUATION DE LA PERFORMANCE DES PORTEFEUILLES

Le TCL permet d’estimer l’erreur dans les rendements agrégés et d’évaluer la robustesse des
portefeuilles face aux fluctuations.

Exemple : Pour un portefeuille d'actions internationales, le TCL est utilisé pour analyser si les
rendements observés s’écartent significativement des rendements prévus.

Pour approfondir cette explication avec des représentations graphiques et des interprétations,
voici une version révisée intégrant des graphiques pour visualiser les concepts, analyser les
calculs, et interpréter leurs implications. Les graphiques seront créés puis analysés afin de
rendre le contenu visuellement et conceptuellement complet.

SECTION 3 : QUELQUES ILLUSTRATIONS

• Évaluation des Risques de Marché

19
Représentation graphique de la Value at Risk (VaR) : Le graphique ci-dessous illustre une
distribution normale des rendements d’un portefeuille. La zone ombrée correspond à la VaR,
indiquant la perte maximale probable à un niveau de confiance donné (99 % dans cet exemple).

Un graphique de la VaR sera créé.

Figure 2 : Représentation de la Value at Risk (VaR)

- Analyse et interprétation du graphique : La courbe représente la distribution normale

des rendements d'un portefeuille. La ligne rouge en pointillé indique la VaR pour un
niveau de confiance de 99 %, correspondant à une perte maximale probable de 4,56 %.
La zone rouge ombrée montre les pertes potentiellement supérieures à cette valeur, qui
sont rares mais possibles.

- Implication : La VaR quantifie le risque de perte sur une période donnée, fournissant
aux gestionnaires une base pour établir des limites et des réserves de capital.

- Gestion des Risques de Crédit

Représentation graphique des pertes agrégées : Afin de visualiser la perte totale dans un
portefeuille de crédits, un graphique représentant la distribution des pertes agrégées calculées à
partir de 200 prêts sera élaboré.

20
Figure 3 : Distribution des pertes agrégées pour un portefeuille de crédits

- Analyse et interprétation du graphique : La courbe indique la distribution des pertes

totales pour un portefeuille de 200 prêts. La ligne noire pointillée correspond à la perte
moyenne totale de 10 000 000 CFA, et l’étalement de la courbe montre la variabilité
des pertes possibles.

- Implication : Cette représentation permet de comprendre la concentration des pertes

autour de la moyenne, aidant ainsi les institutions financières à prévoir les réserves
nécessaires pour couvrir les pertes dans des conditions normales.

21
 • Identification et Quantification des Risques Extrêmes

Pour les événements extrêmes, les queues de distribution deviennent cruciales. Un exemple
illustrant comment la Théorie des Valeurs Extrêmes (EVT) complète le TCL sera présenté.

Figure 4 : identification des risques extrêmes avec EVT

- Analyse et interprétation du graphique : La zone orange représente les queues de la

distribution normale, où se trouvent les pertes extrêmes (>3σ de la moyenne). Ces
événements rares ont un impact significatif sur les portefeuilles financiers.

- Implication : Le TCL seul ne capture pas ces risques. Il doit être complété par des
modèles comme la Théorie des Valeurs Extrêmes (EVT) pour évaluer les queues de
distribution et mieux anticiper les crises financières.

Ces graphiques et analyses approfondissent l'application du TCL en gestion des risques,

fournissant des implications pratiques essentielles pour guider les décisions en finance et en
gestion de portefeuille.

22
Figure 5 : Différent type de distribution et le TCL

Le TCL joue un rôle clé en gestion des risques et en gestion de portefeuille. Il simplifie les
calculs complexes en modélisant les pertes et les rendements comme des variables normales,
tout en facilitant l’évaluation des performances. Toutefois, ses limites face aux événements
extrêmes soulignent la nécessité d'outils complémentaires comme l'EVT. Ces applications
montrent à quel point le TCL est indispensable pour une gestion financière efficace et éclairée.

23
CHAPITRE 4 : LIMITES ET CRITIQUES DE L’APPLICATION
DU TCL DANS LE CALCUL DES PRIX DES DERIVES
FINANCIERS

SECTION 1 : HYPOTHÈSES SIMPLIFICATRICES DU TCL

Le Théorème Central Limite (TCL) est largement utilisé dans l’évaluation des prix des dérivés
financiers, mais il repose sur plusieurs hypothèses simplificatrices qui ne correspondent pas
toujours à la réalité des marchés financiers. Ces hypothèses, bien qu’utiles pour certaines
applications, peuvent entraîner des biais significatifs lorsque les conditions de marché sont
atypiques ou lorsque les rendements financiers ne suivent pas une distribution normale.

1.1 RENDEMENTS IID ET INDÉPENDANCE DES MARCHÉS

Le TCL repose sur l’hypothèse que les rendements des actifs financiers sont indépendants et
identiquement distribués (iid), ce qui implique que les rendements passés n’influencent pas les
rendements futurs, et que chaque période de temps est indépendante des autres. En théorie, cette
hypothèse est une simplification utile, mais elle est souvent remise en question dans le contexte
des marchés financiers.

• Dépendance temporelle : Les rendements observés sur les marchés financiers ne sont
pas indépendants. De nombreux modèles modernes, tels que ceux fondés sur
l’hétéroscédasticité conditionnelle autorégressive (ARCH) ou GARCH (Bollerslev,
1986), montrent que les rendements peuvent être corrélés dans le temps. Par exemple,
les crises financières peuvent créer des effets de contagion, où un choc dans un secteur
ou un marché affecte les autres, ce qui contredit l’hypothèse d’indépendance
(Mandelbrot, 1963).
• Dépendance conditionnelle : De plus, les modèles de volatilité stochastique, tels que le
modèle de Heston (1993), modélisent explicitement la dépendance entre les rendements
et la volatilité, qui n’est pas captée par l’hypothèse iid.

24
1.2 ÉVÉNEMENTS EXTRÊMES ET QUEUES ÉPAISSES (DISTRIBUTION
NON NORMALE)

Le TCL repose sur l’hypothèse que les rendements des actifs suivent une distribution normale,
ce qui suppose que les événements extrêmes (mouvements de prix très importants) sont rares
et ne se produisent pas fréquemment. Cependant, cette hypothèse est souvent critiquée dans le
domaine des dérivés financiers, car les rendements financiers présentent fréquemment des
queues épaisses.

• Distributions non normales et événements extrêmes : Les rendements des actifs

financiers suivent généralement des distributions qui ont des queues plus épaisses que
la normale, telles que les lois de Lévy ou les distributions stable (Fama, 1965). Ces
distributions permettent de mieux capturer les événements rares mais significatifs,
comme les krachs boursiers, qui ne sont pas bien représentés par une distribution
normale.
• Sous-estimation du risque : L’utilisation de la distribution normale pour modéliser les
prix des actifs financiers peut conduire à une sous-estimation du risque, notamment pour
les produits dérivés dont la valorisation dépend fortement des extrêmes. Par exemple,
la crise financière de 2008 a montré que les modèles basés sur le TCL ont échoué à
prévoir l’ampleur des mouvements de prix (Jorion, 2007).

SECTION 2 : ALTERNATIVES AU TCL

Pour pallier les limitations du TCL dans l’évaluation des prix des dérivés financiers, plusieurs
modèles alternatifs ont été développés, intégrant des distributions plus réalistes et prenant en
compte des phénomènes comme la volatilité stochastique ou les sauts dans les prix des actifs.

2.1 MODÈLES INTÉGRANT DES DISTRIBUTIONS PLUS RÉALISTES : LA

LOI DE LÉVY

Les lois de Lévy représentent une alternative aux hypothèses de normalité du TCL et sont
particulièrement utiles pour modéliser les rendements des actifs financiers. Ces lois permettent

25
de décrire les rendements financiers qui incluent des sauts (jumps) ou des variations brusques,
caractéristiques des marchés.

• Loi de Lévy : Les modèles basés sur les processus de Lévy, comme ceux de Merton
(1976), permettent de modéliser les rendements avec des sauts, offrant ainsi une
meilleure représentation des événements extrêmes. La loi de Lévy capture la probabilité
plus élevée d’événements extrêmes, contrairement à la loi normale.
• Applications en finance : Les modèles de Lévy sont utilisés pour modéliser les options
financières et autres dérivés dans des contextes où des variations abruptes du prix de
l’actif sous-jacent sont observées. Par exemple, la loi de Lévy permet d’intégrer des
sauts dans les rendements, ce qui est particulièrement pertinent dans les marchés des
actions ou des matières premières, où les événements inattendus peuvent entraîner de
grandes fluctuations (Cont, 2001).

2.2 MODÈLES À VOLATILITÉ STOCHASTIQUE

Les modèles à volatilité stochastique sont également une alternative aux hypothèses
simplificatrices du TCL. Ces modèles prennent en compte le fait que la volatilité des marchés
financiers n’est pas constante, mais évolue de manière aléatoire au fil du temps.

• Le modèle de Heston : Le modèle de Heston (1993) est un exemple classique d’un

modèle à volatilité stochastique. Il modélise la volatilité comme un processus
stochastique et permet d’obtenir des prix d’options plus réalistes en prenant en compte
la dynamique de la volatilité au lieu de supposer qu’elle est constante. Ce modèle est
largement utilisé dans l’évaluation des dérivés, en particulier pour les options sur actions
et indices boursiers.
• Avantages de ces modèles : Les modèles à volatilité stochastique offrent une meilleure
gestion des risques, car ils permettent de modéliser la volatilité variable et de capturer
l’effet des corrélations entre les rendements des actifs et la volatilité. Cela aide à obtenir
une évaluation plus précise des risques associés aux dérivés financiers, notamment en
période de crise ou d’incertitude.

Le Théorème Central Limite (TCL) est un outil puissant, mais ses hypothèses simplificatrices,
telles que l’indépendance des rendements et la normalité des distributions, ne sont pas toujours
adaptées pour modéliser les marchés financiers complexes. La dépendance temporelle des

26
rendements et les événements extrêmes, tels que les crises financières, rendent l’application du
TCL dans l’évaluation des prix des dérivés souvent irréaliste. En réponse à ces limitations, des
alternatives comme les lois de Lévy et les modèles à volatilité stochastique ont été développées,
offrant des approches plus robustes pour prendre en compte la dynamique des marchés et les
risques associés aux événements extrêmes. Ces modèles permettent de mieux appréhender les
risques et de fournir des évaluations plus précises des produits dérivés dans un environnement
financier incertain.

27
CONCLUSION

Le théorème central limite (TCL) constitue une base fondamentale pour la modélisation
financière, en simplifiant les calculs complexes grâce à l’approximation normale. Il s’avère
particulièrement utile dans l’évaluation des prix des dérivés financiers, la gestion des risques,
et l’optimisation des portefeuilles. Cependant, son application est limitée par les hypothèses de
normalité et d’indépendance des rendements, qui ne reflètent pas toujours la réalité des marchés
financiers.

Face à ces limites, des alternatives comme les modèles à volatilité stochastique et les lois de
Lévy permettent une approche plus réaliste, intégrant les sauts de prix et les queues épaisses
des distributions. Ces méthodes offrent une meilleure appréhension des événements extrêmes
et des dynamiques de marché, rendant les outils financiers plus robustes face aux incertitudes
économiques.

Ainsi, le TCL, bien que central dans la finance quantitative, doit être utilisé en complément
d’autres modèles pour garantir une analyse complète et fiable des marchés financiers et des
produits dérivés. Ce travail souligne l’importance de combiner rigueur théorique et adaptation
pratique pour répondre aux défis complexes du domaine financier moderne.

28
BIBLIOGRAPHIE

- BOLLERSLEV T. (1986). “Generalized Autoregressive Conditional

Heteroskedasticity.” Journal of Econometrics, 31, 307–327.

- CONT, R. (2001). “Empirical properties of asset returns: Stylized facts and

statistical issues.” Quantitative Finance, 1(2), 223-236.

- FAMA, E. (1965). “The Behavior of Stock-Market Prices.” Journal of Business,

38(1), 34-105.

- HESTON, S. L. (1993). “A Closed-Form Solution for Options with Stochastic

Volatility with Applications to Bond and Currency Options.” Review of Financial
Studies, 6(2), 327-343.

- JORION, P. (2007). Financial Risk Manager Handbook. Wiley.

- MERTON, R. C. (1976). “Option Pricing When Underlying Stock Returns Are

Discontinuous.” Journal of Financial Economics, 3(2), 125-144

iv
TABLE DES MATIERES

SOMMAIRE ............................................................................................................................................................i
LISTE DES SIGLES ..............................................................................................................................................ii
LISTE DES FIGURES ......................................................................................................................................... iii
INTRODUCTION ................................................................................................................................................. 1
CHAPITRE 1 : Le théorème central limite- fondement et théorie ................................................................... 3
Section 1 : Définition et Énoncé du Théorème Central Limite ............................................................................ 3
1.1 Définition et Intuition Statistique ........................................................................................................ 3
1.2 Convergence des Moyennes d’Échantillons .............................................................................................. 3
1.3 Représentation Graphique ......................................................................................................................... 4
Section 2 : Hypothèses et Conditions du TCL .................................................................................................... 4
2.1 Indépendance des Variables Aléatoires ..................................................................................................... 4
2.2 Existence d’une Variance Finie ................................................................................................................. 4
2.3 Cas Particuliers et Généralisations ............................................................................................................ 4
Section 3 : Importance du TCL en Finance et en Modélisation Probabiliste ...................................................... 5
3.1 Outil Fondamental en Statistique .............................................................................................................. 5
3.2 Applications en Finance ............................................................................................................................ 5
CHAPITRE 2 : Application du TCL dans le calcul des prix des dérivés financiers ....................................... 6
Section 1 : Modélisation des rendements financiers et processus stochastiques ................................................. 6
Hypothèse de normalité des rendements en finance........................................................................................ 7
Le mouvement brownien et la modélisation des prix d’actifs. ........................................................................ 8
Section 2 : Simulation de Monte-Carlo et TCL................................................................................................... 9
Introduction à la méthode de Monte-Carlo en finance. ................................................................................... 9
Rôle du TCL pour l’approximation des distributions de prix. ...................................................................... 10
Section 3 : Le TCL dans le modèle de Black-Scholes et les arbres binomiaux ................................................ 12
Déduction du modèle Black-Scholes grâce au TCL...................................................................................... 12
Approche binomiale et convergence vers la distribution normale ................................................................ 13
Section 4 : Exemple d’application du TCL dans le calcul des dérivés .............................................................. 13
Application pratique pour l’évaluation d’options (par exemple, une option de type européen).................... 13
Utilisation du TCL dans les calculs de probabilités et de distributions de prix ............................................. 13
CHAPITRE 3 : Utilisation du TCL en gestion de risques et en gestion de portefeuille ................................ 16
SECTION 1 : Application du TCL en Gestion des Risques.............................................................................. 16
Évaluation des Risques de Marché ................................................................................................................ 16
Gestion des Risques de Crédit ....................................................................................................................... 17
Identification et Quantification des Risques Extrêmes.................................................................................. 18
SECTION 2 : Application du TCL en Gestion de Portefeuille ......................................................................... 18

v
 Modélisation des Rendements des Actifs ...................................................................................................... 18
Construction et Optimisation des Portefeuilles ............................................................................................. 19
Évaluation de la Performance des Portefeuilles ............................................................................................ 19
SECTION 3 : quelques illustrations .................................................................................................................. 19
CHAPITRE 4 : Limites et critiques de l’application du TCL dans le calcul des prix des dérivés financiers
.............................................................................................................................................................................. 24
SECTION 1 : Hypothèses simplificatrices du TCL .......................................................................................... 24
1.1 Rendements iid et indépendance des marchés ...................................................................................... 24
1.2 Événements extrêmes et queues épaisses (distribution non normale) ..................................................... 25
SECTION 2 : Alternatives au TCL ................................................................................................................... 25
2.1 Modèles intégrant des distributions plus réalistes : la loi de Lévy .......................................................... 25
2.2 Modèles à volatilité stochastique ............................................................................................................ 26
CONCLUSION.................................................................................................................................................... 28
BIBLIOGRAPHIE ................................................................................................................................................ iv

vi