Utilisation des Splines Cubiques en Finance de Marché
1 Introduction
L’interpolation est une méthode mathématique fondamentale permettant de reconstituer
une fonction continue à partir d’un ensemble discret de points. Elle est omniprésente dans
de nombreux domaines scientifiques et industriels, notamment en finance de marché, où les
instruments financiers sont souvent observés à des maturités ou strikes discrets, mais où les
modèles exigent des courbes et surfaces continues et différentiables.
Parmi les techniques d’interpolation, les splines cubiques occupent une place centrale
en raison de leur capacité à produire des courbes à la fois douces, stables numériquement,
et localement contrôlables. Elles garantissent la continuité jusqu’à la dérivée seconde, évitant
ainsi les discontinuités qui peuvent induire des incohérences économiques (comme des taux
forward discontinus ou des Greeks instables).
Ce document a pour objectif de :
— Exposer les fondements mathématiques de l’interpolation par spline cubique, en dé-
taillant notamment la structure des polynômes, les conditions de continuité, et les
options de conditions aux bords ;
— Démontrer son rôle clé en finance de marché, en soulignant les raisons techniques et
économiques qui en font la méthode d’interpolation privilégiée pour les courbes de
taux, les surfaces de volatilité, et autres objets fondamentaux ;
— Comparer la spline cubique aux autres méthodes d’interpolation utilisées en finance,
en mettant en évidence ses avantages structurels et ses limites éventuelles.
2 Fondements mathématiques des splines cubiques
2.1 Définition et structure des segments
Une spline cubique est une fonction constituée de polynômes de degré trois, définis par
morceaux sur chaque intervalle [xi , xi+1 ] d’un ensemble de points {(x0 , y0 ), . . . , (xn , yn )}. Pour
chaque sous-intervalle, on cherche à construire une fonction :
Si (x) = ai + bi (x − xi ) + ci (x − xi )2 + di (x − xi )3
Le but est de déterminer les coefficients ai , bi , ci , di de chaque polynôme. On obtient ainsi n
polynômes cubiques pour n + 1 points.
1
2.2 Conditions de continuité (C 2 )
Pour assurer la "douceur" de la courbe, on impose des conditions de continuité aux jonc-
tions (ou nœuds) :
— Continuité C 0 (valeurs) : chaque polynôme passe par les points qu’il interpole :
Si (xi ) = yi et Si (xi+1 ) = yi+1 ;
′
— Continuité C 1 (pente) : les dérivées premières sont continues : Si′ (xi+1 ) = Si+1 (xi+1 ) ;
2 ′′ ′′
— Continuité C (courbure) : les dérivées secondes sont continues : Si (xi+1 ) = Si+1 (xi+1 ).
Ces conditions réduisent le problème à la recherche des dérivées secondes aux nœuds,
notées Mi = S ′′ (xi ).
2.3 Système tridiagonal et résolution
Les équations obtenues forment un système linéaire tridiagonal où chaque équation ne
dépend que des dérivées secondes Mi−1 , Mi , Mi+1 . Ce système a une structure spécifique qui
permet une résolution efficace et stable. Il faut cependant deux conditions supplémentaires
pour rendre le système bien posé : ce sont les conditions aux bords.
2.4 Conditions aux bords
— Spline naturelle : la courbure est nulle aux extrémités : M0 = Mn = 0 ;
′
— Spline clamped : la pente est spécifiée aux extrémités : S0′ (x0 ) = f0′ , Sn−1 (xn ) = fn′ ;
— Spline not-a-knot : la continuité de la dérivée troisième est imposée à x1 et xn−1 , ce
qui revient à : M0 = M1 , Mn−1 = Mn .
2.5 Résolution algorithmique
La résolution du système tridiagonal s’effectue par l’algorithme de Thomas, dont la com-
plexité est linéaire (O(n)). Cela rend l’interpolation par spline cubique rapide et adaptée aux
applications en temps réel, y compris avec un grand nombre de points.
3 Applications en finance de marché
3.1 Cohérence économique et absence d’arbitrage
En finance, la régularité des courbes est essentielle pour garantir la cohérence des modèles
de valorisation. Une discontinuité dans la dérivée seconde peut induire des sauts dans les
dérivées premières (taux forward, Greeks), créant des opportunités d’arbitrage irréalistes.
Les splines cubiques assurent une courbe suffisamment lisse pour éviter ce type d’anomalie.
3.2 Stabilité locale et mise à jour efficace
Grâce à leur propriété de localité, un changement sur un point de donnée yi n’affecte que
les segments adjacents. Cette caractéristique est cruciale pour :
— Mettre à jour les courbes avec de nouvelles données sans recalcul global ;
2
— Assurer une robustesse face au bruit ou à des valeurs extrêmes ;
— Faciliter la validation visuelle et l’interprétation économique.
3.3 Vitesse de calcul et production industrielle
La rapidité de résolution rend les splines cubiques adaptées aux moteurs de pricing, aux
systèmes de gestion des risques, ou à la calibration de modèles dans des environnements
haute fréquence.
3.4 Domaines d’application typiques
— Construction de courbes de taux : zéro-coupon, forward, discount ;
— Surfaces de volatilité implicite : interpolation sur strike et maturité ;
— Courbes de spread de crédit : dérivation des probabilités de défaut ;
— Lissage de séries temporelles économiques ;
— Calibration de modèles financiers (Black-Scholes, SABR, HJM, etc).
4 Comparaison avec d’autres méthodes
Méthode Continuité Avantages Inconvénients Usage
Spline cubique C2 Lissage optimal, localité Choix des bords Yield
Linéaire C0 Simple, rapide Cassures (pente non continue) Courb
Polynôme global C ∞ Très lisse (théoriquement) Oscillations (Runge), instabilité Rarem
PCHIP C1 Monotonicité, forme préservée Pas de C 2 , rugosité Proba
Akima C1 Fidèle aux pentes locales Bruit, courbure non continue Donné
RBF Variable Multidimensionnel Paramétrage complexe Surfac
Table 1 – Comparaison synthétique des méthodes d’interpolation.
5 Conclusion
Les splines cubiques représentent une méthode d’interpolation à la fois mathématiquement
rigoureuse et opérationnellement efficace, parfaitement adaptée aux exigences de la finance de
marché. Leur capacité à garantir une continuité de classe C 2 permet de générer des courbes
lisses, cohérentes économiquement et différentiables, condition nécessaire pour dériver les
taux forward, les sensibilités ou les courbes de risque.
Leur stabilité numérique, leur localité, et leur faible coût computationnel en font un
standard dans les systèmes de production. Comparées aux autres méthodes, elles réalisent
un compromis optimal entre douceur, robustesse et souplesse d’usage.
