Professional Documents
Culture Documents
Asma Amri
Prsent par :
Noma Ziadeh
Professeur du cours :
Plan
Introduction gnrale
1)
2)
3)
b) Historique
c) Domaines dapplication
d) Mthodologie dexcution
4)
11
5)
14
15
6)
Conclusion
16
Bibliographie
17
Introduction gnrale
Les chercheurs, les ingnieurs, les militaires et bien d'autres professionnels se
posent souvent la question : quel est le rsultat que j'obtiens si j'exerce telle
action sur un lment ? Le moyen le plus simple serait de tenter l'exprience,
c'est--dire d'exercer l'action souhaite sur l'lment en cause pour pouvoir
observer ou mesurer le rsultat. Dans de nombreux cas l'exprience est
irralisable, trop coteuse ou contraire l'thique. On a alors recours la
simulation : rechercher un lment qui ragit d'une manire semblable celui
que l'on veut tudier et qui permettra de dduire les rsultats.
La simulation est un outil utilis par le chercheur, l'ingnieur, le militaire etc. pour
tudier les rsultats d'une action sur un lment sans raliser l'exprience sur
l'lment rel. Cest est une procdure dans laquelle des variables alatoires
sont gnrs selon des probabilits associes une source dincertitude, tel que
des ventes dun nouveau produit, les prix dactions, les taux dintrt, les taux de
change Lorsque l'outil de simulation utilise un ordinateur on parle de simulation
numrique.
Dans cette prsente tude le but est dtudier lapplication des mthodes de
simulation dans le domaine de la finance. On sintresse spcifiquement au sujet
de lvaluation des options par les mthodes numriques de simulation.
Dans une premire partie on va dfinir les mthodes de simulation, leurs
domaines dutilisations leur historique ensuite nous aborderons le sujet des
options, et leurs valuation par les mthodes de Monte Carlo.
a) Dfinition
b) Historique
Les mthodes de Monte Carlo ont t l'origine pratiques sous plusieurs noms
gnriques tel que l'chantillonnage statistique
Le nom "Monte Carlo" a t popularis par les chercheurs en physique Stanislaw
Ulam,
Enrico
Fermi,
John
von
Neumann,
et
Nicholas
Metropolis
c) domaines dapplication
microcomposants
lectroniques,
la
sismologie,
les
trouver le plus court chemin qui relie toutes les villes, tant donn un ensemble
de villes spares par des distances donnes
-
d) mthodologie dexcution
La Simulation de Monte Carlo est une mthode habituelle pour l'valuation d'un
modle dterministe utilisant un ensemble de nombres alatoires comme
intrants. Cette mthode est souvent utilise lorsque le modle est complexe, non
linaire, ou implique quelques paramtres incertains. Elle peut gnralement
faire intervenir plus de 10000 valuations du modle, tche qui dans le pass
tait seulement pratique en utilisant super calculateurs.
Les tapes suivre sont les suivants
1. Crer un modle paramtrique y = f(x1, x2, ..., xq).
2. Gnrer un ensemble de donnes alatoires xi1, xi2, ..., xiq
3. valuer le modle y
4. Rpter lexprience n fois
5. Analyser les rsultats l'aide des histogrammes
10
Une question se pose : comment trouver le temps optimal t parmi les valeurs
alatoires ti. Long staff et Schwartz (2001) estiment la valeur de continuation par
une rgression nomme moindres carrs en tenant compte de l'information
fournie par la simulation de Monte Carlo. Pour calculer la valeur de continuation
ils emploient un ensemble de fonctions de base dont les arguments sont les prix
des sous-jacents au pas de temps prcdent. Les valeurs adaptes selon ces
rgressions sont prises comme valeurs de continuation. Comme nous avons dit,
en comparant la valeur de continuation avec la valeur d'exercice immdiatement,
on identifie la rgle d'arrt optimale t*.
Comme dans le cas de la valorisation d'une option europenne, on simule des
ralisations St. Cela veut dire que nous simulons des trajectoires du prix de
sous-jacent en discrtisant le temps dans chaque trajectoire.
premire. Cette dernire prvoit une tendance la hausse du prix du bl. Pour
se protger contre ceci elle dcide dacheter une option dachat europenne
(European call) sur 2.000 tonnes de bls.
Les caractristiques du contrat sont les suivants :
Prix dexercice k Maturit T Volatilit
$8000/tonne
1 year
Le prix dune tonne de bl aujourdhui est de $7300 et le taux sans risque est de
3%.
11
Ce qui nous intresse cest de valoriser le prix de cette option dachat en utilisant
la mthode de simulation de Monte Carlo.
La technique MC consiste gnrer plusieurs milliers de chemins possibles du
prix du sous- jacent (dans ce cas il sagit destimer le prix du bl). Chaque
chemin tant une prdiction de lvolution du prix sur la priode allant jusqu'
lchance.
Une fois le prix du bl estim, on calcule alors le profit probable pour chaque
chemin.
Tout dabord on peut utiliser le mouvement gomtrique brownien pour
modliser le prix du bois sur lanne venir.
12
12 000
S1
S2
S3
S4
S5
S6
S7
S8
S9
S10
10 000
8 000
6 000
4 000
2 000
0
1
22 43 64 85 106 127 148 169 190 211 232 253 274 295 316 337 358
10
7 572
12 195
7 175
7 409
8 561
7 238
4 239
4 516
5 728
8 337
A lchance, si le prix dexercice k est plus petit que le prix rel , loption dachat
est exerce le profit sera gal St-k,
Sinon donc si k>St on nexerce pas loption et le profit est nulle.
European call
max [S(t)-k, 0]
l'chance St
( t=365 jours)
Profit
St-8000
si
St>K
0 si St<k
prix de loption
=moyenne
profit
Actualise
10
7 572
12 195
7 175
7 409
8 561
7 238
4 239
4 516
5
728
8
337
4195
561
337
494,25
13
14
Donc on remarque bien quavec 10,000 ralisations les rsultats vont tre plutt
dispers selon une loi normale, des recherches tablies affirment quavec 10,000
ralisations on obtient un rsultat pertinent.
Les variables de MC supposent que les processus tudis sont indpendants les
uns des autres et que chaque valeurs est un tirage alatoire dune distribution.
Donc, les programmes utiliss par les ordinateurs peuvent manipuler les
relations dpendantes entre les variables exognes. Cependant, le problme est
que la relation entre deux ou plusieurs variables est gnralement compliques
et il est difficile de dterminer la vraie relation et les distributions des variables.
Donc, quand est ce quon doit utiliser une simulation de Monte Carlo ? La
rponse est bien simple, chaque fois ou la variable ne peut pas tre estime ou
dans le cas ou linformation nest pas disponible.
15
Conclusion
Dans le monde financier, tre capable de prendre une dcision quasiment en
temps rel est crucial. Les mthodes de Monte Carlo ont permis d'apporter
beaucoup d'amliorations au niveau du temps de calcul et de mme ils ont
permis de rsoudre des problmatiques qui ont besoins dnormes calculs.
L'objectif du travail tait de pouvoir prendre en compte un produit financier
incontournable : les options, un produit qui est actuellement trs populaire sur le
march financier.
Sachant que La valorisation des options demande des normes calculs, lintrt
de lutilisation des mthodes de Monte Carlo pour lvaluation des options
savre de plus en plus important et ce en raison de la flexibilit de la mthode
manipuler des instruments financiers assez complexes.
Cette mthode va tre encore plus utilise mesure que les instruments
financiers deviennent plus complexes et les outils de simulations plus adopts
par les utilisateurs.
Par ailleurs, la simulation de MC implique quon opre sous des conditions de
risque et quon connat les distributions des options. Cependant, les marchs
financiers oprent dans des conditions dincertitude et dont on ne connat pas la
distribution. Donc, il est important de tester les stratgies pour voir laquelle est la
plus adapte ces conditions. Cest le rle jou par les simulations exploratoires
donnes historiques.
16
Bibliographie
Duan, J. Monte Carlo Methods for Derivatives. 2002.
Nawrocki, D. The Problems with Monte Carlo Simulation. Journal of Financial
Planning, 2001.
"COURS DE SIMULATION DE MONTE CARLO"
Margaret Armstrong&Alain
17