La Simulation de MONTE CARLO :

Applique pour lvaluation des

Options Financires

Asma Amri

Prsent par :

Noma Ziadeh

Professeur du cours :

Monsieur Christophe Benavent

Master Sciences Financires

Cours de mthodes quantitatives

Plan
Introduction gnrale

1)

2)

3)

Simulation de Monte Carlo

a)Dfinition

b) Historique

c) Domaines dapplication

d) Mthodologie dexcution

Les options financires : mthodes dvaluation

a) Dfinitions dune option financire

b) lvaluation du prix dune option

Valorisation dune option par la simulation de Monte Carlo

a) Mthodologie dapplication

b) valorisation dune option europenne/amricaine

4)

Exemple Pratique : le cas dun call europen

11

5)

Lexactitude des rsultats obtenus par la simulation

de Monte Carlo

14

les limites de la mthode de Monte Carlo

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.

1) La Simulation de Monte Carlo

a) Dfinition

La mthode de simulation de Monte Carlo est une technique numrique pour

solutionner des problmes mathmatiques en simulant des variables alatoires.
Il n'y a pas un consensus absolu sur une dfinition prcise de ce qu'est une
technique de type Monte Carlo, mais la description la plus habituelle consiste
dire que les mthodes de ce type se caractrisent par l'utilisation du hasard pour
rsoudre des problmes centrs sur un calcul. Elles sont en gnral applicables
des problmes de type numrique, ou bien des problmes de nature ellemme probabiliste.

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

en rfrence un clbre casino de Monaco. En effet l'utilisation de l'alatoire et

le caractre rptitif du processus sont analogues ceux menes dans un
casino.
Le vritable dveloppement des mthodes de Monte-Carlo s'est produit lors de la
seconde guerre mondiale, lors des recherches sur la fabrication de la bombe
atomique ainsi ces mthodes probabilistes ont t utilises pour rsoudre des
quations aux drives partielles.
En plus la construction des ordinateurs lectriques partir de 1945 tait un
facteur qui a contribu de mme au

dveloppement de ces mthodes, un

dveloppement qui a permis leur expansion et leur utilisation dans plusieurs

domaines.
4

c) domaines dapplication

On a recours une simulation de Monte-Carlo lorsque le problme :

-est trop complexe pour qu'une rsolution par voie purement mathmatique soit
envisageable.
-est trop volumineux (en particulier, contient un trop grand nombre de variables)
pour que les techniques d'approximation numrique puissent conduire un
rsultat prcis dans un temps acceptable.
Du point de vue des applications, ces mthodes sont aujourd'hui indispensables
dans des domaines aussi varis et diffrents que la finance, la mise au point de
nouveaux

microcomposants

lectroniques,

la

sismologie,

les

tlcommunications, en ingnierie ou en physique, mais aussi en biologie, en

sciences sociales, etc. Par exemple, en chimie, en physique, ou mme en
biologie, de nombreux problmes exigent l'analyse des proprits dynamiques
d'un nombre tellement grand d'objets (particules atomiques, atomes, molcules
ou macromolcules), que ceci ne peut se faire que par des techniques de type
Monte Carlo .
Parmi les problmatiques les plus connues que cette mthode a permis de
rsoudre :
-

Le Problme du voyageur de commerce (cest le problme qui consiste

trouver le plus court chemin qui relie toutes les villes, tant donn un ensemble
de villes spares par des distances donnes
-

Dtermination de la valeur de (pi)

Dtermination de la superficie d'un lac

La simulation MC est utilise depuis longtemps dans plusieurs domaines

scientifiques, mais il revient David Hertz, du cabinet de conseil McKinsey &
Co., d'avoir suggr le premier de l'employer pour valuer les placements en
capitaux dans un article publi par la Harvard Business Review , en 1979. Les
incertitudes affectant le succs d'un projet sont quantifies par la distribution des

probabilits. On cre un grand nombre de scnarios pendant la simulation

partir d'chantillons de ces probabilits, puis on value l'issue du projet en
fonction de chacun des scnarios. Grce cette analyse, on obtient une
distribution de la probabilit du rsultat (valeur actuelle nette, ou taux de
rendement interne par exemple). Celle-ci nous fournit ainsi des informations sur
la valeur anticipe, l'ventail des rsultats possibles et les risques ngatifs du
projet.

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

2) Les options financires et leurs mthodes dvaluation

a) dfinition dune option financire

Les risques lis aux oprations boursires ont conduit le monde de la finance,
chercher des systmes pour de les rduire. Ainsi sest dvelopp le march des
options. Les options sont des produits drivs qui donnent le droit leur
dtenteur dacheter ou de vendre une quantit donne d'un actif sous-jacent un
prix dtermin une date prdtermine ou avant cette date. Une option d'achat
(droit d'acheter l'actif sous-jacent) s'appelle un call alors que loption de vendre
sappelle put. Une option qui peut tre exerce n'importe quel moment avant la
date d'chance est dite option " l'amricaine" , Une option qui ne peut tre
exerce qu' la date d'chance est dite option leuropenne. Lutilisation des
options est trs important surtout comme politique de gestion de risque. Dune
autre part elles peuvent tre utilis pour des buts de spculation.

b) Lvaluation du prix dune option

En ce qui concerne la valorisation des options, il faut bien mentionner que la
valeur de loption reprsente la probabilit d'exercer celle-ci : plus l'exercice est
probable, plus l'option sera chre. Cette valeur dpend du sous-jacent
prcisment de son prix, de la volatilit du prix, de la dure jusqu lchance et
des taux dintrts. Parmi les modles dvaluation on cite le modle de black
and scholes et le modle binomial.
Les travaux de Black et Sholes et de Merton ont permis le dveloppement de la
thorie dvaluation des options et ont t tendus dautres instruments
financiers.
Les limites que comporte le modle de black et Sholes sont bases sur les
hypothses suivantes :

Le march est suppos tre liquide et fournir la mme information

tous les intervenants.

Le prix du march change en continu suivant un modle, celui dun

processus de mouvement brownien gomtrique.

Les titres ngocis sur le march sont parfaitement divisibles.

Le processus dchange sur le march financier est suppos tre un

processus continu.

Le principe de non arbitrage est suppos tre vrifi.

Dans la pratique, aucune de ces hypothses nest parfaitement satisfaite.

Cependant, le modle de Black et Sholes consiste un outil important danalyse
des marchs rels et les prix proposs par Black et Sholes offrent une
approximation des prix des options.
Dans notre travail, on va considrer lvaluation des options et les mthodes de
Monte Carlo dans leur forme la plus simple.

3) Valorisation dune option par la simulation de Monte Carlo

a) Mthodologie dapplication
Loption est comme dj dit un produit driv, donc son prix va tre dpendant
du prix du sous jacent.
Si on est sure et certain sur le prix du sous-jacent lchance, (il ny aurait dans
ce cas aucune importance de loption car loption est envisage pour limiter
lincertitude) la question de dtermination du prix de loption sera rsolue.
Donc dans la mthode de simulation on va essayer de prvoir le prix du sousjacent jusqu lchance.
En suivant les tapes inscrites un peu plus haut voici ce quon doit faire :
1-Crer un modle paramtrique y = f(x1, x2, ..., xq).
Dans ce cas y est le prix du sous jacent, ce prix peut tre modlis par un
mouvement brownien en utilisant la formule dEuler.

2-gnerer les x1.xq qui sont des variables alatoires

Pour obtenir ces variables alatoires, il faut tout dabord simuler la distribution
dune loi uniforme en utilisant un tableur tel Excel on peut gnrer des nombres
alatoire ui en utilisant la formule = ala() cette fonction va nous permettre
dobtenir des nombres compris entre 0 et 1 .
A partir de la distribution uniforme obtenue prcdemment, on simule la
distribution du phnomne quon veut obtenir. En finance, nous simulerons le
plus souvent des lois normales centres rduites de paramtres 0 et 1.

3-une fois les variables alatoires disponibles, on est capable dvaluer le

modle y donc dvaluer le prix du sous jacent lchance. En finance, pour
simuler les cours ou la rentabilit des actifs, on utilise des processus Markoviens
cest--dire des processus sans mmoire. La valeur de lactif en t+1 est la valeur
de cet actif en t plus un alas (ou bruit).
Un phnomne en finance sexprime sous la forme dune quation diffrentielle
stochastique : dSt = Stdt + Stdwt

4-pour que cette valuation soit pertinente, il faut rpter lestimation un

bon nombre de fois (10000 simulations pour une bonne prdiction)
5- une fois les prix du sous-jacents lchance simuls, il est maintenant
facile dvaluer le prix de loption.

b) Valorisation dune option europenne/amricaine

La diffrence entre option europenne et amricaine se situe au niveau de la
date dexercice de loption. Ainsi une option amricaine peut tre exerce
nimporte quel date durant la vie de loption alors que leuropenne ne peut tre
exerce qu la date dchance

Au niveau de lvaluation du prix de loption la diffrence sera comme suit :

Dans le cas de loption europenne le seul prix du sous-jacent quon dsire
savoir est le prix lchance mais pour loption amricaine cest diffrent:
Le dtenteur de loption va devoir dcider quelle date il va exercer loption.
Cette dcision dpend de la valeur quil aura sil exerce loption immdiatement
(valeur de lexercice immdiat) et de la valeur quil va recevoir sil exerce loption
dans le futur (valeur de la continuation).
Ainsi, la dcision optimale va dpendre de la valeur de loption la date
dexercice (valuation de la date de continuation). On doit ainsi comparer ces
valeurs de l'exercice immdiat avec la valeur de continuation (cest la rgle
d'arrt optimale). Ce procd est itratif, commenant par la valeur (connue)
t=0 de l'option et se propage jusqu'au tempsT. A chaque pas de temps, en
escomptant les pay-off obtenus au temps zro, le prix de l'option amricaine est
trouv.
Prenons le cas de la valorisation d'une option amricaine de type Put. Le pay-off
d'un put amricain est calcul comme :
Payoff = max (K S(t), 0)
t est la date d'exercice choisie par la dtenteur. Donc, le prix d'un put amricain
est comme suivant :
put = E[exp(r.t )max(K S(t ), 0)]
Par rapport aux options europennes, dans le cas amricain, on doit chercher la
date alatoire optimale d'exercice pour calculer le prix de l'option. Selon la
mthode de Monte Carlo, pour un nombre de simulation de Monte Carlo nbMC
de simulations, on peut estimer le prix d'un put amricain au temps zro :

put0 nbMC =(1/nbMC) exp(r.ti) max(K S(ti), 0)

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.

4) Exemple Pratique : le cas dun call europen

Voici ci-dessous un exemple pratique de valorisation dun call europen

Une large entreprise de production de

biscuit utilise le bl comme matire

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

25% per annum

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.

Pour simuler ce mouvement on va utiliser la formule dEuler :

Sn+1 = Sn [1 + t + w]
= taux sans risque = 0.03
t ( en anne) = 1 jour = 1/365 anne
= volatilit = 0.25
w = est un increment dune distribution normale
w= t * Xn
Xn est une variable alatoire gnre par la mthode ad hoc en utilisant des
nombres alatoire u1 et u2
La formule est
X1= (-2Ln(u1) * cos (2**u2)
(u1, u2 sont des nombres alatoires)
Sn+1 = Sn [ 1+ 0.03*1/366 + 0.25 (1/366)*Xn+1]
En utilisant un tableur tel lExcel on peut obtenir un schma de ces trajectoires.
En faisant 10 trajectoires (donc10 Sn) on obtient le schma suivant

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

Une fois quon obtient une estimation du prix de bl dans un an ( lchance) on

peut donc trouver le prix de loption :
Si par exemple les prix obtenu sont tels que suit :
trajectories
Prix
l' chance
( t=365 jours)

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]

On calcule le profit pour chaque chemin, Le prix de loption tant la moyenne

actualise de ces profits.
trajectories
prix

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

Do le prix de loption est de $494,25 pour une tonne de bl

Donc pour acheter une option dachat sur 2 000 tonnes de bl le prix de loption
sera multipli par 2000, savoir 2 000*494,25=$ 988 500

5) Lexactitude des rsultats obtenus par la simulation de

Monte Carlo
La question qui se pose est la suivante : quelle points les rsultats obtenus par
la simulation de Monte Carlo sont ils pertinents ? Et quels sont les facteurs qui
vont influencer la pertinence de ces rsultats ?
Il y a ici des ides fausses qui prtendent par exemple que lexactitude des
rsultats produits laide de la mthode Monte Carlo vont tre fonction de la
complexit du modle ou du nombres de variables alatoires gnrs. Or ceci
est incorrect. En effet la prcision de cette mthode est uniquement fonction du
nombre de ralisation (nombres de simulations). La confiance des bornes sur les
rsultats peut tre facilement calcul sur la base du nombre de ralisations. Les
deux exemples ci-dessous montrent les 5% et les limites de confiance de 95%
sur la valeur de chaque rsultat (c'est--dire, il y a 90% de chance que la vraie
valeur se situe entre ces limites):

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.

6) les limites de la mthode de Monte Carlo

Le problme de base est que lhypothse principale utilis dans la simulation de
Monte Carlo suppose une distribution normale et des coefficients de corrlation
nuls, or aucun de ces deux suppositions nest vraie sur le march financier. Ces
hypothses peuvent engendrer des problmes lors de lanalyse.
Rubinstein a dvelopp un ensemble de critres qui servent dcider si on doit
ou pas utiliser la simulation de Monte Carlo.
En effet, la simulation MC est approprie si :

Il est impossible ou trs coteux dobtenir des informations ;

Le systme observ est trs complexe ;

La solution analytique est difficile obtenir ;

Il est impossible ou coteux de valider les modles mathmatiques

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

Galli coles des mines, 2008

http://www.goldsim.com
http://www.vertex42.com
http://fr.wikipedia.org

17