Méthodes numériques en finance
Méthodes numériques en finance
Méthodes numériques en finance
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
12 AMÉLIORER LA PRÉCISION DES ESTIMATIONS 173<br />
Prix d’un call (et intervalle de confiance),<br />
Monte Carlo classique<br />
Prix d’un call (et intervalle de confiance),<br />
Monte Carlo et variables antithériques<br />
Prix du call europé<strong>en</strong><br />
9.0 9.5 10.0 10.5 11.0 11.5 12.0<br />
Prix du call europé<strong>en</strong><br />
9.0 9.5 10.0 10.5 11.0 11.5 12.0<br />
0 5000 10000 15000 20000 25000<br />
nombre de simulations<br />
0 5000 10000 15000 20000 25000<br />
nombre de simulations<br />
Figure 116: Monte Carlo classique et variables antithétiques.<br />
12.6 Comparaison des différ<strong>en</strong>ts méthodes de réduction de variance<br />
En faisant 25, 000 simulations Gaussi<strong>en</strong>nes indép<strong>en</strong>dantes, on obti<strong>en</strong>t les résultats prés<strong>en</strong>tés<br />
dans le tableau ci-dessous,<br />
vrai prix (Black & Scholes) 10.45058<br />
Monte Carlo classique 10.45471 ± 0.18259<br />
Monte Carlo avec variables antithétiques 10.49112 ± 0.09145<br />
Monte Carlo avec variable de contrôle (prix du sous-jac<strong>en</strong>t) 10.48373 ± 0.06987<br />
corrélation 0.92387<br />
Monte Carlo avec variable de contrôle et antithétiques 10.45088 ± 0.02378<br />
corrélation 0.96557<br />
Monte Carlo et importance sampling (drift −0.200) 10.23757 ± 0.92585<br />
Monte Carlo et importance sampling (drift +0.200) 10.42974 ± 0.07566<br />
Monte Carlo et importance sampling (drift +0.275) 10.41608 ± 0.05959<br />
Les différ<strong>en</strong>tes vitesses de converg<strong>en</strong>ce peuv<strong>en</strong>t être visualisés sur les Figures 116 à<br />
119.<br />
12.7 Méthodes de quasi-Monte Carlo<br />
La base des méthodes de Monte Carlo était le Lemme 81 consistant à représ<strong>en</strong>ter X<br />
comme une fonction de variables indép<strong>en</strong>dantes, uniformém<strong>en</strong>t distribuées sur [0, 1]. On<br />
simulait alors des variables U i pour estimer E [h (X)] = E [h (ψ (U 1 , ..., U n ))]. Dans le cas<br />
des méthodes de quasi-Monte Carlo, on cherche alors des suites déterministes u 1 , ..., u n<br />
telles que<br />
1<br />
n∑<br />
h (u i ) → E [h (U)] quand n → ∞, (30)<br />
n<br />
i=1<br />
avec une vitesse de converg<strong>en</strong>ce plus rapide que 1/ √ n.<br />
Arthur CHARPENTIER - Méthodes numériques <strong>en</strong> Finance