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 189<br />
(k = 2),<br />
⎛<br />
⎜<br />
⎝<br />
1.64 0.28 0.01 0.57<br />
0.28 0.72 −0.031 0.60<br />
0.01 −0.03 0.00 −0.02<br />
0.57 0.60 −0.02 0.58<br />
⎞ ⎛<br />
⎟<br />
⎠ = ⎜<br />
⎝<br />
× ⎜<br />
⎝<br />
0.81 0.55 0.069 0.15<br />
0.36 −0.71 0.15 0.57<br />
−0.01 0.04 −0.95 0.31<br />
0.45 −0.42 −0.26 −0.7408629<br />
⎛<br />
2.09 0.00 0.00 0.00<br />
0.00 0.85 0.00 0.00<br />
0.00 0.00 0.00 0.00<br />
0.00 0.00 0.00 0.00<br />
⎞ ⎛<br />
⎟ ⎜<br />
⎠ ⎝<br />
⎞<br />
⎟<br />
⎠<br />
0.81 0.55 0.069 0.15<br />
0.36 −0.71 0.15 0.57<br />
−0.01 0.04 −0.95 0.31<br />
0.45 −0.42 −0.26 −0.7408<br />
Pour les problèmes de très grande dim<strong>en</strong>sion m = 250, Acworth, Broadie &<br />
Glasserman (1998) montre que cette méthode permet d’aller beaucoup plus rapidem<strong>en</strong>t.<br />
12.15 Décomposition de trajectoires continues<br />
Plus généralem<strong>en</strong>t, pour simuler des processus continus, la représ<strong>en</strong>tation de Karhun<strong>en</strong>-<br />
Loève permet d’accéler la simulation de tels processus (Adler (1990)). Les processus<br />
ainsi simulés seront même infinim<strong>en</strong>t dérivable (alors que la plupart des processus que<br />
l’on cherche à simuler ne sont dérivables nulle part, presque sûrem<strong>en</strong>t).<br />
Pour le mouvem<strong>en</strong>t browni<strong>en</strong> sur [0, 1] par exemple, il suffit de noter que<br />
W t L =<br />
∞∑ √<br />
λn ψ n (t)Z n ,<br />
où Z 0 , Z 1 , ... sont des variables N (0, 1) indép<strong>en</strong>dantes, et où<br />
2<br />
λ n = (<br />
(2n + 1)π )2 et ψ n (t) = √ ( )<br />
(2n + 1)πt<br />
2 sin<br />
.<br />
n<br />
n=0<br />
Les valeurs propres (λ n ) sont décroissantes, et une bonne approximation est obt<strong>en</strong>ue avec<br />
seulem<strong>en</strong>t les m plus petites (m ∼ 30 suffisant généralem<strong>en</strong>t).<br />
Le pont bronwi<strong>en</strong> peut aussi être décomposé par l’exp<strong>en</strong>sion de Lévy-Ciesielski<br />
(Karlin & Taylor (1975)), <strong>en</strong> utilisant la base de Haar. Rappelons que H 1 (t)1 sur<br />
[0, 1], H 2 (t) = 1 sur [0, 1/2[ et −1 sur [1/2, 1], et plus généralem<strong>en</strong>t,<br />
⎧<br />
⎨ 2 n/2 sur [0, 2 −(n+1) [<br />
H 2 n +1(t) = −2 n/2 sur [2 −(n+1) , 2 −n [<br />
⎩<br />
0 sinon,<br />
et <strong>en</strong>suite<br />
H 2 n +j(t) = H 2 n +1<br />
(<br />
t − j − 1 )<br />
2 n<br />
pour j = 1, 2, ..., 2 n − 1.<br />
On construit alors les fontions de Schauder, F n (t) = ∫ t<br />
0 H n(x)dx, et on note que le<br />
Pont Browni<strong>en</strong> sur [0, 1] peut être représ<strong>en</strong>té sous la forme<br />
Π t L =<br />
∞∑<br />
F n (t)Z n ,<br />
n=0<br />
Arthur CHARPENTIER - Méthodes numériques <strong>en</strong> Finance