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.
9 PETITS RAPPELS D’ANALYSE NUMÉRIQUE 87<br />
Proposition 44. Si A est un matrice tridiagonale définie positive, la méthode relaxation converge<br />
pour ω ∈]0, 2[. De plus, il existe un paramètre optimal donné par<br />
ω ∗ =<br />
2<br />
1 + √ 1 − ρ(D −1 [−U − L]) .<br />
Si ω > 1, on parlera de surrelaxation.<br />
Enfin, parmi les méthodes classiques, on peut p<strong>en</strong>ser à une desc<strong>en</strong>te de gradi<strong>en</strong>t.<br />
Si l’on cherche à résoudre Ax = b , on pose<br />
h(z) = 1 2 z′ Az − bz.<br />
Proposition 45. Si A est un matrice symmétrique définie positive„ et si x vérifie Ax = b, alors<br />
pour tout z ≠ x , h(z) > h(x).<br />
En effet, soit ɛ tel que z = x + ɛ, alors<br />
h(z) = h(x + ɛ) = h(x) + 1 2 ɛ′ Aɛ.<br />
A étant symétrique définie postive, et comme ɛ ≠ 0, le terme de droite est strictem<strong>en</strong>t positif.<br />
On utilise alors une desc<strong>en</strong>te de gradi<strong>en</strong>t pour résoudre ce problème: on se donne un vecteur<br />
z k+1 non nul, puis on pose<br />
x k+1 = x k + α k+1 z k+1 ,<br />
où α k+1 minimise la quantité h(x k + αz k+1 ). Un calcul explicite donne<br />
α k+1 = (zk+1 ) ′ ( b − Ax k)<br />
(z k+1 ) ′ Az k+1 .<br />
Le choix de la direction de la desc<strong>en</strong>te z k+1 peut se faire naturellem<strong>en</strong>t <strong>en</strong> pr<strong>en</strong>ant la direction<br />
de plus grande p<strong>en</strong>te. On pose alors z k+1 = gradh(x k ), c’est à dire<br />
z k+1 = gradh(x k ) = Ax k ) − b<br />
L’algorithme est alors relativem<strong>en</strong>t simple, à partir de x 0 (fixé arbitrairem<strong>en</strong>t) et de r 0 =<br />
b − Ax 0 , pour k = 0, 1, ...<br />
• on pose ω k = −Ar k−1 et α k+1 = ‖rk ‖ 2<br />
(r k ) ′ ω k+1 ,<br />
• on pose x k+1 = x k − α k+1 r k , et r k+1 = r k − α k+1 ω k+1 .<br />
On s’arrête lorsque r k+1 est nul (ou suffisem<strong>en</strong>t petit).<br />
Notons qu’on peut améliorer cet algorithme <strong>en</strong> corrigeant la direction −r k (prise dans le<br />
passage de x k à x k+1 ) de telle sorte que l’erreur commise soit la plus petite possible, pour la<br />
norme ‖ · ‖ A = √·′A·: on pose alors<br />
z k+1 = −r k + β k z k , où β k = (rk ) ′ Az k<br />
(z k ) ′ Az k .<br />
On parlera alors de méthode du gradi<strong>en</strong>t conjugué. L’algorithme est alors, là aussi, relativem<strong>en</strong>t<br />
simple, à partir de x 0 (fixé arbitrairem<strong>en</strong>t) et de r 0 = b − Ax 0 . On pose alors<br />
et x 1 = x 0 + α 1 z 1 . Pour k = 1, 2, ...<br />
z 1 = −r 0 , ω 1 = Az 1 , α 1 = (r0 ) ′ z 1<br />
(z 1 ) ′ ω 1 ,<br />
Arthur CHARPENTIER - Méthodes numériques <strong>en</strong> Finance