Méthodes de Monte Carlo appliquées au pricing d ... - Maths-fi.com
Méthodes de Monte Carlo appliquées au pricing d ... - Maths-fi.com
Méthodes de Monte Carlo appliquées au pricing d ... - Maths-fi.com
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
3.3. Échantillonnage d’importance3.3 Échantillonnage d’importance3.3.1 Métho<strong>de</strong> généraleL’échantillonnage d’importance constitue une <strong>de</strong>uxième métho<strong>de</strong> permettant <strong>de</strong> construire <strong>de</strong>sestimateurs du paramètre d’intérêt I g (équation 3.1 page 29 ), dont la variance, pour un nombre<strong>de</strong> simulations donné, est inférieure à la variance <strong>de</strong> l’estimateur <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong> standard. L’idée<strong>de</strong> l’échantillonnage d’importance est d’utiliser non plus la loi µ pour la simulation <strong>de</strong>s variablesaléatoires, mais une loi instrumentale qui tient <strong>com</strong>pte <strong>de</strong> la répartition, <strong>au</strong> sein <strong>de</strong> l’espace S, duproduit g (x) µ (dx). Les simulations ainsi obtenues sont alors pondérées pour supprimer le biaisinduit par le changement <strong>de</strong> loi lors <strong>de</strong> l’étape <strong>de</strong> simulation.Supposons que l’espace S puisse être i<strong>de</strong>nti<strong>fi</strong>é à R d , d ≥ 1, et que la mesure <strong>de</strong> probabilité µadmette une <strong>de</strong>nsité f par rapport à la mesure <strong>de</strong> Lebesgue sur R d :µ (dx) = f (x) dx.De plus, en limitant le champ <strong>de</strong> l’étu<strong>de</strong> <strong>au</strong>x fonctions g positives, on peut réécrire I g sous la forme∫I g = g (x) 1 D (x) f (x) dx (3.6)R doù D représente le domaine <strong>au</strong> sein duquel la fonction g prend <strong>de</strong>s valeurs strictement positives.Considérons à présent une fonction <strong>de</strong> <strong>de</strong>nsité sur R d , notée h , telle queLe relation (3.6) peut se réécrire∀x ∈ R d , g (x) > 0 =⇒ h (x) > 0.∫I g = g (x) f (x)R h (x) 1 D (x) h (x) dx. (3.7)dIl apparaît alors clairement que l’on peut construire un nouvel estimateur c is du paramètre I g ensimulant N variables aléatoires indépendantes y 1 , . . . , y N suivant la loi h et en posantc is = 1 NN∑i=1f (y i )h (y i ) g (y i) (3.8)La variance <strong>de</strong> cet estimateur v<strong>au</strong>t∫var (c is ) =D(g (x) f (x) ) 2h (x) − I g h (x) dx.Ainsi la <strong>de</strong>nsité h ∗ qui minimise la variance <strong>de</strong> l’estimateur pondéré s’écrit :h ∗ (x) =g (x) f (x)I g,la variance <strong>de</strong> l’estimateur c ∗ is étant alors nulle. Notons que ce résultat est sans grand intérêtpratique puisque la construction <strong>de</strong> h ∗ fait intervenir le paramètre d’intérêt I g ! Il montre néanmoinsque la <strong>de</strong>nsité h à utiliser pour la construction <strong>de</strong> c is doit être choisie <strong>de</strong> telle sorte que fghsoitquasi constant et <strong>de</strong> variance <strong>fi</strong>nie. Le changement <strong>de</strong> loi conduit donc à un tirage fréquent <strong>de</strong>svaleurs <strong>de</strong> x pour lesquelles le produit gf prend <strong>de</strong>s valeurs élevées, les valeurs <strong>de</strong> x telles quef (x) g (x) est faible étant plus rarement sélectionnées.35