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’importance3.3.2 Le cas <strong>de</strong>s processus <strong>de</strong> diffusionLe choix du changement <strong>de</strong> probabilité pour la simulation <strong>de</strong>s variables aléatoires constitue ladif<strong>fi</strong>culté principale <strong>de</strong>s métho<strong>de</strong>s d’échantillonnage d’importance. La famille <strong>de</strong> <strong>de</strong>nsités possibles,<strong>au</strong> sein <strong>de</strong> laquelle on recherchera la loi instrumentale, dépend bien entendu du cadre d’analysedans lequel on se place.Dans le cas particulier <strong>de</strong>s modèles <strong>fi</strong>nanciers, les variables aléatoires utilisées correspon<strong>de</strong>nt laplupart du temps à <strong>de</strong>s processus <strong>de</strong> diffusion. Ainsi, I g s’écritI g = I g (t, x) = E Q [g (X s , t ≤ s ≤ T ) | X t = x] ,X = (X t ) 0≤t≤T étant un processus à valeur dans R d , solution d’une équation différentielle stochastique<strong>de</strong> la formedX t = b (t, X t ) dt + σ (t, X t ) dW t , (3.9)où (W t ) t≥0est un mouvement brownien standard <strong>de</strong> dimension d dé<strong>fi</strong>ni sur l’espace (Ω, F, Q).Le théorème <strong>de</strong> Girsanov que nous rappelons ici permet d’introduire un nouve<strong>au</strong> formalisme a<strong>fi</strong>nd’orienter le choix <strong>de</strong> la loi instrumentale.Théorème 3.1 – Girsanov –()Soit T > 0, Ω, (F t ) 0≤t≤T, F T , Q un espace <strong>fi</strong>ltré et (W t ) un F t – mouvement brownien d -dimensionnel issu <strong>de</strong> 0.Soit (φ t ) 0≤t≤Tun processus à valeurs dans R d , mesurable, adapté. Si le processus M (φ) dé<strong>fi</strong>nipar[ ∫ tM (φ)t = exp − φ s dW s − 1 ∫ t]|φ s | 2 ds ,20est une martingale sous Q alors on dé<strong>fi</strong>nit une nouvelle probabilité Q (φ) sur (Ω, F T ) en posant 2 :0dQ (φ)dQ= M (φ)T ,et le processus B t = W t + ∫ t0 φ sds, t ∈ [0, T ] est un F t -mouvement brownien pour la probabilitéQ (φ) .Compte tenu <strong>de</strong> ce théorème, il apparaît que le paramètre d’intérêt I g (t, x) peut s’écrire :[ ]I g (t, x) = E Q(φ) g (X s , t ≤ s ≤ T ) L (φ)t,T | X t = x , (3.10)oùL (φ)t,T= M (φ)tM (φ)T= exp[ ∫ Ttφ s dB s − 1 2∫ Tt]|φ s | 2 dsUn estimateur c (φ)is (t, x) <strong>de</strong> I g (t, x) peut donc être construit en simulant N trajectoires indépendantessuivant la loi du processus (X s ) t≤s≤Tsous la probabilité Q (φ) , et en posantc (φ)is (t, x) = 1 NN∑i=1g (x s (i) , t ≤ s ≤ T ) L (φ)t,T(i) . (3.11)2 Une ( condition suf<strong>fi</strong>sante portant sur le processus φ correspond <strong>au</strong> critère <strong>de</strong> Novikov : si∫ )] [ ]E[exp Q T0 |φs|2 ds < ∞ alors E Q M (φ)T = 1 et M (φ) est une Q – martingale.39