MÃ©thodes de Monte Carlo appliquÃ©es au pricing d ... - Maths-fi.com

More documents

Recommendations

Info

3.5. Variables antithétiquesoù Φ représente la fonction de répartition de la loi normale centrée réduite. On tire alors le vecteuraléatoire X | X ∈ Str i à partir de la décomposition :X | X ∈ Str iloi= Φ −1 (u i ) s + Yoù u i suit une loi uniforme sur [ i−1k ; i k]indépendante de Y.Le problème qui se pose alors est de déterminer une direction s permettant de réduire significativementla variance. Pour plus de détail sur la façon de déterminer s, le lecteur pourra se référerà [13, Glasserman et al., 1998].3.5 Variables antithétiquesJusqu’à présent, nous avons présenté les méthodes de Monte Carlo comme des méthodes nécessitantla production d’échantillons de variables aléatoires indépendantes, identiquement distribuées.Néanmoins, il peut s’avérer préférable de construire des échantillons de variables corrélées dans lamesure où cela peut conduire à une réduction de la variance des estimateurs correspondants.Plus précisément, considérons un premier échantillon de taille 2N, (x 1 , . . . , x 2N ) , de variablesaléatoires indépendantes distribuées suivant la loi µ. Cet échantillon permet d’estimer le paramètred’intérêt I g = ∫ g (x) µ (dx) à partir de la méthode de Monte Carlo standard, en utilisant laSstatistique c g . Si l’on dispose par ailleurs d’un second échantillon de taille N, (y 1 , . . . y N ) , devariables aléatoires iid suivant la loi µ, on peut construire un nouvel estimateur c ant de I g enposant :c ant = 1 N∑g (x i ) + g (y i ) . (3.15)2Ni=1Si les variables g (X i ) et g (Y i ) sont corrélées négativement, cet estimateur est plus efficace quel’estimateur de Monte Carlo standard fondé sur un échantillon iid de taille 2N.Rubinstein [22] propose la méthode suivante pour la simulation des échantillons (x i ) 1≤i≤Net(y i ) 1≤i≤Ndans le cas où g ◦ µ − est monotone (µ − représente l’inverse de la fonction de répartitionde la loi µ) : x i est généré à partir de la réalisation d’une loi uniforme u i en posantx i = µ − (u i ) ,y i étant généré de la même façon à partir de 1 − u i . Cette méthode est relativement restrictivedans la mesure où d’une part, il faut que la condition de monotonie portant sur g ◦ µ − soit vérifiée,et d’autre part, il faut disposer de µ − de façon analytique, ce qui est rarement le cas.Une méthode plus aisément implémentable a été proposée par Geweke [12] dans le cas où laloi µ est symétrique autour d’une valeur m. Cette méthode consiste à simuler un échantillon deN réalisations (x 1 , . . . , x N ) de façon indépendante suivant la loi µ et à poser y i = 2m − x i , i ∈{1, . . . , N}. Une telle méthode est facilement applicable en finance dans la mesure où les variablesaléatoires simulées sont la plupart du temps construites à partir de lois normales.44
4Utilisation des copules pour la simulation d’unvecteur aléatoireDans ce chapitre, nous abordons le problème de la simulation du vecteur aléatoire X = (X 1 , . . . , X n )à partir de la représentation copule de sa distribution F :F (x 1 , . . . , x n ) = C (F 1 (x 1 ) , . . . , F n (x n ))Ce problème revient à simuler le vecteur aléatoire U = (U 1 , . . . , U n ) dont la distribution est lacopule C et à utiliser la transformation X = ( F −11 (U 1 ) , . . . , F −1n (U n ) ) . La difficulté majeure estdonc de simuler la copule C. Nous présentons trois méthodes pour obtenir des nombres aléatoires deC. Parfois, les marges F 1 , . . . , F n ne sont pas connues analytiquement. Dans ce cas, nous utilisonsla méthode dite des quantiles empiriques.4.1 Simulation de variables aléatoires uniformes indépendantesNous avons déjà traité ce problème dans la première partie de ce cours. Dans cette section,nous voulons juste construire un générateur SOBOL afin de mieux comparer graphiquement lessimulations. Les procédures suivantes permettent de simuler des nombres aléatoires uniformes etgaussiens à partir du générateur classique à congruence linéaire – rndCopulaSobol(0) – ou à partirdu générateur SOBOL donné dans Press [23, Teukolsky, Vetterling et Flannery (1992)] –rndCopulaSobol(dim).Code GAUSS 4.1 – Générateurs LCG et SOBOL de nombres aléatoires uniformes et gaussiens–/***> rndCopulaSobol***/proc (0) = rndCopulaSobol(dim);local x;if dim
Page 3: Table des matières1 Simulation d
Page 6 and 7: 1.1. Générateurs congruentiels li
Page 8 and 9: 1.2. Tests d’uniformitéqu’en d
Page 10 and 11: 1.2. Tests d’uniformitéCes valeu
Page 12: 1.3. Autres types de générateursL
Page 15 and 16: 2Simulation d’une loi non uniform
Page 17 and 18: 2.2. Méthode des transformations2.
Page 19 and 20: 2.2. Méthode des transformationsmi
Page 21 and 22: 2.3. Le cas des distributions discr
Page 23 and 24: 2.3. Le cas des distributions discr
Page 25 and 26: 2.4. La méthode des mélanges disc
Page 27 and 28: 2.5. Simulation par acceptation-rej
Page 33 and 34: 3Méthodes de Monte Carlo appliqué
Page 35 and 36: 3.2. Variables de contrôleSi v g c
Page 37 and 38: 3.2. Variables de contrôleSi l’o
Page 39 and 40: 3.3. Échantillonnage d’importanc
Page 47: 3.4. Stratificationil peut être in
Page 51 and 52: 4.2. La méthode des distributionsC
Page 53 and 54: 4.2. La méthode des distributionsC
Page 55 and 56: 4.3. La méthode des distributions
Page 61 and 62: 4.5. La méthode des quantiles empi
Page 63 and 64: 5Méthodes de Monte Carlo appliqué
Page 65 and 66: 5.1. Le problème de l’agrégatio
Page 67 and 68: 5.2. Différentes méthodes de cons
Page 75 and 76: 5.3. Calcul de la charge en capital
Page 81 and 82: Bibliographie[1] Bouyé, E., V. Dur

MÃ©thodes de Monte Carlo appliquÃ©es au pricing d ... - Maths-fi.com

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?