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

More documents

Recommendations

Info

1.1. Générateurs congruentiels linéaires1.1 Générateurs congruentiels linéairesDans cette première section, on se propose d’étudier les principales caractéristiques des générateurscongruentiels linéaires. Ce type de générateur produit des suites de nombres pseudo-aléatoiressur [0, 1] à partir de l’algorithme suivant :Algorithme 1.1 – Générateur congruentiel linéaire –Étant donnés deux paramètres entiers A et M,1. Choisir une racine x 02. à l’étape n > 0, construire x n = Ax n−1 [M] et retourner u n = xnMIl apparaît ici clairement que ce type de générateur est périodique, de période P strictementinférieure à M. Si l’on souhaite s’approcher le plus possible d’une distribution continue uniformesur [0, 1], il convient donc de choisir A et M de sorte que la période P soit la plus grande possible.Choix des paramètres A et MDans le cas où M est un nombre premier, le choix de A repose sur le résultat suivant :Théorème 1.1 Si M est un nombre premier, alors la suite x n , n ≥ 0, obtenue à partir de l’algorithme1.1 est de période M − 1 si et seulement si A est une racine primitive de M :A M−1 ≡ 1 [M] et A k−1 ≠ 1 [M] , ∀k < MLe générateur de nombres pseudo-aléatoires rndu(., .) utilisé par le logiciel Gauss exploite cerésultat. Les paramètres M et A prennent les valeurs suivantes :{MG = 2 31 − 1A G = 397204094Dans la mesure où un générateur de nombres pseudo-aléatoires est très fréquemment appelé aucours d’une expérience de Monte Carlo, un autre critère intervenant dans le choix de M est letemps de calcul qu’il induit pour chaque élément de la suite (u n ) produite par l’algorithme 1.1. Lareprésentation interne des nombres sous la forme de séquences binaires conduit à s’intéresser auxparamètres M s’écrivant sous la forme M = 2 β :– la division modulo M consiste alors à mettre à 0 l’ensemble des bits de rang supérieur à β ;– la division par M est réalisée en décalant le bit représentatif de la virgule de β bits vers lagauche.Dans le cas où M est de la forme 2 β , le théorème suivant caractérise les coefficients multiplicatifsA permettant d’obtenir une suite x n , n ≥ 0, de période maximale :Théorème 1.2 Si M = 2 β , β ≥ 3, la période maximale P = 2 β−2 est réalisée si et seulement siA ≡ ±3[8] et x 0 ≡ 1[8].Les deux théorèmes que nous venons d’énoncer dans le cas où M est premier ou de la forme2 β permettent de déterminer les sous-ensembles d’entiers auxquels le paramètre A doit appartenirsi l’on souhaite obtenir un générateur de période la plus grande possible. Cette dernière propriétéassure la production d’une suite de nombres pseudo-aléatoires dont la distribution est proched’une distribution uniforme sur [0, 1]. Néanmoins, si la dimension du problème augmente et quel’on souhaite approcher une distribution uniforme sur [0, 1] k , k ≥ 2, rien n’assure que l’utilisationd’un coefficient multiplicatif A déterminé sur la seule base du théorème 1.1 dans le cas où M est2
1.2. Tests d’uniformitéGraphique 1.1. Structure latticielle du générateur RANDUpremier, ou du théorème 1.2 dans le cas où M est une puissance de 2, permette de produire unesuite présentant des propriétés proches de celles de lois uniformes iid sur [0, 1] k .A titre d’exemple, on peut citer le cas du générateur RANDU. Ce générateur utilise les coefficientsA et M suivants : { M = 232A = 65539 = 2 16 + 3.M est ici de la forme 2 β et A ≡ 3[8] ce qui assure, compte tenu du théorème 1.2 page ci-contre,que la suite de nombres u n ∈ [0, 1], n ≥ 0, obtenue à partir de RANDU est de période maximale.Cependant, on peut facilement montrer que (u n ) vérifie :Or, puisque ∀n, u n ∈]0, 1[, on a :u n+1 − 6u n + 9u n−1 ≡ 0[1], ∀n.−6 au plus 15 plans (cfgraphique 1.1) ! Une telle régularité va bien entendu à l’encontre des propriétés attendues pour ungénérateur de nombres pseudo-aléatoires.1.2 Tests d’uniformitéIl existe au moins deux types de tests d’uniformité différents pour les générateurs congruentielslinéaires. Le premier type de tests est spécifique des générateurs congruentiels, fondé sur la structurelatticielle des nombres qu’ils produisent. Dans le cas du générateur RANDU, nous venons de voir3
Page 3: Table des matières1 Simulation d
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 and 48: 3.4. Stratificationil peut être in
Page 49 and 50: 4Utilisation des copules pour la si
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 57 and 58:
4.3. La méthode des distributions
Page 59 and 60:
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 69 and 70:
Page 71 and 72:
Page 73 and 74:
Page 75 and 76:
5.3. Calcul de la charge en capital
Page 77 and 78:
Page 79 and 80:
Page 81 and 82:
Bibliographie[1] Bouyé, E., V. Dur
show all

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

Create successful ePaper yourself

Delete template?

Save as template?