HAL Id: tel-00626445
https://tel.archives-ouvertes.fr/tel-00626445
Submitted on 27 Sep 2011
HAL is a multi-disciplinary open access
archive for the deposit and dissemination of
sci-entific research documents, whether they are
pub-lished or not. The documents may come from
teaching and research institutions in France or
abroad, or from public or private research centers.
L’archive ouverte pluridisciplinaire HAL, est
destinée au dépôt et à la diffusion de documents
scientifiques de niveau recherche, publiés ou non,
émanant des établissements d’enseignement et de
recherche français ou étrangers, des laboratoires
publics ou privés.
Some aspects of optimal quantization and applications
to finance
Sylvain Corlay
To cite this version:
Sylvain Corlay. Some aspects of optimal quantization and applications to finance. Mathematics
[math]. Université Pierre et Marie Curie - Paris VI, 2011. English. �tel-00626445�
de l'université Pierre et Marie Curie
Spé ialité:
Mathématiques Appliquées
Présentéepar:
Sylvain Corlay
Pourobtenirlegradede
Do teur en s ien es de l'université
Pierre et Marie Curie
Quelques aspe ts de la quanti ation
optimale et appli ations à la nan e
Sousladire tion deGillesPagès.
Rapporteurs: SiegfriedGraf
BenjaminJourdain
Soutenuepubliquementle23septembre2011devantlejury omposéde
Frédéri Abergel Examinateur
Mi helCrouhy Examinateur
JeanJa od Examinateur
BenjaminJourdain Rapporteur
GillesPagès Dire teurdethèse
Ja quesPrintems Examinateur
J'ai une profonde gratitude envers Gilles Pagès, qui a a ompagné mes premiers pas dans la
re her he en mathématiques.Je luisuis re onnaissant pour e sujet de thèse stimulant et pour
sesrele tures minutieuses et exigeantes.J'ai tiré d'importants enseignementsde nos dis ussions
mathématiques tout au long de la thèse, autant d'o asions pour lui de m'aiguiller dans ma
re her he. Je remer ie Mi hel Crouhy et Frédéri Abergel, qui m'ont re ruté pour ette thèse
CIFRE dans l'équipe EDA (Equity Derivatives&Arbitrage)de Natixis, pour leur onan e, et
Adil Reghai, qui a dirigé l'équipe de re her he quantitative pendant la majeure partie de ma
présen edansl'entreprise.Cetteexpérien eauseind'uneéquipedeprati iensm'adonnéles lefs
pourtisser les liens entre théoriemathématique et appli ations pratiques.Je remer ie Siegfried
Grafet Benjamin Jourdain,rapporteurs de ette thèse, pour leurle ture détaillée dumanus rit
et leurs remarques pertinentes.Je remer ie Mar Yorpoursa grande disponibilité, par exemple
quand ilm'a orientéverslestravauxduSéminaire deProbabilitéssur legrossissementinitial de
ltration.Jeremer ieaussiJa quesPrintemsetJeanJa odd'avoira eptédefairepartiedujury.
La on lusionde ettethèse marquantlandemes études,il onvientderemer ier i i eux
quim'ontapportéunsoutienin onditionneldepuisledébut,mafamille.Jeremer iemesparents,
ma mère pour son é oute et son ae tion et mon père pour ses onseils et sa lairvoyan e et
touslesdeuxpourleursoutienindéfe tible.Vousdemeurezunexempleàsuivredansvotrefaçon
d'aborderlavie,dansl'adversitéoulesu ès.Mas÷urDelphineetmesfrèresVin entetAntoine
m'ontentouré et aidéquellesque soientles ir onstan es.Je remer ie Manuel Santana pourses
onseils et lesnombreuses orre tionsen anglais. Mer i aussià Thioro, Cynthia, Léo et Martin
Corlaypourtous esbonsmomentsquenousavonspassésensemble.
Jesouhaiteparti ulièrementremer ieri iJohanMabille.Informati ientalentueux,il asume
donnergoûtàlaprogrammationenC++etàl'ar hite turelogi ielle.Johanm'adonnéles lefspour
savoirsurmonterlesobsta lesquiséparentlesmathématiquesdeleurmiseenpratique.Utiliserles
méthodesdeméta-programmationparlestemplates,faireappelàdeslibrairiestier es,s'interfa er
ave d'autreslangages, é rire du ode standardpouvantêtre utilisé surdiérentes plateformes:
tout elan'auraitpasétépossiblesans etteintera tionquotidiennefru tueuseave mon ollègue
etamiJohan.
Jesuis trèsre onnaissantenversMarouenMessaoud,qui arelulepremierarti lesur la
stra-ti ation fon tionnelleetarelevéde nombreuses oquilles. Jeremer ie aussiAdelBenHaj
Yed-derpoursa disponibilitéet son dis ernement. Adelet Marouen, lesdeux responsables des ples
monoetmultisous-ja entsdel'équipe,sonttouslesdeuxdo teursetontsu,malgréleurs
responsabilitésopérationnelles,garderun onta tave lare her heenmathématiquesnan ières
etsona tualité.JoséLuu,responsabledu al uls ientique,m'aen ouragéàexplorerdenouvelles
voiesquand j'ai fait l'expérien e d'instabilités numériques en géométrie algorithmique.C'est lui
qui m'a suggéré d'utiliser le al ul en pré isionarbitraire et la librairieARPREC. Ilm'a
beau- oup en ouragé à ollaborer ave son équipe et notamment ave Johan, sur le développement
d'algorithmesnumériques.Jeluiensuistrèsre onnaissant.
Jeremer ieaussiÉri Bertrand,dontj'aipartagélebureaupendantlapremièreannéedethèse,
pourses onseilsetlesdis ussionsaniméesdenosdéjeuners.Jeremer iemonamiClaudeMuller
autantpour equ'ilm'a apprissurlesmodèlesdevolatilitésto hastiquequepourlesnombreux
footings aupar de la ité universitaireet au MontValérien.Mer i àMathieu De harrièrepour
Jetiensàremer ierGillesBoyaprèsdequij'aitravaillépendantplusieursmois,ainsi
qu'Églan-tine Giraud. Gilleset Églantine, tousdeux re rutésaprès moi sonttrès rapidement devenus les
for esvivesdel'équipedequants.Gillesesttrèsaufaitdesdéveloppementsré entsdelare her he
enmathématiques nan ières.Ses onnaissan espré ises enprobabilités,sa uriositéet ses
qua-litéspédagogiquesfont delui uninterlo uteur privilégié.J'aieubeau oup de plaisiràtravailler
ave lui et je le remer ie pour e qu'il m'a appris. Gilles, Églantine, Claude, Mathieu et Johan
onstituentungroupequejeretrouveave plaisiràl'o asiondesdéjeuners hezLilietMar el
dansuneambian eami ale.J'espèrelesre roiserettravaillerave euxdansl'avenir.
Enn,jen'oubliepaslesautrespersonnesave quij'aiputravailleràNatixis:AlbertAndinaik
et Amine Boukhaa, que j'ai en adrés pendant leurs stages et qui ontinuent aujourd'hui de
travailler ave Natixis; Georoy Querol, Vin ent Gar in et Mi hael Irsutti, qui m'ont apporté
beau oupd'aidesurleslangagesduframework .NETet l'interfa eave leslangagesnatifs; mais
aussiÉri Cellier,Ni olasHuth,Ban Zheng,PierreLamy,AbdessamadSahnoun,Loï Grosman,
HouariHoualef, Vin ent Klayelé,Mounir Zeghari, ÉmilieTetard,YassineFaqri,Riadh Zaatour,
OlivierCroissant,LaurentJa quel,BrunoFine,ChristopheHéron,FatimaElkhiari,SanaeLoulidi,
SidiMohamedOuldAly,NumaLes ot,Mar Souaille,MohamedLakhdar,Vin entLusset,Alain
Mounier,EmmanuelCandus,GaëlRibouletet JulienCalas.
Je remer ie mon ami Joa him Lebovits, qui a entamé sa thèse en même temps que moi, et
ave qui je travailledepuisl'annéedu mastèredemathématiques nan ières.J'espère quenotre
projetdere her he aboutirabientt. Je leremer iei i poursa ompagnie et sa lairvoyan e es
troisdernières années.Jeluisuisaussitrèsre onnaissantpoursoné lairagesurlespropriétésde
l'intégraledeWiener.
Mer iàDavidBenoist,pournosnombreusesdis ussionslorsdenosrendez-voushebdomadaires
ave Joa him. J'espère que nous ontinuerons à nous réunir pour es soirées pizzas, maths et
pis ine.
Pendant mon monitorat à l'ÉNS de Ca han, j'ai béné ié des onseils et des ressour es de
montuteurpédagogiqueNi olasVayatisetdudire teurdudépartementdemathématiques,Alain
Trouvé.Je lesremer iepourleurimpli ation,leurexigen eet leurs onseils aviséssur
l'enseigne-ment desprobabilités. J'aitoujourstrouvéleur porteouverteau CMLA. Je remer ieégalement
mes étudiants de l'ÉNS de Ca han pour leurs questions et remarques pertinentes pendant es
trois années demonitorat. Je saisisl'o asionpourremer ierles professeursqui ontmarqué ma
s olaritéàl'ÉNSdeCa hanouàJussieu-LaurentDesvillettes,ClaudinePi aronny,Jean-Mi hel
MoreletStéphaneGaubert-ainsiquemesprofesseursde lassespréparatoires,AlexisFagebaume
etJa quesMalet.
Jen'oublieraipaslegrouped'élèves,amis,demapromotionaudépartementdemathématiques
de l'ÉNS de Ca han, toujours prêts à plan her sur un nouvel exo. Guillaume Poly, Ayman
Moussa,RakImekraz,DominiqueMali et,etMartinGaume.Uneambian epota he,leurtalent
et leur appro he ludique des mathématiques ont fait de e petit groupe le meilleur professeur
demathématiquespossible.JesalueégalementLaetitiaBorel-Mathurin,Fabri eBorel-Mathurin,
GabrielGauguelinetFrédériqueCharles.
Parmi les membres du LPMA, je remer ie aussi Ni ole El Karoui de m'avoir apporté son
re ul et sa hauteur de vue sur les mathématiques nan ières, les pratiques du mar hé et plus
parti ulièrement sur les diérents thèmes abordés dans son ours. Je remer ie haleureusement
Ja quesPortèsquiafournilesmoyensinformatiquesné essairesaux al ulsquejedevaisee tuer,
eenplusdetouteslessolli itationsauxquellesilrépondquotidiennement.
Je tiens à saluer les personnes ave lesquelles j'ai partagé le quotidien au LPMA à la n
de la thèse : Reda Chhaibi ave qui j'avais déjà eu le plaisir de travailler quotidiennement à
Natixis quand il y faisait son stage de mastère. Je remer ie aussi Sophie Laruelle et Mathieu
Ri hardqui sontles oorganisateursdugroupedetravaildesthésardsainsiqueRaoulNormand,
Éri Luçon, Cé ile Delaporte, Stavros Vakeroudis, Clément Fou art, Paul Bourgade, Ni olaos
Karaliolios,KarimBouneba he,SophieDedeetNoufelFrikha.JesalueAbassSagnaetBenedikt
Wilbertz,qui onttravaillésurdesthématiquespro hesdesmiennes ave GillesPagès.
utiliserL A
T E
X,ouGNU/Linuxet GCC.
Mer iàmesamis, PabloWinant,Vi torien Rami,CélinePateron,AmélieThévenet, Damien
Lardoux,HélèneGobin, ÉmilieMoreira,Ja inta Carvalho,JérémyLadron, ArnaudCassan,
Ra-phaëlRodriguez-Sierra,AudeHoeitner,Ni olasCharleset MaëlleNauroypourleurae tionet
soutien.Enn,jetienstoutparti ulièrementàremer iermonamie,AnnaMer ierquim'a
Ce do ument rassemble lesrésultats obtenus durant mestrois années de thèse sous ladire tion
de Gilles Pagès. Ilest onstitué de inq hapitres.Chaque hapitreest onçu ommeun arti le
indépendant omportantsaproprebibliographie,etesté ritenanglais.
Soit
(Ω,
A, P)
unespa eprobabiliséetE
unespa edeBana hréexifséparable.LanormedeE
est notée| · |
.Laquanti ationd'unevariablealéatoireX
prenantsesvaleursdansE
onsiste en son approximation par une variable aléatoireY
prenant un nombre ni de valeurs dansE
. L'erreurrésultantde ettedis rétisationestmesuréeparlanormeL
p
de
|X − Y |
.Sionsedonne un ardinalmaximalN
pourY (Ω)
,laminimisationdel'erreurrevientauproblèmed'optimisationmin
k|X − Y |k
p
, Y : Ω
→ E
mesurable, card(Y (Ω))
≤ N
©.
(1)Unesolutionauproblèmedeminimisation(1)est appeléequantieuroptimalde
X
.La quanti- ationoptimalead'abordétéétudiéepourfourniruneméthodededis rétisationdesignal[5℄etaensuiteété introduite dansledomainedesprobabilitésnumériques pour on evoirdes méthodes
de ubature[12℄ oupourrésoudredesproblèmesd'arrêtoptimalmultidimensionnels[3℄.
Le as inni-dimensionnel est étudié depuis le début des années
2000
, en parti ulier pour son appli ationàlaquanti ationfon tionnelle,autrementditlaquanti ationdevariablesaléatoiresàvaleursdansdesespa esfon tionnels.Cetteétudeasurtoutportésurle asdelaquanti ation
L
2
surdes espa esdeHilbert [9℄, maisd'autresespa esde Bana h ont aussiété onsidérés[19℄.
Lespro essussto hastiquessontvus ommedesvariablesaléatoiresprenantleursvaleursdansles
espa esdetraje toires onsidérés.
Cette thèse présente quelques aspe ts de la quanti ation optimale et leur appli ation à la
nan emathématique.
•
Lepremier hapitreportesurl'appli ationdelaquanti ationoptimaleàlarédu tionde va-rian eparstrati ation.Eneet,desaspe tsthéoriquesdelastrati ationmontrentunlienfortentreleproblèmedelaquanti ationquadratiqued'unevariablealéatoireetlarédu tion
de varian equi peutêtre atteinte par ette méthode. Pour ommen er, nous soulignonsla
pertinen e delaquanti ation pour dénirlesstratespourlesméthodes d'é hantillonnage
stratié dans les as ni-dimensionnels et inni-dimensionnels. Ensuite, nous abordons le
as delastrati ationfon tionnelledepro essus gaussiensbi-mesurables. À eteet, nous
proposonsunalgorithmedesimulationde omplexité linéairepourlaloi onditionnelledes
marginalesd'unpro essusgaussiendansla elluledeVoronoid'unquantieurstationnairede
e pro essus.Laméthodeest omplètementspé iéedansles asdumouvementbrownien,
dupontbrownienetdespro essusd'Ornstein-Uhlenbe k.Commelaquanti ationoptimale
ee tived'un pro essus gaussien requiert la onnaissan e de sa base de Karhunen-Loève,
bien onnuedansles asdumouvementbrownien et dupontbrownien,nous détaillons en
annexele al ul ompletdelabasedeKarhunen-Loèvedespro essusd'Ornstein-Uhlenbe k.
Destestsnumériquessontee tuéssurdesproblèmesdevalorisationd'options.Ce hapitre
est lerésultatd'untravail onjointave GillesPagès.
•
Comme nousl'avonssoulignéplushaut, la onnaissan ede labase deKarhunen-Loèveest né essairepourla onstru tionee tived'unquantieurquadratiquedepro essusgaussien.Lese ond hapitresoulignelapossibilitéd'utiliserdesméthodesnumériquesd'approximation
dessolutionsd'équationsintégralespourle al uldesbasesdeKarhunen-Loèvedepro essus
pourlesquelsonnedisposepasdeformulefermée.Nousproposonsd'utiliserlaméthodedite
de Nyström pour le problème de la quanti ation optimale de pro essus gaussiens. Dans
les as oùondispose d'uneformuleferméede référen e,nousmontrons quelaméthode de
Nyströmpermetd'obtenirunepré isionpro hedel'erreurma hine.Ensuite,le as
parti u-lierdumouvementbrownienfra tionnaireest traité.La ohéren edesvaleursobtenuesest
vériée numériquement grâ e à une méthode de re onstru tion du pro essus gaussien.
Enn, elanouspermetd'appliquerlaméthodedestrati ationfon tionnelledéveloppéeau
premier hapitreau problème de la valorisation d'uneoption asiatique dans le modèle de
Bla k&S holesfra tionnaire.
•
Dansletroisième hapitre,nousproposonsunenouvelleappro hedelaquanti ation fon -tionnelle dans le as d'une semimartingale gaussienne ontinueX
que nous baptisons la quanti ation partielle.Cetteappro he onsistepourl'essentielànequantierqueer-taines oordonnées de
X
(en nombre ni) sur sa base de Karhunen-Loève. Le prin ipal résultatestque onditionnellementà es oordonnées,X
resteunesemimartingalepar rap-portàsapropreltration.Cerésultatestétablienutilisantdeste hniquesdegrossissementdeltration.Ce inouspermetnotammentdevéritablementdénirlastrati ation
fon tion-nelled'unesolutiond'équationdiérentiellesto hastiquedirigéeparlasemimartingale
X
et delégitimerlaméthodenumériqueutiliséedanslepremier hapitredansle asdeséquationsdiérentiellessto hastiques.Nousprouvonségalementplusieursrésultatsde onvergen ede
laquanti ationpartielle d'EDS.
•
Danslequatrième hapitre,nousproposonsuneméthodede ubaturebaséesurla quanti- ationfon tionnellepourlavalorisationd'optionsvanillesdansle asdemodèlesàvolatilitésto hastique. On se pla e d'abord dans le même adre que dans l'arti le [14℄. Ensuite, la
méthode estétendueaux as demodèles omportantunterme devolatilitélo ale,souvent
appelésmodèlesàvolatilitélo alesto hastique.Pour ela, nousproposonsunenouvelle
approximationquenousappelonslaquanti ationnormale.Cetteméthodeestbaséesur
les résultats relatifs àla quanti ation partielle de pro essus gaussiens introduite dans le
hapitrepré édent. Nousee tuons destestsnumériques dansle asdumodèleSABR. Ce
hapitreestlerésultatd'untravail onjointave GillesPagès.
•
Les re her hesde pluspro hevoisin représentent une part ritique dela plupart des algo-rithmes d'optimisationde grilles de quanti ation, ainsi que desalgorithmes de rédu tiondevarian eutilisantunquantieurVoronoi ommevariablede ontrle.Dansle inquième
hapitre,nousproposonsunnouvelalgorithmedere her hedepluspro hevoisinlui-même
basé sur uneméthode de quanti ation ve torielle. Lades ription omplète dela méthode
requiert l'exposé dequelquesrésultatsde géométriealgorithmique relatifsauxdiagrammes
deVoronoi.
•
Unintérêtdelaquanti ationoptimale,tantpoursonappli ationàla ubaturequepourses autresusagesest que,unefoislesquantieurs al ulésonpeutles onserverpourunusagefutur. Sur le site web www.quantize.maths-fi. om [15℄, une grande base de données de
grillesdequanti ationdevariablesaléatoiresgaussiennesestdisponibleautélé hargement.
Lesgrillesgaussiennesunidimensionnellessont al uléesave unepré isionrelativede
10
−32
,
autrement dit, elles peuvent être onsidérées omme exa tes dans leur représentation en
simple,double et quadruplepré ision.En appendi e, nousdétaillons lesméthodesutilisées
pour obtenir es grilles sur-optimisées pouvant s'appliquer pour obtenir des grilles de
0.1 Prin ipaux résultats du hapitre 1
Leprin ipedel'é hantillonnagestratiéestdelo aliserlaméthodedeMonte-Carlosurleséléments
d'unepartition de l'espa ed'état d'unevariablealéatoire
L
2
,
X : (Ω,
A) → (E, E)
. Onsedonne unepartitionE
-mesurable(A
i
)
i∈I
deE
,etnousappelonslesélémentsA
i
strates.Onsupposeque lespoidsp
i
:= P [X
∈ A
i
]
sont onnuset stri tementpositifs.On onsidèreensuiteunefamillede variablesaléatoiresindépendantes(X
i
)
i∈I
dedistributionX
i
L
∼ L (X|X ∈ A
i
)
.Onsupposequ'onsaitsimulerlesvariablesaléatoires
X
i
, equiéquivautàsupposerqu'onpeut é rireX
i
= φ
i
(U )
, oùU
est uniformémentdistribuée sur[0, 1]
r
i
ave
r
i
∈ N
∗
et
φ : [0, 1]
r
i
→ R
est al ulablefa ilement.
L'idée de lastrati ation est d'utiliser l'estimateur suivant pour al uler
E[F (X)]
, oùF
est unefon tionnelleàvaleursréellestellequeF (X)
∈ L
2
:F (X)
I
M
:=
Xi∈I
p
i
1
M
i
M
i
Xk=1
F (X
k
i
),
(2)où
M
estlebudgetglobaldesimulationsdeMonte-CarloetM
i
:= q
i
M
estlebudgetallouépour le al uldeE[F (X
i
)]
dans haquestrate,et(X
k
i
)
k≤1≤M
i
sontM
i
réalisationsindépendantesselonL(X|X ∈ A
i
)
.OnimposenaturellementqueP
i∈I
q
i
= 1
. Cetestimateurestsansbiaisetsavarian eest donnéeparVar
F (X)
I
M
=
1
M
Xi∈I
p
2
i
q
i
σ
2
F,i
,
oùσ
F,i
2
:= Var (F (X)
|X ∈ A
i
) = Var (F (X
i
)) ,
i
∈ I.
Choix des budgets
(q
i
)
i∈I
de tiragesalloués à haque strate•
Le hoixnaturel,maissous-optimalestdexerq
i
= p
i
pourtouti
∈ I
.Deuxraisonspour untel hoixsontd'unepartquelavarian edel'estimateur obtenuesttoujoursinférieureàelle de l'estimateur standardde Monte-Carlo,et d'autre partqueles poids
p
i
des strates sontgénéralement onnus.•
Une autre possibilité est l'optimisation sous ontrainte de la varian e de l'estimateur (2), dontlasolutionestq
i
∗
=
p
i
σ
F,i
Pj∈I
p
j
σ
F,j
,
i
∈ I.
À estade,leproblèmeestqu'onne onnaîtpasexpli itementlesinertieslo ales
σ
2
F,i
.Dans l'arti le [18℄, Étoré et Jourdain proposent un algorithme qui modie les proportions dessimulationsfutures dans haquestratedefaçonadaptativeetqui onvergeversl'allo ation
optimale.
Géométriedes strates
Maintenant, la prin ipale in onnue est le hoix de la partition
(A
i
)
i∈I
. Ce hoix est guidé par l'obje tif derédu tion dela varian e, maisaussi parla né essitéde pouvoirsimulerles loisonditionnelles
L (X|X ∈ A
i
)
.C'estl'objetdelase tion0.1.1.0.1.1 Pertinen e de la quanti ation optimale quadratique pour
on e-voir les strates des méthodes d'é hantillonnage stratié
Ilsuggèrede hoisirpourpartition
(A
i
)
i∈I
les ellulesde Voronoiasso iées àune quanti ation quadratique optimisée deX
, et surtoutune troisième possibilité pour le hoix d'allo ation des tiragesentrelesstrates,qui aunee a itéuniformesurlesfon tionnellesF
lips hitziennes.Théorème 0.1.1(Strati ation universelle). Soit
A = (A
i
)
i∈I
une partitiondeE
etProj
A,Z
la proje tion bary entriqueasso iéeàla partitionA
pourla variable aléatoireZ
(dénition1.1.4).1. Pour tout
i
∈ I
, onsidéronsl'inertie lo ale de la variable aléatoireX
,σ
2
i
= E
|X − E[X|X ∈ A
i
]
|
2
X
∈ A
i
.
Alorspourtoutefon tion lips hitzienne
F : E
→ R
,∀i ∈ I,
σ
F,i
≤ [F ]
Lipσ
i
desorteque
sup
[F ]
Lip≤1
σ
F,i
≤ σ
i
.
(3)2. Dans le asdu hoix sous-optimal,
sup
[F ]
Lip≤1
Pi∈I
p
i
σ
F,i
2
≤
Pi∈I
p
i
σ
i
2
=
X
− E[X|σ({X ∈ A
i
}, i ∈ I)]
2
2
=
X
− Proj
A,X
(X)
2
2
.
(4)3. Dans le asdu hoix optimal,
sup
[F ]
Lip≤1
Xi∈I
p
i
σ
F,i
2
≤
Xi∈I
p
i
σ
i
2
,
(5) et Xi∈I
p
i
σ
i
2
≥
X
− E[X|σ({X ∈ A
i
}, i ∈ I)]
2
1
=
X
− Proj
A,X
(X)
2
1
.
4. Si on onsidère des fon tions lips hitziennes à valeurs ve torielles
F : E
→ E
, alors les inégalités(3),(4) et(5)sonten faitdeségalités.0.1.2 Quanti ation et simulabilité dans les strates
Dans le as parti ulier où
X
est une variablealéatoire gaussienne deloiN (0, D)
, oùD
est une matri ediagonale,onmontrequ'ilestpossibledesimulerexa tementladistribution onditionnellede
X
dansunhyperre tangleave un oût onstant(voirse tion1.3.3).Cen'estpasle asdela distribution onditionnelledansunpolytopequel onque.Pour ette raison,unestrati ationparquanti ationproduit-résultantendesstratessousformed'hyperre tangles-estpréférableàla
quanti ationoptimaledontles ellulesdeVoronoisontdespolytopesplusgénéraux.
Nous abordons maintenant le problème de la strati ation fon tionnelle de pro essus
gaus-siensbimesurablessurunintervalle
[0, T ]
.Noussupposons quelepro essus onsidéréestL
2
et a
unefon tionde ovarian e ontinuesur l'intervalle onsidéré.Lesquantieursquadratiques
opti-mauxdetelspro essussetrouventsurl'espa eengendréparleurspremièresfon tionspropresde
Karhunen-Loève.La formedes ellules deVoronoiasso iéesdans
L
2
([0, T ])
est don très simple
quand elle est exprimée dans ettebase, en parti ulier dans le as de laquanti ation produit.
La simulation de la loi onditionnelle de marginales de
X
,(X
t
0
,
· · · X
t
n
)
pour une subdivision0 = t
0
≤ · · · ≤ t
n
= T
onsistealors•
tout d'abordàsimulerlaloi onditionnelle(ni-dimensionnelle) despremières oordonnées deKarhunen-Loève,oor-Dans le as de laquanti ation produit, la premièreétapea déjà été traitée. Lase onde étape
onsisteenunsimple onditionnementgaussien, quipeutdon êtreee tué ave une omplexité
de
O(n
2
)
enutilisantunefa torisationdeCholesky.Ce oûtquadratiqueenlenombredepasde
temps n'étantpassatisfaisant, nousproposonsunnouvelalgorithme de omplexité
O(d
× n)
oùd
est la dimension de quanti ation. Cette dimensionde quanti ationd
est plutt faible dans le asdespro essus gaussiens onsidérés,pourlesquelselleest asymptotiquementéquivalente aulogarithme du nombre de strates. Par exemple, dans le as où
X
est un mouvement brownien standard, la dimension de quanti ation pour une quanti ation de niveauN = 10
4
est de
9
. C'est et algorithme de simulation, utilisant une appro he bayésiennequi rend la strati ationfon tionnelledepro essusgaussiensutilisableenpratique.
Surla gure1,on représentequelques traje toiresdela loi onditionnellede
500
marginales d'un mouvementbrownienstandardsa hantque e mouvement brownienappartientàla ellulede Voronoi dela ourbeépaissie surle graphique.L'apparen edes traje toiresobtenuessuggère
de onsidérerlaméthode ommeuneméthodedeMonte-Carloguidée.
PSfragrepla ements
0
0
0.2
0.4
0.6
0.8
1
1
−2
−1
2
3
−3
Figure1Tra édequelquesréalisationsdelaloi onditionnelledumouvementbrownienstandard
sa hantqu'iltombedansla elluledeVoronoi
L
2
dela ourbesurlignéedanslequantieur.
La méthodeest appliquéeà d'autrespro essus gaussiens, dans le hapitre1pourle pont
brow-nien et les pro essus d'Ornstein-Uhlenbe k, et dans le hapitre2 pour le mouvement brownien
fra tionnaire.
0.1.3 Quanti ationetstrati ationfon tionnelledespro essus
d'Ornstein-Uhlenbe k
Les fon tions propres de Karhunen-Loève ont une forme expli ite dans les as parti uliers du
mouvementbrownienstandardet dupontbrownien.Le asparti ulierdupro essus
d'Ornstein-Uhlenbe kstationnaire ave paramètre deretour à lamoyenne et volatilitéégaux à
1
est traité dans le livre [6, p.195℄. En appendi e du premier hapitre, nous al ulons la dé omposition deparamètrederetouràlamoyenneetvolatilité).Unepro éduredétailléedé rivantl'implémentation
delaméthodeestaussifournie.
Grâ eà e al ul,laquanti ation quadratiqueoptimaleet lastrati ation fon tionnelledes
pro essus d'Ornstein-Uhlenbe k sont possibles. Dans la suite, on vériera systématiquement si
lesrésultats de ettethèse portantsur laquanti ationdespro essus gaussienssontappli ables
aux pro essus suivants : le mouvement brownien standard, le pont brownien et les pro essus
d'Ornstein-Uhlenbe k. PSfragrepla ements
−1.5
−1
−0.5
0
0
0.5
0.5
1
1
1.5
1.5
2
2.5
3
PSfragrepla ements−1.5
−1
−0.5
0
0
0.5
0.5
1
1
1.5
1.5
2
2.5
3
Figure 2Quantieur produit optimald'un pro essusd'Ornstein-Uhlenbe k entrépartant de
r
0
= 0
(àgau he)et stationnaire(àdroite)déniparl'EDSdr
t
=
−r
t
dt + dW
t
,sur[0, 3]
.0.1.4 Appli ation à la strati ation de solutions d'équations
diéren-tielles sto hastiques
Dans le as plusrestri tif où
X
est en fait une semimartingalegaussienne entrée partantde0
, onpeututiliser lastrati ation desmarginales deX
et lesinsérerdansles hémad'Eulerd'une équationdiérentielle sto hastiquepourobtenirune strati ationfon tionnellede lasolutiondel'équationdiérentiellesto hastique onsidérée.
Cetteappro hedelastrati ationfon tionnellepourlesdiusionsbrowniennesest justiéeà
plusieurségards:
•
Sous ertaines onditionssurles oe ientsdel'EDS onsidérée,l'appli ationquiau pro es-susgaussien initialasso ie lasolutiondel'EDSestenfaitune appli ationlips hitziennedeL
p
([0, T ])
dans
L
p
([0, T ])
.Deplusl'appli ationquiàdesmarginales
(X
t
0
,
· · · , X
t
n
)
asso ie lasuitedesdiéren esadja entesX
t
1
− X
t
0
,
· · · , X
t
n
− X
t
n−1
estaussilips hitzienne.On
resteainsidansle adreduthéorème0.1.1surlastrati ation universelle.
•
De plus, on verra au hapitre3 quedans les as ités pré édemment, laloi onditionnelle deX
sa hantqueX
tombedansune elluledeVoronoidonnéeest unesemimartingalepar rapportàsaltration naturelle.Cettepropriété,démontréeplusloindanslathèse pardesargumentsde grossissement de ltration permet de dénirla strati ation ontinue de la
solution d'une EDS. Ainsi, la loi onditionnelle de la solution de l'EDS asso iée à
X
est en fait la solution de l'EDS asso iée à ette semimartingale. Utiliser ainsi les marginalesonditionnelles dansles hémad'Euler orrespondenfait àimplémenter les hémad'Euler
del'EDSinitiale onditionnée.
0.2 Prin ipaux résultats du hapitre 2
Comme souligné pré édemment, le quantieur quadratique optimal d'un pro essus gaussien
bi-mesurablesetrouvedansunplanprin ipaldesonopérateurde ovarian e,autrementdit,engendré
parlespremièresfon tionspropresdeKarhunen-Loève.Pour ette raison,l'utilisationnumérique
d'un tel quantieur né essite d'avoir à sa disposition une méthode d'évaluation (rapide) de ses
fon tionspropresdeKarhunen-Loève,ouaumoins de elles qui orrespondentaux plusgrandes
valeurspropres.Lesbases deKarhunen-Loèvedumouvementbrownien,dupontbrownienet des
pro essus d'Ornstein-Uhlenbe ksont onnues, maisonne dispose pasdeformule ferméedans le
asgénéral.
Avoiràsadispositionuneméthodenumériqueappro hantlesfon tionsdebasede
Karhunen-Loèveestlelien manquantpourlaquanti ationd'autrespro essusgaussiens, ommele
mouve-mentbrownienfra tionnaire.Laquanti ationdumouvementbrownienfra tionnaireestpourtant
intéressanteenpratique arondisposedebeau oupmoinsdeméthodesnumériquese a espour
e pro essus quepourle mouvementbrownienstandard,dontla simulationest beau oup moins
oûteuse.
Dansle hapitre2,onappliquelaméthodeditedeNyströmpourrésoudrel'équation
inté-graledénissantledéveloppementdeKarhunen-Loève.Laméthodeesttoutd'abordtestéedansle
asdespro essusgaussiens itéspré édemmentpourlesquelsondisposedeformulesferméespour
leur base de Karhunen-Loève.Ensuite, on applique laméthode au as dumouvementbrownien
fra tionnaire.Dans e as,andetesterlavaliditédelaméthode,onréaliseunere onstru tion
dupro essusinitial,enlereprésentant ommelamixturedeseslois onditionnellesdans ha une
de ses ellules de Voronoi. Ainsi, en utilisant la méthode de simulation détaillée au hapitre 1,
onre onstruitthéoriquementunmouvementbrownienfra tionnaire.Lavéri ation onsiste
sim-plement àee tuer une estimation parla méthodede Monte-Carlo de lafon tionde ovarian e
du pro essus obtenu et de vérier qu'on retrouve bien la fon tion de ovarian e dumouvement
brownienfra tionnaire.
Dansletableau 1,onreportelesrésultatsde ette méthodede Monte-Carloave
10
millions detirage.0.105061
0.138629
0.15846
0.173817
0.186687
0.138629
0.277258
0.330656
0.365844
0.394071
0.15846
0.330656
0.489116
0.557871
0.605929
0.173817
0.365844
0.557871
0.73168
0.813313
0.186687
0.394071
0.605929
0.813313
1
0.105141
0.138748
0.158596
0.173959
0.186824
0.138748
0.277417
0.330885
0.366075
0.394372
0.158596
0.330885
0.489454
0.558177
0.606266
0.173959
0.366075
0.558177
0.731923
0.813579
0.186824
0.394372
0.606266
0.813579
1.0003
Table1Covarian ethéorique(àgau he)etestimée(àdroite)
E[X
t
i
X
t
j
]
dumouvement brow-nien fra tionnairere onstruit,ave pour oe ientdeHurstH = 0.7
.Le nombredetraje toires utiliséespour ettesimulationdeMonte-Carloest1
× 10
7
.
Nousavonsdon maintenant une méthode able pour al uler lesbases de Karhunen-Loève
de pro essus gaussiens plus généraux, nouspermettant de al uler leur quanti ation optimale.
Lagure3représenteunquantieurquadratique optimaldumouvementbrownien fra tionnaire
ave
H = 0.25
.0.3 Prin ipaux résultats du hapitre 3
Le hapitre 3 apporte de nouveaux résultats théoriques sur la quanti ation fon tionnelleet la
strati ation.Toutle hapitrereposesurlanotiondepontgénéralisé.
0.3.1 Les ponts généralisés
Soit
X
une semimartingalegaussienne entrée partantde0
sur l'espa e probabilisé(Ω,
A, P)
de ltration naturelleF
X
sur
[0, T ]
.Le théorèmedeFerniquegarantitque RT
0
E
X
2
t
dt < +
∞
.LePSfragrepla ements
−2
−1.5
−1
−0.5
0
0
0.5
1
1
1.5
2
0.2
0.4
0.6
0.8
Figure 3 Quantieur
N
-optimal quadratique dumouvementbrownienfra tionnaire sur[0, 1]
de oe ientdeHurstH = 0.25
aveN = 20
.butest de al ulerle onditionnementparrapportàunefamillenie
Z
T
:= (Z
i
T
)
i∈I
devariables aléatoiresgaussiennes, mesurables parrapport àσ(X
t
, t
∈ [0, T ])
, oùI
⊂ N
est une partie nie deN
∗
.Commedans [1℄, onserestreintau asoùlesvariables aléatoires
(Z
i
T
)
i∈I
sontlesvaleurs nalesdepro essusdelaformeZ
i
t
=
R
t
0
f
i
(s)dX
s
,i
∈ I
,pourune ertainefamillenief = (f
i
)
i∈I
defon tions
L
2
loc
([0, T ])
.Lepontgénéraliséde(X
t
)
t∈[0,T ]
asso ié àf
de valeurnalez = (z
i
)
i∈I
estlepro essus
X
f,z
t∈[0,T ]
ayantpourdistribution
X
f,z L
∼ L
X
Z
i
T
= z
i
, i
∈ I
.
(6)Le as du pont brownien sur
[0, T ]
peut être obtenu en prenantX
un mouvement brownien standard,|I| = 1
,f =
{f}
etf
≡ 1
.En termes d'espa es de Hilbert gaussiens, si
H
est l'espa e gaussien engendré par(X
s
)
s∈[0,T ]
et
H
Z
T
est le sous-espa e fermé de
H
engendré par(Z
i
T
)
i∈I
, on noteH
⊥
Z
T
son
omplémen-taire orthogonal dans
H
. Toute variable aléatoire (gaussienne)G
∈ H
se dé ompose enG =
Proj
Z
T
(G)
+ Proj
⊥
⊥
⊥
Z
T
(G),
oùProj
Z
T
etProj
⊥
Z
T
sontlesproje tionsorthogonalessur
H
Z
T
et
H
⊥
Z
T
.
Ave esnotations,ona
E
G
(Z
i
T
)
i∈I
= Proj
Z
T
(G)
.En fait, on va onsidérer des ponts browniens généralisés orrespondant à ertaines familles
f
parti ulières.CommeX
estunpro essusgaussien ontinu,safon tionde ovarian eest ontinue (voir[7,VIII.3℄).Onnotealors(e
X
i
, λ
X
i
)
i≥1
sesfon tionspropresetvaleurspropresde Karhunen-Loève. Alors, si ondénit lafon tionf
X
i
omme laprimitive de−e
X
i
s'annulant ent = T
, i.e.f
X
i
(t) =
R
T
t
e
X
i
(s)ds
,uneintégrationparpartiedonne ZT
0
X
s
e
X
i
(s)ds =
ZT
0
f
X
i
(s)dX
s
.
(7)Pourunepartienie
I
⊂ N
∗
,onnote
X
I,y
etonappellepontgénéraliséde Karhunen-Loèvele
pontgénéraliséasso iéave lesfon tions
(f
X
i
)
i∈I
etayantpourpointnaly = (y
i
)
i∈I
.Cepro essus apourdistributionL(X|Y
i
= y
i
, i
∈ I)
,oùY
i
estlai
-ème oordonnéedeKarhunen-Loève.0.3.2 Lespontsgénéralisésde Karhunen-Loève ommesemimartingales
LethéorèmedeJirinaassurel'existen ed'unnoyaudetransition
ν
Z
T
|(
(X
t
)
t∈[0,s]
) : B(R
I
)
× C
0
([0, s], R)
→ R
+
,
orrespondantàlaloi onditionnelle
L
Z
t
(X
t
)
t∈[0,s]
.On fait maintenantl'hypothèse supplémentaire (
H
) que, pour touts
∈ [0, T )
et toute fon tion(x
u
)
u∈[0,s]
∈ C
0
([0, s], R)
, la loi de probabilitéν
Z
T
|(
(X
t
)
t∈[0,s]
)
dy, (x
u
)
u∈[0,s]
est absolument
ontinue par rapport à la mesure de Lebesgue. On note
Π
(x
u
)
u∈[0,s]
,T
sa densité. La matri e de ovarian ede ettedistributiongaussiennesurR
I
s'é ritQ(s, T ) := E
Z
T
− E
Z
T
(X
u
)
u∈[0,s]
Z
T
− E
Z
T
(X
u
)
u∈[0,s]
∗
(X
u
)
u∈[0,s]
.
SiX
estunemartingale,onaQ(s, T ) =
R
T
s
f
i
(u)f
j
(u)d
hXi
u
(i,j)∈I
2
.Rappelonsqu'une semi-martingale ontinueX
est gaussienne si et seulement sihXi
est déterministe (voirpar exemple [17℄).Don , ettehypothèsesupplémentaireéquivautàsupposerqueQ(s, T )
estinversiblepourtouts
∈ [0, T ).
(H
) Lethéorèmesuivantrésulted'uneappro hesimilaireà elledéveloppéedansl'arti le[1℄pourle asdumouvementbrownien,quiesti iétendueau asplusgénérald'unesemimartingalegaussienne
ontinue entrée partant de
0
. Les démonstrations font appel à des outils de grossissement de ltrationet lespreuvessontdétailléesau hapitre3.Théorème 0.3.1. Sous l'hypothèse (
H
), pour touts
∈ [0, T )
, et pourP
Z
T
-presque sûrementy
∈ R
I
,P
·
Z
T
= y
est équivalenteà
P
surF
X
s
et sadérivéede Radon-Nikodym estdonnée pardP
·
Z
T
= y
dP
|F
X
s
=
Π
(X
u
)
u∈[0,s]
,T
(y)
Π
0,T
(y)
.
Proposition 0.3.2(Lespontsgénéralisés ommesemimartingales). Dénissonsla ltration
G
X
parG
X
t
= σ
Z
T
,
F
t
X
,legrossissementdeF
X
orrespondantau onditionnementpré édent. On
onsidèrelepro essus sto hastique
D
y
s
:=
dP
[
·
|
Z
T
]
dP
|F
X
s
=
Π
(Xt)t∈[0,s],T
(y)
Π
0,T
(y)
pours
∈ [0, T )
. Sous l'hypothèse (H
), siD
y
est ontinue, alors
X
est uneG
X
-semimartingale ontinue sur
[0, T )
.Remarque (Modi ation ontinue). Dans la proposition 0.3.2, sion suppose seulementque
D
y
a une modi ation ontinue
D
y
,alors à ha une de ses modi ations ontinues est asso iée une
G
X
-semimartingale ontinue sur
[0, T )
et toutes es semimartingales sont des modi ations les unesdesautres.Proposition 0.3.3(Continuitéde
D
y
). Si
F
X
estune ltrationbrownienne standard, alors
D
y
aune modi ation ontinue.
Onprouvedansle hapitre3quel'hypothèse(
H
)est bienvériéedansle asdesponts géné-ralisésdeKarhunen-Loèvedumouvementbrownienstandard,dupontbrownienetdespro essusd'Ornstein-Uhlenbe k. Le as des pro essus d'Ornstein-Uhlenbe kfait appel àquelques
omplé-mentssurlespropriétésd'inje tivitédel'intégraledeWiener,développésenannexe.
•
La première et prin ipale onséquen ede e nouveaurésultat est qu'en fait, la loi ondi-tionnelle d'une semimartingale gaussienne dans une ellule de Voronoi de son quantieuroptimal (ouquantieurproduit optimal)reste unesemimartingale(nongaussienne). Cette
propriété nous permet de dénir pré isément la strati ation fon tionnelle de la solution
présenta-•
De plus, es résultats suggèrentune nouvelleappro hepourla quanti ation fon tionnelle desolutionsd'équationsdiérentielles sto hastiques,laquanti ationpartielle.0.3.3 Sur la quanti ation partielle
Souslesmêmeshypothèses, onsidéronsledéveloppementdeKarhunen-Loèvede
X
sur[0, T ]
,X =
Xi∈I
Y
i
e
X
i
⊥
⊥
+
Xi∈N
∗
\I
Èλ
X
i
ξ
i
e
X
i
,
(8) où(Y
i
)
i∈I
L
∼ N (0, diag(λ
i
)
i∈I
)
.Soitmaintenant ÒY
Γ
unquantieurstationnairedetailleN
deY
. ÒY
Γ
peuts'é rire ommelaproje tionaupluspro hevoisinsurunnuage
Γ = (γ
1
,
· · · , γ
N
)
. ÒY
Γ
= Proj
Γ
(Y ),
oùProj
Γ
est uneproje tionaupluspro hevoisinsurΓ.
Ondénitmaintenantlepro essusÜ
X
I,Γ
enremplaçantY
par ÒY
Γ
dansladé omposition(8), ÜX
I,Γ
=
Xi∈I
ÒY
i
Γ
e
X
i
⊥
⊥
+
Xi∈N
∗
\I
Èλ
X
i
ξ
i
e
X
i
.
La loi onditionnelle de ÜX
I,Γ
sa hant que
Y
tombe dans la ellule de Voronoi deγ
k
est la loi d'unpontgénéralisédeKarhunen-Loèvedepointnalγ
k
.En d'autrestermes,onaquantiéles oordonnéesdeKarhunen-LoèvedeX
orrespondantài
∈ I
et paslesautres.Cepro essus ainsi déniÜ
X
I,Γ
estappeléequanti ationpartielle deX
. Considéronsl'équation diérentiellesto hastiquedS
t
= b(t, S
t
)dt + σ(t, S
t
)dX
t
,
S
0
= x
∈ R, t ∈ [0, T ],
(9) oùb(t, x)
etσ(t, x)
sontdesfon tionsboréliennes,lips hitziennesparrapportàx
, euniformément ent
et oùσ
etb(
·, 0)
sont bornées. Cette équationdiérentielle sto hastiqueadmet une unique solutionforteS
.Laloi onditionnelledeS
sa hantqueY
i
= y
i
pouri
∈ I
est elledelasolution forte de l'équation diérentiellesto hastiquedS
t
= b(t, S
t
)dt + σ(t, S
t
)dX
I,y
t
, aveS
0
= x
et oùX
t
I,y
est lepontgénéralisédeKarhunen-Loèveasso ié.En onséquen e,ondénitlaquanti ationpartiellede
S
àpartirdelaquanti ationpartielle ÜX
I,Γ
de
X
enremplaçantX
par ÜX
I,Γ
dansl'équation diérentielle sto hastique(9).La
quanti- ation partielle e
S
I,Γ
de
S
estlepro essusdontlaloi onditionnellesa hantqueY
tombedansla elluledeVoronoideγ
k
estlasolutionfortedelamêmeéquationdiérentiellesto hastiqueoùX
estrempla éparlepontgénéralisédeKarhunen-Loèvedepointnalγ
k
,d
S
eI,Γ
t
= b
t,
S
eI,Γ
t
dt + σ
t,
S
eI,Γ
t
d
X
ÜI,Γ
t
.
Le hapitreseterminepardeuxrésultatsde onvergen e(
L
p
etpresquesûre)de es hémade
quanti ationpartielleverslasolutiondel'EDS(9).
0.4 Prin ipaux résultats du hapitre 4
0.4.1 Quanti ationfon tionnelledesolutionsd'équationsdiérentielles
sto hastiques
Uneappli ationdelaquanti ationfon tionnelledepro essusgaussiens
X
surunintervalle[0, T ]
estlaquanti ationd'uneéquationdiérentiellesto hastiquedirigéeparX
,dèsqu'onpeutdénirl'intégrale sto hastique orrespondante.Dans le as présent, onsupposera que
X
est une semi-martingalegaussienne ontinue entréepartantde0
.Desexemplestypiquesdetelspro essussont lemouvementbrownienstandard,lepontbrownienetlespro essusd'Ornstein-Uhlenbe k entréspartantde
0
.Comme elaadéjàétémentionnépré édemment,lethéorèmedeFerniquegarantit que RT
0
E
X
2
t
dt < +
∞
.Deplus,la ontinuitétraje torielledupro essusX
impliquela ontinuité desafon tionde ovarian edeΓ
X
sur
[0, T ]
2
.On peutobtenirunquantieurstationnairedela
solutiond'uneEDSenremplaçant
X
parunquantieurstationnaire ÒX
dansl'EDSé riteausens deStratonovi h.Unepremièreétudede ettequestionaétéfaitedansle asunidimensionneldansl'arti le[10℄.Le asdediusionsmultidimensionnellesplusgénéralesest traitédansl'arti le[16℄,
enutilisantdeste hniquesissuesdelathéoriedestraje toiresrugueuses.
Formellement, onsidérons
σ
lepro essussto hastiquedéni ommelasolutionfortedel'équation diérentiellesto hastiquedσ
t
= b(t, σ
t
)dt + θ(t, σ
t
)dX
t
,
σ
0
∈ R,
(10) oùb(t, x)
etθ(t, x)
sont desfon tions boréliennes, lips hitziennespar rapport àx
uniformément ent
et|b(·, 0)| + |θ(·, 0)|
est bornée sur[0, T ]
.Sous es onditions, il existe une uniquesolution forte de l'EDS (10) sur l'intervalle[0, T ]
. On rappelleque siM
etH
sont des semimartingales ontinues, l'intégrale de Stratonovi hH
◦ M
est dénie parH
◦ M := H · M +
1
2
hH, Mi
, oùH
· M
désigne l'intégrale d'It deH
par rapport àM
. Si on suppose queθ(t, x)
est dérivable parrapportàx
,on peut réé rirel'équationdiérentielle sto hastique(10)entermes d'intégrale de Stratonovi hdσ
t
= b(t, σ
t
)dt
−
1
2
d
hθ(·, σ), Xi
t
+ θ(t, σ
t
)
◦ dX
t
,
σ
0
∈ R
. En utilisant qued
hθ(·, σ), Xi
t
= θ
′
x
(t, σ
t
)θ(t, σ
t
)d
hXi
t
,onobtientdσ
t
= b(t, σ
t
)dt
−
1
2
θ
′
x
(t, σ
t
)θ(t, σ
t
)d
hXi
t
+ θ(t, σ
t
)
◦ dX
t
.
Rappelonsqu'une semimartingale ontinue entréeest gaussienne siet seulementsi
hXi
est une fon tiondéterministedutemps,voirparexemple[17℄.LavariationquadratiquehXi
estexpli ite dans les as pré édemment ités du mouvement brownien standard, du pont brownien et despro essusd'Ornstein-Uhlenbe k.
Dans etteéquation,onrempla e
X
parunquantieurstationnairedeX
.Cefaisant,onobtient unensembled'équationsdiérentiellesordinairesdénissantunquantieurstationnairedeσ
.Soit donχ := (χ
i
)
1≤i≤N
lestraje toiresd'unquantieurstationnairedeX
.Lestraje toires(
σ
bi
)
1≤i≤N
duquantieur
σ
bsontlessolutionsdeséquationsdiérentielles ordinairesd
bσ
i
t
= b(t,
bσ
i
t
)dt
−
1
2
θ
′
x
(t,
bσ
i
t
)θ(t,
bσ
i
t
)d
hXi
t
+ θ(t,
bσ
i
t
)
χ
i
′
(t)dt,
σ
bi
0
= σ
0
> 0.
(11) Dans ertains asparti uliers, eséquationsdiérentiellespeuventavoirdessolutionsexpli ites,ommedansle aslognormal.Sion onsidèrele asoù
b(t, x) = xµ(t)
etθ(t, x) = xγ(t)
,l'équation (11)devientd
bσ
i
t
=
bσ
i
t
µ(t)dt
−
σ
bi
t
γ(t)
2
2
d
hXi
t
+
bσ
i
t
γ(t)
χ
i
′
(t)dt,
σ
bi
0
= σ
0
> 0,
equi donne bσ
t
i
= σ
0
exp
Zt
0
µ(s)ds +
Zt
0
γ(s)
χ
i
′
(s)ds
−
1
2
Zt
0
γ
2
(s)d
hXi
s
.
(12)Dansle asgénéral,onpeututiliserdesméthodesnumériquesderésolutionsd'équations
diéren-tielles ommelesméthodesdeRunge-Kutta,oules hémadeBulirsh-Stoer,quiestparti ulièrement
adaptéau asdesolutionsd'équationsdiérentiellestrèsrégulières.
Sur lagure 4,nous représentonsun quantieur produit dupro essus déni parl'équation (12)
quand
X
estunpro essusd'Ornstein-Uhlenbe ksur[0, 3]
issude0
ave desparamètresderetour àla moyenne et volatilité tous deux égaux à1
, aveγ
≡ 1
,µ
≡ 0
etσ
0
= 100
et oùχ
est un5
× 2 × 2
-quantieurproduitdeX
.18
20
40
60
80
100
120
140
160
180
200
220
0
0
0.5
1
1.5
2
2.5
3
Figure4Quantieurfon tionnelquadratiqueproduit
5
× 2 × 2
delasolutiondel'EDS(11)sur[0, 3]
quandX
est unpro essus d'Ornstein-Uhlenbe kpartant de0
ave paramètresderetour à lamoyenneet volatilitéde1
.Lesparamètresdel'équation diérentielle sto hastiquesontγ
≡ 1
,µ
≡ 0
etσ
0
= 100
.0.4.2 Appli ationà la valorisation d'options vanilles dans les modèles à
volatilité sto hastique
Considérons maintenant unmodèlede volatilité sto hastiquesous une probabilitérisque neutre
delaforme 8 < :
dF
t
= F
t
σ
t
dW
t
,
F
0
> 0,
dσ
t
= b(t, σ
t
)dt + θ(t, σ
t
)dW
t
σ
,
σ
0
> 0,
d
hW, W
σ
i
t
= ρdt.
(13)Le mouvement brownien
W
se dé ompose en la somme deW
σ
et d'un mouvement brownien
standard
W
F
indépendantdeW
σ
.dW
s
= ρdW
s
σ
+
È1
− ρ
2
dW
F
s
oùW
σ
⊥
⊥W
F
.
On note(
F
σ
t
)
t≥0
et(
F
F
t
)
t≥0
les ltrations naturelles des mouvements browniensW
σ
et
W
F
.
La solutionde l'EDS (13),
F
t
= F
0
exp
Rt
0
σ
s
dW
s
−
1
2
Rt
0
σ
2
s
ds
peut s'é rire sousla forme d'un
produit
F
t
= F
0
exp
ρ
Zt
0
σ
s
dW
s
σ
−
ρ
2
2
Zt
0
σ
2
s
ds
| {z }:=A
t
exp
È1
− ρ
2
Zt
0
σ
s
dW
s
F
−
1
− ρ
2
2
Zt
0
σ
2
s
ds
| {z }:=B
t
,
(14) et le pro essus(A
t
)
t∈[0,T ]
ainsi déni est adapté à la ltrationF
σ
. Dans la suite, la fon tion
Payo(x,K) désigneoubien lafon tion
(x
− K)
+
ou bien(K
− x)
+
,lePayod'unCallou d'un Putdeprixd'exer i eK
.Unpré onditionnementdonnel'expressionE
[
Payo(F
T
, K)] = E [E [
Payo(F
T
, K)
|F
σ
T
]]
= E
PrimeBS A
T
,
(1
− ρ
2
)
RT
0
σ
2
s
ds)
1
2
, T, K
,
où
A
T
estlavaleurnaledupro essusdénidansl'équation(14)etoùPrimeBS(F, σ, T, K)
estla formuleferméepourleprix d'unCalloud'unPut danslemodèledeBla ketS holes,sanstauxd'intérêtni dividende,ave unForward
F
,unevolatilitéσ
,unematuritéT
et unprixd'exer i eK
.À e stade, on est don onfronté à un problème de ubature par rapport à la distribution
du pro essus de volatilité
σ
. Cette ubature est ee tuée en utilisant le quantieur fon tionnel(
bσ
i
)
1≤i≤N
deσ
.E[
Payo(F
T
, K)]
≈
N
Xi=1
p
i
PrimeBSA
i
T
,
(1
− ρ
2
)
ZT
0
bσ
i
(s)
2
ds)
1
2
, T, K
,
(15) où(A
i
T
)
1≤i≤N
désignelequantieurdeA
T
déduit de(
bσ
i
)
1≤i≤N
.•
Dans etteéquation,(α
i
)
1≤i≤N
et(p
i
)
1≤i≤N
sontrespe tivementlestraje toiresd'un quan-tieurfon tionneldeW
σ
et lespoidsasso iés.Lesfon tions
(
bσ
i
)
1≤i≤N
sontlestraje toires duquantieurdeσ
obtenuesàpartirde(α
i
)
1≤i≤N
enrésolvantlesEDO(11).•
Les valeurs orrespondantesde RT
0
bσ
i
(s)
2
ds
1≤i≤N
utiliséesdans laformule (15)sont
dé-duitesde ettequanti ation.
•
Pour al ulerlestermesA
i
T
,ondoitévaluerlaversionquantiéedel'intégralesto hastique RT
0
σ
s
dW
s
σ
=
RT
0
σ
s
◦ dW
s
σ
−
1
2
RT
0
d
hσ, W
σ
i
t
=
RT
0
σ
s
◦ dW
s
σ
−
1
2
RT
0
θ
2
(t, σ
t
)dt
.Cela onduit auquantieurA
i
T
= F
0
exp
ρ
ZT
0
bσ
i
(t)α
′
i
(t)dt
−
ρ
2
ZT
0
θ
2
(t,
bσ
i
t
)dt
−
ρ
2
2
ZT
0
bσ
i
(t)
2
dt
,
1
≤ i ≤ N.
Dansle hapitre4onrappellequel'erreurde ubatureparquanti ationfon tionnelle
station-nairedé roîtlogarithmiquementvers
0
, equiesttrèslent.Cependant,onpeut onsidérablement améliorerlesperforman espratiquesdelaméthodeenutilisantuneextrapolationdeRi hardson-Rombergdel'erreurde ubature.Nousdétaillons esquestionsdans lase tion4.2.2.
Les résultats numériques peuvent en ore être améliorés en utilisant une sorte de méthode
de rédu tionde varian e pour la ubature parquanti ation, détaillée àla se tion 4.3.1.L'idée
prin ipaleestd'utiliserleForwardestimépar ubatureaulieuduForwardthéoriquepourle al ul
devolatilitéimpli ite. Cefaisant,onobtientunSmiledevolatilitéplusrégulier,et pluspro hede
savaleurthéoriquequandontestelaméthodedansle asparti ulierdumodèleSABR.
La gure 5représente leSmile de volatilité impli ite estimépar ubature par quanti ation
(et extrapolation) et la valeur de référen e donnée par la formule de Hagan de développement
asymptotique de faible maturité. On onstate que la pré ision obtenue est susante pour une
utilisationenpratiquedenotreméthode.
0.4.3 La quanti ation normale
Dans la suite du hapitre4, nous proposons un nouveaus héma de quanti ation de solutions
d'équationsdiérentielles sto hastiques,basé sur lanotion de quanti ationpartielle introduite
au hapitre 3. Ce s héma permet d'appro her la solution d'une équation diérentielle
sto has-tique par une mixture de pro essus gaussiens. Pour ette raison,nous appelons ette méthode
d'approximationlaquanti ationnormale.
Dénition 0.4.1 (Quanti ationnormale). Soit
X
une martingale ontinue gaussienne entrée partantde0
sur[0, T ]
.SoitI
unepartie nie deN
∗
.Considérons la dé ompositionX =
Xi∈I
Y
i
e
X
i
⊥
⊥
+
Xi∈N
∗
\I
Èλ
X
i
ξ
i
e
X
i
.
Soit
Γ
un quantieur stationnaire deY = (Y
i
)
i∈I
et ÒY
Γ
la proje tion deY
orrespondante. On note ÒX
I,Γ
et ÜX
I,Γ
20
0%
50%
100%
150%
200%
250%
300%
0.16
0.18
0.2
0.22
0.24
0.26
0.28
0.3
0.32
Développementasymptotique ExtrapolationdeRi hardson-Rombergdus hémade ubature
parquanti ationetdel'estimation
duForward. Maturité ourte
Figure 5 Smilede volatilité impli ite dans le modèle SABR ave
β = 1
,γ = 0.3
,σ
0
= 0.2
,T = 1
etρ =
−0.5
. La ourbe ontinue orrespondàune extrapolationdeRi hardson-Romberg pourle ouple(208
-54)
delaformulede ubaturebaséesurlaquanti ationfon tionnelle.Soit
S
la solution fortede l'EDSdS
t
= b(t, S
t
)dt + σ(t, S
t
)dX
t
,
S
0
= x,
(16) oùb(t, x)
etσ(t, x)
sont desfon tions boréliennes, lips hitziennes par rapport àx
uniformément ent
et oùσ
et|b(·, 0)|
sont bornées. Alorsonnote•
S
bI,Γ
la quanti ation fon tionnelle de
S
, obtenue en remplaçantX
par ÒX
I,Γ
dans l'EDS
(16) é riteausensde Stratonovi h.
•
S
eI,Γ
laquanti ationpartiellede
S
orrespondante,obtenueenremplaçantX
par ÜX
I,Γ
dans
l'EDS (16) ommeau hapitre3.
Lepro essus Ü
X
t
I,Γ
sedé omposeen ÜX
t
I,Γ
=
X
ÒI,Γ
t
⊥
⊥
+X
I,0
,oùX
I,0
estlepontgénéraliséde
Karhunen-Loèvede pointnal
0
asso ié àI
.Onobtientd
S
eI,Γ
t
= b
t,
S
eI,Γ
t
dt + σ
t,
S
eI,Γ
t
d
X
ÒI,Γ
t
+ σ
t,
S
eI,Γ
t
dX
t
I,0
,
S
eI,Γ
0
= x.
(17)Nousdénissons la quanti ationnormalede etteEDS ommela solution ó
S
I,Γ
de l'EDSd
S
óI,Γ
t
= b
t,
S
bI,Γ
t
dt + σ
t,
S
bI,Γ
t
d
X
ÒI,Γ
t
+ σ
t,
S
bI,Γ
t
dX
t
I,0
,
S
eI,Γ
0
= x.
C'estlamêmeEDSque(17),danslaquelle e
S
t
I,Γ
estrempla épar bS
I,Γ
t
danslestermesdevolatilité etde dérive.Théorème 0.4.1 (Erreur de quanti ation quadratique de la quanti ation normale d'EDS).
Ave lesmêmes notations et sousles hypothèses de la dénition 4.4.4, pour tout
t
∈ [0, T )
nous avonsE
sup
u∈[0,t]
eS
u
−
S
óu
2
ÒY
Γ
= γ
k
= O
eS
I,Γ
−
S
bI,Γ
2
2
.
(18)Remarque. Ces résultatspeuvent êtreaisément étendusau as plusgénéral de semimartingales
gaussiennes, dèsqu'il existe une mesure lo alement nie
ν
sur[0, T ]
telle que pour presque toutω
∈ Ω
,le termede variation niedV (ω)
dansla dé omposition anonique deX
soit absolument ontinupar rapport àν
.Àpartirdelaquanti ationnormaled'uneEDS,onpeutfa ilementdénirunenotionde
quanti- ationlognormaled'EDSen onsidérantlaquanti ationnormaledel'exponentielledelasolution
del'EDS onsidérée(voirdénition 4.4.5),etobtenirlemême typede ontrled'erreur.Comme
'est le aspourlaquanti ationfon tionnelleordinaire,nousdéduisons aisémentdes méthodes
de ubatureasso iéesà esquanti ationsnormaleetlognormale, onsistantdansle asd'options
vanillesàappro herleprixd'uneoptiondansunmodèleàvolatilitéetdérivelo aleparunesomme
pondéréedeprixdansdesmodèlesrespe tivementnormauxet lognormaux.Nousfaisonsensuite
la onje ture(appuyéeparnosrésultatsnumériques)quel'erreurde ubaturedelaquanti ation
normalese omporte omme l'erreurde ubature de la quanti ation fon tionnelle, en d'autres
termes,
•
lastationnaritéduquantieurfon tionnelasso iépermetdegagnerunordrede onvergen e pourl'erreurde ubatureasso iée,•
l'erreurde ubatureasso iéeadmetundéveloppementasymptotique parrapportàlataille duquantieurN
delaformeK
E
2
N
+ o(
E
N
2
)
quandN
tendvers+
∞
,oùE
N
estladistorsion quadratiquedelaquanti ationfon tionnelleasso iée.Ainsi,nousavonsuneméthodede ubatureasso iéeàladistributiond'équationsdiérentielles
sto hastiquesdelaforme
dS
t
= b(t, S
t
)dt + σ(t, S
t
)dX
t
,
i.e. omportantuntermedevolatilitélo aleet unterme dedérivelo ale.
0.4.4 Appli ation à la valorisation dans les modèles à volatilité lo ale
sto hastique
Onsepla emaintenantdansun adreplusgénéral.Onsupposequesousuneprobabilité
risque-neutre,leForwardapourdynamique
§
dF
t
= σ
t
F
t
g(t, F
t
)dW
t
,
dσ
t
= b(t, σ
t
)dt + θ(t, σ
t
)dW
t
σ
,
(19) oùW
etW
σ
sont des mouvementsbrowniens standards. On suppose que
W
se dé ompose enρdW
σ
t
+
p1
− ρ
2
dW
F
t
,oùW
F
est indépendantW
σ
.Onnoterespe tivementF
F
etF
σ
lesltra-tionsnaturellesdesmouvementsbrowniens
W
σ
et
W
F
. Deplus,onsupposeque
b(t, x)
etθ(t, x)
sont boréliennes, lips hitziennes parrapport àx
uniformémentent
∈ [0, T ]
et queθ(t,
·)
est de lasseC
1
pourtout
t
∈ [0, T ]
.On suppose queg(t, x)
est unefon tion borélienne bornée et queg(t,
·)
estde lasseC
1
.
Cette situation orrespond à de nombreux modèles à volatilité lassique, omme SABR et
Heston.Nousdétaillons les motivations del'introdu tion de e genre demodèles,impliquantun
termedevolatilitélo aleenplusdelavolatilitésto hastiquedansl'introdu tiondu hapitre4.
Nousé rivonsl'EDS(19)entermesd'intégraledeStratonovi h, e quidonne
¨
dF
t
= σ
t
g(t, F
t
)F
t
p1
− ρ
2
dW
F
t
+ σ
t
g(t, F
t
)F
t
ρ
◦ dW
t
σ
−
ρ
2
2
σ
2
t
g(t, F
t
)g
x
′
(t, F
t
)F
t
2
dt
−
ρ
2
2
σ
2
t
g(t, F
t
)
2
F
t
dt
−
ρ
2
F
t
g(t, F
t
)θ(t, σ
t
)dt.
(20)Considéronsmaintenantunquantieurproduitstationnaire
α
deW
σ
, orrespondantàla
dé om-position