Dans l’univers financier moderne, prédire l’évolution du prix des actions ou des obligations relève souvent du défi. Pourtant, le stochastique calcul offre des outils puissants pour comprendre et gérer ces incertitudes. Cette discipline mathématique permet de transformer le hasard apparent des marchés en modèles exploitables, aidant ainsi les professionnels à évaluer des produits dérivés et à construire des stratégies de couverture efficaces.
En bref
- Le calcul stochastique utilise des processus aléatoires comme le mouvement brownien et les martingales pour modéliser les prix des actifs financiers
- La probabilité risque neutre permet de valoriser les options en transformant les actifs actualisés en martingales, garantissant l’absence d’arbitrage
- Le modèle binomial et la formule d’Itō constituent les fondements pratiques pour calculer les prix et construire des stratégies de couverture
- Le théorème de Girsanov et l’enveloppe de Snell résolvent des problèmes avancés comme le changement de mesure et l’exercice optimal des options américaines
- Les grecques (delta, gamma) mesurent les sensibilités aux risques et guident les ajustements nécessaires des portefeuilles de couverture
Stochastique calcul : fondements et vocabulaire
Le stochastique calcul désigne un ensemble de techniques mathématiques permettant de modéliser et d’analyser des phénomènes aléatoires évoluant dans le temps. Cette branche des mathématiques trouve une application directe en finance pour valoriser des actifs dont le prix fluctue de manière imprévisible.
Au cœur de ce domaine, on trouve le concept de processus stochastique : une famille de variables aléatoires indexées par le temps. Concrètement, chaque trajectoire représente la fonction qui lie un instant donné à une valeur observée.
La filtration joue un rôle fondamental dans ce vocabulaire. Elle modélise l’information disponible qui s’accumule progressivement. Mathématiquement, une filtration vérifie la propriété suivante : si un instant s précède un instant t, alors toute information connue en s reste accessible en t.
Un autre pilier du calcul stochastique repose sur l’intégrale d’Itō. Contrairement aux intégrales classiques, celle-ci se définit comme la limite en moyenne quadratique de sommes discrètes. Une propriété remarquable : lorsqu’on intègre un processus adapté par rapport à un mouvement brownien, l’espérance de cette intégrale reste nulle.
La prescription de Stratonovich propose une alternative. Elle s’appuie sur des sommes évaluées au point milieu de chaque intervalle. La différence avec Itō ? L’espérance de l’intégrale de Stratonovich n’est généralement pas nulle, ce qui change les calculs pratiques.
Modèles et probabilités en finance : mouvements browniens, martingales et mesures
Le mouvement brownien, également appelé processus de Wiener, constitue la pierre angulaire des modèles financiers modernes. Il s’agit d’un processus gaussien continu centré dont la covariance entre deux instants s et t vaut le minimum de ces deux temps.
Ce processus possède des accroissements stationnaires : la différence entre deux instants suit une loi normale de variance égale à la durée écoulée. Sa variation quadratique converge vers T sur l’intervalle [0,T], tandis que sa variation totale reste infinie.
Les martingales représentent des processus dont l’espérance conditionnelle future égale la valeur présente. Plusieurs martingales browniennes interviennent fréquemment en finance :
- Le mouvement brownien lui-même forme une martingale
- Le carré du brownien moins le temps constitue également une martingale
- L’exponentielle d’un brownien avec ajustement de dérive reste une martingale
La formule d’Itō permet de calculer la différentielle d’une fonction composée. Si un processus suit la dynamique dx = a dt + b dz, alors la différentielle de G(x,t) s’écrit comme la somme de trois termes : la dérivée temporelle, la dérivée spatiale multipliée par dx, et un terme correctif impliquant la dérivée seconde.
Un exemple classique illustre cette formule : l’intégrale du mouvement brownien par lui-même égale exactement (B² – t)/2. Ce résultat, contre-intuitif au premier abord, découle directement du lemme d’Itō.
Évaluation et couverture des dérivés dans des marchés complets
L’évaluation des produits dérivés repose sur l’hypothèse d’absence d’opportunité d’arbitrage. Un arbitrage désigne un portefeuille autofinançant de valeur initiale nulle qui garantit un gain positif sans risque de perte. Le cadre AOA (absence d’opportunité d’arbitrage) exclut précisément ces situations.
Sous cette hypothèse, deux portefeuilles autofinançants ayant la même valeur finale possèdent nécessairement la même valeur initiale. Plus fort encore : si un portefeuille domine toujours un autre, cette domination persiste à chaque instant.
L’actualisation permet de ramener une valeur future à sa valeur présente. En temps continu, le prix d’un zéro-coupon s’écrit B(t,T) = exp(-r(T-t)), où r représente le taux sans risque constant. En temps discret, cette formule devient (1+r) élevé à la puissance moins n, n étant le nombre de périodes.
Duplication et probabilité risque neutre
Le modèle binomial à une période illustre simplement la duplication. Un actif risqué peut prendre deux valeurs : uS₀ (hausse) ou dS₀ (baisse). La condition de non-arbitrage impose que d < 1+r < u.
La probabilité risque neutre q se calcule selon la formule q = (R-d)/(u-d), où R = 1+r. Cette probabilité artificielle transforme l’actif risqué actualisé en martingale. Le prix d’un produit dérivé s’obtient alors comme l’espérance actualisée de son payoff sous cette mesure.
Le delta de couverture représente la quantité d’actif risqué nécessaire pour répliquer parfaitement le dérivé. Il vaut (C₁ᵘ – C₁ᵈ)/((u-d)S₀), où C₁ᵘ et C₁ᵈ désignent les valeurs du dérivé en cas de hausse ou de baisse.
Dans un marché multi-périodes, la probabilité risque neutre reste unique tant que la condition d < 1+r < u persiste à chaque nœud. La valeur à un instant k s'exprime comme l'espérance conditionnelle actualisée sous Q du payoff terminal. La stratégie de couverture se construit par récurrence en remontant l'arbre de décision.
Call/Put et calcul stochastique : parités et exemples
La parité call-put établit une relation exacte entre le prix d’un call et d’un put de même strike et maturité : Cₜ – Pₜ = Sₜ – K·B(t,T). Cette égalité découle directement de l’égalité des payoffs finaux.
Un exemple numérique éclaire ces concepts. Soit S₀ = 100, r = 0,05 (donc R = 1,05), u = 1,1, d = 0,9, et K = 100. La probabilité risque neutre vaut q = (1,05-0,9)/(1,1-0,9) = 0,75.
Pour un call à la monnaie, le prix initial atteint environ 7,14 euros, calculé comme (0,75×10 + 0,25×0)/1,05. Le delta de couverture égale 0,5, signifiant qu’il faut détenir une demi-action pour répliquer le call.
Pour le put correspondant, le prix s’établit à environ 2,38 euros avec un delta de -0,5. La différence entre ces deux prix, soit 4,76 euros, vérifie bien la parité : elle égale exactement S₀ – K/R = 100 – 100/1,05.
Outils et cadres avancés en calcul stochastique
Théorème de Girsanov et changement de mesure
Le théorème de Girsanov constitue l’outil central pour passer de la probabilité historique à la probabilité risque neutre. Il permet de modifier la dérive d’un processus stochastique en changeant de mesure de probabilité.
Dans le cadre Black-Scholes, la prime de risque se définit comme λ = (μ-r)/σ, où μ représente la dérive historique et σ la volatilité. La densité de Radon-Nikodym, qui relie les deux mesures, s’écrit Z_T = exp(-λW_T – λ²T/2).
Sous la nouvelle mesure, le processus modifié devient un mouvement brownien. Concrètement, la dynamique de l’actif risqué change : sous la probabilité historique P, l’équation s’écrit dSₜ = μSₜdt + σSₜdWₜ. Sous la probabilité risque neutre, elle devient dSₜ = rSₜdt + σSₜdW̃ₜ.
L’actif actualisé, défini comme le ratio entre le prix de l’actif et le numéraire sans risque, devient alors une martingale sous la mesure risque neutre. Cette propriété simplifie considérablement les calculs de valorisation.
Enveloppe de Snell et arrêt optimal
L’enveloppe de Snell résout les problèmes d’arrêt optimal, essentiels pour valoriser les options américaines. Pour un processus adapté et intégrable X, on définit une suite récursive : U_n = X_n, puis U_k = max{X_k, E[U_{k+1}|ℱ_k]} pour k < n.
Le temps d’arrêt optimal correspond au premier instant où exercer devient préférable à attendre : τ* = inf{k ≥ 0 | U_k = X_k}. L’enveloppe U possède des propriétés remarquables : elle forme une surmartingale, mais le processus arrêté en τ* devient une martingale.
Pour valoriser une option américaine, on cherche le supremum sur tous les temps d’arrêt possibles de l’espérance risque neutre du payoff actualisé. La méthode pratique consiste à construire un arbre et remonter par induction : à chaque nœud, on compare la valeur d’exercice immédiat à la valeur de continuation actualisée.
Un avantage majeur des arbres recombinants : à l’instant i, seulement i+1 valeurs possibles existent, contre 2^i pour un arbre non recombinant. Cette réduction drastique du nombre d’états accélère les calculs.
Applications pratiques, risques et ressources
Les méthodes de Monte-Carlo exploitent la loi des grands nombres pour approximer des valeurs d’options complexes. Lorsqu’aucune formule fermée n’existe, ces simulations fournissent des estimations numériques fiables en générant de nombreuses trajectoires aléatoires.
Le cadre Black-Scholes repose sur plusieurs hypothèses simplificatrices : les actifs sont divisibles à l’infini, le marché reste liquide en permanence, l’emprunt et la vente à découvert sont autorisés, aucun coût de transaction n’intervient, et on peut emprunter ou prêter au même taux constant.
Les sensibilités, appelées grecques, mesurent l’exposition aux différents facteurs de risque. Le delta indique la quantité d’actif risqué dans le portefeuille de couverture. Le gamma renseigne sur la fréquence des ajustements nécessaires : un gamma élevé implique des réajustements plus fréquents de la couverture.
Pour approfondir ces notions, plusieurs ressources pédagogiques structurent progressivement l’apprentissage. Des polycopiés couvrent le modèle binomial, les options américaines, puis le calcul stochastique continu avec le modèle Black-Scholes. D’autres supports détaillent le mouvement brownien, les martingales, l’intégration stochastique, la formule d’Itō et le théorème de Girsanov, souvent accompagnés de sujets d’examen pour s’entraîner.
Nous recommandons de commencer par maîtriser le modèle binomial discret avant d’aborder le temps continu. Cette progression permet d’assimiler les concepts fondamentaux comme la probabilité risque neutre et la duplication dans un cadre simple, avant de généraliser aux processus continus où la technicité mathématique s’accroît sensiblement.
FAQ
Qu’est-ce que le calcul stochastique ?
Qu’est-ce que le calcul stochastique ? C’est une extension du calcul différentiel aux processus aléatoires (ex. mouvement brownien), via intégrales stochastiques et EDS, très utilisée pour modéliser et valoriser en finance.
Comment calculer un indicateur stochastique ?
Comment calculer un indicateur stochastique ? On calcule %K = 100×(Clôture−PlusBas n)/(PlusHaut n−PlusBas n), puis %D comme une moyenne mobile de %K. Le paramètre n fixe la fenêtre d’observation.
Qu’est-ce que la stochastique ?
Qu’est-ce que la stochastique ? C’est l’étude des phénomènes aléatoires et des variables aléatoires, notamment via des processus stochastiques indexés par le temps, pour décrire des trajectoires et quantifier l’incertitude.
À quoi sert la filtration en calcul stochastique ?
À quoi sert la filtration en calcul stochastique ? La filtration représente l’information disponible au fil du temps, avec ℱs ⊂ ℱt si s ≤ t. Elle impose la notion de processus adapté, clé pour intégrer et pricer.
Quelle est la différence entre intégrale d’Itō et intégrale de Stratonovich ?
Quelle est la différence entre intégrale d’Itō et intégrale de Stratonovich ? L’intégrale d’Itō se construit à gauche et garde une espérance nulle avec un brownien adapté, Stratonovich utilise le point milieu et change les règles de calcul.
Pourquoi la mesure risque neutre est-elle centrale pour la valorisation des options ?
Pourquoi la mesure risque neutre est-elle centrale pour la valorisation des options ? La mesure risque neutre Q rend l’actif actualisé martingale, donc le prix est l’espérance actualisée du payoff. Girsanov justifie le passage de P à Q en modifiant la dérive.