Simulation de Monte-Carlo pour la valorisation des options expliquée
Découvrez comment la valorisation Monte-Carlo des options transforme des trajectoires simulées sous la mesure risque-neutre en une valeur, comment se comporte l'erreur d'échantillonnage et comment traiter la dépendance au chemin et l'exercice anticipé
Réponse directe
La valorisation d'options par Monte-Carlo simule des trajectoires selon un modèle choisi, calcule et actualise chaque gain, puis en fait la moyenne. Elle estime la valeur de ce modèle avec une erreur d'échantillonnage ; elle ne découvre pas le véritable processus de marché
La valorisation devient une espérance actualisée
Dans un modèle risque-neutre choisi, la valeur d'un produit dérivé réplicable peut s'écrire comme la valeur actuelle du gain futur moyenné sur les états du modèle
Une intégration sous forme fermée est disponible pour certaines créances simples. Monte- Carlo remplace une intégrale impossible à traiter par une moyenne d'échantillon générée à partir de nombres aléatoires
La méthode est flexible parce que le gain peut dépendre de plusieurs actifs, dates, moyennes, barrières ou autres caractéristiques de trajectoire sans nécessiter une nouvelle formule pour chaque créance
Les trajectoires doivent suivre le modèle de valorisation
Choisissez la dynamique des facteurs sous-jacents, puis simulez leurs incréments d'aujourd'hui jusqu'aux dates d'observation et de paiement pertinentes
Sous la mesure de valorisation, la dérive utilise le coût de portage du modèle plutôt qu'une prévision directionnelle de l'analyste. Corrélations, dividendes, taux et dynamique de volatilité doivent être cohérents
La discrétisation temporelle introduit un biais lorsqu'un processus continu est approché sur une grille. Les barrières, les sauts et une volatilité qui varie rapidement peuvent exiger des pas plus fins ou spécialisés
Chaque trajectoire produit un gain actualisé
Pour un call européen, chaque trajectoire n'a besoin que de son prix terminal : le gain est la partie positive du prix terminal diminué du strike
Une option asiatique nécessite aussi des moyennes échantillonnées ; une barrière doit savoir si un niveau a été franchi ; un panier nécessite de simuler conjointement ses composantes
Faites la moyenne des gains actualisés des trajectoires pour obtenir l'estimateur. Le calendrier de paiement et les facteurs d'actualisation doivent correspondre au contrat, plutôt qu'être appliqués après coup à la fin
L'erreur d'échantillonnage est mesurable, mais n'est pas une erreur de modèle
Comme un échantillon fini est aléatoire, une autre graine aléatoire donne une estimation légèrement différente. L'erreur standard diminue approximativement avec la racine carrée du nombre de trajectoires
Multiplier le nombre de trajectoires par cent réduit donc l'erreur d'échantillonnage ordinaire d'environ dix fois, et non cent fois. La précision devient de plus en plus coûteuse
Un intervalle de confiance décrit l'incertitude de la moyenne d'échantillon selon le modèle codé. Il n'inclut ni une mauvaise dynamique, ni des entrées erronées, ni la discrétisation, ni les bogues d'implémentation
La réduction de variance achète davantage de précision par trajectoire
Les variables antithétiques associent des chocs opposés. Une variable de contrôle utilise un gain lié dont la valeur est connue pour supprimer une partie du bruit commun
La stratification, les séquences quasi-aléatoires, le conditionnement et les nombres aléatoires communs peuvent aussi aider. Leur bénéfice dépend de la régularité du gain, de la dimension et de l'implémentation
Indiquez la technique avec l'estimation de l'erreur. Un chiffre apparemment stable sans référence indépendante peut masquer un biais plutôt qu'une meilleure précision
L'exercice anticipé nécessite une décision de continuation
Une simulation directe vers l'avant valorise naturellement les gains déterminés à maturité, mais une option américaine compare l'exercice immédiat à la valeur de la continuation à plusieurs dates
Longstaff–Schwartz estime la valeur de continuation en régressant des flux ultérieurs actualisés sur des fonctions de l'état courant, puis applique une règle d'exercice en remontant dans le temps
Le résultat dépend des fonctions de base, des trajectoires, des dates d'exercice et des variables d'état. Une mauvaise régression peut biaiser la politique même lorsque la simulation terminale est correcte
La validation nécessite plusieurs contrôles de convergence
Commencez par reproduire un contrat avec une formule fermée fiable ou une méthode numérique indépendante. Faites ensuite varier le nombre de trajectoires, le pas de temps, la graine et les paramètres de réduction de variance
Suivez séparément l'estimation, l'erreur standard, le temps d'exécution et la tendance de discrétisation. Plus de trajectoires réduisent le bruit d'échantillonnage, mais ne réparent pas une grille temporelle ou un modèle biaisé
Pour une utilisation en production, figez les conventions, testez les cas limites, enregistrez les graines et les versions et comparez les Greeks aussi bien que les prix. La reproductibilité fait partie de la valorisation
Questions fréquentes
Combien de trajectoires Monte-Carlo faut-il ?
Il n'existe pas de nombre universel. Utilisez une erreur standard publiée, la convergence sur des échantillons plus importants et une tolérance adaptée à la décision
Monte-Carlo prédit-il le futur prix de l'action ?
Non. Les trajectoires de valorisation échantillonnent un modèle risque-neutre choisi pour valoriser les gains ; elles ne constituent pas des prévisions de l'unique trajectoire réelle qui se produira
Pourquoi Monte-Carlo converge-t-il lentement ?
L'erreur d'échantillonnage ordinaire diminue approximativement comme l'inverse de la racine carrée du nombre de trajectoires ; chaque décimale supplémentaire de précision peut donc nécessiter beaucoup plus de calculs
Monte-Carlo peut-il valoriser les options américaines ?
Oui, mais une simple moyenne terminale ne suffit pas. Des méthodes comme Longstaff–Schwartz estiment la valeur de continuation et une politique d'exercice en remontant dans le temps