Risque de modèle et calibration des options : explication
Découvrez d'où vient le risque de modèle des options, ce que prouve réellement une calibration, pourquoi les paramètres peuvent être instables et comment valider les prix et les grecques
Réponse directe
Le risque de modèle d'une option est la possibilité que la structure, les données, les paramètres, les calculs numériques ou un mauvais usage produisent un prix, une grecque ou une couverture trompeuse. La calibration ne trouve qu'un ajustement du modèle à certaines cotations ; elle ne prouve pas que le modèle est vrai ou prédictif
Un modèle est un outil de décision, pas la vérité du marché
Un modèle d'options transforme des hypothèses sur les trajectoires de prix, la volatilité, les taux, les dividendes et l'exercice en prix et en sensibilités
Cette carte peut être utile sans être littéralement vraie. Chaque modèle supprime des détails, et les détails omis peuvent compter différemment selon le strike, l'échéance ou le régime de marché
La question pratique n'est pas de savoir si un modèle est parfait. Il s'agit de savoir si ses simplifications sont suffisamment maîtrisées pour la décision, l'exposition et l'horizon temporel concernés
Le risque de modèle comporte plusieurs couches
Le risque de spécification vient du processus lui-même : une volatilité constante, des trajectoires continues, un seul facteur ou une corrélation fixe peuvent être inadaptés
Le risque lié aux données et aux paramètres inclut les cotations anciennes, les estimations fragiles des dividendes, les courbes de financement erronées et les coefficients instables. Le risque numérique comprend les grilles, les solveurs et les erreurs de code
Le risque d'utilisation apparaît lorsqu'un modèle conçu pour des options européennes liquides est appliqué à des barrières, des portefeuilles concentrés, des marchés sous tension ou des contrats soumis à d'autres règles d'exercice
La calibration est un problème inverse pondéré
La calibration choisit les paramètres qui réduisent les écarts entre les valeurs du modèle et certains prix de marché ou volatilités implicites sélectionnés
Le résultat dépend de l'ensemble de cotations, du traitement du spread acheteur-vendeur, de la métrique d'erreur, des pondérations, des bornes des paramètres, de l'optimiseur et du fait que les erreurs soient mesurées en unités de prix ou de volatilité
Un ajustement à l'intérieur du spread peut être économiquement acceptable, mais il n'identifie pas le processus qui génère les données. Le spread est une fourchette d'exécution, pas un certificat de vérité
Un bon ajustement peut masquer une identification faible
Différentes combinaisons de paramètres peuvent produire des prix presque identiques sur des strikes liquides. Leurs ailes extrapolées, leurs smiles à terme et leurs ratios de couverture peuvent toutefois diverger
C'est un problème d'identification : les contrats observés ne contiennent pas assez d'informations indépendantes pour déterminer précisément chaque paramètre
Vérifiez la stabilité des paramètres selon les dates, les valeurs initiales, les pondérations et les sous-ensembles de cotations. Une forte variation avec une faible amélioration des prix indique une interprétation fragile
La validation doit sortir de l'échantillon de calibration
Revalorisez les strikes et échéances mis de côté, comparez les erreurs aux largeurs des spreads acheteur-vendeur et répétez l'exercice hors période plutôt que sur un seul instantané favorable
La validation des prix seule est incomplète. Testez les grecques, les réponses aux scénarios, le gain/perte de couverture et le comportement près des frontières, car une petite erreur de prix peut coexister avec une grande erreur de sensibilité
Des contrôles indépendants de l'implémentation et des instruments de référence aident à séparer les limites du modèle des erreurs de code, de convention et de chaîne de données
Comparer les modèles transforme l'incertitude en fourchette
Ajustez plusieurs modèles défendables, faites varier les choix de calibration et soumettez à des scénarios de stress les paramètres mal identifiés. La dispersion révèle les décisions qui dépendent d'une seule spécification commode
Pour une option vanille liquide, les cotations de marché peuvent dominer les différences entre modèles. Pour une aile exotique ou illiquide, la dispersion des modèles peut devenir une réserve de valorisation importante
Présentez une valeur centrale avec ses hypothèses, ses alternatives et ses conditions d'échec. Une fourchette est souvent plus honnête et plus exploitable que des décimales supplémentaires
La gouvernance rend l'incertitude visible
Consignez la version du modèle, les données d'entrée, les horodatages, les conventions, les pondérations de l'objectif, les erreurs d'ajustement et les dérogations afin qu'un autre examinateur puisse reproduire le résultat
Mettez en place une validation indépendante, des limites d'approbation, des limites d'exposition et des méthodes de repli. Une recalibration doit déclencher une revue lorsque les paramètres ou les résidus évoluent anormalement
Enfin, séparez une valeur de modèle d'une cotation exécutable. La liquidité, la taille, le spread, l'impact de marché, le financement et les conditions de contrepartie peuvent dominer la différence théorique
Questions fréquentes
Qu'est-ce que le risque de modèle des options ?
C'est le risque que la structure, les données d'entrée, les paramètres, les calculs numériques ou l'utilisation d'un modèle produisent des résultats de valorisation, de sensibilité ou de couverture matériellement trompeurs
La calibration est-elle la même chose que la prévision ?
Non. La calibration explique un instantané de marché sélectionné dans le cadre d'un modèle, tandis que la prévision demande comment les prix ou les états évolueront après cet instantané
Pourquoi deux modèles calibrés peuvent-ils donner des prix différents ?
Ils peuvent ajuster de manière similaire les instruments liquides tout en imposant des dynamiques différentes de trajectoire, de queue, de volatilité ou de corrélation à un contrat non coté
Comment réduire le risque de modèle ?
Utilisez des données propres, une calibration stable, des tests sur données mises de côté, une validation indépendante, des modèles alternatifs, des stress tests de paramètres, des limites claires et des enregistrements reproductibles