L’approximation de point selle dans la valorisation des options
Comprenez l’équation du point selle, les approximations de densité et de queue, le tilt exponentiel, les applications à la valorisation des options et les contrôles numériques importants
Réponse directe
L’approximation de point selle utilise la fonction génératrice des cumulants pour incliner une distribution vers un résultat cible, puis y applique une correction gaussienne locale. Elle estime souvent avec précision les densités et les probabilités de queue, mais seulement lorsque la fonction génératrice des moments et le point selle sont valides
Le point cible choisit l’inclinaison
Soit M(t)=E[e^{tX}] la fonction génératrice des moments et K(t)=log M(t) la fonction génératrice des cumulants
Pour une cible x, résolvez l’équation du point selle K′(t̂)=x ; la solution t̂ sélectionne le tilt exponentiel centré près de x
Contrairement à une approximation normale fixée sur la moyenne initiale, le calcul reconstruit son approximation locale pour chaque cible
La densité comporte un terme exponentiel et un terme local
Une forme courante de la densité est f_X(x)≈exp[K(t̂)−t̂x]/√(2πK″(t̂)), avec des ajustements d’échelle pour les sommes ou les moyennes
L’exposant mesure le coût du déplacement vers x, tandis que K″(t̂) fournit la courbure locale et la normalisation gaussienne
Cette structure relie les méthodes de point selle au tilt exponentiel, à la descente la plus raide et aux fonctions de taux des grandes déviations
Les probabilités de queue nécessitent une formule affinée
Intégrer naïvement une densité approximative peut faire perdre de la précision, notamment lorsque l’événement est très éloigné de la moyenne
L’approximation de Lugannani–Rice utilise les quantités transformées w et u pour corriger directement une queue normale
Sa singularité apparente près de t̂=0 nécessite une formule limite ou un développement stable, plutôt qu’une évaluation littérale de termes qui s’annulent
Les options peuvent être construites à partir de queues inclinées
Un call européen peut être exprimé par des espérances de queue actualisées ; les approximations de point selle peuvent donc cibler les probabilités d’exercice et les moments tronqués
Les cumulants doivent appartenir à la variable sous la mesure risque-neutre effectivement utilisée, en conservant des conventions cohérentes pour le forward, l’actualisation et le payoff
On peut aussi intégrer la densité approximée, mais il faut contrôler la normalisation et la moyenne martingale au lieu de les supposer
L’existence est la première question numérique
La fonction génératrice des moments doit être finie autour de t̂, K doit être suffisamment régulière et convexe, et K″(t̂) doit être positif
Une explosion des moments peut placer un prix d’exercice demandé au-delà du domaine de transformée, tandis que des atomes ou des frontières peuvent invalider l’approximation par densité régulière
La recherche de racine échoue aussi lorsque la cible est inatteignable, que la dérivée est mal mise à l’échelle ou que plusieurs branches numériques sont prises pour des solutions valides
La précision n’est pas l’admissibilité
Même une petite erreur ponctuelle de densité peut produire des probabilités négatives, une fonction de répartition non monotone ou une moyenne terminale incohérente avec le forward
Une fois l’approximation assemblée, les prix d’options doivent toujours respecter les bornes, la parité put-call, la monotonie par rapport au prix d’exercice et la convexité par rapport au prix d’exercice
Pour une bande de prix d’exercice, inspectez ensemble la courbe de prix obtenue au lieu d’accepter chaque résolution de racine réussie indépendamment
Une implémentation rigoureuse se contrôle elle-même
Vérifiez K(0)=0, K′(0) par rapport à la moyenne, K″(0) par rapport à la variance, ainsi que les dérivées numériques par rapport aux dérivées analytiques ou automatiques
Comparez les densités, les queues de fonction de répartition, les moments tronqués et les prix d’options avec une quadrature, une inversion de Fourier ou une simulation de Monte-Carlo sur des prix centraux et éloignés
Consignez le domaine de transformation, l’intervalle de recherche de la racine, le résidu, la courbure, le traitement proche de la moyenne et les diagnostics d’arbitrage finaux pour permettre une calibration reproductible
Questions fréquentes
Qu’est-ce qu’une approximation de point selle ?
C’est une méthode asymptotique qui combine un tilt exponentiel vers une cible avec une correction de courbure dérivée de la fonction génératrice des cumulants
Pourquoi peut-elle bien fonctionner dans les queues ?
Elle centre une nouvelle approximation locale près de chaque cible au lieu de prolonger vers l’extérieur une seule approximation gaussienne construite autour de la moyenne initiale
Que se passe-t-il lorsque le point selle est proche de zéro ?
C’est le cas proche de la moyenne, où les formules contenant des termes 1/w et 1/u qui s’annulent nécessitent un développement limite stable
Un point selle valide garantit-il des prix d’options valides ?
Non. Les prix assemblés doivent encore respecter les probabilités, le forward risque-neutre, les bornes de prix, la parité, la monotonie et la convexité