Mouvement brownien et Black-Scholes · Essentiel · 7 min
Pricing par Monte-Carlo
Objectif: Expliquer le principe de Monte-Carlo, son erreur d'estimation et un exemple de pricing.
Avant de continuer
Il faut connaître le brownien géométrique et le principe de pricing sous mesure risque-neutre.
Vocabulaire
- Trajectoire simulée (path)
- Une réalisation numérique complète de l'évolution du sous-jacent, générée en tirant des nombres aléatoires.
Intuition
Quand une formule fermée comme Black-Scholes n'existe pas (produit complexe, plusieurs sous-jacents corrélés), on peut simuler des milliers de futurs possibles du marché, calculer le payoff de l'option dans chacun, et faire la moyenne : c'est le principe de Monte-Carlo, une force brute statistique plutôt qu'une résolution mathématique exacte.
Définition
Le pricing par Monte-Carlo consiste à (1) simuler N trajectoires indépendantes du sous-jacent sous la mesure risque-neutre (donc avec drift = r, pas le vrai drift), (2) calculer le payoff de l'option pour chaque trajectoire, (3) actualiser chaque payoff au taux sans risque, et (4) faire la moyenne des N valeurs actualisées, qui converge vers le vrai prix quand N → ∞.
Utilité
Le Monte-Carlo est indispensable dès qu'aucune formule fermée n'existe : options sur panier de plusieurs actifs corrélés (M09), options path-dependent (barrières, M10), produits structurés complexes (M11) — sa flexibilité compense sa lenteur relative.
Exemple concret
Pour pricer un call européen classique (qui a pourtant une formule fermée, à titre pédagogique) : S0=100, K=100, r=3%, σ=20%, T=1 an. Avec seulement 5 tirages Z=0,5 ; −1,0 ; 1,5 ; −0,5 ; 0,2 et S_T=100×exp[(0,03−0,02)+0,20×Z], on obtient S_T=111,63 ; 82,70 ; 136,34 ; 91,39 ; 105,13, soit des payoffs max(S_T−100,0)=11,63 ; 0 ; 36,34 ; 0 ; 5,13. Moyenne=10,62, actualisée par e^{−0,03}=0,9704 → Ĉ≈10,31. Le prix Black-Scholes exact est 9,42 : avec seulement 5 trajectoires, l'estimation reste bruitée (écart de +9%), illustrant pourquoi il faut typiquement des dizaines de milliers de trajectoires pour converger précisément.
Toujours bloqué ? Une autre façon de voir les choses
Pensez à estimer la probabilité qu'une pièce tombe sur pile en la lançant seulement 10 fois (résultat peu fiable) contre 1 million de fois (résultat très fiable, proche de 50%). Le Monte-Carlo applique exactement cette logique : plus on "lance" de trajectoires simulées, plus l'estimation du prix moyen se rapproche de la vraie valeur, à une vitesse prévisible.
Formule indispensable
Variables, unités et hypothèses
- — Prix estimé par Monte-Carlo : moyenne des payoffs actualisés sur N trajectoires
- — Valeur simulée du sous-jacent à maturité sur la trajectoire i, sous la mesure risque-neutre
- — Écart-type estimé des payoffs actualisés simulés
- — Nombre de trajectoires simulées
Hypothèses: Trajectoires simulées indépendantes et identiquement distribuées (théorème central limite).
Unités: Même unité que le prix de l'option.
Exemple concret: σ̂=15, N=10 000 : erreur standard ≈ 15/100 = 0,15 (l'estimation du prix a une incertitude d'environ ±0,15). Avec seulement N=5 (notre exemple), l'erreur standard est bien plus grande, d'où l'écart de +9% observé par rapport au prix exact 9,42.
Calcul détaillé
1) Simuler N trajectoires de S_T sous la mesure risque-neutre (drift=r) : ici N=5, avec les tirages Z listés ci-dessus. 2) Calculer le payoff actualisé de chaque trajectoire. 3) Calculer la moyenne (l'estimation du prix, 10,31) et l'écart-type de ces N valeurs. 4) L'erreur standard de l'estimation = écart-type / √N — pour diviser l'erreur par 2, il faut multiplier N par 4 : passer de N=5 à N=100 000 réduit l'erreur standard d'un facteur √20 000≈141.
Interprétation
La convergence en 1/√N est lente : quadrupler le nombre de simulations ne fait que diviser l'erreur par 2. C'est pourquoi des techniques de réduction de variance (variables antithétiques, variables de contrôle) sont couramment utilisées en pratique pour accélérer la convergence sans exploser le temps de calcul.
Pièges
Simuler sous la mesure réelle (avec le vrai drift μ estimé de l'actif) au lieu de la mesure risque-neutre (drift=r) : une erreur qui fausse complètement le prix obtenu. Autre piège : croire qu'un grand nombre de simulations élimine toute incertitude — il reste toujours une erreur statistique résiduelle, juste plus petite, jamais nulle.
Application métier
Un desk exotiques utilise le Monte-Carlo au quotidien pour pricer et couvrir tout produit sans formule fermée (paniers, autocalls, barrières complexes) : le compromis central pour la production quotidienne est le nombre de trajectoires utilisé, arbitrant entre précision du prix (erreur standard) et temps de calcul disponible avant l'ouverture des marchés ou la validation d'un trade.
Question d'entretien (en anglais)
Q.You run a Monte-Carlo pricer with 10,000 paths and get a standard error of 0.15. Your manager wants the error down to 0.05. How many paths do you need, and why can't you just add a few more?
Voir une réponse modèle
A.Standard error scales as 1 over the square root of N, so to cut it by a factor of 3 (from 0.15 to 0.05), I need to multiply N by 3 squared, which is 9 — so about 90,000 paths, not just a small increase. This is the classic slow-convergence problem with Monte-Carlo: doubling your paths only reduces the error by a factor of about 1.4, not 2. If computation time is a real constraint, I wouldn't just brute-force more paths — I'd reach for variance-reduction techniques like antithetic variates or control variates, which can meaningfully shrink the error for a given N without needing to simulate proportionally more paths.
Trois points à retenir
- 1Simuler sous la mesure RISQUE-NEUTRE (drift=r), calculer le payoff, actualiser, moyenner sur N trajectoires.
- 2L'erreur standard décroît en 1/√N : une convergence lente qui motive les techniques de réduction de variance.
- 3Indispensable dès qu'aucune formule fermée n'existe (paniers, path-dependent, produits structurés).
Approfondir / démonstration
Pour un produit path-dependent (M10), il faut simuler la trajectoire complète, pas seulement S_T : discrétiser [0,T] en pas Δt, et à chaque pas mettre à jour S_{t+Δt} = S_t × exp[(r−σ²/2)Δt + σ√Δt × Z], Z~N(0,1) — l'application directe du brownien géométrique (M06-2) sous mesure risque-neutre. Les techniques de réduction de variance courantes incluent les variables antithétiques (simuler aussi la trajectoire avec −Z pour chaque Z tiré, ce qui réduit la variance de l'estimateur moyen sans biais) et les variables de contrôle (utiliser un instrument similaire au prix fermé connu, comme un call vanille, pour corriger l'estimation d'un produit plus complexe).