Risk-indifference Pricing of American-style Contingent Claims

Cet article propose une définition générale des prix d'indifférence pour les options américaines dans un cadre à information asymétrique, caractérisant ces prix par des équations différentielles stochastiques réfléchies doubles qui servent de fondement à des méthodes numériques basées sur l'apprentissage profond.

L'essentiel

Imaginez que vous êtes dans une grande foire aux enchères, mais au lieu d'enchérir sur des tableaux, vous enchérissez sur des promesses financières complexes appelées options américaines.

Ce papier de recherche est comme un guide pour déterminer le prix juste de ces promesses, en tenant compte d'une réalité souvent oubliée : le vendeur et l'acheteur ne voient pas la même chose, et ils ne sont pas d'accord sur le risque.

Voici l'explication de ce travail, découpée en concepts simples avec des analogies du quotidien.

1. Le Problème : Qui décide du moment de la vente ?

Une option américaine est un peu comme un ticket de parking flexible.

• L'acheteur (le client) a le droit de l'utiliser n'importe quand avant l'expiration. C'est lui qui décide du moment.
• Le vendeur (la banque) doit être prêt à payer à n'importe quel moment où le client choisit d'exercer son droit.

Le problème, c'est que le vendeur ne sait pas quand le client va frapper à la porte. C'est comme si vous deviez vendre un gâteau, mais le client peut venir le chercher à n'importe quelle heure de la journée, et vous ne savez pas s'il viendra à 14h ou à 18h. Comment fixer un prix équitable dans cette incertitude ?

2. La Solution : Le concept de "L'Indifférence"

Au lieu de chercher un prix unique imposé par le marché (ce qui est impossible quand le marché est imparfait), les auteurs utilisent une idée appelée l'indifférence.

Imaginez que vous êtes un vendeur. Vous vous posez cette question :

"À quel prix dois-je vendre ce ticket pour être exactement aussi heureux (ou aussi inquiet) que si je ne le vendais pas du tout ?"

• Si le prix est trop bas, vous êtes indifférent entre vendre et garder votre argent, mais vous prenez un risque inutile.
• Si le prix est trop haut, vous vous dites : "Je préfère ne pas vendre, c'est trop risqué pour ce prix."
• Le prix d'indifférence est le point exact où vous vous dites : "Bon, vendre ou ne pas vendre, c'est pareil pour mon portefeuille."

Le papier calcule ce point de bascule pour l'acheteur et pour le vendeur. Souvent, le vendeur veut un prix plus élevé (pour se protéger) et l'acheteur un prix plus bas. La différence entre les deux est la marge (comme l'écart entre le prix d'achat et de vente d'une action).

3. L'Innovation : Le "Risque Dynamique" et les "Miroirs"

C'est ici que ça devient technique, mais restons simples.

Dans le passé, les mathématiciens utilisaient des formules fixes. Mais ici, les auteurs utilisent des mesures de risque dynamiques.

• L'analogie du parapluie : Imaginez que vous marchez sous la pluie. Si vous avez un parapluie (votre stratégie de couverture), vous êtes protégé. Mais si la pluie change d'intensité (volatilité du marché), votre parapluie doit s'adapter.
• Les auteurs disent : "Ne regardons pas seulement le risque à la fin, regardons comment le risque évolue à chaque instant, même après que le client ait exercé son option."

Le concept clé : Le "Miroir" (BSDE-R-BSDE)
Le papier introduit une structure mathématique complexe appelée "Équation Différentielle Stochastique Réfléchie".

• Imaginez une balle qui rebondit sur un sol.
• Le sol n'est pas fixe. C'est une autre équation qui bouge en temps réel.
• La balle (le prix de l'option) rebondit sur ce sol mobile.
• Pourquoi ? Parce que même après que le client ait exercé son option, le vendeur doit continuer à gérer le risque jusqu'à la fin du contrat. Le "sol" représente le risque résiduel de cette période.

C'est comme si vous deviez sauter sur un trampoline dont le ressort change de dureté à chaque seconde. Le papier dit : "Voici comment calculer exactement où la balle va rebondir."

4. L'Intelligence Artificielle : Le Super-Cerveau

Ces équations sont si complexes que les ordinateurs classiques ne peuvent pas les résoudre directement. C'est comme essayer de prédire la trajectoire de millions de gouttes de pluie en même temps.

Les auteurs utilisent donc l'Apprentissage Profond (Deep Learning), une forme d'intelligence artificielle.

• L'analogie : Imaginez un enfant qui apprend à faire du vélo. Au début, il tombe souvent. Mais à force d'essayer, de corriger son équilibre et d'apprendre de ses erreurs, il devient un champion.
• L'ordinateur fait pareil. Il simule des milliers de scénarios de marché, "tombe" (fait des erreurs de calcul), ajuste ses "neurones" (ses paramètres), et finit par trouver la trajectoire parfaite du prix de l'option.

5. Le Résultat : Un exemple concret

Pour priquer leur théorie, les auteurs ont simulé le prix d'une option de vente américaine (le droit de vendre une action à un prix fixe).

• Ils ont comparé le prix que l'acheteur est prêt à payer et celui que le vendeur exige.
• Ils ont découvert que l'écart entre les deux est faible en valeur absolue (ce qui est rassurant pour le marché), mais visible quand on regarde la "volatilité implicite" (une mesure de la peur du marché).
• Ils ont montré que leur méthode, aidée par l'IA, donne des résultats précis et rapides, là où les anciennes méthodes étaient lentes ou imprécises.

En résumé

Ce papier est une recette de cuisine pour cuisiner un prix équitable pour des produits financiers complexes :

1. Ingrédients : Des mesures de risque modernes qui s'adaptent en temps réel.
2. Méthode : Une équation mathématique où le prix rebondit sur un "plafond" qui bouge aussi (le risque futur).
3. Outil de cuisson : Une intelligence artificielle puissante qui simule des milliers de scénarios pour trouver la solution exacte.

C'est un pont entre la théorie financière pure, la gestion des risques et la puissance de l'intelligence artificielle moderne.

Résumé technique

Résumé Technique : Prix d'indifférence pour les claims contingents de style américain

1. Problématique et Contexte

Le prix des options de style américain (exercables à tout moment avant l'échéance) reste un défi majeur en finance mathématique, particulièrement dans des marchés incomplets où le principe d'absence d'arbitrage ne fournit qu'un intervalle de prix (bornes de couverture) souvent trop large pour être pratique.

L'article se concentre sur le prix d'indifférence (indifference pricing), une approche qui détermine le prix auquel un agent (acheteur ou vendeur) est indifférent entre détenir le claim et ne pas le détenir, tout en optimisant sa stratégie de couverture sur le marché sous-jacent.

Les défis spécifiques abordés dans ce papier sont :

• Asymétrie d'information : La prise en compte de filtrations différentes pour l'acheteur et le vendeur (l'acheteur connaît son temps d'exercice optimal, le vendeur non).
• Nature du risque : L'utilisation de mesures de risque convexes dynamiques (plutôt que de l'utilité espérée classique) pour évaluer le risque résiduel après couverture.
• Complexité mathématique : La nécessité de caractériser ces prix dans des modèles à volatilité stochastique, où la couverture ne peut pas éliminer totalement le risque.

2. Méthodologie

A. Cadre Général et Définitions
Les auteurs définissent rigoureusement les prix d'indifférence pour l'acheteur et le vendeur dans un cadre continu, en utilisant des mesures de risque convexes dynamiques et fortement cohérentes dans le temps ($\rho_{s,t}$).

• Prix du Vendeur ($P^{sell}_t$) : C'est le problème le plus complexe car le vendeur ne connaît pas le temps d'exercice $\tau$ choisi par l'acheteur. Le vendeur doit minimiser le risque sur l'ensemble des stratégies de couverture admissibles, tout en considérant le pire cas sur l'ensemble des temps d'arrêt possibles de l'acheteur.

  • Une innovation clé est la définition de fonctions de sélection de stratégie ($H'_{sell}$). Ces fonctions permettent au vendeur de choisir une stratégie de couverture qui s'adapte à la réalisation du temps d'exercice observé, sans anticiper le temps d'arrêt en tant que variable aléatoire (non-anticipation).
  • Le prix est donné par : $P^{sell}_t = \text{essinf}_{H} \text{esssup}_{\tau} \rho_{t,T}(\text{Risque Résiduel})$.

• Prix de l'Acheteur ($P^{buy}_t$) : L'acheteur choisit à la fois le temps d'exercice optimal $\tau$ et la stratégie de couverture pour minimiser son risque.

  • Le prix est donné par : $P^{buy}_t = \hat{\rho}_{t,T}(0) - \text{essinf}_{\tau} \hat{\rho}_{t,T}(\xi_\tau)$.

B. Modélisation Spécifique : Volatilité Stochastique
L'article se spécialise ensuite dans les modèles à volatilité stochastique (modèle de type Heston ou arctangente). Dans ce cadre, les mesures de risque sont définies via des solutions d'Équations Différentielles Stochastiques Rétrogrades (EDSR/BSDE).

• Résultat Principal (Théorème 3.8 et 3.10) : Les auteurs montrent que les prix d'indifférence peuvent être caractérisés par des systèmes d'EDSR réfléchies sur des EDSR (BSDE-R-BSDE).
  • Le prix du vendeur est la différence entre deux composantes d'un système couplé : une EDSR réfléchie ($\check{R}$) dont la barrière de réflexion est elle-même la solution d'une autre EDSR ($Y$).
  • Interprétation économique de la barrière : La barrière de réflexion n'est pas simplement la valeur d'exercice du claim ($\xi$), mais $\xi + Y$, où $Y$ représente le risque résiduel (couvert) de détenir un contrat nul entre le moment de l'exercice et l'échéance. Cela capture le fait que le risque de marché persiste même après l'exercice de l'option.

C. Résolution Numérique par Deep Learning
La résolution analytique de ces systèmes BSDE-R-BSDE est impossible en dimensions supérieures. Les auteurs utilisent des méthodes d'apprentissage profond (Deep Learning) :

• Algorithme : Ils emploient la méthode RDBDP (Reflected Deep Backward Dynamic Programming) développée par Huré, Pham et Warin.
• Implémentation : Un réseau de neurones profond est utilisé pour approximer les composantes de la solution (la valeur et les gradients) en résolvant le problème de manière rétrograde à partir de l'échéance $T$.
• Avantage : Cette approche permet de traiter des problèmes de haute dimension (ici 4 dimensions : $S_t, V_t$ et les composantes de la BSDE) là où les méthodes de différences finies classiques échouent.

3. Résultats Clés

1. Caractérisation Théorique : Établissement d'une définition rigoureuse des prix d'indifférence pour les options américaines dans un cadre de mesures de risque dynamiques, en résolvant le problème de l'asymétrie d'information via des stratégies de sélection non anticipatives.
2. Structure BSDE-R-BSDE : Démonstration que dans un modèle à volatilité stochastique, le prix d'indifférence est la solution d'un système où la barrière de réflexion est dynamique et déterminée par une EDSR séparée. Cela modélise explicitement le risque résiduel post-exercice.
3. Absence d'Arbitrage : Preuve que les prix définis respectent les principes d'absence d'arbitrage pour l'acheteur et le vendeur, même avec des filtrations différentes.
4. Validation Numérique :
   • Application à une option de vente (put) américaine dans un modèle à volatilité stochastique.
   • Les résultats montrent un écart (spread) très faible entre le prix d'achat et de vente, justifiant l'interprétation de ces prix comme des prix bid/ask de marché.
   • Les volatilités implicites déduites présentent un "smile" typique observé sur les marchés réels.
   • La différence entre les prix européens et américains est plus significative que l'écart acheteur/vendeur, confirmant la valeur du droit d'exercice anticipé.

4. Contributions et Signification

• Innovation Théorique : C'est l'une des premières études à appliquer les mesures de risque convexes dynamiques (plutôt que l'utilité) aux options américaines, en traitant correctement l'asymétrie d'information entre l'acheteur (qui exerce) et le vendeur (qui doit couvrir sans connaître le moment exact).
• Lien avec la Pratique Industrielle : L'utilisation de mesures de risque (standard réglementaire, ex. Bâle III/IV) plutôt que de l'utilité espérée rend le cadre plus pertinent pour les institutions financières.
• Avancée Numérique : L'intégration réussie des méthodes de Deep Learning (RDBDP) pour résoudre des systèmes complexes de BSDE réfléchies ouvre la voie au pricing d'options américaines exotiques dans des modèles de volatilité stochastique complexes, là où les méthodes traditionnelles sont limitées par la "malédiction de la dimension".
• Interprétation Économique : La découverte que la barrière de réflexion inclut le risque du "contrat nul" post-exercice offre une nouvelle perspective sur la gestion du risque dans les modèles incomplets : le risque ne disparaît pas à l'exercice, il se transforme en risque de position résiduelle.

En conclusion, cet article fournit un cadre mathématique robuste et une méthode de calcul pratique pour évaluer les options américaines dans des marchés incomplets, en combinant la théorie avancée des EDSR réfléchies avec les techniques modernes d'intelligence artificielle.