Pricing Options on Forwards in Function-Valued Affine Stochastic Volatility Models

Cet article propose des formules de tarification semi-fermées basées sur la transformée de Fourier pour les options européennes sur contrats à terme, en utilisant des modèles de volatilité stochastique affines à valeurs fonctionnelles qui intègrent à la fois des processus de Wishart gaussiens et des modèles à sauts purs dans le cadre de Heath-Jarrow-Morton-Musiela.

L'essentiel

Imaginez que vous êtes un chef cuisinier dans un immense restaurant appelé « Marché des Futures ». Votre tâche est de vendre des plats (des options) qui permettront aux clients de manger un ingrédient spécifique (du pétrole, du blé, de l'électricité) à une date précise dans le futur.

Le problème ? Le prix de ces ingrédients change tout le temps, de manière imprévisible. Parfois, il bouge doucement comme une rivière calme, parfois il fait des bonds soudains comme un saumon qui saute hors de l'eau. De plus, la « turbulence » de l'eau (la volatilité) change aussi : il y a des jours calmes et des jours de tempête.

C'est là que cette recherche intervient. Elle propose une nouvelle façon de prédire le prix de ces plats futurs avec une précision mathématique, même dans des conditions de marché très complexes.

Voici comment ils y arrivent, expliqué simplement :

1. Le problème : Une forêt infinie d'arbres

Dans les marchés traditionnels, on regarde souvent un seul arbre (un prix pour une date précise). Mais en réalité, le marché ressemble à une forêt infinie où chaque arbre représente un prix pour une date différente (demain, dans un mois, dans un an, etc.).

Les auteurs utilisent un cadre mathématique appelé HJMM (comme un GPS très sophistiqué) pour modéliser cette forêt entière d'un coup, au lieu de regarder arbre par arbre. Ils ne regardent pas juste un point, mais toute la courbe des prix.

2. Les deux moteurs de la tempête (La Volatilité)

Pour prédire l'avenir, il faut comprendre comment la « turbulence » (la volatilité) se comporte. L'article propose deux types de moteurs pour simuler cette turbulence :

• Le moteur « Sauts de Puce » (Modèle à sauts purs) :
  Imaginez que le marché est calme, puis soudain, une nouvelle (une guerre, une sécheresse) fait sauter les prix comme des puces. Ce modèle est conçu pour capturer ces chocs brutaux. Il utilise des mathématiques avancées pour dire : « Si une telle tempête arrive, voici comment le prix va réagir ». C'est comme avoir un détecteur de tremblement de terre qui vous dit exactement où construire votre maison pour qu'elle résiste.

• Le moteur « Nuage de Moustiques » (Modèle Wishart) :
  Parfois, le marché ne fait pas de gros sauts, mais il y a une multitude de petits mouvements qui s'entremêlent, comme un essaim de moustiques. Ce modèle utilise une structure mathématique appelée « Wishart » (un peu comme un nuage de points en 3D) pour suivre comment ces petits mouvements interagissent entre eux. C'est très utile pour comprendre la structure fine du marché sans être submergé par le chaos.

3. La recette magique : Les formules semi-fermées

Avant, pour calculer le prix de ces options dans un monde aussi complexe, il fallait faire des millions de simulations informatiques (comme lancer des dés des millions de fois pour deviner le résultat). C'était lent et coûteux.

Les auteurs ont trouvé une recette magique (des formules semi-fermées).

• L'analogie : Au lieu de cuisiner chaque plat individuellement en goûtant à chaque étape (simulation), ils ont trouvé une équation qui vous donne le goût final instantanément, comme une machine à café qui fait le café parfait en une seconde.
• Ils utilisent une technique appelée transformée de Fourier (un peu comme un prisme qui décompose la lumière blanche en couleurs). Ici, ils décomposent le problème complexe en une somme de mouvements simples qu'ils peuvent calculer très vite.

4. Pourquoi c'est génial ?

• Rapidité : Là où un ordinateur mettait des heures à faire des millions de simulations, la nouvelle méthode le fait en quelques secondes.
• Précision : Ils ont prouvé mathématiquement que leur recette donne le même résultat que les simulations lentes, mais beaucoup plus vite.
• Flexibilité : Que le marché soit calme, turbulent, ou qu'il y ait des chocs soudains, leur méthode s'adapte.

En résumé

Cette équipe de chercheurs a inventé un nouveau radar pour le marché financier. Au lieu de regarder une seule ligne de prix, ils regardent toute la courbe des prix futurs comme un tableau vivant. Ils ont créé deux types de moteurs (l'un pour les chocs brutaux, l'autre pour les mouvements complexes) et une méthode de calcul ultra-rapide pour dire aux traders : « Voici le prix juste de votre option, même si le marché est fou ».

C'est comme passer d'une carte papier dessinée à la main pour naviguer en haute mer, à l'utilisation d'un GPS satellite en temps réel qui vous dit exactement où aller, même dans la tempête.

Résumé technique

1. Problématique et Contexte

L'article s'intéresse à la tarification d'options européennes (calls et puts) écrites sur des contrats à terme (forwards) dans le cadre des marchés de matières premières et de l'énergie. Le défi principal réside dans la modélisation de la dynamique des courbes de prix à terme, qui sont des objets fonctionnels (infiniment dimensionnels) et non scalaires.

Les modèles classiques à volatilité constante échouent à capturer des phénomènes de marché observés empiriquement tels que :

• La variation temporelle de la volatilité.
• Le regroupement de la volatilité (clustering).
• Les pics soudains (spikes) liés à des chocs d'offre ou de demande.
• La structure des smiles de volatilité dans les marchés de matières premières.

L'objectif est de développer un cadre de tarification semi-fermé (semi-closed) pour des modèles à volatilité stochastique (SV) affines et fonctionnels (infiniment dimensionnels), en utilisant le cadre Heath-Jarrow-Morton-Musiela (HJMM).

2. Méthodologie

Les auteurs adoptent une approche basée sur la paramétrisation de Musiela, où les prix forward sont exprimés en fonction du temps à l'échéance ($x = T-t$). La dynamique de la courbe logarithmique $f_t(x)$ est régie par une Équation Différentielle Stochastique aux Dérivées Partielles (EDSP) :

$$df_t(x) = \left( \frac{\partial}{\partial x}f_t(x) + g_t(x) \right) dt + \sigma_t(x) dW_t$$

où la volatilité $\sigma_t$ est elle-même un processus stochastique. L'article se concentre sur deux classes spécifiques de modèles de volatilité stochastique affine à valeurs dans un espace de Hilbert infini $H$ :

A. Le Modèle à Sauts Purs (Pure-Jump Affine Model)

• Dynamique : La covariance instantanée $Y_t$ suit un processus affine à sauts purs, généralisant le cadre de Barndorff-Nielsen & Shephard (BNS) avec des sauts dépendant de l'état (state-dependent).
• Spécification : Le processus de volatilité est défini sur le cône des opérateurs auto-adjoints positifs de classe trace. Les sauts peuvent être pilotés par un processus de Lévy ou un processus de Poisson composé avec une intensité dépendant de l'état courant.
• Outils mathématiques : Utilisation de l'extension de la formule de transformée affine aux espaces de Hilbert complexes. Les auteurs établissent des conditions rigoureuses pour l'existence des moments exponentiels (nécessaires pour la transformée de Fourier) en utilisant des équations de Riccati généralisées dans des espaces de Banach.

B. Le Modèle Wishart Infini-Dimensionnel (Infinite-Dimensional Wishart Model)

• Dynamique : La covariance instantanée $Y_t$ suit un processus Wishart défini sur le cône des opérateurs positifs de classe trace.
• Spécification : Contrairement aux modèles Wishart finis classiques, ici l'état initial peut être de rang fini, mais l'espace d'état reste infini. Le processus est piloté par un mouvement brownien cylindrique.
• Approximation : Puisque les solutions exactes en dimension infinie sont complexes, les auteurs proposent une approximation par rang fini (finite-rank approximation). Ils projettent le système d'équations de Riccati infini sur des sous-espaces de dimension finie, permettant ainsi une résolution numérique efficace tout en conservant la structure de la courbe à terme.

C. Formules de Tarification

Pour les deux modèles, les auteurs dérivent des formules de tarification basées sur la transformée de Fourier inverse (méthode de Carr-Madan ou similaire).

• Le prix de l'option est exprimé comme une intégrale de Fourier impliquant la fonction caractéristique du log-prix forward.
• Cette fonction caractéristique est donnée par la solution d'un système d'équations de Riccati (généralisées pour le cas à sauts, matricielles pour le cas Wishart).
• Une condition de non-arbitrage (drift condition) est imposée pour garantir que le prix forward est une martingale sous la mesure risque-neutre, en fixant un délai de livraison (delivery lag) $\vartheta$.

3. Contributions Clés

1. Cadre Théorique Unifié : Extension rigoureuse de la théorie des processus affines aux espaces de Hilbert infinis pour la modélisation des courbes forward avec volatilité stochastique.
2. Existence des Moments Exponentiels : Pour le modèle à sauts purs, les auteurs prouvent l'existence et l'unicité des solutions aux équations de Riccati complexes et établissent des conditions suffisantes pour l'existence des moments exponentiels dans des domaines réels et complexes, ce qui est crucial pour la validité de la méthode de Fourier.
3. Approximation Numérique pour Wishart : Développement d'une méthode d'approximation par rang fini pour les modèles Wishart infinis, rendant le problème traitable numériquement sans perdre la richesse de la dynamique de la courbe à terme.
4. Validation Numérique : Comparaison exhaustive des prix obtenus par les formules semi-fermées avec des simulations de Monte Carlo (directes et conditionnelles).

4. Résultats Principaux

• Convergence et Précision :
  • Les résultats numériques montrent une excellente concordance entre les formules affines et les benchmarks Monte Carlo.
  • Pour le modèle à sauts purs (Lévy et BNS), la convergence par rapport au nombre de fonctions de base utilisées (truncation de la série) est très rapide (erreur < 0,02% avec seulement 5 fonctions de base).
  • Pour le modèle Wishart, l'approximation par rang fini corrige les biais observés dans les méthodes antérieures (comme les surévaluations dues à l'ignorance des termes de corrélation croisée).
• Efficacité Computationnelle :
  • Gain de temps massif : Pour les modèles de Lévy et BNS explicites, les formules affines sont plusieurs ordres de grandeur plus rapides que les simulations Monte Carlo (ex: 0,16s vs 88,89s pour un calcul de prix).
  • Pour le modèle à sauts dépendant de l'état (state-dependent), où les équations de Riccati n'ont pas de solution analytique fermée, le gain est moins spectaculaire mais les méthodes affines restent compétitives par rapport à la simulation brute, bien que le temps de calcul des équations de Riccati complexes soit plus élevé.
• Robustesse : Les méthodes sont robustes face à différentes configurations de paramètres (intensité des sauts, maturité, strike) et capturent correctement les dynamiques de la structure par terme.

5. Signification et Impact

Cet article est significatif pour plusieurs raisons :

• Pratique : Il fournit aux praticiens des outils de tarification rapides et précis pour les options sur matières premières, où la modélisation de la structure par terme et des chocs de volatilité est critique.
• Théorique : Il comble un vide dans la littérature en traitant rigoureusement la dimension infinie des courbes forward dans un cadre affine, au-delà des réductions de dimension a priori (comme les PCA tronquées).
• Flexibilité : La capacité à intégrer des sauts dépendant de l'état permet de mieux modéliser les risques extrêmes (risques géopolitiques, ruptures d'approvisionnement) souvent observés sur les marchés de l'énergie.
• Méthodologique : L'approche par approximation de rang fini pour les processus Wishart infinis offre une nouvelle voie pour résoudre des problèmes de contrôle stochastique et de tarification dans des espaces fonctionnels complexes.

En conclusion, les auteurs démontrent que les modèles affines à volatilité stochastique, même dans leur formulation fonctionnelle infinie, restent des outils puissants et tractables pour la finance quantitative moderne, à condition d'utiliser des approximations numériques intelligentes et des conditions d'existence rigoureuses.