Option pricing model under the G-expectation framework

1. Problématique et Contexte

La tarification des options repose traditionnellement sur le modèle de Black-Scholes, qui suppose une volatilité constante et un mouvement brownien standard. Cependant, dans la réalité des marchés financiers, la volatilité est incertaine et peut varier dans une fourchette donnée. Pour modéliser cette incertitude de manière robuste, les auteurs utilisent le cadre de l'espérance G (G-expectation), introduit par Peng, qui est une espérance non linéaire capable de capturer l'incertitude de la volatilité sans recourir à une mesure de probabilité unique.

Le problème central abordé dans cet article est le développement d'un cadre de tarification neutre au risque pour les options sous l'espérance G, où l'actif sous-jacent suit un mouvement brownien géométrique G (G-GBM). Cela conduit à une équation aux dérivées partielles (EDP) entièrement non linéaire, généralisant l'équation de Black-Scholes classique (appelée équation G-Black-Scholes). La difficulté majeure réside dans la résolution numérique efficace et stable de cette EDP non linéaire, qui ne possède pas de solution explicite générale.

2. Méthodologie

Les auteurs proposent une approche structurée en plusieurs étapes :

• Modélisation Mathématique :

  • Ils définissent la neutralité au risque dans le cadre de l'espérance G : le rendement espéré G de tous les actifs risqués est égal au taux sans risque $r$.
  • L'actif sous-jacent $S_t$ est modélisé par un mouvement brownien géométrique G.
  • En utilisant la formule de Feynman-Kac non linéaire, le problème de tarification est transformé en la résolution d'une EDP non linéaire complète.

• Transformation Logarithmique :

  • Pour améliorer l'efficacité computationnelle, les auteurs introduisent une transformation logarithmique de l'actif sous-jacent : $X_t = \ln(S_t)$.
  • Cette transformation convertit l'EDP originale (définie sur $S$) en une EDP alternative définie sur $X$. Cette reformulation est cruciale car elle modifie la structure des termes de dérivée seconde et première, facilitant la discrétisation.

• Discrétisation Numérique :

  • Deux schémas aux différences finies sont construits pour résoudre l'EDP transformée :
    1. Schéma Explicite : Simple à implémenter mais soumis à des contraintes de stabilité strictes.
    2. Schéma Implicite : Plus robuste, nécessitant la résolution d'un système non linéaire à chaque pas de temps via une itération de type Picard.

• Analyse Théorique :

  • Les auteurs établissent rigoureusement les propriétés de consistance, de stabilité (dans la norme $l_\infty$) et de monotonie pour les deux schémas.
  • En se basant sur le théorème de convergence de Barles et Souganidis, ils prouvent que les solutions numériques convergent vers la solution de viscosité de l'EDP non linéaire.
  • Des estimations de taux de convergence sont fournies, montrant une convergence d'ordre $O(\Delta t^{\beta/2} + h^\beta)$.

3. Contributions Clés

• Cadre Unifié de Tarification : Développement d'un modèle de tarification neutre au risque complet sous l'espérance G, aboutissant à une généralisation non linéaire de Black-Scholes.
• Avantage de la Transformation Logarithmique : Démonstration théorique et numérique que la transformation $X = \ln(S)$ détend considérablement les contraintes de stabilité des schémas explicites. L'article montre que le rapport de grille (nombre de pas de temps requis) est réduit d'un facteur d'environ $S_{max}^2 / (\ln S_{max} - \ln S_{min})^2$ par rapport à la formulation originale, réduisant ainsi drastiquement le coût computationnel.
• Preuves de Convergence Rigoureuses : Établissement formel de la convergence des schémas explicites et implicites vers la solution de viscosité, incluant la preuve de la convergence monotone de l'itération interne pour le schéma implicite.
• Validation Numérique : Mise en œuvre de tests sur des options complexes (spread papillon avec payoff non convexe et option digitale avec payoff discontinu) pour valider la précision et l'efficacité des méthodes proposées.

4. Résultats Numériques

Les expériences numériques confirment les prédictions théoriques :

• Précision : Les deux schémas (explicite et implicite) atteignent une précision d'ordre deux pour les payoffs réguliers (comme le spread papillon) et une précision d'ordre un pour les payoffs discontinus (option digitale), ce qui est attendu pour ce type de problèmes.
• Efficacité du Schéma Implicite : L'itération interne du schéma implicite converge très rapidement, nécessitant généralement seulement 2 itérations par pas de temps, ce qui le rend très efficace malgré la non-linéarité.
• Impact de la Transformation Logarithmique :
  • Pour un nombre de nœuds spatiaux donné, la transformation logarithmique permet d'utiliser un pas de temps beaucoup plus grand tout en restant stable.
  • Dans le cas du spread papillon, la transformation réduit le nombre de pas de temps nécessaires d'environ 63 % (par exemple, de 22 500 à 8 286 pour une grille fine), entraînant une réduction significative du temps CPU tout en maintenant ou en améliorant la précision.
  • Pour l'option digitale, bien que la régularité soit faible, la transformation améliore également l'efficacité computationnelle.

5. Signification et Conclusion

Cet article apporte une contribution significative à la finance mathématique et au calcul scientifique en offrant une méthode robuste pour la tarification d'options dans des environnements marqués par une incertitude de modèle (volatilité incertaine).

La principale avancée réside dans la démonstration que la transformation logarithmique n'est pas seulement une astuce mathématique, mais un outil essentiel pour rendre les schémas explicites pratiques pour les EDP non linéaires complexes liées à l'espérance G. En réduisant les contraintes de stabilité, cette approche rend le calcul de prix d'options sous incertitude de volatilité beaucoup moins coûteux, facilitant ainsi son application par les praticiens pour la gestion des risques et la valorisation de produits dérivés complexes. Les preuves de convergence garantissent la fiabilité des résultats numériques obtenus.