Beyond Black-Scholes: A Computational Framework for Option Pricing Using Heston, GARCH, and Jump Diffusion Models

Cette étude propose un cadre computationnel pour la tarification des options en utilisant des simulations de Monte Carlo couplées aux modèles GARCH, Heston et à diffusion avec sauts, démontrant que le modèle Heston offre les estimations les plus précises par rapport aux prix du marché tout en surpassant les limites du modèle Black-Scholes.

L'essentiel

🎢 Au-delà du "Modèle Magique" : Une nouvelle façon de prédire le prix des options

Imaginez que vous essayez de prédire le prix d'un billet pour un futur spectacle de cirque (une "option" financière). Pendant des décennies, les experts ont utilisé une recette de cuisine très simple, appelée le modèle Black-Scholes. C'était comme si on disait : "Le prix du billet dépendra uniquement de la date du spectacle et de la distance à laquelle vous êtes assis, en supposant que le temps reste toujours calme et ensoleillé."

Le problème ? La réalité, c'est que le temps change ! Parfois, il y a une tempête soudaine (une crise économique), parfois le vent tourne brusquement (volatilité), et parfois un éléphant traverse la piste (un saut de prix imprévu). Le vieux modèle ne savait pas gérer ces surprises.

Dans ce papier, deux chercheurs de l'Université de Californie du Sud (USC) ont décidé de construire un nouveau cadre de prédiction beaucoup plus intelligent. Ils ont utilisé des ordinateurs puissants pour simuler des milliers de scénarios possibles, en utilisant trois nouvelles "recettes" plus sophistiquées.

Voici comment ils ont fait, avec des analogies simples :

1. Le Moteur de Base : La Simulation de Monte Carlo 🎲

Au lieu de faire un seul calcul, imaginez que vous lancez un dé 10 000 fois pour voir toutes les possibilités de temps qu'il pourrait faire demain. C'est ce qu'on appelle la méthode de Monte Carlo.

• L'analogie : C'est comme si vous simuliez 10 000 futurs différents pour une action (comme Tesla ou Meta) pour voir combien de fois elle monte ou descend. Plus vous lancez le dé (simulez), plus votre prédiction est précise.

2. Les Trois Nouvelles "Recettes" pour améliorer la prédiction

Le vieux modèle supposait que la "turbulence" (la volatilité) restait constante. Les chercheurs ont ajouté trois ingrédients magiques pour corriger cela :

• A. Le Modèle GARCH : Le Météorologue qui se souvient du passé 🌦️

  • Le problème : Le vieux modèle pensait que si le ciel était calme aujourd'hui, il le resterait demain.
  • La solution GARCH : Ce modèle agit comme un météorologue qui dit : "Si hier il y avait une tempête, il y a de fortes chances qu'il y en ait une autre aujourd'hui. Si le temps était calme, il le restera."
  • En résumé : Il utilise l'histoire récente pour prédire si le marché va être calme ou agité à l'avenir.

• B. Le Modèle Heston : La Voiture avec une Suspension Intelligente 🚗

  • Le problème : Le vieux modèle traitait la volatilité comme une route parfaitement lisse.
  • La solution Heston : Imaginez une voiture dont la suspension s'adapte automatiquement aux nids-de-poule. Le modèle Heston permet à la "turbulence" de changer de manière aléatoire, comme une route qui devient cahoteuse ou lisse selon les conditions.
  • Le plus : Ils ont utilisé l'intelligence artificielle (des algorithmes d'optimisation) pour régler parfaitement les ressorts de cette voiture afin qu'elle colle parfaitement à la réalité du marché.

• C. Le Modèle Merton (Sauts de Diffusion) : Le Saut de l'Élastique 🦘

  • Le problème : Le vieux modèle supposait que le prix d'une action ne pouvait bouger que doucement, comme une marche lente. Mais parfois, une action saute d'un coup (à cause d'une nouvelle surprise).
  • La solution Merton : Ce modèle ajoute la possibilité de "sauts". C'est comme si, dans votre simulation, vous autorisiez la voiture à faire un saut de 10 mètres d'un coup, au lieu de rouler lentement.
  • Pour qui ? C'est idéal pour les actions très volatiles (comme les cryptomonnaies ou les entreprises de cinéma en difficulté) où les prix peuvent exploser ou s'effondrer du jour au lendemain.

3. Ce qu'ils ont découvert (Les Résultats) 🏆

Les chercheurs ont testé ces modèles sur des actions réelles comme Tesla, Meta, AMC, et Shopify.

• Le Vieux Modèle (Black-Scholes) : Il fonctionnait bien quand le marché était calme, mais il se trompait souvent quand les choses devenaient compliquées. Il sous-estimait souvent le prix des options quand le marché était très agité.
• Les Nouveaux Modèles :
  • Le modèle Heston a été le grand gagnant. Il a réussi à prédire les prix beaucoup plus près de la réalité, car il comprenait que la "turbulence" change tout le temps.
  • Le modèle Merton a été excellent pour les actions qui font des gros sauts, en capturant ces moments de panique ou d'euphorie soudaine.
  • Le modèle GARCH a permis de prédire ce qui allait se passer dans les jours suivants avec une bonne précision.

4. Pourquoi est-ce important pour vous ? 🌍

Imaginez que vous êtes un capitaine de navire.

• Avec l'ancien modèle, vous naviguiez avec une carte qui disait "l'océan est toujours calme". Si une tempête arrivait, votre bateau coulait.
• Avec ces nouveaux modèles, vous avez un radar sophistiqué qui vous dit : "Attention, la houle augmente, et il y a une chance de tempête dans 2 heures."

Cela permet aux investisseurs et aux banques de :

1. Mieux protéger leur argent (se couvrir contre les risques).
2. Fixer le bon prix pour les contrats financiers, ni trop cher, ni trop bon marché.
3. Comprendre les marchés complexes où les prix ne suivent pas des règles simples.

En conclusion 🎓

Ce papier nous dit que le monde financier est trop complexe pour une seule formule simple. En mélangeant les mathématiques avancées, la simulation par ordinateur (Monte Carlo) et l'intelligence artificielle pour ajuster les paramètres, on peut enfin créer des modèles qui ressemblent vraiment à la vie réelle : imprévisible, parfois calme, parfois chaotique, mais toujours plus juste à prédire que par le passé.

C'est comme passer d'une carte dessinée à la main à un GPS en temps réel pour naviguer dans l'océan des marchés financiers. 🚀📈

Résumé technique

Résumé Technique : Au-delà de Black-Scholes – Un Cadre de Calcul pour la Pricing d'Options

1. Problématique

Le modèle classique de Black-Scholes, bien qu'étant une référence historique pour la valorisation des options (notamment européennes), présente des limitations structurelles majeures dans les marchés financiers modernes :

• Volatilité constante : Il suppose que la volatilité de l'actif sous-jacent reste inchangée, ce qui contredit la réalité des marchés où la volatilité fluctue, se regroupe (clustering) et présente des asymétries (skew).
• Continuité des prix : Il suppose un mouvement brownien géométrique continu, ignorant les sauts de prix soudains (jumps) causés par des événements géopolitiques ou économiques (ex: crise de 2008).
• Inadéquation aux options complexes : Il est moins efficace pour les options de style américain ou les options dépendant du chemin (path-dependent).
• Hypothèses irréalistes : Taux sans risque constant, absence de dividendes, et marchés parfaits sans friction.

L'objectif de cette recherche est de développer un cadre de calcul plus robuste et précis capable de capturer la dynamique réelle des marchés, en intégrant la volatilité stochastique, les sauts de prix et l'analyse de la volatilité conditionnelle.

2. Méthodologie

Les auteurs ont développé un cadre computationnel en Python utilisant la simulation de Monte Carlo comme colonne vertébrale, combinée à quatre approches mathématiques distinctes et optimisées par des techniques d'apprentissage automatique (Machine Learning).

A. Données et Actifs

• Sources : Données historiques et en temps réel via l'API Yahoo Finance.
• Portefeuille d'actions : Tesla (TSLA), Meta (META), AMC Entertainment, MARA Holdings (crypto-mining), et Shopify (SHOP). Ces actifs ont été choisis pour leur volume de négociation élevé et la diversité de leurs modèles économiques (y compris des actifs à forte volatilité).
• Période : Expériences menées en novembre 2024.

B. Modèles Implémentés

1. Monte Carlo Standard (Mouvement Brownien Géométrique - GBM) :

   • Simule des milliers de trajectoires de prix en utilisant l'équation différentielle stochastique de Black-Scholes.
   • Calcule le payoff moyen actualisé.
   • Limitation : Volatilité constante.

2. Modèle de Merton (Jump Diffusion) :

   • Intègre un composant de saut (Jump) basé sur un processus de Poisson pour modéliser les mouvements discontinus des prix.
   • Optimisation : Utilisation de l'optimiseur L-BFGS-B (avec contraintes de boîte) pour calibrer les paramètres du saut ($\lambda_j, \mu_j, \sigma_j$) en minimisant l'erreur quadratique moyenne entre le prix du modèle et le prix de marché.

3. Modèle GARCH (1,1) couplé à Monte Carlo :

   • Utilise le modèle Generalized Autoregressive Conditional Heteroskedasticity pour prédire la volatilité future basée sur le regroupement de la volatilité (volatility clustering).
   • La volatilité prédite par GARCH est annualisée et utilisée comme entrée pour la simulation Monte Carlo afin de prévoir les prix des options sur 3 jours.

4. Modèle de Heston (Volatilité Stochastique) :

   • Modélise la volatilité comme un processus stochastique corrélé au prix de l'actif, permettant de capturer le volatility skew et le smile.
   • Optimisation : Calibration des paramètres de Heston ($\kappa, \theta, \sigma_v$) via L-BFGS-B pour minimiser l'écart entre la variance historique et la variance prédite par le modèle.

3. Contributions Clés

• Cadre Hybride : Intégration réussie de modèles stochastiques avancés (Heston, Merton) avec des méthodes d'optimisation par Machine Learning pour le calibrage automatique des paramètres.
• Prise en compte de la dynamique réelle : Le cadre adresse spécifiquement les défaillances de Black-Scholes en modélisant la volatilité changeante (Heston/GARCH) et les chocs de prix (Merton).
• Validation Empirique : Comparaison rigoureuse des prix estimés avec les prix de marché réels pour plusieurs actions à travers différentes strikes (prix d'exercice).
• Prédiction Temporelle : Capacité à prédire les prix des options pour les jours suivants (horizon de 3 jours) en utilisant la volatilité conditionnelle GARCH.

4. Résultats

• Comparaison Générale :

  • Le modèle Black-Scholes-Monte Carlo (GBM) fonctionne raisonnablement bien pour les options "in-the-money" (prix d'exercice bas) mais sous-estime systématiquement les options à volatilité élevée ou "out-of-the-money" car il ignore la volatilité stochastique.
  • Le modèle Heston a démontré la meilleure performance globale, produisant des estimations plus proches des prix de marché pour la plupart des strikes, en particulier pour les options à long terme et les actifs à volatilité dynamique. L'erreur moyenne (Mean Error) est significativement réduite par rapport au GBM.
  • Le modèle Merton Jump Diffusion a montré son utilité pour les actifs très volatils (comme MARA ou AMC), capturant mieux les risques de sauts, bien qu'il tende à surestimer légèrement les prix pour les strikes élevés si les données historiques sont limitées.

• Analyse Spécifique :

  • Tesla (TSLA) : Le modèle Heston a réduit l'écart d'estimation par rapport au marché (ex: Strike 170, Heston: 150.35 vs Marché: 149.53, contre GBM: 151.69).
  • AMC & MARA : Le modèle Merton a mieux capturé la volatilité extrême, bien que des écarts subsistent en raison de la liquidité et des déséquilibres offre/demande non modélisés.
  • Prédictions GARCH : Les prévisions pour les 3 jours suivants (19-21 novembre) ont suivi la tendance générale du marché, bien que des écarts aient été observés pour les options "out-of-the-money" en raison de la faible liquidité et de la difficulté à capturer les changements soudains de sentiment.

• Limitations Observées :

  • La disponibilité de données historiques (souvent limitée à un an) affecte la précision de la calibration des modèles Heston et Merton.
  • Les modèles ne capturent pas parfaitement les anomalies de marché comme les écarts bid-ask ou les déséquilibres d'offre/demande immédiats.

5. Signification et Perspectives

Cette recherche démontre que la combinaison de mathématiques financières avancées et d'outils d'optimisation par Machine Learning permet de surmonter les limites théoriques du modèle Black-Scholes.

• Impact Pratique : Offre aux traders et gestionnaires de risques des outils de valorisation plus précis pour le hedging et la prise de décision d'investissement, en particulier dans des environnements de marché volatils.
• Futur du domaine : Les auteurs suggèrent l'extension de ce travail vers l'utilisation de réseaux de neurones (Deep Learning) pour un calibrage encore plus fin des paramètres et l'exploration des marches quantiques (Quantum Walks) pour simuler les trajectoires de prix et de volatilité, ouvrant la voie à une ingénierie financière quantique.

En conclusion, ce cadre computationnel fournit une approche unifiée et adaptable pour la valorisation des options, comblant le fossé entre les hypothèses théoriques simplistes et la complexité des marchés réels.