💰 quantitative finance

An Analytic COS Method for Compound Option Valuation

Cet article introduit une méthode analytique de cosinus de Fourier (COS) pour l'évaluation des options composées qui dérive des expressions de forme close pour les coefficients de cosinus afin d'éliminer la quadrature numérique dans les étapes intermédiaires, atteignant ainsi une efficacité de calcul et une précision supérieures à travers divers modèles stochastiques et structures multi-étapes.

Auteurs originaux : Zhipeng Huang, Cornelis W. Oosterlee

Publié 2026-07-29

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Zhipeng Huang, Cornelis W. Oosterlee

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous êtes un détective essayant de résoudre un mystère qui n'a pas encore eu lieu. Dans le monde de la finance, c'est ce qui arrive lorsque les entreprises tentent de déterminer la valeur de gros paris complexes appelés « options ». Considérez une option comme un coupon qui vous permet d'acheter quelque chose plus tard à un prix fixe. Mais et si ce coupon était lui-même un coupon ? C'est une « option composée » — un pari sur un pari. C'est comme acheter un ticket pour une tombola, où le prix est un autre ticket pour une tombola plus importante. Pour déterminer la valeur de ce premier ticket, vous devez deviner ce que vaudra le second ticket, ce qui dépend de ce qui se passera dans le futur.

La partie délicate, c'est que le futur est désordonné. Les prix ne bougent pas seulement selon des lignes lisses et prévisibles comme une voiture sur une autoroute ; parfois, ils font des bonds, bégayent ou restent coincés dans des embouteillages causés par des nouvelles soudaines. Les mathématiciens utilisent des outils spéciaux appelés « fonctions caractéristiques » pour décrire ces mouvements désordonnés, un peu comme une prévision météorologique qui prédireait non seulement la pluie, mais aussi la probabilité d'une averse de grêle soudaine. Pendant longtemps, calculer la valeur de ces options composées revenait à essayer de compter chaque grain de sable sur une plage à la main — lent, fastidieux et sujet aux erreurs. Il fallait faire de minuscules pas, mesurer, ajouter, mesurer, ajouter à nouveau, encore et encore.

Ce document présente un raccourci ingénieux. Les auteurs, Zhipeng Huang et Cornelis W. Oosterlee, ont développé une nouvelle façon d'effectuer ces calculs en utilisant une méthode appelée la « méthode COS ». Au lieu de compter chaque grain de sable, ils ont trouvé un moyen d'écrire une formule unique et parfaite qui vous indique exactement combien il y a de grains, sautant ainsi l'étape fastidieuse du comptage. Ils démontrent qu'en utilisant la « forme mathématique » des possibilités futures, ils peuvent calculer instantanément et avec une précision incroyable la valeur de ces paris complexes à plusieurs étapes. Cela importe car cela aide les entreprises à prendre des décisions plus intelligentes concernant des investissements massifs, comme le développement de nouveaux médicaments ou la construction d'infrastructures, où le coût de l'erreur est très élevé.

La magie du raccourci du « Cosinus »

Alors, comment fonctionne réellement cette nouvelle méthode ? Utilisons une analogie. Imaginez que vous essayiez de prédire le score final d'un tournoi de football qui comporte plusieurs tours. Avec l'ancienne méthode (la méthode de « quadrature »), pour déterminer la valeur de l'équipe au tour 1, vous devriez simuler des milliers de matchs possibles pour le tour 2, puis des milliers d'autres pour le tour 3, et ainsi de suite, en faisant la moyenne de tous. C'est comme regarder chaque match possible dans l'univers pour voir qui gagne. Cela prend un temps infini.

La nouvelle méthode des auteurs est comme avoir une boule de cristal magique qui n'a pas besoin de regarder les matchs. Au lieu de cela, elle observe le schéma de la façon dont les équipes jouent habituellement. La « méthode COS » (qui signifie Fourier Cosine) est un moyen de décrire n'importe quel motif complexe en utilisant une pile de lignes ondulées simples appelées « cosinus ». Voyez cela comme la description d'une chanson complexe en empilant des notes de musique simples les unes sur les autres.

La grande percée de ce document est que les auteurs ont trouvé comment empiler ces notes sans effectuer le travail de force. Habituellement, lorsque vous avez un « pari sur un pari », vous devez vous arrêter et effectuer beaucoup de mathématiques fastidieuses (quadrature numérique) pour déterminer la couche suivante de la pile. Les auteurs ont découvert que, puisque la mathématique de ces ondes est si régulière, vous pouvez en fait écrire la réponse pour la couche suivante à l'aide d'une formule nette et fermée. C'est comme réaliser qu'au lieu de compter les briques d'un mur une par une, vous pouvez simplement multiplier la hauteur par la largeur parce que vous savez que le motif est parfait.

Ce qu'ils ont trouvé et pourquoi cela importe

Le document démontre que cette nouvelle approche « analytique » est non seulement plus rapide, mais aussi plus précise. Lors de leurs tests, ils ont comparé leur méthode à l'ancienne façon lente de compter.

Vitesse : Lorsqu'ils ont testé leur méthode sur un modèle financier standard (le modèle Black-Scholes), leur méthode était environ 10 fois plus rapide que l'ancienne méthode tout en offrant le même niveau de précision. Dans un test, l'ancienne méthode a pris environ 3,5 millisecondes pour obtenir une réponse très précise, tandis que la nouvelle méthode l'a fait en seulement 0,3 milliseconde.
Précision : Ils ont montré qu'en ajoutant davantage d'« ondes cosusoïdales » à leur pile, la réponse se rapprochait de la valeur réelle de plus en plus vite. Avec seulement 128 ondes, leur erreur était inférieure à 1 sur 10 milliards.

Mais la vraie magie opère quand les choses deviennent désordonnées. Les auteurs ont testé leur méthode dans des scénarios où le « futur » n'est pas lisse. Ils ont étudié des situations où des « sauts » se produisent — des changements soudains et importants de valeur, comme l'échec ou le succès soudain d'un essai clinique. Ils ont même modélisé des sauts « regroupés » (clustered), où une mauvaise nouvelle déclenche une vague d'autres mauvaises nouvelles (comme un effet domino).

Dans une simulation de la recherche et développement (R&D) d'une entreprise pharmaceutique, ils ont constaté que le moment de ces sauts est crucial.

Si les sauts sont aléatoires et indépendants (comme l'ancien modèle « Merton »), la valeur du projet est une chose.
Mais si les sauts sont « regroupés » (comme leur nouveau modèle « Q-Hawkes »), la valeur change légèrement mais significativement. Pour un investissement pharmaceutique à deux étapes, le modèle regroupé suggérait que le projet valait environ 47,30, tandis que le modèle aléatoire disait 45,57.
Pour un projet à plusieurs étapes comprenant cinq étapes, la différence est encore plus parlante. Le modèle regroupé évaluait le projet à 6,937, contre 6,751 pour le modèle aléatoire.

Cela suggère que la structure de l'incertitude — que les mauvaises nouvelles arrivent sous forme de rafales isolées ou sous forme de tempête chaotique — change réellement la valeur d'un investissement. Les anciennes méthodes peinaient à gérer ces scénarios de sauts complexes sans s'enliser dans des calculs lents. La nouvelle méthode COS les gère avec aisance, permettant aux entreprises de voir comment différents types de risques affectent leurs décisions.

L'essentiel

Les auteurs n'ont pas seulement inventé une calculatrice plus rapide ; ils ont construit une nouvelle façon de penser les décisions imbriquées. Ils ont prouvé que vous n'avez pas besoin de procéder par approximations à chaque étape d'un problème complexe à plusieurs niveaux. En utilisant la symétrie mathématique des ondes, ils ont transformé un travail de routine lent et par étapes en un seul bond élégant.

Ils ont montré que cela fonctionne pour tout, des simples paris en deux étapes aux projets complexes du monde réel comme le développement d'un pipeline de médicaments. Que le futur soit lisse ou rempli de sauts soudains, cette méthode offre un moyen clair, rapide et précis de voir ce que le futur pourrait valoir. C'est un outil qui transforme le brouillard de l'incertitude en une carte claire, aidant les investisseurs et les entreprises à naviguer dans les eaux troubles des décisions composées avec confiance.

Résumé technique : Une méthode COS analytique pour la valorisation d'options composées

Énoncé du problème

Les options composées sont des dérivés dont l'actif sous-jacent est lui-même une option. Bien que Geske [Ges79] ait dérivé une solution en forme fermée pour les options composées sous le modèle Black–Scholes, de telles solutions analytiques sont généralement indisponibles lorsque l'actif sous-jacent suit des dynamiques stochastiques plus complexes (par exemple, des processus de diffusion à sauts ou de Lévy). Ces dynamiques complexes sont cruciales dans des applications réelles comme les investissements de R&D par étapes, où les caractéristiques de l'incertitude (telles que le risque de saut et le regroupement/clustering) peuvent varier entre les phases.

Mathématiquement, la valorisation des options composées implique des espérances conditionnelles imbriquées. Dans un cadre multi-étapes, la valeur à une date de décision intermédiaire dépend de la valeur de continuation des étapes suivantes. Les approches numériques traditionnelles pour résoudre ces espérances imbriquées reposent souvent sur la quadrature numérique pour calculer les coefficients de cosinus extérieurs dans les méthodes basées sur Fourier. Cela introduit une couche supplémentaire d'erreur d'approximation et de coût computationnel, pouvant masquer les propriétés de convergence spectrale de la méthode sous-jacente et limiter la scalabilité dans les problèmes multi-étapes.

Méthodologie

Le papier propose une méthode COS (Fourier cosine) entièrement analytique pour valoriser les options composées. La méthode COS, introduite initialement par Fang et Oosterlee [FO08], approxime la densité de transition du logarithme du prix de l'actif en utilisant une série de Fourier-cosinus, avec des coefficients dérivés directement de la fonction caractéristique du processus.

L'innovation centrale de ce travail est la dérivation d'expressions en forme fermée pour les coefficients de cosinus extérieurs dans la récursion de l'option composée. La méthodologie procède comme suit :

Approximation de l'étape intérieure : La valeur de l'option intérieure (l'option sous-jacente à la date de décision intermédiaire $T_1$ ) est approximée en utilisant l'expansion COS standard. En raison de l'hypothèse d'incréments indépendants du processus log-actif, cette valeur intérieure $V_{inner}(x)$ peut être exprimée comme un polynôme trigonométrique fini (une somme de sinus et de cosinus) avec des coefficients calculables analytiquement.
Coefficients extérieurs analytques : Au lieu d'utiliser la quadrature numérique pour calculer les coefficients de l'option extérieure (dont le payoff est $(V_{inner}(x) - K_1)^+$ ), les auteurs substituent la représentation trigonométrique de $V_{inner}(x)$ directement dans la définition intégrale des coefficients extérieurs.
Intégration en forme fermée : En exploitant les identités de produits trigonométriques, les intégrales résultantes sont évaluées sous forme fermée. Cela élimine le besoin d'intégration numérique à l'étape extérieure.
Frontière d'exercice : La méthode nécessite la résolution d'une équation scalaire non linéaire unique pour trouver la frontière d'exercice numérique $x^*$ où $V_{inner}(x^*) = K_1$ . Elle est résolue efficacement à l'aide d'une méthode de Newton sécurisée ou de la méthode de Brent, en exploitant la dérivée analytique de l'expansion trigonométrique.
Extension au multi-étapes : Le cadre est étendu de manière récursive à $m$ dates de décision composées. À chaque étape en remontant vers la maturité, la valeur de continuation est représentée comme un polynôme trigonométrique, permettant aux coefficients de l'étape précédente d'être calculés analytiquement sans quadrature.
Flexibilité du modèle : La méthode s'applique à tout modèle dont la fonction caractéristique conditionnelle des incréments du log-prix est connue sous forme fermée, incluant le mouvement brownien géométrique (GBM), la diffusion à sauts de Merton, et le processus Queue–Hawkes (Q-Hawkes) pour les sauts groupés.

Principales contributions

Formulation entièrement analytique : Le papier dérive la première formulation COS composée entièrement analytique où les coefficients extérieurs sont évalués en forme fermée. Cela supprime entièrement la couche de quadrature numérique de la récursion composée.
Efficacité computationnelle : En éliminant la quadrature, la méthode réduit la complexité computationnelle associée aux coefficients extérieurs. La complexité passe de $O(n_q N)$ (où $n_q$ est le nombre de points de quadrature) à $O(N_{in} N_{out})$ , où $N$ représente le nombre de termes en cosinus.
Préservation de la convergence spectrale : La suppression de la couche d'erreur de quadrature garantit que les propriétés de convergence spectrale de la méthode COS sont préservées tout au long de la valorisation récursive, à condition que les densités de transition sous-jacentes satisfont des conditions de régularité.
Gestion des dynamiques hétérogènes : Le cadre permet naturellement d'accommoder des dynamiques dépendantes des étapes. Différentes fonctions caractéristiques (et donc différentes distributions de diffusion ou de sauts) peuvent être utilisées pour différents intervalles de temps sans modifier la structure récursive.
Extension à d'autres dérivés : La structure analytique montre qu'elle s'étend au-delà des appels composés standards à d'autres contrats avec des payoffs de continuation à frontière unique, tels que les options chooser et les options put bermudiennes.

Résultats numériques

Les auteurs valident la méthode via plusieurs expériences numériques :

Validation Black–Scholes : Sous une dynamique GBM, la méthode reproduit la solution en forme fermée de Geske avec une grande précision. Avec $N=128$ termes en cosinus, l'erreur absolue est inférieure à $10^{-10}$ .
Comparaison d'efficacité : Comparée à une implémentation COS basée sur la quadrature, la méthode analytique atteint une précision comparable (erreur $\approx 10^{-5}$ ) de manière nettement plus rapide. Par exemple, pour égaler la précision de la méthode analytique avec $N=64$ , la méthode par quadrature nécessitait 5 120 points de quadrature et prenait environ un ordre de grandeur de temps CPU en plus.
Options réelles avec risque de saut : La méthode est appliquée à des problèmes d'investissement de R&D pharmaceutique à deux et plusieurs étapes.
- Deux étapes : L'étude compare le GBM, la diffusion à sauts de Merton (sauts indépendants) et le Q-Hawkes (sauts groupés auto-excitants). Les résultats indiquent que le risque de saut impacte significativement la valorisation, et la nature auto-excitante du Q-Hawkes (clustering) conduit à des valeurs d'option légèrement plus élevées que les sauts indépendants, même lorsque le nombre attendu de sauts et les distributions de taille de saut sont identiques.
- Multi-étapes : Un projet de R&D à quatre étapes est modélisé où le risque de saut n'est introduit que lors de la phase finale. Les résultats démontrent que le risque de saut anticipé en fin de parcours se propage vers l'arrière, affectant matériellement les seuils d'investissement initiaux et les valeurs de projet. La méthode analytique gère ces dynamiques dépendantes des étapes de manière transparente.

Signification et revendications

Le papier affirme que la méthode COS composée analytique proposée constitue un outil robuste, efficace et précis pour le prix d'options imbriquées sous des dynamiques stochastiques réalistes.

Élimination de l'erreur de quadrature : La principale signification est la suppression de la couche de quadrature numérique, ce qui non seulement accélère le calcul, mais empêche aussi l'introduction d'erreurs d'approximation supplémentaires qui pourraient dégrader la convergence spectrale de la méthode dans les contextes multi-étapes.
Richesse de modélisation : La méthode permet la valorisation de problèmes d'options réelles complexes avec des dynamiques hétérogènes (par exemple, passer d'une diffusion à une diffusion à sauts entre deux étapes) sans nécessiter d'estimation de la continuation par régression ou de simulation imbriquée, typiques des approches de Monte Carlo.
Transparence : La formulation analytique fournit une structure mathématique transparente pour la récursion composée, facilitant une analyse d'erreur rigoureuse et démontrant que la convergence spectrale des étapes COS individuelles est préservée dans le cadre de la récursion composée.

Les auteurs concluent que cette approche est particulièrement précieuse pour les environnements de décision multi-étapes où l'efficacité computationnelle et la richesse de modélisation sont essentielles, comme dans la R&D par étapes et les projets d'infrastructure.