Data Driven Options Pricing using ANN: Evidence from the CRR Model

Dans le monde de la finance, un contrat connu sous le nom d'option donne à son détenteur le droit, mais non l'obligation, d'acheter ou de vendre un actif à un prix spécifique à une certaine date. Ces instruments sont essentiels pour gérer le risque et parier sur les mouvements du marché, mais déterminer leur juste valeur est notoirement difficile. Le prix dépend d'un enchevêtrement changeant de facteurs : le coût actuel de l'actif, le prix d'exercice convenu, le temps restant, les taux d'intérêt dans l'économie et une mesure de l'amplitude des fluctuations de prix de l'actif, appelée volatilité. Pendant des décennies, la manière standard de calculer ces valeurs a reposé sur des modèles mathématiques complexes qui simulent des milliers de trajectoires futures possibles pour l'actif. Bien qu'accurats, ces calculs sont lents et gourmands en ressources informatiques, nécessitant souvent des ordinateurs puissants pour traiter les chiffres afin d'obtenir un seul prix. Lorsque les marchés bougent rapidement, attendre la fin d'un calcul peut être un handicap.

Une équipe de chercheurs de l'Institut indien de technologie de Ropar a exploré une voie différente, en utilisant un type de programme informatique appelé réseau de neurones artificiels pour résoudre ce problème. Au lieu de construire une nouvelle simulation de toutes pièces chaque fois qu'un prix est nécessaire, ils ont entraîné un cerveau numérique à reconnaître les motifs cachés dans les résultats des modèles traditionnels, plus lents. Les chercheurs ont alimenté le réseau avec des millions d'exemples de prix d'options générés par une méthode bien établie appelée modèle de Cox-Ross-Rubinstein, qui décompose le temps en petites étapes pour prédire comment un actif pourrait évoluer. Une fois que le réseau a appris la relation entre les facteurs d'entrée et le prix final, il est devenu un substitut ultra-rapide. L'étude démontre que ce réseau entraîné peut prédire la valeur de divers types d'options presque instantanément, avec un niveau de précision qui correspond étroitement aux calculs traditionnels beaucoup plus lents.

Les chercheurs ont testé cette approche sur plusieurs types de contrats financiers différents. Ils ont commencé par des options européennes standards, qui ne peuvent être exercées qu'à la toute fin de leur vie, et des options américaines, qui peuvent être exercées à tout moment. Ils se sont également attaqués à des instruments plus complexes, tels que les options asiatiques, où le paiement final dépend du prix moyen de l'actif sur une période plutôt que du prix final, et les options à barrière, qui n'existent ou ne paient que si le prix de l'actif franchit un seuil spécifique au cours de leur vie. Pour les options standards et asiatiques, le réseau de neurones a performé avec une précision remarquable. Il a non seulement prédit le prix, mais a aussi calculé les « Grecs », qui sont des mesures sensibles de la façon dont le prix réagira aux petits changements du marché. Dans ces cas, les réponses du réseau étaient presque identiques à la méthode traditionnelle, tout en les délivrant en une fraction de seconde.

La différence de vitesse est flagrante. Lors de tests impliquant vingt mille scénarios différents, la méthode traditionnelle a mis plus d'une minute pour évaluer les options européennes et près de deux minutes pour les options de vente américaines (puts). Le réseau de neurones, cependant, a accompli la même tâche en environ une seconde et demie. Pour les options asiatiques plus complexes, où la méthode traditionnelle a lutté avec la mémoire et a pris plus de dix-sept minutes, le réseau a terminé en un peu plus d'une seconde. Cette efficacité suggère qu'une fois entraîné, un tel système pourrait être inestimable pour le trading en temps réel et la gestion des risques, permettant aux traders de voir les prix et les risques instantanément sans attendre de lourds calculs.

Cependant, l'étude a également révélé les limites de cette technologie. Lorsque les chercheurs ont appliqué le réseau aux options à barrière, les résultats étaient moins fiables. Ces options possèdent une qualité de « bord de falaise » ; si le prix de l'actif touche une barrière spécifique, la valeur du contrat peut chuter instantanément à zéro. Le réseau de neurones, qui excelle à apprendre des motifs lisses et continus, a eu du mal avec ces changements brusques et soudains. Les erreurs de tarification et les mesures de sensibilité étaient nettement plus élevées pour ces contrats par rapport aux autres. Cette découverte est cruciale car elle montre que, bien que la méthode soit puissante, elle n'est pas un remède universel pour tout type d'instrument financier. Le réseau fonctionne mieux lorsque la mathématique sous-jacente est lisse, mais il faiblit lorsque les règles du jeu impliquent des changements discontinus et abrupts.

Au-delà de la simple tarification, les chercheurs ont montré que cette approche pouvait également cartographier la « surface de volatilité », une carte tridimensionnelle complexe que les institutions financières utilisent pour comprendre comment les attentes du marché en matière de risque changent selon les prix et les temps. En utilisant des données de marché réelles provenant de grandes entreprises indiennes, ils ont démontré que le réseau de neurones pouvait reconstruire ces surfaces bien plus rapidement que les modèles traditionnels. La méthode traditionnelle, qui nécessite de construire un nouvel arbre de possibilités pour chaque calcul, a pris des dizaines de secondes pour traiter les données. Le réseau de neurones a effectué le même travail en moins d'un dixième de seconde. Cette capacité suggère qu'à l'avenir, les entreprises financières pourraient utiliser ces réseaux entraînés pour mettre à jour leurs modèles de risque et leurs stratégies de tarification en temps réel, réagissant aux changements du marché au moment même où ils se produisent plutôt qu'après coup.

Ce travail ne prétend pas remplacer entièrement les anciens modèles, mais plutôt servir d'outil hautement efficace qui se tient à leurs côtés. Le réseau de neurones n'est pas un oracle magique ; c'est un étudiant qui a mémorisé les leçons du modèle traditionnel et a appris à réciter les réponses instantanément. Il hérite de la logique du cadre original mais supprime la lourdeur computationnelle. Pour la grande majorité des options courantes, l'étude confirme que cette approche basée sur les données est suffisamment précise pour être fiable, offrant un moyen de naviguer dans les complexités de la finance moderne avec une vitesse qui était auparavant impossible. La seule mise en garde demeure le terrain accidenté des options à barrière, où l'apprentissage fluide du réseau rencontre les arêtes vives de la réalité.