📈 économie

Pricing Multi-Asset Options Using Physics-Informed Neural Networks

Cette étude propose un cadre de réseaux de neurones informés par la physique (PINN) sans maillage qui résout le problème d'obstacle de Black–Scholes de haute dimension afin de valoriser simultanément des options américaines sur actifs multiples et d'identifier leurs frontières d'exercice optimales en tant qu'hypersurfaces endogènes sans paramétrage explicite.

Auteurs originaux : Marjan Uddin, Muhammad Usman

Publié 2026-10-22

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Marjan Uddin, Muhammad Usman

Article original sous licence CC BY 4.0 (https://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

Dans le monde de la finance, les investisseurs achètent souvent des contrats qui leur donnent le droit de vendre un actif à un prix spécifique avant une échéance. Ce sont les options américaines. Contrairement aux contrats plus simples qui ne peuvent être utilisés qu'en un seul jour, les options américaines offrent un avantage crucial : le détenteur peut choisir le moment exact pour encaisser, à condition que ce soit avant la date d'expiration. Cette flexibilité les rend incroyablement précieuses, mais les rend aussi notoirement difficiles à évaluer. Le défi consiste à déterminer le moment parfait pour exercer l'option. Si le prix de marché de l'actif chute trop bas, il peut être judicieux de vendre immédiatement. Si le prix reste élevé, il est préférable d'attendre. La ligne séparant la zone de « vente immédiate » de la zone d'« attente » n'est pas un emplacement fixe et connu ; c'est une frontière mouvante qui change à mesure que le temps passe et que les prix des actifs sous-jacents évoluent. Pour un actif unique, cette frontière est une courbe simple. Mais lorsqu'une option dépend d'un panier de plusieurs actifs, comme un mélange de différentes actions, la frontière devient une surface multidimensionnelle complexe qu'il est extrêmement difficile de cartographier à l'aide des outils mathématiques traditionnels.

Les chercheurs Marjan Uddin et Muhammad Usman ont abordé ce problème en appliquant une technique de calcul moderne connue sous le nom de réseau de neurones informé par la physique (physics-informed neural network). Au lieu de s'appuyer sur l'ancienne méthode consistant à diviser l'espace du marché en une grille rigide de points, ce qui devient impossible à gérer lorsqu'on traite de nombreux actifs, ils ont entraîné un programme informatique pour qu'il apprenne directement les règles du marché. Ils ont enseigné au réseau les lois fondamentales qui régissent le comportement des prix des options, spécifiquement un ensemble d'équations qui décrivent comment la valeur change au fil du temps et avec les fluctuations de prix. Le réseau a également reçu l'instruction de respecter la règle selon laquelle une option ne peut jamais valoir moins que l'argent que l'on obtiendrait en la vendant immédiatement. En alimentant le réseau avec des milliers de scénarios aléatoires plutôt qu'avec une grille fixe, les chercheurs ont permis à celui-ci de découvrir la forme de la frontière invisible où il devient optimal d'exercer l'option. Cette approche évite la « malédiction de la dimensionnalité », un problème où la complexité des calculs explose à mesure que davantage d'actifs sont ajoutés, en laissant le réseau échantillonner l'espace du marché librement.

L'équipe a testé sa méthode sur une option sur panier impliquant deux actifs corrélés. Dans leurs tentatives initiales, l'ordinateur avait du mal à trouver la bonne réponse, produisant souvent des prix bien trop élevés. Les chercheurs ont découvert que le problème ne venait pas de l'architecture du réseau, mais de la manière dont ils l'enseignaient. Ils utilisaient un système de pénalité trop rudimentaire ; il punissait le réseau pour des erreurs qui ne correspondaient pas aux règles financières réelles. Plus précisément, le réseau était forcé de satisfaire des conditions dans la région d'« exercice » qui ne devraient s'appliquer que dans la région d'« attente », créant un conflit qui menait à des résultats inexacts. À travers une série d'expériences minutieuses, ils ont affiné leur approche. Ils ont normalisé les données pour rendre les nombres plus faciles à manipuler, ont ajusté la façon dont ils échantillonnaient les scénarios de marché pour se concentrer davantage sur les zones critiques proches de la frontière de décision et, surtout, ont redessiné la fonction de pénalité pour respecter la nature unilatérale du problème. Ils ont réalisé que dans la région où il est préférable de conserver l'option, le prix doit suivre les lois du marché, mais dans la région où il est préférable de vendre, le prix est simplement égal au paiement, et les lois du marché n'ont pas besoin de s'appliquer de la même manière.

Après avoir corrigé ces malentendus mathématiques, le réseau a produit un résultat final d'environ 7,87 $. Ce résultat représentait une surestimation d'environ 14 % par rapport au prix de référence de 6,90 $ calculé à l'aide de la technique de Monte Carlo de Longstaff–Schwartz. Bien que cette configuration ait été la plus proche de la réponse durant toute l'enquête et qu'elle se situait dans la plage de l'erreur typique de discrétisation numérique plutôt que de pointer vers un échec structurel, les auteurs ont noté que l'approche PINN n'est compétitive avec les méthodes de Monte Carlo classiques qu'une fois que son fonctionnel de perte encode précisément l'inégalité variationnelle sous-jacente. L'étude a démontré que si les réseaux de neurones sont très prometteurs pour évaluer ces instruments financiers complexes, leur succès dépend entièrement de l'encodage de la logique mathématique correcte dans le processus d'entraînement. Les chercheurs ont découvert que le simple fait d'injecter plus de données ou plus de puissance de calcul ne suffisait pas ; le modèle devait être guidé par une compréhension précise de l'endroit où les règles du jeu changent. En respectant correctement la physique du problème, ils ont montré que ces réseaux peuvent effectivement cartographier les frontières invisibles qui dictent la valeur des options multi-actifs, offrant ainsi un outil puissant pour naviguer dans les marchés financiers à haute dimension.

Résumé Technique : Évaluation d'Options Multi-Actifs par Réseaux de Neurones Informés par la Physique

Énoncé du Problème
L'article traite de l'évaluation des options américaines sur plusieurs actifs sous-jacents ( $d > 1$ ), telles que les options sur panier (basket), sur écart (spread) ou sur maximum (rainbow). Contrairement aux options européennes, les options américaines permettent un exercice anticipé, transformant le problème d'évaluation en un problème de frontière libre. La valeur de l'option doit satisfaire l'équation aux dérivées partielles (EDP) de Black–Scholes dans une « région de continuation » (où le maintien de la position est optimal) tout en restant contrainte par le gain intrinsèque dans une « région d'exercice » (où l'encaissement immédiat est optimal). La frontière séparant ces régions est inconnue a priori.

Alors que les problèmes à actif unique ( $d=1$ ) ont été résolus efficacement par des méthodes telles que les différences finies, les arbres binomiaux et les fonctions de base radiale (RBF), l'extension à des dimensions élevées présente une « malédiction de la dimensionnalité ». Plus précisément, les schémas traditionnels de quasi-interpolation basés sur des grilles ou des nœuds (par exemple, Hon et Schaback, 2002) souffrent d'une croissance exponentielle de la complexité ( $O(N^d)$ ) à mesure que le nombre d'actifs augmente, ce qui les rend informatiquement insolvables pour $d > 1$ .

Méthodologie
Les auteurs proposent un cadre de Réseau de Neurones Informé par la Physique (PINN) pour approximer la valeur de l'option et la frontière d'exercice optimale sans génération explicite de maillage.

Formulation Mathématique :
- Le problème est formulé dans les coordonnées de prix logarithmiques ( $x_i = \log S_i$ ) pour symétriser le terme de diffusion et convertir les coefficients variables en constantes.
- Le problème d'évaluation est exprimé sous la forme d'une inégalité variationnelle ou d'un problème de complémentarité linéaire :
  $\min\left( -\frac{\partial u}{\partial t} + \mathcal{L}u, \, u - g \right) = 0$
  où $\mathcal{L}$ est l'opérateur de Black–Scholes multi-actif, $u$ est la valeur de l'option, et $g$ est le gain (payoff). Cela implique que soit le résidu de l'EDP est nul (région de continuation), soit la valeur de l'option est égale au gain (région d'exercice), avec $u \geq g$ toujours respecté.
Architecture du Réseau de Neurones :
- Un réseau à propagation avant (feed-forward) avec des fonctions d'activation lisses (spécifiquement tanh) approxime la valeur de l'option $u_\theta(S, t)$ .
- La différenciation automatique est utilisée pour calculer les dérivées de premier et second ordre nécessaires pour l'opérateur d'EDP, évitant ainsi le recours à des fonctions de base fixes.
Fonction de Perte et Entraînement :
- Le réseau est entraîné en minimisant une somme pondérée de quatre termes de résidus :
  1. Résidu d'EDP : Impose l'équation de Black–Scholes dans l'intérieur.
  2. Condition Terminale : Ancre la solution au gain à l'expiration.
  3. Conditions aux Limites : Impose le comportement aux limites de prix des actifs (ex: zéro ou l'infini).
  4. Condition d'Obstacle/d'Exercice Anticipé : Pénalise les violations où $u < g$ .
- Échantillonnage : Au lieu d'une grille fixe, des points de collocation sont échantillonnés à partir de séquences à faible discrépance (Sobol ou Latin Hypercube) sur le domaine espace-temps. Cela permet au nombre de points de croître plus favorablement avec la dimension $d$ par rapport aux grilles produit tensoriel.
- Récupération de la Frontière d'Exercice : La frontière d'exercice optimale est identifiée a posteriori comme l'ensemble de niveau zéro où la valeur prédite est égale au gain intrinsèque ( $u_\theta - g = 0$ ), formant une hypersurface de dimension $(d-1)$ .

Résultats Expérimentaux et Processus de Diagnostic
Les auteurs ont mené une étude diagnostique approfondie sur une option put américaine sur panier à deux actifs en utilisant MATLAB. L'article détaille une progression de huit séries d'expériences, soulignant que les choix architecturaux seuls étaient insuffisants ; la formulation mathématique de la fonction de perte était critique.

Échecs Initiaux (Essais 1–3) : Les premières tentatives utilisant des pénalités de type "squared-hinge" standard pour la condition d'obstacle et des entrées non normalisées ont conduit à une divergence ou à une surestimation significative du prix de l'option (ex: $12,58 contre une référence Monte Carlo de $6,90). Le réseau avait tendance à gonfler les valeurs pour satisfaire la contrainte de supériorité sans équilibrer correctement le résidu d'EDP.
Échantillonnage et Stabilité (Essais 4–7) : Des ajustements tels qu'un échantillonnage proche du prix d'exercice (near-strike), un rééchantillonnage adaptatif, et la variation du paysage de perte (ex: utilisant un terme d'inégalité variationnelle unique) n'ont pas réussi à résoudre l'écart. En fait, le rééchantillonnage adaptatif basé sur les résidus actuels a aggravé les performances ($30,77), et les pertes d'inégalité variationnelle ont introduit de l'instabilité. L'essai 6, qui combinait des obstacles stables de type hinge avec un échantillonnage near-strike, a également échoué, produisant un prix de $12,96 avec des Grecs plats.
La Percée (Essai 8) : La configuration réussie a reposé sur la correction d'une incompréhension théorique dans la fonction de perte :
1. Pénalité d'EDP Unilatérale : Le résidu d'EDP n'est pénalisé que lorsqu'il est négatif (dans la région de continuation), permettant au résidu d'être positif dans la région d'exercice où l'EDP ne s'applique pas strictement.
2. Complémentarité de Fischer–Burmeister : Au lieu d'une fonction min non lisse ou d'un simple hinge, une fonction de Fischer–Burmeister lisse a été utilisée pour imposer la condition de complémentarité ( $gap \ge 0, F \ge 0, gap \cdot F = 0$ ).
3. Normalisation : Les entrées et les sorties ont été normalisées par le prix d'exercice $K$ .

Résultat Final :
Avec la fonction de perte corrigée (Essai 8), le PINN a obtenu un prix de $7,87 pour le put sur panier, comparé à la référence Monte Carlo de Longstaff–Schwartz de $6,90. Cela représente une surestimation d'environ 14 %. Les auteurs notent que bien qu'il s'agisse d'une amélioration significative par rapport aux essais précédents, la comparaison initiale a révélé un « désaccord clair » entre les approches, et le résultat final reste une surestimation nécessitant des corrections théoriques spécifiques pour atteindre la valeur de référence. Les Grecs (deltas) s'alignaient également plus étroitement avec la référence.

Signification et Revendications
L'article affirme que le cadre PINN offre une méthodologie sans maillage (mesh-free) capable de gérer l'évaluation d'options américaines de haute dimension là où les méthodes classiques basées sur des grilles échouent à cause de la malédiction de la dimensionnalité.

La contribution principale n'est pas simplement l'application de réseaux de neurones, mais l'identification rigoureuse de la structure mathématique requise pour la fonction de perte. Les auteurs démontrent que pour les problèmes à frontière libre, la fonction de perte doit encoder avec précision l'inégalité variationnelle, en respectant spécifiquement le fait que le résidu de l'EDP et la condition d'obstacle n'ont pas besoin de s'annuler simultanément partout. L'étude conclut que l'approche PINN n'est compétitive avec les méthodes Monte Carlo classiques qu'une fois sa fonction de perte encode correctement l'inégalité variationnelle sous-jacente, et non avant. Cela souligne que l'approche générale nécessite des corrections théoriques spécifiques de la structure de perte pour atteindre l'exactitude, plutôt que d'être intrinsèquement compétitive dans sa formulation standard.

Résumé Technique : Évaluation d'Options Multi-Actifs par Réseaux de Neurones Informés par la Physique

Articles similaires