MQ

Question 1

🟩 Fiche 1 — Systèmes d’équations linéaires
[Concepts fondamentaux et applications financières]

1- Objectif et usage
– Un système d’équations linéaires sert à trouver la valeur de plusieurs variables interdépendantes à partir d’un ensemble d’équations.
– En finance et en économie, il permet de modéliser des relations simultanées : prix, rendements, flux de trésorerie ou contraintes d’optimisation.
– Comprendre comment ces systèmes fonctionnent aide à structurer des problèmes complexes de façon logique et mathématique.

Exemple concret :
Un gestionnaire de portefeuille souhaite trouver les pondérations w1, w2 et w3 qui respectent trois conditions : un rendement cible, une contrainte de budget (somme des pondérations = 1) et une exposition au risque limitée. Ces conditions forment un système d’équations linéaires.

2- Concepts clés
– Une équation linéaire est une relation où les variables apparaissent uniquement à la première puissance et ne se multiplient jamais entre elles. Cela garantit que les effets de chaque variable sont proportionnels. En finance, cela modélise des relations proportionnelles simples, comme la variation d’un prix en fonction d’un facteur de coût.
– Un système linéaire est un ensemble de plusieurs équations linéaires partageant les mêmes variables. Par exemple, un modèle économique reliant la consommation, l’investissement et le revenu national.
– Chaque équation représente une contrainte, les coefficients indiquent la force d’influence de chaque variable et les constantes représentent les valeurs observées ou cibles.
– Un système peut avoir :

une solution unique (modèle bien défini),

aucune solution (contraintes contradictoires),

ou une infinité de solutions (plusieurs combinaisons possibles).
Dans un modèle financier, cela signifie que selon les hypothèses, un portefeuille peut être parfaitement défini, irréalisable ou avoir plusieurs structures possibles.

3- Règles et hypothèses
– Compatibilité : un système est compatible si au moins une combinaison de variables satisfait toutes les équations. En finance, un portefeuille est compatible avec les contraintes si des pondérations respectent à la fois le rendement cible et la contrainte budgétaire.
– Redondance : une équation est redondante si elle peut être obtenue comme combinaison linéaire des autres. Cela se produit souvent quand certaines contraintes expriment la même idée sous une autre forme (exemple : somme des parts de marché = 100 % et somme des pondérations = 1).
– Dépendance linéaire : deux équations sont dépendantes si elles expriment la même contrainte sous une autre forme. En pratique, cela signifie que certaines hypothèses du modèle n’ajoutent aucune information nouvelle, un problème courant en régression linéaire.
– Homogénéité : un système homogène (toutes les constantes = 0) représente souvent une situation d’équilibre ou de neutralité. Exemple : un portefeuille à rendement net nul ou un bilan équilibré.

4- Applications concrètes
– En macroéconomie : les modèles d’équilibre général (comme le modèle IS-LM) reposent sur des systèmes d’équations linéaires reliant la production, les taux d’intérêt et la demande globale.
– En finance de marché : les modèles de tarification des actifs (CAPM ou APT) utilisent des relations linéaires entre le rendement d’un actif et différents facteurs de risque.
– En gestion de portefeuille : lorsqu’un investisseur fixe un objectif de rendement et une contrainte de budget, le calcul des pondérations optimales repose sur un système d’équations linéaires.
– En comptabilité et planification budgétaire : les flux de revenus, coûts fixes et variables peuvent être exprimés sous forme d’équations linéaires pour trouver le seuil de rentabilité.

Exemple :
Une entreprise produit trois biens A, B et C avec des coûts et marges différents. En fixant un objectif de profit total et une capacité maximale de production, on obtient un système d’équations permettant de déterminer les quantités à produire pour atteindre la rentabilité souhaitée.

5- Matière complémentaire
– L’algèbre linéaire et la programmation linéaire reposent sur les mêmes principes. Ces outils sont utilisés dans la recherche opérationnelle pour optimiser des portefeuilles, planifier la production ou répartir des ressources limitées.
– Le conditionnement numérique mesure la stabilité d’un système. Si les coefficients sont presque dépendants (exemple : variables très corrélées), une petite erreur d’estimation peut changer fortement la solution. Cela est fréquent dans les modèles financiers sensibles aux corrélations.
– Interprétation graphique : pour deux variables, chaque équation représente une droite. Leur point d’intersection est la solution. En trois dimensions, ce sont des plans, et en n dimensions, des hyperplans.

Question 2

🟩 Fiche 2 — Résolution des systèmes linéaires
[Méthode de Gauss et interprétation financière]

1- Objectif et usage
– La résolution d’un système linéaire consiste à trouver la ou les valeurs des variables qui satisfont simultanément plusieurs équations.
– La méthode de Gauss (ou élimination de Gauss) est une procédure systématique qui transforme un système complexe en un système plus simple, dit triangulaire, où la solution se déduit facilement.
– En finance, cette méthode est utilisée implicitement dans presque tous les logiciels de calcul (Excel, Python, R, Matlab) pour résoudre des équations liées à la tarification, à la gestion de portefeuille ou à la prévision statistique.

Exemple concret :
Dans un modèle de risque de crédit, plusieurs facteurs (revenus, ratios d’endettement, taux d’intérêt, historique de paiement) interagissent pour déterminer la probabilité de défaut. Ces relations peuvent être exprimées sous forme d’équations linéaires et résolues par la méthode de Gauss afin d’isoler l’impact individuel de chaque variable.

2- Concepts clés
– La méthode de Gauss repose sur trois opérations élémentaires effectuées sur les lignes d’un système :

Échanger deux lignes pour placer une variable plus “forte” en haut du système.

Multiplier une ligne par un nombre non nul pour ajuster les coefficients.

Ajouter à une ligne un multiple d’une autre pour éliminer une variable.
Ces opérations ne changent pas la solution du système mais le rendent plus simple à résoudre.

– Le but est de transformer progressivement le système jusqu’à ce que chaque équation contienne une variable de moins que la précédente. On parle alors d’un système triangulaire, où la dernière équation ne contient qu’une seule variable.

– Une fois le système triangulaire obtenu, on procède à la “remontée” (appelée substitution inverse) pour trouver toutes les variables une à une.

3- Règles et hypothèses
– Le succès de la méthode dépend de la présence de coefficients non nuls dans les positions clés (appelées pivots). Si un pivot vaut zéro, il faut échanger les lignes pour en trouver un non nul.
– Si tous les pivots deviennent nuls avant la fin de l’élimination, cela signifie que le système n’a pas de solution unique (il est soit incompatible, soit indéterminé).
– En pratique, pour éviter les erreurs numériques, on utilise souvent une version améliorée appelée “pivot partiel” ou “pivot total” qui choisit le plus grand coefficient possible comme pivot afin de limiter les erreurs d’arrondi.

– En finance quantitative, cette précaution est essentielle : les modèles utilisant des données empiriques comportent souvent des valeurs proches les unes des autres, ce qui rend les systèmes sensibles aux erreurs d’approximation.

4- Applications concrètes
– En gestion de portefeuille :

Lorsqu’on résout les équations d’optimisation de Markowitz (minimisation de la variance sous contraintes), le cœur du calcul repose sur l’inversion d’une matrice de covariances, obtenue par élimination de Gauss.

Exemple : trouver les pondérations optimales w1, w2 et w3 en fonction de trois équations représentant le rendement cible, la contrainte budgétaire et la somme des risques.

– En analyse des données financières :

Lorsqu’un modèle de régression linéaire est appliqué à des rendements d’actifs, les estimateurs des coefficients sont calculés à partir d’un système linéaire résolu par Gauss.

Cela permet de quantifier l’effet de chaque facteur (taux d’intérêt, inflation, volatilité) sur le rendement d’un actif.

– En ingénierie financière :

La tarification d’obligations ou de produits dérivés complexes nécessite souvent la résolution de plusieurs équations simultanées reliant prix, taux d’actualisation et flux futurs.

L’élimination de Gauss est utilisée dans les logiciels d’évaluation pour ajuster les paramètres de ces équations.

Exemple concret :
Un analyste cherche à déterminer trois variables inconnues : le taux d’actualisation, la durée moyenne et le rendement effectif d’un portefeuille obligataire. Il dispose de trois équations issues de la valeur actuelle nette, du rendement attendu et du prix observé. Ces équations forment un système que la méthode de Gauss permet de résoudre en éliminant les variables une à une.

5- Matière complémentaire
– La méthode de Gauss est l’une des premières étapes vers la compréhension de l’inversion de matrices, qui est au cœur des modèles de prévision et de risque.
– Elle est à la base de nombreux algorithmes d’ordinateur utilisés dans la finance numérique : simulation Monte Carlo, calculs de sensibilité, ou encore résolution de modèles VAR et SVAR.
– Dans Excel, les fonctions “MINVERSE” (pour l’inverse de matrice) et “MMULT” (pour la multiplication) reproduisent les calculs réalisés par Gauss sans intervention manuelle.
– En Python, la bibliothèque NumPy utilise des variantes optimisées de cette méthode (numpy.linalg.solve) pour traiter des milliers d’équations à la fois.
– Dans Matlab, les commandes “rref” et “linsolve” effectuent automatiquement l’élimination de Gauss et la substitution inverse, ce qui rend la méthode applicable même à des modèles financiers à grande échelle.

Exemple d’interprétation :
Lorsqu’un modèle de prévision du PIB ou du taux d’inflation est calibré à partir de plusieurs séries économiques, la méthode de Gauss permet de calculer simultanément tous les coefficients du modèle en réduisant progressivement le système d’équations.

Question 3

🟩 Fiche 3 — Calcul matriciel
[Définitions, opérations de base et interprétations financières]

1- Objectif et usage
– Le calcul matriciel est un langage mathématique qui permet de manipuler efficacement des ensembles de données et de relations linéaires.
– En finance et en économie, les matrices servent à représenter des portefeuilles, des corrélations, des flux de trésorerie ou des systèmes d’équations complexes.
– Ce concept est fondamental car il constitue la base de l’analyse quantitative moderne : optimisation, modélisation statistique, apprentissage automatique, prévisions économiques, etc.

Exemple concret :
Une banque gère un portefeuille de 100 actifs et veut calculer les rendements moyens, les covariances et les risques combinés. Le calcul matriciel permet d’effectuer ces opérations en quelques lignes plutôt que de traiter 100 équations séparément.

2- Concepts clés
– Une matrice est un tableau rectangulaire composé de nombres organisés en lignes et colonnes.
– Chaque élément représente une relation entre deux dimensions (par exemple, le rendement d’un actif à une période donnée).
– Les matrices sont notées généralement par des lettres majuscules (A, B, C), tandis que leurs éléments sont notés par des indices (a11, a12, etc.).
– Les dimensions d’une matrice se lisent “lignes par colonnes”. Exemple : une matrice 3x2 a 3 lignes et 2 colonnes.
– Deux matrices peuvent être additionnées ou soustraites seulement si elles ont exactement la même taille.
– Les matrices permettent de décrire plusieurs opérations : addition, multiplication, transposition et inversion.

3- Règles et hypothèses
– Addition et soustraction :

Chaque élément correspondant des deux matrices est additionné ou soustrait.

En finance, cela sert à comparer deux portefeuilles ou deux séries de rendements.

Exemple : la différence entre les matrices des rendements réels et prévus donne la matrice des erreurs de prévision.

– Multiplication par un scalaire :

Multiplier une matrice par un nombre revient à multiplier chaque élément par ce nombre.

Cela permet de simuler des scénarios de hausse ou de baisse proportionnelle d’un ensemble de données.

Exemple : appliquer une hausse de 10 % à tous les prix d’un portefeuille revient à multiplier la matrice des prix par 1,10.

– Multiplication entre matrices :

Pour multiplier A par B, le nombre de colonnes de A doit être égal au nombre de lignes de B.

L’élément en position (i, k) du produit correspond à la somme des produits des éléments de la ligne i de A par ceux de la colonne k de B.

Cette opération combine des variables interdépendantes. En finance, c’est l’équivalent d’un calcul de rendement pondéré : une matrice de rendements multipliée par une matrice de pondérations donne un rendement global.

Exemple concret :
Un portefeuille composé de trois actifs a une matrice de rendements (3 lignes, une par actif) et une matrice de pondérations (3 colonnes, une par actif). Leur multiplication donne la valeur agrégée du portefeuille pour chaque période.

– Transposition :

La transposée d’une matrice échange ses lignes et ses colonnes.

Cela est utile pour réorienter les données selon les besoins d’analyse.

Exemple : dans un fichier Excel, transposer une matrice de rendements mensuels (actifs en colonnes, mois en lignes) permet d’analyser la performance de chaque actif dans le temps.

– Identité et matrices particulières :

La matrice identité agit comme le “1” de la multiplication : multiplier une matrice par l’identité ne change rien.

La matrice nulle est l’équivalent du “0”.

Ces matrices servent souvent à vérifier des équilibres ou à construire des modèles où certaines variables restent constantes.

4- Applications concrètes
– En gestion de portefeuille :

Les matrices permettent de regrouper toutes les données de rendement et de risque dans un seul cadre.

Exemple : le calcul de la variance d’un portefeuille s’exprime sous forme matricielle, combinant la matrice des covariances avec celle des pondérations.

– En évaluation d’actifs :

Les modèles multifactoriels (comme le modèle APT) utilisent des matrices pour relier le rendement de chaque actif à plusieurs facteurs de risque.

Chaque ligne de la matrice représente un actif, chaque colonne un facteur (inflation, taux d’intérêt, croissance du PIB, etc.).

– En prévision et économétrie :

Les régressions linéaires utilisent des matrices pour calculer rapidement les coefficients reliant les variables explicatives aux variables dépendantes.

Cette approche permet d’évaluer des centaines de relations économiques à la fois.

– En finance d’entreprise :

Lorsqu’une entreprise prévoit ses flux de trésorerie sur plusieurs années, les matrices facilitent la simulation de scénarios (hausse des ventes, variation des coûts, changements de taux d’intérêt).

Exemple concret :
Une entreprise veut analyser l’effet combiné de trois variables (prix, volume, taux de change) sur son chiffre d’affaires. Les données historiques de chaque variable sont placées dans une matrice, et une autre matrice de coefficients exprime leur influence relative. La multiplication donne une estimation des ventes totales prévues pour chaque période.

5- Matière complémentaire
– Le calcul matriciel est le fondement de l’intelligence artificielle appliquée à la finance. Les modèles de machine learning (réseaux neuronaux, régressions multiples, analyse en composantes principales) reposent sur la manipulation de grandes matrices.
– En statistique, les matrices permettent de calculer rapidement les moyennes, variances et covariances d’un ensemble d’observations.
– En économie, elles servent à représenter les relations entre secteurs (modèle input-output de Leontief) où chaque case indique la dépendance d’un secteur envers un autre.
– En finance de marché, les matrices de corrélation permettent d’identifier les actifs qui évoluent ensemble, facilitant la diversification du risque.
– Les matrices sont aussi essentielles dans les simulations Monte Carlo : elles permettent de générer des séries corrélées de variables aléatoires pour modéliser les scénarios de marché.

Question 4

🟩 Fiche 4 — Types particuliers de matrices
[Matrices diagonales, triangulaires, symétriques et élémentaires]

1- Objectif et usage
– Certaines matrices ont des formes ou des propriétés spécifiques qui simplifient considérablement les calculs.
– Ces structures particulières apparaissent dans de nombreux contextes financiers, par exemple dans les modèles de risque, les calculs de corrélation, l’évaluation de portefeuilles et la modélisation de scénarios économiques.
– Comprendre ces types de matrices permet d’interpréter plus rapidement les relations entre variables et d’optimiser les calculs dans des modèles complexes.

Exemple concret :
Lorsqu’une institution financière calcule la covariance entre plusieurs actifs, la matrice résultante est symétrique. Cette propriété garantit que la covariance entre l’actif A et B est la même que celle entre B et A, ce qui réduit le nombre de calculs nécessaires.

2- Concepts clés
– Une matrice diagonale est une matrice carrée dont tous les éléments en dehors de la diagonale principale sont nuls.

Les valeurs sur la diagonale représentent souvent des coefficients d’importance ou des pondérations individuelles.

Exemple : dans une matrice de risque simplifiée, chaque actif peut être représenté sur la diagonale avec sa variance propre, sans interaction avec les autres actifs.

Les opérations sur les matrices diagonales sont très simples : leur inverse, leur produit ou leur puissance sont toujours des matrices diagonales.

– Une matrice triangulaire supérieure a des valeurs nulles sous la diagonale principale, tandis qu’une matrice triangulaire inférieure a des valeurs nulles au-dessus de cette diagonale.

Ces matrices apparaissent lors de la résolution de systèmes d’équations par la méthode de Gauss ou lors de la décomposition LU.

En finance, elles sont utilisées pour séparer les effets directs et indirects entre variables économiques.

Exemple : dans un modèle de propagation de chocs économiques, une matrice triangulaire supérieure peut représenter l’ordre chronologique dans lequel les secteurs réagissent à un choc initial.

– Une matrice symétrique est une matrice égale à sa transposée.

Cela signifie que la relation entre les variables est réciproque.

Exemple : la matrice de covariance ou de corrélation utilisée en gestion de portefeuille est toujours symétrique, car la covariance entre deux actifs est la même dans les deux directions.

Si une matrice symétrique est inversible, son inverse est aussi symétrique. Cette propriété est utile dans le calcul du risque global d’un portefeuille.

– Une matrice élémentaire est obtenue en appliquant une seule opération élémentaire sur la matrice identité (échanger deux lignes, multiplier une ligne par un nombre, ou ajouter une ligne à une autre).

Ces matrices servent à représenter les transformations successives effectuées lors de la résolution d’un système d’équations.

Multiplier une matrice de données par une matrice élémentaire revient à appliquer directement une transformation aux équations du système.

Exemple : dans un modèle financier, cela peut représenter une normalisation des données (comme ajuster les flux de trésorerie par un facteur d’inflation).

3- Règles et hypothèses
– Les matrices diagonales et triangulaires sont toujours carrées.
– Une matrice triangulaire supérieure devient diagonale si tous les éléments au-dessus ou en dessous de la diagonale sont nuls.
– La transposée d’une matrice triangulaire supérieure est une matrice triangulaire inférieure, et inversement.
– Une matrice symétrique doit avoir des dimensions égales (nombre de lignes = nombre de colonnes).
– Les matrices élémentaires sont toujours inversibles, et leur inverse est aussi une matrice élémentaire.
– Dans la pratique, ces matrices sont utilisées pour accélérer les calculs, car leurs structures permettent de réduire la complexité du traitement.

4- Applications concrètes
– En gestion du risque :

Les matrices de variance-covariance et de corrélation sont des matrices symétriques. Elles servent à mesurer la dépendance entre plusieurs actifs d’un portefeuille.

Exemple : dans un portefeuille diversifié, une matrice symétrique permet d’identifier rapidement les actifs dont les variations de prix sont fortement liées.

– En modélisation économique :

Les modèles structurels (comme les modèles VAR ou SVAR) utilisent des matrices triangulaires pour représenter les effets causaux entre variables.

Exemple : dans un modèle VAR, une matrice triangulaire inférieure peut être utilisée pour décrire la réaction différée des variables économiques à un choc de politique monétaire.

– En finance quantitative :

Les matrices diagonales sont utilisées pour isoler des effets spécifiques, par exemple pour appliquer des coefficients de pondération individuels à une série de données.

Exemple : une matrice diagonale contenant des facteurs de risque permet de calculer l’exposition spécifique de chaque actif sans interaction entre eux.

– En informatique financière :

Les matrices triangulaires sont utilisées dans les algorithmes numériques pour résoudre efficacement de grandes équations, notamment via la décomposition LU ou la factorisation de Cholesky.

Exemple : la factorisation de Cholesky, utilisée dans le calcul de la matrice de covariance pour les simulations Monte Carlo, produit une matrice triangulaire inférieure utilisée pour générer des variables aléatoires corrélées.

5- Matière complémentaire
– Les matrices diagonales représentent souvent des systèmes indépendants, c’est-à-dire des situations où chaque variable évolue sans influencer les autres. Dans un modèle financier, cela correspond à des actifs totalement décorrélés.
– Les matrices triangulaires traduisent souvent une hiérarchie ou un ordre temporel : elles sont utilisées pour modéliser des chaînes de dépendance, par exemple l’effet séquentiel d’un choc économique sur plusieurs marchés.
– Les matrices symétriques jouent un rôle central dans la décomposition spectrale : toute matrice symétrique peut être décomposée en valeurs propres et vecteurs propres, ce qui permet d’analyser la structure de la variance dans un ensemble de données.
– Les matrices élémentaires constituent la base des transformations linéaires : elles sont utilisées dans les programmes informatiques pour implémenter les étapes de calcul d’un modèle d’optimisation ou d’équilibre financier.
– En apprentissage automatique appliqué à la finance, la symétrie et la triangularité sont exploitées pour réduire la complexité des calculs lors de l’entraînement des modèles sur de grandes bases de données.

Question 5

Excellent 👌
Voici la Fiche 5, toujours en format texte brut, complète, claire et avec beaucoup de matière complémentaire et d’exemples concrets financiers et économiques.

🟩 Fiche 5 — Déterminant d’une matrice
[Signification, propriétés et interprétations économiques]

1- Objectif et usage
– Le déterminant est un nombre associé à une matrice carrée qui renseigne sur la “structure interne” du système qu’elle représente.
– Il permet de savoir si une matrice est inversible, si un système d’équations a une solution unique ou s’il est redondant.
– En finance, le déterminant est utilisé pour vérifier la stabilité et la solvabilité des modèles, pour détecter les dépendances entre variables et pour évaluer la cohérence des portefeuilles ou des modèles statistiques.

Exemple concret :
Lorsqu’un analyste construit un modèle de régression pour expliquer les rendements d’actifs à l’aide de plusieurs facteurs, un déterminant nul de la matrice des variables explicatives signifie que certaines variables sont redondantes (elles apportent la même information). Cela rend le modèle non fiable.

2- Concepts clés
– Le déterminant mesure la “déformabilité” d’un système : il indique dans quelle mesure une transformation linéaire change le volume de l’espace qu’elle occupe.

• Si le déterminant est égal à zéro, la transformation “aplatit” complètement l’espace, ce qui signifie que certaines variables sont dépendantes entre elles.
• Si le déterminant est non nul, cela indique que le système est stable et qu’il existe une solution unique.

– En dimension deux, le déterminant peut être interprété comme l’aire d’un parallélogramme formé par les vecteurs colonnes de la matrice. En dimension trois, il correspond au volume du parallélépipède défini par ces vecteurs.

• Dans un contexte financier, cela représente la diversité ou l’indépendance entre variables : plus le volume est grand, plus les variables apportent de nouvelles informations.

– Le signe du déterminant (positif ou négatif) renseigne sur le sens de la transformation :

• Un signe positif indique une orientation préservée (la structure du système reste cohérente).
• Un signe négatif indique une inversion de l’orientation (par exemple, un retournement ou une inversion de tendance dans un modèle économique).

3- Règles et hypothèses
– Si une matrice possède une ligne ou une colonne nulle, son déterminant est nul. Cela traduit un manque d’information ou une variable inactive dans le modèle.
– Si deux lignes ou deux colonnes sont proportionnelles ou identiques, le déterminant est nul : cela indique une redondance parfaite entre les variables.
– Multiplier une ligne ou une colonne par un nombre k multiplie le déterminant par ce même facteur k.
– Échanger deux lignes ou deux colonnes change le signe du déterminant.
– Le déterminant d’un produit de matrices est égal au produit de leurs déterminants.
– Le déterminant d’une matrice transposée est égal au déterminant de la matrice originale.

– Ces règles permettent d’interpréter directement la stabilité d’un modèle sans effectuer tous les calculs : un déterminant nul signifie que le modèle ne peut pas être inversé, donc qu’il est impossible de trouver une solution unique.

4- Applications concrètes
– En gestion de portefeuille :

• Le déterminant de la matrice de variance-covariance mesure la dispersion globale des actifs.
• Un déterminant proche de zéro indique une forte corrélation entre actifs, donc une faible diversification.
• Exemple : dans un portefeuille où tous les actifs évoluent de la même manière, la matrice de covariance est quasi singulière et son déterminant est proche de zéro, révélant un risque de concentration.

– En économétrie :

• Lorsqu’on estime un modèle de régression multiple, le déterminant de la matrice des variables explicatives (appelée matrice de X’X) sert à détecter la multicolinéarité.
• Si ce déterminant est faible, cela signifie que certaines variables sont fortement corrélées, ce qui rend les coefficients instables et les prévisions peu fiables.

– En évaluation du risque :

• Le déterminant intervient dans la formule du calcul de densité de la loi normale multivariée.
• Dans les modèles de Value-at-Risk ou de gestion de portefeuille, un déterminant faible de la matrice de covariance signifie que le risque global est concentré sur quelques facteurs dominants.

– En finance d’entreprise :

• Lorsqu’on évalue la solvabilité d’une entreprise à l’aide d’un modèle comptable linéaire (basé sur les flux d’actifs, dettes et revenus), un déterminant nul indique que les équations de flux sont interdépendantes : il devient impossible de distinguer clairement les sources de financement ou les postes d’actifs.

Exemple concret :
Un gestionnaire d’actifs construit un modèle reliant le rendement d’un portefeuille à trois facteurs : la croissance économique, le taux d’intérêt et le prix du pétrole. Si le déterminant de la matrice des facteurs est nul, cela signifie que deux de ces variables évoluent presque toujours ensemble. Le modèle ne peut alors pas identifier correctement l’effet individuel de chaque facteur.

5- Matière complémentaire
– Le déterminant est un outil clé pour déterminer si une matrice est inversible : seule une matrice dont le déterminant est non nul peut être inversée. L’inverse est utilisé pour résoudre des systèmes linéaires et calculer les coefficients optimaux dans des modèles de régression.
– Dans les modèles économiques complexes (comme les modèles d’équilibre général), le déterminant de la matrice jacobienne permet de vérifier la stabilité d’un équilibre. Si ce déterminant est nul ou négatif, cela signifie que le système risque de diverger au lieu de se stabiliser.
– En mathématiques financières, la stabilité d’un modèle d’évaluation dépend souvent du signe et de la valeur du déterminant associé aux coefficients. Un déterminant faible signale une sensibilité accrue aux erreurs de mesure, un phénomène appelé “mauvais conditionnement”.
– Dans les simulations numériques, les logiciels comme Matlab, R ou Python vérifient le déterminant avant d’inverser une matrice : un déterminant proche de zéro déclenche souvent un avertissement (“matrix is singular or nearly singular”).
– En finance comportementale ou dans les modèles de stress tests, l’évolution du déterminant d’une matrice de corrélation au fil du temps peut révéler une augmentation de la connectivité entre actifs — un signe précurseur de contagion financière ou de crise de liquidité.

Question 6

🟩 Fiche 6 — Inversion d’une matrice
[Principe, interprétation et applications financières]

1- Objectif et usage
– L’inverse d’une matrice joue le même rôle qu’un inverse en arithmétique : elle permet de “revenir en arrière” dans une transformation linéaire.
– Si une matrice A transforme un ensemble de variables X en résultats Y, alors son inverse A⁻¹ permet de retrouver X à partir de Y.
– En finance, l’inverse de matrice est un outil essentiel pour :

• résoudre des systèmes d’équations linéaires,
• calculer les coefficients optimaux dans les modèles de régression,
• estimer les poids d’un portefeuille efficient,
• et simuler des scénarios économiques inverses (par exemple retrouver les facteurs expliquant un rendement observé).

Exemple concret :
Dans la gestion de portefeuille de Markowitz, l’inverse de la matrice de covariance est utilisée pour déterminer la combinaison optimale des actifs qui minimise le risque pour un rendement donné.

2- Concepts clés
– Une matrice carrée A est dite inversible si et seulement si son déterminant est non nul.

• Si le déterminant est nul, cela signifie que certaines colonnes ou lignes sont dépendantes, donc qu’il est impossible de calculer un inverse.
• En pratique, cela indique qu’il existe une redondance ou une corrélation parfaite entre les variables du système.

– L’inverse d’une matrice est notée A⁻¹ et vérifie la relation suivante :
A × A⁻¹ = I et A⁻¹ × A = I
où I est la matrice identité.
Cette relation signifie que multiplier une matrice par son inverse ramène le système à son état d’origine, comme “diviser” par un nombre en algèbre.

– L’inverse peut être calculée par différentes méthodes :

• méthode du cofacteur et du déterminant (approche théorique),
• méthode de Gauss-Jordan (plus efficace pour les grands systèmes),
• décomposition LU (utilisée par les logiciels de calcul numérique).

– En finance, l’inverse de matrice permet de neutraliser des effets combinés entre variables. Par exemple, dans une analyse multifactorielle, elle sert à isoler la contribution indépendante de chaque facteur de risque sur le rendement total.

3- Règles et hypothèses
– Une matrice est inversible si et seulement si :

• elle est carrée,
• son déterminant est non nul,
• ses lignes et colonnes sont linéairement indépendantes.

– Si une matrice n’est pas inversible, on dit qu’elle est “singulière”.

• En finance, une matrice singulière apparaît souvent lorsqu’un portefeuille contient des actifs parfaitement corrélés ou lorsqu’un modèle statistique contient des variables explicatives redondantes.
• Exemple : deux actifs dont les rendements évoluent toujours de manière identique rendent la matrice de covariance impossible à inverser.

– La matrice inverse est unique : il n’existe qu’une seule matrice A⁻¹ telle que A × A⁻¹ = I.
– L’inverse d’un produit est l’inverse du produit pris dans l’ordre inverse : (A × B)⁻¹ = B⁻¹ × A⁻¹.
– La transposée de l’inverse est l’inverse de la transposée : (Aᵀ)⁻¹ = (A⁻¹)ᵀ.

4- Applications concrètes
– En gestion de portefeuille :

• Le calcul des pondérations optimales dans le modèle de Markowitz repose sur l’inverse de la matrice de covariance.
• Cette matrice décrit comment les rendements des actifs évoluent ensemble. L’inverser permet de déterminer les pondérations qui minimisent la variance globale du portefeuille.
• Exemple : pour un portefeuille de trois actifs, l’inverse de la matrice de covariance permet d’obtenir la combinaison exacte des poids qui offre le meilleur rapport rendement/risque.

– En économétrie et en prévision :

• L’inversion de matrice est utilisée pour résoudre les équations normales du modèle de régression linéaire multiple.
• Les coefficients estimés (bêta) se calculent à l’aide de la formule b = (XᵀX)⁻¹XᵀY.
• Cela permet d’isoler l’effet de chaque variable explicative (taux d’intérêt, croissance, inflation, etc.) sur une variable dépendante (comme le rendement d’un actif).

– En modélisation économique :

• Dans les modèles d’équilibre général, l’inverse de la matrice jacobienne permet de mesurer comment un choc dans une variable (par exemple, une hausse de la demande) se propage à d’autres variables (comme la production ou le prix).

– En gestion du risque :

• L’inverse de la matrice de covariance est également utilisée pour estimer la “matrice de précision”, qui sert à identifier les interdépendances directes entre actifs.
• Plus les éléments de cette matrice sont élevés, plus la relation entre deux actifs est directe et forte.

Exemple concret :
Une société de gestion souhaite comprendre les interactions entre les rendements de ses actifs. La matrice de covariance montre la corrélation générale, mais son inverse (la matrice de précision) met en évidence les liens directs. Si deux actifs ont un élément de précision nul, cela signifie qu’ils ne s’influencent pas directement, mais seulement via d’autres actifs.

5- Matière complémentaire
– Dans la pratique, l’inversion de matrices de grande taille peut être instable à cause des erreurs d’arrondi. Les logiciels financiers (Excel, R, Python) utilisent des méthodes numériques robustes pour minimiser ces erreurs.
– Dans les grands modèles de gestion de portefeuille, on utilise parfois la “pseudo-inverse” (ou inverse de Moore-Penrose) pour traiter les matrices presque singulières. Cela permet d’obtenir une solution approchée lorsque la matrice n’est pas totalement inversible.
– En finance quantitative, les inverses de matrices apparaissent aussi dans les algorithmes de machine learning supervisé, comme la régression ridge ou la régression LASSO, où elles sont régularisées pour éviter la sur-spécification des modèles.
– En macroéconomie, les inverses de matrices permettent de simuler la réaction du système à des chocs exogènes. Par exemple, dans un modèle de type VAR, l’inverse de la matrice des coefficients structurels permet d’estimer la propagation temporelle des chocs monétaires ou budgétaires.
– Enfin, dans les modèles d’optimisation sous contraintes (par exemple les modèles d’arbitrage ou de tarification), l’inversion permet de “résoudre” la combinaison de contraintes qui maximise la performance ou minimise le risque.

Question 7

🟩 Fiche 7 — Valeurs propres et vecteurs propres
[Concepts fondamentaux et interprétations financières]

1- Objectif et usage
– Les valeurs propres et vecteurs propres sont au cœur de l’analyse des systèmes complexes. Ils permettent d’identifier les “directions principales” d’un modèle et de mesurer la force de chaque composante.
– Dans un langage simple, un vecteur propre est une direction qui ne change pas lorsqu’on lui applique une transformation (représentée par une matrice), et sa valeur propre indique à quel point il est “étiré” ou “compressé”.
– En finance et en économie, ces concepts servent à comprendre la structure interne des risques, à identifier les facteurs dominants dans les rendements, et à simplifier les modèles statistiques grâce à des représentations plus compactes.

Exemple concret :
Dans une matrice de covariance représentant les rendements de 100 actions, les valeurs propres permettent d’identifier les principaux facteurs de marché. Si une seule valeur propre explique 60 % de la variance totale, cela signifie que la majorité du risque du portefeuille est due à un seul facteur commun (par exemple, la conjoncture économique).

2- Concepts clés
– Une valeur propre (aussi appelée “eigenvalue”) est un nombre qui mesure l’intensité avec laquelle une transformation agit sur un vecteur donné.
– Un vecteur propre (ou “eigenvector”) est un vecteur non nul qui garde la même direction après transformation par une matrice.

Lorsqu’une matrice A multiplie un vecteur propre v, le résultat est un multiple du même vecteur : A × v = λ × v, où λ est la valeur propre associée.
– Les valeurs propres et vecteurs propres apparaissent uniquement pour les matrices carrées.
– Les valeurs propres peuvent être positives, nulles ou négatives, et leur interprétation dépend du contexte :

λ > 1 : la transformation amplifie le vecteur (croissance ou levier).

0 < λ < 1 : la transformation le réduit (atténuation ou amortissement).

λ = 0 : le vecteur est “écrasé”, il perd toute influence (dépendance complète).

λ < 0 : la direction du vecteur s’inverse (changement de signe, retournement).

3- Règles et hypothèses
– Une matrice possède autant de valeurs propres que son ordre (une matrice 3x3 possède 3 valeurs propres, mais elles peuvent être identiques).
– Si toutes les valeurs propres d’une matrice sont distinctes, la matrice est dite diagonalisable, ce qui signifie qu’elle peut être représentée sous une forme simplifiée facilitant les calculs.
– Les valeurs propres d’une matrice symétrique sont toujours réelles (et non imaginaires), ce qui garantit la stabilité des modèles financiers utilisant des matrices de covariance ou de corrélation.
– La somme des valeurs propres d’une matrice est égale à la trace de la matrice (la somme de ses éléments diagonaux).
– Le produit des valeurs propres est égal au déterminant de la matrice.
– Ces relations sont souvent utilisées pour vérifier la cohérence interne d’un modèle.

4- Applications concrètes
– En gestion de portefeuille :

Les valeurs propres de la matrice de covariance révèlent la concentration du risque.

Si une seule valeur propre est dominante, le risque est principalement lié à un facteur unique (souvent le marché global).

Exemple : dans un portefeuille d’actions canadiennes, la première valeur propre peut correspondre au “facteur marché”, tandis que les suivantes représentent des effets sectoriels ou géographiques.

– En analyse factorielle :

Les valeurs propres servent à déterminer le nombre de facteurs à retenir.

Les vecteurs propres associés représentent les combinaisons linéaires des variables originales qui expliquent le plus de variance.

Exemple : en analyse en composantes principales (ACP), la première composante (liée à la plus grande valeur propre) capture la direction dans laquelle la variance des rendements est maximale.

– En économétrie et modélisation dynamique :

Les valeurs propres du système indiquent la stabilité du modèle.

Si toutes les valeurs propres sont inférieures à 1 (en valeur absolue), le système est stable et tend vers un équilibre.

Si au moins une valeur propre dépasse 1, le système est explosif, ce qui peut signaler une bulle financière ou un déséquilibre macroéconomique.

– En gestion du risque :

Les modèles de Value-at-Risk utilisent la décomposition en valeurs propres pour réduire la dimension des matrices de covariance et accélérer les calculs.

Cette approche permet de simuler des portefeuilles contenant des milliers d’actifs sans recalculer la covariance complète.

– En intelligence artificielle financière :

Les réseaux neuronaux et les modèles de réduction dimensionnelle utilisent les valeurs propres pour identifier les “axes” les plus informatifs dans les données financières.

Cela permet de réduire la complexité des modèles tout en conservant l’essentiel de l’information.

Exemple concret :
Une firme d’investissement utilise une analyse en composantes principales sur 500 actions pour identifier les 5 principaux facteurs de risque. Ces facteurs, associés aux plus grandes valeurs propres, expliquent plus de 90 % des variations de rendement observées. Cela permet de gérer le risque de manière plus ciblée et efficace.

5- Matière complémentaire
– Les valeurs propres et vecteurs propres sont à la base de nombreuses méthodes modernes en finance quantitative : analyse en composantes principales (ACP), modèles de facteurs, algorithmes d’apprentissage automatique, et gestion du risque systémique.
– En économie, ils servent à analyser la dynamique des systèmes d’équations différentielles linéaires, notamment pour étudier la stabilité des équilibres.
– Dans les modèles de stress tests bancaires, les valeurs propres permettent de mesurer la sensibilité du système financier à différents chocs : plus la plus grande valeur propre est élevée, plus le système est vulnérable à un choc commun.
– En mathématiques appliquées à la finance, la diagonalisation d’une matrice permet de transformer un problème complexe en une série d’équations indépendantes beaucoup plus faciles à résoudre.
– En apprentissage automatique, la décomposition en valeurs propres (SVD, PCA) est utilisée pour compresser l’information et réduire la dimension des données tout en minimisant la perte d’information pertinente.
– En gestion du risque systémique, la surveillance de l’évolution des plus grandes valeurs propres dans le temps permet de détecter une montée de la corrélation entre les actifs, souvent un signal précurseur de crise financière.

Question 8

🟩 Fiche 8 — Décomposition spectrale et analyse en composantes principales (ACP)
[Réduction de dimension et interprétation en finance quantitative]

1- Objectif et usage
– La décomposition spectrale consiste à représenter une matrice comme le produit de ses vecteurs propres et de ses valeurs propres.
– Ce procédé permet de “démonter” une matrice complexe en composantes plus simples, révélant la structure interne des relations entre variables.
– En finance, cette idée est exploitée par l’analyse en composantes principales (ACP), une méthode qui identifie les facteurs dominants expliquant la majorité de la variance dans un ensemble de données.
– L’ACP est utilisée pour réduire la complexité des modèles, détecter les corrélations cachées et mieux comprendre les sources de risque d’un portefeuille.

Exemple concret :
Un gestionnaire d’actifs analyse les rendements de 200 actions. L’ACP lui montre que trois composantes principales suffisent à expliquer 85 % des variations totales. Ces trois composantes représentent les grands moteurs de marché (par exemple, la conjoncture mondiale, les taux d’intérêt et le secteur technologique).

2- Concepts clés
– Décomposition spectrale : toute matrice symétrique peut être représentée sous la forme : A = Q Λ Qᵀ, où Q contient les vecteurs propres et Λ les valeurs propres sur la diagonale.

Cette décomposition permet de “voir” comment la variance totale se répartit entre les différentes directions (vecteurs propres).

En finance, cela correspond à identifier les facteurs qui expliquent le plus de risque ou de rendement.

– Analyse en composantes principales (ACP) :

C’est une application directe de la décomposition spectrale à la matrice de covariance ou de corrélation.

L’ACP transforme des variables corrélées (comme les rendements d’actions) en nouvelles variables indépendantes appelées “composantes principales”.

Chaque composante correspond à une direction de variance maximale et est associée à une valeur propre mesurant son importance.

– Valeur propre dans l’ACP : indique la part de variance expliquée par la composante.

Plus la valeur propre est grande, plus la composante est importante.

La somme de toutes les valeurs propres correspond à la variance totale du système.

– Vecteur propre dans l’ACP : représente la combinaison linéaire d’actifs (ou de variables) associée à la composante principale.

En finance, il peut être interprété comme un “facteur latent” ou un “moteur de risque”.

3- Règles et hypothèses
– La matrice utilisée pour une ACP doit être symétrique et positive semi-définie (comme une matrice de covariance ou de corrélation).
– Les composantes principales sont toujours orthogonales (non corrélées entre elles).
– Le nombre maximal de composantes principales est égal au nombre de variables initiales, mais dans la pratique, seules les plus grandes valeurs propres sont retenues.
– En général, on retient assez de composantes pour expliquer au moins 80 % de la variance totale, mais le seuil dépend du contexte d’analyse.
– Une ACP ne crée pas de nouvelles informations : elle réorganise les données existantes de manière à les rendre plus lisibles et interprétables.

4- Applications concrètes
– Gestion de portefeuille et gestion du risque :

L’ACP aide à identifier les principaux moteurs de risque d’un portefeuille.

Exemple : une première composante peut représenter le facteur “marché global”, une seconde le facteur “taux d’intérêt” et une troisième le facteur “secteur technologique”.

En ne suivant que ces quelques facteurs, le gestionnaire peut simplifier le suivi du risque sans perdre d’information essentielle.

– Réduction de dimension :

En finance quantitative, les bases de données contiennent souvent des centaines de variables (rendements, ratios, indices). L’ACP permet de réduire ces dimensions sans perte majeure d’information.

Cela accélère les calculs et améliore la stabilité des modèles.

– Stress tests et gestion systémique :

Les banques centrales utilisent l’ACP pour mesurer la concentration du risque systémique.

Si une seule composante principale explique une part de variance anormalement élevée, cela signifie que le système est dominé par un facteur unique (souvent le marché global), rendant la contagion plus probable en période de crise.

– Évaluation de produits financiers complexes :

Dans les modèles de taux d’intérêt, l’ACP est utilisée pour décomposer la courbe des taux en trois composantes : le niveau, la pente et la courbure.

Cette méthode aide à comprendre les mouvements de la courbe de rendement et à calibrer les produits dérivés.

– Apprentissage automatique appliqué à la finance :

L’ACP est souvent utilisée comme étape préalable à la modélisation pour réduire le bruit et éviter la redondance entre variables.

Cela permet d’entraîner des modèles plus rapides et plus robustes.

Exemple concret :
Une institution financière utilise l’ACP pour résumer les données macroéconomiques (taux, inflation, chômage, PIB, indices boursiers) en quelques composantes principales. Ces composantes sont ensuite intégrées dans un modèle prédictif de risque de défaut pour des prêts d’entreprises.

5- Matière complémentaire
– L’ACP repose sur la géométrie des données : chaque observation peut être vue comme un point dans un espace multidimensionnel. La méthode cherche les axes (vecteurs propres) qui expliquent le mieux la dispersion des points.
– En finance, cette approche est particulièrement utile pour comprendre les sources communes de variation dans les rendements, les prix d’obligations ou les spreads de crédit.
– Les valeurs propres peuvent aussi servir à détecter des anomalies : une valeur propre très faible indique une variable presque redondante, tandis qu’une valeur propre exceptionnellement grande peut signaler une corrélation excessive ou un effet de marché unique.
– Dans les systèmes dynamiques, la décomposition spectrale est également utilisée pour simuler la réaction du système à différents chocs (exemple : une hausse du taux directeur ou une chute du prix du pétrole).
– L’ACP est à la base de nombreux modèles modernes de gestion du risque, comme le “Principal Component VaR”, qui estime la Value-at-Risk à partir des composantes principales plutôt que de la covariance complète.

Question 9

Séance 2

Question 10

🟩 Fiche 9 — Variables aléatoires et fonctions de distribution
[Notions fondamentales et applications en finance]

1- Objectif et usage
– Les probabilités servent à mesurer l’incertitude des phénomènes économiques et financiers.
– Une variable aléatoire est une grandeur numérique dont la valeur dépend du hasard : elle permet de modéliser un rendement boursier, un taux d’intérêt futur ou une perte potentielle.
– Les fonctions de distribution (probabilités, densités et cumulatives) décrivent comment cette incertitude se répartit.
– En finance, ces notions sont indispensables pour estimer les rendements attendus, les risques de perte, les prix d’options ou la Value-at-Risk (VaR).

Exemple concret :
Le rendement quotidien d’une action est une variable aléatoire ; la probabilité qu’il soit supérieur à 2 % ou inférieur à –1 % dépend de la distribution de cette variable.

2- Concepts clés
– Variable aléatoire discrète : prend un nombre fini ou dénombrable de valeurs possibles.
Exemples :
– nombre de défauts de paiement dans un portefeuille de prêts ;
– nombre de jours positifs sur une semaine boursière.
Chaque valeur possible a une probabilité associée p(x).
Les deux propriétés essentielles sont :
1. Toutes les probabilités sont comprises entre 0 et 1.
2. La somme des probabilités pour tous les résultats vaut 1.

– Variable aléatoire continue : peut prendre une infinité de valeurs dans un intervalle.
Exemples : taux d’intérêt, rendement journalier d’un indice, durée d’un prêt.
Sa distribution est décrite par une fonction de densité de probabilité (pdf) f(x).
La probabilité qu’un résultat appartienne à un intervalle [a,b] correspond à l’aire sous la courbe de f(x) entre a et b.

– Fonction de distribution cumulative (cdf) :
Définit la probabilité qu’une variable X prenne une valeur inférieure ou égale à x.
Cette fonction augmente toujours de 0 à 1 et donne une vue globale du risque accumulé.

Exemple concret :
La cdf d’un rendement boursier indique la probabilité d’obtenir un rendement inférieur à une certaine valeur. Si F(–0,05)=0,15, cela signifie qu’il y a 15 % de chance de perdre au moins 5 % sur la période considérée.

3- Règles et hypothèses
– La somme des probabilités d’une variable discrète ou l’aire totale sous une densité continue est toujours égale à 1.
– Une variable aléatoire peut être positive, négative ou nulle, selon la nature du phénomène étudié.
– Les distributions discrètes sont utilisées pour des événements isolés ; les distributions continues pour des phénomènes mesurables.
– La distribution d’une variable financière dépend souvent du temps : les rendements sont plus volatils sur de longues périodes.
– Les distributions peuvent être symétriques (ex. loi normale) ou asymétriques (ex. loi log-normale pour les prix d’actifs).

4- Applications concrètes
– Modélisation du rendement d’un actif :
On considère le rendement quotidien d’une action comme une variable aléatoire continue. Sa distribution de probabilité décrit la fréquence des gains et des pertes.

– Gestion du risque :
Les institutions financières utilisent les distributions de pertes pour estimer la Value-at-Risk (VaR), c’est-à-dire la perte maximale probable à un certain niveau de confiance (souvent 95 % ou 99 %).

– Tarification des produits dérivés :
Les modèles de prix d’options (comme Black-Scholes) reposent sur la distribution log-normale des rendements futurs des actifs.

– Prévision et analyse macroéconomique :
Les distributions de probabilité servent à simuler des scénarios économiques : croissance, inflation, chômage, etc.
Chaque variable est considérée comme aléatoire, avec sa propre loi et ses corrélations avec les autres.

Exemple concret :
Une banque veut estimer la probabilité que la perte journalière dépasse 10 millions $. Elle modélise la perte comme une variable aléatoire continue et utilise la cdf pour calculer cette probabilité.

5- Matière complémentaire
– Les distributions sont souvent paramétrées : moyenne, variance, asymétrie et aplatissement caractérisent leur forme. Ces paramètres seront approfondis dans les prochaines fiches (espérance, variance, moments).
– Dans les données financières réelles, les distributions ne sont pas toujours normales : elles présentent souvent des queues épaisses (forte probabilité d’événements extrêmes).
– En statistique appliquée, connaître la forme d’une distribution aide à choisir les bons tests, intervalles de confiance ou modèles de prévision.
– Dans les algorithmes d’apprentissage automatique, les distributions servent à générer des variables simulées, à évaluer des probabilités conditionnelles ou à estimer des densités inconnues.
– Enfin, la compréhension des distributions de probabilité est la base de toute mesure de risque : sans elle, il est impossible d’évaluer la volatilité, la corrélation ou la diversification d’un portefeuille.

Question 11

🟩 Fiche 10 — Probabilités conditionnelles, indépendance et théorème de Bayes
[Analyse des dépendances et mise à jour des informations en finance]

1- Objectif et usage
– Les probabilités conditionnelles permettent d’actualiser la probabilité d’un événement lorsque de nouvelles informations deviennent disponibles.
– En finance, elles servent à estimer le risque de défaut conditionnel à une information (par exemple, la dégradation d’une note de crédit), ou la probabilité d’un scénario économique donné après l’observation d’un indicateur.
– Ces concepts sont à la base de la théorie de la décision, de l’évaluation du risque et de nombreux modèles bayésiens utilisés dans la finance quantitative et la gestion de portefeuille.

Exemple concret :
Si la probabilité qu’une entreprise fasse faillite est de 5 %, mais passe à 20 % après une baisse importante de son chiffre d’affaires, on utilise une probabilité conditionnelle pour mettre à jour cette information.

2- Concepts clés
– Probabilité inconditionnelle : c’est la probabilité d’un événement sans tenir compte d’autres informations.
Exemple : la probabilité qu’une action augmente demain, indépendamment du marché global.

– Probabilité conditionnelle : mesure la probabilité d’un événement sachant qu’un autre événement s’est produit.
Exemple : la probabilité qu’une action baisse (A) sachant qu’une récession est annoncée (B).

– Probabilité conjointe : c’est la probabilité que deux événements se produisent simultanément.
Exemple : la probabilité qu’un taux d’intérêt augmente et qu’un titre obligataire baisse en même temps.

– Relation clé : la probabilité conditionnelle s’écrit comme le rapport entre la probabilité conjointe et la probabilité de la condition.
Autrement dit, P(A|B) = P(A ∩ B) / P(B).
Cela permet de “pondérer” un événement par les informations nouvelles liées à B.

– Événements indépendants : deux événements sont indépendants si la réalisation de l’un n’affecte pas la probabilité de l’autre.
Cela signifie que P(A ∩ B) = P(A) × P(B).
Exemple : la probabilité qu’un titre boursier monte n’est pas influencée par la météo, ces événements sont indépendants.

– Événements mutuellement exclusifs : deux événements ne peuvent pas se produire simultanément.
Exemple : “le taux d’intérêt augmente” et “le taux d’intérêt baisse” sont mutuellement exclusifs.
Dans ce cas, P(A ∩ B) = 0 et P(A ∪ B) = P(A) + P(B).

3- Règles et hypothèses
– Règle d’addition : la probabilité qu’au moins un des événements A ou B se produise est P(A ∪ B) = P(A) + P(B) – P(A ∩ B).
– Règle du produit : la probabilité que A et B se produisent est P(A ∩ B) = P(A|B) × P(B).
– Les probabilités conditionnelles sont dynamiques : elles changent à mesure que de nouvelles informations apparaissent.
– Si A et B sont indépendants, alors P(A|B) = P(A). Cela signifie que connaître B ne change rien à la probabilité de A.
– Dans la pratique financière, très peu d’événements sont vraiment indépendants : les marchés, taux et entreprises sont fortement interconnectés.

4- Théorème de Bayes
– Le théorème de Bayes est une méthode pour mettre à jour la probabilité d’un événement à partir d’une nouvelle information.
– Il s’écrit :
P(A|B) = [P(B|A) × P(A)] / P(B).
Cette formule relie la probabilité a priori (avant information) à la probabilité a posteriori (après observation).

Exemple concret :
Une agence de notation estime qu’une entreprise a 2 % de chances de faire défaut (P(A)=0,02).
Si elle publie un rapport signalant des difficultés (événement B), et que la probabilité d’un tel rapport en cas de défaut est de 90 % (P(B|A)=0,9), alors le théorème de Bayes permet de recalculer la probabilité de défaut après observation du rapport.

– En finance, Bayes est utilisé dans :

les modèles de prévision (mise à jour des probabilités de scénarios économiques),

les modèles de crédit (probabilité de défaut conditionnelle),

les algorithmes d’apprentissage (filtrage bayésien, classification des risques),

la gestion de portefeuille (ajustement des croyances sur le marché après de nouvelles données).

5- Applications concrètes
– Gestion du risque de crédit :

Les banques mettent à jour la probabilité de défaut d’un emprunteur à partir d’informations nouvelles (baisse du revenu, retard de paiement, changement de notation).

Le théorème de Bayes permet d’intégrer ces signaux pour ajuster le risque.

– Prévision de marché :

Les analystes financiers mettent à jour leurs prévisions après chaque annonce économique.

Exemple : la probabilité d’une hausse des taux de la Banque du Canada est recalculée à chaque nouvelle donnée sur l’inflation.

– Apprentissage automatique (machine learning) :

Les algorithmes de classification bayésienne (comme Naive Bayes) sont utilisés pour détecter des fraudes ou identifier des comportements d’investissement.

– Analyse d’événements financiers :

Bayes permet d’estimer la probabilité qu’un choc boursier soit suivi d’une reprise, selon l’historique des crises passées.

6- Matière complémentaire
– Le raisonnement bayésien est central en économie comportementale : il modélise la manière dont les agents mettent à jour leurs croyances à mesure qu’ils reçoivent de nouvelles informations.
– En gestion d’actifs, ce raisonnement est utilisé pour adapter les portefeuilles aux conditions de marché changeantes : la probabilité d’un scénario économique “haussier” augmente après plusieurs indicateurs positifs, et le gestionnaire ajuste ses positions en conséquence.
– Dans les modèles d’intelligence artificielle financière, Bayes sert à combiner plusieurs sources d’information (prix, volumes, données macroéconomiques) pour produire une estimation probabiliste cohérente.
– La probabilité conditionnelle est aussi utilisée dans la corrélation conditionnelle, un concept avancé qui décrit comment les liens entre actifs changent selon les conditions de marché (forte corrélation en crise, faible en temps normal).
– Enfin, la théorie de Bayes constitue le fondement de la finance bayésienne, un domaine où les décisions d’investissement reposent sur la mise à jour constante des croyances selon les nouvelles données observées.

Question 12

🟩 Fiche 11 — Espérance, variance et écart-type
[Mesure du rendement moyen et du risque financier]

1- Objectif et usage
– L’espérance, la variance et l’écart-type sont les mesures les plus fondamentales de la statistique descriptive et de la théorie du risque.
– L’espérance représente la valeur moyenne attendue d’un phénomène aléatoire, tandis que la variance et l’écart-type mesurent la dispersion ou la volatilité des résultats autour de cette moyenne.
– En finance, ces concepts permettent de quantifier le rendement espéré d’un investissement et le risque associé à sa volatilité.
– Ces notions sont à la base du modèle moyenne-variance de Markowitz, des modèles de tarification d’actifs (CAPM) et de la Value-at-Risk (VaR).

Exemple concret :
Un investisseur compare deux actions. L’action A offre un rendement moyen de 8 % avec une faible volatilité, tandis que l’action B a un rendement moyen de 10 % mais très variable. L’espérance reflète la performance moyenne, la variance et l’écart-type indiquent le risque pris pour l’obtenir.

2- Concepts clés
– Espérance (ou moyenne attendue) :

L’espérance d’une variable aléatoire est la moyenne pondérée de toutes les valeurs possibles, où les poids sont les probabilités associées à chaque résultat.

Elle représente la tendance centrale du phénomène étudié.

En finance, elle correspond au rendement moyen attendu d’un actif ou d’un portefeuille.

Si une action a 50 % de chance de rapporter +10 % et 50 % de chance de perdre –5 %, son espérance est (0,5 × 10 %) + (0,5 × –5 %) = 2,5 %.

– Propriétés de l’espérance :

L’espérance d’une constante est cette constante elle-même.

L’espérance est linéaire : E(aX + bY) = aE(X) + bE(Y).

Si X et Y sont indépendantes, E(XY) = E(X) × E(Y).

Si elles ne le sont pas, E(XY) ≠ E(X)E(Y).

– Variance :

Mesure la dispersion des valeurs d’une variable aléatoire autour de sa moyenne.

En finance, la variance indique le risque associé à un rendement.

Une variance élevée signifie que les rendements sont instables et donc plus risqués.

Elle se calcule comme la moyenne des carrés des écarts à la moyenne.

– Écart-type :

C’est la racine carrée de la variance.

Il exprime le risque dans les mêmes unités que la variable (par exemple, en pourcentage de rendement).

Plus l’écart-type est grand, plus la volatilité du rendement est importante.

3- Règles et hypothèses
– Si X est une variable aléatoire et a, b des constantes :

E(aX + b) = aE(X) + b

Var(aX + b) = a²Var(X)

Ces relations sont essentielles pour ajuster les rendements lorsqu’on applique un levier financier (a) ou une prime fixe (b).
– Si X et Y sont indépendantes :

Var(X + Y) = Var(X) + Var(Y)

Cela signifie que la variance totale d’un portefeuille dépend de la somme des variances individuelles si les actifs ne sont pas corrélés.
– Si X et Y ne sont pas indépendantes :

Var(X + Y) = Var(X) + Var(Y) + 2Cov(X,Y)

Cette formule sera essentielle dans la fiche suivante sur la covariance et la corrélation.

4- Applications concrètes
– Gestion de portefeuille :

L’espérance est utilisée pour estimer le rendement moyen d’un portefeuille.

La variance et l’écart-type mesurent le risque global.

Un portefeuille optimal cherche à maximiser l’espérance du rendement pour un écart-type donné, ou à minimiser l’écart-type pour une espérance donnée.

– Analyse du risque :

Dans la Value-at-Risk (VaR), l’écart-type sert à estimer la perte maximale probable d’un portefeuille à un niveau de confiance donné.

Exemple : si la moyenne de rendement d’un portefeuille est de 1 % par jour avec un écart-type de 2 %, la VaR à 95 % correspond à une perte potentielle d’environ 2,3 % en une journée.

– Évaluation d’actifs :

Dans le modèle du CAPM, l’espérance du rendement d’un actif est liée à son risque systématique (mesuré par le bêta).

Les investisseurs exigent un rendement plus élevé pour compenser une variance ou un écart-type plus importants.

– Analyse macroéconomique :

Les économistes utilisent la variance pour mesurer l’incertitude de la croissance du PIB, de l’inflation ou du chômage.

Un écart-type élevé des prévisions économiques traduit une incertitude importante sur la stabilité future.

Exemple concret :
Deux obligations d’entreprise offrent le même rendement moyen de 5 %, mais la première a une variance plus faible. Les investisseurs rationnels préfèrent la première, car elle offre le même rendement avec un risque moindre.

5- Matière complémentaire
– En statistique financière, on distingue le risque diversifiable (spécifique à chaque actif) et le risque systématique (lié au marché global). L’écart-type combine ces deux types de risque.
– Dans les portefeuilles, la diversification réduit la variance tant que les rendements ne sont pas parfaitement corrélés.
– En théorie moderne du portefeuille, la matrice de variance-covariance est utilisée pour agréger les variances individuelles et mesurer le risque combiné.
– L’espérance est parfois ajustée pour tenir compte du risque, donnant lieu à des mesures comme le rendement espéré excédentaire (rendement moyen – taux sans risque).
– Enfin, la variance et l’écart-type sont à la base de nombreux indicateurs de performance, tels que le ratio de Sharpe, qui compare le rendement excédentaire à la volatilité du portefeuille.

Question 13

🟩 Fiche 12 — Covariance, corrélation et dépendance linéaire
[Relations entre variables et mesure de la diversification]

1- Objectif et usage
– La covariance et la corrélation mesurent la manière dont deux variables évoluent ensemble.
– En finance, ces notions sont essentielles pour comprendre comment les actifs d’un portefeuille interagissent entre eux : si leurs rendements évoluent dans le même sens ou non.
– Ces mesures permettent d’évaluer les avantages de la diversification et de construire des portefeuilles plus efficaces.

Exemple concret :
Si les actions d’une banque et d’une compagnie d’assurance montent ou baissent souvent ensemble, leur covariance est positive. Si elles évoluent en sens opposé, la covariance est négative. Cette relation influence directement le risque total du portefeuille.

2- Concepts clés
– Covariance : mesure la tendance commune de deux variables à s’écarter de leurs moyennes respectives.

Si les valeurs de X et Y augmentent ou diminuent ensemble, la covariance est positive.

Si elles évoluent en sens inverse, la covariance est négative.

Si elle est proche de zéro, les variables ne présentent pas de relation linéaire forte.

En finance, la covariance entre deux rendements indique si les actifs sont influencés par les mêmes facteurs de marché.

– Corrélation : mesure la force et la direction de la relation linéaire entre deux variables.

Elle est normalisée entre –1 et +1.

Une corrélation de +1 signifie une relation parfaitement positive (les variables évoluent ensemble).

Une corrélation de –1 signifie une relation parfaitement négative (elles évoluent en sens opposé).

Une corrélation de 0 signifie absence de relation linéaire.

Contrairement à la covariance, la corrélation n’a pas d’unité de mesure et permet de comparer plus facilement différentes relations.

– Relation entre covariance et corrélation :

La corrélation est la covariance divisée par le produit des écarts-types des deux variables.

Cela permet d’évaluer la dépendance relative sans être influencé par les unités de mesure.

3- Règles et hypothèses
– Si X et Y sont indépendantes, leur covariance est nulle.
– La covariance de X avec elle-même est égale à sa variance.
– Si a, b, c et d sont des constantes, Cov(aX + b, cY + d) = a × c × Cov(X, Y).
– Dans un portefeuille, la variance totale dépend à la fois des variances individuelles et des covariances croisées entre actifs.
– La corrélation ne mesure que la relation linéaire : deux variables peuvent être dépendantes sans être corrélées (cas de relation non linéaire).

Exemple concret :
Deux actions affichent une covariance positive mais une corrélation modérée. Cela signifie qu’elles partagent certains facteurs communs (comme la conjoncture économique), mais que leur relation n’est pas parfaitement proportionnelle.

4- Applications concrètes
– Gestion de portefeuille :

La covariance et la corrélation déterminent la structure de la matrice de variance-covariance du portefeuille.

Cette matrice permet de calculer la variance globale du portefeuille et donc son risque total.

Si les actifs ont une faible corrélation entre eux, le risque global est réduit grâce à la diversification.

– Diversification :

L’objectif d’un portefeuille diversifié est de combiner des actifs dont les corrélations sont faibles ou négatives.

Cela permet d’atténuer les pertes d’un actif par les gains d’un autre.

Exemple : combiner actions et obligations permet de réduire la variance totale, car ces deux classes d’actifs réagissent souvent différemment aux cycles économiques.

– Gestion du risque systématique et spécifique :

Le risque total d’un portefeuille se décompose en risque systématique (lié au marché global) et risque spécifique (lié à chaque actif).

Les covariances capturent la part du risque liée aux interactions entre actifs, donc au risque systématique.

– Modélisation économique :

En macroéconomie, la covariance sert à mesurer la co-mobilité des indicateurs : par exemple, comment la croissance du PIB et l’inflation évoluent ensemble.

Une corrélation élevée entre PIB et consommation traduit une économie cohérente, tandis qu’une corrélation faible signale une instabilité.

Exemple concret :
Si les rendements de deux actions ont une corrélation de +0,95, elles évoluent presque toujours dans le même sens. Les détenir ensemble ne réduit pas le risque. En revanche, une corrélation de –0,3 entre une action et une obligation améliore la diversification.

5- Matière complémentaire
– La corrélation peut varier selon les périodes : les actifs deviennent souvent plus corrélés pendant les crises financières, phénomène appelé “contagion du risque”.
– Les modèles de corrélation dynamique (comme DCC-GARCH) sont utilisés pour suivre ces variations dans le temps.
– Les corrélations élevées sont un signal de concentration du risque : elles indiquent que le portefeuille est trop exposé à un même facteur économique.
– Dans les stratégies quantitatives, les corrélations sont utilisées pour construire des portefeuilles de couverture (hedging) : un actif est choisi pour compenser le mouvement d’un autre.
– En gestion du risque systémique, les matrices de corrélation servent à détecter les interconnexions entre institutions financières. Une hausse de la corrélation moyenne entre banques est souvent interprétée comme un signe de fragilité collective.

Question 14

🟩 Fiche 13 — Moments, asymétrie (skewness) et kurtosis
[Analyse de la forme des distributions et évaluation des risques extrêmes]

1- Objectif et usage
– Les moments d’une distribution décrivent sa forme, au-delà de la moyenne et de la variance.
– Ils permettent d’analyser la symétrie, l’épaisseur des queues et la concentration des valeurs autour de la moyenne.
– En finance, ces mesures servent à évaluer les risques non captés par la variance, notamment les événements extrêmes (crises, pertes massives) qui ne sont pas bien modélisés par la loi normale.
– L’étude des moments supérieurs (skewness et kurtosis) complète la vision du risque en ajoutant des dimensions qualitatives à la distribution des rendements.

Exemple concret :
Deux portefeuilles peuvent avoir le même rendement moyen et la même volatilité, mais des profils de risque très différents. L’un peut avoir une forte probabilité de perte extrême (kurtosis élevée), tandis que l’autre présente une distribution plus équilibrée.

2- Concepts clés
– Moments d’une distribution :

Le moment d’ordre k d’une variable aléatoire X est la moyenne pondérée des puissances de X.

Chaque moment donne une information spécifique :

Moment d’ordre 1 → moyenne (position).

Moment d’ordre 2 → variance (dispersion).

Moment d’ordre 3 → asymétrie (skewness).

Moment d’ordre 4 → aplatissement (kurtosis).

– Moments centraux :

Calculés autour de la moyenne, ils mesurent la dispersion relative des valeurs par rapport à cette moyenne.

Les moments centraux d’ordre 3 et 4 sont utilisés pour la skewness et la kurtosis.

– Asymétrie (skewness) :

Mesure la symétrie de la distribution.

Si la distribution est symétrique, la skewness est égale à zéro.

Si la skewness est positive, la distribution est étirée vers la droite (plus de gains extrêmes possibles).

Si elle est négative, la distribution est étirée vers la gauche (plus de pertes extrêmes).

En finance, une skewness négative est considérée comme un signe de risque : il y a plus de chances de pertes importantes que de gains exceptionnels.

– Kurtosis (aplatissement) :

Mesure l’épaisseur des queues de la distribution et la concentration autour de la moyenne.

Une kurtosis élevée indique une probabilité plus forte d’événements extrêmes (crises, bulles, krachs).

Si la kurtosis est inférieure à celle d’une loi normale, la distribution est dite “aplatie” (moins de valeurs extrêmes).

Si elle est supérieure, elle est “leptokurtique” (plus de valeurs extrêmes).

Les rendements financiers sont souvent leptokurtiques : plus de chocs extrêmes qu’attendu sous une loi normale.

3- Règles et hypothèses
– Skewness > 0 : la distribution favorise les rendements élevés (effet positif).
– Skewness < 0 : la distribution favorise les pertes importantes (effet négatif).
– Kurtosis normale = 3 (loi normale).
– Kurtosis > 3 : queues épaisses, événements extrêmes plus probables.
– Kurtosis < 3 : queues fines, distribution plus concentrée.
– Les investisseurs préfèrent, à espérance et variance égales, une skewness positive et une kurtosis faible (plus de chances de gains modérés et moins de pertes extrêmes).

4- Applications concrètes
– Gestion du risque :

Les gestionnaires de portefeuille surveillent la skewness et la kurtosis pour anticiper les chocs extrêmes.

Une skewness négative indique une asymétrie défavorable du risque : fortes pertes potentielles.

Une kurtosis élevée signale un portefeuille vulnérable aux événements rares, comme les crises de marché.

– Évaluation des performances :

Les ratios de performance ajustés au risque, comme le ratio de Sharpe modifié, intègrent la skewness et la kurtosis pour corriger les biais dus aux distributions non normales.

– Modélisation et simulation :

Les modèles de prévision (GARCH, Student-t, distributions mixtes) utilisent des paramètres de skewness et kurtosis pour représenter plus fidèlement les rendements observés.

Cela permet d’obtenir des prévisions de risque plus réalistes que celles basées sur la loi normale.

– Marchés dérivés et options :

La skewness est à l’origine du phénomène de “volatility skew” : les options de vente (puts) sont souvent plus chères car les investisseurs se couvrent contre les fortes baisses.

La kurtosis explique pourquoi les marchés attribuent une valeur plus élevée aux options éloignées du prix courant (deep out-of-the-money), car elles protègent contre les événements extrêmes.

– Macroéconomie et finance comportementale :

Une distribution des rendements très asymétrique traduit des comportements d’aversion ou de recherche du risque.

En période d’incertitude, les distributions de rendements deviennent plus asymétriques et leptokurtiques (plus de pertes soudaines et de volatilité).

Exemple concret :
Le rendement d’un indice boursier comme le S&P 500 a souvent une skewness négative et une kurtosis supérieure à 3. Cela signifie que les fortes baisses (crashes) sont plus fréquentes que ce que prédit la loi normale.

5- Matière complémentaire
– Les moments supérieurs sont utilisés dans la théorie moderne du portefeuille étendue (Higher-Moment CAPM), qui intègre la skewness et la kurtosis dans la décision d’investissement.
– Les investisseurs institutionnels mesurent ces moments pour comparer la qualité du risque : deux portefeuilles avec la même volatilité peuvent présenter des risques très différents en termes de pertes extrêmes.
– Les distributions financières réelles sont rarement normales : elles sont souvent asymétriques et leptokurtiques, ce qui explique pourquoi les modèles linéaires simples sous-estiment le risque.
– Dans la Value-at-Risk ajustée, la skewness et la kurtosis servent à corriger les estimations de pertes extrêmes.
– Enfin, la compréhension de ces mesures est essentielle pour calibrer correctement les modèles stochastiques utilisés en finance quantitative et en gestion du risque.

Question 15

🟩 Fiche 14 — Introduction à l’optimisation
[Principes, cadre général et applications financières]

1- Objectif et usage
– L’optimisation est la science du “meilleur choix” : elle consiste à déterminer les valeurs d’un ensemble de variables qui maximisent ou minimisent une fonction donnée.
– En finance, elle permet de construire des portefeuilles optimaux, de réduire les coûts, de fixer des prix ou d’allouer efficacement des ressources.
– L’optimisation est au cœur de la finance quantitative : chaque décision d’investissement ou de gestion du risque repose sur la recherche d’un équilibre entre rendement espéré et risque.
– Dans un cadre général, on cherche à maximiser ou minimiser une fonction objectif sous certaines contraintes.

Exemple concret :
Un gestionnaire souhaite répartir un capital de 10 millions entre trois actifs pour maximiser le rendement attendu, tout en maintenant le risque (variance) sous un certain seuil. Ce problème est un exemple typique d’optimisation sous contrainte.

2- Concepts clés
– Fonction objectif : c’est la fonction que l’on cherche à maximiser (ex. rendement, profit) ou à minimiser (ex. risque, coût).
– Variables de décision : ce sont les paramètres que l’on peut contrôler ou ajuster (ex. montant investi dans chaque actif, quantité produite).
– Contraintes : ce sont les conditions que la solution doit respecter (ex. budget total, niveau de risque, réglementation).
– Région admissible : ensemble de toutes les solutions possibles qui respectent les contraintes.
– Solution optimale : la combinaison de variables qui donne la valeur maximale ou minimale de la fonction objectif parmi toutes les solutions admissibles.

– L’optimisation peut prendre plusieurs formes :

Sans contrainte : la fonction est libre, sans restriction sur les variables.

Avec contraintes : certaines valeurs sont interdites ou limitées.

Linéaire : la fonction et les contraintes sont linéaires.

Non linéaire : la fonction ou les contraintes impliquent des termes au carré, des produits ou des racines.

3- Règles et hypothèses
– La forme de la fonction et des contraintes détermine la nature du problème :

Si la fonction et les contraintes sont convexes, le problème d’optimisation est convexe et admet une solution unique et stable.

Si elles ne le sont pas, il peut exister plusieurs solutions locales (problème non convexe).
– En finance, on cherche souvent à minimiser le risque (variance) pour un rendement donné ou à maximiser le rendement pour un risque donné.
– Les méthodes de résolution varient selon la structure du problème :

Méthodes analytiques (dérivées, équations de Lagrange).

Méthodes numériques (algorithmes, simulations, programmation).
– Les contraintes traduisent souvent des réalités économiques :

Un portefeuille doit respecter un budget.

Les positions ne peuvent pas être négatives (pas de ventes à découvert).

Le rendement minimal exigé doit être atteint.

4- Applications concrètes
– Gestion de portefeuille (Markowitz) :

Minimiser la variance (risque) sous contrainte d’un rendement espéré.

Résultat : la frontière efficiente, qui regroupe les portefeuilles offrant le meilleur compromis risque-rendement.

– Finance d’entreprise :

Minimiser le coût du capital ou maximiser la valeur de l’entreprise en choisissant la combinaison optimale de dettes et de capitaux propres.

Exemple : choisir la structure de financement qui maximise la rentabilité financière sans dépasser un seuil de risque.

– Économie et macroéconomie :

Les gouvernements utilisent des modèles d’optimisation pour allouer les ressources publiques (santé, éducation, infrastructures) en maximisant le bien-être social sous contrainte budgétaire.

– Gestion du risque et assurance :

Les compagnies d’assurance utilisent l’optimisation pour fixer les primes qui maximisent le profit attendu tout en respectant les exigences de solvabilité.

– Trading algorithmique et intelligence artificielle :

Les modèles d’IA optimisent les stratégies de trading en ajustant automatiquement les poids des portefeuilles selon la volatilité du marché et les corrélations entre actifs.

Exemple concret :
Un fonds quantitatif définit une fonction objectif qui maximise le ratio de Sharpe (rendement excédentaire sur volatilité). Les variables de décision sont les pondérations des actifs, et les contraintes imposent une exposition maximale à certains secteurs.

5- Matière complémentaire
– L’optimisation constitue la base de nombreux domaines de la finance moderne :

Markowitz (1952) : modèle moyenne-variance.

Sharpe (1964) : modèle CAPM dérivé d’un problème d’optimisation sous contrainte.

Black-Scholes (1973) : valorisation d’options fondée sur une optimisation du portefeuille répliquant.
– Les algorithmes d’optimisation numérique (comme le gradient, la méthode de Newton, ou les algorithmes génétiques) sont utilisés pour résoudre les problèmes complexes où la solution analytique est impossible.
– En intelligence artificielle, l’optimisation intervient dans l’apprentissage des modèles : chaque réseau neuronal ajuste ses paramètres pour minimiser une fonction de perte, ce qui revient à un problème d’optimisation.
– En finance, les contraintes éthiques, réglementaires ou environnementales (ESG) ajoutent de nouvelles dimensions à l’optimisation moderne des portefeuilles.
– Enfin, la compréhension du cadre général de l’optimisation est essentielle pour les prochaines fiches sur les méthodes analytiques (Lagrange) et les programmes linéaires et quadratiques utilisés dans la gestion de portefeuille.

Question 16

🟩 Fiche 15 — Optimisation sans et avec contraintes (méthode de Lagrange)
[Recherche des points optimaux et applications à la finance]

1- Objectif et usage
– L’optimisation sans et avec contraintes consiste à trouver les valeurs d’une ou plusieurs variables qui minimisent ou maximisent une fonction.
– En finance, ces méthodes servent à déterminer les pondérations optimales d’un portefeuille, le niveau de production ou la structure de coûts minimisant les dépenses, ou encore la frontière efficiente de Markowitz.
– La méthode de Lagrange est un outil mathématique qui permet d’intégrer directement les contraintes dans le calcul du point optimal, sans devoir les éliminer manuellement.

Exemple concret :
Un investisseur veut maximiser le rendement attendu d’un portefeuille sous la contrainte que la somme des pondérations des actifs soit égale à 1. Ce problème est typique d’une optimisation sous contrainte résolue par la méthode de Lagrange.

2- Concepts clés
– Optimisation sans contrainte :

On cherche les points critiques d’une fonction f(x) en annulant sa dérivée première : f’(x) = 0.

Ces points correspondent à des maxima, minima ou points d’inflexion.

Pour les distinguer, on analyse la dérivée seconde :

Si f’’(x) > 0 : minimum local.

Si f’’(x) < 0 : maximum local.

Si f’’(x) = 0 : point indéterminé (il faut examiner plus finement).

Cette méthode s’applique aux fonctions simples, comme celles représentant un coût ou un rendement sans restriction.

– Optimisation avec contraintes :

Certaines décisions sont limitées par des conditions économiques, budgétaires ou structurelles.

Ces contraintes sont exprimées sous la forme g(x) = 0 (égalité) ou h(x) ≤ 0 (inégalité).

La méthode de Lagrange permet d’intégrer ces contraintes dans une fonction appelée fonction de Lagrange :
L(x, λ) = f(x) + λ × [g(x)].

On résout ensuite les équations obtenues en annulant les dérivées partielles de L par rapport à x et λ.

– Multiplicateur de Lagrange (λ) :

λ mesure la variation du résultat optimal si la contrainte est légèrement assouplie.

En économie, il représente la “valeur marginale” d’une contrainte.

En finance, il peut être interprété comme le rendement marginal du capital investi ou la pénalité liée à une contrainte budgétaire.

3- Règles et hypothèses
– Si la fonction objectif et les contraintes sont différentiables, la méthode de Lagrange donne une condition nécessaire d’optimalité.
– La solution est optimale si :

le gradient de la fonction objectif est parallèle au gradient de la contrainte,

et que les contraintes sont respectées.
– Si plusieurs contraintes existent, on utilise un multiplicateur de Lagrange pour chacune d’elles.
– Pour les problèmes d’inégalités, on applique la version étendue appelée conditions de Kuhn-Tucker (utilisée en programmation quadratique).
– Les solutions peuvent être locales (valable dans une zone restreinte) ou globales (valable sur tout le domaine admissible).

4- Applications concrètes
– Portefeuille de Markowitz (optimisation quadratique) :

On minimise la variance du portefeuille Var(P) = wᵀΣw sous deux contraintes :

Somme des poids = 1.

Rendement attendu du portefeuille = rendement cible.

La fonction de Lagrange devient :
L(w, λ₁, λ₂) = wᵀΣw – λ₁(μᵀw – μ*) – λ₂(1ᵀw – 1).

La résolution donne les poids optimaux qui définissent la frontière efficiente.

– Maximisation du rendement sous contrainte de risque :

Un gestionnaire cherche le portefeuille qui maximise le rendement espéré μᵀw tout en respectant une limite de risque (écart-type).

La méthode de Lagrange intègre cette contrainte de volatilité directement dans le calcul.

– Minimisation des coûts de production :

Une entreprise souhaite minimiser ses coûts C(x, y) sous contrainte d’un niveau de production Q(x, y) = q*.

Le multiplicateur de Lagrange λ représente alors le coût marginal de production supplémentaire.

– Allocation optimale du capital :

Dans la finance d’entreprise, on peut modéliser la répartition optimale du capital entre plusieurs projets soumis à des budgets ou des risques différents.

Exemple concret :
Une banque souhaite maximiser ses revenus d’intérêts en prêtant un capital fixe entre des segments “ménages”, “entreprises” et “gouvernements”, tout en respectant une limite de risque globale. La méthode de Lagrange permet de déterminer combien allouer à chaque segment.

5- Matière complémentaire
– En finance quantitative, les méthodes de Lagrange sont généralisées dans des cadres plus complexes, comme l’optimisation stochastique (incertitude sur les variables) et l’optimisation dynamique (problèmes intertemporels).
– Les multiplicateurs de Lagrange apparaissent aussi dans les modèles économiques d’équilibre général (Walras, Arrow-Debreu) où ils représentent les prix implicites des ressources rares.
– En gestion de portefeuille, ces multiplicateurs peuvent être interprétés comme les “valeurs d’ombre” des contraintes : la valeur économique d’un assouplissement d’une contrainte de rendement ou de risque.
– Dans la programmation quadratique, la méthode de Lagrange est la base de tous les algorithmes de résolution numérique utilisés par les logiciels d’optimisation financière (Excel Solver, Matlab, R, Python).
– Enfin, cette méthode est à la base des modèles d’arbitrage et de couverture : les conditions de non-arbitrage peuvent être vues comme des contraintes dont les multiplicateurs de Lagrange représentent les prix d’équilibre.

Question 17

🟩 Fiche 16 — Programmation linéaire et quadratique
[Optimisation sous contraintes et applications financières]

1- Objectif et usage
– La programmation linéaire et quadratique regroupe les méthodes mathématiques permettant d’optimiser une fonction sous contraintes, lorsque cette fonction est linéaire ou quadratique.
– Ces approches sont fondamentales dans la modélisation économique et financière car elles traduisent rigoureusement des problèmes de décision : allocation de ressources, planification budgétaire, gestion de portefeuille ou tarification d’actifs.
– En finance, elles servent principalement à minimiser le risque pour un rendement donné ou à maximiser le rendement pour un niveau de risque fixé.

Exemple concret :
Le modèle de Markowitz, qui permet de construire la frontière efficiente des portefeuilles, est un exemple classique de programmation quadratique : la fonction à minimiser (la variance) est quadratique, et les contraintes (budget, rendement) sont linéaires.

2- Concepts clés
– Programmation linéaire (PL) :

L’objectif et les contraintes sont des fonctions linéaires.

La solution optimale se situe toujours à un sommet de la région admissible, délimitée par les contraintes.

En économie, la PL modélise les problèmes d’allocation de ressources, de transport, de production ou de maximisation de profit.

Exemple : une entreprise veut maximiser son profit P = a₁x₁ + a₂x₂ sous contraintes de capacité et de coûts.

– Programmation quadratique (PQ) :

L’objectif est une fonction quadratique (souvent une somme de carrés), et les contraintes sont linéaires.

Cette forme permet de modéliser des situations où le coût ou le risque croît avec la variance des décisions.

Exemple : minimiser la variance d’un portefeuille (fonction quadratique) sous contrainte de budget et de rendement cible (contraintes linéaires).

– Forme générale d’un problème quadratique :

Minimiser f(x) = ½xᵀQx + cᵀx,
sous les contraintes : Aᵀx = b et x ≥ 0.

Q est une matrice symétrique et positive définie (garantissant une solution stable).

En finance, Q correspond souvent à la matrice de variance-covariance des rendements.

3- Règles et hypothèses
– Si la matrice Q est positive définie, la fonction est convexe, donc le problème a une solution unique et globale.
– Si Q est seulement semi-définie, le problème peut avoir plusieurs solutions optimales.
– Dans la programmation linéaire, on suppose que toutes les relations sont proportionnelles (pas d’effets d’échelle).
– Les contraintes linéaires forment une région admissible appelée polytope, dans laquelle on cherche le point optimal.
– En programmation quadratique, les contraintes restent linéaires, mais la courbure de la fonction objectif crée des solutions intérieures (non situées sur les frontières du polytope).

4- Applications concrètes
– Optimisation de portefeuille (Markowitz) :

Minimiser la variance du portefeuille (quadratique) sous contraintes de rendement et de budget.

Le résultat est la frontière efficiente, qui montre toutes les combinaisons optimales risque/rendement.

– Gestion du risque :

Minimiser la volatilité globale d’un portefeuille en tenant compte des covariances entre actifs.

Exemple : ajuster la pondération des actions, obligations et liquidités pour réduire la variance du portefeuille total.

– Arbitrage et couverture :

Trouver les positions optimales dans plusieurs produits dérivés pour couvrir un risque sous contrainte de coût minimal.

Exemple : minimiser l’écart entre le rendement du portefeuille et celui d’un indice de référence tout en respectant des contraintes réglementaires.

– Finance d’entreprise :

Maximiser le profit ou la valeur actuelle nette sous contraintes de capital, de capacité de production ou de structure financière.

Exemple : planifier les investissements d’une entreprise en respectant un budget fixe et des rendements minimums.

– Économie et planification :

Répartir les ressources d’un pays (travail, capital, matières premières) pour maximiser la production ou minimiser les coûts.

Ces modèles sont souvent utilisés par les gouvernements et les institutions internationales.

– Apprentissage automatique :

Les modèles de régression quadratique et les machines à vecteurs de support (SVM) utilisent la programmation quadratique pour minimiser les erreurs tout en respectant des contraintes de complexité.

Exemple concret :
Un gestionnaire souhaite minimiser le risque de son portefeuille composé de 5 actifs tout en garantissant un rendement annuel minimum de 7 %. Il définit un problème quadratique dont la matrice Q est la matrice de covariance des rendements et résout l’optimisation à l’aide d’un logiciel comme Excel Solver, R ou Python.

5- Matière complémentaire
– En pratique, la programmation linéaire est résolue avec des méthodes comme le simplexe ou les méthodes de points intérieurs, tandis que la programmation quadratique utilise des variantes du gradient conjugué ou de Newton-Raphson.
– Les outils logiciels les plus utilisés sont Excel Solver, Matlab, Python (SciPy, CVXOPT) et R (quadprog).
– En gestion de portefeuille avancée, on utilise la programmation quadratique stochastique, où les rendements sont eux-mêmes variables et incertains.
– Les contraintes peuvent aussi inclure des limites réglementaires (par exemple, une exposition maximale à un secteur) ou des conditions ESG (environnementales, sociales, de gouvernance).
– La programmation quadratique est également à la base du modèle Black-Litterman, qui combine les opinions des investisseurs avec les rendements de marché pour construire des portefeuilles équilibrés.
– En économie, ces modèles permettent de simuler des politiques publiques en optimisant des fonctions de bien-être social sous contraintes budgétaires.

Question 18

🟩 Fiche 17 — Construction de portefeuille et frontière efficiente
[Modèle de Markowitz et théorie du compromis rendement–risque]

1- Objectif et usage
– La construction de portefeuille consiste à déterminer la combinaison d’actifs qui offre le meilleur équilibre entre rendement espéré et risque.
– La frontière efficiente, proposée par Harry Markowitz (1952), représente l’ensemble des portefeuilles optimaux qui maximisent le rendement attendu pour un niveau de risque donné, ou minimisent le risque pour un rendement cible.
– Ce modèle est à la base de toute la finance moderne : il structure la manière dont les investisseurs diversifient leurs portefeuilles, mesurent le risque et évaluent la performance.

Exemple concret :
Un investisseur détient des actions, des obligations et de la liquidité. En combinant ces trois classes d’actifs avec différentes pondérations, il obtient des portefeuilles ayant chacun un rendement et un risque différents. La frontière efficiente identifie les combinaisons optimales parmi toutes celles possibles.

2- Concepts clés
– Rendement espéré du portefeuille : c’est la moyenne pondérée des rendements espérés des actifs individuels.
– Risque du portefeuille : il est mesuré par la variance ou l’écart-type des rendements du portefeuille.
– Covariance et corrélation : ces mesures influencent la manière dont les actifs interagissent entre eux. Une faible corrélation réduit le risque global sans sacrifier le rendement.
– Diversification : en combinant des actifs imparfaitement corrélés, le portefeuille peut atteindre un niveau de risque plus faible qu’un portefeuille concentré.
– Frontière efficiente : c’est la courbe reliant les portefeuilles offrant le meilleur rapport rendement–risque. Les portefeuilles situés en dessous de cette frontière sont inefficaces (même rendement pour plus de risque).
– Portefeuille à risque minimal : c’est le point le plus à gauche de la frontière efficiente, celui où la variance est minimale.
– Portefeuille de marché : lorsque tous les investisseurs détiennent la même combinaison d’actifs risqués, ce portefeuille commun correspond au portefeuille de marché dans le modèle CAPM.

3- Règles et hypothèses
– Les rendements futurs des actifs sont considérés comme des variables aléatoires avec des moyennes, variances et covariances connues ou estimées.
– Les investisseurs sont averses au risque : ils préfèrent, à rendement égal, le portefeuille le moins risqué.
– La relation entre risque et rendement est quadratique (fonction moyenne–variance).
– Tous les investisseurs ont accès aux mêmes informations et peuvent prêter ou emprunter à un taux sans risque.
– Les portefeuilles sont évalués uniquement selon leurs deux premiers moments : la moyenne (rendement) et la variance (risque).

4- Applications concrètes
– Optimisation du portefeuille :

L’investisseur définit un objectif (minimiser la variance ou maximiser le rendement) et des contraintes (budget, rendement cible, interdiction de ventes à découvert).

À l’aide de la programmation quadratique, il obtient les pondérations optimales de chaque actif.

– Frontière efficiente :

Elle est obtenue en traçant la relation entre rendement et risque pour tous les portefeuilles optimaux possibles.

Sa partie concave montre que pour chaque niveau de risque, il existe un portefeuille unique offrant le rendement maximal.

– Portefeuille sans risque et ligne du marché des capitaux (CML) :

En introduisant un actif sans risque, on peut combiner ce dernier avec un portefeuille risqué optimal.

La droite reliant l’actif sans risque et le portefeuille risqué optimal s’appelle la CML (Capital Market Line).

Tout portefeuille situé sur cette droite est plus performant que ceux situés en dessous.

– Ratio de Sharpe :

Il mesure le rendement excédentaire par unité de risque.

Les investisseurs rationnels cherchent à maximiser ce ratio pour situer leur portefeuille sur la CML.

– Diversification sectorielle et géographique :

Les portefeuilles efficients incluent des actifs provenant de différentes régions ou secteurs pour réduire les covariances.

Exemple : combiner des actions canadiennes, américaines et européennes réduit le risque global si leurs rendements ne sont pas parfaitement corrélés.

Exemple concret :
Un gestionnaire calcule la variance et la corrélation entre cinq actifs. Après optimisation, il obtient la frontière efficiente : un portefeuille à 10 % de rendement avec 8 % de risque et un autre à 12 % de rendement avec 12 % de risque. En combinant ces portefeuilles, il peut choisir le meilleur compromis selon son aversion au risque.

5- Matière complémentaire
– Le modèle de Markowitz est la première application de la programmation quadratique en finance.
– Il a inspiré les modèles de tarification modernes, notamment le CAPM (Capital Asset Pricing Model), qui généralise la frontière efficiente à l’ensemble du marché.
– La diversification ne supprime pas le risque systématique, mais elle élimine le risque spécifique à chaque actif.
– En pratique, les matrices de covariance peuvent être instables ou mal estimées. Les gestionnaires utilisent alors des modèles de facteurs (ex. Fama-French) pour simplifier le calcul du risque.
– Les modèles récents intègrent aussi des contraintes supplémentaires : liquidité, ESG, ou objectifs multiples (rendement, volatilité, empreinte carbone).
– Les logiciels d’optimisation (Excel Solver, Python, R, Matlab) permettent de calculer la frontière efficiente à partir de données historiques ou simulées.
– Enfin, la compréhension de la frontière efficiente prépare l’étude des modèles d’équilibre des marchés (CAPM, APT), qui prolongent la logique de Markowitz en reliant risque et rendement à l’échelle du marché.

Question 19

Séance 4

Question 20

🟩 Fiche 18 — Introduction aux produits dérivés : définition et usages
[Concepts fondamentaux et fonctions économiques des produits dérivés]

1- Objectif et usage
– Un produit dérivé est un instrument financier dont la valeur dépend de celle d’un autre actif appelé sous-jacent.
– Le sous-jacent peut être un actif financier (actions, obligations, indices boursiers, devises) ou un actif réel (pétrole, gaz, or, céréales).
– Les produits dérivés sont essentiels pour la gestion du risque, la spéculation et l’arbitrage.
– Ils jouent un rôle fondamental dans la stabilité et l’efficience des marchés, car ils permettent de transférer, de répartir ou de neutraliser les risques financiers.

Exemple concret :
Une compagnie aérienne utilise un contrat à terme sur le pétrole pour se protéger contre une éventuelle hausse du prix du carburant. Ce contrat fixe à l’avance le prix d’achat du pétrole, réduisant ainsi l’incertitude liée aux coûts futurs.

2- Concepts clés
– Sous-jacent : actif dont dépend la valeur du produit dérivé.

Exemples : action (pour une option), indice boursier (pour un future), taux d’intérêt (pour un swap), devise (pour un contrat FX).
– Valeur dérivée : la valeur du contrat dépend du prix, du taux ou de la performance du sous-jacent.
– Position longue : engagement à acheter ou bénéficier de la hausse du sous-jacent.
– Position courte : engagement à vendre ou profiter de la baisse du sous-jacent.
– Prix d’exercice (K) : prix auquel le sous-jacent peut être acheté ou vendu.
– Maturité (T) : date à laquelle le contrat se règle ou expire.

3- Règles et hypothèses
– Tous les produits dérivés sont basés sur la notion de relation contractuelle future entre deux parties (acheteur et vendeur).
– La valeur du contrat évolue selon le prix du sous-jacent, le temps restant jusqu’à l’échéance, et la volatilité du marché.
– La plupart des contrats dérivés sont standardisés et échangés sur des marchés organisés (bourses), mais certains sont négociés de gré à gré (OTC – Over The Counter).
– L’évaluation d’un produit dérivé repose sur le principe d’absence d’arbitrage : il ne doit pas exister de stratégie sans risque permettant un profit certain.

4- Catégories principales de produits dérivés
– Contrats à terme (Forwards et Futures) : accords d’acheter ou de vendre un actif à une date future déterminée et à un prix fixé aujourd’hui.

Exemple : un producteur de blé vend un contrat à terme pour sécuriser le prix de sa récolte.
– Options : donnent le droit (mais non l’obligation) d’acheter (call) ou de vendre (put) un actif à un prix prédéterminé.

Exemple : un investisseur achète une option d’achat sur une action pour profiter d’une hausse potentielle sans risquer plus que la prime payée.
– Swaps : accords d’échange de flux financiers futurs (par exemple, taux fixe contre taux variable).

Exemple : une entreprise à taux variable échange ses paiements d’intérêt contre un taux fixe pour stabiliser ses coûts financiers.

5- Usages des produits dérivés
– Gestion du risque (hedging) : protéger la valeur d’un portefeuille ou d’un actif contre des fluctuations de prix défavorables.

Exemple : un exportateur canadien vend des contrats à terme sur le dollar américain pour se protéger contre une baisse du taux de change USD/CAD.

– Spéculation : prendre une position pour tirer profit des mouvements futurs de prix.

Exemple : un trader anticipe une hausse du prix de l’or et achète un contrat à terme pour réaliser un gain sur la variation de prix.

– Arbitrage : exploiter les différences de prix entre marchés ou produits similaires pour réaliser un profit sans risque.

Exemple : un arbitrageur constate une différence entre le prix d’un contrat à terme sur le S&P 500 et le prix implicite calculé à partir des actions composant l’indice. Il prend des positions compensatoires pour en tirer profit.

6- Matière complémentaire
– Les produits dérivés constituent un marché gigantesque : le marché mondial des dérivés OTC dépasse 600 000 milliards de dollars en valeur notionnelle.
– Ils permettent de rendre les marchés plus liquides, car ils facilitent la couverture des risques et attirent davantage d’investisseurs.
– Cependant, leur mauvaise utilisation peut amplifier les crises financières (exemples : crise de 2008, produits dérivés de crédit).
– Les produits dérivés sont souvent utilisés conjointement : par exemple, un futur combiné à une option peut créer une stratégie complexe de couverture dynamique.
– En finance quantitative, la valorisation des dérivés repose sur des modèles stochastiques (binomial, Black-Scholes, Monte Carlo), basés sur l’évolution aléatoire du sous-jacent.
– La maîtrise des dérivés est donc essentielle non seulement pour la gestion du risque, mais aussi pour comprendre la structure des marchés financiers modernes.

Question 21

🟩 Fiche 19 — Contrats à livrer, contrats à terme et absence d’arbitrage
[Structure, valorisation et rôle dans les marchés financiers]

1- Objectif et usage
Les contrats à livrer (forwards) et les contrats à terme (futures) sont des accords entre deux parties pour acheter ou vendre un actif sous-jacent à un prix fixé aujourd’hui, à une date future déterminée.
Ils permettent aux acteurs économiques de se protéger contre l’incertitude en fixant dès maintenant le prix d’une transaction à venir.
Ces instruments sont essentiels dans la gestion du risque sur les taux d’intérêt, les devises, les matières premières ou les actions.

Exemple concret :
Un importateur canadien sait qu’il devra payer 1 million de dollars américains dans trois mois. Pour se protéger contre une hausse du taux de change USD/CAD, il achète aujourd’hui un contrat à terme sur le dollar américain, ce qui fixe à l’avance son coût d’achat.

2- Concepts clés
Un contrat à livrer (forward) est un accord de gré à gré (OTC) entre deux contreparties. Il se règle à l’échéance, soit par la livraison physique de l’actif, soit par le paiement de la différence entre le prix du marché et le prix convenu. Ces contrats sont souvent utilisés entre institutions financières et grandes entreprises.

Un contrat à terme (future) est une version standardisée du forward, négociée sur un marché organisé. Les gains et pertes sont réglés quotidiennement grâce à une chambre de compensation, qui élimine le risque de contrepartie. Ces contrats sont très liquides et utilisés massivement pour la couverture et la spéculation.

Les éléments clés d’un contrat à terme sont :

le prix d’exercice (K), c’est-à-dire le prix convenu à l’avance pour la transaction future ;

la maturité (T), la date à laquelle le règlement aura lieu ;

la position longue, représentant la partie qui s’engage à acheter le sous-jacent ;

la position courte, représentant la partie qui s’engage à le vendre.

3- Règles et hypothèses
Lorsqu’un contrat est signé (au temps t = 0), sa valeur initiale est nulle : aucune des deux parties ne paie ni ne reçoit de montant à la signature.
Le prix à terme F(t, T) est défini de manière à ce qu’il n’existe aucune opportunité d’arbitrage.
Selon la loi du prix unique, deux portefeuilles générant les mêmes flux futurs doivent avoir le même prix aujourd’hui.
Si le sous-jacent ne verse pas de dividende et que le taux sans risque r est constant, alors la relation entre le prix actuel et le prix à terme est déterminée par la valorisation sans arbitrage.
Toute différence entre le prix théorique et le prix observé crée une opportunité d’arbitrage exploitable (voir fiche 21).

4- Mécanismes de couverture et de règlement
Le règlement physique consiste à livrer l’actif sous-jacent à la date d’échéance contre le paiement du prix convenu.
Le règlement financier consiste simplement à régler la différence entre le prix de marché et le prix contractuel.

Ces contrats sont principalement utilisés pour la couverture (hedging).
Par exemple, un agriculteur qui craint une baisse du prix du blé vend à terme sa récolte pour verrouiller son revenu futur.
À l’inverse, une entreprise qui doit acheter du cuivre à l’avenir prend une position longue pour se protéger contre une hausse du prix.

5- Différences entre contrats à livrer (forwards) et contrats à terme (futures)
Les contrats à livrer et les contrats à terme remplissent la même fonction, mais leurs caractéristiques opérationnelles diffèrent.

Marché :
Le contrat à livrer est négocié de gré à gré (OTC) entre deux parties.
Le contrat à terme est négocié sur un marché organisé, comme le CME ou Euronext.

Standardisation :
Le contrat à livrer est personnalisé selon les besoins des parties (montant, échéance, conditions spécifiques).
Le contrat à terme est standardisé : la taille, les échéances et les modalités sont fixées par la bourse.

Risque de contrepartie :
Dans un forward, ce risque est présent car aucune garantie n’assure le paiement futur.
Dans un future, il est éliminé grâce à la chambre de compensation, qui joue le rôle d’intermédiaire et garantit les transactions.

Liquidité :
Les forwards sont peu liquides, car ils sont uniques et négociés en privé.
Les futures sont très liquides, car ils sont standardisés et largement échangés.

Règlement :
Le contrat à livrer est réglé à l’échéance, en une seule fois.
Le contrat à terme est réglé quotidiennement selon le mécanisme du mark-to-market, où les gains et pertes sont ajustés chaque jour.

Flexibilité :
Le forward est très flexible, car il peut être adapté sur mesure.
Le future est moins flexible, car ses conditions sont imposées par le marché organisé.

6- Applications concrètes
Les forwards et futures sont utilisés dans de nombreux contextes financiers :

Marché des devises :
Les entreprises exportatrices ou importatrices utilisent ces contrats pour verrouiller leur taux de change futur.

Marché des matières premières :
Les producteurs (comme les compagnies pétrolières ou agricoles) sécurisent leurs revenus futurs en vendant leurs produits à terme.

Marché obligataire :
Les investisseurs se couvrent contre les variations des taux d’intérêt en vendant ou en achetant des contrats à terme sur obligations.

Marché boursier :
Les gestionnaires de fonds utilisent les futures sur indices (comme le S&P 500) pour se protéger contre les baisses de marché.

Exemple concret :
Une compagnie d’électricité vend un contrat à livrer sur le gaz naturel à trois mois à un prix de 2,80 $/Mcf.
Si le prix du gaz monte à 3,10 $, elle doit acheter sur le marché spot à ce prix, mais reçoit 2,80 $ du contrat, neutralisant ainsi l’effet de la hausse.

7- Matière complémentaire
Les contrats à terme et à livrer sont fondés sur le principe du transfert de risque : chaque partie choisit de transférer son exposition à un prix connu aujourd’hui.
Leur valorisation dépend de plusieurs facteurs, notamment :

le coût de portage (stockage, financement, assurance),

les dividendes ou revenus du sous-jacent,

la liquidité et les conditions de marché.

Ces modèles sont à la base de la théorie de l’arbitrage et du modèle de valorisation de Black–Scholes, utilisés pour les options.
De plus, les marchés à terme jouent un rôle central dans la formation des anticipations économiques :
le prix à terme reflète la perception collective du marché sur les prix futurs attendus.
Enfin, ces marchés favorisent la découverte des prix (price discovery) et améliorent la liquidité globale des marchés financiers.

Question 22

🟩 Fiche 20 — Actif sans risque, vente à découvert et portefeuille auto-financé
[Concepts essentiels à la valorisation et à l’arbitrage]

1- Objectif et usage
Ces trois concepts — actif sans risque, vente à découvert et portefeuille auto-financé — sont à la base de toute la théorie de l’arbitrage et de la valorisation des produits dérivés.
Ils permettent de construire des portefeuilles de réplication et de déterminer le prix théorique des contrats à terme et des options.
Comprendre ces notions, c’est comprendre le fondement de la finance sans arbitrage, sur lequel repose la valorisation moderne.

Exemple concret :
Un gestionnaire crée un portefeuille combinant une obligation sans risque et une position courte sur une action pour reproduire le comportement d’un contrat à terme. Cette combinaison permet de fixer le prix du contrat de manière cohérente avec l’absence d’arbitrage.

2- Concepts clés
– Actif sans risque :

C’est un actif dont le rendement futur est connu avec certitude.

Typiquement, il s’agit d’une obligation d’État à court terme, utilisée comme référence dans les modèles financiers.

Son taux de rendement, appelé taux sans risque (r), sert à actualiser les flux futurs.

En pratique, le taux des bons du Trésor (à 3 mois ou 1 an) est souvent utilisé comme approximation du taux sans risque.

– Vente à découvert :

Consiste à vendre un actif que l’on ne possède pas, en le empruntant à un autre investisseur, dans l’espoir de le racheter plus tard à un prix plus bas.

Si le prix baisse, le vendeur à découvert réalise un profit.

Si le prix augmente, il subit une perte.

La vente à découvert permet donc de tirer profit d’une baisse anticipée d’un actif ou de construire un portefeuille équilibré (long/short).

Exemple concret :
Un investisseur pense que le titre A est surévalué par rapport au titre B. Il vend le titre A à découvert et achète le titre B. Si le marché corrige cette différence, il réalise un profit sans risque — c’est une stratégie d’arbitrage relative.

– Portefeuille auto-financé :

Un portefeuille est dit auto-financé lorsqu’il ne nécessite aucune injection ou retrait de capital après sa mise en place.

Tout ajustement de position est financé par la vente d’un autre actif dans le portefeuille.

Cela signifie que la valeur totale du portefeuille évolue uniquement selon les variations des prix de marché, et non selon de nouveaux apports.

Les modèles de valorisation des dérivés (comme Black–Scholes) reposent sur la création de portefeuilles auto-financés.

Exemple concret :
Un investisseur décompose une option en une position longue sur une action et une position courte sur un contrat à terme. Les variations de ces positions s’équilibrent de façon à maintenir la valeur du portefeuille sans ajout de capital : c’est un portefeuille auto-financé.

3- Règles et hypothèses
– Un actif sans risque a une volatilité nulle et un rendement certain : il ne comporte aucun risque de perte de capital ni de défaut.
– La vente à découvert implique un coût de financement (intérêts payés sur l’actif emprunté).
– Le portefeuille auto-financé est le point de départ de la réplication : s’il reproduit parfaitement les flux d’un produit dérivé, la valeur du dérivé doit être égale à la valeur du portefeuille, sinon il y aurait arbitrage.
– Dans un marché sans arbitrage, la valeur actuelle d’un actif est égale à la valeur actualisée de ses flux futurs au taux sans risque.
– Les marchés sont supposés parfaits : pas de coûts de transaction, pas de restrictions sur les ventes à découvert, et possibilité d’emprunter ou prêter au taux sans risque.

4- Applications concrètes
– Valorisation des contrats à terme :

Le prix à terme d’un actif est déterminé en comparant deux stratégies :

Acheter l’actif aujourd’hui et le détenir jusqu’à la date future.

Acheter un contrat à terme et investir le montant équivalent dans un actif sans risque.

En absence d’arbitrage, ces deux stratégies doivent donner le même résultat financier.

– Arbitrage avec vente à découvert :

Si le prix du contrat à terme est trop élevé par rapport au prix théorique, un investisseur peut vendre à découvert le contrat et acheter le sous-jacent, réalisant ainsi un profit sans risque.

– Réplication d’options :

Dans le modèle Black–Scholes, une option peut être reproduite (ou “répliquée”) par un portefeuille composé d’une action et d’un actif sans risque.

Ce portefeuille auto-financé assure que la variation de valeur de l’option est identique à celle du portefeuille sous-jacent.

– Gestion de portefeuille long/short :

Les stratégies dites “long/short equity” combinent des positions longues et des ventes à découvert pour neutraliser le risque de marché et se concentrer sur les différences de performance relative.

– Taux sans risque et actualisation :

Dans la gestion d’actifs, le taux sans risque sert de référence pour mesurer la performance ajustée au risque, comme le ratio de Sharpe ou le coût du capital.

Exemple concret :
Un investisseur souhaite détenir un portefeuille sans risque composé d’une obligation d’État (rendement certain de 2 %) et d’une position courte sur une action volatile. En ajustant continuellement les proportions, il obtient une exposition neutre au risque de marché, reproduisant ainsi la valeur d’un dérivé sans incertitude.

5- Matière complémentaire
– Les marchés sans arbitrage sont la base de toute la théorie de la valorisation. Si un arbitrage est possible, il sera immédiatement exploité, et les prix s’ajusteront pour rétablir l’équilibre.
– Le portefeuille auto-financé est le concept clé derrière les modèles de couverture dynamique : la variation du portefeuille compense exactement celle du produit dérivé.
– La vente à découvert est également une composante essentielle du mécanisme de correction des prix : elle permet aux investisseurs de ramener un actif surévalué vers sa valeur juste.
– En pratique, les ventes à découvert peuvent être limitées par la réglementation, ce qui crée parfois des inefficiences de marché.
– Enfin, l’actif sans risque sert non seulement à la valorisation, mais aussi à la mesure de performance : les rendements excédentaires par rapport au taux sans risque déterminent la prime de risque exigée par les investisseurs.

Question 23

🟩 Fiche 21 — Arbitrage et détermination du prix à terme
[Principe de non-arbitrage et valorisation des contrats à terme]

1- Objectif et usage
L’arbitrage est le principe selon lequel il ne doit pas exister de stratégie permettant de réaliser un profit certain sans risque et sans investissement initial.
Ce principe fonde toute la valorisation moderne des produits dérivés, y compris le prix des contrats à terme.
En pratique, il permet de déterminer le prix théorique d’un actif dérivé en comparant deux stratégies équivalentes.

Exemple concret :
Un investisseur compare deux stratégies :

Acheter une action aujourd’hui et la financer en empruntant au taux sans risque.

Signer un contrat à terme pour acheter la même action dans trois mois.
En absence d’arbitrage, ces deux stratégies doivent coûter exactement la même chose.

2- Concepts clés
– Arbitrage : opportunité de profit certain obtenue en exploitant des différences de prix entre actifs ou marchés.
– Loi du prix unique : deux portefeuilles qui produisent les mêmes flux futurs doivent avoir le même prix aujourd’hui.
– Prix à terme théorique : déterminé de façon à éliminer toute opportunité d’arbitrage.
– Coût de portage : coûts liés à la détention de l’actif sous-jacent (financement, stockage, assurance).
– Prix spot (S₀) : prix actuel de l’actif sur le marché.
– Taux sans risque (r) : utilisé pour actualiser ou capitaliser les flux futurs.

3- Règles et hypothèses
– Les marchés sont supposés parfaits : pas de coûts de transaction, pas de taxes, et possibilité d’emprunter/prêter au taux sans risque.
– Le prix du contrat à terme est obtenu en égalisant le coût des deux stratégies suivantes :

Stratégie A : acheter l’actif aujourd’hui au prix spot et financer son coût.

Stratégie B : acheter un contrat à terme.
– En absence d’arbitrage, le prix à terme doit rendre ces stratégies équivalentes.
– Si le contrat est mal évalué, une stratégie de couverture (long/short) permet de réaliser un profit garanti, jusqu’à ce que le marché corrige l’écart.

4- Applications concrètes
– Arbitrage sur actions :
Si le prix à terme d’une action est supérieur à son prix théorique, un arbitrageur peut vendre le contrat à terme, acheter l’action au comptant et financer son achat par emprunt.
Le profit certain sera encaissé à l’échéance.

– Arbitrage sur devises :
Les contrats à terme sur devises (forward FX) doivent respecter la parité de taux d’intérêt couverte.
Sinon, un investisseur peut emprunter dans une devise, la convertir, investir dans l’autre devise, et verrouiller le taux de conversion futur via un forward.

– Arbitrage sur matières premières :
Le prix à terme doit inclure le coût de portage (stockage, assurance).
Si le contrat est trop cher, un arbitrageur peut vendre à terme la marchandise, l’acheter au comptant et supporter les frais de stockage.

– Arbitrage sur indices boursiers :
Le prix à terme d’un indice doit intégrer les dividendes attendus des actions composant l’indice.
Sinon, un arbitrageur peut ajuster une position entre l’indice et ses contrats à terme pour profiter de l’écart.

Exemple concret :
Supposons qu’une action vaut 100 $ aujourd’hui et que le taux sans risque annuel est de 5 %.
Un contrat à terme à un an devrait valoir environ 105 $.
Si le marché affiche un prix à terme de 110 $, un arbitrageur peut :

vendre le contrat à terme à 110 $,

acheter l’action à 100 $ en l’empruntant à 5 %,
et obtenir un profit garanti à l’échéance.

5- Matière complémentaire
– La valorisation par arbitrage est la base de tous les modèles modernes, y compris le Black–Scholes pour les options.
– En réalité, les frictions de marché (coûts de transaction, restrictions de ventes à découvert, risques de liquidité) peuvent limiter les opportunités d’arbitrage.
– L’arbitrage reste néanmoins un mécanisme essentiel de discipline des prix : les investisseurs corrigent rapidement les écarts, ce qui aligne les prix sur leur valeur théorique.
– En finance internationale, l’arbitrage sur devises est particulièrement utilisé par les banques pour garantir la cohérence entre taux d’intérêt et taux de change.
– Enfin, l’arbitrage est aussi au cœur des stratégies des hedge funds, qui exploitent des anomalies de prix temporaires sur différents marchés.

Question 24

🟩 Fiche 22 — Options : définitions, notation et payoff
[Concepts fondamentaux des options et structure du rendement]

1- Objectif et usage
Une option est un contrat dérivé qui donne à son détenteur le droit, mais non l’obligation, d’acheter ou de vendre un actif à un prix déterminé (appelé prix d’exercice) avant ou à une date donnée (appelée échéance).
Les options permettent de se couvrir contre les fluctuations des prix, de spéculer sur les mouvements de marché ou de concevoir des stratégies de rendement asymétriques.

Exemple concret :
Un investisseur qui détient une action Apple à 180 $ peut acheter une option de vente (put) lui donnant le droit de vendre à 175 $.
Si le prix chute à 160 $, il exerce son option et limite sa perte à 5 $ par action — c’est une forme d’assurance contre le risque de baisse.

2- Concepts clés
– Option d’achat (call) : donne le droit d’acheter le sous-jacent à un prix donné (prix d’exercice K) avant ou à l’échéance.
– Option de vente (put) : donne le droit de vendre le sous-jacent à K avant ou à l’échéance.
– Acheteur (long) : paie une prime pour acquérir le droit lié à l’option.
– Vendeur (short) : reçoit la prime, mais prend une obligation potentielle (livrer ou acheter le sous-jacent selon le cas).
– Prix d’exercice (K) : prix fixé dans le contrat auquel l’actif peut être acheté (call) ou vendu (put).
– Échéance (T) : date à laquelle l’option arrive à expiration.
– Prime de l’option : prix payé pour acquérir l’option. Elle dépend du prix du sous-jacent, du temps restant, de la volatilité, du taux sans risque et des dividendes éventuels.

3- Types d’options
– Option européenne : ne peut être exercée qu’à l’échéance.
– Option américaine : peut être exercée à tout moment jusqu’à l’échéance.
– Option exotique : dépend de conditions spécifiques (ex. barrières, paniers d’actifs, options asiatiques).

4- Structure du payoff (gain brut) et du profit (gain net)
Le payoff correspond au résultat brut du contrat à l’échéance, tandis que le profit tient compte de la prime payée ou reçue.

Option d’achat (call) :
Payoff = max(S_T – K, 0)
Profit = max(S_T – K, 0) – prime

Option de vente (put) :
Payoff = max(K – S_T, 0)
Profit = max(K – S_T, 0) – prime

Exemple concret :
Un investisseur achète un call sur une action à K = 100 $ pour une prime de 5 $.
Si à l’échéance l’action vaut 120 $, son profit est de 15 $.
Si elle vaut 95 $, l’option expire sans valeur et sa perte est limitée à la prime (–5 $).

5- Moneyness (position du prix du sous-jacent par rapport au prix d’exercice)
– In the money (ITM) :

Call : S_T > K (l’option a une valeur positive).

Put : S_T < K (l’option a une valeur positive).
– At the money (ATM) : S_T ≈ K (l’option est à la limite d’être rentable).
– Out of the money (OTM) :

Call : S_T < K (l’option n’a aucune valeur à l’échéance).

Put : S_T > K (l’option n’a aucune valeur à l’échéance).

Exemple concret :
Une option d’achat sur une action à 50 $ :

Si le prix monte à 60 $, elle est in the money.

Si le prix reste à 50 $, elle est at the money.

Si le prix baisse à 40 $, elle est out of the money.

6- Valeur intrinsèque et valeur temps
– Valeur intrinsèque : différence entre le prix du sous-jacent et le prix d’exercice lorsqu’elle est positive.

Pour un call : max(S – K, 0).

Pour un put : max(K – S, 0).
– Valeur temps : partie de la prime qui reflète le potentiel futur de gain lié à la volatilité et au temps restant avant l’échéance.

Plus il reste de temps avant l’échéance, plus la valeur temps est élevée.

À l’échéance, la valeur temps est nulle.

Exemple concret :
Une option d’achat coûte 8 $, dont 5 $ de valeur intrinsèque et 3 $ de valeur temps.
Si l’action approche de son échéance sans variation du prix, la valeur temps diminue progressivement — c’est la décroissance temporelle (ou time decay).

7- Applications concrètes
– Couverture (hedging) :

Les entreprises utilisent des puts pour se protéger contre la baisse d’un actif.

Exemple : un producteur d’or achète un put pour garantir un prix minimal de vente de sa production.

– Spéculation :

Les investisseurs utilisent des calls pour parier sur une hausse du sous-jacent ou des puts pour miser sur une baisse.

L’effet de levier des options permet de réaliser des gains importants avec une mise initiale faible.

– Arbitrage :

Les relations entre puts, calls et sous-jacent permettent de repérer des incohérences de prix et d’en tirer profit (voir fiche 23 sur la parité put–call).

Exemple concret :
Un trader anticipe une forte volatilité à court terme sur Tesla. Il achète simultanément un call et un put (straddle). Quelle que soit la direction du mouvement, il profite d’un écart important du prix à l’échéance.

8- Matière complémentaire
– Les options sont des instruments asymétriques : le détenteur d’un call a un potentiel de gain illimité, mais une perte limitée à la prime.
– Les modèles de valorisation (comme Black–Scholes) reposent sur l’hypothèse que le prix du sous-jacent suit un processus stochastique (mouvement brownien géométrique).
– La volatilité implicite est un facteur déterminant du prix d’une option : elle reflète les anticipations du marché sur la variabilité future du sous-jacent.
– Les institutions financières utilisent massivement les options pour créer des produits structurés, combinaisons complexes d’options, d’obligations et d’indices.
– Enfin, les options sont un outil pédagogique central pour comprendre le principe de réplication et le risque neutre, qui seront développés dans les fiches suivantes.

Question 25

🟩 Fiche 23 — Facteurs influençant le prix des options et parité put–call [Éléments déterminants de la valeur et relation d’équilibre entre puts et calls] 1- Objectif et usage Cette fiche explique les éléments qui déterminent la valeur d’une option et le lien fondamental entre les options d’achat et de vente sur le même actif : la parité put–call. Ces deux notions sont au cœur de la valorisation par absence d’arbitrage, et permettent d’évaluer si une option est correctement pricée sur le marché. Exemple concret : Si un call et un put portant sur la même action et la même échéance ne respectent pas la parité put–call, un investisseur peut construire une position combinée qui garantit un profit sans risque — un arbitrage pur. 2- Facteurs influençant le prix d’une option Le prix d’une option dépend de plusieurs variables fondamentales, appelées les “grecs” dans les modèles de valorisation. Chacune influence différemment les options d’achat (calls) et de vente (puts). Voici les principaux facteurs et leurs effets : Prix du sous-jacent (S) : Une hausse du prix du sous-jacent augmente la valeur d’un call et diminue celle d’un put. Inversement, une baisse du sous-jacent rend les puts plus chers et les calls moins chers. Prix d’exercice (K) : Plus le prix d’exercice est élevé, plus le call est moins cher (puisqu’il est plus difficile d’être rentable) et plus le put est plus cher (car il devient plus probable d’être exercé). Temps avant l’échéance (T) : Plus le temps restant est long, plus la valeur temps est élevée. Les calls et les puts augmentent généralement avec le temps, car les probabilités de mouvement du sous-jacent grandissent. À l’échéance, la valeur temps devient nulle. Volatilité (σ) : La volatilité mesure l’ampleur attendue des fluctuations du sous-jacent. Une volatilité plus élevée augmente la valeur des deux types d’options, car elle accroît la probabilité d’un gain important. En pratique, la volatilité implicite est l’un des déterminants majeurs du prix d’une option. Taux sans risque (r) : Une hausse du taux sans risque tend à augmenter la valeur d’un call (coût d’opportunité de détenir le sous-jacent) et à diminuer celle d’un put. Cela s’explique par la valeur actualisée du prix d’exercice. Dividendes attendus (D) : Le versement de dividendes diminue la valeur d’un call et augmente celle d’un put, car le prix du sous-jacent baisse généralement du montant du dividende à sa distribution. Exemple concret : Si la volatilité sur Tesla passe de 25 % à 40 %, toutes les options sur le titre verront leur prime augmenter, même sans changement du prix de l’action. Cela reflète la hausse de l’incertitude future. 3- Interprétation intuitive des effets Le call est un pari sur la hausse : il gagne en valeur avec la croissance du sous-jacent, la durée et la volatilité. Le put est un pari sur la baisse : il gagne en valeur quand le prix du sous-jacent diminue ou quand la volatilité augmente. Le temps et la volatilité profitent toujours à l’acheteur d’option, car ils accroissent les scénarios extrêmes possibles. 4- La parité put–call (relation d’arbitrage fondamentale) La parité put–call exprime le lien exact entre le prix d’un call, d’un put et du sous-jacent, dans un marché sans arbitrage. Elle permet de vérifier la cohérence des prix des options et d’éviter les écarts exploitables. La relation s’écrit ainsi : Prix du call + Valeur actualisée du prix d’exercice = Prix du put + Prix du sous-jacent Autrement dit, détenir un call et une obligation sans risque qui rembourse K à l’échéance doit être équivalent à détenir un put et le sous-jacent. Ces deux portefeuilles produisent les mêmes flux futurs, donc doivent avoir la même valeur aujourd’hui. 5- Interprétation économique -- Cette relation repose sur la loi du prix unique : deux portefeuilles produisant les mêmes résultats doivent avoir la même valeur. -- Si la parité n’est pas respectée, il existe une opportunité d’arbitrage : l’investisseur peut acheter le portefeuille sous-évalué et vendre le portefeuille surévalué pour réaliser un profit sans risque. -- La parité ne s’applique strictement qu’aux options européennes (exercice à l’échéance), car les options américaines peuvent être exercées plus tôt. 6- Applications concrètes -- Détection d’arbitrages : Si le prix observé du call est trop élevé par rapport à la parité, un investisseur peut vendre le call, acheter un put et le sous-jacent, et investir la différence au taux sans risque. À l’échéance, les flux s’annulent et le profit initial est garanti. -- Valorisation relative : Les traders utilisent la parité pour vérifier la cohérence des prix entre puts et calls avant d’intervenir sur le marché. -- Construction de produits structurés : Les ingénieurs financiers utilisent la parité pour créer des portefeuilles synthétiques, comme des calls synthétiques ou puts synthétiques, en combinant sous-jacent, options et obligations. -- Gestion de portefeuille : La parité put–call permet aussi d’évaluer les positions équivalentes : par exemple, une position longue sur un call peut être répliquée par un portefeuille composé d’un put, du sous-jacent et d’une position courte sur une obligation. Exemple concret : Une action vaut 100 $, le taux sans risque est 5 %, et une option call et put de même prix d’exercice (K = 100 $) arrivent à échéance dans un an. Si le call se négocie à 10 $ et que le put vaut 6 $, la parité donne : 10 + 100 / (1,05) = 6 + 100 → les prix sont cohérents. Si le put était à 9 $, il y aurait opportunité d’arbitrage, car les portefeuilles ne seraient plus équivalents. 7- Matière complémentaire -- La parité put–call constitue la base de la valorisation sans arbitrage des options européennes. -- Les écarts par rapport à la parité reflètent souvent les coûts de transaction, les restrictions de ventes à découvert ou des dividendes inattendus. -- Dans la pratique, cette relation est constamment surveillée par les traders d’options, car elle révèle immédiatement les anomalies de marché. -- En finance quantitative, la parité put–call est le point de départ de la réplication dynamique : toute option peut être reproduite par un portefeuille auto-financé combinant actif sans risque et sous-jacent. -- Enfin, la compréhension de cette relation est essentielle avant d’aborder les modèles de valorisation (binomial et Black–Scholes), car elle formalise le lien entre risque, rendement et arbitrage.

Question 26

🟩 Fiche 24 — Stratégies de base avec options (hedging et spéculation) [Combinaisons simples et gestion du risque à l’aide d’options] 1- Objectif et usage -- Les options peuvent être combinées pour se protéger (hedging), spéculer ou générer un revenu. -- Ces stratégies permettent d’ajuster précisément le profil rendement–risque d’un portefeuille. Exemple concret -- Un investisseur craint une baisse du marché mais veut garder ses actions. Il achète des puts pour limiter la perte maximale tout en conservant le potentiel de hausse. 2- Concepts clés -- Stratégie de couverture (hedging) : réduire ou éliminer un risque existant. -- Stratégie spéculative : profiter d’un mouvement anticipé (hausse, baisse ou forte volatilité). -- Stratégie neutre : tirer profit d’un marché stable ou du passage du temps. -- Prime : coût initial de la stratégie (perte maximale pour l’acheteur d’options). -- Effet de levier : gain potentiel élevé pour une mise initiale limitée. 3- Stratégies de couverture (hedging) -- Protective put (put protecteur) : achat d’un put sur un actif détenu pour fixer un plancher de valeur. -- Covered call (call couvert) : vente d’un call sur un actif détenu pour encaisser une prime en échange d’un plafond de gain. -- Collar (collier) : détenir l’actif, acheter un put plus bas et vendre un call plus haut pour encadrer pertes et gains. Exemples -- Put protecteur : détenir une action à 50, acheter un put 48 pour limiter la perte. -- Call couvert : détenir Apple et vendre un call 200 pour encaisser une prime si le titre reste sous 200. -- Collar : détenir l’action, acheter put 95 et vendre call 110 pour borner le résultat. 4- Stratégies spéculatives simples -- Long call : parier sur une hausse avec perte limitée à la prime, gain potentiellement illimité. -- Long put : parier sur une baisse avec perte limitée à la prime, gain si le prix chute fortement. -- Short call : parier sur stabilité ou baisse, risque potentiellement illimité si le prix monte. -- Short put : parier sur stabilité ou hausse, risque important si le prix chute. 5- Stratégies combinées pour profiter de la volatilité -- Straddle (achat d’un call et d’un put au même prix d’exercice) : miser sur un grand mouvement, quelle que soit la direction. -- Strangle (achat d’un call et d’un put à deux prix d’exercice) : miser sur forte volatilité à moindre coût qu’un straddle. -- Bull spread (écart haussier avec calls) : acheter un call bas et vendre un call plus haut pour profiter d’une hausse modérée. -- Bear spread (écart baissier avec puts) : acheter un put haut et vendre un put plus bas pour profiter d’une baisse modérée. -- Butterfly spread (papillon) : combiner trois prix d’exercice pour parier sur une faible volatilité autour d’un niveau central. Exemples -- Straddle avant une annonce bancaire : achat call K et put K sur l’indice pour capter un grand mouvement. -- Strangle sur une action à 100 : acheter put 95 et call 105 pour viser une volatilité élevée à moindre coût. -- Bull spread : call 100 acheté et call 110 vendu pour encadrer gain et coût. -- Bear spread : put 110 acheté et put 100 vendu pour encadrer gain et coût. -- Butterfly : structure centrée sur K pour gagner si le prix reste proche de K. 6- Interprétation économique -- Les options permettent de façonner finement le couple rendement–risque. -- Le hedging réduit l’incertitude mais limite souvent le potentiel de gain. -- La spéculation offre du levier mais augmente la probabilité de perte de la prime. -- Les stratégies combinées exploitent un écart entre volatilité attendue et volatilité implicite. 7- Matière complémentaire -- Ces constructions sont la base du trading de volatilité et de la couverture dynamique. -- Les écarts entre volatilité implicite et réalisée guident les choix d’achat ou de vente d’options. -- Les profils de payoff doivent être visualisés régulièrement pour vérifier les zones de profit/perte selon le prix du sous-jacent. -- De nombreux produits structurés (notes à capital protégé, autocallables) reposent sur des combinaisons proches de celles présentées ici.

Question 27

🟩 Fiche 25 — Modèle binomial et valorisation sans risque [Construction d’un arbre d’états et principe de réplication] 1- Objectif et usage -- Le modèle binomial est une méthode simple et puissante pour évaluer le prix d’un produit dérivé (comme une option). -- Il repose sur l’idée que, sur une courte période, le prix d’un actif peut seulement monter ou descendre selon deux valeurs possibles. -- Ce modèle permet d’évaluer la juste valeur d’une option en construisant un portefeuille sans risque qui réplique exactement ses flux futurs. -- Il s’agit du premier modèle à avoir introduit l’idée fondamentale de valorisation par arbitrage et de portefeuille de réplication, sur laquelle repose aussi le modèle de Black–Scholes. Exemple concret -- Une action vaut 100 $ aujourd’hui. Dans un mois, elle pourra valoir soit 110 $ (hausse), soit 90 $ (baisse). -- Une option d’achat donne le droit d’acheter cette action à 100 $. Le modèle binomial permet de calculer combien vaut cette option aujourd’hui, en construisant une combinaison d’action et d’actif sans risque qui reproduit le même résultat. 2- Concepts clés -- Arbre binomial : représentation des deux trajectoires possibles du prix du sous-jacent à chaque période (hausse ou baisse). -- Probabilité neutre au risque : probabilité théorique qui permet d’actualiser les flux futurs au taux sans risque, sans tenir compte des préférences des investisseurs. -- Réplication : création d’un portefeuille composé du sous-jacent et d’un actif sans risque qui reproduit exactement les flux de l’option. -- Absence d’arbitrage : principe selon lequel deux portefeuilles produisant les mêmes flux doivent avoir la même valeur aujourd’hui. -- Prix neutre au risque : valeur actuelle du flux espéré sous probabilité neutre, actualisée au taux sans risque. 3- Règles et hypothèses -- Le modèle suppose que le prix de l’actif suit un processus discret où, à chaque période, il peut soit augmenter d’un facteur u, soit diminuer d’un facteur d. -- Le marché est parfait et sans friction : pas de coûts de transaction, possibilité d’emprunter et de vendre à découvert au taux sans risque. -- Le taux sans risque r est constant durant toute la période. -- L’arbitrage n’est pas possible : les prix doivent être cohérents avec les rendements attendus selon r. -- La valeur d’une option ne dépend pas des préférences de risque des investisseurs, mais seulement de la réplication. 4- Étapes de valorisation dans le modèle binomial -- Étape 1 : déterminer les prix possibles du sous-jacent à la période suivante (hausse = S₀u, baisse = S₀d). -- Étape 2 : calculer les valeurs possibles de l’option à l’échéance (payoffs). -- Étape 3 : construire un portefeuille de réplication composé de : une quantité Δ du sous-jacent, et un montant investi/emprunté dans l’actif sans risque. -- Étape 4 : résoudre pour Δ et le montant sans risque de façon à ce que le portefeuille ait les mêmes valeurs que l’option dans les deux scénarios (hausse et baisse). -- Étape 5 : actualiser la valeur du portefeuille au taux sans risque pour obtenir la valeur actuelle de l’option. Exemple concret -- Supposons : S₀ = 100, u = 1,1, d = 0,9, r = 5 %. L’option call a un prix d’exercice K = 100. -- À l’échéance : Si hausse → valeur = 10. Si baisse → valeur = 0. -- En résolvant le portefeuille de réplication, on trouve la combinaison d’action et de prêt sans risque équivalente. -- L’option vaut aujourd’hui le coût de ce portefeuille, par absence d’arbitrage. 5- Probabilité neutre au risque -- Elle ne correspond pas à la probabilité réelle d’un scénario, mais à celle qui rend le rendement espéré du sous-jacent égal au taux sans risque. -- Elle permet de valoriser l’option sans avoir à estimer les préférences ou anticipations des investisseurs. -- On calcule ensuite la valeur espérée du payoff de l’option sous cette probabilité, puis on l’actualise au taux sans risque. Exemple concret -- Si la probabilité neutre au risque de hausse est 0,6 et que le payoff vaut 10 en cas de hausse et 0 en cas de baisse, la valeur actuelle de l’option est : 0,6 × 10 / (1 + r) = environ 5,7 $. 6- Applications concrètes -- Valorisation d’options européennes et américaines : Pour une option européenne, on valorise uniquement à l’échéance. Pour une option américaine, on vérifie à chaque étape s’il est plus avantageux d’exercer ou de continuer (arbre recombiné). -- Gestion du risque de portefeuille : Les banques utilisent le modèle binomial pour tester des stratégies de couverture dynamique (ajustement du Δ). -- Enseignement et simulation : Le modèle binomial est souvent utilisé comme première étape avant de passer à Black–Scholes, car il illustre le raisonnement de réplication et d’absence d’arbitrage. -- Valorisation de produits structurés : Les produits exotiques (barrières, options asiatiques) peuvent être approximés par un modèle binomial multi-périodes. 7- Matière complémentaire -- Le modèle binomial devient une approximation du modèle de Black–Scholes lorsque le nombre de périodes tend vers l’infini. -- Dans la pratique, un arbre à plusieurs périodes permet de modéliser l’évolution continue des prix. -- Ce modèle est également utilisé pour calculer les “Greeks” (sensibilités) en observant comment le prix de l’option change avec le sous-jacent. -- Enfin, le modèle met en évidence le concept fondamental de neutralité au risque, selon lequel la valorisation d’un actif dépend uniquement de ses flux futurs attendus, actualisés au taux sans risque, et non des préférences individuelles des investisseurs.

Question 28

🟩 Fiche 26 — Processus stochastiques et simulation Monte Carlo [Modélisation probabiliste des prix et valorisation d’options complexes] 1- Objectif et usage -- Les processus stochastiques servent à modéliser l’évolution incertaine des variables financières (prix d’un actif, taux d’intérêt, volatilité). -- L’objectif est de décrire mathématiquement la manière dont les prix évoluent au fil du temps, en intégrant à la fois les tendances prévisibles et les fluctuations aléatoires. -- La simulation Monte Carlo est une méthode numérique permettant d’estimer le prix ou le risque d’un actif en simulant un grand nombre de trajectoires possibles selon un processus stochastique. -- Ces outils sont essentiels pour valoriser des produits dérivés complexes ou pour mesurer des risques de portefeuille dans des environnements incertains. Exemple concret -- Une banque veut évaluer le prix d’une option dépendant de la moyenne du prix d’une action sur six mois. -- Le modèle de Black–Scholes ne s’applique pas directement, mais une simulation Monte Carlo peut générer des milliers de trajectoires du prix de l’action et calculer la valeur moyenne de l’option sur ces scénarios. 2- Concepts clés -- Processus stochastique : variable aléatoire qui évolue au cours du temps selon une loi de probabilité. -- Chemin (ou trajectoire) : une réalisation possible du processus sur une période donnée. -- Espérance conditionnelle : moyenne des valeurs futures compte tenu de l’information actuelle. -- Variance et volatilité : mesures de la dispersion du processus autour de sa moyenne. -- Simulation Monte Carlo : technique qui consiste à répéter des tirages aléatoires pour estimer une valeur moyenne ou une probabilité. 3- Processus stochastiques utilisés en finance -- Processus de marche aléatoire (random walk) : chaque variation de prix est indépendante et identiquement distribuée. -- Processus de Wiener (ou mouvement brownien) : modèle continu de fluctuations aléatoires avec des incréments indépendants et normalement distribués. -- Mouvement brownien géométrique : version exponentielle du processus de Wiener, garantissant que les prix restent toujours positifs. C’est le cœur du modèle de Black–Scholes. -- Processus à sauts (Poisson ou Merton) : modèles intégrant des changements brusques de prix, utilisés pour les marchés avec volatilité extrême. -- Processus d’Ornstein–Uhlenbeck : utilisé pour modéliser des taux d’intérêt qui tendent à revenir vers une moyenne de long terme (mean reversion). Exemple concret -- Le prix d’une action suit un mouvement brownien géométrique, ce qui signifie qu’il évolue de manière proportionnelle à sa valeur actuelle, avec une composante aléatoire représentant la volatilité du marché. 4- Simulation Monte Carlo : principes -- Étape 1 : définir le modèle de prix du sous-jacent (par exemple un mouvement brownien géométrique). -- Étape 2 : générer aléatoirement un grand nombre de trajectoires de prix à partir de ce modèle. -- Étape 3 : calculer le payoff (flux de l’option ou de l’actif dérivé) pour chaque trajectoire. -- Étape 4 : faire la moyenne des payoffs obtenus. -- Étape 5 : actualiser cette moyenne au taux sans risque pour obtenir la valeur actuelle. -- Plus le nombre de simulations est élevé, plus l’estimation est précise (loi des grands nombres). -- Cette méthode est très flexible : elle peut être utilisée pour presque n’importe quel produit dérivé, même lorsque la formule analytique n’existe pas. Exemple concret -- Pour évaluer une option asiatique (dont le payoff dépend du prix moyen d’un actif), on simule 100 000 trajectoires du prix. -- Chaque trajectoire donne un résultat différent, et la moyenne des valeurs actualisées donne le prix estimé de l’option. 5- Avantages et limites de la méthode Monte Carlo -- Avantages : -- Très flexible : applicable à tout type de produit dérivé, même les plus complexes. -- Facile à comprendre conceptuellement : on reproduit la réalité du marché par des scénarios aléatoires. -- Permet d’intégrer de nombreuses variables (volatilité, taux, corrélations, etc.). -- Limites : -- Temps de calcul élevé pour obtenir des résultats précis. -- Ne fournit pas directement d’intuition sur la sensibilité du prix (contrairement aux modèles analytiques). -- Nécessite une estimation correcte de la distribution des rendements. 6- Applications concrètes -- Valorisation d’options exotiques : Options asiatiques, barrières, lookback, où la valeur dépend du chemin parcouru. -- Gestion des risques : Estimation de la Value at Risk (VaR) d’un portefeuille en simulant des milliers de scénarios de marché. -- Optimisation de portefeuille : Évaluation des performances attendues de combinaisons d’actifs sous incertitude. -- Stress testing : Analyse de la résistance d’un portefeuille à des chocs de marché extrêmes. Exemple concret -- Un gestionnaire de risque souhaite connaître la probabilité que le portefeuille de la banque perde plus de 5 % en une journée. -- Il simule 10 000 scénarios de variation de prix selon un modèle stochastique, puis observe la proportion de pertes supérieures à 5 %. 7- Matière complémentaire -- En augmentant le nombre de simulations, les résultats convergent vers la vraie valeur (propriété de convergence de Monte Carlo). -- Des techniques avancées, comme la variance réduite, la simulation quasi-Monte Carlo ou les antithetic variables, sont utilisées pour accélérer la convergence. -- Les modèles stochastiques sont aussi utilisés pour simuler d’autres phénomènes financiers : taux d’intérêt, volatilité, défaut de crédit, ou flux de trésorerie aléatoires. -- La simulation Monte Carlo est aujourd’hui une composante essentielle des systèmes de gestion des risques, notamment dans les banques d’investissement et les compagnies d’assurance. -- Elle permet également de calculer des mesures de performance ajustées au risque, comme le Sharpe ratio simulé ou la probabilité de ruine d’un portefeuille.

Question 29

🟩 Fiche 27 — Mouvement brownien et modèles de diffusion [Modélisation continue des prix et fondement du modèle Black–Scholes] 1- Objectif et usage -- Le mouvement brownien est le modèle fondamental utilisé pour représenter les variations aléatoires continues des prix sur les marchés financiers. -- Il permet de décrire le comportement d’un actif en intégrant à la fois sa tendance moyenne (rendement attendu) et son aléa (volatilité). -- Les modèles de diffusion généralisent ce principe pour capturer la dynamique d’autres variables comme les taux d’intérêt ou la volatilité elle-même. -- Ce cadre mathématique sert de base à la valorisation des options et au calcul des probabilités de risque dans les modèles continus. Exemple concret -- Lorsqu’une banque valorise une option sur l’action de Microsoft, elle suppose que le prix de l’action suit un mouvement brownien géométrique : le prix évolue en continu, parfois de façon imprévisible, mais avec une volatilité mesurable et stable dans le temps. 2- Concepts clés -- Mouvement brownien (ou processus de Wiener) : -- Processus stochastique continu représentant un bruit aléatoire pur. -- Ses variations sont indépendantes et suivent une loi normale de moyenne nulle. -- En finance, il est utilisé pour modéliser les chocs aléatoires sur les prix des actifs. -- Mouvement brownien standard : -- Démarre à zéro, croît de manière continue mais non différentiable. -- À chaque instant, l’incrément sur un intervalle de temps Δt suit une distribution normale centrée, de variance proportionnelle à Δt. -- Mouvement brownien géométrique (MBG) : -- Modèle le prix d’un actif financier en supposant que le rendement instantané est composé d’une partie déterministe (rendement attendu) et d’une partie aléatoire (volatilité). -- Il garantit que le prix de l’actif reste toujours positif, une propriété essentielle pour la modélisation financière. Exemple concret -- Si une action a un rendement attendu de 6 % et une volatilité de 20 %, le mouvement brownien géométrique décrit comment son prix évolue de manière aléatoire mais avec tendance haussière moyenne de 6 %. 3- Règles et propriétés essentielles -- Le mouvement brownien est non prévisible : la meilleure prévision du futur est toujours la valeur actuelle. -- Les incréments du processus sont indépendants et stationnaires. -- La variance des variations de prix croît linéairement avec le temps. -- Dans un MBG, le logarithme du prix de l’actif suit une distribution normale, donc le prix lui-même suit une distribution log-normale. -- Cette propriété permet de modéliser les prix comme toujours positifs, ce qui est réaliste pour des actifs financiers. 4- Lien avec le modèle Black–Scholes -- Le modèle Black–Scholes repose sur l’hypothèse que le prix du sous-jacent suit un mouvement brownien géométrique. -- À partir de cette hypothèse, on peut construire un portefeuille sans risque composé d’une option et du sous-jacent. -- En imposant la condition de non-arbitrage, on obtient une équation différentielle dont la solution est la formule de Black–Scholes. -- Cette équation décrit l’évolution du prix de l’option dans le temps, en fonction du prix du sous-jacent, du taux sans risque et de la volatilité. Exemple concret -- Le modèle Black–Scholes utilise la volatilité implicite estimée sur les marchés pour calculer le prix théorique d’un call ou d’un put européen. -- Si la volatilité implicite du marché diffère du modèle, cela indique un désalignement (souvent exploité par arbitrage). 5- Autres modèles de diffusion en finance -- Modèle d’Ornstein–Uhlenbeck : utilisé pour modéliser les taux d’intérêt ou d’autres variables qui reviennent vers une moyenne à long terme. -- Modèle de Cox–Ingersoll–Ross (CIR) : modélise les taux d’intérêt positifs, avec une volatilité dépendante du niveau du taux. -- Modèle de Heston : introduit une volatilité stochastique (elle-même sujette à un mouvement brownien), plus réaliste que la volatilité constante de Black–Scholes. -- Modèles à sauts (Merton, Kou, Bates) : ajoutent des sauts discontinus pour représenter les chocs de marché (crises, annonces économiques). Exemple concret -- Le modèle de Heston est utilisé pour valoriser des options lorsque la volatilité de l’actif varie de jour en jour. -- Par exemple, sur le marché des actions technologiques, la volatilité observée change brutalement selon les annonces de résultats ou les conditions macroéconomiques. 6- Applications concrètes -- Valorisation d’options : Tous les modèles modernes (Black–Scholes, Heston, Monte Carlo) s’appuient sur le mouvement brownien pour simuler les prix futurs. -- Mesure du risque de portefeuille : Le Value at Risk (VaR) est souvent estimé en supposant que les rendements suivent un processus brownien ou log-normal. -- Prévision de volatilité : Les analystes utilisent des modèles de diffusion pour estimer la dynamique de la volatilité implicite. -- Gestion d’actifs : Les portefeuilles optimisés tiennent compte de la variance et covariance dérivées de processus brownien. -- Simulation de scénarios économiques : Dans la gestion du risque, on simule des trajectoires browniennes pour prévoir les performances possibles des portefeuilles dans le futur. Exemple concret -- Une firme de gestion d’actifs simule 100 000 trajectoires browniennes du S&P 500 sur un an pour évaluer la probabilité que le portefeuille perde plus de 10 % — une approche basée sur le modèle de diffusion brownien. 7- Matière complémentaire -- Le mouvement brownien relie directement la théorie des probabilités à la finance : c’est une forme continue de la marche aléatoire. -- Il est aussi à la base de la diffusion de la chaleur en physique, une analogie utilisée dans les équations de valorisation d’options. -- La compréhension du MBG est essentielle pour maîtriser les notions de rendement instantané, drift (tendance) et volatilité. -- En pratique, les marchés réels présentent des déviations du modèle brownien (queues épaisses, volatilité variable), d’où la nécessité de modèles plus sophistiqués (stochastiques ou à sauts). -- Toutefois, malgré ses limites, le mouvement brownien géométrique reste le pilier conceptuel de la modélisation financière, car il combine simplicité mathématique et puissance analytique.

Question 30

Séance 6

Question 31

🟩 Fiche 28 — Arbitrage et absence d’opportunité de profit certain [Principe fondamental de la finance et cohérence des prix] 1- Objectif et usage -- L’arbitrage est l’un des piliers de la théorie financière moderne. -- Il désigne toute stratégie qui permet de réaliser un profit certain sans investissement initial et sans risque. -- Le principe d’absence d’arbitrage est une condition indispensable pour que les prix sur un marché soient cohérents et qu’une valorisation rationnelle des actifs soit possible. -- Toutes les méthodes modernes d’évaluation des produits dérivés (binomial, Black–Scholes, Monte Carlo) reposent sur ce principe fondamental. Exemple concret -- Si le même actif est coté à 100 $ sur un marché et à 102 $ sur un autre, un investisseur peut acheter à 100 $ et revendre immédiatement à 102 $, réalisant un gain certain de 2 $ sans risque. -- Ce type d’opportunité disparaît rapidement, car les investisseurs exploitent la différence jusqu’à ce que les prix s’ajustent. 2- Concepts clés -- Arbitrage : stratégie générant un gain certain sans risque de perte ni coût initial. -- Absence d’arbitrage : condition nécessaire pour qu’un marché soit en équilibre. -- Loi du prix unique : un même actif doit avoir le même prix sur tous les marchés lorsqu’il génère les mêmes flux futurs. -- Portefeuille de réplication : combinaison d’actifs dont les flux futurs sont identiques à ceux d’un autre actif (par exemple, une option). -- Si un actif et son portefeuille répliquant ont le même rendement futur, ils doivent avoir le même prix aujourd’hui. Exemple concret -- Supposons qu’une option sur une action puisse être parfaitement reproduite par un portefeuille composé d’une fraction d’action et d’une obligation sans risque. -- Si l’option est vendue plus chère que le portefeuille, il est possible de vendre l’option, acheter la combinaison réplicante, et empocher la différence sans risque : c’est une opportunité d’arbitrage. 3- Règles et hypothèses -- Les marchés sont supposés : -- Parfaits : pas de coûts de transaction, pas de taxes, liquidité totale. -- Sans friction : possibilité d’acheter et vendre instantanément. -- Possibilité d’emprunter et prêter au taux sans risque. -- L’absence d’arbitrage garantit la cohérence des prix et permet de définir des mesures de probabilité cohérentes pour la valorisation. -- Si une opportunité d’arbitrage existe, les investisseurs agissent immédiatement, ce qui fait disparaître l’écart de prix. 4- Illustration intuitive -- La notion d’arbitrage est au cœur de la loi du prix unique : -- Si deux actifs offrent exactement les mêmes paiements futurs, ils doivent avoir le même prix aujourd’hui. -- Si ce n’est pas le cas, il existe un déséquilibre exploitable. -- L’arbitrage est donc un mécanisme de correction qui rétablit l’équilibre des marchés. Exemple concret -- Une obligation convertible en action permet d’obtenir soit un remboursement en cash, soit une action à l’échéance. -- Si la somme des prix de l’obligation et de l’option associée diffère du prix du titre convertible, un investisseur peut acheter le portefeuille le moins cher et vendre l’autre, réalisant un profit garanti. 5- Applications concrètes -- Valorisation d’options : les modèles reposent sur la création d’un portefeuille sans risque répliquant les flux d’une option. -- Contrats à terme : le prix à terme d’un actif est déterminé par l’absence d’arbitrage entre le coût de portage et le rendement de l’actif. -- Marchés des changes : la parité des taux d’intérêt couverte (Covered Interest Parity) découle directement de l’absence d’arbitrage entre devises. -- Taux d’intérêt et obligations : la courbe des taux est cohérente avec le prix des obligations pour éviter tout arbitrage entre maturités. Exemple concret -- Si un contrat à terme sur l’or est plus cher que le prix théorique déterminé par le coût de portage, un investisseur peut acheter l’or au comptant, le stocker, et vendre un contrat à terme — réalisant ainsi un profit sans risque. 6- Interprétation économique -- L’absence d’arbitrage garantit que les prix des actifs reflètent l’information et les anticipations de marché de manière cohérente. -- Si des écarts persistent, ils indiquent des inefficiences de marché, souvent temporaires. -- En théorie, un marché sans arbitrage est en équilibre général : les prix incorporent toutes les opportunités de profit connues. -- Ce principe est aussi à la base de la mesure risque-neutre : sous cette mesure, les prix actualisés des actifs deviennent des martingales, c’est-à-dire que leur valeur espérée future est égale à leur prix présent. 7- Matière complémentaire -- L’arbitrage relie directement la théorie des probabilités et la finance : il établit un pont entre espérance sous probabilité risque-neutre et prix de marché réel. -- Les modèles de valorisation sont construits pour empêcher toute stratégie d’arbitrage : ils assurent la cohérence des prix dans le temps. -- En pratique, de petits arbitrages peuvent exister temporairement à cause des coûts de transaction ou de délais d’exécution, mais ils disparaissent rapidement. -- Enfin, la recherche d’arbitrage est au cœur des stratégies des hedge funds quantitatifs, qui exploitent de micro-écarts de valorisation entre produits apparentés.

Question 32

🟩 Fiche 29 — Probabilités risque-neutre et propriété de martingale [Valorisation des actifs sous absence d’arbitrage] 1- Objectif et usage -- La probabilité risque-neutre (souvent notée Q) est un concept central de la valorisation moderne des actifs financiers. -- Elle permet de calculer la valeur actuelle d’un actif risqué comme s’il était évalué dans un monde où tous les investisseurs sont indifférents au risque. -- L’idée clé est que, sous cette probabilité, le rendement espéré d’un actif risqué est égal au taux sans risque. -- Ce cadre permet de transformer un problème incertain en un calcul d’espérance actualisée, rendant possible la valorisation sans connaître les préférences individuelles des investisseurs. Exemple concret -- Pour valoriser une option sur une action, on ne cherche pas le rendement réel attendu par le marché. -- On utilise la probabilité risque-neutre pour calculer le prix espéré de l’option actualisé au taux sans risque, garantissant ainsi la cohérence avec le principe de non-arbitrage. 2- Concepts clés -- Probabilité réelle (P) : reflète les probabilités objectives du monde réel (liées à la fréquence observée des événements). -- Probabilité risque-neutre (Q) : probabilité artificielle ajustée pour que tous les actifs croissent, en moyenne, au taux sans risque r. -- Espérance risque-neutre : espérance calculée sous la mesure Q, utilisée pour déterminer les prix théoriques des actifs dérivés. -- Martingale : processus aléatoire dont la valeur espérée future, sous la mesure Q, est égale à sa valeur actuelle actualisée. -- Mesure équivalente : la mesure Q conserve les mêmes événements possibles que la mesure P, mais leur pondération est modifiée. Exemple concret -- Une action a 60 % de chances de monter et 40 % de chances de baisser selon les données réelles (P). -- Sous la mesure risque-neutre Q, ces probabilités sont ajustées de façon à ce que le rendement espéré de l’action soit exactement égal au taux sans risque. 3- Règles et hypothèses -- Le marché est sans arbitrage et complet, c’est-à-dire qu’il existe une stratégie de couverture permettant de répliquer tout actif dérivé. -- Sous ces conditions, il existe une unique mesure risque-neutre Q qui garantit la cohérence des prix. -- Tout actif financier peut être valorisé en calculant l’espérance de ses flux futurs sous cette mesure Q, puis en les actualisant au taux sans risque. -- Le processus de prix actualisé d’un actif devient une martingale sous Q, c’est-à-dire qu’il n’offre aucun profit prévisible. 4- Interprétation intuitive -- Dans le monde réel, les investisseurs exigent une prime de risque pour détenir des actifs risqués. -- Sous la mesure risque-neutre, on fait abstraction de cette prime : on valorise les actifs comme si les investisseurs ne demandaient pas de compensation pour le risque. -- Ce cadre simplifie la valorisation : on n’a plus besoin de connaître l’aversion au risque des agents, seulement les paramètres observables (prix spot, taux sans risque, volatilité). Exemple concret -- Si une action a un rendement espéré de 8 % alors que le taux sans risque est 3 %, le modèle risque-neutre considère que le rendement pertinent pour la valorisation est 3 %. -- On ne s’intéresse donc plus au rendement réel, mais au flux espéré ajusté par la probabilité Q et actualisé à 3 %. 5- Application : valorisation d’un actif risqué -- La valeur actuelle d’un actif financier est obtenue en prenant l’espérance de son prix futur sous Q, actualisée au taux sans risque. -- Autrement dit : le prix d’aujourd’hui est la valeur attendue sous mesure Q du prix futur actualisé. -- Cette approche est utilisée dans tous les modèles modernes (binomial, Black–Scholes, Monte Carlo). Exemple concret -- Une option sur action rapporte un gain futur dépendant du prix de l’action à la date T. -- Sous Q, on calcule la valeur moyenne de ce gain pondérée par les probabilités risque-neutre, puis on divise par (1 + r)^T pour obtenir la valeur actuelle. 6- Propriété de martingale -- Sous la mesure risque-neutre Q, le prix actualisé d’un actif est une martingale : -- Sa valeur actuelle est égale à la valeur espérée de sa valeur future, actualisée au taux sans risque. -- Cette propriété traduit l’idée qu’il n’existe aucun profit prévisible sous Q : tous les actifs, une fois corrigés du facteur d’actualisation, ont le même rendement moyen. -- Elle formalise mathématiquement le principe de marché en équilibre sans arbitrage. Exemple concret -- Le prix d’une action sous Q peut fluctuer, mais en moyenne, après actualisation, il reste stable dans le temps. -- Cela signifie qu’on ne peut pas concevoir de stratégie de trading qui batte systématiquement le marché sans risque. 7- Applications concrètes -- Modèle binomial : la probabilité risque-neutre est utilisée pour pondérer les scénarios de hausse et de baisse, garantissant un prix cohérent. -- Modèle Black–Scholes : dérive directement de la propriété de martingale sous la mesure risque-neutre. -- Méthode Monte Carlo : les simulations utilisent des trajectoires générées sous la mesure Q pour estimer la valeur d’options complexes. -- Gestion du risque : les banques utilisent la mesure Q pour valoriser et ajuster les positions dérivées dans les bilans. 8- Matière complémentaire -- La mesure Q n’est pas une "vraie" probabilité observée, mais un outil de valorisation cohérent. -- En réalité, le monde fonctionne sous la mesure P, mais la valorisation sans arbitrage se fait sous Q. -- Le passage de P à Q se fait via un changement de mesure, souvent représenté par la formule de Girsanov dans les modèles continus. -- La compréhension de la mesure risque-neutre est essentielle pour relier les mathématiques financières à la logique économique : elle permet de passer d’un raisonnement basé sur le risque à une valorisation purement structurelle. -- En somme, la mesure Q est la langue commune de la finance moderne : tout actif dérivé y est valorisé par espérance actualisée sous neutralité au risque.

Question 33

🟩 Fiche 30 — Introduction aux chaînes de Markov : définitions et intuition [Processus stochastiques à mémoire courte et transitions d’états] 1- Objectif et usage -- Les chaînes de Markov sont des modèles mathématiques utilisés pour décrire l’évolution d’un système au cours du temps lorsqu’il change d’un état à un autre selon des probabilités déterminées. -- Leur particularité est qu’elles obéissent à la propriété de Markov : l’avenir du système dépend uniquement de son état présent, et non de son passé. -- Ces modèles sont omniprésents en finance, en économie et dans les sciences sociales, car ils permettent de représenter des dynamiques d’évolution aléatoires mais structurées. Exemple concret -- Le niveau de la cote de crédit d’une entreprise (AAA, AA, A, BBB, etc.) peut être modélisé par une chaîne de Markov : la probabilité de passer d’une note à une autre dépend uniquement de la note actuelle, pas de la trajectoire passée. 2- Concepts clés -- Processus stochastique : suite de variables aléatoires représentant l’évolution d’un système dans le temps. -- Propriété de Markov : la probabilité de passer à un nouvel état dépend uniquement de l’état actuel. -- Espace d’état : ensemble des valeurs ou situations possibles que le système peut prendre. -- Transition : passage d’un état à un autre entre deux périodes successives. -- Chaîne de Markov : processus stochastique qui satisfait la propriété de Markov et évolue sur un espace d’états discret. Exemple concret -- Une économie peut être modélisée par trois états : croissance, stagnation et récession. -- Les probabilités de passer d’un état à un autre (par exemple, de la croissance à la récession) sont fixées par une matrice de transition. 3- Règles et propriétés -- La somme des probabilités de transition à partir d’un même état est toujours égale à 1. -- Les transitions se font à intervalles réguliers (ex. une période = un trimestre ou une année). -- Une chaîne peut être : -- finie (nombre d’états limité, comme “haut” et “bas”), -- ou infinie (états continus, comme des prix variables à l’infini). -- Les probabilités de transition peuvent être : -- homogènes : ne changent pas dans le temps, -- ou non homogènes : varient selon la période considérée. Exemple concret -- Un modèle boursier à deux états : “hausse” (H) et “baisse” (B). -- La probabilité de rester en hausse est 0,8 et de passer à baisse 0,2. -- De même, à partir de baisse : 0,4 de repasser en hausse et 0,6 de rester en baisse. -- Ce système est une chaîne de Markov homogène à deux états. 4- Intuition et interprétation -- Les chaînes de Markov simplifient la modélisation en ignorant le passé : seule la situation actuelle contient toute l’information utile pour prévoir la suite. -- Cela reflète bien certains comportements économiques où les agents réagissent principalement à la conjoncture présente plutôt qu’à l’historique complet. -- Elles permettent donc de décrire la probabilité d’évolution future d’un système complexe en s’appuyant sur des règles simples et reproductibles. Exemple concret -- Le comportement d’un client bancaire peut être modélisé comme une chaîne de Markov : état 1 : client actif, état 2 : client inactif, état 3 : client perdu. -- Les probabilités de passer d’un état à l’autre décrivent le cycle de vie client. 5- Applications concrètes -- Économie et finance : modélisation de régimes économiques (croissance, crise), évolution de cotes de crédit, taux de défaut ou états de marché. -- Gestion du risque : prévision de la probabilité de faillite ou de transition de notation d’une entreprise. -- Assurance : modélisation du comportement des assurés (sinistre, renouvellement, résiliation). -- Portefeuilles financiers : simulation de scénarios économiques selon des régimes de volatilité ou de croissance. -- Optimisation et prévision : identification de la probabilité d’atteindre un état cible (ex. retour à l’équilibre budgétaire). Exemple concret -- Une banque veut estimer la probabilité qu’une entreprise passe de la cote BBB à défaut (D) dans un horizon de 3 ans. -- En multipliant la matrice de transition par elle-même (sur trois périodes), elle obtient la probabilité cumulée d’atteindre l’état D à partir de BBB. 6- Matière complémentaire -- Les chaînes de Markov peuvent être représentées par des graphes de transition, où les nœuds sont les états et les flèches représentent les transitions probables. -- En multipliant la matrice de transition par elle-même, on obtient les probabilités de passage après plusieurs périodes. -- À long terme, certaines chaînes atteignent une distribution stationnaire : la probabilité d’être dans chaque état devient stable, indépendamment de l’état initial. -- Les chaînes de Markov constituent la base de nombreux modèles modernes : modèles de régimes économiques (Markov switching models), modèles de volatilité (HMM – Hidden Markov Models), prévisions séquentielles en apprentissage automatique. -- En finance, elles offrent une manière élégante de relier les dynamiques économiques à la valorisation d’actifs et au calcul de risque de transition.

Question 34

🟩 Fiche 31 — Chaînes de Markov finies et homogènes [Évolution probabiliste stable des systèmes à nombre d’états limité] 1- Objectif et usage -- Une chaîne de Markov finie et homogène est un processus aléatoire dans lequel le système peut occuper un nombre limité d’états, et où les probabilités de transition ne changent pas au fil du temps. -- Ces chaînes permettent d’étudier la dynamique stable d’un système : à partir de la connaissance de l’état actuel, on peut prévoir les probabilités futures de tous les états possibles. -- Ce cadre est largement utilisé en économie, en gestion des risques et en modélisation financière, car il capture les comportements répétitifs des marchés et des agents économiques. Exemple concret -- Une entreprise peut être dans l’un des trois états suivants : croissance (C), stagnation (S) ou crise (K). -- Les transitions entre ces états, d’une année à l’autre, peuvent être décrites par une matrice de transition fixe. -- En multipliant cette matrice par elle-même, on peut prévoir la probabilité que l’économie soit en crise dans deux ou trois ans, à partir d’une situation donnée aujourd’hui. 2- Concepts clés -- Chaîne finie : le nombre d’états possibles est limité (ex. deux états “hausse/baisse” ou plusieurs états économiques). -- Chaîne homogène : les probabilités de transition ne dépendent pas du temps, c’est-à-dire qu’elles sont identiques à chaque période. -- Matrice de transition (P) : tableau carré contenant les probabilités de passage d’un état à un autre. Chaque ligne correspond à un état de départ, chaque colonne à un état d’arrivée. La somme des probabilités sur chaque ligne est égale à 1. -- Puissance de matrice (Pⁿ) : donne les probabilités de transition après n périodes successives. -- Distribution initiale (π₀) : vecteur représentant la probabilité d’être dans chaque état au temps 0. -- Distribution après n périodes (πₙ) : obtenue par πₙ = π₀ × Pⁿ. Exemple concret -- Pour une chaîne à deux états “hausse (H)” et “baisse (B)” : Probabilité de rester en hausse = 0,8 Probabilité de passer de hausse à baisse = 0,2 Probabilité de passer de baisse à hausse = 0,4 Probabilité de rester en baisse = 0,6 -- La matrice de transition est donc : P = [[0,8 0,2], [0,4 0,6]] -- En élevant cette matrice à la puissance 2, on obtient les probabilités sur deux périodes. 3- Règles et propriétés -- Les probabilités de transition sont constantes dans le temps, d’où l’homogénéité. -- Le produit matriciel successif (P², P³, etc.) permet de connaître la probabilité de chaque état à moyen ou long terme. -- Après un grand nombre de périodes, les probabilités convergent souvent vers une distribution stationnaire, où le système atteint un équilibre probabiliste. -- La matrice P est dite stochastique : Tous ses coefficients sont positifs ou nuls. La somme de chaque ligne est égale à 1. Exemple concret -- Si on part d’une situation où la probabilité d’être en hausse est 1 (π₀ = [1 0]), alors : Après une période : π₁ = π₀ × P = [0,8 0,2] Après deux périodes : π₂ = π₁ × P = [0,72 0,28] -- Cela montre comment les probabilités évoluent avec le temps en restant cohérentes. 4- Interprétation économique -- Les chaînes de Markov homogènes représentent bien des systèmes prévisibles à structure stable : les conditions d’évolution restent les mêmes dans le temps. -- Elles sont adaptées aux phénomènes économiques cycliques, où les probabilités de transition changent peu à court terme. -- Elles permettent de modéliser : les cycles économiques (croissance, stagnation, crise), les transitions de crédit (notation d’entreprises), les états de marché (volatilité faible, moyenne ou élevée). Exemple concret -- Dans la gestion du risque de crédit, une banque peut estimer la probabilité qu’une entreprise passe de la note “A” à “BBB” ou à “défaut” dans un horizon de 5 ans, en utilisant une matrice homogène de transitions basée sur les données historiques. 5- Applications concrètes -- Prévisions économiques : déterminer la probabilité d’être dans un certain état (croissance ou récession) à une période future donnée. -- Gestion de portefeuille : évaluer la probabilité qu’un marché reste dans un régime de volatilité faible, influençant le choix d’exposition au risque. -- Analyse de crédit : modéliser la dégradation progressive d’une note de crédit selon une matrice fixe. -- Planification stratégique : estimer la durée moyenne passée dans un état avant un changement (ex. durée d’un cycle économique). -- Optimisation séquentielle : calcul de trajectoires probables dans la recherche opérationnelle ou la logistique. Exemple concret -- Si une entreprise a 0,9 de chance de rester solvable chaque année et 0,1 de tomber en défaut, alors la probabilité d’être en défaut après 3 ans est 1 - 0,9³ = 0,271. -- Ce raisonnement découle directement de la logique markovienne et de l’homogénéité du processus. 6- Matière complémentaire -- Les chaînes de Markov finies homogènes permettent de modéliser des transitions stables, mais elles supposent une stationnarité qui n’est pas toujours réaliste sur de longues périodes. -- Pour des phénomènes à structure changeante (ex. crise économique majeure), on peut utiliser des chaînes non homogènes où la matrice P dépend du temps. -- Ces modèles servent également de base aux modèles de Markov cachés (HMM), où les états ne sont pas directement observables mais déduits à partir des données. -- Dans les modèles financiers dynamiques (VAR, modèles de régimes de volatilité), les chaînes de Markov fournissent le mécanisme probabiliste de changement de régime. -- En résumé, une chaîne de Markov finie et homogène représente un compromis entre simplicité analytique et réalisme économique, idéal pour modéliser les transitions répétitives à court terme.

Question 35

🟩 Fiche 32 — Accessibilité, communication et classes d’équivalence [Structure interne d’une chaîne de Markov et connexions entre états] 1- Objectif et usage -- Dans une chaîne de Markov, tous les états ne sont pas forcément reliés entre eux : certains peuvent être accessibles, d’autres non. -- La notion d’accessibilité et de communication permet de comprendre la structure du système, c’est-à-dire quels états peuvent être atteints à partir d’un autre. -- Ces relations déterminent la manière dont le système évolue à long terme, et si certains états peuvent être considérés comme isolés, absorbants ou équivalents. Exemple concret -- Dans un modèle de crédit, une entreprise notée “A” peut passer à “BBB” ou “BB”, mais pas directement à “Défaut (D)”. -- L’état “D” est accessible seulement via une succession d’étapes (A → BBB → BB → D). -- Comprendre cette accessibilité aide à évaluer le risque de transition globale vers un défaut. 2- Concepts clés -- Accessibilité (notée i → j) : l’état j est accessible à partir de l’état i s’il existe une probabilité non nulle d’atteindre j à partir de i en un certain nombre fini d’étapes. -- Communication mutuelle (i ↔ j) : deux états communiquent s’ils sont accessibles l’un à l’autre, c’est-à-dire si i → j et j → i. -- Classe de communication : ensemble d’états qui communiquent tous entre eux. -- Classe fermée : classe de communication d’où il est impossible de sortir (aucune transition vers un état extérieur). -- Classe ouverte : classe d’où il est possible de sortir vers d’autres états. -- État absorbant : état qui, une fois atteint, ne peut plus être quitté (probabilité de rester = 1). Exemple concret -- Dans un modèle de crédit : États : A, BBB, BB, D Si D est un état absorbant, cela signifie qu’une fois en défaut, l’entreprise ne peut plus revenir à un état solvable. Les états A, BBB, BB forment une classe ouverte car ils peuvent mener vers D, mais non l’inverse. 3- Règles et propriétés -- Si un état j est accessible depuis i, cela ne signifie pas nécessairement que i est accessible depuis j. -- Les classes de communication divisent l’ensemble des états en sous-groupes indépendants. -- Une chaîne est dite irréductible si tous les états communiquent entre eux (il n’existe qu’une seule classe de communication). -- Les états absorbants forment une classe fermée à un seul élément. -- Les chaînes peuvent comporter à la fois des classes fermées et des classes ouvertes, représentant différentes zones de stabilité. Exemple concret -- Pour un modèle économique : États : Croissance (C), Récession (R), Crise (K). C peut passer à R ou K, mais K ne mène qu’à K. Ici, K est une classe fermée absorbante (une fois en crise, impossible d’en sortir). C et R forment une classe ouverte (elles communiquent entre elles, mais mènent vers K). 4- Interprétation intuitive -- L’accessibilité permet de décrire la connectivité du système : quels états peuvent se transformer en d’autres avec le temps. -- Les classes de communication indiquent des groupes d’états auto-contenus, à l’intérieur desquels le système peut évoluer librement, mais dont il ne peut pas sortir. -- Une classe fermée agit comme un puits d’attraction : une fois atteinte, le système y reste définitivement. -- Cela correspond souvent, en finance ou en économie, à une situation irréversible (faillite, absorption, état stable de long terme). Exemple concret -- Dans un modèle de comportement de client : “Actif” → “Inactif” → “Perdu”. L’état “Perdu” est absorbant : une fois un client perdu, il ne revient pas. “Actif” et “Inactif” forment une classe ouverte, car elles peuvent encore se transformer l’une en l’autre. 5- Applications concrètes -- Gestion du risque de crédit : déterminer les états absorbants (défaut) et les transitions probables à partir des notes initiales. -- Analyse économique : identifier les états économiques irréversibles (par exemple, récession prolongée ou crise structurelle). -- Modélisation de comportement client : estimer la probabilité de fidélité ou d’abandon définitif. -- Évaluation de systèmes fermés : étudier les sous-ensembles d’états où le système reste en équilibre interne. -- Simulation de transitions : prévoir la probabilité d’atteindre une classe fermée à partir d’un état initial. Exemple concret -- Une agence de notation peut estimer qu’une entreprise notée “A” a 30 % de chances d’être en défaut dans 10 ans. -- Ce calcul provient de la probabilité cumulée d’atteindre la classe fermée “Défaut” après plusieurs étapes de transitions (A → BBB → BB → D). 6- Matière complémentaire -- Les chaînes avec plusieurs classes fermées représentent des systèmes multi-équilibres, où différents états stables coexistent. -- Dans les chaînes irréductibles, tout état peut être atteint à partir de n’importe quel autre, ce qui simplifie l’analyse du long terme. -- La notion de périodicité (vue dans la fiche suivante) permet de déterminer si un état peut être revisité à intervalles réguliers. -- En finance, ces concepts aident à modéliser la structure de transition entre régimes économiques, ou à prévoir la probabilité qu’un actif ou un portefeuille “atteigne” un état critique. -- En résumé, la compréhension des classes de communication et d’accessibilité permet d’identifier la structure cachée d’un processus markovien et d’anticiper ses comportements de long terme.

Question 36

🟩 Fiche 33 — États récurrents, transitoires et irréductibles [Analyse de la stabilité et du retour des états dans une chaîne de Markov] 1- Objectif et usage -- L’étude des états récurrents et transitoires permet de déterminer si, au cours du temps, un système markovien revient régulièrement à certains états ou s’en échappe définitivement. -- Ces notions sont essentielles pour comprendre la stabilité du système et prévoir son comportement de long terme. -- En finance et en économie, elles permettent d’analyser la persistence des régimes (croissance, crise, volatilité élevée) ou la durée moyenne avant un événement irréversible (faillite, défaut, perte de client). Exemple concret -- Une entreprise peut passer d’une bonne situation financière (A) à une situation moyenne (B), puis éventuellement à un défaut (D). -- Si, une fois en défaut, elle ne peut plus revenir en A ou B, alors D est un état récurrent absorbant, tandis que A et B sont transitoires. 2- Concepts clés -- État récurrent : un état est récurrent si, en partant de cet état, la probabilité d’y revenir au moins une fois dans le futur est égale à 1. -- État transitoire : un état est transitoire si la probabilité d’y revenir après l’avoir quitté est strictement inférieure à 1. -- Chaîne irréductible : chaîne dans laquelle tous les états communiquent entre eux ; chaque état est accessible depuis n’importe quel autre. -- État absorbant : cas particulier d’état récurrent dans lequel la probabilité de rester dans cet état est 1 (on ne peut plus le quitter). -- Périodicité (vue à la fiche suivante) : propriété qui décrit la fréquence moyenne de retour à un état. Exemple concret -- Dans une chaîne représentant des cotes de crédit : États : AAA, BBB, BB, D. Une entreprise peut passer de AAA à BBB ou BB, mais une fois en D (défaut), elle y reste pour toujours. L’état D est donc récurrent absorbant, tandis que les autres sont transitoires. 3- Règles et propriétés -- Un état récurrent est visité à l’infini au cours du temps ; un état transitoire ne l’est que finitement. -- Si un état j est accessible depuis i et i depuis j, alors i et j ont la même nature (tous deux récurrents ou tous deux transitoires). -- Une classe fermée de communication ne contient que des états récurrents. -- Les états transitoires apparaissent uniquement dans des classes ouvertes (d’où le système peut s’échapper). -- Si la somme des probabilités de retour à un état est infinie, l’état est récurrent ; si elle est finie, il est transitoire. Exemple concret -- Si la probabilité de retour à un état donné est de 0,5 à chaque étape, la probabilité cumulée de revenir tend vers 1 (récurrente). -- En revanche, si elle diminue à chaque période (ex. 0,5, 0,25, 0,125...), la probabilité cumulée reste inférieure à 1 (transitoire). 4- Interprétation intuitive -- Un état récurrent représente un comportement stable ou régulier du système : on finit toujours par y revenir. -- Un état transitoire correspond à une phase temporaire : le système y passe, mais finit par s’en éloigner définitivement. -- Dans un contexte économique, un état récurrent peut symboliser une situation structurelle persistante (ex. équilibre de long terme, régime économique stable), tandis qu’un état transitoire correspond à une fluctuation passagère. Exemple concret -- Dans un modèle de marché : “Volatilité élevée” et “Volatilité faible” forment une chaîne irréductible : le marché alterne régulièrement entre ces deux états (récurrents). “Krach financier” serait un état absorbant, car une fois atteint, le système ne revient pas à la situation initiale sans changement de modèle. 5- Applications concrètes -- Analyse du risque de défaut : estimer la probabilité qu’un emprunteur atteigne un état absorbant (défaut) à partir de sa note actuelle. -- Cycle économique : identifier les états (croissance, stagnation, crise) qui sont récurrents ou transitoires selon la durée moyenne observée. -- Gestion de portefeuille : modéliser les régimes de volatilité récurrents sur les marchés financiers. -- Études démographiques : prévoir la proportion d’individus restant dans un état donné (emploi, chômage, retraite). -- Prévisions de comportement client : mesurer la probabilité de retour à un état d’activité après une période d’inactivité. Exemple concret -- Une compagnie d’assurance observe qu’un client “inactif” a 40 % de chance de redevenir actif et 60 % de chance de quitter définitivement la compagnie. -- L’état “inactif” est donc transitoire, tandis que “perdu” est absorbant (récurrent). 6- Matière complémentaire -- Une chaîne irréductible finie ne contient que des états récurrents : le système explore tous les états de manière répétée à long terme. -- Les états transitoires ont une probabilité tendant vers zéro d’être occupés après un grand nombre de périodes. -- Les temps de retour moyens peuvent être calculés pour les états récurrents afin d’évaluer la vitesse de rotation d’un système (ex. temps moyen entre deux récessions). -- Les chaînes avec états absorbants sont particulièrement utiles pour les problèmes de “temps jusqu’à absorption” (durée avant faillite, par exemple). -- En résumé, la distinction entre états récurrents et transitoires permet de classer la stabilité des systèmes markoviens, et d’identifier les points d’équilibre ou de rupture possibles.

Question 37

🟩 Fiche 34 — Loi stationnaire et équilibre de long terme [Distribution stable des probabilités dans une chaîne de Markov] 1- Objectif et usage -- La loi stationnaire (ou distribution d’équilibre) décrit la répartition stable des probabilités entre les états d’une chaîne de Markov à long terme. -- Lorsque le système évolue pendant un grand nombre de périodes, les probabilités de présence dans chaque état cessent de dépendre de l’état initial et convergent vers une distribution fixe. -- Cette loi permet de caractériser l’équilibre probabiliste du système et d’évaluer le comportement moyen de long terme. -- En économie et en finance, elle est utilisée pour étudier les régimes économiques durables, les taux de défaut à long terme, ou les probabilités stationnaires de volatilité sur les marchés. Exemple concret -- Dans un modèle de notation de crédit, la loi stationnaire peut indiquer qu’à long terme, 85 % des entreprises restent solvables et 15 % tombent en défaut, indépendamment de leurs notes initiales. 2- Concepts clés -- Distribution stationnaire (π*) : vecteur de probabilités associé à chaque état de la chaîne, qui reste inchangé d’une période à l’autre. -- Condition de stationnarité : -- π* × P = π*, où P est la matrice de transition. -- Cela signifie que la distribution est stable sous l’effet des transitions. -- Convergence : pour certaines chaînes (ergodiques), la distribution après n périodes (πₙ = π₀ × Pⁿ) tend vers π* quand n devient très grand. -- Ergodicité : propriété garantissant que la loi stationnaire existe, est unique et que toutes les probabilités convergent vers elle, peu importe l’état initial. Exemple concret -- Si une économie alterne entre “Croissance (C)” et “Récession (R)” avec la matrice : P = [[0,8 0,2], [0,5 0,5]], alors la distribution stationnaire π* = [0,714 0,286]. -- Cela signifie qu’à long terme, l’économie passe environ 71 % du temps en croissance et 29 % en récession. 3- Règles et propriétés -- La loi stationnaire existe si la chaîne est régulière (certaines puissances de P ont toutes leurs composantes positives). -- Elle est unique si la chaîne est irréductible et apériodique. -- Les probabilités de transition finissent par devenir indépendantes de l’état initial : limₙ→∞ Pⁿ(i, j) = π*(j). -- Dans une chaîne finie, la loi stationnaire représente le temps moyen de présence dans chaque état. -- Si un état est absorbant, sa probabilité stationnaire est 1 (et 0 pour les autres). Exemple concret -- Pour un portefeuille de clients : États : Actif, Inactif, Perdu. Si la chaîne est régulière, la probabilité stationnaire peut indiquer que sur le long terme, 70 % des clients restent actifs, 10 % deviennent inactifs et 20 % sont perdus. 4- Interprétation intuitive -- La loi stationnaire représente la répartition d’équilibre du système : elle indique la proportion de temps passée dans chaque état à long terme. -- Peu importe le point de départ, le système finit par atteindre cet équilibre probabiliste. -- Cette propriété reflète la stabilité structurelle du processus markovien. -- Dans un contexte économique, elle correspond à une structure cyclique répétitive : le système oscille entre les états, mais la fréquence relative de ces états devient constante. Exemple concret -- Dans un modèle boursier à deux états (“hausse” et “baisse”), la loi stationnaire peut montrer qu’à long terme, le marché est en hausse 65 % du temps et en baisse 35 %, même si les fluctuations à court terme sont aléatoires. 5- Applications concrètes -- Analyse de long terme des marchés : identifier la proportion moyenne de périodes de hausse et de baisse dans un indice boursier. -- Gestion du risque de crédit : calculer la part stable d’entreprises en défaut ou en bonne santé après de nombreuses transitions. -- Cycle économique : estimer la fréquence moyenne des régimes économiques (croissance, stagnation, récession). -- Modélisation client : déterminer la proportion de clients actifs ou perdus à l’équilibre dans un portefeuille. -- Prévision de comportement : calculer la probabilité à long terme d’atteindre ou de rester dans un état critique (ex. défaut, crise). Exemple concret -- Une banque estime que, selon sa matrice de transition, 10 % de ses emprunteurs finiront en défaut à long terme. -- Ce chiffre correspond à la probabilité stationnaire de l’état “défaut”, calculée via la loi stationnaire du système. 6- Matière complémentaire -- Si la chaîne est périodique, la convergence vers une loi stationnaire peut ne pas se produire ; le système oscille entre des états à intervalles fixes. -- Dans les modèles ergodiques, les statistiques d’observation sur le long terme sont identiques à celles obtenues par la moyenne temporelle (ergodicité forte). -- La loi stationnaire peut être interprétée comme une mesure de stabilité : plus les probabilités sont concentrées sur certains états, plus le système est prévisible. -- En finance, la stationnarité est utilisée pour : calibrer des modèles de volatilité de marché, estimer la distribution stable des régimes économiques, déterminer la structure de long terme des risques. -- En résumé, la loi stationnaire est la signature du comportement asymptotique d’un système markovien : elle montre comment, malgré l’aléa, le système tend vers un équilibre stable et mesurable.

Question 38

🟩 Fiche — Arbitrage call-put : cohérence temporelle entre t = 0 et T [Analyse conjointe des payoffs et des flux d’arbitrage] 1- Objectif et usage -- Cette fiche explique la logique d’arbitrage sans risque qui relie les options d’achat (call), les options de vente (put), l’actif sous-jacent et l’obligation sans risque. -- Elle illustre comment deux présentations différentes — l’une au temps initial (t = 0) et l’autre à l’échéance (T) — mènent au même résultat : l’équilibre du portefeuille et l’absence de risque. -- Ce raisonnement est à la base de la parité put–call, principe fondamental de la valorisation des options. Exemple concret -- Si le prix d’un call, d’un put et du sous-jacent ne respecte pas la relation d’équilibre (C + K e^{-rT} = P + S₀), il devient possible de construire un portefeuille produisant un profit immédiat garanti. -- Cette stratégie d’arbitrage s’annule à T, mais procure un gain certain dès t = 0. 2- Concepts clés -- Arbitrage : stratégie qui génère un profit sans risque ni investissement net initial. -- Parité put–call : relation fondamentale entre le prix du call (C), du put (P), du sous-jacent (S₀) et du prix d’exercice actualisé (K e^{-rT}). -- Portefeuille répliquant : combinaison d’actifs qui reproduit exactement les flux d’un autre produit dérivé. -- Analyse temporelle : distinction entre les flux à t = 0 (montants investis) et les payoffs à T (valeurs finales). 3- Vue “payoff à l’échéance” (analyse à T) -- Cette approche vérifie uniquement que le portefeuille construit est sans risque au temps T, c’est-à-dire que ses flux se compensent parfaitement dans tous les scénarios. -- Exemple typique : Long call → gain si S_T > K, sinon 0. Short put → gain si S_T > K, perte si S_T < K. Long obligation → reçoit +K à T. Short action → rend −S_T à T. -- Dans les deux scénarios (hausse ou baisse), le total net des flux à T est nul, ce qui confirme l’absence de risque. -- L’analyse se concentre sur le résultat final, sans se soucier des flux initiaux. 4- Vue “arbitrage complet” (analyse à t = 0 et à T) -- Cette version, utilisée par le professeur, montre l’origine du profit en intégrant à la fois les flux initiaux et les valeurs finales. -- À t = 0 : on observe les montants investis ou reçus pour chaque position. -- À T : on vérifie que le portefeuille s’annule, prouvant que le gain provient uniquement du déséquilibre initial. -- Les positions typiques sont : -- Vente d’une action à découvert (−S₀ au départ, −S_T à l’échéance). -- Achat d’un call (+C au départ, payoff max(S_T − K, 0)). -- Vente d’un put (+P au départ, payoff −max(K − S_T, 0)). -- Achat d’une obligation (−K e^{-rT} au départ, +K à l’échéance). -- Le profit d’arbitrage immédiat se calcule alors par : (P + S₀ − C − K e^{-rT}) > 0 → arbitrage à sens direct. -- Si le signe est inverse, on inverse les positions pour exploiter la différence. 5- Correspondance entre les deux approches -- Les deux tableaux décrivent le même phénomène, mais sous deux perspectives : L’un (à T) démontre que le portefeuille est sans risque. L’autre (à t = 0 et T) démontre que ce portefeuille génère un profit garanti grâce à un déséquilibre de prix. -- En d’autres mots : Le tableau “payoff” vérifie le résultat. Le tableau “flux temporel” démontre la cause du profit. 6- Interprétation intuitive -- Si le marché respecte la parité put–call, les deux portefeuilles (call + obligation) et (put + action) sont parfaitement équivalents, donc aucun arbitrage n’est possible. -- Si la parité est rompue, il existe une combinaison qui produit un gain immédiat, mais qui s’éteint à T sans risque. -- Cette cohérence est essentielle pour la stabilité des marchés dérivés : tout écart de prix est exploité instantanément jusqu’à disparition de l’arbitrage. Exemple concret -- Si un call vaut 6 $, un put 4 $, l’action 100 $ et K e^{-rT} = 98 $, alors : P + S₀ − C − K e^{-rT} = 4 + 100 − 6 − 98 = 0. -- Aucun arbitrage n’est possible ; la parité est respectée. -- Si au contraire le put vaut 5 $, on obtient +1 $ → profit d’arbitrage à t = 0, annulé à T. 7- Matière complémentaire -- Cette logique relie directement la théorie de l’arbitrage et la valorisation des options. -- Elle illustre la puissance du raisonnement sans risque : un actif dérivé est valorisé à partir d’un portefeuille répliquant, et non selon les anticipations subjectives. -- En pratique, les écarts réels à la parité put–call sont très faibles, car les acteurs professionnels les arbitrent immédiatement. -- Ce principe s’applique aussi à d’autres instruments (futures, swaps, produits structurés), qui respectent la même cohérence temporelle des flux. -- En résumé, l’arbitrage call–put démontre que tout produit dérivé est soumis à une structure d’équilibre dynamique : si un profit certain existe à t = 0, il s’efface à T, rétablissant la parité et garantissant l’efficacité du marché.

Question 39

🟩 Fiche — Simulation du mouvement brownien standard (B(t)) [Construction numérique et interprétation financière] 1- Objectif et usage -- Le mouvement brownien standard, noté B(t), est un processus stochastique fondamental en finance quantitative. -- L’objectif de cette simulation est de comprendre comment générer ses valeurs successives à l’aide de variables normales indépendantes et de visualiser ses propriétés statistiques. -- Cette démarche est la base de tous les modèles de prix d’actifs aléatoires, notamment celui de Black-Scholes. Exemple concret -- On veut construire la trajectoire d’un brownien sur 10 périodes : à chaque pas de temps, on tire une variable normale N(0, 1) et on additionne les incréments successifs. -- Chaque série de tirages produit une courbe différente, mais toutes partagent les mêmes propriétés de variance et d’indépendance. 2- Concepts clés -- B(0) = 0 : le processus commence toujours à zéro. -- Indépendance des accroissements : les variations B(t₂) – B(t₁) sont indépendantes pour des intervalles disjoints. -- Distribution normale : chaque accroissement suit N(0, t₂ – t₁). -- Variance linéaire : Var[B(t)] = t ; plus le temps avance, plus la dispersion augmente. -- Pas de dérive : le mouvement brownien standard oscille aléatoirement autour de zéro. 3- Simulation discrète du brownien -- Pour une discrétisation avec pas Δt constant : B(t_{i+1}) = B(t_i) + √(Δt) × Z_{i+1}, avec Z_i ~ N(0, 1) indépendants. -- Chaque Z représente un “choc” aléatoire à chaque pas de temps. -- Plus le pas Δt est petit, plus la simulation approche le processus continu réel. Exemple concret (Δt = 1) -- Étape 1 : B(0) = 0. -- Étape 2 : B(1) = B(0) + √1 × Z₁ = 0 + 1×0,4 = 0,4. -- Étape 3 : B(2) = B(1) + √1 × Z₂ = 0,4 + 1×0,5 = 0,9. -- On continue ainsi pour obtenir la trajectoire [B(0), B(1), B(2), …]. 4- Interprétation graphique -- L’axe horizontal représente le temps t ; l’axe vertical, la valeur B(t). -- La courbe simulée montre un chemin aléatoire unique parmi une infinité possible. -- Le brownien : -- fluctue autour de 0 (sans dérive), -- peut monter ou descendre brusquement, -- devient de plus en plus volatil au fil du temps (car la variance augmente). -- En moyenne, E[B(t)] = 0, mais la dispersion autour de 0 s’accroît : plus on avance dans le temps, plus les écarts possibles sont grands. 5- Lien avec la finance -- Dans les modèles financiers, on n’utilise pas B(t) seul mais un mouvement brownien avec dérive et volatilité : X(t) = μ t + σ B(t). -- Ici : -- μ = tendance moyenne du rendement (drift), -- σ = volatilité (intensité des fluctuations). -- Ce processus sert à modéliser les prix d’actifs : dS_t = μ S_t dt + σ S_t dB_t. -- La simulation de B(t) est donc la première étape avant de simuler la trajectoire d’un prix S_t sous le modèle de Black-Scholes. Exemple concret -- En simulant 1 000 trajectoires de B(t) et en ajoutant une dérive μ = 0,05 et σ = 0,2, on obtient une famille de trajectoires de prix S_t qui évoluent autour d’une tendance moyenne croissante avec dispersion croissante. 6- Matière complémentaire -- Le mouvement brownien est un processus de base en calcul stochastique ; c’est la brique à partir de laquelle on construit les équations différentielles stochastiques. -- Il est non différentiable : ses trajectoires sont continues mais infiniment irrégulières. -- En pratique, la simulation se fait en générant des tirages Z_i ~ N(0, 1) et en cumulant leurs effets. -- Plus Δt est petit, plus la trajectoire simulée est réaliste. -- Ce type de simulation est aussi utilisé pour : -- évaluer la Value at Risk (VaR) d’un portefeuille, -- estimer des probabilités de dépassement, -- tester la sensibilité d’un modèle de prix à la volatilité.