Location via proxy:   [ UP ]  
[Report a bug]   [Manage cookies]                
Scribd Logo
Importer

Bienvenue sur Scribd !

  • 1 vues

    Math2b 2008

    Transféré par

    Judicaël Zadi

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd

    Math2b 2008

    Transféré par

    Judicaël Zadi
    1 vues6 pages

    Titre original

    MATH2B 2008

    Copyright

    © © All Rights Reserved

    Formats disponibles

    PDF, TXT ou lisez en ligne sur Scribd

    Avez-vous trouvé ce document utile ?

    Ce contenu est-il inapproprié ?

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pdf ou txt
    1 vues6 pages

    Math2b 2008

    Transféré par

    Judicaël Zadi

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pdf ou txt
    sur 6

    I. S. F. A.

    2007-2008
    _________ _________

    Concours d'Entrée
    _______________

    DEUXIÈME ÉPREUVE DE MATHÉMATIQUES


    _________________________________________

    Durée : 4 heures

    Calculatrice autorisée

    OPTION B

    2007
    Loi double exponentielle et modèle de
    Kou en finance.
    Ce sujet aborde de manière très simplifiée des questions de probabilités ins-
    pirées de problèmes rencontrés en finance. Néanmoins, aucune connaissance
    préalable en actuariat n’est nécessaire. Rappelons que d’une façon générale,
    une condition sur des paramètres a, b et c pour qu’une certaine propriété soit
    vérifiée peut éventuellement ne faire intervenir qu’un sous-ensemble strict de
    {a, b, c}.

    1 Loi double-exponentielle
    Soit (Ω, A, P ) un espace probabilisé. On utilisera les notations E(X)
    et V ar(X) respectivement pour l’espérance et la variance d’une variable
    aléatoire. Pour A ⊂ R, 1A désigne la fonction indicatrice de A, définie pour
    x ∈ R par 1A (x) = 1 si x ∈ A et 1A (x) = 0 sinon. Pour p ∈ [0, 1], λ > 0 et
    µ > 0 paramètres fixés, soit fp,λ,µ la fonction définie pour x ∈ R par

    fp,λ,µ (x) = (1 − p)λe−λx 1[0,+∞[ (x) + pµeµx 1]−∞,0[ (x).

    1. Vérifier que pour tous p ∈ [0, 1], λ > 0 et µ > 0, fp,λ,µ est une densité
    de probabilité.
    2. On suppose que X admet pour densité fp,λ,µ . On dira alors que X suit
    la loi double exponentielle de paramètres (p, λ, µ). Calculer E(X).
    3. Calculer V ar(X).
    4. Déterminer la fonction de répartition de X.
    5. Déterminer l’inverse de la fonction de répartition de X.
    6. Décrire une méthode de simulation de réalisations de la variable aléatoire
    X.
    7. A quelle condition sur p, λ et µ a-t-on pour tout x ≥ 0, P (X > x) =
    P (X < −x) ? Dans ce cas la loi de X est appelée première loi des
    erreurs de Laplace.
    8. Lorsque X suit la première loi des erreurs de Laplace, déterminer la loi
    de Y = |X|.

    1
    9. Lorsque X suit la première loi des erreurs de Laplace, montrer que
    Y = |X| vérifie la propriété de perte de mémoire : montrer que pour
    tous s ∈ R et t > s,

    P (Y > t | Y > s) = P (Y > t − s) .

    10. Dans le cas général, si l’on suppose λ 6= µ, pour quelle(s) valeur(s) de


    p la propriété de perte de mémoire est-elle vérifiée par |X| ? Quelle est
    la loi de |X| dans ce(s) cas ?
    11. Dans les questions 11, 12 et 13, on considère une variable aléatoire X
    suivant la loi double exponentielle de paramètres p = 1/2, λ = µ = 1.
    Soit fX sa fonction de densité et FX sa fonction de répartition. Pour
    n ≥ 1, on considère la fonction Hn définie pour x ∈ R par
    Z x
    fX (t) 1 + te−n|t| dt.
     
    Hn (x) =
    −∞

    Montrer que pour n ≥ 1, Hn est bien une fonction de répartition.


    12. Pour n ≥ 1, soit Xn une variable aléatoire de fonction de répartition
    Hn . Montrer que pour tout x ∈ R,
    C
    |Hn (x) − FX (x)| ≤ FX (x),
    n
    où C est une constante à préciser.
    13. En déduire que la suite de variables aléatoires (Xn )n≥1 converge en loi.
    Préciser la distribution limite.
    14. Revenons au cas général (p ∈ [0, 1], λ > 0 et µ > 0). X vérifie-t-il la
    propriété de perte de mémoire : a-t-on en général pour tout s ∈ R,
    pour tout t > s, P (X > t|X > s) = P (X > t − s) ?
    15. Déterminer le plus petit x0 tel que pour tous p ∈ [0, 1], λ > 0 et µ > 0,
    ∀t > s ≥ x0 ,
    P (X > t|X > s) = P (X > t − s).
    Cette propriété partielle de perte de mémoire est très utile dans le
    modèle financier dit modèle de Kou.
    16. Soit (Yn )n≥1 une suite de variables aléatoires indépendantes et identi-
    quement distribuées, suivant la loi double exponentielle de paramètres

    2
    p ∈ [0, 1], λ > 0 et µ > 0. Pour n ≥ 1, soit In la variable aléatoire
    définie pour ω ∈ ω par
    
    In (ω) = 1 si Yn (ω) > 0
    In (ω) = 0 si Yn (ω) ≤ 0

    Montrer que (In )n≥1 est une suite de variables aléatoires indépendantes.
    17. Montrer que les variables aléatoires In , n ≥ 1 sont identiquement dis-
    tribuées et suivent une loi de Bernouilli de paramètre q à préciser.
    18. Pour n ≥ 1, soit Zn la variable aléatoire définie par Zn = In Yn . Mon-
    trer que (Zn )n≥1 est une suite de variables aléatoires indépendantes et
    identiquement distribuées.
    19. Déterminer la fonction de répartition de Z1 et tracer son graphe.
    20. Pour n ≥ 1, soit
    n
    X
    Sn = Ij .
    j=1

    Déterminer la loi de Sn .
    21. Pour n ≥ 1, soit
    n
    X
    Vn = Zj .
    j=1

    Pour n ≥ 1, les variables aléatoires Sn et Vn sont-elles indépendantes ?


    22. Déterminer E(Vn ) pour n ≥ 1.
    23. Soit (Wn )n≥1 une suite de variables aléatoires indépendantes et iden-
    tiquement distribuées suivant la loi exponentielle de paramètre ν > 0.
    Montrer par récurrence sur n que
    n
    X
    An = Wk
    k=1

    suit une loi Gamma de paramètres (ν, n) dont la densité fAn est donnée
    pour x ∈ R par

    e−νx ν n xn−1
    fAn (x) = 1[0,+∞[ (x).
    (n − 1)!

    3
    24. En déduire que pour n ≥ 1, 1 ≤ k ≤ n et x ≥ 0,
    Z x −νt k k−1
    e ν t
    P (Vn ≤ x | Sn = k) = dt.
    0 (k − 1)!
    25. En utilisant la formule des probabilités totales, montrer que pour n ≥ 1,
    la fonction de répartition FVn de Vn est donnée par

     FVn (x) = 0 pour x < 0,

    FVn (0) = αn,0 , h i
     FVn (x) = αn,0 + x e−νt Pn αn,k ν k tk−1 dt pour x > 0,
     R
    0 k=1 (k−1)!

    où les αn,k , 0 ≤ k ≤ n sont des coefficients à préciser.

    2 Value-at-Risk, modèle de Black et Scholes


    et modèle de Kou
    En assurance et en finance, on utilise souvent la Value-at-Risk pour quan-
    tifier un risque. Cette Value-at-Risk est en fait un simple quantile. Dans
    toute cette partie, pour une variable aléatoire V , on notera FV sa fonction
    de répartition et FV−1 l’inverse (généralisé) de sa fonction de répartition. Le
    modèle de Black et Scholes est le modèle d’évaluation des options le plus
    connu en finance. Dans ce modèle, le quotient du prix d’une action à la
    date finale divisé par le prix initial suit une loi log-normale. Afin de mieux
    prendre en compte les phénomènes observés sur le marché, Steve Kou a pro-
    posé d’incorporer dans le processus d’évolution des prix des sauts d’amplitude
    aléatoire décrite par la loi double exponentielle. Cette partie n’a pas du tout
    la prétention d’aborder ces problèmes mais est constituée de questions en
    lien avec ces modèles. Les premières questions de cette partie portent sur des
    propriétés basiques de la Value-at-Risk et des lois normales. Les suivantes
    portent sur des calculs intervenants dans la formule de Black et Scholes. La
    dernière question porte sur une condition que doivent vérifier les paramètres
    du modèle de Kou.
    Soit X une variable aléatoire de fonction de répartition FX définie par
    FX (x) = Φ(cx + d),
    où c 6= 0, d ∈ R sont des réels fixés et Φ est la fonction de répartition d’une
    loi normale centrée réduite.

    4
    1. Déterminer la loi de X, ainsi que sa moyenne et sa variance.
    2. Soit Y une variable aléatoire suivant la loi normale centrée réduite. On
    suppose à partir de maintenant que β est tel que le quantile FY−1 (β) = 3.
    Déterminer alors FX−1 (β).
    −1
    3. En supposant de plus que X et Y sont indépendants, calculer FX+Y (β).
    4. D’après la formule de Black et Scholes, le prix C d’une option d’achat
    au prix K à la date future T > 0, lorsque le prix actuel de l’action sous-
    jacente est S0 , peut être exprimé (après un changement de probabilité
    que nous n’expliquons pas ici) comme suit :
      2    2 
    r+ σ2 T +σZ1 −rT r− σ2 T +σZ2
    C = S0 P S0 e > K − Ke P S0 e >K ,

    où σ > 0 est un paramètre fixé appelé volatilité, r > 0 est un autre
    paramètre fixé correspondant au taux d’intérêt sans risque et où Z1 et
    Z2 sont des variables aléatoires suivant une loi normale de moyenne 0
    et de variance T . Réécrire la formule de Black et Scholes sous la forme

    C = S0 Φ (d1 ) − Ke−rT Φ (d2 ) ,

    où d1 et d2 sont deux réels à préciser et à exprimer en fonction de S0 ,


    K, r, σ et T .
    5. Exprimer 1 − Φ(−d1 ) en fonction de Φ(d1 ).
    6. Dans le modèle de Kou, dans lequel on incorpore des sauts, le prix
    de l’actif à la date t est multiplié par eX en cas de saut, où X est
    une variable aléatoire suivant la loi double exponentielle de paramètres
    p ∈ [0, 1], λ > 0 et µ > 0, dont la densité fp,λ,µ est, rappelons-le, la
    fonction définie pour x ∈ R par

    fp,λ,µ (x) = (1 − p)λe−λx 1[0,+∞[ (x) + pµeµx 1[−∞,0[ (x).

    Déterminer la condition de non-explosionvers l’infini du prix de l’actif :


    à quelle condition sur p, λ et µ a-t-on E eX < +∞ ?

    Vous aimerez peut-être aussi