Option prices in stochastic volatility models

Prix d’options dans les modèles à volatilité stochastique L’objet de cette thèse est l’étude de problèmes d’évaluation d’options dans les modèles à volatilité stochastique. La première partie est centrée sur les options américaines dans le modèle de Heston. Nous donnons d’abord une caractérisation analytique de la fonction de valeur d’une option américaine comme l’unique solution du problème d’obstacle parabolique dégénéré associé. Notre approche est basée sur des inéquations variationelles dans des espaces de Sobolev avec poids étendant les résultats récents de Daskalopoulos et Feehan (2011, 2016) et Feehan et Pop (2015). On étudie aussi les propriétés de la fonction de valeur d’une option américaine. En particulier, nous prouvons que, sous des hypothèses convenables sur le payoff, la fonction de valeur est décroissante par rapport à la volatilité. Ensuite nous nous concentrons sur le put américaine et nous étendons quelques résultats qui sont bien connus dans le monde Black-Scholes. En particulier nous prouvons la convexité stricte de la fonction de valeur dans la région de continuation, quelques propriétés de la frontière libre, la formule de Prime d’Exercice Anticipée et une forme faible de la propriété du smooth fit. Les techniques utilisées sont de type probabiliste. Dans la deuxième partie nous abordons le problème du calcul numérique du prix des options européennes et américaines dans des modèles à volatilité stochastiques et avec sauts. Nous étudions d’abord le modèle de Bates-Hull-White, c’est-à-dire le modèle de Bates avec un taux d’intérêt stochastique. On considère un algorithme hybride rétrograde qui utilise une approximation par chaîne de Markov (notamment un arbre “avec sauts multiples”) dans la direction de la volatilité et du taux d’intérêt et une approche (déterministe) par différence finie pour traiter le processus de prix d’actif. De plus, nous fournissons une procédure de simulation pour des évaluations Monte Carlo. Les résultats numériques montrent la fiabilité et l’efficacité de ces méthodes. Finalement, nous analysons le taux de convergence de l’algorithme hybride appliqué à des modèles généraux de diffusion avec sauts. Nous étudions d’abord la convergence faible au premier ordre de chaînes de Markov vers la diffusion sous des hypothèses assez générales. Ensuite nous prouvons la convergence de l’algorithme: nous étudions la stabilité et la consistance de la méthode hybride par une technique qui exploite les caractéristiques probabilistes de l’approximation par chaîne de Markov