PRÉLIMINAIRES

I. Épistémologie et Enjeux Scientifiques du Domaine

La mesure du risque financier a muté, passant d’une comptabilité déterministe à une modélisation probabiliste sophistiquée. Initiée par les travaux de Bachelier en 1900, cette discipline a connu une accélération fulgurante avec le modèle de Black-Scholes-Merton, consacrant le calcul stochastique comme le langage des marchés. L’enjeu contemporain est de dépasser les hypothèses gaussiennes, notoirement inadaptées aux crises, pour intégrer les phénomènes de queues de distribution épaisses et de volatilité stochastique. La finance quantitative devient ainsi une science de l’incertitude complexe, cherchant à quantifier l’imprévisible.

II. Cartographie des Compétences et Transversalité

Cette Unité d’Enseignement forge une compétence unifiée à la croisée de trois piliers indissociables. Le calcul stochastique et le lemme d’Itô constituent le moteur mathématique permettant de modéliser la dynamique des actifs. La théorie de Markowitz offre le cadre stratégique pour l’optimisation de l’allocation sous contrainte de risque. Enfin, les méthodes de Monte-Carlo fournissent la puissance de calcul brute, via le codage, pour valoriser des instruments complexes et tester des stratégies là où les solutions analytiques sont inopérantes. La maîtrise de cette trinité définit l’ingénieur quantitatif moderne.

III. Alignement Stratégique avec les Réalités Opérationnelles

La compétence en mesure des risques financiers répond à un besoin critique des marchés africains en pleine structuration. Pour un gestionnaire de portefeuille à la BRVM ou à la Bourse de Casablanca, optimiser un portefeuille panafricain exige une maîtrise fine de Markowitz. L’actuaire d’une compagnie d’assurance à Kinshasa doit modéliser le risque de marché sur des actifs locaux volatils, une tâche impossible sans le calcul stochastique. L’ingénieur quantitatif développant des produits dérivés sur les matières premières (cacao, cuivre) utilisera intensivement les simulations Monte-Carlo pour leur pricing et leur couverture.

Chapitre I. Fondements des Processus Stochastiques en Finance

I.1 Genèse du Mouvement Brownien et Marches Aléatoires

Inspiré par l’observation du mouvement erratique du pollen par le botaniste Robert Brown, le concept de marche aléatoire constitue le socle de la finance moderne. Ce sous-chapitre formalise mathématiquement cette intuition pour construire le processus de Wiener, ou mouvement Brownien. Nous disséquons ses propriétés fondamentales : indépendance et stationnarité des accroissements, continuité des trajectoires et distribution normale. Cette exploration établit le langage de base pour décrire l’évolution imprévisible mais statistiquement caractérisable du prix des actifs financiers, préparant le terrain pour des modélisations plus complexes et réalistes.

I.2 Formalisation via les Espaces de Probabilité Filtrés et Martingales

Sous l’angle de la rigueur mathématique, la description des flux d’information sur les marchés financiers impose l’utilisation des filtrations. Une filtration représente l’accroissement progressif de l’information disponible au fil du temps, un concept essentiel pour définir l’absence d’arbitrage. Ce segment introduit la notion de processus adapté et de martingale, un processus dont l’espérance future, conditionnellement à l’information présente, est sa valeur actuelle. La maîtrise de cet outillage est non négociable pour comprendre et prouver les théorèmes fondamentaux de l’évaluation des actifs financiers.

I.3 Critique de l’Hypothèse de Normalité et Phénomène des “Fat Tails”

L’élégance du mouvement Brownien se heurte à une réalité brutale : les crises financières. La distribution normale sous-estime drastiquement la probabilité des événements extrêmes, ces “cygnes noirs” théorisés par Nassim Taleb. Ce sous-chapitre attaque frontalement cette limite en analysant empiriquement les séries de rendements financiers. Nous y démontrons la présence de queues de distribution épaisses (leptokurtosis) et d’asymétrie, invalidant l’hypothèse gaussienne. Cette critique est fondamentale pour justifier le passage à des modèles plus robustes, comme les processus de Lévy ou les modèles GARCH.

I.4 Application à la Modélisation du Prix des Matières Premières Africaines

Face à la volatilité extrême des cours du cobalt en RDC ou du cacao en Côte d’Ivoire, les modèles stochastiques classiques montrent leurs faiblesses. Ce module applique les concepts de processus à sauts et de retour à la moyenne (mean-reversion) pour mieux capturer la dynamique de ces marchés. L’étudiant apprendra à calibrer un processus d’Ornstein-Uhlenbeck sur des données réelles de matières premières. L’objectif est de produire des prévisions de prix à court terme plus fiables, une compétence cruciale pour les entreprises exportatrices et les trésoreries nationales.

Chapitre II. Calcul Stochastique et Dynamique des Actifs

II.1 Différentielles Stochastiques et Construction de l’Intégrale d’Itô

L’introduction du hasard dans les dynamiques temporelles via le mouvement Brownien rend le calcul différentiel classique inopérant. L’intégrale d’Itô, concept central de ce sous-chapitre, est construite pour donner un sens à l’intégration par rapport à un processus stochastique. Nous y établissons une distinction fondamentale avec l’intégrale de Stratonovich, justifiant le choix d’Itô par le principe de non-anticipation des marchés. Cette construction, bien que techniquement exigeante, est la seule voie pour manipuler rigoureusement les équations différentielles stochastiques qui régissent la finance quantitative.

II.2 Le Lemme d’Itô : Pierre Angulaire de la Finance Quantitative

Pivot de la finance moderne, le lemme d’Itô est la règle de dérivation pour les fonctions de processus stochastiques. Il généralise la règle de la chaîne du calcul déterministe en y ajoutant un terme correctif de second ordre, conséquence directe de la volatilité non nulle du mouvement Brownien. Ce segment se concentre sur sa démonstration et son application mécanique à travers des exemples canoniques. La maîtrise du lemme d’Itô n’est pas une option ; elle est la condition sine qua non pour dériver le modèle de Black-Scholes et valoriser tout produit dérivé.

II.3 Limites du Mouvement Brownien Géométrique et Modèles à Volatilité Stochastique

Le modèle de Black-Scholes, basé sur un mouvement Brownien géométrique, postule une volatilité constante, une hypothèse contredite par l’observation des marchés qui affichent des “volatility smiles” et des clusters de volatilité. Cette section critique ce postulat et introduit les modèles à volatilité stochastique comme celui de Heston. Nous y analysons comment la corrélation entre le prix de l’actif et sa volatilité permet de mieux capturer la dynamique complexe des prix des options, tout en soulignant la complexité calculatoire accrue que ces modèles imposent.

II.4 Modélisation du Risque de Change pour les Monnaies Africaines (XAF, ZAR)

Appliquer le lemme d’Itô à la dynamique du taux de change EUR/XAF ou USD/ZAR permet de quantifier le risque pour les importateurs et exportateurs du continent. Ce cas pratique guide l’étudiant dans la modélisation d’un taux de change via un mouvement Brownien géométrique, puis dans le calcul de la “Value at Risk” (VaR) d’une position de change. L’exercice démontre comment, à partir d’une série temporelle de données locales, on peut estimer la volatilité et en déduire une mesure de risque concrète, directement utilisable pour dimensionner des stratégies de couverture.

Chapitre III. Théorie de la Valorisation des Actifs Financiers

III.1 Principe d’Absence d’Opportunité d’Arbitrage et Mesure Risque-Neutre

Le postulat économique fondamental de la finance de marché est l’Absence d’Opportunité d’Arbitrage (AOA). Ce concept stipule qu’il est impossible de réaliser un profit certain sans mise de fonds initiale et sans prise de risque. Ce sous-chapitre démontre comment ce principe économique implique l’existence d’une mesure de probabilité, dite risque-neutre, sous laquelle le prix de tout actif actualisé est une martingale. Le passage de la probabilité historique à la probabilité risque-neutre est la clé de voûte de toute la théorie de l’évaluation des actifs contingents.

II.2 Dérivation et Résolution de l’Équation de Black-Scholes-Merton

Héritage direct du lemme d’Itô et du principe d’AOA, l’équation aux dérivées partielles (EDP) de Black-Scholes-Merton régit le prix de toute option européenne. Ce segment se concentre sur sa dérivation rigoureuse en construisant un portefeuille de couverture auto-financé et sans risque. Nous explorons ensuite la solution analytique explicite pour les options d’achat (call) et de vente (put). La compréhension de cette formule iconique et de ses paramètres (les “Grecques”) est impérative pour tout praticien de la finance de marché, constituant le benchmark de l’industrie.

III.3 Au-delà de Black-Scholes : Options Exotiques et Barrières

La finance moderne a créé un bestiaire d’options “exotiques” dont la valeur dépend du chemin suivi par le sous-jacent (path-dependent) ou de conditions complexes. Ce sous-chapitre analyse les options à barrière (knock-in, knock-out) et les options asiatiques (basées sur une moyenne). Nous y montrons pourquoi le modèle de Black-Scholes est souvent insuffisant et comment ces structures introduisent des discontinuités et des complexités qui exigent des méthodes numériques pour leur valorisation, marquant la limite des solutions analytiques fermées.

III.4 Valorisation d’un Contrat de Micro-assurance Agricole Indexé sur la Pluviométrie

Face aux défis de la sécurité alimentaire, la micro-assurance indicielle offre une solution innovante pour les agriculteurs africains. Ce cas d’étude applique la logique de la valorisation d’options pour pricer un contrat qui paie un montant fixe si la pluviométrie cumulée, modélisée comme un processus stochastique, tombe en dessous d’un certain seuil. L’étudiant apprend à définir l’actif sous-jacent (l’indice pluviométrique), à estimer sa dynamique et à calculer la prime juste, créant un pont direct entre la finance quantitative et le développement socio-économique.

Chapitre IV. Sélection et Optimisation de Portefeuilles

IV.1 Fondements de la Théorie Moderne du Portefeuille de Markowitz

En 1952, Harry Markowitz a révolutionné la gestion d’actifs en formalisant la notion de diversification. Ce sous-chapitre expose les concepts de base : l’espérance de rendement, la variance comme mesure du risque, et la covariance entre les actifs. L’idée centrale est que le risque d’un portefeuille ne dépend pas seulement du risque de ses composants, mais surtout de la manière dont ils évoluent ensemble. Cette approche permet de passer d’une sélection d’actifs individuelle à une construction de portefeuille holistique, cherchant le meilleur couple rendement/risque.

IV.2 Construction de la Frontière Efficience et Détermination du Portefeuille Optimal

L’optimisation de Markowitz consiste à trouver, pour un niveau de rendement donné, le portefeuille ayant la variance la plus faible. L’ensemble de ces portefeuilles optimaux forme une courbe dans le plan rendement-risque, appelée la frontière efficiente. Ce segment détaille la résolution mathématique de ce problème d’optimisation sous contraintes. Nous introduisons ensuite l’actif sans risque pour définir la “Capital Market Line” et identifier le portefeuille de marché, le seul portefeuille d’actifs risqués que tout investisseur rationnel devrait détenir.

IV.3 Critique du Modèle de Markowitz : Instabilité et Erreurs d’Estimation

Malgré son élégance théorique, le modèle de Markowitz est notoirement sensible aux paramètres d’entrée (espérances, variances, covariances), qui doivent être estimés à partir de données historiques. De petites erreurs d’estimation peuvent conduire à des allocations de portefeuille extrêmes et instables. Cette section analyse de manière critique ces limites, en présentant les problèmes de concentration du portefeuille et de sa faible performance hors échantillon. Nous introduisons des pistes de solutions comme les modèles de Black-Litterman ou les techniques de régularisation (shrinkage).

IV.4 Optimisation d’un Portefeuille Panafricain (JSE, NSE, BRVM)

Ce cas pratique met l’étudiant dans la peau d’un gestionnaire de fonds cherchant à construire un portefeuille diversifié sur les principales bourses africaines (Johannesburg, Nairobi, Abidjan). L’exercice consiste à collecter les données, estimer la matrice de variance-covariance, puis à calculer la frontière efficiente en tenant compte des contraintes de liquidité et des restrictions sur les devises. L’objectif est de produire une allocation d’actifs concrète et argumentée, démontrant la valeur ajoutée de la diversification géographique sur le continent face à un investissement mono-pays.

Chapitre V. Méthodes Numériques et Simulations en Finance

V.1 Principe des Méthodes de Monte-Carlo pour la Valorisation

Lorsque les modèles financiers deviennent trop complexes pour admettre une solution analytique, les méthodes de Monte-Carlo offrent une alternative puissante. Le principe est simple : simuler un grand nombre de trajectoires aléatoires pour le prix du sous-jacent sous la probabilité risque-neutre, calculer la valeur du dérivé pour chaque trajectoire, puis en prendre la moyenne actualisée. Ce sous-chapitre formalise cette approche, discute de sa convergence et établit son immense flexibilité pour valoriser des options exotiques, des produits de taux complexes ou calculer la VaR.

V.2 Algorithmes de Génération de Nombres Aléatoires et Schémas de Discrétisation

La qualité d’une simulation Monte-Carlo dépend crucialement de la qualité de ses briques de base : les nombres aléatoires et la discrétisation des équations différentielles stochastiques. Ce segment technique aborde les générateurs de nombres pseudo-aléatoires et les méthodes de transformation (ex: Box-Muller) pour obtenir des distributions normales. Nous y détaillons ensuite le schéma de discrétisation d’Euler-Maruyama, le plus simple pour simuler une trajectoire de processus d’Itô, et discutons de sa convergence et de ses biais potentiels.

V.3 Techniques de Réduction de Variance et Limites Computationnelles

La convergence lente, en racine carrée du nombre de simulations, est le talon d’Achille de la méthode de Monte-Carlo brute. Ce sous-chapitre explore les techniques statistiques visant à accélérer cette convergence, donc à réduire le temps de calcul pour une précision donnée. Nous étudions les variables antithétiques, les variables de contrôle et l’échantillonnage préférentiel (importance sampling). La discussion porte aussi sur les limites computationnelles, particulièrement prégnantes dans des contextes où la puissance de calcul est une ressource rare et coûteuse.

V.4 Codage d’un “Priceur” Monte-Carlo pour une Option sur Actif Mobile Money

Le secteur du Mobile Money en Afrique représente un écosystème financier unique. Ce projet final consiste à coder en Python un “priceur” pour une option d’achat sur un indice synthétique représentant la valeur d’un portefeuille d’opérateurs de Mobile Money (ex: M-Pesa, Orange Money). L’étudiant devra implémenter la génération de trajectoires, le calcul du payoff et les techniques de réduction de variance. Ce travail concret ancre la compétence de codage dans un contexte d’innovation financière locale, préparant l’ingénieur quantitatif aux défis spécifiques du continent.

ANNEXES

A. Guide Pratique : Implémentation en Python avec NumPy, SciPy et Pandas

Cette annexe est un manuel de survie pour l’ingénieur quantitatif. Elle fournit des blocs de code commentés pour les tâches les plus courantes : importer et nettoyer des séries temporelles financières avec Pandas, effectuer des optimisations de portefeuille de Markowitz avec SciPy.optimize, et simuler des trajectoires stochastiques avec NumPy. L’accent est mis sur l’efficacité du code et l’utilisation de la vectorisation pour traiter de grands ensembles de données, une compétence essentielle pour le “quant” qui doit produire des résultats rapides et fiables.

B. Protocole d’Accès et de Nettoyage des Données des Marchés Africains

Le gestionnaire de portefeuille travaillant sur l’Afrique fait face à un défi majeur : la disponibilité et la qualité des données. Cette annexe propose un protocole méthodologique pour agréger des données provenant de sources hétérogènes (banques centrales, bourses locales, fournisseurs de données). Elle détaille les techniques de traitement des données manquantes, de synchronisation des séries temporelles de différentes zones monétaires et de calcul des rendements en devise commune. C’est un guide pragmatique pour construire une base de données robuste, point de départ de toute analyse quantitative sérieuse.

C. Modèle de Rapport de “Value at Risk” (VaR) pour un Actuaire Risque de Marché

L’actuaire risque de marché doit communiquer des mesures de risque complexes à un public non spécialiste (direction, régulateurs). Cette annexe fournit un modèle de rapport de VaR standard. Elle structure la présentation en plusieurs sections : résumé exécutif (les chiffres clés), méthodologie (VaR historique, paramétrique ou Monte-Carlo), résultats détaillés par classe d’actifs, “backtesting” (validation du modèle) et analyse de scénarios de stress. Ce document type permet de transformer une analyse technique en un outil de décision stratégique pour le pilotage des risques.

Lire aussi :

Cours de Cryptologie, master-1, CRY2121

Cours de Mémoire, master-2, MPE2141

Cours de Modélisation et base de données, licence-2, MBD1231

Cours de Caractérisation et Traitement des Effluents Urbains et Industriels, master-2, CTU2231

Cours de Environnement et Ecologie Générale, master-1, EEG2111

Cours de Algorithmique et programmation, licence-2, ALP1241