Lavendriso
Volatilité stochastique appliquée
Un fil clair
du modèle au risque
Nous parlons souvent de volatilité stochastique comme si tout le monde partageait les mêmes références. En réalité, vous arrivez avec des contraintes, des expériences et des niveaux de confort très différents face aux modèles. C’est pour cela que nous avons structuré notre parcours en blocs cohérents, qui vont des surfaces de volatilité implicite aux applications sur portefeuilles de dérivés complexes. Chaque bloc suit le même principe : d’abord l’idée, ensuite la conséquence sur les prix, les sensibilités et les scénarios de risques. Nous n’empilons pas des formules, nous cherchons à relier chaque choix de modèle à une décision concrète et à une explication que vous pouvez assumer devant un comité. Le parcours est pensé pour 2026, en tenant compte des attentes de transparence, de documentation et de prudence dans l’usage des modèles.
Les grands blocs du parcours
Nous avons structuré notre travail autour de quelques blocs cohérents, qui vont des surfaces de volatilité aux applications sur portefeuilles, en passant par les principaux cadres de volatilité stochastique et leurs calibrations. Chaque bloc relie des idées mathématiques à des décisions concrètes de valorisation, de couverture et de lecture des risques, avec une attention constante aux limites des modèles et à la documentation.
Surfaces et motivations
Nous commençons par les smiles et surfaces de volatilité implicite. Nous expliquons comment les données de marché sont nettoyées, interpolées et prolongées, puis comment ces opérations influencent déjà les prix et les sensibilités. Nous présentons ensuite les motivations qui ont conduit à introduire des modèles de volatilité stochastique, en montrant ce que les approches plus simples ne captent pas, notamment sur les queues de distribution et les changements de régime. Ce module sert de socle pour comprendre les choix ultérieurs de dynamique et de calibration.
Cadres de volatilité stochastique
Nous détaillons plusieurs cadres de volatilité stochastique, en insistant sur leurs hypothèses, leurs forces et leurs fragilités. Pour chaque modèle, nous expliquons la dynamique de la variance, la corrélation avec le sous-jacent et les conséquences sur la forme de la surface. Nous illustrons ces effets par des exemples de valorisation d’options vanilles et de produits plus complexes, afin de rendre visibles les différences de comportement. L’objectif est de vous permettre de comparer ces cadres avec un regard critique, en tenant compte des contraintes de données et de calcul.
Calibration, calculs et risques
Ce bloc rassemble les aspects pratiques de calibration, de calcul numérique et d’interprétation des résultats sur des portefeuilles. Nous montrons comment choisir des critères de qualité de fit, comment suivre la stabilité des paramètres dans le temps et comment analyser l’impact sur les prix, les sensibilités et les scénarios de stress. Nous insistons aussi sur la façon de documenter ces choix pour les équipes de risques et de gouvernance, en rappelant que la performance passée ne constitue pas une indication fiable des développements futurs.
Comment nous déroulons chaque bloc
Chaque bloc suit la même séquence : une idée présentée simplement, une dérivation mathématique cadrée, une mise en pratique numérique, un cas appliqué sur dérivés, puis une synthèse orientée risques et gouvernance. Ce chemin vous permet de garder le lien entre ce que dit le modèle et ce que vous devez expliquer en pratique, sans perdre de vue les limites et les incertitudes.
Exposer l’idée et ses conséquences
Nous commençons par poser l’intuition du sujet, par exemple pourquoi une surface de volatilité ne peut pas être prise telle quelle ou pourquoi un modèle de volatilité stochastique a été introduit. Nous exposons les hypothèses de départ avec des mots simples, puis nous montrons immédiatement ce qu’elles impliquent qualitativement sur les prix, les smiles et la réaction aux chocs. Cette phase sert à ancrer les idées dans des situations de marché reconnaissables, avant d’entrer dans les détails techniques. Vous pouvez ainsi juger dès le début si le cadre proposé répond à un problème que vous rencontrez réellement dans vos portefeuilles.
Dans cette étape, nous adoptons une démarche que nous appelons principe puis conséquence. Nous formulons d’abord clairement l’hypothèse centrale, comme la dynamique supposée pour la variance ou la relation avec le sous-jacent. Ensuite, nous déroulons calmement ce que cette hypothèse change sur la forme de la surface de volatilité, sur la façon dont les sensibilités se comportent et sur la réaction possible en cas de stress de marché. Nous insistons sur les liens avec des notions que vous utilisez déjà, telles que les smiles, les deltas ou les profils de pertes potentielles. L’objectif n’est pas encore de chiffrer, mais de construire une carte mentale qui vous permettra de replacer les calculs à venir. Nous signalons aussi, dès cette phase, les limites évidentes du cadre, afin que vous ne le perceviez pas comme une solution magique, mais comme un outil avec un domaine d’usage bien délimité.
Cadrer la dérivation mathématique
Une fois l’intuition posée, nous introduisons les éléments mathématiques nécessaires, en les reliant systématiquement à l’idée de départ. Nous n’entrons pas dans tous les détails techniques, mais nous clarifions la structure des équations et le rôle de chaque terme. L’objectif est que vous puissiez suivre la logique générale, reconnaître les paramètres clés et comprendre comment ils seront calibrés sur les données de marché. Cette étape prépare la mise en pratique numérique, sans transformer le parcours en traité théorique.
Nous présentons les équations sous une forme lisible, en soulignant les liens entre chaque terme et une intuition de marché. Par exemple, un paramètre pourra être associé à la vitesse de retour de la variance, un autre à l’ampleur des chocs de volatilité. Nous expliquons comment ces paramètres influencent la surface implicite, la dynamique des prix et la stabilité des sensibilités dans le temps. Nous évitons les démonstrations longues, mais nous indiquons les points de vigilance, comme les conditions d’existence de solutions ou les difficultés numériques possibles. Nous montrons aussi comment ces formules s’insèrent dans des schémas de calcul concrets, afin que le passage vers la phase numérique paraisse naturel. Tout au long de cette étape, nous rappelons que les modèles restent des approximations et que leurs résultats doivent être interprétés avec prudence.
Mettre en pratique numériquement
Nous passons ensuite aux calculs, en utilisant un environnement de type Python pour illustrer les étapes. Nous montrons comment préparer les données, choisir un critère de calibration et interpréter les paramètres obtenus. Les exemples sont construits pour rester proches de la pratique : surfaces irrégulières, contraintes de temps de calcul, arbitrage entre qualité de fit locale et stabilité globale. Cette phase a pour but de relier les équations à des résultats chiffrés, tout en gardant la possibilité de discuter les limites et la sensibilité des choix.
Dans cette partie, nous détaillons la logique des scripts sans chercher à optimiser chaque ligne. Nous expliquons comment organiser les données de marché, définir une fonction objectif, lancer la calibration et vérifier la cohérence des paramètres. Nous comparons plusieurs jeux de paramètres pour voir comment ils modifient la surface ajustée, les prix d’options simples et certains indicateurs de risque. Nous mettons aussi en avant des tests de robustesse élémentaires, comme la répétition de la calibration sur des fenêtres temporelles différentes. L’idée est de vous donner des repères pour juger si un résultat est raisonnable ou s’il traduit une instabilité préoccupante. Nous rappelons enfin que ces calculs restent sensibles aux hypothèses retenues et que les résultats peuvent varier avec d’autres données ou d’autres choix techniques.
Relier aux portefeuilles et aux risques
Une fois les calculs en place, nous appliquons le cadre à un cas concret de dérivés, par exemple un portefeuille mêlant vanilles et exotiques. Nous examinons les prix, les sensibilités et les scénarios de stress, en comparant éventuellement plusieurs modèles de volatilité stochastique. Nous discutons alors des compromis entre précision locale, stabilité des couvertures et lisibilité des indicateurs pour les comités. Cette étape transforme les résultats numériques en éléments utilisables dans vos échanges internes.
Nous présentons les résultats sous forme de tableaux et de graphiques simples, en insistant sur ce qui change réellement lorsque l’on modifie un modèle ou un paramètre. Nous analysons les effets sur les deltas, vegas ou autres sensibilités, ainsi que sur les profils de pertes potentielles sous différents scénarios. Nous montrons comment ces éléments peuvent être synthétisés pour un comité de risques ou pour une revue de modèles, en évitant les promesses excessives. Nous rappelons que la performance passée ne constitue pas une indication fiable des développements futurs et que toute interprétation doit rester prudente. Cette étape met en lumière les arbitrages que vous devez faire entre sophistication, robustesse et contraintes opérationnelles, afin que le modèle reste un appui à la décision plutôt qu’une boîte noire difficile à défendre.
Synthétiser et documenter pour la gouvernance
Enfin, nous terminons chaque bloc par une synthèse orientée vers la gouvernance des modèles. Nous récapitulons les hypothèses, les forces, les limites et les points de vigilance, ainsi que les questions typiques que pourraient poser des comités de risques, d’audit ou de contrôle interne. Cette étape vous aide à transformer un ensemble de calculs en un discours cohérent et documenté, compatible avec les attentes réglementaires actuelles.
Dans cette dernière phase, nous reprenons les éléments clés du bloc sous un angle non technique. Nous listons les hypothèses structurantes du modèle, les situations où il est particulièrement adapté et celles où il devient fragile. Nous proposons des formulations possibles pour expliquer ces points à des interlocuteurs qui ne manipulent pas les équations au quotidien. Nous insistons aussi sur la nécessité de documenter les choix de calibration, les limites des données et les tests de robustesse réalisés. Nous rappelons que les résultats peuvent varier selon les marchés et que la performance passée ne garantit pas les évolutions futures, ce qui doit apparaître clairement dans toute communication responsable. Cette synthèse a pour but de vous aider à assumer vos choix de modèles devant des parties prenantes exigeantes, sans les présenter comme des réponses définitives.
Différents chemins dans le parcours global
Ce parcours s’adresse à vous si vous manipulez déjà des données de marché, mais que les surfaces de volatilité vous semblent encore opaques. Nous partons des smiles, des notions de volatilité implicite et des premières intuitions sur la dynamique de la variance. L’objectif est de construire une base solide pour comprendre ensuite pourquoi les modèles de volatilité stochastique ont été introduits et ce qu’ils changent concrètement sur les prix et les sensibilités.
Ce volet met l’accent sur les principaux cadres de volatilité stochastique, leurs hypothèses et leurs conséquences pratiques. Il vous convient si vous devez comparer plusieurs modèles, dialoguer avec des équipes de risques ou préparer des décisions de gouvernance. Nous insistons sur les liens entre paramètres, forme de la surface, stabilité de la calibration et interprétation des scénarios extrêmes, sans présupposer une expertise théorique avancée.
Ici, nous suivons la chaîne complète, de la calibration à l’application sur des portefeuilles de dérivés complexes. Ce bloc est adapté si vous voulez voir comment des choix de modèles se traduisent sur des books réels, avec des contraintes de données, de temps de calcul et de reporting. Nous mettons l’accent sur les impacts concrets sur les prix, les couvertures et les indicateurs de risques utilisés dans les comités.
Ce chemin met la lumière sur les aspects de documentation, de traçabilité et de communication. Il est pertinent si vous devez expliquer des modèles de volatilité stochastique à des interlocuteurs non spécialistes ou contribuer à des travaux de gouvernance. Nous y structurons les synthèses, les limites à expliciter et les mises à jour nécessaires pour rester cohérent avec les attentes réglementaires et les pratiques de 2026.
Questions fréquentes
Quels prérequis mathématiques
Prérequis
Nous partons du principe que vous avez déjà une familiarité de base avec le calcul différentiel et quelques notions de probabilités, mais nous ne supposons pas une formation poussée en mathématiques financières. Lorsque nous introduisons des objets plus techniques, nous rappelons les idées clés et nous relions chaque formule à une intuition de marché. Le principe est toujours le même : exposer d’abord l’hypothèse, puis la conséquence sur les prix, les sensibilités ou les scénarios de risque. Si certains passages vous semblent denses, vous pouvez les aborder progressivement en revenant aux exemples et comparaisons fournis. L’objectif n’est pas de démontrer tous les résultats, mais de comprendre ce qu’ils changent concrètement dans l’analyse des dérivés.