Six nombres de pas, un écart qui diminue de moitié à chaque fois

Tam
Tam
·Founder & AI Builder·2026-09-27
Binomial Tree Convergence cover

Un arbre n'est utile que s'il converge

Un arbre CRR converge vers Black-Scholes en O(1/N) : l'écart est de 0,243 à 10 pas et de 0,0025 à 1 000, un ratio de 98,6 contre 100 en théorie. Le put américain est le cas où l'arbre n'a pas de forme fermée de référence.

Un arbre binomial approxime un processus de prix continu par un processus discret. L'approximation ne vaut quelque chose que si la réponse discrète s'approche de la continue à mesure que le treillis s'affine. Il est aussi utile de voir cela se produire aux nombres de pas que vous exécutez réellement. La même question de convergence s'applique à la simulation, où l'erreur Monte-Carlo est mesurée plutôt que supposée.

Le classeur exécute le treillis CRR à six nombres de pas sur la même option et compare chacun à la forme fermée.

NPrix de l'arbreBlack-ScholesÉcart
1011,593711,8370−0,24334
5011,787811,8370−0,04923
10011,812411,8370−0,02465
20011,824711,8370−0,01233
50011,832111,8370−0,00493
1 00011,834611,8370−0,00247

Deux choses sont visibles.

L'écart baisse à chaque pas. Le classeur compte les échecs : le nombre de valeurs de N pour lesquelles l'écart absolu n'a pas diminué. Ce nombre est nul.

Le ratio est proche de 100. L'écart à N=10 divisé par l'écart à N=1 000 vaut 98,6. Si l'erreur est O(1/N), le ratio devrait être 100, et 98,6 est la différence entre le taux asymptotique et ce que six points peuvent montrer. C'est la confirmation empirique de l'ordre de convergence, pas seulement de la convergence.

Le second contrôle du treillis : somme terminale contre induction arrière

Un second contrôle compare deux façons complètement différentes d'évaluer le même arbre : faire remonter le paiement à travers les nœuds, contre sommer les paiements terminaux pondérés par leurs probabilités risque-neutres et actualiser une fois.

À N=10, les deux donnent 11,59370952300479 et 11,59370952300475. La différence est de 4 × 10⁻¹⁴. Ce contrôle vaut la peine parce que les deux codages ne partagent presque aucun code : l'une parcourt l'arbre à l'envers, l'autre énumère la dernière couche. Une erreur d'indexation dans l'une ou l'autre se verrait immédiatement.

MODEL sheet, CRR binomial tree: six step counts from 10 to 1,000, each price beside Black-Scholes and the gap
The convergence table. The gap falls at every step count, from 0.243 at 10 steps to 0.0025 at 1,000.

Là où l'arbre est la seule option

Le put américain, OPT-7, n'a pas de forme fermée. Sa valeur, 8,307, vient entièrement du treillis, et deux contrôles la soutiennent.

L'exercice anticipé ne peut pas valoir moins que zéro. La valeur américaine doit être au moins la valeur européenne sur les mêmes termes. Ici 8,3073 contre 7,9160, une prime de 0,3913. Le contrôle est unilatéral pour une raison : une prime d'exercice anticipé négative n'est pas une petite erreur, c'est une impossibilité.

Le treillis a convergé. N=200 donne 8,307296 et N=100 donne 8,301168 : un écart de 0,0061, soit environ 0,07 % de la valeur. C'est le chiffre que la feuille des limites cite comme erreur de discrétisation, et c'est la raison pour laquelle le prix américain doit être lu à trois chiffres significatifs plutôt qu'à six.

L'avertissement sur la convergence CRR irrégulière

La feuille des limites du classeur contient une note que la plupart des tableaux de convergence n'énoncent jamais :

> La réduction de l'écart à chaque nombre de pas est observée ici, mais la convergence CRR est O(1/N) et peut osciller quand le prix d'exercice se situe entre les nœuds. Ne lisez pas la réussite comme un théorème général ; elle tient pour ces six nombres de pas et ce prix d'exercice.

C'est le bon niveau de prudence. Les arbres CRR produisent des motifs d'erreur en dents de scie quand le prix d'exercice tombe entre deux nœuds, parce que le coude du paiement de l'option tombe à des distances différentes du nœud le plus proche selon le nombre de pas. Ici, le prix d'exercice est à la monnaie et les six nombres évitent le pire.

Un lecteur qui veut la garantie devrait exécuter des nombres de pas adjacents (199 et 200, par exemple) et confirmer qu'ils sont proches. S'ils diffèrent de beaucoup plus que l'attente O(1/N), le prix d'exercice tombe malencontreusement entre deux nœuds et une moyenne des pas impairs et pairs, ou une paramétrisation différente, est la solution.

Ce que le tableau de convergence établit

L'arbre et la forme fermée concordent avec un écart qui se réduit au taux prédit, et les deux méthodes d'évaluation de l'arbre concordent à 10⁻¹⁴. C'est la preuve que le codage du treillis est correct.

Rien de tout cela ne prouve que le modèle valorise correctement l'option, parce que la forme fermée à laquelle il est comparé utilise la même entrée de volatilité. La comparaison est conditionnée à l'entrée partagée : un σ faux déplace les deux méthodes ensemble, donc la concordance teste le treillis, pas l'entrée. C'est la limitation structurelle de chaque contrôle de ce classeur, et la raison pour laquelle l'article d'intégration replace les 17 contrôles dans ce contexte. La forme fermée vers laquelle le treillis converge est couverte dans le volet analytique contre numérique, et les sensibilités qui en sont calculées dans l'article sur les Grecques. La liste intégrale des 17 contrôles se trouve sur la page des produits dérivés.

À six nombres de pas, Mica exécute le treillis dans la même feuille ; le tableau de convergence suit donc les entrées. Six nombres dans une feuille, c'est l'approche de modélisation Excel qui rend le motif visible.

Cette série de validation de modèles utilise des cas synthétiques à des fins de démonstration méthodologique. Elle ne constitue pas un conseil en investissement, fiscal ou juridique.

Dernière mise à jour : 2026-11-01 · Vérifié en interne ; non audité indépendamment. · Méthodologie et revue

Tam
Tam

Tam is the Founder & CEO of MINDLINK TEC LTD, an AI creator and product builder building creative AI tools including Mica and Bobi.


Mica

IA locale pour des feuilles de calcul plus intelligentes. Automatisez vos flux de travail Excel en langage naturel.

Contact

E-mail : service@mindlink.tools

Société : MINDLINK TEC LTD

© 2026 MINDLINK TEC LTD. Tous droits réservés.