Vous êtes sur la page 1sur 33

Un moment de lexprience probabiliste

Thorie Thorie des processus stochastiques et pratique dans les marchs financiers*

Nicole El Karoui
Discussion : Michel Armatte

Prisme N 17 Novembre 2009

Ce texte est tir du sminaire de Nicole El Karoui au Centre Cournot Lautonomisation des probabilits comme science dont Michel Armatte tait le discutant et dont Delphine Chapuis a assur la retranscription. Le film du sminaire peut tre vu en ligne partir du site www.centre-cournot.org. Nicole El Karoui est professeur de mathmatiques appliqus lUniversit Pierre et Marie Curie (Laboratoire e probabilit et modles alatoires) et lcole polytechnique (Centre de mathmatiques appliques). Michel Armatte est chercheur au Centre Alexandre-Koyr et matre de confrences lUniversit Paris-IX.

Centre Cournot pour la Recherche en conomie Novembre 2009

Sommaire 1. Les processus alatoires dans les annes 1970-80 ................................ 7


a. Le contexte du dveloppement des probabilits en France la fin des annes 60 .... 7 b. Quest-ce que nest pas un probabiliste, au moins dans lEcole franaise ? ............. 9 c. Un retour sur le mouvement brownien ................................................................ 11

2.

Lautonomie des processus en temps continu ...................................... 13


a. b. c. Les enjeux du formalisme.............................................................................. 13 Le calcul diffrentiel stochastique .................................................................. 16 La simulation ............................................................................................... 18 Lexprience des produits drivs ................................................................... 19 De nouveaux problmes, de nouveaux concepts .............................................. 20

3.

Comment je suis devenue applique ............................................. 19


a. b.

4. 5. 6.

Conclusion ...................................................................................... 24 Commentaires de Michel Armatte....................................................... 26 Rponses de Nicole El Karoui ............................................................ 33

Les probabilistes sont souvent intresss par lhistoire de leur discipline, plus rarement par les questions fondamentales quils pourraient se poser autour des faits quils modlisent. Un ouvrage comme La socit du probable et notamment larticle de Glenn Shafer1 clairent une partie de mon exprience dans le domaine des probabilits depuis exactement quarante ans, cest--dire la fin de mon DEA de probabilit en 1968. Ils minvitent prsenter mon propre point de vue. Jai eu la chance de participer un moment extraordinaire du dveloppement des probabilits, et plus prcisment de la thorie des processus stochastiques. Cela reste une priode inoubliable pour moi. Javais cette poque-l le sentiment de voir la science, les probabilits, en train de se faire. Un peu par hasard, il faut bien le dire, jai bascul il y a une vingtaine dannes du ct des utilisateurs des probabilits, en mintressant un secteur particulier de la finance. Dans ce texte, jessaie dvoquer ce qui ma intresse dans la dmarche et dans cet aspect de la finance sur lequel je continue travailler aujourdhui. Mon expos est dabord celui dune probabiliste pure et dure, puis celui dune probabiliste applique.

1. Les processus alatoires dans les annes 1970 197070-80


a. Le contexte du dveloppement des probabilits en France la fin des annes 60 Quest-ce qui a encadr et accompagn ma recherche sur les processus stochastiques quest-ce quun probabiliste ? Cest quelquun qui ne se pose pas (trop) de questions autour des probabilits, quelquun qui est tomb dedans . La plupart de mes collgues a en effet toujours adhr immdiatement aux probabilits comme un mode dexpressions et de rponses aux questions relatives lincertain. Un probabiliste, cest aussi un thoricien tomb dans le monde magique des probabilits, o la rigueur sintroduit dans le monde du hasard : cest un sentiment que jai souvent partag. Lanecdote suivante est lourde de sens : selon le rsultat dun sondage entre nous, la plupart de ceux qui ont fait de la recherche en probabilits nont jamais eu de cours sur les probabilits finies, ni sur le dnombrement. Heureusement pour nous, parce quil est sr que nous ne nous serions pas engags dans les probabilits par la suite ! Cest plus laspect modlisation qui nous a motivs. Pour les probabilits en temps continu (je ne dcris pas le spectre de tous les gens qui ont fait des probabilits, mais lexprience que jai eue et qui correspondait un grand
7

moment en France, alors la premire dans ce domaine), il y avait deux lieux privilgis. Je dis bien privilgis car la recherche en probabilit se dveloppait dans dautres sites, mais les lieux les plus importants taient dun ct le Laboratoire de probabilits de lUniversit Paris-VI et le Centre de mathmatiques de lUniversit Louis-Pasteur Strasbourg. Rcemment, la localisation de probabilistes sest diversifie lEcole normale suprieure, Grenoble, Orsay, Rennes, Toulouse En 1968, au dbut de ma thse, le laboratoire de probabilits tait situ linstitut Henri Poincar. Cet institut a toute une histoire qui nous intresse puisquil a t cr avec le concours de lEtat par la Fondation Rockefeller et grce une donation de la famille Rothschild en 1928, pour promouvoir le calcul des probabilits et de la physique mathmatique, dune part, et la physique thorique dautre part . Il y avait donc une mention spciale pour la thorie des probabilits dans ce contexte-l. Depuis cette priode, lactivit de recherche probabiliste sest intensifie et structure via notamment la cration dune Unit de recherche du C.N.R.S. en 1960 et du Laboratoire de probabilits en 1969. Cest probablement lun des plus grands laboratoires du monde pour ce qui est de la concentration probabiliste, puisquil y a pratiquement quatre-vingt chercheurs et enseignantschercheurs permanents en ce moment dans la rue du Chevaleret. De lautre ct, le ple autour duquel une grande partie de la recherche sur les processus stochastiques sest dveloppe tait localis Strasbourg autour de Paul-Andr Meyer, directeur de recherches au CNRS. Lactivit y tait trs intense et elle perdure. Elle sest notamment exprime travers la publication du Sminaire de probabilits 2 : le choix tait de publier trs vite les rsultats nouveaux, qui ne pouvaient paratre que sous le contrle de Paul-Andr Meyer : il rvisait tous les articles et rcrivait ceux qui lintressaient. Cette politique de publication a eu un impact international trs important et a largement contribu faire connatre lEcole franaise, bien que pendant longtemps les articles taient crits en franais. Le sminaire a commenc en 1967 et il continue aujourdhui, mais depuis quelques annes langlais est devenu dominant. Il vient dailleurs dtre numris dune manire remarquable. Quand on cherche maintenant des articles du sminaire sur un moteur de recherche, ils sont souvent parmi les premiers cits sur la liste des sujets. Du coup, il y a eu un retour dinformation trs important autour de ces publications. Ce nest pas fondamental, mais cest assez rare dans le domaine de la publication scientifique. Dans le contexte actuel de la valorisation de la recherche, cela ne serait plus possible, car actuellement les articles du Sminaire sont comptabiliss comme des actes de Congrs, bien que la plupart soit constitue de premiers rsultats
8

En 1970, lEcole franaise est pionnire dans le domaine des probabilits des processus stochastiques, aux cts de lEcole nord-amricaine particulirement active dans les annes 1950, et dont les symposiums de Berkeley (1950, 1955, 1960) qui rassemblaient les meilleurs du domaine permettaient de faire priodiquement le point des avances thoriques. Les Ecoles russe et japonaise taient aussi trs actives, mais les changes sont pendant longtemps rests trs difficiles avec les mathmaticiens de lUnion sovitique. Ils ne se sont ouverts qu partir des annes 1960 avec le Japon. Beaucoup des travaux taient publis dans des revues locales, dans leur langue dorigine (les probas en japonais, cest dur !). Il fallait attendre leur traduction au moins deux ans aprs leur publication. Je parle de thoricien des probabilits et non de mathmaticien. En 1968-70, faire des probabilits ce ntait pas faire des mathmatiques pour la communaut mathmatique pure , et il tait interdit aux normaliens (mais pas aux normaliennes !) daller faire des probabilits. Jtais pour ma part assistante Orsay, et quand jai soutenu ma thse dEtat en 1971, le jury ma dit Ah, mais ce nest pas du dnombrement ? . Les probabilits taient encore dnonces la fin des annes soixante-dix comme une sousdiscipline, par J. A. Dieudonn par exemple. Dans les annes 1980, lexplosion des applications des probabilits lanalyse est perceptible, dans le calcul de Malliavin notamment. Les probabilits ont eu alors pignon sur rue en mathmatique. En 2006, Wendelin Werner a reu la premire mdaille Fields dcerne un probabiliste dans lhistoire de cette discipline. Les probabilits ont ainsi t consacres comme une branche des mathmatiques pures et appliques, mme si en France lappliqu reste peu dveloppe. b. QuestQuest-ce que nest pas un probabiliste, au moins dans lEcole lEcole franaise ? Par dfinition, un probabiliste ne soccupe pas des applications, il ne soccupe pas des donnes. Il fait de la thorie pure et dure. Il est aussi mprisant par rapport aux statisticiens que le sont les mathmaticiens purs par rapport lui. Cest surprenant car les probabilits, enfin surtout les probabilits en temps continu, ont toujours t, on va le voir, motives par des phnomnes rels. Dans notre communaut, les phnomnes dignes dintrt sont issus de la physique. Aujourdhui la biologie a acquis son tour le statut de domaine noble, mais pas les sciences sociales, au sens trs large du terme. Ce ne sont pas les proprits quantitatives des modles qui intressent le probabiliste, puisque de toute faon il ne les met pas lpreuve des donnes. Ce sont davantage les proprits qualitatives, qui sont souvent dduites de rsultats asymptotiques complexes. En ce
9

sens, il est un mathmaticien analyste standard. Un probabiliste ne se pose pas des questions appliques mais des questions thoriques. Dans les annes 1970-1980, les questions thoriques taient dune ampleur telle quelles pouvaient occuper pas mal de gens. Cela continue, mais sur un spectre maintenant incroyablement large. Jai quitt le laboratoire de probabilits pour aller lEcole polytechnique il y a une dizaine dannes, et je pense que je ne comprends plus rien aux deux tiers des thmes de recherche du laboratoire aujourdhui. Lexplosion des probabilits tait perceptible dans de nombreux champs dapplication, que ce soit des domaines proches des mathmatiques comme linformatique, le traitement dimages, ou de proches compagnons comme la physique. Plus rcemment, leur irruption en biologie contribue interroger le vivant sous un angle tout fait nouveau3. Le Sminaire Les probabilismes atteste clairement de cet tat de fait et ractualise les questions de Cournot dans une interrogation multidisciplinaire. Comment rsumer mon exprience de recherche thorique autour des processus stochastiques dans les annes 1970-1980 ? Un processus stochastique, surtout pour nous, est un processus index par le temps suppos rel. On dit continu par opposition au temps discret (fini ou dnombrable). Un exemple typique tait le mouvement brownien mais de nombreux autres processus avaient t tudis. Rappelons que la premire description du mouvement brownien est luvre du botaniste cossais Robert Brown la fin des annes 18204. Trs spectaculaire pour moi, notamment par rapport mon activit future est la thse de mathmatiques de Louis Bachelier, intitule Thorie de la Spculation, et dfendue la Sorbonne en 1900 devant un jury prsid par Henri Poincar. Contrairement ce qui se dit parfois, Bachelier na pas introduit le mouvement brownien pour modliser des cours, il ne parle pas dhistoriques de donnes. Son propos est de dfinir une axiomatique abstraite des prix des contrats qui garantissent des oprations dans le futur, comme lachat dune action. Il montre quil est ncessaire de penser que laction se comporte comme un mouvement brownien pour que des transactions aient lieu. Cest une dmarche trs proche de la dmarche actuelle, puisquil ne teste son modle qua posteriori sur les prix de contrats. En prise directe avec lobservation, la description par Einstein en 1905 du mouvement des particules qui diffusent sous les chocs des atomes nest plus une rponse de type la particule va se trouver tel endroit au temps t , mais seulement la probabilit pour que la particule se trouve au temps t dans une petite boule autour de cette position vaut tant . A ce phnomne physique bien rel, il donne une rponse probabiliste. Wiener, en 1913, introduit ensuite le mouvement brownien comme forme de brouillage dans les signaux de transmission5. En dehors de lexception due Bachelier, lintroduction des processus
10

stochastiques vient essentiellement de la physique de la priode davant-guerre. Les dbuts de modlisation de ces processus sont nombreux. Les tournants dcisifs sont raliss par Andrei Kolmogorov en 1933, avec lintroduction de ce que lon appelle lespace de probabilit6, puis par Paul Lvy7. Probabiliste particulirement actif, P. Lvy a eu des intuitions extraordinaires sur le comportement dans le temps des phnomnes alatoires. Lcole franaise des processus stochastiques sest vraiment construite dans la ligne de ses travaux. Dans les annes 1960-1970, on avait tendance dire quune grande partie des probabilistes passait son temps redmontrer de manire rigoureuse des rsultats qui avaient t noncs par Paul Lvy. Il est vrai que dans les annes 1930, la notion de preuve ntait pas la mme ; elle tait plus formalise aprs-guerre. c. Un retour retour sur le le mouvement brownien brownien

Sur le schma ci-dessous, jai trac des trajectoires de ce que lon appelle le mouvement brownien . Que signifie une trajectoire ? Cest lvolution dun phnomne au cours du temps, dont on regarde le mouvement. Les trois trajectoires reprsentent ici les possibilits dvolution dun mouvement brownien, cest--dire que les

11

caractristiques de ce que lon simule sont exactement les mmes. Cela montre que lintuition du comportement individuel dune trajectoire ne va pas de soi. Quelles sont les caractristiques de ce que lon voit ? Il sagit dun mouvement tout fait erratique, qui change rapidement. Les changements de pente sont trs importants et surtout trs frquents. Il y a ensuite un lien entre les mouvements en temps et les mouvements en espace, cest l une des caractristiques de ce phnomne. Cela donne une certaine intuition des phnomnes que lon cherche modliser. Jean-Franois Colonna, auquel jemprunte cette image, est un spcialiste de la modlisation numrique au Centre de mathmatiques appliques de lEcole polytechnique, il a beaucoup tudi la reprsentation

fractale et en prsente ici une illustration particulire. Il sagit du graphe dun mouvement brownien en deux dimensions, quand il diffuse dans le plan : les diffrentes nuances reprsentent les volutions au cours du temps de certains de ces phnomnes.

12

2. Lautonomie des processus en temps continu Lexpos du sminaire dont ce texte est tir portait sur lautonomisation progressive des probabilits des processus en temps continu. Pour les rendre autonomes, il fallait tout dabord leur trouver un cadre conceptuel dans lequel on allait pouvoir rflchir ces objets. Il sagissait de courbes (fonctions), et non plus des points, des variables ou des vecteurs. On pense lobjet comme une courbe. Une courbe est nettement plus complexe quune suite, pour des raisons sur lesquelles jinsiste un peu. La premire tape tait donc davoir des concepts et des outils qui permettent de rflchir ces objets. A. Kolmogorov introduit le premier un formalisme acceptable pour aborder ces questions. Ce formalisme fait souffrir les tudiants qui les probabilits sont enseignes pour la premire fois. Ils se demandent en effet pourquoi ce clbre espace de probabilit est introduit : pour lespace des preuves, , A pour la tribu des vnements et P la probabilit qui mesure les vnements, puisque pour la plupart de ces tudiants, on ne va pas changer densemble A ; ils en dduisent logiquement que cela ne sert quasiment rien. Jai retrouv linstitut Henri Poincar les comptes-rendus du sminaire de probabilits de laprs-guerre et de 1950 et 1953 (il a dbut dans les annes 1930). Ce qui est amusant, cest que ces comptesrendus commenaient toujours par Mr. Untel a justifi pourquoi il introduisait lespace (, A, P) alors que cette notion fait maintenant partie de la base du premier enseignement des probabilits. Ce pas dans la modlisation a t extrmement important. a. Les enjeux du formalisme Progressivement, la notion de structure dinformation est introduite lorsque les phnomnes se droulent au cours du temps. Ils sont alors envisags comme une courbe qui se construit au fur et mesure, ce qui signifie quil y a une information utilisable (un apprentissage) sur lvolution du phnomne au cours du temps. Par consquent, si on sait ce qui sest pass jusqu la date t, on peut mieux anticiper ce qui se passe aprs. Lorsque le phnomne tudi est markovien 8, cest--dire que la connaissance de la valeur dun actif un moment donn suffit rsumer pour le futur toute linformation passe, cet apport est important, mais pas dcisif, car lintuition suffit souvent conclure (mais pas dmontrer). Dans les annes 60, apparat la ncessit de sortir de ce contexte parce que de nombreuses fonctions alatoires, comme les martingales, ne satisfont pas ce genre de proprit. On a dvelopp de nouveaux outils et un meilleur formalisme, de plus en plus abstrait et difficile manier et enseigner.
13

Un de nos outils stratgiques, qui devient en quelque sorte linstrument de lmancipation par rapport aux autres thories mathmatiques est la notion de martingale . Avec cette notion, le probabiliste Joseph Leo Doob contribue signer dans les annes 50 la mort du principe de Cournot9, comme lexplique trs bien Glenn Shafer dans son article10. En effet, il nest plus ncessaire de rpter une exprience alatoire et dutiliser les frquences pour estimer les probabilits, ainsi que les fluctuations autour des nombres trouvs. Le mme genre de rsultats peut tre obtenu avec des processus alatoires, dont les seules proprits exiges sont les suivantes : soit la connaissance de la structure dinformation jusqu la date t, la meilleure estimation de ce qui va se passer la date t+h, meilleure en un sens non prcis, cest--dire la moyenne en quelque sorte, cest la valeur observe ici. Cest la dfinition de ce que lon appelle une martingale. Elle fait rfrence aux jeux de hasard mais mathmatiquement, ce sont des processus que lon retrouve dans un grand nombre de situations, avec des motivations fort varies. Un certain nombre dlments rapparat, en correspondance avec les rsultats universels de la probabilit classique, centrs autour des deux grands thormes que tout probabiliste utilise avec lide leurs applications. Ces thormes sont aussi perus dans la motivation dun traitement des donnes et sur lequel la discussion de Cournot est particulirement intressante et pertinente. Le premier est celui que lon appelle la loi des grands nombres : si lon rpte suffisamment une exprience alatoire, en faisant la moyenne des rsultats, on a une ide de lincertain, de la quantit quon regarde et de sa valeur moyenne. Les fluctuations autour de la moyenne sont gres par le principe universel, de la loi de Gauss et de certaines de ses extensions. Il y a des lois universelles et leur existence fait que mme si on ne connat pas la loi du phnomne tudi, on peut dire un certain nombre de choses sur son comportement grce ces rsultats asymptotiques. Dans le cas des martingales, J. L. Doob montre quon peut encore passer la limite, et que, lorsque la limite est une constante, on obtient toujours des rsultats de fluctuations gaussiennes, qui permettent de contrler la vitesse de convergence. Dautres rsultats universels existent, sur lesquels la rflexion a beaucoup progress depuis des annes ; ils concernent les comportements extrmes, encore appels vnement rares, c'est--dire les vnements de petite probabilit. Ces questions replacent le principe de Cournot au centre du dbat puisque ce principe propose de les considrer comme non ralisables dans la pratique. J. L. Doob a montr que dans la thorie des martingales on avait toujours un contrle des vnements rares , lis aux grands carts, dans la mesure o on
14

peut contrler la probabilit que le maximum absolu dpasse un seuil donn par une quantit proportionnelle la variance de la valeur terminale de la martingale contrle par 1/. Dans les marchs financiers, depuis les travaux de Benot Mandelbrot, dans les annes 60 et de beaucoup dautres ensuite, on sintresse de prs ces vnements rares. La crise financire relance lintrt pour ces questions. Le mouvement brownien apparat dans tout un tas de situations, trs diffrentes : la biologie, la physique, les marchs financiers, le traitement du signal Un mouvement brownien est quelque chose qui se reproduit au cours du temps avec une certaine stationnarit, cest lhypothse essentielle, et qui a de lindpendance, cest donc souvent une reprsentation du bruit qui peut apparatre au cours du temps. Comme ce mouvement est la somme de ces accroissements, on peut lui appliquer la loi des grands nombres et les thormes de fluctuation. Sans surprise, les distributions gaussiennes apparaissent une fois de plus. Cela caractrise le mouvement brownien. Enfin ce nest pas tout fait juste car les processus accroissement indpendant, stationnaires, peuvent tre autre chose quun mouvement brownien. Il y a une sorte de contrle de la vitesse de convergence qui dit si on va plutt vers un phnomne continu ou vers un phnomne sauts. Selon la proprit de stationnarit, ce bruit est centr et sa variance proportionnelle au temps. Par son caractre gaussien, on peut donc connatre la probabilit que le mouvement brownien se trouve dans un tat y la date t sil est parti de zro, grce la densit gaussienne de variance t, dont le graphe est la clbre courbe en cloche. Cette densit gaussienne a la proprit remarquable de satisfaire une quation aux drives partielles du second ordre (ce que lon peut vrifier la main), connue sous le nom dquation de la chaleur. La prsence de termes mettant en jeu des drives secondes (du second ordre) nest pas surprenante, car dans ces phnomnes trs fluctuants, mme sur de trs petits intervalles de longueur dt, le moment dordre deux est en dt, alors que dans les phnomnes diffrentiels ordinaires, cest le moment dordre 1 qui a cette proprit. Dans les annes 1970 et 1980, cela fait longtemps que lon tudie les phnomnes en temps continu, browniens entre autres. Ils apparaissent modliss dabord par N. Wiener pour les tlcommunications puis A. Kolmogorov dans les annes 1930 ; P. Lvy a dcrit normment de choses sur les processus qui portent son nom, cest lanalogue du brownien mais a saute . Des choses trs subtiles et assez compliques ont donc t tudies. Puis, partir des annes 1940, il y a toute une activit qui se met en place, notamment autour des coles russe et japonaise.
15

Pour tudier ces phnomnes, on utilise beaucoup jusquaux annes 60 le lien entre les processus de Markov et la thorie des semi-groupes notamment. Les dveloppements de ces thories sont dailleurs anciens et la rfrence des thories mathmatiques mieux constitues permet davancer dans la comprhension des phnomnes, afin en particulier dobtenir des rsultats asymptotiques. Puisquon fait rfrence une thorie dterministe, les quantits tudies sont du type, valeur moyenne de certaines variables dpendant du processus tudi. A partir des annes 50, en sappuyant sur la thorie des martingales, toute la rflexion probabiliste sur les processus essaye de promouvoir ce quon peut appeler les trajectoires et le travail sur ces trajectoires. Quel est lintrt de cette dmarche ? Quel genre doprations peut-on faire sur les trajectoires ? De nombreuses trajectoires sont intuitives, dautres le sont moins : arrter ou faire renatre une trajectoire un temps bien choisi, recoller des trajectoires, les dcaler dans le temps une plus grande libert est acquise, qui est aussi infiniment plus fructueuse. On essaie donc de quitter le monde dterministe qui permet danalyser et de faire des calculs : thorie du potentiel, semi-groupes, etc. pour essayer de se centrer sur les trajectoires. Ce nest pas une trivialit, car il est beaucoup plus compliqu de penser lala dune courbe que de penser un phnomne discret qui se reproduit au cours du temps. b. Le calcul diffrentiel stochastique Le calcul intgral et le calcul diffrentiel (dterministe) ont marqu dfinitivement la modlisation des phnomnes dterministes. Cest donc naturellement que ces ides sont introduites dans le monde alatoire, bien qu premire vue les trajectoires ne paraissent pas assez rgulires : elles changent de pente tout le temps et ne sont donc fondamentalement pas drivables. Cest pourtant ce qui se dveloppe de manire trs rapide partir des annes 1940, autour dIt Kiyoshi11 dune part, de J. L. Doob dautre part. La notion dintgration (stochastique) par rapport au mouvement brownien et plus gnralement par rapport aux martingales merge. Dans les annes 50, un calcul dit diffrentiel stochastique conduit un calcul diffrentiel exact, connu sous le nom de formule dIt. La formule dIt dit comment on peut analyser une fonction dun mouvement brownien, de type martingale, uniquement en termes dintgrales stochastiques et dintgrales classiques. Elle ouvre la porte un nombre

16

infini de possibilits. Curieusement, elle constitue le fondement de toutes les stratgies financires dapplication de la finance aux produits drivs, qui mergent partir de 1970. A la base du dbat autour du principe de Cournot, se trouve la question centrale de la place respective accorde aux vnements de petite probabilit par rapport ceux de probabilit nulle. Dans la reprsentation additive des probabilits, o lon additionne les probabilits dvnements disjoints en nombre fini et on passe la limite (cest la vision dnombrable), il y a toujours en arrire plan un phnomne de stabilit qui concerne les vnements de probabilit nulle. Si vous prenez en effet une runion dnombrable dvnements de probabilit nulle, elle reste de probabilit nulle. Tous les grands thormes que lon a vu apparatre nexistent quen raison de lhypothse admise que certains phnomnes nont lieu qu un ensemble de probabilit nulle prs : l se dfinissent les notions de convergence, de presque sr , etc. Quand vous passez du discret au continu, cela ne marche plus du tout. Vous navez qu regarder lintervalle (0,1) : valuer avec la mesure de Lebesgue, qui associe sa longueur un intervalle, chaque point est de mesure nulle et quand vous rassemblez tous les points, cela fait quelque chose qui est de masse gale 1. Il y a l un grave problme technique. Lune des contributions majeures de lcole de Strasbourg a t de prciser comment rsoudre ces difficults, en utilisant des mathmatiques profondes qui sont les probabilits non linaires, appeles capacits en thorie du potentiel. Cette question tait un enjeu crucial. Elle a t au cur de la thorie qui sest dveloppe dans les annes 65-75, notamment autour de P.-A. Meyer et C. Dellacherie Strasbourg12. Ce dveloppement avait t bien sr prpar par Doob et par de nombreux chercheurs dans le monde. Cest ce que lon appelle la thorie gnrale des processus; on sait traiter les ensembles ngligeables, on sait progresser sur lanalyse de la rgularit des trajectoires et on a maintenant les outils pour rsoudre les nombreux nouveaux problmes thoriques qui surgissent. En contrepartie on sait traiter des phnomnes de plus en plus compliqus et de plus en plus abstraits. La thorie gnrale des processus a atteint un niveau dabstraction et de complexit tels quon ne peut pratiquement plus lenseigner dans les cours de troisime cycle. Progressivement, la communaut des jeunes probabilistes ne connat plus les fondements de cette thorie ; ce qui est amusant, cest de voir que les problmes de mathmatiques financires scientifiques amnent se poser des questions proches de celles qui avaient motiv la thorie gnrale des processus. On la redcouvre dune certaine manire, trente ans aprs. Les acquis de la science ne sont jamais tablis une fois pour toutes.
17

c.

La simulation

Au-del de ces aspects thoriques, il mimporte dvoquer quelque chose de tout fait fondamental pour les thoriciens et pour les praticiens. Cest ce que lon appelle la simulation Monte Carlo. Cette simulation a t renouvele dans ses capacits dapplication, grce la puissance des moyens de calcul actuels. Que signifie simuler ? Le texte comporte plus haut une illustration dune trajectoire de brownien. En 1970, je navais jamais vu une telle trajectoire. Dans le meilleur des cas, je pouvais jouer pile ou face et analyser, mais ce ntait pas trs dense. Maintenant, les trajectoires que je vous ai montres, on les simule, ce qui veut dire que lon tire des nombres alatoires et on joue ensuite un pile ou face trs serr et trs dense qui donne ce que jai montr. Cette simulation numrique change compltement la vision dun certain nombre de phnomnes probabilistes, la fois pour la thorie et pour les applications. Pour les applications, cest clair, mais du point de vue thorique tout autant, car le fait de pouvoir simuler les phnomnes tudis qui sont dune grande complexit modifie le paysage, cest le cas de le dire. La question que se pose tout de suite un thoricien porte sur la valeur et les qualits limage de la simulation. Une grande partie de la thorie classique des probabilits se rapplique ces objets simuls pour essayer den tester la qualit, mesurer lerreur et les vitesses de convergence. Ce genre de pratique est actuellement trs utilis dans la banque par exemple. Une grande partie des calculs de risque nest pratiquement plus faite que par des mthodes de Monte Carlo, qui correspondent des problmes de grande dimension, maintenant dans la rsolution des quations aux drives partielles. De manire plus surprenante, mme les problmes doptimisation peuvent tre abords avec ces outils. Pour calculer la valeur moyenne dune quantit associe un processus stochastique, lordre de grandeur des simulations ncessaires varie de cent mille un million, pour avoir un intervalle de confiance petit, cest--dire que le chiffre qui sort soit crdible. Il y a vingt ans, on ne pouvait pas faire un million de simulations, en tout cas pas sur un ordinateur personnel. On est maintenant capable de les faire et de faire beaucoup plus, dautant que ces mthodes de simulation (on tire au hasard et on rpte beaucoup de fois le mme genre de choses), se paralllisent fort bien. Des moyens de calcul puissants peuvent tre alors utiliss en parallle. Il est non seulement possible de faire du calcul mais aussi de simuler des trajectoires comme je lai fait, et de voir, par exemple, une trajectoire de brownien qui va descendre pendant trs longtemps, alors que vous croyez quelle devrait monter. Des phnomnes dans
18

les simulations, assez contre-intuitifs, deviennent ainsi observables. Cette exprimentation numrique probabiliste permet de porter un regard diffrent sur les phnomnes qui engagent la manire de raisonner des thoriciens. Rassurez-vous, au laboratoire de probabilits, qui est quand mme le cur pur et dur de la probabilit thorique, cela ne pntre que trs lentement. 3. Comment je suis devenue applique a. Lexprience des produits drivs drivs Lobjet de ce texte nest pas en soi lapplication de la thorie des processus stochastiques aux risques financiers, je souhaite expliquer pourquoi la thoricienne que je suis a t intresse par cette exprience spcifique associe aux marchs financiers. Cest une exprience que je trouve assez innovante et qui concerne un secteur particulier et limit : le march du risque financier et de ce que lon appelle les produits drivs. Que sont les produits drivs ? De quoi sont-ils les drivs ? Certains sont ngocis dans les marchs des actions, des taux de change, des taux dintrt, etc. dont on peut lire les prix facilement. Ces prix peuvent prsenter des tendances marques et par ailleurs fluctuer normment. Il ne sagit pas de se proccuper vraiment des raisons microconomiques qui expliquent la formation de ces prix ; pour permettre aux agents conomiques dvoluer dans un monde aussi fluctuant, on propose des produits financiers, qui permettent de stabiliser des oprations que ces agents sont amens faire dans le futur, soit pour des raisons oprationnelles, soit pour des raisons de gestion. Les instruments sont soit des contrats terme, ou leur version dans les marchs organiss appels contrats future, qui sont des contrats du type promesse de vente , soit des contrats qui garantissent un prix plafond, ou plancher suivant le sens de lopration. Cest ce que lon appelle des produits drivs, le dernier type tant optionnel. Ces contrats existent depuis trs longtemps, mais dans les annes 1970, aux EtatsUnis, des marchs organiss ont t crs pour promouvoir ces produits, en fiabilisant les transactions et en faisant circuler linformation sur les prix des contrats. Cela a induit une grande liquidit et un affichage des prix. Les marges des banques ont t rduites et des pertes importantes ont t enregistres. Dans ce cadre de concurrence, sans arriver mieux grer les risques, les affaires risquent de disparatre. Elles ont pourtant prospr et lactivit dans ce genre de produits atteint maintenant des nominaux extraordinaires, mmes si les
19

changes effectifs sont 10 50 fois moins levs en nominal. Les prix des produits dpendent du style de sous-jacent jacent sur lequel ils sont crits. Il y a toutefois des caractristiques communes dans la gestion de ces contrats, qui dcoulent coulent des principes que nous allons mettre en vidence. Le point de vue auquel jai t confronte est plutt celui de la banque, vendeur de contrats optionnels, qui va prendre des risques spcifiques du contrat la place de ses clients et qui doit donc grer ces risques. Voil ce quest une option ; il sagit ici dune option de vente : dans trois mois ou dans six mois vous pouvez z vendre une action ou des dollars un prix garanti dans le contrat, en ce moment cela peut tre particulirement intressant intressa puisque le march anticipe la baisse du dollar et que vous bnficiez dun un prix plancher pour la vente de votre produit. Le graphique e correspond lanalyse que faisait Bachelier : la motivation de Bachelier tait dtudier le comportement de ces prix dans le futur. La question est premirement le prix et deuximement lanalyse des risques. Cest cette dernire opration que Bachelier na pas aborde. Dans les marchs organiss, pourtant, les prix sont faits par loffre et la demande. La question fondamentale est celle de la gestion du risque. b. De nouveaux nouveaux problmes, problmes, de nouveaux concepts En 1973, les marchs commencent sorganiser et les prix des contrats deviennent publics, cela a lieu en France en 1987 (alors que ces contrats taient prcdemment traits de gr gr). La liquidit fait quon ne gagne plus suffisamment dargent sur ces marchs entendre les banques, perues comme les supermarchs de la finance : on y trouve facilement des produits simples et standardiss. Lenjeu du vendeur est de rduire ses risques ; le vendeur est exactement dans la mme position quun assureur qui garantit un risque dans le futur. Les choses se passent compltement diffremment dans le cas de lassurance. Les assureurs essaient de leur ct davoir avoir un grand nombre de clients avec le mme genre de risque, cest ce quon appelle la diffrentiation par tte. En finance, lvolution dun cours est subie e. Ses trajectoires ressemblent beaucoup aux trajectoires du mouvement brownien, avec des tendances tendance parfois
20

trs marques, en particulier la baisse. Justement, on remarque que ce nest pas le cas. Plutt que destimer les pertes potentielles dduites dune analyse statistique des cours et des comportements, une stratgie compltement diffrente est applique, on lappelle la stratgie du portefeuille de couverture. Le risque que lon assure est ainsi rput dun type trs particulier, associ un sous-jacent ngoci dans le march. Plutt que destimer les pertes, on va essayer de les rduire par une stratgie dynamique au cours du temps. Aux Etats-Unis, on tait trs sensible la notion de portefeuille dans les annes 1970, les grandes thories sur la gestion de portefeuille et la frontire efficiente venaient en effet dtre introduites par P. A. Markowitz. A priori, lide de portefeuille navait pas de raison particulire de p dans le monde des drivs. Cest donc selon moi, une rupture trs importante dans la manire daborder les problmes de risque, que dintroduire la dimension intertemporelle par lintermdiaire des portefeuilles. On ne peut diffrencier par tte, puisquon a un seul client. Le temps est utilis comme lment de couverture, une gestion dynamique est ainsi mise en place, qui sadapte lvolution du march au jour le jour, durant la dure du contrat. On nest donc plus du tout en train dutiliser une sorte de vision moyenne des pertes potentielles lhorizon de gestion. On raisonne sur des petites priodes de temps, on modifie ses stratgies en fonction des comportements passs : cest lesprit diffrentiel, analogue celui qui ce qui a t dvelopp en calcul stochastique. On a une trajectoire, on ne la connat pas, mais elle se rvle au cours du temps, on peut acheter ou vendre au cours du temps du sous-jacent. La valeur du portefeuille correspond ce quon a appel une intgrale stochastique dans le domaine des processus stochastiques. Lide est alors dessayer dutiliser linformation que lon rcupre au cours du temps pour essayer de sadapter au mieux au march de ce quon a assur afin de rduire les risques globaux de sa position. Le problme est celui dune cible alatoire : vous avez un objectif, par exemple payer quelque chose la fin et vous pouvez ngocier un certain nombre de titres suivant lvolution du march et vous allez utiliser cette stratgie pour vous approcher au mieux de la cible. Dans lesprit et mme dans les mathmatiques qui sont derrire, cela nest pas radicalement diffrent des problmes que la NASA avait dans les annes 60 pour envoyer la navette sur la lune : elle devait corriger le tir au fur mesure, en fonction des informations quelle rcuprait. Lvolution temporelle compte, linformation devient un paramtre extrmement important et ce portefeuille dynamique devient la clef de la couverture du monde des options. Il faut donc sadapter au jour le jour, utiliser le maximum dinformations, adapter sa stratgie pour essayer de sapprocher le mieux possible de la cible et rduire le risque final.
21

Vous allez faire payer un prix votre contrat que vous allez investir dans cette stratgie. Comme je lai crit, dans beaucoup de cas le prix nest pas lenjeu majeur, sauf pour des produits trs tordus : la plupart du temps on peut le trouver dans le march partir de loffre et de la demande. Le prix du contrat est aussi affich tous les jours dans le march, il aura aussi de linformation quotidienne supplmentaire, et vous allez pouvoir lutiliser. Donc en fait on rajoute linformation du march au jour le jour et on essaye dutiliser cela pour conclure.

Certes, lide est intressante mais aprs ? On sent bien la thorie, mais la question pratique du volume de dollars qui doivent tre achets au jour le jour est trs concrte. Le modle apparat la fin pour quantifier. Il nest plus un objet en soi comme dans la prvision statistique ou dans la gestion de portefeuille, dans la prvision des gains, etc. Le modle devient ce qui quantifie la stratgie entre deux dates de recalibration. Pour que cela fonctionne, on sent bien quil faut jouer la vision diffrentielle, il faut que les dates soient trs rapproches. Donc dans le march des drives, un trader est tenu de regarder son exposition au risque tous les soirs. Cela cest lchelle de temps au maximum : cela peut tre plusieurs fois par jour. Les choses apparaissent comme sur ce schma. En bleu, la ligne qui est sur le plancher reprsente la simulation dun cours. Evidemment, vous pouvez simuler jusquau bout, donc vous avez produit de linformation dont il reste juger de la pertinence. Il y a une formule qui sappelle la formule de Black et Sholes et qui vous dit combien vous devez acheter dactions pour vous couvrir. En rouge est reprsente lvolution du produit au cours du temps.
22

La cible est la rmunration de loption de vente (put) voque plus haut, cest--dire que vous avez garanti que quelquun pourra vendre un prix correct. Si la trajectoire arrive audessus du prix garanti, vous aurez payer quelque chose puisque vous vendrez perte la personne qui est derrire. Si la trajectoire arrive en dessous, le client achte ou vend son put son prix de march et vous ne perdez rien. Vous ne pouvez vous permettre de fonder votre commerce sur ah, et bien le prix que jai garanti, jai une chance sur deux quil ne soit pas atteint, comme cela je serai trs content . La question nest pas l. A droite apparaissent les montants que lon doit investir dans lactif risqu, pour rduire les risques la fin. A gauche, cest la valeur du portefeuille de couverture, qui est aussi le prix aux dates intermdiaires du produit quon a garanti. Comme on le voit sur les simulations, vous arrivez exactement au point dimpact. Cest le monde idal : vous avez russi couvrir nimporte quoi ou peu prs. Les simulations ont t faites avec un modle donn et la couverture est dduite du modle. Dans le march, on ne connat videmment pas le modle. La question est donc de savoir comment identifier le modle sous-jacent, et de la remonter au rel. Si on retient bien ce que lon a dit : il y a de linformation sur les prix, il y a de linformation sur le cours mais il ne sagit pas tellement de prdire comment cela doit bouger, mais on est en train de prdire comment on doit se couvrir entre aujourdhui et demain, puisque vous allez retrouver le prix demain. Cest ce que va faire le march, il va identifier partir des prix du march des paramtres, faire de la gestion avec ces paramtres, ce sont les paramtres implicites et puis il va mettre en place une stratgie de couverture jusqu demain et il recommence demain. Donc, le message de Black et Sholes, ce nest pas comment faire des prix, mais comment couvrir les risques gnrs par un produit financier, ce qui est radicalement diffrent des messages de gestion de portefeuille et de prvision. Lune des caractristiques de ces produits, couverts grce la stratgie dynamique est dtre trs peu sensibles la vraie tendance du march, comme Bachelier lavait montr en 1900. Par exemple, vous pouvez trouver des options de vente au dbut de lautomne 2009. La tendance gnrale est pourtant fortement la baisse et celui qui les vend, en sadaptant au march, peut rduire considrablement leffet de la tendance. En revanche, ce vendeur est expos lampleur des fluctuations. Finalement, le march des drivs, en dehors de la spculation ltat pur, cest la gestion du risque de fluctuations, donc dun risque quon pourrait appeler du deuxime ordre. Ce qui ma vraiment intresse, cest cette rupture conceptuelle dans la vision du risque et de lestimation des risques futurs quintroduisent Black, Scholes et Merton dans ce
23

contexte. Les ides taient nouvelles dans les marchs cette poque. Un acteur des marchs naurait pu le faire, non parce quil navait pas la technicit, mais parce quil est trop impliqu de la pratique du march. Cette discontinuit apparat chaque grande perce technique ou chaque nouveau concept introduit, toujours de lextrieur et souvent par des scientifiques.

4. Conclusion
La mise en pratique de ces nouvelles ides a eu un impact important dans le monde des produits drivs, elle a effectivement contribu rduire le risque spcifique de chaque contrat. La crise financire permet den douter, mme si les drivs les plus problmatiques comme les drivs de crdit restent celles dont lanalyse des risques tait la plus superficielle. Ce faisant, on a introduit de nouveaux risques, et notamment le risque du modle qui est structurellement li ce type dactivit : a priori plusieurs modles existent, qui satisfont les contraintes de calibration. En mathmatiques, on dit quon a un problme inverse mal pos. Comme ces modles engendrent diffrentes stratgies de couverture et diffrents prix, la pratique est de retenir le modle le plus simple et de provisionner la diffrence de prix maximale. Le problme de la prise de risque se pose aussi trs rapidement, comme chaque fois que lon parvient neutraliser les risques. Il est tentant den prendre plus, mais ils sont alors plus difficiles grer, dautant que le risque de deuxime ordre est en jeu. Dans les marchs, on se dit, par exemple, une fois que lon a su couvrir le produit : ah daccord, notre risque rsiduel cest la volatilit et si on faisait des produits sur la volatilit . Cela a conduit une inflation de produits, souvent trs complexes et dont lintrt financier est rduit. Un autre problme est induit par la gestion quotidienne et sous-jacente ces marchs, qui permet de vendre des produits de longue maturit. Lhorizon de chacun reste la journe, et en fait, effectivement, dans la salle, les gens sont assez insensibiliss ce qui peut se passer pendant la nuit. Ce souci quotidien peut conduire perdre de vue lensemble des risques futurs du produit, car on se projette peu six mois, un an, cinq ans, dix ans, dautant que les bonus eux aussi ramnent les enjeux des horizons dun an au maximum. Dans ce monde, les risques trs court terme ne sont pas si mal grs que cela, on ne fait pas tout fait nimporte quoi, mais lagrgation globale des risques et les consquences moyen et long terme sont peu mesurs des salles de march. Les gens ont un objectif atteindre tous les jours, ils le font,

24

mais sils ne sont pas en train de se casser la figure en posant bien le pied pour descendre, ils ne sont pas obligs de voir que la pente est savonneuse et quelle est surtout trs raide. Puisque cela marche en gros, la tentation est de transfrer beaucoup de risques aux marchs : la titrisation ou les subprimes en sont des exemples, mais ils chappent lanalyse que je viens de dvelopper, car leur principe de risque est de jouer la diversification par tte, et non intertemporelle. On fractionne les risques entre un grand nombre dinvestisseurs, qui nen supportent quune petite part, sauf si tout coup les dfauts se concentrent. Ces produits deviennent des instruments de spculation purs et, mme couverts au jour le jour, ils ne sont pas labri de grands mouvements. Ctait le cas en particulier, partir de 2003, de lexplosion de la gestion des drivs de crdit dans laquelle lactivit commenait. Toute nouvelle activit porte en elle en gnral des marges assez importantes parce que linformation qui se paye nest pas disponible en quelque sorte, et on a vu quelles ont dpass tout ce que lon pouvait imaginer. Le discours des mdias qui magnifiait les performances incroyables du systme financier dans les annes 2005, 2006, 2007, na jamais voqu le fait quil devait anticiper le cot dune crise qui devait se produire. Pendant les bulles spculatives, celui qui gagne pense quil va toujours gagner, tous les niveaux. Les probabilits lui montrent quau contraire, il lui faut devenir particulirement vigilants.

25

5. Commentaires de Michel Armatte


Ma carrire de chercheur sest droule dans une autre branche des sciences du hasard, mme si jai eu mon DEA de statistique mathmatique la mme anne que Nicole El Karoui (1968). Comme vous lavez dit, un statisticien nest pas un probabiliste et un probabiliste est un mathmaticien bien particulier. Par consquent, mes commentaires vont se situer un peu en dcalage ou en surplomb. Comme statisticien, jai exerc un mtier qui peut se rsumer par le traitement de donnes nombreuses, soit de faon descriptive et multivarie avec les outils de lAnalyse des donnes, soit laide des schmes probabilistes, qui sont des processus dans le seul cas de donnes temporelles. Les recherches sur les sciences que je mne au centre Koyr offrent un deuxime point de vue, en particulier un travail sur les modles et leur transformation dans la priode daprs guerre, dans les domaines aussi varis que la macroconomie, la finance, les transports et les tudes du changement climatique. Cest finalement du troisime point de vue, celui de lhistorien des statistiques et des probabilits que mes commentaires sont rdigs. Revenons lhistoire des probabilits. A Paris, le sminaire dhistoire des statistiques et des probabilits, voit dfiler un grand nombre de chercheurs qui ont fait des tudes varies sur les priodes les plus anciennes, par exemple du calcul des probabilits ses dbuts, avant mme parfois les fameux changes et correspondance entre Pascal et Fermat qui constituent lorigine mythologique dune gomtrie du hasard (lexpression est de Pascal) et qui explorent toutes les origines du probable. Comme vous ntes pas remont aussi loin, je rappelle juste que lon peut dabord rattacher le probable la question de lopinion probable qui fut lobjet de nombreux dbats thologiques, comme la controverse entre jsuites et jansnistes qui est au cur des Lettres provinciales de Pascal. En appliquant cette vision notre conomie financire daujourdhui on retrouverait la notion dexpertise, lopinion faisant autorit, et conduisant des valuations et des probabilits subjectives associes la tradition de la probabilit des tmoignages et des jugements . Ny a-t-il pas encore aujourdhui dans les salles de march des dcisions qui se prennent sans calcul, sur la foi dexpertises autorises de gens qui connaissent intimement les marchs ? Une deuxime piste possible consiste suivre lmergence de lesprance mathmatique dans lide dun juste prix, ou plus gnralement des contrats alatoires, qui se rpandent au XVIIe aussi bien dans le commerce, dans le droit que dans les assurances. Notre sminaire fut fond lEHESS par un mathmaticien G-T. Guilbaud et un philosophe E. Coumet, auteur dun trs bel article intitul Le hasard est il n par hasard ? . Tous deux ont
26

beaucoup travaill sur les contrats alatoires. Le prix dun actif financier est-il une forme de contrat alatoire comme lest le contrat assurantiel simple, auquel vous avez fait rfrence, pour lequel la prime dassurance reprsente lquivalent dune loterie dont on cherche lquivalent certain, et pour lequel on cherche aussi rduire les risques par mutualisation ? Vous avez montr que cela est une interprtation valide pour certains produits financiers, mais ne lest plus dans le cas des options. La logique ny est plus la logique assurantielle de rduction des risques par mutualisation, mais dans celle de non-arbitrage par un portefeuille dit de couverture, quivalent chaque moment la loterie intertemporelle de loption, qui suit la cible mobile de sa valeur fondamentale, permettant la banque dquilibrer sa gestion sur chaque option et non pas globalement par compensation. Il est intressant que vous puissiez nous confirmer cette diffrence essentielle. Une troisime signification du probable trouve son origine dans les sciences dobservation et dans la thorie des erreurs. Cest une source norme de thorisation, de construction du probable : on saperoit que lerreur pourrait tre modlise par la notion de variable alatoire, assez lentement dailleurs parce que ce nest pas vident didentifier erreur et hasard. Il faut faire le tri entre erreur systmatique et erreur accidentelle, ce qui reste quand on a tout expliqu. Et l, les multiples causes qui peuvent jouer fabriquent la merveilleuse loi du hasard , la loi de Moivre, de Laplace et de Gauss. Celle qui justifie le plus facilement lemploi des moyennes et des moindres carrs pour extraire des observations la vraie valeur. Que cette loi normale soit aussi celle des valeurs boursires est une affaire qui fait controverse aujourdhui puisque lon redploie la critique de Mandelbrot des annes 1960 qui contestent que les prix des actifs suivent des lois normales et des processus browniens. Tout cet arrire-plan historique, les probabilistes et les financiers sen fichent un peu. Ils nont quune envie cest de sen dtourner. Pour eux, cest une prhistoire de la probabilit dans laquelle celle-ci nest pas dfinie proprement. Le fondement de la probabilit chez Huyghens et Laplace par exemple, partir du rapport des cas favorables sur les cas possibles, est totalement circulaire puisquil a comme condition que ces cas sont quiprobables. Cest la mme circularit qui se retrouve dans la loi des grands nombres de Bernoulli, o il y a deux fois le mot probabilit et donc on ne voit pas comment cela peut servir dfinir une probabilit. La coupure de ces fondements instables intervient bien avec Kolmogorov, la thorie de la mesure et la notion de borlien et surtout une dfinition axiomatique qui vacue les questions de signification et dusage. Ds lors, ma question nest pas comment on peut fonder correctement, axiomatiquement, la mesure de probabilits, mais quest-ce quon vacue quand on le fait,
27

quest-ce qui reste dintressant de ces dbats sur les interprtations du probable ? En tant que probabiliste qui ne soccupe pas des applications ni sans doute des interprtations, vous proposez peu de rponses dans votre expos, parce que comme thoricienne, vous ne vous souciez que des proprits formelles de vos objets, des processus stochastiques dfinis de telle ou telle faon, et pas de leur smantique ni de leur pragmatique. Nanmoins, vous avez sans doute une ide sur ces choses, ne serait-ce que pour les enseigner ou pour les appliquer ensuite la finance, ce qui a constitu la seconde partie de votre carrire. Dans le domaine qui est le vtre aujourdhui, que signifie interprter une probabilit ? Quelle est la nature du hasard qui est derrire une probabilit ? Est-elle est pistmique c'est--dire lie notre mconnaissance des causes comme le pensait Laplace ? Est-elle ontique, c'est--dire intrinsque aux phnomnes physiques, biologiques ou conomiques comme le pensrent Maxwell et Darwin en 1859 ? Nest-elle ni lun ni lautre ? Est-elle une proprit logique comme le voulait Keynes? La probabilit elle-mme qui est la mesure du risque est-elle objective comme le voyait Cournot ? Est-elle subjective ? Ou bien est-ce que lon se moque vraiment de ce dbat sur le type de hasard invoqu, parce que ce qui importe cest de pouvoir calculer avec des modles, oprationnels, opratoires, voire performatifs comme disent certains. Finalement, quelle que soit la nature du hasard, le principal serait de le dominer. 2. Ma deuxime observation porte sur lautonomisation des probabilits . Quand on sautonomise, cest quon se spare de quelque tutelle. De laquelle exactement, des mathmatiques ? Comme vous lavez bien expliqu, il est vrai que le calcul des probabilits fut longtemps une branche des mathmatiques mal vue des mathmaticiens du XIXe sicle et encore de la premire moiti du XXe. Ce calcul navait pas des fondements trs solides et, surtout, il tait lobjet dapplications juges abusives : la confiance que lon pouvait donner des jugements ou des tmoignages, par exemple. Dans les annes 1950-1960, qui furent celles de notre jeunesse, ce rejet fut amplifi, vous avez raison de dire que lenvironnement bourbakiste ny fut pas indiffrent. Des travaux dhistoriens lattestent aujourdhui. On peut en trouver des traces dans le Journal lectronique d'Histoire des Probabilits et de la Statistique13 : les bourbakistes ont retard le dveloppement des probabilits. On peut alors parler dune autonomisation du calcul des probabilits en tant que tel, par rapport lanalyse mathmatique, qui par exemple lhbergeait dans la plupart des classifications bibliographiques. Cette autonomisation du calcul des probabilits pourrait tre aussi, dans votre expression, une autonomisation par rapport aux champs dapplication qui se sont longtemps
28

confondus avec cette spcialit. Vous avez tendance dfinir ce domaine comme un domaine de science pure ayant sa propre logique de dveloppement, mais quon peut aussi appliquer certains domaines, comme vous lavez fait avec la finance dans une deuxime partie de votre carrire. Ce domaine des processus stochastiques a nanmoins son autonomie propre, et en particulier il y aurait peu deffets de retour de ses applications sur ce champ des mathmatiques pures. Selon vous, il ny a pas de possibilit, pour quelquun qui est en salle des marchs, dinventer ce que les mathmaticiens inventent. Je nuance votre propos, dans la mesure o les notions de science pure et dapplication me semblent incorrectes pour ceux qui observent ce qui se passe dans la finance de march. Des mathmaticiens affirment quune grosse partie des mathmatiques est motive par un problme rel, pris dans un domaine extrieur aux mathmatiques. Les tudes sur la science, les sciences studies que lon pratique dans mon laboratoire disent que la science universitaire du XXe sicle nest pas isolable des oprations industrielles ou gestionnaires quelle favorise. Il ny a plus aujourdhui que des technosciences qui sont des ingnieries. La finance est typiquement une branche de lactivit conomique devenue une industrie intgrant tout autant de mathmatiques que le calcul dun pont. Pensez-vous que lautonomisation des mathmatiques des processus est encore relle par rapport aux champs dapplication comme la finance ? Ce champ des processus stochastiques continus, est-il vraiment indpendant des progrs de la finance et du rle de celle-ci dans le rgime conomique que lon connat depuis les annes 1990 ? Est-ce quon ne pourrait pas dire au contraire que ce champ a profit de linnovation financire, quil lui doit ses problmes, ses solutions et ses outils logiciels ? Enfin, cette autonomie pourrait tre professionnelle et revendique linverse par les financiers. Certains dentre eux ont en petit nombre rclam la possibilit de pouvoir se passer des mathmaticiens pour faire leur mtier. Dautres spcialistes de la finance de march, plus nombreux, ont revendiqu une totale autonomie par rapport la science conomique, dont ils ne veulent plus tre une branche. Selon Nicolas Bouleau la finance tait dabord une branche de la thorie conomique, mais la fcondit extraordinaire des innovations mathmatiques (et tout particulirement de lintgrale dIt) ont fait merger une ingnierie nouvelle, dveloppe par les banquiers et les mathmaticiens, totalement indpendante de lconomie, jusquau moment o les pseudos prix de la banque de Sude ( Nobel dconomie ) ont permis de rintgrer ces innovations14. Dans les universits, les cursus de finance se sont parfois mancips la fois des mathmatiques et de lconomie pour tre des filires de gestion ou des cursus autonomes. Aujourdhui, on retrouve cette revendication dautonomie du systme financier dans la distinction forte faite souvent entre crise financire et crise conomique. Cest
29

ma deuxime question : que pensez-vous de ces rapports complexes entre mathmatique des processus, conomie et finance ? Quelle autonomisation du calcul stochastique avez-vous en tte ? 3. Ma troisime srie de remarques concerne la question du rapport entre la mathmatique des processus continus et la ralit des marchs daujourdhui. Dans quelle mesure les modles refltent-ils bien la ralit de ces marchs ? Cette ralit nexiste-t-elle pas indpendamment des modles, parce que cest eux qui crent en grande partie le comportement des modles, entre ralisme et constructivisme ? Plus concrtement, je fais rfrence leffet Pygmalion et la proprit de prophtie autoralisatrice de la plupart des modles en conomie et en finance. Tout le monde croit que le vrai prix est celui donn par le modle et agit dune faon ce que le monde rel soit conforme au modle. Les transactions sur les marchs doptions dpendent des dcisions des acteurs mais celles-ci se font avec laide de modles de gestion et de dcision qui sont les mmes. Les modles de gestion de portefeuille, et plus encore les modles de prix des options ne sont pas simplement des modles qui donnent une reprsentation du march. Ils sont normatifs et performatifs. Ils indiquent ce quil faut faire sur ce march et construisent cette ralit du march. Sont-ils alors encore contrlables ? Cest une question qui effraie le citoyen, en droit de penser quon entre dans un monde o il ny a plus dintervention humaine. Et parce que cela permet de trouver enfin le coupable des drapages de la finance : cest de la faute aux modles si on entre dans des crises comme celles de 87 et de 98, et celle de la titrisation que lon connat aujourdhui. Vous avez crit une chose un peu inquitante: le contrle, au quotidien, de ce qui se passe est impossible dans une vision plus longue, plus macro, car on est un peu dans le cirage. Il y a donc une sorte de paradoxe inquitant : on construit des modles pour apprivoiser le hasard (le Taming of chance de louvrage dIan Hacking15, voire labolition du hasard de Nicolas Bouleau pour la gestion rvolutionnaire des options), mais on cre une inflation des risques. Dune certaine faon, on se donne la possibilit que des risques faibles deviennent gants une fois leur effet-domino luvre dans le systme global. Comme en plus on sest tromp sur les vraies lois du hasard, cela fait trs peur dtre dans des situations de queues bien plus paisses. Concevez-vous de cette manire les modles comme les producteurs du march mais aussi comme des modles de risque majeur ? Ny a-t-il pas plus largement un problme de transparence insuffisante des pratiques financires qui font que lon voit dans lalliance des mathmaticiens et des banquiers un jeu de dupes ? Nicolas Bouleau parle de connaissance de domaine publique pour les mathmatiques, mais de
30

privatisation des savoirs professionnels, aux enjeux considrables des oprateurs et des traders. 4. Mon quatrime point sarticule autour des modles et de la simulation. Dans la simulation de systmes complexes, complexe peut signifier tout simplement, comme pour les mathmaticiens, un systme qui nest pas linaire ; soit, plus simplement, un systme comme le systme terre ou le systme climat, dans lequel il y a beaucoup dacteurs, humains et non humains, dans lequel se mlangent des phnomnes dchelles trs diffrentes, qui ont des physiques diffrentes et donc des thories diffrentes. Le modle sur ordinateur nest plus le reflet dune thorie unique, mais un objet qui intgre et relie tous ces petits bouts de savoir htrognes. Dans les laboratoires, les gens travaillent sur ces modles globaux qui unifient ces connaissances de statut pistmologique trs divers, parce quil ny a pas moyen de faire autrement pour ces systmes complexes. Le modle dans ces domaines est utilis en simulation, pour lexpertise et la dcision collective, par exemple sur les politiques suivre pour stabiliser le systme de lconomie mondiale ou celui du climat. Ce nest pas le statut des modles probabilistes de la finance que vous avez prsents. On est encore dans le paradigme dun modle financier bien adoss une thorie mathmatique prcise du processus. En second lieu, vos modles servent moins la simulation de futurs inconnus qui seront notre environnement commun, que pour le calcul des prix et des risques au temps t, donc dans une aide plus directe la dcision individuelle. Vos modles ne servent pas la dcision politique collective de rglementer les marchs. Ils guident linvestisseur et le spculateur. Do mes deux questions sur lhistoire de la simulation : premirement, est-ce que le systme financier a une quelconque complexit, dans les deux sens du terme que jai indiqus, ou lest-il finalement moins que les systmes gophysiques et humains que lon tudie comme le climat, dans lequel il y a latmosphre mais aussi les ocans, la faune, la flore ? Par ailleurs, vous dtes que dans les banques, a tourne sans interruption, en simulation les dimanches comme la nuit, et le reste du temps a tourne en direct, en cotation, en dclenchant des achats et des ventes ; alors que dans les laboratoires les chercheurs sont rservs, ils ont un peu peur de se laisser embarquer par cette nouvelle dimension de la recherche qui est la simulation . Nous observons la mme chose dans les recherches sur le climat, o certains chercheurs rechignent caler leur activit sur la simulation. Ils sont trs attachs aux processus physiques fondamentaux. Ils veulent par exemple tudier le rle des nuages dun point de vue physique, chimique et ils trouvent que la simulation prend trop de leur temps aux dpens de la
31

recherche fondamentale. Comment voyez-vous voyez cela ? Dans les laboratoires de probabilits la simulation continue-t-elle de susciter des rticences ?

32

6. Rponses de Nicole El Karoui


Lobjectif de lmancipation probabiliste ntait pas de se sparer des mathmatiques, mais de permettre son outil de donner par lui-mme les rponses les plus adquates, sans passer par des intermdiaires chaque fois trs limitatifs. La puissance de la thorie des martingales a en grande partie permis cela, et par consquent, elle a permis lapplication de la rflexion probabiliste et de la modlisation des tas de champs divers. En fait, cette mancipation est un moment singulier, qui a entran dautres allers-retours. Je ne veux pas parler dapplications car ces processus en temps continu ont pour origine le mouvement brownien dEinstein, lobservation en gnral. Selon les priodes, les problmes se rvlent vraiment compliqus et les outils conceptuels pour les rsoudre manquent. Une fois quun premier pas est fait, on explore de nouveaux champs et, de la mme faon, il y a de nouveaux problmes pour lesquels les outils ne sont pas adquats. Des priodes plus thoriques prcdent ou suivent ainsi des priodes plus appliques. Jai plutt particip une priode trs thorique, ncessaire, et dont les retombes, mme en termes de champ dapplication, ont t diversifies. Effectivement, les sujets de rflexion en termes dapplication, par exemple au laboratoire de probabilits, se sont diversifis. Cela arrive assez frquemment en mathmatiques quil y ait une priode o, en interne, la thorie voit natre des outils plus efficaces que ceux quelle peut rcuprer de lextrieur. Le danger, comme on la vu, cest quelle arrive une sorte de point maximal de ce qui est acceptable par les jeunes, lenvironnement, etc. Souvent, on laisse de ct un certain nombre de choses et lon repart dans dautres directions. Dans le cas des marchs financiers, ce qui est pour moi extraordinaire, cest que les travaux de Black, Sholes, Merton et le champ dapplication comme la manire dutiliser le temps plutt que la diffrenciation par tte, nauraient t possibles si tous ces concepts et ce raisonnement du calcul diffrentiel stochastique, qui, dune certaine manire, nest pas du tout normal du point de vue mathmatique, navaient pas exist auparavant. A un moment, on se sert de concepts anciens (enfin ils datent des annes 1940, 1950, 1960, donc pas si vieux sils sont utiliss en 1973), parce que lenvironnement le permet. Cette question concerne aussi nos financeurs qui pensent quon doit donner des directions, quand on doit faire des mathmatiques ou quand on doit financer la recherche applique. Personne ne pouvait imaginer que le calcul stochastique dIt serait le moteur de la gestion des risques trente ans plus tard dans les marchs financiers. Lexistence de ces outils a permis bien des choses. Je crois beaucoup laller et retour, en cela ctait une exprience singulire.
33

Dans lactivit probabiliste, celle des produits drivs est math-dpendante. Cest la seule que je connais, qui nexisterait pas sil ny avait pas cet accompagnement quantitatif, je dis les mathmatiques , mais cest exagr parce que cest structurel. Cela est assez rare, parce quon nest pas dans la prvision ni dans la gestion o un bon outil aide mieux faire. L, il ny a pas dactivit sil ny a pas de couverture. Cest dailleurs devenu rglementaire. En ce qui concerne les dbats autour de la dfinition et de lusage de la probabilit, je peux dire que dans les marchs de drivs, on essaie de saffranchir de la probabilit, avec une gestion infinitsimale (enfin il ne faut pas exagrer, cest la journe). On essaie toutefois de donner le rle minimum lidentification du modle, puisque ce modle vous le choisissez un jour et le corrigez le lendemain. La vision est adaptative, cest celle dune correction permanente. Le modle en soi na donc plus un rle extrmement fondamental. Du coup, la question de la dfinition du modle est secondaire. Je suis un peu provocatrice parce que ce nest pas tout fait cela. La question qui pour moi nest pas secondaire, et on revient un dbat beaucoup plus fondamental, sur lequel je ne sais pas rpondre, cest cette question des ensembles ngligeables, ou de trs petite probabilit. Dans lactivit des marchs de drivs (cest la seule que je connais bien), il y a des scnarios, notamment de stress et de tout ce que lon veut. La comprhension de ce quon laisse de ct nest pas toujours claire. Je me dis finalement quun modle probabiliste dans cet univers est dabord un ensemble, une famille dvnements, que lon dcide comme impossibles ; cest une sorte de consensus. Si on revient ce que jai prsent et quon en crit les quations, le problme devient compltement algbrique. Il ny a donc pas besoin de probabilit, elle intervient a posteriori pour le calcul. Ce qui doit tre dfini cest quest-ce qui est impossible ? . Et dans la complexit de ce que lon voit, cela nest pas du tout une trivialit. De mme, au niveau des mthodes de simulations, vous avez chaque fois une perception de ce que vous tes prts considrer ou accepter comme impossible. Alors, on revient au fondement de toutes les questions de lutilisation des probabilits, o la probabilit sert dfinir des ensembles ngligeables, qui la dfinissent elle-mme. Cette question-l nest pas du tout claire pour moi. En ce qui concerne les simulations, jvoquais juste le haut lieu de la thorie probabiliste qui est le laboratoire de probabilits, dans lequel on sintresse malgr tout aux probabilits numriques. Cest vraiment un secteur en pleine explosion, sur lequel il faut avoir une rflexion permanente pour savoir ce que signifie simuler . Cela cre des problmes thoriques complexes et lclairage des modles ou de la pratique donne des moyens dencadrer certaines quantits. Ce quon laisse de ct, quelle analyse peut-on en avoir ? Estce quon peut en partie le mesurer ? Il est en tout cas trs important dtre vigilant, parce
34

quon peut vite faire nimporte quoi : les phnomnes rares peuvent avoir un impact trs important. Les scientifiques continuent rflchir intensment sur le problme des grandes donnes, de leur simulation, de leurs asymptotiques et de leurs consquences en termes de risques ? Thorie et pratique sont pour moi complmentaires dans la comprhension de lampleur de ce quon ne sait pas analyser ou de la croyance quon peut avoir.

35

Notes
Shafer, G. [2007], Du principe de Cournot au march efficient , in Jean-Philippe Touffut, La socit du probable: Les mathmatiques sociales aprs Augustin Cournot, Paris : Albin Michel, pp. 83-132. 2 Meyer, P.-A. [1967], Intgrales stochastiques 1, Sminaire de probabilits de Strasbourg . 3 Heams, T. [2008], Vers une thorie probabiliste du vivant, Prisme N 12, septembre, Paris : Centre Cournot pour la Recherche en conomie. Brown, R. [1828], A brief account of microscopical observations made in the months of June, July and August, 1827, on the particles contained in the pollen of plants; and on the general existence of active molecules in organic and inorganic bodies , Phil. Mag. 4, pp. 161-173. 5 Wiener, N. [1923], Differentiable Space , Journal of Mathematics and Physics, 2 (131). 6 Kolmogorov, A. [1933], Grundbegriffe der Wahrscheinlichtkeitsrechnung, Springer. 7 Love, M. [1973], Paul Lvy, 1886-1971 in The Annals of Probability, vol. 1, n 1. 8 Dans la thorie conomique, cela correspond la situation o les prix ou les structures sont efficients . 9 Doob, J. L. [1996], The development of rigor in mathematical probability (1900-1950) , Amer. Math. Monthly 103 (7) , pp. 586-595. 10 Shafer, G., ibidem. 11 It, K. [1998], My Sixty Years in Studies of Probability Theory : Acceptance Speech of the Kyoto Prize in Basic Sciences. 12 Dellacherie, C. [1969], Ensembles alatoires I , Sm. Proba. Strasbourg III, LNM no88, p.97-114, Springer, Berlin. 13 Voir http://www.emis.de/journals/JEHPS/index-3.html. 14 Bouleau, N [1998], Martingales et marchs financiers, O. Jacob. 15 Hacking, I. [1990], Taming of chance, Cambridge University Press.
4 1

36