Académique Documents
Professionnel Documents
Culture Documents
2
f
w
2
(W
s
, s)
_
ds (11)
+
_
t
0
f
w
(W
s
, s) dW
s
(12)
qui sexprime dans sa forme dierentielle comme
df (W
t
, t) =
_
f
t
(W
t
, t) +
1
2
2
f
w
2
(W
t
, t)
_
dt +
f
w
(W
t
, t) dW
t
. (13)
Exemple :
le mod`ele de marche de Black et Scholes
Le processus stochastique S = {S
t
: 0 t T} represente levolution du
prix dun titre risque o` u
S
t
= S
0
exp
__
2
2
_
t +W
t
_
, (14)
et etant des constantes et W represente un mouvement brownien
standard.
Comme W
t
est de loi N (0, t),
_
2
2
_
t +W
t
est de loi N
__
2
2
_
t,
2
t
_
(15)
et S
t
est de loi lognormale.
Un interm`ede :
les moments dune variable aleatoire de loi lognormale
Si Z represente une variable aleatoire de loi normale centree et reduite et
si a et b sont des constantes alors
E[exp [b +aZ]] = exp
_
b +
a
2
2
_
; (16)
donc si S (0) est independante du mouvement brownien,
E[S (t)] = E[S (0)] E
_
exp
__
2
2
_
t +W
t
__
(17)
= E[S (0)] exp [t] (18)
E
_
S
2
(t)
_
= E
_
S
2
(0)
_
E
_
exp
_
2
_
2
2
_
t + 2W
t
__
(19)
= E
_
S
2
(0)
_
exp
_
2t +
2
t
_
(20)
V ar [S (t)] = E
_
S
2
(0)
_
exp
_
2t +
2
t
_
E
2
[S (0)] exp [2t] .(21)
3
Exemple : le mod`ele de marche de Black et Scholes (suite)
Utilisant le lemme dIto, il est possible de montrer que le processus sto-
chastique S deni par
S
t
= S
0
exp
__
2
2
_
t +W
t
_
(22)
est une solution `a lequation integrale
S
t
S
0
=
_
t
0
S
u
du +
_
t
0
S
u
dW
u
. (23)
Exemple : le mod`ele de marche de Black et Scholes (suite)
Rappel
S
t
= S
0
exp
__
2
2
_
t +W
t
_
. (24)
En eet, si f (w, t) = S
0
exp
__
2
2
_
t +w
_
, alors
f (W
t
, t) = S
t
f (W
0
, 0) = S
0
(25)
f
t
(w, t) =
_
2
2
_
f (w, t) (26)
et
f
w
(w, t) = f (w, t)
2
f
w
2
(w, t) =
2
f (w, t) . (27)
Exemple : le mod`ele de marche de Black et Scholes (suite)
Ainsi,
S
t
S
0
(28)
= f (W
t
, t) f (W
0
, 0) (29)
=
_
t
0
f
w
(W
u
, u) dW
u
+
_
t
0
_
f
t
(W
u
, u) +
1
2
2
f
w
2
(W
u
, u)
_
du (30)
=
_
t
0
f (W
u
, u) dW
u
+
_
t
0
__
2
2
_
f (W
u
, u) +
1
2
2
f (W
u
, u)
_
du
=
_
t
0
f (W
u
, u) dW
u
+
_
t
0
f (W
u
, u) du (31)
=
_
t
0
S
u
dW
u
+
_
t
0
S
u
du. (32)
Exemple : le mod`ele de marche de Black et Scholes (suite)
Nous venons de demontrer que le processus stochastique S = {S
t
: 0 t T}
o` u
S
t
= S
0
exp
__
2
2
_
t +W
t
_
(33)
est une solution `a lequation dierentielle stochastique
dS
t
= S
t
dt +S
t
dW
t
. (34)
4
Les processus dIto
Denition. On appelle processus dIto, un processus X = {X
t
: 0 t T}
`a valeurs dans R tel que:
X
t
X
0
+
_
t
0
K
s
ds +
_
t
0
H
s
dW
s
(35)
avec
K = {K
t
: 0 t T} et H = {H
t
: 0 t T} sont des processus
adaptes `a la ltration {F
t
},
P
_
_
T
0
|K
s
| ds <
_
= 1
P
_
_
T
0
|H
s
|
2
ds <
_
= 1
2
2
_
dt +dW
t
. (54)
6
Interm`ede : le theor`eme de Fubini.
Ce qui suit est un cas particulier du theor`eme de Fubini.
Theor`eme. Si Y = {Y
t
: 0 t T} est un processus stochastique
adapte tel que pour tout 0 t T, Y
t
0 alors
E
P
__
t
0
Y
s
ds
_
=
_
t
0
E
P
[Y
s
] ds, (55)
cest-`a-dire que lon peut interchanger lintegrale et lesperance.
Donald L.Cohn, page 159, proposition 5.2.1.
Exemple : le rendement de detention (suite)
Rappelons que
dS
t
= S
t
dt +S
t
dW
t
. (56)
Premi`erement, verions que S est bien un processus dIto tel que H
t
= S
t
et K
t
= S
t
.
En eet, puisque nous avons dej`a montre que
S
t
= S
0
exp
__
2
2
_
t +W
t
_
(F
t
mesurable) (57)
est une solution de lequation (56), les processus K = {K
t
= S
t
: 0 t T}
et H = {H
t
= S
t
: 0 t T} sont {F
t
} adaptes.
Exemple : le rendement de detention (suite)
De plus, comme S
t
est une variable aleatoire non-negative, nous pouvons
utiliser le theor`eme de Fubini an dechanger les operateurs E
P
et
_
, ce
qui donne
E
P
_
_
T
0
|K
u
| du
_
= || E
P
_
_
T
0
S
u
du
_
(58)
= ||
_
T
0
E
P
[S
u
] du (59)
= ||
_
T
0
E
P
[S
0
] exp [u] du (60)
= || E
P
[S
0
]
_
T
0
exp [u] du (61)
= || E
P
[S
0
]
e
T
1
<
Exemple : le rendement de detention (suite)
E
P
_
_
T
0
H
2
u
du
_
=
2
E
P
_
_
T
0
S
2
u
du
_
(62)
=
2
_
T
0
E
P
_
S
2
u
_
du (63)
=
2
_
T
0
E
P
_
S
2
0
_
exp
_
2u +
2
u
_
du (64)
=
2
E
P
_
S
2
0
_
_
T
0
exp
_
2u +
2
u
_
du (65)
=
2
E
P
_
S
2
0
_
e
T(2+
2
)
1
2 +
2
(66)
< .
7
Nous pouvons en deduire que
_
T
0
|K
s
| ds < et
_
T
0
H
2
s
ds < P p.s. (67)
Exemple : le rendement de detention (suite)
Maintenant, appliquons le lemme dIto. Si f (x) = ln
x
x
0
alors
df
dx
(x) =
1
x
et
d
2
f
dx
2
(x) =
1
x
2
. (68)
Ainsi,
dR
t
= df (S
t
) (69)
=
df
dx
(S
t
) H
t
dW
t
+
_
df
dx
(S
t
) K
t
+
1
2
d
2
f
dx
2
(S
t
) H
2
t
_
dt (70)
=
1
S
t
S
t
dW
t
+
_
1
S
t
S
t
1
2
1
S
2
t
2
S
2
t
_
dt (71)
= dW
t
+
_
2
2
_
dt. (72)
Exemple : le rendement de detention (suite)
Or la forme integrale de lequation (54)
dR
t
=
_
2
2
_
dt +dW
t
(73)
est
R
t
= R
0
+
_
t
0
dW
s
+
_
2
2
_
_
t
0
ds (74)
= W
t
+
_
2
2
_
t car R
0
= ln
S
0
S
0
= ln 1 = 0 (75)
N
__
2
2
_
t;
2
t
_
. (76)
Dans le monde de Black et Scholes, les rendements sont gaussiens.
Le lemme dIto : une autre generalisation
Lemme dIto (quatri`eme version). Soit X, un processus dIt o, cest-`a-
dire que
d X
t
= K
t
dt +H
t
dW
t
, (77)
et f : R[0, ) R, une fonction dont les derivees partielles premi`eres
et deuxi`emes existent et sont continues. Alors 0 t T,
f (X
t
, t) f (X
0
, 0) (78)
Pp.s.
=
_
t
0
f
x
(X
s
, s) dX
s
+
_
t
0
f
t
(X
s
, s) ds +
1
2
_
t
0
2
f
x
2
(X
s
, s) d X
s
Pp.s.
=
_
t
0
f
x
(X
s
, s) H
s
dW
s
(79)
+
_
t
0
_
f
x
(X
s
, s) K
s
+
f
t
(X
s
, s) +
1
2
2
f
x
2
(X
s
, s) H
2
s
_
ds.
8
Le lemme dIto : une autre generalisation
Sous forme dierentielle, nous obtenons
df (X
t
, t) =
f
X
(X
t
, t) H
t
dW
t
(80)
+
_
f
X
(X
t
, t) K
t
+
f
t
(X
t
, t) +
1
2
2
f
X
2
(X
t
, t) H
2
t
_
dt.
Le lemme dIto et
le developpement en serie de Taylor
Le developpement en serie de Taylor de la fonction continue f : R R
(dont les premi`eres derivees existent et sont continues) autour du point x
0
est
f (x)
= f (x
0
) +f
(x
0
) (x x
0
) +f
(x
0
)
(x x
0
)
2
2
(81)
o` u
= signie quil sagit dune approximation.
Si la fonction continue f : R R est deux fois contin ument dierentiable
alors le lemme dIto senonce comme suit :
f (X
t
) = f (X
0
) +
_
t
0
f
(X
s
) dX
s
+
1
2
_
t
0
f
(X
s
) d X
s
(82)
o` u X est un processus dIto.
Le lemme dIto et
le developpement en serie de Taylor
Si f
(X
s
) et f
(X
s
) pouvaient etre remplacees respectivement par f
(X
0
)
et f
(X
0
), alors nous pourrions ecrire
f (X
t
) = f (X
0
) +
_
t
0
f
(X
s
) dX
s
+
1
2
_
t
0
f
(X
s
) d X
s
(83)
= f (X
0
) +
_
t
0
f
(X
0
) dX
s
+
1
2
_
t
0
f
(X
0
) d X
s
(84)
= f (X
0
) +f
(X
0
)
_
t
0
dX
s
+
1
2
f
(X
0
)
_
t
0
d X
s
(85)
= f (X
0
) +f
(X
0
) (X
t
X
0
) +
1
2
f
(X
0
) (X
t
X
0
) . (86)
qui ressemble plus au developpement en serie de Taylor. Or, cette derni`ere
approximation nest pas le lemme dIto.
La solution dune equation dierentielle stochastique
Remarque. La solution dune equation dierentielle stochastique (
EDS)
consiste `a trouver le(s) processus stochastique(s) satisfaisant lequation
donnee. Or, le lemme dIto permet linverse, cest-`a-dire quil permet de
trouver l
H
s
ds. (88)
La r`egle de multiplication
La r`egle de multiplication nous est utile lorsque nous voulons etudier, par
exemple, le comportement du prix actualise dun actif lorsque nous con-
naissons les processus pour levolution du prix de lactif et celui du facteur
dactualisation.
Theor`eme (la r`egle de multiplication). Soit X et Y deux processus
dIto tels que
dX
t
= K
t
dt +H
t
dW
t
et dY
t
=
K
t
dt +
H
t
dW
t
. (89)
La r`egle de multiplication est
dX
t
Y
t
= X
t
dY
t
+Y
t
dX
t
+d X, Y
t
(90)
= X
t
_
K
t
dt +
H
t
dW
t
_
+Y
t
(K
t
dt +H
t
dW
t
) +H
t
H
t
dt (91)
=
_
X
t
K
t
+Y
t
K
t
+H
t
H
t
_
dt +
_
X
t
H
t
+Y
t
H
t
_
dW
t
. (92)
Exemple :
la valeur actualisee dun actif risque
Supposons que le processus stochastique X, satisfaisant lequation
dX
t
= X
t
dt +X
t
dW
t
, (93)
est levolution du prix dun titre risque. Le processus
_
t
= e
rt
: t 0
_
est notre facteur dactualisation. Notons que
d
dt
t
= re
rt
= r
t
, (94)
cest-`a-dire que le processus est un processus dIto satisfaisant lequation
dierentielle
d
t
= r
t
dt. (95)
Exemple : la valeur actualisee dun actif risque (suite)
Le processus Y = X represente levolution de la valeur actualisee du prix
du titre. La r`egle de multiplication entrane que
dY
t
= d
t
X
t
(96)
=
t
dX
t
+X
t
d
t
+d , X
t
(97)
=
t
(X
t
dt +X
t
dW
t
) +X
t
(r
t
dt) (98)
= ( r)
t
X
t
dt +
t
X
t
dW
t
(99)
= ( r) Y
t
dt +Y
t
dW
t
. (100)
Sous sa forme integale, cette derni`ere equation secrit
Y
t
= Y
0
+ ( r)
_
t
0
Y
s
ds +
_
t
0
Y
s
dW
s
. (101)
10
Le lemme dIto multidimensionnel
Il se peut que le phenom`ene que nous aimerions modeliser comporte plusieurs
sources dincertitude. Cest pourquoi nous considerons des processus du
type processus dIto qui font intervenir plusieurs mouvements browniens.
Les processus dIto : une generalisation
Denition. Soit W
(1)
, ..., W
(n)
, des mouvements browniens independants
construits sur lespace probabilise ltre (, F, {F
t
: 0 t T} , P). Pour
tout i {1, 2, ..., m}, nous denissons le processus X
(i)
par
X
(i)
t
= X
(i)
0
+
_
t
0
K
(i)
s
ds +
n
k=1
_
t
0
H
(i,k)
s
dW
(k)
s
(102)
o` u
X
(1)
0
, ..., X
(m)
0
sont des variables aleatoires F
0
mesurables,
les processus K
(i)
, i {1, 2, ..., m} et H
(i,k)
, i {1, 2, ..., m} et
k {1, 2, ..., n} sont {F
t
} adaptes,
P
_
m
i=1
_
T
0
K
(i)
s
ds <
_
= 1,
P
_
_
T
0
H
(i,k)
s
H
(j,k
)
s
ds <
_
= 1, i, j {1, 2, ..., m} et k, k
{1, 2, ..., n} .
Leur processus de covariance quadratique
Denition. Le processus
_
X
(i)
, X
(j)
_
=
__
X
(i)
, X
(j)
_
t
: 0 t T
_
deni par
_
X
(i)
, X
(j)
_
t
=
n
k=1
_
t
0
H
(i,k)
s
H
(j,k)
s
ds. (103)
Notons que
_
X
(i)
, X
(j)
_
=
_
X
(j)
, X
(i)
_
(104)
et
_
X
(i)
, X
(i)
_
=
_
X
(i)
_
. (105)
Le lemme dIto multidimensionnel
Le lemme dIto. Soit W
(1)
, ..., W
(k)
, des mouvements browniens independants
construits sur lespace probabilise ltre (, F, {F
t
: 0 t T} , P) for-
mant les processus dIto denis `a la ligne (102) et f : R
m
[0, ) R,
une fonction continue telle que les derivees partielles
f
x
i
,
f
s
,
2
f
x
i
x
j
et
2
f
x
i
s
, i, j {1, ..., m} existent et sont continues. Alors t 0,
f
_
X
(1)
t
, ..., X
(m)
t
, t
_
f
_
X
(1)
0
, ..., X
(m)
0
, 0
_
(106)
Pp.s.
=
m
i=1
_
t
0
f
x
i
_
X
(1)
s
, ..., X
(m)
s
, s
_
dX
(i)
s
+
_
t
0
f
t
_
X
(1)
s
, ..., X
(m)
s
, s
_
ds
+
1
2
m
i=1
m
j=1
_
t
0
2
f
x
i
x
j
_
X
(1)
s
, ..., X
(m)
s
, s
_
d
_
X
(i)
, X
(j)
_
s
.
11
Exemple : le taux de change
Supposons que le processus stochastique X, satisfaisant lequation
dX
t
= X
t
dt +X
t
dW
t
, (107)
represente levolution du prix dune action en livres sterling. Notons que
d X
t
=
2
X
2
t
dt.
Admettons que levolution de la valeur en dollars canadiens de la livre
sterling est modelisee par le processus C o` u
dC
t
= C
t
dt +C
t
d
W
t
+C
t
dW
t
. (108)
Si les mouvements browniens W et
W sont construits sur le meme espace
probabilise ltre et sont independants, alors
d C
t
=
_
2
C
2
t
+
2
C
2
t
_
dt =
_
2
+
2
_
C
2
t
dt (109)
d X, C
t
= (X
t
C
t
+ 0C
t
) dt = X
t
C
t
dt. (110)
Exemple : le taux de change (suite)
Levolution Y du prix de laction en dollars canadiens est telle qu`a chaque
instant,
Y
t
= X
t
C
t
. (111)
Soit la fonction f : R
2
R denie par
f (x, c) xc. (112)
Notons que
Y
t
= f (X
t
, C
t
) , t 0, (113)
que les derivees premi`eres sont
f
x
(x, c) = c
f
c
(x, c) = x (114)
et que les derivees secondes sont
2
f
x
2
(x, c) =
2
f
c
2
(x, c) = 0 et
2
f
xc
(x, c) = 1. (115)
Exemple : le taux de change (suite). Le lemme dIto nous donne
dY
t
= df (X
t
, C
t
) (116)
=
f
x
(X
t
, C
t
) dX
t
+
f
c
(X
t
, C
t
) dC
t
(117)
+
1
2
_
_
_
2
f
x
2
(X
t
, C
t
) d X
t
+
2
f
xc
(X
t
, C
t
) d X, C
t
+
2
f
cx
(C
t
, X
t
) d C, X
t
+
2
f
c
2
(X
t
, C
t
) d C
t
_
_
_
= C
t
dX
t
+X
t
dC
t
+d X, C
t
(118)
= C
t
(X
t
dt +X
t
dW
t
) +X
t
_
C
t
dt +C
t
d
W
t
+C
t
dW
t
_
+X
t
C
t
dt
= (X
t
C
t
+X
t
C
t
+X
t
C
t
) dt + (X
t
C
t
+C
t
X
t
) dW
t
+X
t
C
t
d
W
t
= ( + +) Y
t
dt + ( +) Y
t
dW
t
+Y
t
d
W
t
. (119)
References
Martin Baxter et Andrew Rennie (1996). Financial Calculus, an introduc-
tion to derivative pricing, Cambridge university press.
Donald L. Cohn (1980). Measure Theory, Birkhauser.
Richard R. Goldberg (1976). Methods of real analysis, second edition,
Wiley.
Damien Lamberton et Bernard Lapeyre (1991). Introduction au calcul
stochastique applique `a la nance, Ellipses.
Daniel Revuz et Marc Yor (1999). Continuous martingales and brownian
motion, third edition, Springer.
12