Vous êtes sur la page 1sur 19

Lintegrale stochastique :

une approche intuitive


Les methodes stochastiques dans les sciences de la gestion
6-640-93
Genevi`eve Gauthier
Derni`ere mise `a jour : 4 janvier 2003
Plan de la presentation
Introduction
Lintegrale au sens de Riemann
Lintegrale stochastique par rapport au mouvement brownien
Les processus de base
Les processus simples
Les processus previsibles
Introduction
Les theories de lintegrale stochastique et des equations dierentielles sto-
chastiques ont ete initialement developpees par Kiyosi Ito vers 1940 (un
des premiers articles importants a ete publie en 1942).
Lintegrale au sens de Riemann
Soit f : R R, une fonction `a valeurs reelles. En general, lorsque nous
parlons de lintegrale de la fonction f, nous nous referons `a lintegrale au
sens de Riemann,
_
b
a
f (t) dt, qui calcule laire sous la courbe t f (t)
comprise entre les bornes a et b.
1
Lintegrale au sens de Riemann (suite)
Premi`erement, il nous faut realiser que ce ne sont pas toutes les fonctions
qui sont integrables au sens de Riemann. Expliquons un peu : an de
construire lintegrale de Riemann de la fonction f sur lintervalle [a, b] ,
nous divisons cet intervalle en n sous-intervalles de meme longueur
_
ba
n
_
et, pour chacun deux, nous determinons la plus grande et la plus petite
valeur prise par la fonction f. Ainsi, pour tout k {1, ..., n} , la plus petite
valeur prise par la fonction f sur lintervalle
_
a + (k 1)
ba
n
, a +k
ba
n
_
est
f
(n)
k
inf
_
f (t)

a + (k 1)
b a
n
t a +k
b a
n
_
(1)
et la plus grande est
f
(n)
k
sup
_
f (t)

a + (k 1)
b a
n
t a +k
b a
n
_
. (2)
Lintegrale au sens de Riemann (suite)
Laire sous la courbe t f (t) comprise entre les bornes a+(k 1)
ba
n
et
a +k
ba
n
est donc superieure `a laire
ba
n
f
(n)
k
du rectangle de base
ba
n
et
de hauteur f
(n)
k
et inferieure `a laire
ba
n
f
(n)
k
du rectangle de meme base
mais de hauteur f
(n)
k
.
Par consequent, si nous denissons
I
n
(f)
n

k=1
b a
n
f
(n)
k
et I
n
(f)
n

k=1
b a
n
f
(n)
k
(3)
alors
I
n
(f)
_
b
a
f (t) dt I
n
(f) .
Illustrations de I
n
(f) et I
n
(f)
Lintegrale au sens de Riemann (suite)
Les fonctions integrables au sens de Riemann sont celles pour lesquelles
les limites lim
n
I
n
(f) et lim
n
I
n
(f) existent et sont egales.
Nous denissons alors lintegrale au sens de Riemann de la fonction f par
_
b
a
f (t) dt lim
n
I
n
(f) = lim
n
I
n
(f) . (4)
Il est possible de montrer que lintegrale
_
b
a
f (t) dt existe pour toute fonc-
tion f continue sur lintervalle [a, b] . Bien dautres fonctions sont integrables
au sens de Riemann.
2
Lintegrale au sens de Riemann (suite)
Il existe cependant des fonctions qui ne le sont pas. Par exemple, con-
siderons la fonction indicatrice
Q
: [0, 1] {0, 1} qui vaut 1 si largument
est rationnel et 0 sinon. Alors, pour tout nombre naturel n, I
n
= 0 et
I
n
= 1, ce qui implique que lintegrale de Riemann nest pas denie pour
cette fonction.
Lintegrale au sens de Riemann (suite)
Nous allons regarder un cas tr`es simple : lintegrale de Riemann pour les
fonctions de base, cest-`a-dire les fonctions f : [0; ) R qui admettent
la representation f (t) = c
(a,b]
(t) , a < b, c R o` u
(a,b]
represente la
fonction indicatrice

(a,b]
(t) =
_
1 si t (a, b]
0 si t / (a, b]
. (5)
Lintegrale au sens de Riemann (suite)
Si f (t) = c
(a,b]
(t) alors lintegrale au sens de Riemann de f est
_
t
0
f (s) ds =
_
t
0
c
(a,b]
(s) ds (6)
=
_

_
0 si t a
c (t a) si a < t b
c (b a) si t > b.
(7)
Lintegrale stochastique par rapport au mou-
vement brownien
Soit {W
t
: t 0} un mouvement brownien standard construit sur un espace
probabilise ltre (, F, F, P) , F = {F
t
: t 0}.
Condition technique. Comme nous allons travailler avec des egalites
presque-s ure

, nous exigeons que lensemble des evenements qui ont une


probabilite nulle de se realiser soit compris dans la tribu F
0
, cest-`a-dire
que lensemble
N = {A F : P (A) = 0} F
0
. (8)
De cette facon si X est F
t
mesurable et que Y = X Ppresque-s urement
alors nous savons que Y est F
t
mesurable.

X = Y Ppresque-s urement si lensemble des pour lesquels X est dierente de Y a


une probabilite nulle, cest-`a-dire que
P { : X () = Y ()} = 0.
3
Lintegrale stochastique (suite)
Soit {X
t
: t 0} un processus stochastique previsible. Il est tentant de
denir lintegrale stochastique de X par rapport `a W, trajectoire par tra-
jectoire, en utilisant une generalisation de lintegrale de Stieltjes :
,
_
X () dW () . (9)
Cela serait possible si les trajectoires du mouvement brownien W etaient
`a variation bornee, cest-`a-dire quelles pourraient sexprimer comme une
dierence de deux fonctions non decroissantes. Or, comme les trajectoires
du mouvement brownien ne sont pas `a variation bornee, il nest pas possi-
ble dutiliser cette approche. Nous devons denir lintegrale stochastique
par rapport au mouvement brownien globalement, cest-`a-dire comme un
processus stochastique en lui-meme, et non pas trajectoire par trajectoire.
Les processus stochastiques de base
Nous appelons X un processus stochastique de base si X admet la representation
X
t
() = C ()
(a,b]
(t) (10)
o` u a < b R et C est une variable aleatoire F
a
mesurable de carre-
integrable, cest-`a-dire que E
P
_
C
2
_
< . Remarquons que ce processus
est adapte `a la ltration F. En eet,
X
t
=
_

_
0 si 0 t a
C si a < t b
0 si b < t
qui est F
0
mesurable donc F
t
mesurable
qui est F
a
mesurable donc F
t
mesurable
qui est F
0
mesurable donc F
t
mesurable.
Les processus stochastiques de base (suite)
En fait, X est plus que Fadapte, il est Fprevisible, mais la notion de
processus previsible est plus delicate `a denir lorsque nous travaillons avec
des processus `a temps continu. Notons tout de meme que les proces-
sus adaptes `a trajectoires continues sont previsibles. Intuitivement, si
X
t
represente le nombre de parts dun titre detenues au temps t, alors
X
t
() = C ()
(a,b]
(t) signie quimmediatement apr`es lannonce des
prix au temps a et sur la base de linformation disponible au temps a (C
etant F
a
mesurable) nous achetons C () parts du titre que nous conser-
vons jusquau temps b.
`
A cet instant, nous les revendons toutes.
Proposition. Les processus Fadaptes dont les trajectoires sont contin-
ues `a gauche sont des processus Fprevisibles. En particulier, les proces-
sus Fadaptes `a trajectoires continues sont Fprevisibles. (cf. Revuz et
Yor)
Les processus stochastiques de base (suite)
Lintegrale stochastique de X par rapport au mouvement brownien est
denie par
__
t
0
X
s
dW
s
_
() = C () (W
tb
() W
ta
()) (11)
=
_

_
0 si 0 t a
C () (W
t
() W
a
()) si a < t b
C () (W
b
() W
a
()) si b < t.
(12)
Remarquons que pour tout t, lintegrale
_
t
0
X
s
dW
s
est une variable aleatoire.
De plus,
_
_
t
0
X
s
dW
s
: t 0
_
est un processus stochastique.
4
Les processus stochastiques de base (suite)
Trajectoires dun processus stochastique de base ainsi que de son
integrale stochastique par rapport au mouvement brownien
0
1
2
3
4
5
6
7
8
9
1 0
0 0 , 1 0 , 2 0 , 3 0 , 4 0 , 5 0 , 6 0 , 7 0 , 8 0 , 9 1
t
- 5
- 4
- 3
- 2
- 1
0
1
2
3
4
5
6
0 0 , 1 0 , 2 0 , 3 0 , 4 0 , 5 0 , 6 0 , 7 0 , 8 0 , 9 1
t
Integrale stochastique.xls
Les processus stochastiques de base (suite)
Notons que
_
t
0
X
s
dW
s
=
_

0
X
s

(0,t]
(s) dW
s
. (13)
Exercice. Veriez le!
Les processus stochastiques de base (suite)
Interpretation. Si, par exemple, le mouvement brownien W represente
la variation du prix actualise du titre par rapport `a sa valeur initiale

(W
t
=
S
t
S
0
, o` u S
t
est le prix actualise du titre au temps t), alors
_
t
0
X
s
dW
s
est la valeur actualisee du gain realise par linvestisseur. Remarquons sur
les graphes que, pendant la periode de temps o` u linvestisseur detient un
nombre constant de parts du titre, la valeur actualisee de ses gains uctue.
Cela est uniquement cause par la uctuation du prix du titre.

Lexemple est quelque peu boiteux, car le mouvement brownien netant pas borne
inferieurement, cela implique quil est possible que le prix du titre prenne des valeurs
negatives. Oups!
Les processus stochastiques de base (suite)
Lemme 1. Si X est un processus stochastique de base, alors
__
t
0
X
s
dW
s
: t 0
_
(14)
est une (, F, F, P) martingale.
5
Les processus stochastiques de base (suite)
Preuve du lemme 1. Rappelons que si M est une martingale et un
temps darret, alors le processus stochastique arrete M

= {M
t
: t 0}
est aussi une martingale. Comme le mouvement brownien est une mar-
tingale et que
a
et
b
o` u ,
a
() = a et
b
() = b sont des
temps darret, alors les processus stochastiques W

a
= {W
ta
: t 0} et
W

b
= {W
tb
: t 0} sont tous deux des martingales.
Preuve du lemme 1 (suite)
Maintenant, verions la condition (M1). Si t a, alors
E
P
_

_
t
0
X
u
dW
u

_
= E
P
[|C (W
tb
W
ta
)|]
= E
P
[|C (W
t
W
t
)|]
= 0.
Preuve du lemme 1 (suite)
Par contre, si t > a, alors
E
P
_

_
t
0
X
u
dW
u

_
(15)
= E
P
[|C (W
tb
W
a
)|] (16)
= E
P
[|C| |W
tb
W
a
|] (17)

_
E
P
_
C
2
(W
tb
W
a
)
2
__
1/2
(voir page suivante) (18)
=
_
E
P
_
C
2
E
P
_
(W
tb
W
a
)
2
|F
a
___
1/2
C etant F
a
mesurable. (19)
=
_
E
P
_
C
2
E
P
_
(W
tb
W
a
)
2
___
1/2
W
tb
W
a
etant independante de F
a
.
=
_
(t b a) E
P
_
C
2
__
1/2
(20)
< (21)
Preuve du lemme 1 (suite)
Justication de linegalite: pour toute variable aleatoire Y telle que
E
_
Y
2
_
< , nous avons
0 V ar [Y ] = E
_
Y
2
_
(E[Y ])
2
(22)
ce qui implique que
E[Y ]
_
E
_
Y
2
__
1/2
(23)
6
Preuve du lemme 1 (suite)
En ce qui concerne la condition (M2),
__
t
0
X
s
dW
s
_
=
_

_
0 si 0 t a
C (W
t
W
a
) si a < t b
C (W
b
W
a
) si b < t.
F
0
mesurable donc F
t
mesurable,
F
t
mesurable,
F
b
mesurable donc F
t
mesurable.
Preuve du lemme 1 (suite)
La condition (M3) est, elle aussi, veriee car s, t R, 0 s < t,
E
P
__
t
0
X
u
dW
u
|F
s
_
= E
P
[C (W
tb
W
ta
) |F
s
] . (24)
Preuve du lemme 1 (suite)
Or, si s a, alors F
s
F
a
. Comme C est F
a
mesurable, alors
E
P
__
t
0
X
u
dW
u
|F
s
_
= E
P
[E
P
[C (W
tb
W
ta
) |F
a
] |F
s
] (25)
= E
P
[CE
P
[(W
tb
W
ta
) |F
a
] |F
s
] (26)
= E
P
_

_C(W
ab
W
aa
)
. .
=W
a
W
a
=0
|F
s
_

_ (27)
car W

a
et W

b
sont des martingales,
= 0 (28)
=
_
s
0
X
u
dW
u
. (29)
Preuve du lemme 1 (suite)
Si s > a, alors C est F
s
mesurable et, par consequent,
E
P
__
t
0
X
u
dW
u
|F
s
_
= E
P
[C (W
tb
W
ta
) |F
s
] (30)
= CE
P
[(W
tb
W
ta
) |F
s
] (31)
= C (W
sb
W
sa
) (32)
=
_
s
0
X
u
dW
u
. (33)
Le processus
_
X
s
dW
s
est bien une martingale.
7
Les processus stochastiques simples
Nous appelons X un processus stochastique simple si X est une somme
nie de processus de base :
X
t
() =
n

i=1
C
i
()
(a
i
,b
i
]
(t) . (34)
Comme ce processus est une somme de processus Fprevisibles, alors il
est lui-meme previsible par rapport `a la ltration F.
Les processus stochastiques simples (suite)
Lintegrale stochastique de X par rapport au mouvement brownien est
denie comme la somme des integrales stochastiques des processus de
base constituant X :
_
t
0
X
s
dW
s
=
n

i=1
_
t
0
C
i

(a
i
,b
i
]
(s) dW
s
. (35)
Les processus stochastiques simples (suite)
Trajectoires dun processus stochastique simple et de son integrale
stochastique par rapport au mouvement brownien
- 6
- 4
- 2
0
2
4
6
8
0 0 ,1 0 ,2 0 ,3 0 , 4 0 , 5 0 , 6 0 , 7 0 , 8 0 , 9 1
t
- 4
- 2
0
2
4
6
8
1 0
1 2
0 0 , 1 0 , 2 0 ,3 0 ,4 0 ,5 0 , 6 0 , 7 0 , 8 0 , 9 1
t
Le processus simple est de la forme C
1

_
1
10
,
6
10
_
+C
2

_
1
2
,
3
4
_
Integrale stochastique.xls
8
Les processus stochastiques simples (suite)
Premi`erement, il faut sassurer que cette denition ne presente pas dincoherence,
cest-`a-dire que si le processus stochastique simple X admet au moins
deux representations en termes de processus stochastiques de base, disons

n
i=1
C
i

(a
i
,b
i
]
et

m
j=1

C
j

_
a
j
,

b
j
_
, alors lintegrale est denie de facon
unique :
n

i=1
_
t
0
C
i

(a
i
,b
i
]
(s) dW
s
=
m

j=1
_
t
0

C
j

_
a
j
,

b
j
_
(s) dW
s
. (36)
Exercice. Demontrer que la denition de lintegrale stochastique pour les
processus simples ne depend pas de la representation choisie.
Les processus stochastiques simples (suite)
Lemme 3. Si X est un processus stochastique simple, alors
_
_
t
0
X
s
dW
s
: t 0
_
est une (, F, F, P) martingale.
Les processus stochastiques simples (suite)
Preuve du lemme 3. Lintegrale stochastique
_
t
0
X
s
dW
s
=
n

i=1
_
t
0
C
i

(a
i
,b
i
]
(s) dW
s
(37)
du processus simple X =

n
i=1
C
i

(a
i
,b
i
]
est la somme des integrales sto-
chastiques des processus de base le composant. Puisquune somme nie
de martingales est aussi une martingale, le resultat decoule du fait que les
integrales stochastiques des processus de base sont des martingales (lemme
1).
Les processus stochastiques simples (suite)
Le prochain resultat est assez technique et sera demontre en annexe. Il
nous sera utile ulterieurement.
Lemme 4. Si X est un processus simple, alors pour tout t 0,
E
P
__
t
0
X
2
s
ds
_
= E
P
_
__
t
0
X
s
dW
s
_
2
_
. (38)
9
Ce lemme est cependant fort utile pour calculer la variance dune integrale
stochastique. En eet,
V ar
P
__
t
0
X
s
dW
s
_
= E
P
_
__
t
0
X
s
dW
s
_
2
_

_
_
_
_
_
E
P
___
t
0
X
s
dW
s
__
. .
=0
_
_
_
_
_
2
= E
P
__
t
0
X
2
s
ds
_
=
_
t
0
E
P
_
X
2
s
_
ds
Il est possible detendre ce calcul `a dautres processus X et detablir dune
fa con similaire une methode pour le calcul de la covariance entre deux
integrales stochastiques (voir lannexe).
Les processus previsibles
Nous aimerions agrandir la classe des processus pour lesquels lintegrale
stochastique par rapport au mouvement brownien peut etre denie. Nous
allons choisir la classe des processus Fprevisibles pour lesquels il existe
une suite de processus simples les approchant.
Proposition. Les processus Fadaptes dont les trajectoires sont contin-
ues `a gauche sont des processus Fprevisibles. En particulier, les proces-
sus Fadaptes `a trajectoires continues sont Fprevisibles.
Les processus previsibles (suite)
Soit X un processus Fprevisible pour lequel il existe une suite
_
X
(n)
: n N
_
de processus simples convergeant vers X lorsque n crot vers linni.
Qui parle de convergence doit aussi parler de distance. En eet, comment
mesure-t-on quune suite de processus stochastiques approche un autre
processus? Quelle est la distance entre deux processus stochastiques? Pour
repondre `a cette question, nous devons denir lespace des processus sto-
chastiques sur lequel nous travaillons et la norme

que nous placons sur


cet espace.

Rappelons que
A
: A [0, ) est une norme sur lespace A si
(i) X
A
= 0 X = 0;
(ii) X A et a R, aX
A
= |a| X
A
;
(iii) X, Y A, X + Y
A
X
A
+Y
A
(linegalite du triangle).
Les processus previsibles (suite)
Soit
A =
_
X

X est un processus F previsible tel que E


P
__

0
X
2
t
dt
_
<
_
.
Exercice facultatif et assez dicile! La fonction
A
: A [0, )
denie par
X
A
=
_
E
P
__

0
X
2
t
dt
__
1/2
(39)
est une norme sur lespace A.
10
Les processus previsibles (suite)
Il est dit que la suite
_
X
(n)
: n N
_
A converge vers X A lorsque n
crot vers linni si et seulement si
lim
n
_
_
_X
(n)
X
_
_
_
A
= lim
n
_
E
P
_
_

0
_
X
(n)
t
X
t
_
2
dt
__
1/2
= 0. (40)
Les processus previsibles (suite)
Il est tentant de denir lintegrale stochastique de X par rapport au mouve-
ment brownien comme la limite des integrales stochastiques des processus
simples, cest-`a-dire
_
t
0
X
s
dW
s
= lim
n
_
t
0
X
(n)
s
dW
s
. (41)
Deux probl`emes sont souleves par la derni`ere equation, lun deux etant
lexistence de cette limite.
Par exemple, supposons que nous travaillons sur lespace des nombres
strictement positifs A {x R|x > 0} et que nous etudions la suite
_
1
n
: n N
_
. Cette suite ne converge pas dans lespace Apuisque lim
n
1
n
=
0 / A. Bien entendu, cette suite converge dans lespace R.
La question est: est-ce que lim
n
_
t
0
X
(n)
s
dW
s
existe dans lespace dans
lequel nous travaillons?
Les processus previsibles (suite)
Le second probl`eme est que cette equation sous-tend que plus n est grand
plus
_
t
0
X
(n)
s
dW
s
sapproche de
_
t
0
X
s
dW
s
. Or, quelle est la distance entre
deux integrales stochastiques?
Rappelons quau lemme 3, nous avons etabli que pour tout n, lintegrale
_
X
(n)
s
dW
s
dun processus simple est une martingale. De plus, il est pos-
sible detablir que
E
_
__
X
(n)
s
dW
s
_
2
_
< . (42)
Les processus previsibles (suite)
Par consequent, la suite servant `a approcher
_
X
s
dW
s
est incluse dans
lespace
M=
_
_
_
M

M est une martingale telle que


_
sup
t0
E
P
_
M
2
t
_
_
1/2
<
_
_
_
.
(43)
Exercice facultatif et laborieux! La fonction
M
: M[0, )
denie par
M
M
=
_
sup
t0
E
P
_
M
2
t
_
_
1/2
(44)
est une norme sur M.
11
Les processus previsibles (suite)
Ainsi, nous disons que la suite
_
M
(n)
: n N
_
de martingales appartenant
`a lespace norme (M,
M
) converge vers M si et seulement si M M
et
lim
n
_
_
_M
(n)
M
_
_
_
M
= lim
n
_
sup
t0
E
P
_
_
M
(n)
t
M
t
_
2
__
1/2
= 0.
Les processus previsibles (suite)
Lidee derri`ere la construction de
_
t
0
X
s
dW
s
est que, dun cote, nous avons
lespace (A,
A
) des processus pour lesquels nous construisons lintegrale
stochastique, et dautre part, nous avons lespace (M,
M
) contenant
les integrales stochastiques des processus du premier espace. Or, nous
avons choisi les normes de sorte que si le processus X est un processus
simple, alors X
A
=
_
X
s
dW
s

M
(ref.: lemme 5 en annexe).
Les processus previsibles (suite)
Cela entrane que si la suite de processus simples
_
X
(n)
: n N
_
est une
suite de Cauchy

dans le premier espace, cest-`a-dire que


_
_
_X
(n)
X
(m)
_
_
_
A
m,n
0, (45)
alors la suite
_
_
t
0
X
(n)
s
dW
s
: n N
_
dintegrales stochastiques est une
suite de Cauchy dans le second:
_
_
_
_
_
t
0
X
(n)
s
dW
s

_
X
(m)
s
dW
s
_
_
_
_
M
m,n
0. (46)

La suite
_
M
(n)
: n N
_
est une suite de Cauchy sur lespace norme (M,
M
) si
lim
n,m
_
_
_M
(n)
M
(m)
_
_
_
M
= 0.
Si
_
M
(n)
: n N
_
est une suite de Cauchy, nous ne pouvons pas, en general, armer
que cette suite converge, car nous ne sommes pas certains que le point limite appartient
`a lensemble M.
Les processus previsibles (suite)
Il ne reste qu`a verier que le point limite de la suite dintegrales stochas-
tiques
_
_
t
0
X
(n)
s
dW
s
: n N
_
est bien un element de M (ref. : lemme 6
en annexe).
Nous pourrons alors denir lintegrale stochastique du processus previsible
X = lim
n
X
(n)
par lim
n
_
t
0
X
(n)
s
dW
s
.
12
En resume
Nous avons deni lintegrale stochastique par rapport au (, F, F, P)
mouvement brownien pour tous les processus X Fprevisibles satisfaisant
la condition
E
P
__

0
X
2
t
dt
_
< .
Pour chacun de ces processus, nous avons etabli que la famille dintegrales
stochastiques
_
_
t
0
X
s
dW
s
: t 0
_
est une (, F, F, P) martingale.
En resume
Il est possible detendre la classe de processus pour lesquels lintegrale
stochastique peut etre denie. Cela fait intervenir les martingales locales
ainsi que les semi-martingales. Nous renvoyons au livre ecrit par Richard
Durrett ceux qui aimeraient en connatre davantage. Mentionnons toute-
fois quil est possible que pour ce type de processus, la famille dintegrales
stochastiques
_
_
t
0
X
s
dW
s
: t 0
_
ne soit plus une martingale.
Voici un resultat nous permettant de verier si lintegrale stochastique avec
laquelle nous travaillons est une martingale :
Lemme. Si X est un processus Fprevisible tel que E
P
_
_
t
0
X
2
s
ds
_
<
alors {
_
s
0
X
s
dW
s
: 0 s t} est une (, F, F, P) martingale (ref.
Revuz et Yor, corollaire 1.25, page 124).
Generalisation
Il est possible de denir lintegrale stochastique par rapport `a dautres
processus stochastiques que les martingales en imitant la construction que
nous venons de donner.
Bibliographie
DURRETT, Richard (1996). Stochastic Calculus, A Practical Introduction,
CRC Press, New York.
KARATZAS, Ioannis et SHREVE, Steven E. (1988). Brownian Motion and
Stochastic Calculus, Springer-Verlag, New York.
KARLIN, Samuel et TAYLOR, Howard M. (1975). A First Course in Sto-
chastic Processes, deuxi`eme edition, Academic Press, New York.
LAMBERTON, Damien et LAPEYRE, Bernard (1991). Introduction au
calcul stochastique applique `a la nance,

Ellipses, Paris.
REVUZ, Daniel et YOR, Marc (1991). Continuous Martingale and Brown-
ian Motion, Springer-Verlag, New York.
13
Annexe
Nous aurons besoin ulterieurement de quelques resultats que nous allons
tout de suite commencer `a elaborer. Voici donc le premier :
Lemme 2. Si X et Y sont des processus de base, alors pour tout t 0,
E
P
__
t
0
X
s
Y
s
ds
_
= E
P
___
t
0
X
s
dW
s
___
t
0
Y
s
dW
s
__
.
Preuve du lemme 2. Il sera susant de montrer que
E
P
__

0
X
s
Y
s
ds
_
= E
P
___

0
X
s
dW
s
___

0
Y
s
dW
s
__
(47)
car
X = C
(a,b]
et Y =

C
_
a,

b
_
(48)
etant des processus de base,
X
(0,t]
= C
(at,bt]
, (49)
Y
(0,t]
=

C
_
at,

bt
_
(50)
et XY
(0,t]
= C

C
_
(aa)t,
_
b

b
_
t
_
(51)
le sont aussi. Ainsi, si lequation (47) est veriee, nous pouvons lutiliser
pour etablir la troisi`eme egalite dans le calcul qui suit :
Preuve du lemme 2 (suite)
E
P
__
t
0
X
s
Y
s
ds
_
= E
P
__

0
X
s
Y
s

(0,t]
(s) ds
_
(52)
= E
P
__

0
_
X
s

(0,t]
(s)
_ _
Y
s

(0,t]
(s)
_
ds
_
(53)
= E
P
___

0
X
s

(0,t]
(s) dW
s
___

0
Y
s

(0,t]
(s) dW
s
__
= E
P
___
t
0
X
s
dW
s
___
t
0
Y
s
dW
s
__
. (54)
14
Preuve du lemme 2 (suite)

Etablissons donc lequation (47)


E
P
__

0
X
s
Y
s
ds
_
= E
P
___

0
X
s
dW
s
___

0
Y
s
dW
s
__
.
Trois cas doivent etre traites separement :
(i) (a, b]
_
a,

b
_
= ,
(ii) (a, b] =
_
a,

b
_
,
(iii) (a, b] =
_
a,

b
_
et (a, b]
_
a,

b
_
= .
Preuve du lemme 2 (suite)
Preuve de (i). Puisque (a, b]
_
a,

b
_
= , nous pouvons supposer, sans
perte de generalite, que a < b a <

b. Puisque
X
s
Y
s
= C

C
(a,b]
(s)
_
a,

b
_
(s) = 0,
alors E
P
[
_

0
X
s
Y
s
ds] = 0.
Preuve du lemme 2 (suite)
Maintenant, comme C,

C et (W
b
W
a
) sont F
a
mesurables,
E
P
___

0
X
s
dW
s
___

0
Y
s
dW
s
__
(55)
= E
P
_
C (W
b
W
a
)

C
_
W

b
W
a
__
(56)
= E
P
_
E
P
_
C (W
b
W
a
)

C
_
W

b
W
a
_
|F
a
__
(57)
= E
P
_

_
C

C (W
b
W
a
) E
P
_
W

b
W
a
|F
a
_
. .
=W
a
W
a
=0
_

_
(58)
= 0 = E
P
__

0
X
s
Y
s
ds
_
(59)
etablissant ainsi lequation (47) dans ce cas particulier.
Preuve du lemme 2 (suite)
Preuve de (ii). Supposons maintenant que (a, b] =
_
a,

b
_
. Alors
E
P
__

0
X
s
Y
s
ds
_
= E
P
__

0
C

C
(a,b]
dt
_
(60)
= E
P
_
C

C
_

0

(a,b]
dt
_
(61)
= E
P
_
C

C (b a)
_
(62)
= (b a) E
P
_
C

C
_
. (63)
15
Preuve du lemme 2 (suite)
Dautre part,
E
P
___

0
X
s
dW
s
___

0
Y
s
dW
s
__
(64)
= E
P
_
C (W
b
W
a
)

C (W
b
W
a
)
_
(65)
= E
P
_
C

CE
P
_
(W
b
W
a
)
2
|F
a
__
car C et

C sont F
a
mesurables
= E
P
_
C

CE
P
_
(W
b
W
a
)
2
__
(66)
car W
b
W
a
est independante de F
a
= E
P
_
C

C (b a)
_
car W
b
W
a
est de loi N (0, b a) (67)
= (b a) E
P
_
C

C
_
= E
P
__

0
X
s
Y
s
ds
_
(68)
etablissant lequation (47) pour cet autre cas particulier.
Preuve du lemme 2 (suite)
Preuve de (iii). Nous avons que (a, b] =
_
a,

b
_
et (a, b]
_
a,

b
_
= .
Posons a

= a a et b

= b b

. Dune part,
E
P
__

0
X
s
Y
s
ds
_
= E
P
_
_
_

0
C
(a,b]

C
_
a,

b
_
dt
_
_
(69)
= E
P
__

0
C

C
(a

,b

]
dt
_
(70)
= E
P
_
C

C
_

0

(a

,b

]
dt
_
(71)
= E
P
_
C

C (b

)
_
(72)
= (b

) E
P
_
C

C
_
. (73)
Preuve du lemme 2 (suite)
Dans ce qui suit, sil advenait des intervalles de la forme (, ] o` u ,
alors nous denissons (, ] = . Dautre part, comme
_

0
X
s
dW
s
(74)
= C (W
b
W
a
) (75)
= C (W
b
W
b
+W
b
W
a
+W
a
W
a
) (76)
= C (W
b
W
b
) +C (W
b
W
a
) +C (W
a
W
a
) (77)
=
_

0
C
(b

,b]
dW
s
+
_

0
C
(a

,b

]
dW
s
+
_

0
C
(a,a

]
dW
s
, (78)
16
Preuve du lemme 2 (suite)
_

0
Y
s
dW
s
(79)
=

C
_
W

b
W
a
_
(80)
=

C
_
W

b
W
b
+W
b
W
a
+W
a
W
a
_
(81)
=

C
_
W

b
W
b

_
+

C (W
b
W
a
) +

C (W
a
W
a
) (82)
=
_

0

C
_
b

b
_
dW
s
+
_

0

C
(a

,b

]
dW
s
+
_

0

C
(a,a

]
dW
s
(83)
Preuve du lemme 2 (suite)
et
(a, a

] ( a, a

] = , (a, a

] (a

, b

] = , (a, a

]
_
b

b
_
= ,
(a

, b

] ( a, a

] = , (a

, b

]
_
b

b
_
= ,
(b

, b] ( a, a

] = , (b

, b] (a

, b

] = , (b

, b]
_
b

b
_
= ,
nous pouvons utiliser les resultats obtenus aux points (i) et (ii) an de
completer la demonstration : utilisant les expressions des lignes (78) et
(83),
E
P
___

0
X
s
dW
s
___

0
Y
s
dW
s
__
= E
P
__

0
_
C
(a

,b

]
dW
s
_
__

0

C
(a

,b

]
dW
s
__
= (b

) E
P
_
C

C
_
= E
P
__

0
X
s
Y
s
ds
_
.
La demonstration du lemme 2 est maintenant compl`ete.
Voici un deuxi`eme resultat semblable au lemme 2 mais pour les processus
simples.
Lemme 4. Si X est un processus simple, alors pour tout t 0,
E
P
__
t
0
X
2
s
ds
_
= E
P
_
__
t
0
X
s
dW
s
_
2
_
. (84)
17
Preuve du lemme 4. Soit X =

n
i=1
C
i

(a
i
,b
i
]
, un processus simple.
E
P
_
__
t
0
X
s
dW
s
_
2
_
(85)
= E
P
_

_
_
_
n

i=1
_
t
0
C
i

(a
i
,b
i
]
(s) dW
s
_
_
2
_

_ (86)
=
n

i=1
n

j=1
E
P
__
t
0
C
i

(a
i
,b
i
]
(s) dW
s
___
t
0
C
j

(a
j
,b
j
]
(s) dW
s
_
(87)
=
n

i=1
n

j=1
E
P
__
t
0
C
i

(a
i
,b
i
]
(s) C
j

(a
j
,b
j
]
(s) ds
_
par le lemme 2.
= E
P
_
_
_
t
0
n

i=1
n

j=1
C
i

(a
i
,b
i
]
(s) C
j

(a
j
,b
j
]
(s) ds
_
_
(88)
= E
P
_

_
_
t
0
_
_
n

i=1
C
i

(a
i
,b
i
]
(s)
_
_
2
ds
_

_ = E
P
__
t
0
X
2
s
ds
_
. (89)
Lemme 5. Pour tout processus simple Y , Y
A
=
_
Y
s
dW
s

M
.
Preuve du lemme 5. Remarquons que , la fonction t
_
t
0
Y
2
s
() ds ainsi que la fonction t E
P
_
_
t
0
Y
2
s
ds
_
sont non-decroissantes.
Par consequent,
Y
2
A
= E
P
__

0
Y
2
s
ds
_
= E
P
_
lim
t
_
t
0
Y
2
s
ds
_
= lim
t
E
P
__
t
0
Y
2
s
ds
_
par le theor`eme de la convergence monotone.
= sup
t0
E
P
__
t
0
Y
2
s
ds
_
= sup
t0
E
P
_
__
t
0
Y
s
dW
s
_
2
_
par le lemme 4.
=
_
_
_
_
_
Y
s
dW
s
_
_
_
_
2
M
par la denition meme de
M
.
18
Preuve du lemme 5 (suite)
Ce dernier resultat fait en sorte que la suite
_
_
X
(n)
s
dW
s
: n N
_
dintegrales
stochastiques de processus simples par rapport au mouvement brownien est
une suite de Cauchy puisque
lim
n,m
_
_
_
_
_
X
(n)
s
dW
s

_
X
(m)
s
dW
s
_
_
_
_
M
= lim
n,m
_
_
_X
(n)
X
(m)
_
_
_
A
= 0
o` u la premi`ere egalite est une consequence directe du lemme 5, X
(n)
et
X
(m)
etant des processus stochastiques simples, et la deuxi`eme egalite
provient du fait que la suite
_
X
(n)
: n N
_
est une suite de Cauchy
puisquelle converge vers X.
Lemme 6. Lespace norme (M,
M
) est complet

(Durrett, 1996,
theor`eme 4.6, page 57).
Comme
_
_
X
(n)
s
dW
s
: n N
_
est une suite de Cauchy sur lespace com-
plet (M,
M
) alors cette limite converge, etablissant ainsi lexistence
de ce que nous avons appele
_
X
s
dW
s
, et ce point limite appartient `a
(M,
M
), ce qui implique que lintegrale stochastique de X par rapport
`a W,
_
X
s
dW
s
, est une martingale, meme pour certains processus adaptes
qui ne sont pas des processus simples.

Un espace norme est dit complet si toute suite de Cauchy converge, cest-`a-dire que le
point limite de toute suite de Cauchy appartient `a lespace.
Commentaire
Il est possible de demontrer que la denition de lintegrale stochastique
pour les processus stochastiques previsibles X A possedant une suite de
processus simples les approchant ne depend pas de la suite choisie, cest-`a-
dire que si
_
X
(n)
: n N
_
et
_

X
(n)
: n N
_
sont deux suites de processus
simples telles que lim
n
_
_
_X
(n)
X
_
_
_
A
= 0 et lim
n
_
_
_

X
(n)
X
_
_
_
A
=
0, alors
lim
n
_
X
(n)
s
dW
s
= lim
n
_

X
(n)
dW
s
. (90)
Commentaire
Un dernier commentaire: pour tout processus stochastique previsible X
(A,
A
), il existe une suite
_
X
(n)
: n N
_
de processus simples telle
que
lim
n
_
_
_X
(n)
X
_
_
_
A
= 0. (91)
(Durrett, 1996, lemme 4.5, page 57)
19