Vous êtes sur la page 1sur 10

I.

Rappels de calcul stochastique


Le but de ce chapitre est de presenter bri`evement les resultats de calcul stochastique dont
nous aurons besoin dans la suite du cours. Il ne sagit nullement de developper la theorie generale
pour laquelle les ouvrages [KS91] et [RY91] sont des references remarquables. La reference [LL97]
est tr`es pedagogique ; le second paragraphe en est fortement inspire.
1. Denitions
Ici (, T, P) est un espace de probabilite complet.
1.1. Generalites
Denition 1. Soit T un ensemble. On appelle processus stochastique indexe par T et `a valeurs
dans R
d
une famille (X
t
)
tT
dapplications mesurables de (, T) dans
_
R
d
, B(R
d
)
_
; pour tout
t T, X
t
est une variable aleatoire.
Remarque. Dans ce cours, nous aurons T = N ce qui correspond aux processus `a temps discret,
T = R
+
ou T = [0, a] pour les processus `a temps continu.
Pour simplier les enonces qui suivent sont donnes avec T = R
+
; pour alleger lecriture,
nous noterons un processus X plutot que (X
t
)
t0
.
Denition 2. Un processus X est mesurable si lapplication (t, ) X
t
() de R
+
dans
R
d
est mesurable par rapport aux tribus B(R
+
) T et B(R
d
).
On peut noter quun processus stochastique peut etre vu comme une fonction aleatoire : `a
chaque , on associe la fonction t X
t
() qui est appelee trajectoire (sample path en anglais).
Denition 3. Soient X et Y deux processus. X est une modication de Y si, pour tout t 0,
les v.a. X
t
et Y
t
sont egales Pp.s. : t 0, P(X
t
= Y
t
) = 1.
X et Y sont indistinguables si, Pp.s., les trajectoires de X et de Y sont les memes cest `a
dire P(X
t
= Y
t
, t 0) = 1.
La notion dindistinguabilite est plus forte que la notion de modication. Notons que si X
est une modication de Y et si X et Y sont `a trajectoires continues `a droite (ou `a gauche) alors
X et Y sont indistinguables.
Comme dans le cas discret, les tribus jouent un role tr`es important dans letude des processus
stochastiques car elles representent linformation disponible et permettent de traduire les notions
de passe, present et futur.
Nous travaillerons avec une ltration T
t

t0
de (, T) cest `a dire une famille croissante de
sous-tribus de T i.e. pour s t, T
s
T
t
T. On denit alors T

=
t
T
t
ainsi que, pour
tout t, T
t
+ =
>0
T
t+
.
Denition 4. On dit quune ltration T
t

t0
est continue `a droite si T
t
= T
t
+ pour tout t.
On dit quelle verie les conditions habituelles si elle est continue `a droite et si T
0
contient
tous les ensembles Pnegligeables de T, note ^ dans la suite.
1
Si lon se donne un processus X, on introduit la ltration (
t
= X
s
; s t. Cette ltration
sappelle la ltration naturelle de X. Mais (
0
ne contient pas necessairement ^. Cest pour cela
que lon introduit souvent la ltration naturelle augmentee de X denie par T
X
t
= ^ (
t
.
Lorsque nous parlerons de ltration naturelle il sagira toujours de ltration naturelle augmentee.
Denition 5. Un processus X est adapte par rapport `a la ltration T
t

t0
si, pour tout t, X
t
est T
t
mesurable.
Il est inutile de dire quun processus est toujours adapte par rapport `a sa ltration naturelle.
Remarque. Si ^ T
0
, et si X est adapte par rapport `a T
t

t0
alors toute modication de X
est encore adaptee.
Denition 6. Un processus X est progressivement mesurable par rapport `a T
t

t0
si lap-
plication (s, ) X
s
() de [0, t] dans R
d
est mesurable par rapport `a B([0, t]) T
t
et
B(R
d
).
Un processus progressivement mesurable est mesurable et adapte. On peut egalement noter
que si X est un processus mesurable et adapte alors il poss`ede une modication progressivement
mesurable. Rappelons egalement le resultat suivant :
Proposition 7. Si X est un processus stochastique dont les trajectoires sont continues `a droite
(ou continues `a gauche) alors X est mesurable et X est progressivement mesurable sil est de
plus adapte.
Finissons ces generalites par la notion de temps darret.
Denition 8. Soit une variable aleatoire `a valeurs dans R
+
. est un T
t

t0
temps darret
si, pour tout t, t T
t
.
Si est un temps darret, on appelle tribu des ev`enements anterieurs `a la tribu denie par
T

= A T

, A t T
t
, t .
Proposition 9. Soit un temps darret. Si X est progressivement mesurable, le processus arrete
X

deni par X

t
= X
t
est progressivement mesurable.
1.2. Mouvement brownien
Denition 10. On appelle mouvement brownien standard un processus stochastique W `a va-
leurs reelles tel que :
1. Pp.s. t W
t
() est continue ;
2. pour 0 s < t, W
t
W
s
est independant de la tribu W
u
, u s et de loi gaussienne
centree de variance t s ;
3. W
0
= 0 Pp.s.
Pour tout t > 0, la variable aleatoire W
t
suit la loi gaussienne centree de variance t donc de
densite (2t)
1/2
expx
2
/(2t). On dit quun mouvement brownien (MB dans la suite) part
dun point x si W
0
= x.
Remarque. On dit que W est un T
t

t0
MB si W est un processus continu, adapte `a la ltration
T
t

t0
, veriant :
u R, 0 s t, E
_
e
iu(W
t
W
s
)
[ T
s
_
= exp
_
u
2
(t s)/2
_
.
2
Proposition 11. Soit W un MB standard.
1. pour tout s > 0, W
t+s
W
s

t0
est un MB independant de W
u
, u s ;
2. W est aussi un MB;
3. pour tout c > 0, cW
t/c
2
t0
est un MB;
4. le processus deni par X
0
= 0 et X
t
= tW
1/t
est un MB.
Rappelons quune fonction f `a valeurs reelles et denie sur R
+
est localement holderienne
dordre si, pour tout a > 0, il existe une constante C telle que :
(x, y) [0, a]
2
, [f(x) f(y)[ C [x y[

.
Theor`eme 12. Propri et es des trajectoires. Si W est un MB, alors presque s urement,
on a :
1. t W
t
() nest `a variation nie sur aucun intervalle ;
2. t W
t
() est localement holderienne dordre pour tout < 1/2.
3. t W
t
() nest derivable en aucun point (ni localement holderienne dordre 1/2).
Denition 13. On appelle MB standard `a valeurs dans R
d
, un vecteur W =
_
W
1
, . . . , W
d
_
o` u
les W
i
sont des MB reels independants.
Proposition 14. Soit W un MB. La ltration
_
T
W
t
_
t0
verie les conditions habituelles et W
est un
_
T
W
t
_
t0
MB.
1.3. Martingales
Denition 15. Un processus X `a valeurs reelles est une T
t

t0
martingale (respectivement
une sous-martingale, resp. une surmartingale) si :
1. pour tout t 0, X
t
est T
t
mesurable ;
2. pour tout t 0, X
t
est integrable i.e. E[[X
t
[] < ;
3. pour 0 s t, E(X
t
[ T
s
) = X
s
(resp. E(X
t
[ T
s
) X
s
, resp. X
s
).
Remarque. Si W est un MB, alors
_
W
2
t
t
_
t0
et
_
exp
_
W
t

2
t/2
__
t0
sont des martingales.
Theor`eme 16. In egalit es maximales de Doob. Soit X une martingale (ou une sous-
martingale positive) continue `a droite. Alors,
1. p 1, a > 0, a
p
P(sup
t
[X
t
[ a) sup
t
E[[X
t
[
p
] ;
2. p > 1, E[sup
t
[X
t
[
p
] q
p
sup
t
E[[X
t
[
p
] o` u q = p(p 1)
1
.
Theor`eme 17. Th eor` eme darr et de Doob. Si X est une martingale et si et sont deux
temps darret bornes tels que , alors, E(X

[T

) = X

Pp.s.
Rappelons aussi quun processus X adapte et integrable est une martingale si et seulement
si, pour tout temps darret borne , E[X

] = E[X
0
].
Pour le dernier resultat nous supposons que la ltration T
t

t0
verie les conditions habi-
tuelles.
Theor`eme 18. Soit X une T
t

t0
martingale. X poss`ede une modication c`adl`ag i.e. dont
les trajectoires sont continues `a droite et poss`edent des limites `a gauche.
3
Indroduisons `a present une classe plus vaste de processus stochastiques : les martingales
locales.
Denition 19. Soit X un processus T
t

t0
adapte, `a trajectoires continues `a droite. On dit
que X est une martingale locale sil existe une suite croissante de temps darret
n

n1
telle
que lim
n

n
= + Pp.s et, pour tout n, X

n
1

n
>0
est une martingale.
Theor`eme 20. Soit X une martingale locale continue. Il existe un unique processus croissant
et continu, X, X), nul en 0, tel que X
2
X, X) soit une martingale locale.
Remarque. Si W est un MB, on a W, W)
t
= t car
_
W
2
t
t
_
t0
est une martingale.
Proposition 21. Soit X une martingale locale continue. Il y a equivalence entre :
1. X
0
L
2
et E[X, X)

] < ;
2. X est une martingale bornee dans L
2
.
Theor`eme 22. In egalit es de BurkholderDavisGundy. Soit p ]0, [. Il existe deux
constantes c
p
et C
p
telles que, pour toute martingale locale continue X, nulle en zero,
c
p
E
_
X, X)
p/2

_
E
_
sup
t0
[X
t
[
p
_
C
p
E
_
X, X)
p/2

_
.
Remarque. En particulier, si T > 0,
c
p
E
_
X, X)
p/2
T
_
E
_
sup
0tT
[X
t
[
p
_
C
p
E
_
X, X)
p/2
T
_
.
2. Calcul dIto
Dans tout ce paragraphe, on se donne (, T, P) un espace de probabilite complet, T
t

t0
une
ltration qui verie les conditions habituelles et W un T
t

t0
MB (on peut prendre T
t
= T
W
t
).
Les martingales seront toujours c`adl`ag.
2.1. Integrale stochastique
Lobjectif de ce paragraphe est de denir
_
t
0
H
s
dW
s
. Ceci nest pas evident car comme
nous lavons rappele precedemment les trajectoires du MB ne sont pas `a variation nie et donc
lintegrale precedente nest en aucun cas une integrale de Lebesgue-Stieljes.
Dans toute la suite, on xe un reel T strictement positif. Les processus sont denis pour
t [0, T] ; on notera X pour (X
t
)
t[0,T]
.
Denition 1. On appelle processus elementaire H = (H
t
)
0tT
un processus de la forme :
H
t
=
0
1
0
(t) +
p

i=1

i
1
]t
i1
,t
i
]
(t),
o` u 0 = t
0
< t
1
< . . . < t
p
= T,
0
est une variable aleatoire T
0
mesurable bornee et, pour
i = 1, . . . , p,
i
est une variable aleatoire T
t
i1
mesurable et bornee.
4
Pour un tel processus, on peut denir lintegrale stochastique par rapport `a W comme etant
le processus continu I(H)
t

0tT
deni par :
I(H)
t
=
p

i=1

i
(W
t
i
t
W
t
i1
t
),
soit encore, si t ]t
k
, t
k+1
],
I(H)
t
=
k

i=1

i
(W
t
i
W
t
i1
) +
k+1
(W
t
W
t
k
).
On note
_
t
0
H
s
dW
s
pour I(H)
t
. On obtient alors directement `a laide de cette denition le
resultat suivant :
Proposition 2. Si H est un processus elementaire, alors
_
_
t
0
H
s
dW
s
_
0tT
est une T
t

t0

martingale continue telle que


t [0, T], E
_

_
t
0
H
s
dW
s

2
_
= E
__
t
0
H
2
s
ds
_
.
On veut `a present denir lintegrale stochastique pour une classe plus vaste de processus
H. Pour la premi`ere extension, on utilise la densite des processus elementaires dans lespace
vectoriel /
2
suivant :
/
2
=
_
(H
t
)
0tT
, progressivement mesurable, E
__
T
0
H
2
s
ds
_
<
_
.
On designe par H
2
lespace vectoriel des martingales bornees dans L
2
; le sous-espace de H
2
forme par les martingales qui sont continues est note H
2
c
. On munit H
2
de la norme denie par
|M|
H
2 = E[[M
T
[
2
]
1/2
qui en fait un espace de Hilbert. Linegalite de Doob montre que cette
norme est equivalente `a la norme E[sup
t
[M
t
[
2
]
1/2
; par suite, H
2
c
est un sous-espace ferme. H
2
et H
2
c
designent les sous-espaces de H
2
et H
2
c
constitues des martingales nulles en 0 ; ces deux
sous-espaces sont fermes.
On obtient alors le resultat suivant :
Theor`eme 3. Il existe une unique application lineaire J de /
2
dans H
2
c
telle que :
1. si H est un processus elementaire, alors I(H) et J(H) sont indistinguables ;
2. pour tout t, E
_
J(H)
2
t

= E
_
_
t
0
H
2
s
ds
_
.
Lunicite signie que si J et J

sont deux prolongements veriant les proprietes precedentes


alors J(H) et J

(H) sont indistinguables.


On note toujours
_
t
0
H
s
dW
s
pour J(H)
t
.
Remarque. Notons M
2
lensemble des classes dequivalence de /
2
. M
2
est un espace de Hilbert.
Lintegrale stochastique est alors une isometrie de M
2
dans H
2
c
.
On obtient les proprietes suivantes :
Proposition 4. Soit H /
2
. On a
E
_
sup
0tT

_
t
0
H
s
dW
s

2
_
4E
__
T
0
H
2
s
ds
_
,
et si est un temps darret,
_

0
H
s
dW
s
=
_
T
0
1
s
H
s
dW
s
, Pp.s.
5
La derni`ere extension de lintegrale stochastique dont nous aurons besoin consiste `a relaxer
lhypoth`ese dintegrabilite portant sur H. On introduit pour cela
/
2
loc
=
_
(H
t
)
0tT
, progressivement mesurable,
_
T
0
H
2
s
ds < Pp.s.
_
.
et on a le resultat suivant :
Proposition 5. Il existe une unique application lineaire J

de /
2
loc
dans lensemble des mar-
tingales locales continues telle que :
1. si H est un processus elementaire alors J

(H) et I(H) sont indistinguables ;


2. si (H
n
)
n
est une suite de processus de /
2
loc
telle que
_
T
0
H
n
s
2
ds tend vers 0 en probabilite
alors sup
0tT
[J

(H
n
)
t
[ tend vers 0 en probabilite.
On note encore
_
t
0
H
s
dW
s
pour J

(H)
t
.
Remarque. Attention, lorsque H /
2
loc
,
_
_
t
0
H
s
dW
s
_
0tT
est seulement une martingale locale
et pas necessairement une martingale.
Proposition 6. Pour H /
2
loc
,
_

0
H
s
dW
s
)
t
=
_
t
0
H
2
s
ds.
2.2. Processus dIto
Nous introduisons `a present une classe de processus qui sera tr`es utile dans la suite.
Denition 7. On appelle processus dIto un processus X `a valeurs reelles tel que :
Pp.s. 0 t T, X
t
= X
0
+
_
t
0
K
s
ds +
_
t
0
H
s
dW
s
,
o` u X
0
est T
0
mesurable, K et H sont deux processus progressivement mesurables veriant les
conditions, Pp.s. :
_
T
0
[K
s
[ ds < et
_
T
0
[H
s
[
2
ds < .
On peut montrer que si un processus dIto est une martingale locale continue alors K
t
= 0
mPp.p. On en deduit alors que la decomposition dun processus dIto est unique au sens o` u
si
X
t
= X
0
+
_
t
0
K
s
ds +
_
t
0
H
s
dW
s
= X

0
+
_
t
0
K

s
ds +
_
t
0
H

s
dW
s
alors X
0
= X

0
Pp.s. et H

t
= H
t
, K
t
= K

t
mPp.p.
Si X et Y sont deux processus dIto,
X
t
= X
0
+
_
t
0
K
s
ds +
_
t
0
H
s
dW
s
et Y
t
= X

0
+
_
t
0
K

s
ds +
_
t
0
H

s
dW
s
on pose X, Y )
t
=
_
t
0
H
s
H

s
ds et dX
t
= K
t
dt +H
t
dW
t
. On a alors la
Proposition 8. Formule dint egration par parties. Si X et Y sont deux processus dIto,
alors
X
t
Y
t
= X
0
Y
0
+
_
t
0
X
s
dY
s
+
_
t
0
Y
s
dX
s
+X, Y )
t
.
6
Theor`eme 9. Formule dIt o. Soient (t, x) f(t, x) une fonction reelle deux fois dieren-
tiable en x et une fois dierentiable en t et X un processus de Ito. On a :
f(t, X
t
) = f(0, X
0
) +
_
t
0
f

s
(s, X
s
) ds +
_
t
0
f

x
(s, X
s
) dX
s
+
1
2
_
t
0
f

xx
(s, X
s
) dX, X)
s
.
Nous nissons ce paragraphe en etendant la formule precedente au cas dun mouvement brow-
nien ddimensionnel et dun processus dIto ndimensionnel. Les hypoth`eses sur les coecients
sont celles de la Denition 7.
Theor`eme 10. Soit X un processus dIto `a valeurs dans R
n
: pour i = 1, . . . , n,
X
i
t
= X
i
0
+
_
t
0
K
i
s
ds +
d

k=1
_
t
0
H
i,k
s
dW
k
s
.
Si f est deux fois dierentiable en x et une fois en t on a :
f(t, X
t
) = f(0, X
0
) +
_
t
0

s
f(s, X
s
) ds +
n

i=1
_
t
0

x
i
f(s, X
s
) dX
i
s
+
1
2
n

i,j=1
_
t
0

2
x
i
,x
j
f(s, X
s
) dX
i
, X
j
)
s
,
avec dX
i
s
= K
i
s
ds +

d
k=1
H
i,k
s
dW
k
s
et dX
i
, X
j
)
s
=

d
k=1
H
i,k
s
H
j,k
s
ds.
Le resultat est plus simple `a retenir sous forme vectorielle. Pour cela, on note X le vecteur
colonne de R
n
de coordonnees X
i
, K le vecteur de R
n
de coordonnees K
i
et W le vecteur de R
d
de coordonnee W
j
. On introduit alors la matrice de taille n d, H = (H
i,j
)
1in, 1jd
. Avec
ces notations, on a :
X
t
= X
0
+
_
t
0
K
s
ds +
_
t
0
H
s
dW
s
,
o` u H
s
dW
s
est un produit matricevecteur colonne. La formule dIto secrit sous la forme, notant
x y le produit scalaire dans R
n
et H

la transposee de H
f(t, X
t
) = f(0, X
0
) +
_
t
0

s
f(s, X
s
) ds +
_
t
0
f(s, X
s
) dX
s
+
1
2
_
t
0
trace
_
D
2
f(s, X
s
)H
s
H

s
_
ds,
soit encore
f(t, X
t
) = f(0, X
0
) +
_
t
0
(
s
f(s, X
s
) +f(s, X
s
) K
s
) ds
+
1
2
_
t
0
trace
_
D
2
f(s, X
s
)H
s
H

s
_
ds +
_
t
0
Df(s, X
s
)H
s
dW
s
.
3. Resultats importants
3.1. Representation des martingales browniennes
Rappelons tout dabord la caracterisation du mouvement brownien en termes de martingales
due `a Paul L evy.
Theor`eme 1. Soit X une T
t

t0
martingale locale continue, nulle en 0. On suppose que, pour
tout i, j 1, . . . , d, X
i
, X
j
)
t
=
i,j
t. Alors X est un T
t

t0
mouvement brownien dans R
d
.
7
Demonstration. Placons-nous sur [0, T] et remarquons que X est une martingale de carre inte-
grable si la condition de crochet est satisfaite. Nous devons montrer que
0 s t T, u R
d
, E
_
e
iu(X
t
X
s
)
[ T
s
_
= exp
_
[u[
2
(t s)/2
_
.
Appliquons la formule dIto `a la fonction x e
iux
entre s et t pour obtenir
e
iuX
t
= e
iuX
s
+
_
t
s
ie
iuX
r
u dX
r

[u[
2
2
_
t
s
e
iuX
r
dr.
Comme X est une martingale de carre integrable, lintegrale stochastique precedente est une
martingale ; si on multiplie legalite par e
iuX
s
1
A
o` u A T
s
, on obtient en prenant lesperance,
E
_
e
iu(X
t
X
s
)
1
A
_
= P(A)
[u[
2
2
_
t
s
E
_
e
iu(X
r
X
s
)
1
A
_
dr,
et par suite
E
_
e
iu(X
t
X
s
)
1
A
_
= P(A) exp
_
[u[
2
(t s)/2
_
,
ce qui conclut la preuve de ce resultat.
Nous allons utiliser cette caracterisation du mouvement brownien pour demontrer que toute
martingale dans la ltration brownienne est une integrale stochastique par rapport au mouve-
ment brownien. Insistons lourdement sur le fait que nous travaillons avec la ltration naturelle
du mouvement brownien W et reprenons la notation T
W
t
pour ne pas loublier.
Theor`eme 2. Soit M une
_
T
W
t
_
t[0,T]
martingale (c`adl`ag) de carre integrable. Alors il existe
un unique processus (H
t
)
t[0,T]
, appartenant `a M
2
(R
k
), tel que
Pp.s. t [0, T], M
t
= M
0
+
_
t
0
H
s
dW
s
.
Il est important de remarquer que ce resultat implique que, dans la ltration brownienne,
les martingales sont continues.
Demonstration. Nous nous placons en dimension un pour simplier lecriture. Rappelons que
H
2
est lespace des martingales de carre integrable, H
2
c
le sous-espace forme des martingales
continues. La norme utilisee est |M|
2
= E
_
M
2
T

qui fait des deux espaces precedents deux


espaces de Hilbert. H
2
et H
2
c
sont les sous-espaces de H
2
et H
2
c
formes par les martingales nulles
en 0. On note J lapplication integrale stochastique : J : M
2
H
2
c
.
On doit montrer que H
2
= J
_
M
2
_
. Pour cela remarquons tout dabord que si M H
2
il existe un unique couple de martingales (X, Y ) tel que M = X + Y avec X J
_
M
2
_
et
Y H
2
veriant Y, W) = 0. Cette derni`ere condition signie que XY est une martingale pour
toute X J
_
M
2
_
. Lunicite est evidente. Pour lexistence, notons que J
_
M
2
_
T
lensemble des
conditions terminales des integrales browniennes, est un ferme de L
2
_
T
W
T
_
. Soit F lorthogonal.
On consid`ere la decomposition orthogonale M
T
= X
T
+ Y
T
et on denit Y
t
= E
_
Y
T
[ T
W
t
_
.
On doit montrer que le crochet de Y et W est nul ce qui revient `a montrer que Y W est une
martingale. Si est un temps darret,
E[Y

] = E
_
W

E
_
Y
T
[ T
W

_
= E[W

Y
T
] = E[W

T
Y
T
] ;
la derni`ere esperance est nulle car W

appartient `a J
_
M
2
_
et donc Y est orthogonale `a W.
8
Comme J
_
M
2
_
est ferme il sut de demontrer que G J
_
M
2
_
pour un sous-ensemble
dense de H
2
. Les martingales bornees sont denses. Mais on peut remarquer que les martingales
bornees telles que Y est egalement bornee sont denses. En eet, si M est une martingale bornee,
notons (X, Y ) sa decomposition. On introduit la suite de temps darret
n
= inft, [X
t
[ n.
Comme X est continue, X

n
et par suite Y

n
= M

n
X

n
sont des martingales bornees.
On a bien evidemment M

n
T
M
T
dans L
2
. Montrons que la decomposition de M

n
est
(X

n
, Y

n
). Il sagit de montrer que W est orthogonal `a Y

n
puisque X

n
secrit comme une
integrale stochastique. Or Y

n
, W) = Y, W)

n
ce qui donne le resultat.
On suppose donc que X, Y , et M sont bornees par . Soit D = 1+Y
T
/(2). On a D 1/2 et
E[D] = 1. On consid`ere P

la probabilite sur T
W
T
de densite D par rapport `a P. Soit X J
_
M
2
_
;
montrons que X est une P

martingale. Soit donc un temps darret. On a, comme E[X

] = 0,
E

[X

] = E[DX

] = E[Y
T
X

]/(2) = E[Y

]/(2) = Y, X)

/(2) = 0,
ce qui montre que X est une P

martingale. Comme W
2
t
t = 2
_
t
0
W
r
dW
r
, le calcul precedent
montre que W
t
et W
2
t
t sont des P

martingales continues. Donc dapr`es le theor`eme de Paul


L evy, sous P comme sous P

, W est un mouvement brownien. Comme D est mesurable par


rapport `a T
W
T
, on en deduit que D = 1 ce qui donne Y
T
= 0 et donc Y = 0.
On deduit de ce resultat que si est une variable aleatoire de carre integrable, T
W
T
mesurable,
il existe un unique processus (H
t
)
t[0,T]
M
2
(R
d
) tel que
= E[] +
_
T
0
H
s
dW
s
.
3.2. Theor`eme de Girsanov
Theor`eme 3. Soit (h
t
)
0tT
un processus progressivement mesurable, `a valeurs dans R
d
tel que
Pp.s.
_
T
0
[h
s
[
2
ds < +. On suppose que le processus (D
t
)
0tT
deni par
D
t
= exp
__
t
0
h
s
dW
s

1
2
_
t
0
[h
s
[
2
ds
_
est une martingale. Soit P

la mesure de densite D
T
par rapport `a P sur T
T
. Introduisons
le processus B
t
= W
t

_
t
0
h
s
ds. Alors, sous la probabilite P

, B est un mouvement brownien


standard.
Remarque. Lorsque E
_
exp
_
1/2
_
T
0
[h
s
[
2
ds
__
< +, D est une martingale. Ce crit`ere est connu
sous le nom de condition de Novikov.
3.3. Crit`ere de Kolmogorov
Nous nissons ce chapitre preliminaire par le crit`ere de Kolmogorov. Fixons quelques no-
tations. Soit X un processus `a valeurs dans un espace de Banach indice par un param`etre
ddimensionnel. On note | | la norme de lespace de Banach et [ [ celle de R
d
. Rappelons
quune fonction f `a valeurs dans un Banach et denie sur R
d
est localement holderienne dordre
si, pour tout a > 0, il existe une constante C telle que :
[x[, [y[ a, |f(x) f(y)| C [x y[

.
9
Theor`eme 4. Crit` ere de Kolmogorov. Soit (X
t
)
t[0,1]
d un processus `a valeurs dans un
Banach. Supposons quil existe trois constantes strictement positives, , , C, telles que :
s, t [0, 1]
d
, E[|X
t
X
s
|

] C [t s[
d+
.
Alors il existe une modication Y de X telle que
[0, /[, E
__
sup
s=t
|Y
t
Y
s
|/[t s[

< +.
En particulier, les trajectoires de Y sont holderiennes dordre .
Remarque. Notons que [0, 1]
d
nest pas fondamental. Si d = 2, on peut avoir par exemple R
+
R,
mais les trajectoires de Y sont alors localement holderiennes.
References
[KS91] I. Karatzas and S. E. Shreve, Brownian motion and stochastic calculus, 2
nd
ed., Grad.
Texts in Math., vol. 113, Springer-Verlag, New York, 1991.
[LL97] D. Lamberton and B. Lapeyre, Introduction au calcul stochastique applique `a la nance,
second ed., Ellipses

Edition Marketing, Paris, 1997.
[RY91] D. Revuz and M. Yor, Continuous martingales and Brownian motion, Grundlehren
Math. Wiss., vol. 293, Springer-Verlag, Berlin Heidelberg New York, 1991.
10

Vous aimerez peut-être aussi