Vous êtes sur la page 1sur 79

Calcul Stochastique pour la finance

Romuald ELIE

2
Nota : Ces notes de cours sont librement inspires de diffrentes manuels, polycopis,
notes de cours ou ouvrages. Citons en particulier ceux de Francis Comets, Nicole El
Karoui, Monique Jeanblanc, Bernard Lapeyre, Damien Lamberton, Steven Shreeve... Je
les en remercie.

Mea Culpa : Comme dans toutes notes de cours, des erreurs sont encore prsentes
dans ce polycopi. Nhsitez pas me les communiquer : elie@ceremade.dauphine.fr.

Table des matires


1 Notion dArbitrage

1.1

Hypothses sur le march . . . . . . . . . . . . . . . . . . . . . . . . . .

1.2

Arbitrage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.3

Comparaison de portefeuilles . . . . . . . . . . . . . . . . . . . . . . . .

1.4

Relation de parit Call-Put . . . . . . . . . . . . . . . . . . . . . . . . .

1.5

Prix dun contrat Forward . . . . . . . . . . . . . . . . . . . . . . . . . .

2 Modle Binomial une priode

11

2.1

Modlisation probabiliste du march . . . . . . . . . . . . . . . . . . . .

11

2.2

Stratgie de Portefeuille simple . . . . . . . . . . . . . . . . . . . . . . .

13

2.3

Probabilit risque neutre . . . . . . . . . . . . . . . . . . . . . . . . . . .

14

2.4

Evaluation et couverture dun produit driv

17

. . . . . . . . . . . . . . .

3 Modle binomial n priodes

19

3.1

"Rappels" de probabilit : Processus discret et Martingale . . . . . . . .

19

3.2

Modlisation du march . . . . . . . . . . . . . . . . . . . . . . . . . . .

20

3.3

Stratgie de portefeuille . . . . . . . . . . . . . . . . . . . . . . . . . . .

22

3.4

Arbitrage et Probabilit risque neutre . . . . . . . . . . . . . . . . . . .

23

3.5

Duplication dun produit driv . . . . . . . . . . . . . . . . . . . . . . .

26

3.6

Evaluation et couverture dun produit driv

28

. . . . . . . . . . . . . . .

4 Calcul stochastique
4.1

31

Processus et Martingale . . . . . . . . . . . . . . . . . . . . . . . . . . .

31

4.1.1

31

Processus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Lp

4.1.2

Espaces

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

31

4.1.3

Filtration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

32

4.1.4

Martingale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

33

4.1.5

Processus Gaussien . . . . . . . . . . . . . . . . . . . . . . . . . .

35

TABLE DES MATIRES


4.2
4.3
4.4
4.5
4.6
4.7

Mouvement Brownien . . . . . . . . . .
Variation totale et Variation quadratique
Intgrale stochastique . . . . . . . . . .
Formule dIto . . . . . . . . . . . . . . .
Processus dIto . . . . . . . . . . . . . .
Equation Diffrentielle Stochastique . .

5 Modle de Black Scholes


5.1 Hypothses sur le march . . . . . .
5.2 Modlisation probabiliste du march
5.3 Probabilit risque neutre . . . . . . .
5.4 Portefeuilles autofinanants . . . . .
5.5 Duplication dun produit driv . . .
5.6 Formule de Black Scholes . . . . . .
5.7 Sensibilits . . . . . . . . . . . . . .

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.

35
39
44
54
57
62

.
.
.
.
.
.
.

63
63
63
66
69
72
76
77

Chapitre 1

Notion dArbitrage
1.1
1.
2.
3.
4.
5.

Hypothses sur le march

Nous supposerons que :


Les actifs sont divisibles linfini ;
Le march est liquide : on peut acheter ou vendre tout instant ;
On peut emprunter et vendre dcouvert ;
Les changes ont lieu sans cots de transaction ;
On peut emprunter et prter au mme taux constant r.

1.2

Arbitrage

Quelles sont les volutions possibles du march ?


: ensemble des tats possibles du march ;
P : Probabilit relle (ou en tout cas anticipe) de survenance de chacun des tats.
Quelles sont les stratgies dinvestissement ?
Dfinition 1.2.1 Un portefeuille autofinancant est une stratgie dachat ou de vente
de titres, actions, prts et emprunts la banque, et plus gnralement de produits drivs
dont la valeur nest pas modifie par lajout ou le retrait dargent. On notera
Xt la valeur en t du portefeuille X.
On se donne donc simplement un capital initial et une stratgie dynamique dinvestissement dans les actifs du march partir de ce capital de dpart.
Quest ce quune stratgie darbitrage ?
Dfinition 1.2.2 Un arbitrage sur la priode [0, T ] est un portefeuille autofinanant
X de valeur nulle en t = 0 dont la valeur XT en T est positive et strictement positive
5

CHAPITRE 1. NOTION DARBITRAGE

avec une probabilit strictement positive.


X0 = 0,

XT 0 et P(XT > 0) > 0

On supposera quil y a sur le march lhypothse dAbsence dopportunits darbitrage (AOA, no free lunch) entre tout instant 0 et T .
{X0 = 0 et XT 0} P(XT > 0) = 0
Lhypothse signifie simplement : "Si ma richesse aujourdhui est nulle, elle ne peut
devenir positive et non identiquement nulle", soit "On ne peut gagner dargent sans
capital initial".
Le raisonnement (dfaitiste) est : "Si il y avait un arbitrage, quelquun en aurait dja
profit". Sachant quil y a dans les banques beaucoup darbitragistes, cette hypothse
est cohrente sur les marchs.

1.3

Comparaison de portefeuilles

Proposition 1.3.1 En AOA, si deux portefeuilles autofinanants X et Y ont mme


valeur en T , ils ont mme valeur en 0.
XT = YT

X0 = Y0

Dmonstration : Supposons X0 < Y0 et proposons la stratgie suivante : A linstant


t = 0, achat de X, vente de Y et placement de Y0 X0 > 0 la banque. La valeur du
portefeuille linstant t = T est XT YT plus ce qua rapport largent la banque,
qui est toujours > 0.
en 0

en T

Achat de X
Vente de Y
Placement du gain la banque

X0
Y0
Y0 X0 > 0

XT
YT
(Y0 X0 )/B(0, T ) > 0

Valeur

>0

Donc AOA implique X0 Y0 et, de manire similaire, on obtient X0 Y0 si bien


que X0 = Y0 .
2
Remarque 1.3.1 Pour crer un arbitrage, on a achet le moins cher et vendu le plus
cher. Vu quils ont meme valeur en T , on y gagne, logique...

1.4. RELATION DE PARIT CALL-PUT

Proposition 1.3.2 En AOA, si deux portefeuilles autofinanants X et Y ont mme


valeur en T , elles ont presque srement mme valeur en tout instant t T .
XT = YT

t T

P p.s.

Xt = Yt

Ce rsultat est une consquence directe du rsultat suivant :


Proposition 1.3.3 En AOA, considrons deux portefeuilles autofinanants X et Y ,
alors :
XT YT

t T

Xt Yt

p.s.

Dmonstration : Soit t T . Proposons la stratgie suivante :


en 0 : je ne fais rien.
en t : Sur { , Xt () > Yt ()}, jachte le portefeuille Y au prix Yt , je vend le
portefeuille X au prix Xt et je place la diffrence Xt Yt > 0 la banque. Sur {
, Xt () Yt ()}, je ne fais rien.
Finalement, en T , sur {Xt > Yt }, je touche YT XT 0 plus ce qua rapport
largent la banque qui est toujours > 0, soit une valeur > 0, et sur {Xt Yt }, la
valeur du portefeuille est nulle.

en t

en T

Sur {Xt > Yt }

Achat de Y en t
Vente de X en t
Placement du gain la banque
Valeur

Yt
Xt
Xt Yt > 0
0

YT
XT
(Xt Yt )/B(t, T ) > 0
>0

Sur {Xt Yt }

Valeur

Donc AOA implique P(Xt > Yt ) = 0.

1.4

Relation de parit Call-Put

Un call de strike K et dchance T sur le sous-jacent S a pour payoff (ST K)+ ;


notons Ct son prix linstant t.
Un put de strike K et dchance T sur le sous-jacent S a pour payoff (K ST )+ ;
notons Pt son prix linstant t.
Un zero-coupon dchance T est un produit financier de valeur 1 en T . Son prix en t
est not B(t, T ).

CHAPITRE 1. NOTION DARBITRAGE

Alors, en AOA, les prix des calls et des puts en t sont relis par la relation de parit
call put :
Ct Pt = St KB(t, T )
En effet considrons les deux stratgies de portefeuille :
en 0

en t

en T

Port. 1

Achat dun Put europen en t


Achat dun actif risqu en t
Valeur

Pt
St
Pt + S t

(K ST )+
ST
(K ST )+ + ST

Port. 2

Achat dun Call europen en t


Achat de K actifs sans risque en t
Valeur

Ct
KB(t, T )
Ct + KB(t, T )

(ST K)+
K
(ST K)+ + K

Remarquons que lon a :


(K ST )+ + ST = K 1{ST K} + ST 1{KST } = (ST K)+ + K
Donc, les deux portefeuilles ont des flux finaux gaux, et donc en AOA des valeurs gales
tout instant t T ce qui nous donne la relation de parit Call-Put :
Remarque 1.4.1 Cette relation est intrinsque labsence dopportunit darbitrage
sur le march et ne dpend en rien du modle dvolution impos aux actifs.

1.5

Prix dun contrat Forward

Le contrat Forward est un contrat sign la date t = 0 qui assure lchange en T de


lactif risqu S contre un prix F (0, T ) fix en t = 0. Il ny a aucun change dargent la
date t = 0. Pour dterminer le prix F (0, T ) du contrat, considrons les deux stratgies
de portefeuille suivantes :
en 0

en T

Port. 1

Achat de lactif S0 en 0
Vente de F (0, T ) zros coupons en 0
Valeur

S0
F (0, T )B(0, T )
S0 F (0, T )B(0, T )

ST
F (0, T )
ST F (0, T )

Port. 2

Achat du contrat Forward en 0

ST F (0, T )

Sous, AOA, on a donc


F (0, T ) =

S0
.
B(0, T )

1.5. PRIX DUN CONTRAT FORWARD

Remarque 1.5.1 Montrez que de manire plus gnrale, on obtient :


F (t, T ) =

St
.
B(t, T )

10

CHAPITRE 1. NOTION DARBITRAGE

Chapitre 2

Modle Binomial une priode


Le modle binomial est trs pratique pour les calculs et la plus grande partie des
rsultats obtenus se gnralisent aux modles en temps continu.

2.1

Modlisation probabiliste du march

Considrons un march deux dates : t = 0 et t = 1 et deux actifs


Un actif sans risque qui vaut 1 en t = 0 et vaut R = (1 + r) en t = 1, qui reprsente
largent plac la banque au taux r (dans une obligation), il est sans risque dans le sens
o lon connat en t = 0 la valeur quil aura en t = 1 .
1

R=1+r

Et un actif risqu S, il vaut S0 en t = 0 et linstant 1, il peut avoir pris 2 valeurs


diffrentes : soit il est mont S1u = u.S0 , soit il est descendu S1d = d.S0 avec d < u.
uS0
%
S0
&
dS0
La modlisation probabiliste du march est la donne de 3 choses : , F et P.
est lensemble des tats du monde : 2 tats possibles selon la valeur de lactif
risqu en t = 1, tat "haut" u ou "bas" d . = {u , d }
P est la probabilit historique sur . P(u ) = p et P(d ) = 1 p. Le prix a une
probabilit relle p de monter et 1 p de descendre. Attention p ]0, 1[ car les 2 tats
du monde peuvent arriver.
11

12

CHAPITRE 2. MODLE BINOMIAL UNE PRIODE

F = {F0 , F1 } est un couple de deux tribus reprsentant linformation globale disponible sur le march aux instants t = 0 et t = 1.
En t = 0, on ne dispose daucune information :
F0 = {, }.
En t = 1, on sait si lactif est mont ou descendu :
F1 = P() = {, , {u }, {d }}.
Cette tribu reprsente lensemble des parties de dont je puisse dire linstant t = 1
si elles sont ralises ou non.
Remarque 2.1.1 Bien sr, on a F0 F1 , en effet plus le temps avance plus lon
acquiert de linformation.
Remarque 2.1.2 Une variable alatoire est F1 -mesurable si et seulement si elle est
connue avec linformation donne par F1 , i.e. dtermine linstant 1. En effet, heuristiquement
Une variable alatoire X est F1 -mesurable
Limage rciproque de tout Borlien B de R est dans F1 ;
Je peux dire en t = 1 pour tout Borlien B de R si X est valeur dans B ;
Je peux dire pour tout rel r si X est dans ] , r[ ou pas ;
Je connais X la date t = 1.
Remarque 2.1.3 F1 est la tribu engendre par S1 :
F1 = (S1 ) .
En effet, par dfinition, la tribu engendre par S1 est limage rciproque par S1 des Borliens de R, i.e. {S11 (B) , B B(R)}. Cest la plus petite tribu qui rende S1 mesurable.
Pour tout Borlien B de R,
- si uS0 et dS0 sont dans B, on a S11 (B) = ,
- si juste uS0 est dans B, on a S11 (B) = u ,
- si juste dS0 est dans B, on a S11 (B) = d ,
- et si aucun des 2 nest dans B, on a S11 (B) = .
Donc F1 est bien la tribu engendre par S1 se qui se rcrit :
"Connatre S1 est quivalent connatre tout lment F1 -mesurable"

2.2. STRATGIE DE PORTEFEUILLE SIMPLE

13

Dfinition 2.1.1 Un produit driv (ou actif contingent) est une v.a. F1 -mesurable.
La valeur dun produit driv dpend de ltat du monde ralis la date t = 1 et
de manire quivalente, tout produit driv scrit comme une fonction mesurable de
S1 .
Proposition 2.1.1 Soit X et Y deux variables alatoires sur un espace de probabilit
(, A, P). Alors, Y est (X)-mesurable ssi elle est de la forme f (X) avec f une application mesurable (borlienne).
Dmonstration : Si Y = f (X), alors, pour tout Borlien B de R, on a

f (X)1 (B) = X 1 f 1 (B) (X) .


Rciproquement, si Y est lindicatrice dun ensemble A qui est (X)-mesurable, on a :
Y = 1A = 1X 1 (B) = 1B (X) ,
et f = 1B convient. Si Y est une somme finie dindicatrice 1Ai avec Ai = (Bi ), la
somme des 1Bi convient. Si Y est positive, elle scrit comme limite croissante de Yn ,
sommes dindicatrices qui donc scrivent fn (X) et f = limfn convient. (cette fonction
peut valoir + mais pas en des points atteints par X). Si Y est de signe quelconque,
on la dcompose en sa partie positive et sa partie ngative et lon approche les deux
sparment.
2
+
Par exemple, le call est donc un produit driv (S1 ) avec : x 7 (x K)
Notre problme est dvaluer le prix la date t = 0 dun produit driv. On va
donc essayer de crer un portefeuille de duplication de notre produit driv, i.e. une
stratgie dinvestissement autofinanante dans lactif risqu et dans lactif sans risque.
Lhypothse dAOA nous indiquera alors que ces deux stratgies qui ont mme valeur
en t = 1 ont mme valeur en t = 0, ce qui nous donnera la valeur en 0 de notre produit
driv.

2.2

Stratgie de Portefeuille simple

Dfinition 2.2.1 Une stratgie de portefeuille simple X x, est la donne dun


capital initial x et dune quantit dactif risqu .
Le portefeuille ne subit aucune rentre ou sortie dargent. La stratgie de portefeuille
simple consiste en lachat la date 0 de actifs risqus et de x S0 actifs sans-risques
telle que la valeur en 0 du portefeuille est :
X0x, = S0 + (x S0 ) 1 = x .

14

CHAPITRE 2. MODLE BINOMIAL UNE PRIODE

Sa valeur en t = 1 est donc donne par :


X1x, = S1 + (x S0 )R
= x R + (S1 S0 R) .
Cette stratgie est autofinanante car lon napporte ni de retire dargent aucun instant
entre t = 0 et t = 1. On lappelle stratgie de portefeuille simple, car elle ne comporte
que des actifs de base du march : lactif sans risque et lactif risqu.
Thorme 2.2.1 Tout produit driv C est duplicable par une stratgie de portefeuille
simple (x, ) (On dit que le march est complet).
Dmonstration : Considrons un produit driv C. En t = 1, il prend la valeur C1u
dans ltat "up" et C1d dans ltat "down". On cherche un couple (x, ) vrifiant :
(

C1u = S1u + (x S0 )R = xR + (u R)S0


C1d = S1d + (x S0 )R = xR + (d R)S0

Cest un systme deux quations et deux inconnues dont la solution est donne par :
=

C1u C1d
(u d)S0

(S1u ) (S1d )
S1u S1d

et x =

1
R

Rd u
uR d
C +
C .
ud 1
ud 1

2
Donc, sous lhypothse dabsence dopportunits darbitrage, la dfinition conomique du prix dun produit driv en t = 0 est donne par :
C0 =

1
R

Rd u
uR d
C1 +
C
ud
ud 1

Le prix du produit driv scrit comme une somme pondre de ses valeurs futures.
Etudions plus en dtail comment sexprime la valeur en 0 dune stratgie de portefeuille
simple en fonction de ses valeurs finales.

2.3

Probabilit risque neutre

Dfinition 2.3.1 Une opportunit darbitrage simple est une stratgie de portefeuille simple qui, partant dune richesse nulle en t = 0, est en t = 1 toujours positive et
strictement positive avec une probabilit strictement positive. Cest la donne de R
tel que

X10, 0 et P X10, > 0 > 0

2.3. PROBABILIT RISQUE NEUTRE

15

L absence dopportunits darbitrage simple (AOA) (sur stratgie de portefeuille simple) scrit :
R,

X10, 0 X10, = 0

P-p.s

Proposition 2.3.1 Lhypothse AOA implique la relation d < R < u.


Dmonstration : Supposons d R. Une stratgie darbitrage est alors donne par
lachat dun actif risqu en t = 0 ( = 1) car la valeur du portefeuille en t = 1 est
- dans ltat "up", X10,1 = S0 (u R) > 0,
- dans ltat "down", X10,1 = S0 (d R) 0.
Supposons u R, alors une stratgie darbitrage est donne par la vente dun actif
risqu en t = 0 ( = 1). En effet, la valeur du portefeuille est
- dans ltat "up", X10,1 = S0 (R u) 0,
2
- dans ltat "down", est X10,1 = S0 (R u) > 0 .
Remarque 2.3.1 Pour crer un arbitrage, on a de nouveau achet celui qui rapporte
le plus et vendu celui qui rapporte le moins. Finalement, si lune des ingalits dans
d < R < u ntait pas vrifie, un des actifs rapporterai toujours plus que lautre et
lhypothse dAOA ne serait plus vrifie.
la valeur actualise du portefeuille X dfinie pour i = 0, 1 par :
Introduisons X,
x,
x, := Xi .
X
i
Ri

x, = S1 + (x S0 ) et la condition dautofinancement du
x, = x et X
On a alors X
1
0
portefeuille se rcrit en terme de portefeuille actualis de la manire suivante :
x, X
x, = (S1 S0 ) .
X
1
0
Dfinition 2.3.2 On appelle probabilit risque neutre toute probabilit quivalente
P qui rende martingale toute stratgie autofinanante simple ractualise , i.e. telle
que :
0 = EQ [X
x, ] ou de manire quivalente X0 = 1 EQ [X x, ] .
X
1
1
R
Remarque 2.3.2 Deux probabilits sont dites quivalentes lorsquelles ont les mme
ensembles ngligeables, i.e. quelles chargent les mmes tats du monde ( i.e. quelles
ont chacune une densit de Radon-Nikodym lune par rapport lautre). Ici, cela signifie
simplement que Q(d ) > 0 et Q(u ) > 0.

16

CHAPITRE 2. MODLE BINOMIAL UNE PRIODE

x, est une martingale sous Q signifie que lesprance


Remarque 2.3.3 Dire que X
de ses valeurs futures est gale elle mme, autrement dit que ce portefeuille est un
jeu quitable (nous verrons une dfinition plus gnrale de la notion de martingale au
chapitre suivant).
Proposition 2.3.2 Si d < R < u, alors il existe une probabilit risque neutre Q.
Dmonstration : Prenons un portefeuille autofinanant (x, ), et notons pour simplifier X1u et X1d ses valeur en t = 1 dans les tats "up" et "down". Alors, on a les relations
suivantes :
(

X1u = S1u + (x S0 )R = xR + (u R)S0


X1d = S1d + (x S0 )R = xR + (d R)S0

Nous obtenons le mme systme que prcdemment et lon obtient :


x =

1
R

uR d
Rd u
X +
X
.
ud 1
ud 1

Introduisons donc la probabilit Q dfinie sur par :


Q(u ) :=

Rd
uR
:= q et Q(d ) :=
= 1q.
ud
ud

Comme d < R < u, q ]0, 1[ et Q est bien une probabilit et elle est quivalente P.
Notre quation se rcrit alors :
X0 = x =

1 Q x,
1
Q(d ) X1d + Q(u ) X1u =
E [X1 ] .
R
R

2
Remarque 2.3.4 Le terme "risque neutre" provient de la thorie conomique : si les
intervenants nont pas daversion au risque, ils vont saccorder pour valuer la valeur
dun portefeuille comme lesprance actualise des flux quil gnre. Lintroduction de
cette probabilit permet de faire comme si les agents taient neutres au risque, mais
attention ce nest pas le cas ! ! !
Proposition 2.3.3 Sil existe une probabilit risque neutre Q, alors il y a AOA.
Dmonstration : Soit R tel que X10, 0. Comme Q est une probabilit risque
neutre, on a :
EQ [X10, ] = R . 0 = 0 ,

2.4. EVALUATION ET COUVERTURE DUN PRODUIT DRIV

17

et X10, est une variable alatoire positive desprance nulle donc elle est nulle Q p.s.,
et, comme P et Q sont quivalentes (elles ont les mme ngligeables), P(X10, > 0) = 0.
2
Nous avons finalement montr que
AOA0 d < R < u il existe une proba risque neutre AOA0 ,
et donc toutes ces implications sont des quivalences :
AOA0 d < R < u il existe une proba risque neutre

2.4

Evaluation et couverture dun produit driv

Comme tout produit driv est duplicable par une stratgie de portefeuille simple et
que la valeur ractualise de toute stratgie de portefeuille simple est martingale sous
la probabilit risque neutre, en AOA, le prix du produit driv est donn par :
C0 =

1 d
1
q C1 + (1 q) C1u =
EQ [C1 ]
R
1+r

Remarque 2.4.1 La probabilit risque neutre nest pas relie aux probabilits historiques p de monter ou de descendre 1 p, et donc
"Le prix dune option est indpendant de la tendance relle p du sous-jacent"
Ceci sexplique en partie par le fait que le sous-jacent fait partie du portefeuille de duplication du produit driv.
Remarque 2.4.2 Comme tout produit driv est duplicable, la valeur ractualise de
tout produit driv est martingale sous la probabilit risque neutre.
Remarque 2.4.3 On a juste besoin de connatre r, u et d, pour trouver le prix du
produit driv, mais encore faut il estimer les paramtres. Connatre u et d revient a
connatre ce que lon nommera par la suite la volatilit de lactif.
Remarque 2.4.4 Dans le portefeuille de couverture de loption, la quantit dactif risqu est donne par :
C1u C1d
=
(u d)S0

(S1u ) (S1d )
=
S1u S1d

qui sapparente la variation du prix de loption en rponse la variation du prix du


sous-jacent.

18

CHAPITRE 2. MODLE BINOMIAL UNE PRIODE

Proposition 2.4.1 Comme le march est complet (tout actif est duplicable par une
stratgie de portefeuille simple), il y a unicit de la probabilit risque neutre.
Dmonstration : En effet, prenons deux probabilits risque neutre Q1 et Q2 . Pour tout
B F1 = P(), 1B est un produit driv car il est F1 -mesurable, donc il est duplicable
par un portefeuille autofinanant (x, ) et lon a
Q1 (B) = EQ1 [1B ] = Rx = EQ2 [1B ] = Q2 (B) .
2

Donc Q1 et Q2 sont indistinguables.

Exemple : Pricing dun call et dun put la monnaie


Prenons S0 = 100, r = 0.05, d = 0.9 et u = 1.1.
1. Quel est le prix et la stratgie de couverture dun call la monnaie i.e. K = S0 = 100 ?
On construit la probabilit risque neutre :
q =

1+rd
= 0.75 .
ud

On en dduit le prix et la stratgie de couverture :


C0 =

.75 10 + .25 0
7.5
C1u C1d
10 0
=
7.14 et =
=
= 0, 5
1.05
1.05
(u d)S0
20

=> stratgie : achat de 1/2 actif risqu et placement de (7.14 50) dans lactif sans
risque.
2. Quen est t-il du Put la monnaie ?
Connaissant la probabilit risque neutre, on calcule le prix et la stratgie de couverture :
P0 =

.75 0 + .25 10
2.5
P1u P1d
0 10
=
2.38 et =
= 0, 5
=
1.05
1.05
(u d)S0
20

=> stratgie : vente de 1/2 actif risqu et placement de (50 2.38) dans lactif sans
risque.
3. Vrifie ton la relation de parit call put ?
C0 P 0 =

7.5
2.5
5
100
100

=
= 100
= 100
= S0 KB(0, T )
1.05 1.05
1.05
1.05
R
2

Chapitre 3

Modle binomial n priodes


Letude de ce modle, nomm galement modle de Cox Ross Rubinstein, va permettre de r-obtenir des rsultats similaires au cas du modle 1 priode et donner de
bonnes intuitions sur les rsultats que lon obtiendra beaucoup plus difficilement dans
ltude des modles en temps continu.

3.1

"Rappels" de probabilit : Processus discret et Martingale

Dfinition 3.1.1 On appelle processus discret (Yk )1kn toute collection de n v.a.
Dfinition 3.1.2 On appelle filtration (Fk )1kn toute collection croissante de tribu.
i.e.
Fk Fk+1 ,

k n .

Dfinition 3.1.3 le processus discret (Yk )1pn , est dit adapt la filtration F (ou
F-adapt) si pour tout k n, Yk est Fk -mesurable.
Proposition 3.1.1 Si (Yk )1pn est F-adapt, la v.a. Yi est Fk -mesurable pour tout
i k.
Dmonstration : En terme dinformation, si Yi est connue avec linformation donne par Fi , elle sera connue avec linformation donne par Fk Fi . En effet, limage
rciproque de tout Borlien B par Yi est dans Fi et donc dans Fk .
2
19

20

CHAPITRE 3. MODLE BINOMIAL N PRIODES

Dfinition 3.1.4 La filtration engendre par un processus discret (Yi )0ik est la
plus petite filtration qui rende ce processus F-adapt. Par analogie avec les tribus engendres,
FkY

:= (Y1 , . . . , Yk ) .

Remarque 3.1.1 Suite une proposition vue dans le chapitre prcdent, une variable
alatoire est FkY -mesurable si et seulement si elle scrit comme une fonction (borlienne)
de (Y1 , . . . , Yk ).
Dfinition 3.1.5 Un processus discret (Mi )1in est une F-martingale sous P sil
vrifie :
- EP [|Mi |] <
i n,
- M est F-adapt,
- EP [Mi+1 /Fi ] = Mi .

Remarque 3.1.2 Si lgalit prcdente est replace par une ingalit on parle de surmartingale () ou de sous-martingale (). Une martingale est un jeu quitable, une
sur-martingale un jeu perdant, et une sous-martingale un jeu gagnant.
Remarque 3.1.3 Si M est une F-martingale sous P, alors,
EP [Mk /Fi ] = Mi

i k

et en particulier on a : EP [Mp ] = M0 .

3.2

Modlisation du march

On reprend la mme modlisation que dans le chapitre prcdent mais dans un


monde n priodes. On considre un intervalle de temps [0, T ] divis en n priodes
0 = t0 < t1 < ... < tn = T .Le march est compos de 2 actifs,
- un actif sans risque St0 :
1

(1 + r)

- et un actif risqu St :

(1 + r)2

...

(1 + r)n

3.2. MODLISATION DU MARCH

21

un S0
.
% ..
un1 S0
..
u2 S

&
dun1 S0

..

&

..

..

&

..

uS0
%
S0

udS0
&
dS0
d2 S0

dn1 uS0
..

%
dn1 S0
&
dn S0

Larbre est recombinant : linstant ti , lactif peut prendre i+1 valeurs diffrentes.
Ensemble des tats du monde : est lensemble des trajectoires possibles pour
lactif risqu. Cest lensemble des n-uplets (1 , . . . , n ) tel que chaque i prenne deux
valeurs possibles id ou iu .
i = id ou i = iu }

:= {(1 , . . . , n ) : i n

On se donne une probabilit historique P de survenance de chacun des tats du


monde et lon suppose que la probabilit de monter et de descendre est la mme dans
tout noeud de larbre, i.e. pout tout i
P(i = iu ) = p et P(i = id ) = 1 p
Hypothse cruciale :
Les rendements Yi :=

Sti
sont indpendants.
Sti1

Par indpendance des tirages, on en dduit donc :


u

P(1 , . . . , n ) = p#{j,j =j } .(1 p)#{j,j =j }

22

CHAPITRE 3. MODLE BINOMIAL N PRIODES

et lon peut crire de manire quivalente la valeur de lactif linstant ti comme :


Sti

= S0 .

i
Y

Yk ,

k=1

avec les Yk des variables alatoires indpendantes sur qui prennent la valeur u avec
une probabilit p et la valeur d avec une probabilit 1 p. Alors on a bien sr :
P(Yi = u) = P(i = iu ) = p

et

P(Yi = d) = P(i = id ) = 1 p

Linformation disponible tout date ti est donne par la filtration (Fti )0in :
Fti

:= (1 , 2 , . . . , i ) = (Y1 , Y2 , . . . , Yi ) = (St1 , St2 , . . . , Sti )

Une variable alatoire Fti - mesurable est donc naturellement une variable donne par
toute linformation accumule jusqu linstant ti . Elle scrit donc comme un fonction
de (St1 , . . . , Sti ) ou de manire quivalente comme une fonction de (Y1 , . . . , Yi ).
Dfinition 3.2.1 Un produit driv (ou actif contingent) CT est une variable alatoire FT -mesurable et scrit donc, avec une application borlienne, sous la forme
CT

= (St1 , . . . , Stn ) .

On cherche comme prcdemment trouver le prix et le portefeuille de couverture dun


produit driv qui seront encore donns par le prix et la stratgie de son portefeuille
de duplication. Avant de montrer que lactif est duplicable, tudions les proprits des
stratgies de portefeuille simple dans ce modle.

3.3

Stratgie de portefeuille

Dfinition 3.3.1 Une stratgie de portefeuille simple X (x,) est la donne dun
capital initial x et dun processus discret (0 , ..., n1 ) qui est F-adapt.
La stratgie consiste tout instant ti en linvestissement dans une quantit i dactif
risqu. Le processus est F adapt, car la quantit dargent investir dans lactif
linstant ti est dtermine avec linformation accumule jusqu linstant ti .
Le portefeuille ne subit aucune entre ou sortie dargent (condition dautofinancement). Entre les instants ti et ti+1 , le portefeuille X x, est constitu dune quantit
i dactifs risqu et dune quantit (Xix, i Sti )/(1 + r)i actifs sans-risque. La valeur
du portefeuille linstant ti est donc donne par :
Xtx,
= i Sti +
i

(Xtx,
i Sti )
i
(1 + r)i .
(1 + r)i

3.4. ARBITRAGE ET PROBABILIT RISQUE NEUTRE

23

Or, sur chaque intervalle [ti , ti+1 ), le portefeuille ne bnficie daucune entre ou sortie
dargent, donc :
Xtx,
= i Sti+1 +
i+1

(Xtx,
i Sti )
i
(1 + r)i+1
(1 + r)i

Donc, en introduisant les processus actualiss :


Xtx,
Sti
x,
i

Xti :=
et Sti :=
,
i
(1 + r)
(1 + r)i
ces deux relations se rcrivent :
x, i St ) 1 , et X
x, = i St + (X
x, i St ) .
x, = i S
t + (X
X
ti
ti+1
ti
ti
i
i+1
i
i
Par diffrence, on obtient donc la relation que lon appelle relation dautofinancement :
x, = i (St St ) ,
x, X
X
ti
ti+1
i+1
i
qui se rcrit galement :
x, = x +
X
ti+1

i
X

k (Stk+1 Stk ) .

k=0

Remarque 3.3.1 Le processus valeur du portefeuille X x, est bien sr F-adapt.

3.4

Arbitrage et Probabilit risque neutre

Dfinition 3.4.1 Une opportunit darbitrage simple est une stratgie de portefeuille simple qui, partant dune richesse nulle en t = 0 est en T = tn toujours positive
et strictement positive avec une probabilit strictement positive. Cest donc la donne de
R satisfaisant

XT0, 0 et P XT0, > 0 > 0


L absence dopportunits darbitrage simple (AOA) (sur stratgie de portefeuille simple) scrit donc :
R,

XT0, 0 XT0, = 0

P p.s

Proposition 3.4.1 Sous lhypothse dAOA, on a d < 1 + r < u.

24

CHAPITRE 3. MODLE BINOMIAL N PRIODES

Dmonstration : Supposons par exemple 1 + r d et considrons la stratgie de


portefeuille (0, ), o 0 = 1 et i = 0 pour i 1 : on achte lactif risqu en t0 , on le
revend en t1 et on place le gain dans lactif sans risque. Cette stratgie est Fadapte
car dterministe et la valeur du portefeuille en T = tn est donne par :
i
X

0, = 0 +
X
T

k (Stk+1 Stk ) = St1 St0

k=0

Comme St1 peut prendre 2 valeurs, la valeur du portefeuille en T peut prendre 2 valeurs
qui sont

(1 + r) S0

u
1
1+r

> 0 , et (1 + r) S0

d
1
1+r

avec respectivement des probabilits p et 1 p toutes deux strictement positives si bien


que notre stratgie cre un arbitrage. Le cas u 1+r est trait similairement en vendant
lactif risqu (0 = 1).
2
Remarque 3.4.1 Comme dans le modle une priode, si R > u lactif sans risque
rapporte toujours plus que le lactif risqu donc arbitrage, et si R < d, lactif risqu
rapporte toujours plus que lactif sans risque, donc arbitrage...
Remarque 3.4.2 En fait, sous lhypothse AOA, il y a AOA sur tous les sousarbres. Par contrapose, si il existe une stratgie darbitrage sur un sous arbre, il faut
considrer la stratgie globale qui ne fait rien si elle ne croise pas le noeud de dpart du
sous-arbre, et qui utilise la stratgie gagnante jusqu la fin du sous arbre puis place les
gains dans lactif sans risque sinon. Comme la probabilit de passer par chaque noeud
est strictement positive, cette stratgie est un arbitrage.
En sinspirant des rsultats du modle 1 priode, introduisons la probabilit Q
sur identique sur chaque sous arbre une priode celle obtenue dans ltude du
modle une priode. On dfinit donc Q de la manire suivante :
u

Q(1 , . . . , n ) = q #{j,j =j } .(1 q)#{j,j =j }

avec q :=

(1 + r) d
ud

Remarque 3.4.3 On a alors les relations suivantes :


Q(Sti = uSti1 ) = Q(Yi = u) = q

et

Q(Sti = dSti1 ) = Q(Yi = d) = 1 q

Dfinition 3.4.2 Une probabilit risque neutre est une probabilit quivalente la
probabilit historique P sous laquelle toute stratgie de portefeuille simple ractualise
est martingale.

3.4. ARBITRAGE ET PROBABILIT RISQUE NEUTRE

25

On se propose de montrer que Q est une probabilit risque neutre.


Proposition 3.4.2 S est une F-martingale sous Q.
Dmonstration : S est intgrable F-adapt et

1
q uStk + (1 q) dStk
1+r

1
(1 + r) d
u (1 + r)
=
u+
d Stk
1+r
ud
ud
= Stk .

EQ [Stk+1 /Ftk ] =

2
x, de toute stratgie de portefeuille simple
Proposition 3.4.3 La valeur ractualise X
(x, ) est une F-martingale sous Q.
x, est intgrable F-adapt et
Dmonstration : X
x, X
x, /Ft ] = EQ [k (St
EQ [X
Stk )/Ftk ] = k EQ [(Stk+1 Stk )/Ftk ] = 0
k
k+1
k+1
k
2
Remarque 3.4.4 Ce rsultat nous indique que si les actifs de base ractualiss sont
martingales sous une certaine probabilit, les stratgies de portefeuilles simples le sont
aussi. Ceci est du la condition dautofinancement et surtout au fait que la quantit
dactif risqu entre tk et tk+1 est Ftk -mesurable. (On dit que la valeur actualise
du portefeuille est une transforme de martingale). Donc, on vient de voir que :
"Tout actif de base ractualis est martingale sous une probabilit Q"
m
"Toute stratgie de portefeuille simple ractualise est martingale une probabilit Q"
Thorme 3.4.1 Si d < 1 + r < u, il existe une probabilit risque neutre (Q).
Dmonstration : Nous venons de voir que Q rendait toute stratgie de portefeuille
simple ractualise est martingale. De plus Q est bien une probabilit qui est quivalente P. En effet, comme d < R < u, q et (1 q) sont dans ]0, 1[ et donc chaque
Q(1 , . . . , n ) est dans ]0, 1[ et tous les tats du monde ont une probabilit strictement
positive darriver.
2

26

CHAPITRE 3. MODLE BINOMIAL N PRIODES

La valeur tout date ti dune stratgie de portefeuille simple de valeur finale XTx,
scrit :
Xtx,
=
i

1
EQ [XTx, /Fi ]
(1 + r)ni

Donc, si lon arrive construire un portefeuille de couverture pour tout produit drive,
en AOA, sa valeur tout instant ti sera donne par lesprance sous la probabilit
risque-neutre de son flux final actualis. Avant cela, remarquons que lexistence dune
probabilit risque neutre va encore impliquer lhypothse AOA comme dans le modle
une priode.
Proposition 3.4.4 Lexistence dune probabilit risque neutre implique lhypothse AOA.
Dmonstration : Exactement comme dans le cas du modle une priode,
XT0, 0 et EQ [XT0, ] = 0 Q(XT0, = 0) = 1
donc XT0, est nulle Q-p.s. et donc P-p.s.
On a donc, comme dans le modle une priode :

AOA0 d < R < u il existe une probabilit risque neutre

3.5

Duplication dun produit driv

Thorme :
Tout produit driv C est duplicable par une stratgie de portefeuille simple (x, )
Le march est dit complet.
ANALYSE DU PROBLEME
Nous recherchons une stratgie de portefeuille simple de duplication (x, ) de notre
produit driv de valeur CT en T . Comme CT est Ftn -adapt, la valeur du produit driv
se rcrit (St1 , ..., Stn ) et on cherche donc (x, ) tel que :
Xtx,
= (St1 , ..., Stn )
n
Comme nous venons de le voir, toute stratgie de portefeuille simple est martingale
sous la probabilit risque neutre Q donc la valeur Xtx,
du portefeuille de duplication
k
satisfait :
1
Xtx,
=
EQ [(St1 , ..., Stn )/Ftk ]
k
(1 + r)nk

3.5. DUPLICATION DUN PRODUIT DRIV

27

Donc, la richesse initiale x de notre portefeuille de duplication est ncessairement :

x :=

1
EQ [(St1 , . . . , Stn )]
(1 + r)n

Remarquons que (1+r)1 nk EQ [(St1 , ..., Stn )/Ftk ], en tant que variable alatoire Ftk mesurable, se rcrit sous la forme Vk (St1 , . . . , Stk ) avec Vk une fonction dterministe
(i.e. non alatoire). On note donc :

Vk (St1 , . . . , Stk ) :=

1
EQ [(St1 , . . . , Stn )/Ftk ]
(1 + r)nk

Dans le calcul du portefeuille une priode, nous avions vu que la quantit dactif risqu
du portefeuille de duplication sapparentait la variation de la valeur du produit driv
en rponse la variation du sous-jacent. Nous proposons donc le processus de couverture
dfini pour k {1, . . . , n} par :

k :=

Vk+1 (St1 , . . . , Stk , u.Stk ) Vk+1 (St1 , . . . , Stk , d.Stk )


.
u.Stk d.Stk

Linvestissement initial x est dterministe et, pour k {1, . . . , n}, k est Ftk -mesurable
en tant que fonction de (St1 , . . . , Stk ). Donc est F-adapt et (x, ) dfinit bien une
stratgie de portefeuille simple.

RESOLUTION DU PROBLEME
On se propose donc de montrer que la stratgie de portefeuille (x, ) dfinie prcdemment duplique notre produit driv, soit : Xtx,
= (St1 , . . . , Stn ) = Vn (St1 , . . . , Stn ).
n
Pour cela, montrons, par rcurrence sur k {1, . . . , n}, la relation :

Xtx,
= Vk (St1 , . . . , Stk )
k

Par construction, la relation est vraie pour k = 0, montrons donc "k => k+1".

28

CHAPITRE 3. MODLE BINOMIAL N PRIODES

Remarquons tout dabord que

Xtx,
= Vk (St1 , . . . , Stk )
k
1
=
EQ [(St1 , . . . , Stn )/Ftk ]
(1 + r)nk

1
1
/F
=
,
.
.
.
,
S
)/F
(S
EQ EQ
tk
tn
tk+1
t1
(1 + r)
(1 + r)n(k+1)
1
EQ [Vk+1 (St1 , . . . , Stk+1 )/Ftk ]
=
(1 + r)
1
=
EQ [Vk+1 (St1 , . . . , Stk , u Stk ) 1{Xk+1 =u} + Vk+1 (St1 , . . . , Stk , d Stk ) 1{Xk+1 =d} /Ftk ]
(1 + r)
1
=
{Q(Xk+1 = u).Vk+1 (St1 , . . . , Stk , u Stk ) + Q(Xk+1 = d).Vk+1 (St1 , . . . , Stk , d Stk )}
(1 + r)
1
=
{q.Vk+1 (St1 , . . . , Stk , u Stk ) + (1 q).Vk+1 (St1 , . . . , Stk , d Stk )} .
(1 + r)
La condition dautofinancement du portefeuille scrit :
x,
X
tk+1

x, + k (St
= X
Stk ) .
tk
k+1

En "dsactualisant", on obtient donc


Xtx,
k+1

= q.Vk+1 (St1 , . . . , Stk , u Stk ) + (1 q).Vk+1 (St1 , . . . , Stk , d Stk ) +

Vk+1 (St1 , . . . , Stk , u Stk ) Vk+1 (St1 , . . . , Stk , d Stk )


Stk+1 (1 + r)Stk .
u Stk d Stk

En remplaant Stk+1 par Yk+1 Stk et q par


Xtx,
k+1

= Vk+1 (St1 , . . . , Stk , u Stk )

1+rd
ud ,

on en dduit

Yk+1 d
u Yk+1
+ Vk+1 (St1 , . . . , Stk , d Stk )
.
ud
ud

Comme Yk+1 ne prend que les valeurs d ou u, on vrifie alors


Xtx,
k+1

= Vk+1 (St1 , . . . , Stk , Yk+1 Stk ) = Vk+1 (St1 , . . . , Stk , Stk+1 ) ,

ce qui conclut la rcurrence et donc la preuve.

3.6

Evaluation et couverture dun produit driv

Comme tout produit driv est duplicable, on en dduit que, sous AOA, la valeur
tout instant tk dun produit driv CT := (St1 , . . . , Stn ) est donne par
Ctk

1
EQ [(St1 , . . . , Stn )/Ftk ] ,
(1 + r)nk

3.6. EVALUATION ET COUVERTURE DUN PRODUIT DRIV

29

et, en particulier, son prix en 0 est donn par


C0 =

1
EQ [(St1 , . . . , Stn )] .
(1 + r)n

Proposition 3.6.1 Comme le march est complet (tout actif est duplicable par une
stratgie de portefeuille simple), il y a unicit de la probabilit risque neutre.
Dmonstration : Comme dans le modle une priode, prenons deux probabilits
risque neutre Q1 et Q2 . Pour tout B F1 = P(), 1B est un produit driv car il est
F1 -mesurable, donc il est duplicable par un portefeuille autofinanant (x, ) et lon a
Q1 (B) = EQ1 [1B ] = Rx = EQ2 [1B ] = Q2 (B) .
Donc Q1 et Q2 sont indistinguables.

Remarque 3.6.1 Comme dans le modle une priode, le prix de lactif ne dpend que
de la forme du payoff, de u, r et d. Donc le prix de dpend pas de la proba relle
p qua le prix de monter ou de descendre ! ! !
Remarque 3.6.2 Nous avons galement dtermin le portefeuille de couverture qui permet tout instant de se couvrir contre les variations de loption. La quantit dactif
risqu prendre dans le portefeuille de couverture sinterprte de nouveau
comme la variation du prix de loption en rponse une variation du cours du
sous-jacent. En temps continu, on obtiendra naturellement le portefeuille de duplication
comme drive de la valeur du produit driv par rapport la valeur du sous-jacent.
Comment utiliser ce type darbre dans la pratique ? Si nous considrons un
produit driv dont la valeur ne dpend que de la valeur finale, on peut calculer sa
valeur sur chacun des noeuds maturit. On revient alors progressivement en arrire
dans larbre pour passer de ses valeurs aux noeuds de linstant ti+1 ses valeurs aux
noeuds de linstant ti en actualisant sous la probabilit risque neutre. Lintrt dutiliser
un arbre recombinant n priodes et que lon a seulement n + 1 valeurs possible en T au
lieu de 2n si larbre ntait pas recombinant. Pour connatre son prix en 0, on doit donc
faire n! calculs au lieu de 2n 2n1 . . . 2 = 2n(n+1)/2 . Pour n = 10 par exemple on
obtient 11 valeurs possibles et 11! 4 107 avec un arbre recombinant, et 2048 valeurs
possibles soit 7 1019 calculs sinon.
A RETENIR :
- Le prix de lactif scrit toujours comme lesprance actualise de sa valeur

30

CHAPITRE 3. MODLE BINOMIAL N PRIODES

finale sous la probabilit risque neutre Q.


- La probabilit risque neutre rend les actifs ractualiss martingales et de
manire quivalente les stratgies de portefeuille simple ractualises martingales.
Si lon fait tendre le nombre n de priodes vers linfini, et pour un choix judicieux de
la forme de u et d, ce modle converge vers un modle en temps continu appel modle
de Black-Scholes (cf TD). Afin de manipuler des objets similaires en temps continu, il
nous faut dvelopper la thorie des processus en temps continu que lon appelle calcul
stochastique.

Chapitre 4

Calcul stochastique
Dans toute la suite on se place sur un espace de probabilit (, A, P).

4.1
4.1.1

Processus et Martingale
Processus

Dfinition 4.1.1 Un processus (alatoire) X sur lespace de probabilit (, A, P) est


une famille de v.a. alatoires (Xt )t[0,T ] . Cest donc une fonction de 2 variables :
X : [0, T ] R.
Remarque 4.1.1 t [0, T ] reprsente le temps mais on aurait pu galement prendre
t R, t R2 ... De mme, lespace darrive pourrait tre bien plus complexe que R.
Remarque 4.1.2 On peut voir un processus comme une fonction qui associe
une fonction de [0, T ] dans R, t 7 Xt (), appele trajectoire du processus.
Dfinition 4.1.2 On dit que X est un processus continu (p.s.) si il est continu
trajectoire par trajectoire, i.e. t 7 Xt () est C 0 pour presque tout .

4.1.2

Espaces Lp

Notation : Pour tout p R+ , nous noterons :


Lp () :=

Z
T

(
p

L (, [0, T ]) :=

X v.a. t.q. ||X||p := E[|X|p ] p <

(s )0sT processus t.q.

31

||||0p

:= E

1/p
p

|s | ds

<

32

CHAPITRE 4. CALCUL STOCHASTIQUE

Proposition 4.1.1 Pour p 1 les espaces Lp () muni de ||.||p et Lp (, [0, T ]) muni


de ||.||0p sont des espaces de Banach (i.e. complets).
Nous passerons sur la dmonstration mais vous avez dja vu que lespace Lp () tait
complet et Lp (, [0, T ]) lest galement pour les mme raisons. Au lieu de considrer des
fonctions dune variable , il suffit de considrer des fonctions de deux variables (t, ).
2

4.1.3

Filtration

Dfinition 4.1.3 Une Filtration (Ft )tR+ est une collection croissante de tribus (soustribus de A), i.e. Fs Ft
s t.
Remarque 4.1.3 Ft reprsente la quantit dinformation disponible linstant t ; il est
logique que cette quantit augmente avec le temps.
Dfinition 4.1.4 Un processus (Xt )t0 est dit F-adapt si, pour tout t, la variable
alatoire Xt est Ft -mesurable.
Proposition 4.1.2 Si X est F-adapt, la v.a. Xs est Ft -mesurable pour tout s t.
Dmonstration : Le rsultat est naturel lorsque lon raisonne en terme dinformation,
la tribu Ft est plus grande que la tribu Fs , donc, si Xs est connue avec linformation
Fs , il lest avec linformation Ft . Maintenant, analytiquement, soit B un Borlien de
R, alors limage rciproque de B par Xs , Xs1 (B) est un lment de Fs et est donc un
lment de Ft Fs .
2
Dfinition 4.1.5 La filtration engendre par un processus X, note F X est la suite
croissante de tribus FtX engendres par (Xs )st i.e., FtX = (Xs , s t)
Remarque 4.1.4 F X est la plus petite filtration qui rende X adapt.
Une tribu est dite complte lorsquelle contient lensemble des ngligeables N de
(, A, P) qui est dfini par
N

:= {N , A A / N A , P(A) = 0}

Dfinition 4.1.6 Une filtration F est complte lorsque tout Ft contient lensemble
des ngligeables N (ce qui quivaut N F0 ).

4.1. PROCESSUS ET MARTINGALE

33

Remarque 4.1.5 Pour complter une filtration F, il suffit de remplacer Ft par (A


N , (N, A) N Ft ) ou plus simplement remplacer F0 par (AN , (N, A) N F0 ).
La filtration complte engendre par un processus X est gnralement appele filtration
naturelle du processus.
Si F est complte, t fix, on a
Xt = Yt

p.s.

{Xt Ft mesurable Yt Ft mesurable}

On montre alors que, si une tribu Ft est complte, alors, toujours t fix :

p.s.

Xtn Xt

et

n,

Xtn Ft mesurable

{Xt Ft mesurable}

Le rsultat reste vrai pour une convergence dans Lp () avec p 1, car on peut alors
extraire un sous suite qui converge p.s. vers la mme limite et donc la limite reste
mesurable :
n

Lp

Xtn Xt

et

n Xtn Ft mesurable

{Xt Ft mesurable}

Dans toute la suite, nous allons considrer des filtrations compltes


et parlerons donc de filtration naturelle de processus.

4.1.4

Martingale

Dfinition 4.1.7 Un processus alatoire M est une F-martingale si


- M est F-adapt,
- pour tout t T , Mt L1 (), i.e. E[|Mt |] < ,
- E[Mt /Fs ] = Ms pour tout s t.
Une sur-martingale et une sous-martingale sont des processus qui vrifient les deux
premires proprits et pour tout s t respectivement E[Mt /Fs ] Ms et E[Mt /Fs ]
Ms .
Remarque 4.1.6 une martingale est un jeu quitable, une sur-martingale un jeu perdant, et une sous-martingale un jeu gagnant.
Proposition 4.1.3 Toute martingale M vrifie :
t T

E[Mt ] = E[M0 ] .

Dmonstration : On a pour tout t T , E[Mt ] = E[E[Mt /F0 ]] = E[M0 ].

34

CHAPITRE 4. CALCUL STOCHASTIQUE

Proposition 4.1.4 Soit M une F-martingale et : R R une fonction convexe


mesurable, alors si (M ) est intgrable, cest une sous-martingale.
Dmonstration : (M ) est intgrable et adapt et lingalit de Jensen conditionelle
nous donne :
E[(Mt )/Fs ] (E[Mt /Fs ]) = (Ms ) .
2
Proposition 4.1.5 Soit M une F-martingale de carr intgrable (i.e. E[Mt2 ] < pour
tout t), alors, pour s t, on a :
E[(Mt Ms )2 /Fs ] = E[Mt2 Ms2 /Fs ]
Dmonstration :
E[(Mt Ms )2 /Fs ] = E[Mt2 /Fs ] 2E[Mt Ms /Fs ] + E[Ms2 /Fs ]
= E[Mt2 /Fs ] 2Ms E[Mt /Fs ] + Ms2
= E[Mt2 Ms2 /Fs ]
On retrouve donc que M 2 est une F-sous-martingale.

Proposition 4.1.6 Stabilit Lp des martingales


Soit p 1 et (M n ) une suite de F-martingales, telles que, pour tout n et t, Mtn Lp ().
Si, pour tout t fix dans [0, T ] la v.a. Mtn converge vers la v.a Mt au sens de la convergence dans Lp (), alors le processus limite M est une F-martingale et pour tout t,
Mt Lp ().
Dmonstration : Il faut montrer 3 choses :
(1) M est F-adapt ;
(2) pour tout t [0, T ], Mt Lp () (alors Mt L1 () Lp ()) ;
(3) pour 0 s t T , on a : E[Mt /Fs ] = Ms .
(1) Pour tout n, Mtn est Ft -mesurable, donc Mt est Ft -mesurable. (car la filtration F
est complte)
(2) Pour tout t fix, Mtn converge vers Mt dans Lp (), donc Mt est dans Lp ().
(3) Pour 0 s t T , on a :
||Msn E[Mt /Fs ]||p = ||E[Mtn Mt /Fs ]||p ||Mtn Mt ||p 0
Or Msn E[Mt /Fs ] converge vers Ms E[Mt /Fs ] dans Lp (), do E[Mt /Fs ] = Ms p.s.
2

4.2. MOUVEMENT BROWNIEN

4.1.5

35

Processus Gaussien

Dfinition 4.1.8 Un vecteur de v.a. (X1 , . . . , Xn ) est un vecteur Gaussien si et


seulement si toute combinaison linraire des Xi est Gaussienne (i.e. < a, X > est une
v.a. Gaussienne pour tout a Rn ).
Voici deux propositions trs utiles dans la manipulation des vecteurs Gaussiens.
Proposition 4.1.7 Si le vecteur (X1 , X2 ) est Gaussien, les v.a. X1 et X2 sont indpendantes si et seulement si cov(X1 , X2 ) = 0.
Proposition 4.1.8 Tout vecteur de variables alatoires Gaussiennes indpendantes est
un vecteur Gaussien.
Remarque 4.1.7 Attention, il est possible de trouver des variables alatoires Gaussiennes non indpendantes de covariance nulle.
La version continue des vecteurs Gaussiens sont les processus Gaussiens.
Dfinition 4.1.9 Un processus (Xt )t0 est appel processus Gaussien si pour tout n
et tout t1 . . . tn le vecteur (Xt1 , . . . , Xtn ) est Gaussien.

4.2

Mouvement Brownien

Historiquement :
- 1828 : Robert Brown, botaniste observe le mouvement du pollen en suspension dans
leau.
- 1877 : Delsaux explique que ce mouvement irrgulier est du aux chocs du pollen avec
les molcules deau (changements incessants de direction),
- 1900 : Louis Bachelier dans sa thse "Thorie de la spculation" modlise les cours de
la bourse comme des processus accroissements indpendants et Gaussiens (problme :
le cours de lactif, processus Gaussien, peut tre ngatif)
- 1905 : Einstein dtermine la densit du MB et le lie aux EDPs. Schmolushowski le
dcrit comme limite de promenade alatoire.
- 1923 : Etude rigoureuse du MB par Wiener, entre autre dmonstration de lexistence.
Un Mouvement Brownien gnralement not B pour Brown ou W pour Wiener.

36

CHAPITRE 4. CALCUL STOCHASTIQUE

Dfinition 4.2.1 Un Mouvement Brownien (standard) est un processus B vrifiant :


- B0 = 0 P-p.s. ;
- B est continu, i.e. t 7 Bt () est C 0 pour presque tout ;
- B est accroissements indpendants : Bt Bs est indpendant de FsB := (Bs , s t) ;
- les accroissements sont stationnaires, Gaussiens et pour s t : Bt Bs N (0, t s).
Remarque 4.2.1 Pour information, dans le dfinition, la quatrime proprit peut tre
remplace par "les accroissements sont stationnaires centrs de carr intgrable avec
V ar(B1 ) = 1". Cette hypothse plus faible implique, grce la continuit de B, que les
P
accroisements sont Gaussiens. En effet, on a Bt Bs = limn ni1 (Bs+(ts)i/n
Bs+(ts)(i1)/n ) somme compose de v.a. alatoires indpendantes de mme loi car le processus est stationnaire. Grce la continuit du B, on obtient quelles sont desprance
nulle et de variance (t s)/n. On a alors envie de conclure grce au Thorme Centrale
Limite mais les termes de la somme dpendent de n et la dmonstration ncessite une
gnralisation du TCL, un thorme du type Lindebergh, qui est possible par contrle des
moments des v.a. alatoires. Lorsque lon cherche un processus stationnaire, continu
accroissements indpendants et de variance finie, il est donc naturel de considrer un
Mouvement Brownien qui sera donc un outil trs utile pour modliser les fluctuations
des cours des actifs dans un march financier.
Thorme 4.2.1 Le Mouvement Brownien existe ! ! !
Dmontration : Ce rsultat non vident est admis. La plus grosse difficult rside
dans lobtention de la continuit du Mouvement Brownien. Le Mouvement Brownien
peut tre vu comme limite de marches alatoires sur des pas de temps de plus en plus
courts.
2
Proposition 4.2.1 Si B est un Mouvement Brownien et F sa filtration naturelle, les
2 t
processus (Bt ), (Bt2 t) et (eBt 2 ) (Brownien Exponentiel) sont des F-martingales.
Dmonstration : Ces trois processus sont adapts F. Il sont intgrables car Bt
N (0, t), donc son esprance, sa variance et sa transforme de Laplace sont finies. Reste
vrifier la dernire condition. Pour le premier, on a :
E[Bt /Fs ] = E[Bs /Fs ] + E[Bt Bs /Fs ] = Bs + E[Bt Bs ] = Bs + 0 = Bs
Pour le deuxime, comme B est une martingale, on a :
E[Bt2 Bs2 /Fs ] = E[(Bt Bs )2 /Fs ] = E[(Bt Bs )2 ] = V ar[Bt Bs ] = t s

4.2. MOUVEMENT BROWNIEN

37

Et la condition sur le dernier sobtient grce la transforme de Laplace dune Gaussienne :

E eBt

2 t
2

/Fs = e

2 t
2

E e(Bt Bs ) eBs /Fs = e

2 t
2

eBs E e(Bt Bs ) = eBs

2 s
2

2
Pour dmontrer quun processus est un mouvement Brownien, au lieu de revenir
sa dfinition, il est souvent plus ais dutiliser la caractrisation suivante :
Thorme 4.2.2 Caractrisation du Mouvement Brownien
Un processus B est un Mouvement Brownien ssi cest un processus Gaussien continu
centr de fonction de covariance cov(Xs , Xt ) = s t.
Dmonstration :
Sens direct : Pour t1 t2 . . . tn , le vecteur (Bt1 , Bt2 Bt1 , . . . , Btn Btn1 ) est
compos de v.a. Gaussiennes indpendantes, donc il est Gaussien et toute combinaison
linaire des Bti qui se rcrit comme combinaison linaire de ces v.a. et est Gaussienne.
Par consquent, le processus B est Gaussien. Il est continu par hypothse, centr car
E[Bt ] = E[Bt B0 ] = 0 et de fonction de covariance, pour s t :
Cov(Bs , Bt ) = E[Bs Bt ] = E[Bs (Bt Bs )]+E[Bs2 ] = Bs E[Bt Bs ]+V ar[Bs B0 ] = 0+s = s
Rciproquement, on va montrer les proprits de la dfinition du MB une une :
- E[B02 ] = V ar[B0 ] = 0 donc B0 = 0 p.s.
- B est continu par hypothse
- Prenons r1 . . . rn s t, le vecteur (Br1 , . . . , Brn , Bt Bs ) est Gaussien. Or
cov(Bt Bs , Bri ) = ri s ri t = 0, donc Bt Bs est indpendante de tout vecteur
(Br1 , . . . , Brn ) et donc de FsB = (Br , r s).
- Pour s t, Bt Bs est Gaussienne et est donc dtermine par son esprance E[Bt
Bs ] = 0 et sa variance :
V ar[Bt Bs ] = V ar(Bt ) + V ar(Bs ) 2 cov(Bt , Bs ) = t + s 2 s t = t s.
Donc Bt Bs N (0, t s) et, la loi de Bt Bs ne dpendant que de t s, les
accroissements sont stationnaires.
2
Remarque 4.2.2 Le rsultat indiquant que montrer lindpendance entre Bt Bs et
(Bs , s t) est quivalent montrer que tout vecteur de la forme (Br1 , . . . , Brn ) se
dmontre laide du thorme de la classe monotone. Le lecteur intrss pourra se
reporter au Livre de Briane-Pages.

38

CHAPITRE 4. CALCUL STOCHASTIQUE

Proposition 4.2.2 Si B est un Mouvement Brownien, les processus


valeur nulle en 0, et Bt+t0 Bt sont des Mouvements Browniens.

1
a Ba2 t ,

tB1/t +

Dmonstration : On utilise la caractrisation en tant que processus Gaussien. Ce sont


des processus Gaussiens. On a la continuit facilement sauf pour tB1/t (fate en TD) 2

Remarque 4.2.3 Le fait que le processus a1 Ba2 t soit encore un Mouvement Brownien
est la proprit fractale du Mouvement Brownien. Son comportement est stable par
changement dchelle. Il traduit galement que les trajectoires du Mouvement Brownien
ont une longueur infinie.
Citons quelques proprits du Mouvement Brownien sans les dmontrer simplement
pour mieux comprendre la manire dont il se comporte :
(1) Si B est un Mouvement Brownien, alors :
Bt
t

0 p.s.

Ce rsultat, difficile montrer pour t R, est obtenu naturellement sur les suites
valeur dans N :
Bn
n

n
1 X
(Bi Bi1 ) E[Bi Bi1 ] = 0 p.s.
n
n i=1

grce la loi de grands nombres, les Bi Bi1 tant indpendantes de loi N (0, 1).
(2) Le Mouvement Brownien a ses trajectoires continues mais elles ne sont drivables
nulle part.
(3) Si B est un Mouvement Brownien, alors, on a :
lim Bt = +

et

lim Bt =

Ainsi, le Mouvement Brownien passe par tous les points de lespace presque surement.
(4) Le Mouvement Brownien repasse presque surement en tout point une infinit de
fois.
(5) Le Mouvement Brownien est un processus markovien :
s t

loi

Bt /Fs Bt /Bs

En conclusion, le Mouvement Brownien oscille normment. Il est continu et imprvisible dans le sens ou ses accroissements sont indpendants du pass. Cet outil sera
donc idal pour modliser la partie alatoire de lvolution dun actif sur un march.

4.3. VARIATION TOTALE ET VARIATION QUADRATIQUE

4.3

39

Variation totale et Variation quadratique

Dfinition 4.3.1 On dfinit la variation infinitsimale dordre p dun processus X sur


[0, T ] associe une subdivision n = (tn1 , . . . , tnn ) de [0, T ] par :
VTp (n ) :=

n
X

|Xtni Xtni1 |p

i=1

Si VTp (n ) a une limite dans un certain sens (convergence Lp , convergence p.s.) lorsque
n := ||n || := M axin |tni+1 tni | 0, la limite ne dpend pas de la subdivision
choisie et nous lappellerons variation dordre p de X sur [0, T ] . En particulier :
- si p = 1, la limite sappellera variation totale de X sur [0, T ] ;
- si p = 2, la limite sappellera variation quadratique de X sur [0, T ] note hXiT .
Remarque 4.3.1 Pourquoi la limite de dpend pas de la subdivision choisie ?
Supposons que la variation infinitsimale dordre p a une limite lorsque le pas de la subdivision tend vers 0. Considrons deux subdivisions diffrentes. Alors la nouvelle subdivision compose de lunion des 2 prcdentes converge galement et les deux subdivisions
prcdentes sont des subdivisions extraites de celle-ci qui convergent donc vers la mme
limite.
Remarque 4.3.2 Si la variation totale dun processus existe presque surement alors
elle vaut :
VT1 := sup

n
X

P i=1

|Xti Xti1 |

p.s.

o P est lensemble des subdivisions possibles de [0, T ]. Rciproquement, si ce sup est


fini, le processus admet une variation totale. Ce rsultat est du la dcroissance en de
la variation infinitsimale : si 0 alors VT1 () VT1 (0 ) qui vient naturellement de
lingalit triangulaire |x y| |x z| + |z y|. La variation totale dun processus
sinterprte comme la longueur de ses trajectoires.
Proposition 4.3.1 La variation quadratique sur [0, T ] du mouvement Brownien existe
dans L2 () (la variation infinitsimale converge en ||.||2 ) et vaut T . De plus, si la subP
division n satisfait
n=1 n < , on a la convergence au sens presque sr. On a
donc :
hBiT = T

40

CHAPITRE 4. CALCUL STOCHASTIQUE

Dmonstration : La variation infinitesimale dordre 2 du Mouvement Brownien est


donne par :
VT2 (n ) :=

n
X

|Btni Btni1 |2

i=1

On rappelle que si X N (0, 2 ) alors E[X 2 ] = 2 et V ar[X 2 ] = 2 4 . On a donc :


E[VT2 (n )] =

n
X

E[(Btni Btni1 )2 ] =

n
X

(tni tni1 ) = T

i=1

i=1

Et en notant n := M ax|tni1 tni |, on obtient :


V ar[VT2 (n )] =

n
X

V ar[(Btni Btni1 )2 ] = 2

n
X

(tni tni1 )2 2 T n 0
n 0

i=1

i=1

Donc ||VT2 (n ) T ||2 = V ar[VT2 (n )] 0 quand n 0. Pour obtenir la convergence presque sre, il faut utiliser lingalit de Markov qui donne pour tout  :
P[|VT2 (n ) T | > ]

V ar[VT2 (n )]
2 T n




2
Donc si
n=1 n < , on a pour tout ,
i=1 P[|VT (n ) T | > ] < ce qui (par
Borel-Cantelli) entrane la convergence presque sre de VT2 (n ) vers T .

Proposition 4.3.2 Pour toute subdivision n satisfaisant


n=1 n < , la variation
infinitsimale dordre 1 sur [0, T ] du mouvement Brownien associe cette subdivision
converge presque srement vers +. Donc, la variation totale du mouvement Brownien
vaut + p.s. :
P

VT1 = sup VT1 (n ) =

p.s.

Dmonstration : Soit n une suite de subdivision de [0, T ] satisfaisant


Alors, sur presque tout chemin , on a la relation :
VT2 (n )()

sup
|uv|n

n=1 n

< .

|Bu () Bv ()| VT1 (n )()

Le terme de gauche tend vers T car on a la convergence p.s. de la variation quadratique.


Le premier terme droite tend vers 0 car le Mouvement Brownien a ses trajectoires
uniformment continues sur [0, T ] en tant que fonctions continues sur un compact. Donc
le deuxime terme de droite tend ncessairement vers linfini.
2
En conclusion, la variation quadratique du mouvement Brownien est non nulle, elle
vaut T dans L2 , mais que sa variation totale est infinie presque surement.

4.3. VARIATION TOTALE ET VARIATION QUADRATIQUE

41

Remarque 4.3.3 La variation totale du Mouvement Brownien trajectoire par trajectoire est simplement la longueur de son chemin. Le rsultat obtenu est donc cohrent
avec la proprit fractale du Mouvement Brownien. Un Mouvement Brownien oscille en
permanence et donc la longueur de ses trajectoires est infinie. Ceci est galement li au
fait que les trajectoires du MB, bien que continues ne sont pas rgulires.
En effet, lorsquune fonction f : [0, T ] R est drivable drives bornes, pour
toute subdivision n de [0,T], il existe si ]ti1 , ti ] tel que :
n
X

|f (tni ) f (tni1 )| =

i=1

n
X

f 0 (sni )|tni tni1 | ||f 0 || T

i=1

Donc, cette fonction est variation totale finie :


sup

n
X

|f (ti ) f (ti1 | <

i=1

On obtient galement quelle est variation quadratique nulle :


n
X

||f 0 ||

|f (ti ) f (ti1 )|2 =

i=1

n
X

(ti ti1 )2 ||f 0 || T n 0

i=1

Donc, les trajectoires du Mouvement Brownien de sont pas drivables drives


bornes. On peut mme montrer que les trajectoires du Mouvement Brownien ne
sont drivables nulle part.
De la mme facon que lon dit quune fonction est variation borne sur [0, T ] si :
sup
n

n
X

|f (ti ) f (ti1 )| <

i=1

on peut sintresser la notion de processus variation borne :


Dfinition 4.3.2 Un processus X est un processus variation borne sur [0, T ]
sil est variation borne trajectoire par trajectoire :
sup
n

n
X

|Xti Xti1 | <

p.s.

i=1

Proposition 4.3.3 Un processus est variation borne si et seulement sil est la diffrence de deux processus croissants.
Dmonstration : Sil est variation borne, notons pour tout t T
Xt := sup

n
X

(t) i=1

|Xti Xti1 | <

42

CHAPITRE 4. CALCUL STOCHASTIQUE

o les (t) sont des subdivisions de [0, t]. Alors Xt se rcrit :


Xt =

X Xt
Xt + Xt
t
:= Xt+ Xt
2
2

Les processus Xt+ et Xt sont croissants car, pour s t, |Xt Xs | Xt Xs .


Rciproquement, si X et de la forme X + X avec X + et X croissants, on a,
pour toute subdivision de [0, T ] :
n
X

|Xti Xti1 | =

i=1

n
X

(Xt+i Xt+i1 ) +

i=1
Xt+

n
X

(Xti1 Xti )

i=1

X0+

X0

Xt = Xt X0
2

Donc X est variation borne.

Proposition 4.3.4 Si X est un processus variation borne trajectoires continues,


sa variation quadratique est nulle presque surement : hXiT = 0.
Dmonstration : Comme nous lavions vu prcdemment, pour presque tout :
VT2 (n )()

sup
|uv|n

|Xu () Xv ()| VT1 (n )()

Comme X est continue sur le compact [0, T ], le sup tend vers 0 et la variation totale
de X est finie donc sa variation quadratique est nulle p.s.
2
Remarque 4.3.4 Malheureusement les rsultats que nous obtenons sont des convergence dans L2 ou des convergence presque sre. A une modification presque sre prt,
la limite ne dpend pas du type de convergence considr mais ces convergences ne sont
pas quivalentes. Loutil adquat pour dfinir la variation quadratique est la convergence
en probabilit mais cet outil est peu intuitif et difficile manipuler.
Finalement le tableau rcapitulatif retenir est le suivant :

Mouvement Brownien
Processus continu var. borne

Variation totale

Variation quadratique

<

T
0

Par construction de la variation quadratique, hXi = 2 hXi, si bien quil est naturel
de prolonger lapplication X 7 hX, Xi := hXi en une application bilinaire.

4.3. VARIATION TOTALE ET VARIATION QUADRATIQUE

43

Dfinition 4.3.3 Soient X et Y deux processus tels que X, Y et X + Y ont des variations quadratiques finies dans L2 . On dfinit alors la covariation quadratique entre les
processus X et Y comme :
1
hX, Y i :=
(hX + Y i hXi hY i)
2
Par construction, cette dfinition rend lapplication (X, Y ) 7 hX, Y i bilinaire :
Relation de bilinarit :
Relation scalaire

hX + Y, X + Y i = hX, Xi + 2 hX, Y i + hY, Y i


hX, Y i = hX, Y i

Dmonstration : Par construction, 2 ||


est born par :

Xi Yi hX, Y i||2 converge vers 0 car il

X

X

X







(Xi + Yi )2 hX + Y i + Xi2 hXi + Yi2 hY i

2
2
2

2
Remarque 4.3.5 hX, Y i sidentifie la limite dans L2 () de
Ytni1 |.

Pn

i=1

|Xtni Xtni1 | |Ytni

Proposition 4.3.5 Soit X un processus variation borne continu ayant une variation
quadratique dans L2 (qui est donc nulle) et Y un processus variation quadratique finie
dans L2 , alors X + Y est variation finie dans L2 et lon a :
hX + Y i = hY i
Ce qui revient dire que :
hX, Y i = 0
Dmonstration : On a la relation
hX

Xi Yi

2 i

Xi2

Ce qui donne hX, Y i = 0 la limite.

Yi2

Xi2
2

Yi2

Remarque 4.3.6 Nous venons de voir que la variation quadratique du Mouvement


Brownien sur [0, T ] est T . Or, si vous vous souvenez, nous avions vu que le processus (Bt2 t) est une martingale. Ceci nest pas un hasard, il existe un rsultat plus
gnral que nous ne dmontrerons pas mais qui permet de caractriser les martingales
de carr intgrables. Il sagit de la dcomposition de Doob-Meyer.
Thorme 4.3.1 Dcomposition de Doob Meyer
Si M est une martingale continue de carr intgrable (E(Mt2 ) < pour tout t), alors
hM i est lunique processus croissant continu nul en 0 tel que M 2 hM i soit une martingale.

44

CHAPITRE 4. CALCUL STOCHASTIQUE

4.4

Intgrale stochastique

On veut donner un sens la variable alatoire :


Z T

s dBs
0

Lorsque lon intgre une fonction g par rapport une fonction f drivable, si g est
rgulire, on dfinit son intgrale comme :
Z T

Z T

g(s) f 0 (s)ds

g(s) df (s) =
0

Si jamais f nest pas drivable mais simplement variation borne, on sen sort encore
en dfinissant lintgrale par :
Z T

g(s) df (s) =
0

lim

n1
X

n 0

g(ti )(f (ti+1 ) f (ti ))

i=0

Lintgrale alors dfinie sappelle intgrale de Stieljes. Dans notre cas, le Mouvement
Brownien nest pas variation borne donc, on ne peut pas dfinir cette limite
trajectoire par trajectoire. Par contre, comme il est a variation quadratique finie,
il est naturel de dfinir lintgrale par rapport au Mouvement Brownien comme une
limite dans L2 (convergence au sens de ||.||2 ) de cette variable alatoire.
Z T

s dBs =
0

lim

n 0

n1
X

ti (Bti+1 Bti )

i=0

Attention, la convergence est au sens de la convergence des variables alatoires dans


L2 (). Pour cela nous allons donc devoir imposer au processus dtre L2 (, [0, T ]).
On demandera galement lintgrant dtre F-adapt afin que ti soit indpendant de Bti+1 Bti . En effet, dans les applications en finance, t reprsentera la quantit
dactif risqu contenue dans notre portefeuille linstant t et dBt la variation infinitsimale de cet actif risqu. Il est donc naturel de vouloir imposer que soit F-adapt.
Sil ne ltait pas, on pourrait tout de mme dfinir une intgrale par rapport au mouvement Brownien mais elle serait trs diffrente car la variation quadratique du Mouvement
Brownien est non nulle. Sur un exemple simple par exemple, comme approximations de
RT
0 Bt dBt , nous aurions entre autre le choix entre les 2 approximations suivantes :
n1
X

Bti [Bti+1 Bti ] ou

n1
X

Bti+1 [Bti+1 Bti ]

i=0

i=0

Lcart entre nos deux intgrales est alors gal :


n1
X

L2

[Bti+1 Bti ]2 T

i=0

4.4. INTGRALE STOCHASTIQUE

45

Nous allons construire lintgrale stochastique ou lapproximation est faite au point le


plus gauche afin que lintgr soit indpendant de lintgrant. Cest lintgrale au sens
dIto (et non Stratonovich ou anticipante). Enfin, pour des raisons techniques, nous
allons demander de la rgularit aux processus que nous manipulons. Nous leur demanderons dtre presque surement Continus A Droite avec Limite A Gauche (CADLAG).
Finalement, nous allons donc construire lintgrale stochastique sur lensemble

L2F (, [0, T ])

(t )0tT ,

processus CADLAG F-adapt tq E

Z
T
0

s2 ds

<

Construisons tout dabord lintgrale stochastique sur lensemble des processus lmentaires.
Dfinition 4.4.1 Un processus (t )0tT est appel processus lmentaire sil existe
une subdivision 0 = t0 t1 . . . tn = T et un processus discret (i )0in1 tel que
tout i est Fti -adapt et dans L2 () tel que :
t () =

n1
X

i ()1]ti ,ti+1 ] (t)

i=0

On note E lensemble des processus lmentaires qui est un sous espace de L2F (, [0, T ]).
Dfinition 4.4.2 Avec les mme notations, lintgrale stochastique entre 0 et t T
dun processus lmentaire E est la variable alatoire dfinie par :
Z t

s dBs :=
0

k
X

i (Bti+1 Bti ) + i (Bt Btk )

sur ]tk , tk+1 ] ,

i=0

soit
Z t

s dBs =
0

n
X

i (Btti+1 Btti ) .

i=0

On associe donc E le processus

R t
0

Remarque 4.4.1 On dfinit naturellement

s dBs

Rt
s

0tT

u dBu :=

Rt
0

u dBu

Rs
0

u dBu .

Proposition 4.4.1 Proprits de lintgrale Stochastique sur E


Sur lensemble des processus lmentaires E, lintgrale stochastique satisfait les proprits :
R
(1) 7 0t s dBs est linaire

46

CHAPITRE 4. CALCUL STOCHASTIQUE

(2) t 7 0t s dBs est continue p.s.

R
(3) 0t s dBs 0tT est un processus F-adapt.
R

(4) E 0t s dBs = 0 et V ar
(5) proprit dIsomtrie :

R t
0

s dBs = E

"Z

R t
0

2 #

Z
t

s dBs

s2 ds .

=E

s2 ds

(6) De manire plus gnrale, on a :


Z
t

"Z

u dBu /Fs = 0

et

v dBv

Z
t

/Fs = E

v2 dv/Fs

(7) On a mme le rsultat plus gnral :


Z

Z
t

v dBv

E
(8)

R t

0 s dBs

0tT

(9) Le processus

 R

Z
tu

v v dv/Fs

v dBv /Fs = E

est une F -martingale.

2
t
0 s dBs

Rt 2 
0 s ds

0tT

est une F-martingale.

(10) la variation quadratique de lintgrale stochastique est donne par :

Z
t

s dBs

Z t

=
0

s2 ds

(11) La covariation quadratique entre 2 intgrales stochastiques est donne par :


Z

s dBs ,
0

Z u

s dBs

Z tu

s s ds
0

Dmonstration :
(1) La linarite de lintgrale est immdiate.
(2) La continuit de lintgrale stochastique se lit sur sa deuxime criture par la continuit des trajectoires du Mouvement Brownien.
R
(3) La v.a. 0t s dBs est Ft -mesurable comme somme de v.a. Ft -mesurables, donc lintgrale stochastique est un processus F-adapt.
(4) Prenons t = tk quitte rajouter un point la suite (ti )01n . Alors, le calcul de
R
lesprance de 0t s dBs donne :
Z
t

s dBs
0

k1
X
i=0

E i (Bti+1 Bti ) =

k1
X
i=0

E i E Bti+1 Bti /Fti



= 0

4.4. INTGRALE STOCHASTIQUE

47

Le calcul de la variance, un peu plus lourd, scrit :

V ar

s dBs
0

"Z

= E
=

k1
X

2 #

s dBs
0

= E

k1
X

k1
X

i (Bti+1 Bti )

E i2 (Bti+1 Bti )2 + 2

E i j (Bti+1 Bti ) (Btj+1 Btj )

i<j

i2 E (Bti+1 Bti )2 /Fti + 2

i=0
k1
X

i=0

i=0

!2

E i j (Bti+1 Bti ) E[Btj+1 Btj /Fti ]

i<j

i2 (ti+1 ti ) + 0 =

i=0

Z t
0

s2 ds

On aurait pu viter le calcul et utiliser le rsultat plus gnral nonc dans (6)
(5) La proprit disomtrie est celle que lon vient dcrire.
(6) Quitte rajouter 2 points la suite (ti )01n , on peut supposer que s = tj et t = tk
et alors :

Z
t

u dBu /Fs
0

= E

"k1
X

i (Bti+1 Bti )/Ftj

i=0

j1
X

= E

i (Bti+1 Bti )/Ftj +

i=0

j1
X

i (Bti+1 Bti ) +

i=0

u dBu + 0
0

E i (Bti+1 Bti )/Ftj

i=j
k1
X
i=j

Z s

k1
X

E i E[Bti+1 Bti /Fti ] /Ftj

48

CHAPITRE 4. CALCUL STOCHASTIQUE

Le deuxime calcul, un peu plus lourd, scrit :


"Z

u dBu

/Fs

k1
X

= E

#
2

i (Bti+1 Bti )

/Ftj

i=j

k1
X

E i2 (Bti+1 Bti )2 /Ftj

+ 2

i=j

k1
X

E i l (Bti+1 Bti ) (Btl+1 Btl )/Ftj

i<l

E i2 E (Bti+1 Bti )2 /Fti /Ftj

+ 2

i=j

k1
X

E i l (Bti+1 Bti ) E[Btl+1 Btl /Fti ]/Ftj

i<l

E i2 (ti+1 ti )/Ftj

i=j

+ 0

Z
t

= E

u2 du/Fs

(7) Pour et dans E, et u t on a :


Z
t

2E

v dBv

"Z

v dBv /Fs

Z
t

= E

(v + v 1vu ) dv/Fs E

Z
t
s

Z u

= 2E

/Fs E

(v + v 1vu )dBv

= E

"Z

v dBv
s

v2 dv/Fs

/Fs E
Z u

Z
u

v dBv

/Fs

2v dv/Fs

v v dv/Fs
s

(8) On a vu que le processus


Rt

R t

0 s dBs

tT

est F-adapt. La proprit disomtrie nous

L2 ()

donne que 0 s dBs est dans


et donc dans L1 (). La premire partie de la proprit 6 nous donne la proprit de martingale de lintgrale stochastique. En fait cest
simplement une tranforme de martingale.
 R

2
R
t
(9) Le processus M dfini par
0t s2 ds
est F-adapt comme
0 s dBs
0tT

somme discrte de processus F-adapts. Chaque Mt est dans L1 () comme somme


de 2 lments de L1 (). La 2me partie de la proprit (6) nous donne la proprit de
martingale de M .
(10) Si on admet que la variation quadratique est telle que M 2 hM i soit martingale
(Doob-Meyer), le rsultat du dessus nous permet de conclure directement.
(11) Le rsultat vient directement de la dfinition de la covariation quadratique par les
mme calculs que dans (8).

4.4. INTGRALE STOCHASTIQUE

49

Exemple : 0t dBs = Bt B0 = Bt
Finalement, lintgrale stochastique dun lment de E est une martingale continue
de carr intgrable. Nous noterons M2 ([0, T ]) lensemble des martingales continues de
carr intgrable :
R

M2 ([0, T ]) :=

M F martingales telles que E[Mt2 ] < t [0, T ]

Pour le moment, lintgrale stochastique est une fonction de E[0, T ] dans M2 ([0, T ]).
On va maintenant, comme annonc, tendre la dfinition de lintgrale stochastique
des processus adapts ayant un moment dordre 2, i.e. :

L2F (, [0, T ])

(t )0tT ,

processus CADLAG F-adapt tq E

Z
T
0

s2 ds

<

Lemme 4.4.1 Lensemble des processus lmentaires E est dense dans L2F (, [0, T ]) au
sens de la convergence en norme quadratique. Autrement dit, pour tout L2F (, [0, T ]),
il existe une suite n dlments de E telle que
n

||

||02

Z
T

=E

1/2

(s

sn )2 ds

Ce lemme sera admis. Il sagit dune gnralisation de la densit des fonctions en escalier
dans lensemble des fonctions avec un contrle global sur lensemble des trajectoires. Pas
super comme remarque.
Thorme 4.4.1 Il existe une unique application linaire I de L2F (, [0, T ]) dans M2 ([0, T ])
qui coincide avec lintgrale stochastique sur lensemble des processus lmentaires E et
vrifie la proprit disomtrie :
E[I()2t ]

t T

= E

s2 ds

Dmonstration :
Approximation : Soit un processus lment de L2F (, [0, T ]). Daprs le lemme admis,
il existe une suite n dlments de E telle que :
||

n ||02

Z
T

=E

1/2

(s

sn )2 ds

Convergence : La proprit disomtrie entre 0 et t T sur lintgrale stochastique


du processus (n+p n ) de E nous donne :
"Z

2 #

(sn+p

sn )dBs

Z
t

= E

(sn+p

sn )2 ds

Z
T
0

(sn+p

sn )2 ds

50

CHAPITRE 4. CALCUL STOCHASTIQUE

ce qui scrit en terme de norme :


Z

Z t
t



n+p
n
s dBs
s dBs

0

0
2

n+p n

Comme n converge dans L2 (, [0, T ]), elle est de Cauchy et donc 0t sn dBs est de
Cauchy dans L2 (). Or L2 () muni de ||.||2 est un espace de Banach (donc complet),
R
R
par consquent la suite 0t sn dBs converge dans L2 (). En notant 0t s dBs sa limite, on
a donc :
R

"Z

s dBs

Z t

2 #

sn dBs

Z
t

= E

(s

sn )2 ds

Unicit : Cette proprit implique que la limite ne dpend pas de la suite approximante choisie, en effet, si javais 2 suites approximantes n et n , la condition disomtrie
donnerait :
Z
t

Z

Z t
t



n
n
s dBs
s dBs

0

0
2

= E

1/2

(sn ns )2 ds

||n n ||02 0

Donc les deux suites approximantes donnent la meme limite dans L2 () qui sont donc
gales p.s.
Convergence dans M2 ([0, T ]) : Le processus limite M est un lment de M2 ([0, T ])
car chaque Mt scrit comme limite dans L2 () de Mtn avec M n une suite de martingales
F-adaptes telles que E[|Mtn |2 ] < pour tout t. (application de la proposition 4.1.6
avec p = 2).
Linarit et Isomtrie : La linarit est immdiate, reste prouver la proprit
disomtrie qui scrit en passant la limite la proprit disomtrie sur les lments de
E :
"Z

2 #

sn dBs

Z
t

= E

(sn )2 ds

" Z

2 #

s dBs
0

Z
t

= E

s2 ds
2

Remarque 4.4.2 On peut voir notre transformation comme un prolongement disomtrie entre deux espaces complets : lespace L2F (, [0, T ]) muni de la norme ||.||02 et lespace
M2 ([0, T ]) muni de la norme ||M || = E[MT2 ].
Proposition 4.4.2 Sur L2F (, [0, T ]), lintgrale stochastique satisfait les mme proprits que celles nonces dans E :
R
(1) 7 0t s dBs est linaire

4.4. INTGRALE STOCHASTIQUE

51

(2) t 7 0t s dBs est continue p.s.

R
(3) 0t s dBs 0tT est un processus F-adapt.
R

(4) E 0t s dBs = 0 et V ar
(5) proprit dIsomtrie :

R t
0

s dBs = E

"Z

R t

s2 ds .

2 #

s dBs

Z
t

=E

s2 ds

(6) De manire plus gnrale, on a :


Z
t

"Z

u dBu /Fs = 0

et

v dBv

Z
t

/Fs = E

v2 dv/Fs

(7) On a mme le rsultat plus gnral :


Z

Z
t

v dBv

E
(8)

R t
0

s dBs

0tT


(9) Le processus

Z
tu

v v dv/Fs

v dBv /Fs = E

est une F-martingale.

R t
0

s dBs

Rt 2 
0 s ds

0tT

est une F-martingale.

(10) la variation quadratique de lintgrale stochastique est donne par :


Z

s dBs

Z t

=
0

s2 ds

(11) La covariation quadratique entre 2 intgrales stochastique est donne par :


Z

s dBs ,
0

Z u

s dBs
0

Z tu

s s ds
0

Dmonstration : On a dj vu (1) (3), (5) et (8).


(2) La proprit disomtrie donne la continuit dans L2 () mais nous allons admettre
la continuit presque sre.
(4) est un cas particulier de (6).
(6) La premire est la proprit de martingale de lintgrale stochastique et la deuxime
la proprit de martingale du processus donn par la proprit (9).
(7) On lobtient partir de (6) comme on lavait obtenu dans E en considrant 2 , 2
et ( + )2 .
(9) On lobtient grce la proposition (4.1.6) avec p = 1.
(10) est obtenu par Doob-Meyer.
(11) est une consquence de (10).
2

52

CHAPITRE 4. CALCUL STOCHASTIQUE

Remarque 4.4.3 Lintgrale stochastique est une limite dans L2 () et est donc dfinie
une modification presque sre prs.

Cas particulier ou le processus nest pas alatoire.


Proposition 4.4.3 Si le processus nest pas alatoire mais simplement une fonction
f du temps, en plus des proprits prcdentes, lintgrale stochastique alors appele
intgrale de Wiener est Gaussienne :
Z t

f (s)dBs N

Dmonstration : En effet,
la forme :
n1
X

Z t

0,

f 2 (s)ds

Rt
0

f (s)dBs scrit comme une limite dans L2 () de v.a. de

L2

fi (Bti+1 Bti )

Z t

f (s)dBs
0

i=0

Or n1
i=0 fi (Bti+1 Bti ) est Gaussienne comme combinaison linaire dlments du vecR
teur Gaussien Bt1 , . . . , Btn . Donc 0t f (s)dBs est Gaussienne comme limite dans L2 ()
de v.a. Gaussiennes. En effet, la convergence dans L2 () entrane la convergence de
lesprance, de la variance et donc de la fonction caractristique des v.a. gaussiennes. 2
R
De plus, toute combinaison linaire de 0ti f (s)dBs est galement une intgrale de
R
Wiener qui est Gaussienne. Donc lintgrale de Wiener 0t f (s)dBs est un processus
Gaussien caractris par
P

Z
t

cov

Z u

g(s)dBs

f (s)dBs ,
0

Z tu
0

On dmontre galement que la v.a.


TD).

f (s)g(s)ds

Rt
s

f (u)dBu est indpendante de la tribu Fs (cf

Cas particuler o le processus est de la forme f (B)


Pour linstant, nous avons vu que, lorsquune suite de processus lmentaires n
converge vers dans L2 (, [0, T ]), alors lintgrale stochastique de est la limite dans
L2 () des intgrales stochastiques des n . Le candidat le plus naturel pour approcher
lintgrale stochastique de f (B) est alors :
n1
X

f (Bti )(Bti+1 Bti )

i=0

Mais, quelles conditions, a ton la convergence voulue ?

4.4. INTGRALE STOCHASTIQUE

53

Proposition 4.4.4 Si f est une fonction drivable drive borne, on a :


n1
X

Z T

L2

f (B i T )(B (i+1) T B i T )
n

i=0

f (Bs )dBs

La convergence a lieu dans L2 ().


Dmonstration : Avant toute chose, il faut justifier que lintgrale stochastique a un
sens, i.e. que f (B) L2F (, [0, T ]). Le processus f (B) est bien F-adapt et CADLAG
car le mouvement Brownien est F-adapt et continu p.s. . On a, pour tout t T :
|f (Bt )| |f (B0 )| + ||f 0 || .|Bt B0 | = |f (0)| + ||f 0 || .|Bt |
La constante |f (0)| est bien sr dans L2F (, [0, T ]) et on a :
Z
T

Z T

|Bs | ds

Z T

E[|Bs |2 ] ds =

s ds =
0

T2
<
2

RT

Donc f (Bt ) L2F (, [0, T ]) et 0 f (Bs )dBs est bien dfinie.


Lintervalle [0, T ] est dcoup en n intervalles ]ti , ti+1 ] avec ti = iT /n et on introduit le
processus
Bsn

:=

n1
X

Z T

Bti 1]ti ,ti+1 ] (s)

tel que
0

i=0

f (Bsn ) dBs :=

||f (B) f (B

)||02

Z
T

= E

RT
0

(f (Bs )

f (Bsn ))2 ds

n1
X Z ti+1

||f 0 ||

= ||f ||

ti

i=0

= E

E[(Bs Bti )2 ] ds

ti

#1/2
2

(f (Bs ) f (Bti )) ds

= ||f 0 ||

n1
X Z ti+1
i=0

1/2

u du

"n1 Z
X ti+1

i=0
!1/2

Z T /n

f (Bsn ) dBs si f (B) est la limite

1/2

f (B i T )(B (i+1) T B i T )

i=0

Alors 0T f (Bs ) dBs sera la limite dans L2 () de


dans L2 (, [0, T ]) de f (B n ). Or on a :
n

n1
X

!1/2

(s ti ) ds

ti

T ||f 0 ||

0
2 n n
2

RT

Exemple : Que vaut 0 Bs dBs ?


P
En reprenant le processus Bsn := n1
Bti 1]ti ,ti+1 ] (s), la proposition prcdente nous
R Ti=0 n
R
2
donne la convergence dans L () de 0 Bs dBs vers 0T Bs dBs . Remarquons alors que :
Z T

2
0

Bsn dBs = 2

n1
X

Bti (Bti+1 Bti ) ds =

i=0

= BT2 +

n1
X

(Bti+1 Bti )2

i=0

n1
X

n1
X

i=0

i=0

(Bt2i+1 Bt2i )

(Bti+1 Bti )2

54

CHAPITRE 4. CALCUL STOCHASTIQUE

Le deuxime terme converge dans L2 () vers la variation quadratique sur [0, T ] du


Mouvement Brownien qui vaut T donc on obtient finalement :
Z T

BT2

2Bs dBs + T
0

On retrouve donc que BT2 T est une martingale. Par rapport lintgrale classique, il y
a un terme en plus, (le T ) qui vient du fait que la variation quadratique du Mouvement
Brownien est non nulle.
Heuristiquement, on peut se dire quune petite variation du Mouvement Brownien

dBt quivaut une variation en dt car sa variation quadratique est en dt et que lon
considre des convergence en norme quadratique.

dBt dt (dBt )2 dt
Donc, les termes en dBt2 ne sont pas ngligeables dans les dveloppements de Taylor
et lon garde un terme en plus. La formulation de ce rsultat est la formule dIto. De
manire moins heuristique, on peut retenir :
dBt N (0, dt)

4.5

Formule dIto

Voici loutil qui permet de calculer les intgrales stochastiques sans repasser par des
suites approximantes.
Thorme 4.5.1 Toute fonction f C 2 (R) drive seconde borne vrifie p.s. :
Z t

f (Bt ) = f (B0 ) +

f 0 (Bs ) dBs +

1
2

Z t

f 00 (Bs ) ds

, t T

La notation infinitsimale de cette relation est :


d f (Bs ) = f 0 (Bs ) dBs +

1 00
f (Bs ) ds
2

Dmonstration :(source : polycopi de Francis Comets) Fixons t T et considrons


de nouveau la partition de [0, t] en n intervalles ]ti , ti+1 ] avec ti = it/n. Trajectoire par
trajectoire, la formule de Taylor couple la continuit p.s. de B nous donne :
f (Bt ) f (B0 ) =
=

n
X

[f (Bti ) f (Bti1 )]

i=1
n
X
i=1

f 0 (Bti )(Bti Bti1 ) +

n
1 X
f 00 (Bi )(Bti Bti1 )2
2 i=1

4.5. FORMULE DITO

55

o les i sont des variables alatoires valeur dans ]ti1 , ti [. Comme f 0 est drivable
drive borne, la proposition 4.4.4 nous donne :
n

Z t
X



f 0 (Bti )(Bti Bti1 )
f 0 (Bs ) dBs



0
i=1

Il reste contrler le dernier terme :


n
X

Un :=

f 00 (Bi )(Bti Bti1 )2

i=1

Nous allons successivement remplacer i par ti1 puis (Bti Bti1 )2 par ti ti1 . Introduisons :
Vn :=

n
X

f 00 (Bti1 )(Bti Bti1 )2

Wn :=

et

i=1

n
X

f 00 (Bti1 )(ti ti1 )

i=1

On a alors, par lingalit de Schwartz :


"

E[|Un Vn |] E sup|f 00 (Bti1 ) f 00 (Bi )|


i

n
X

(Bti Bti1 )2

i=1

1/2

E sup|f 00 (Bti1 ) f 00 (Bi )|2


i

n
X

!2 1/2

(Bti Bti1 )2

i=1

Pour toute trajectoire, s 7 f 00 (Bs ()) est continue sur un compact, donc uniformment
continue et le sup converge donc vers 0. La convergence vers 0 de lesprance est assure
par le thorme de Lebesgue car f 00 est borne. Le deuxime terme est la variation
quadratique du mouvement Brownien qui converge vers t. Donc on a ||Un Vn ||1 0.
Par ailleurs, on a :

n
X

E[|Vn Wn |2 ] = E

!2

f 00 (Bti1 )((Bti Bti1 )2 (ti ti1 ))

i=1

n
X

2 i

f 00 (Bti1 )((Bti Bti1 )2 (ti ti1 ))

i=1

||f 00 ||2

n
X

V ar((Bti Bti1 )2 )

i=1

= ||f 00 ||2

n
X

2(ti ti1 )2 = 2 ||f 00 ||2

i=1

t2
0
n n

On a ainsi ||Vn Wn ||2 0. Enfin, par dfinition de lintgrale de Lebesgue,


n
comme f 00 est borne, on a :


Z t




f 00 (Bs )ds
Wn


0

56

CHAPITRE 4. CALCUL STOCHASTIQUE

La convergence L2 impliquant la convergence L1 , on a finalement la convergence


dans L1 () de
f (Bt ) f (B0 ) =

n
X

f 0 (Bti )(Bti Bti1 ) +

i=1

vers

Z t
0

1
f (Bs ) dBs +
2
0

Z t

n
1 X
f 00 (Bi )(Bti Bti1 )2
2 i=1

f 00 (Bs ) ds

Ceci entrane donc lgalit presque sre entre les deux v.a. On intervertit ensuite le
"t" et le "p.s." grce la continuit de chacun des processus.
2
Remarque 4.5.1 Lorsque lon a une galit entre processus qui est vrai presque surement pour tout t, elle nest pas forcment vrai pour tout t presque surement. En effet,
pour tout t, lensemble o lgalit nest pas vrifi est ngligeable, mais lunion sur t R
de ces ensembles nest pas forcment ngligeable. Par contre, lorsque les processus sont
continus, lunion (dnombrable) sur t Q de ces ensembles reste ngligeable et stend
lunion sur t R par continuit.
Donc, ce quil faut retenir est que lorsque que lon drive par rapport au Mouvement

Brownien, comme "dBt se comporte comme dt", il faut garder un terme en plus dans
le dveloppement de Taylor.
Exemple : On retrouve BT =

RT
0

dBt et BT2 = 2

RT
0

Bs dBs + T

Gnralisation
Avoir la drive seconde borne est trs contraignant, car on ne peut pas souvent
appliquer cette formule. On aimerait pouvoir gnraliser cette formule aux cas o la
fonction f est seulement drivable deux fois. Le problme est que lon nest alors pas sr
que f 0 (B) soit dans L2F (, [0, T ]) et que donc lintgrale stochastique soit bien dfinie.
En fait on peut gnraliser la dfinition dintgrale stochastique au cas ou au lieu de
prendre dans L2F (, [0, T ]), on considre des processus qui sont toujours CADLAG
et F-adapts mais qui satisfont simplement la condition :
Z T

|s |2 ds < p.s.

Lors de la gnralisation, on perd le caractre martingale de lintgrale stochastique,


elle devient ce que lon appelle une Martingale locale. Il lui manque juste de bonnes
conditions dintgrabilit pour tre une vraie martingale. On peut alors gnraliser la
formule dIto en obtenant

4.6. PROCESSUS DITO

57

Thorme 4.5.2 Toute fonction f C 2 (R) vrifie p.s. :


Z T

f (BT ) = f (B0 ) +
0

1
f (Bs ) dBs +
2
0

Z T

f 00 (Bs ) ds

Sans vouloir plus dtailler, dtes vous simplement que, les conditions dintgrabilit
mises part, vous pouvez appliquer la formule dIto lorsque la fonction est seulement
C 2 mais que lintgrale stochastique obtenue nest pas forcment une vraie martingale.

4.6

Processus dIto

Introduisons une nouvelle classe de processus par rapport auxquels nous pourrons
encore dfinir une intgrale stochastique.
Dfinition 4.6.1 Un processus dIto est un processus de la forme
Z t

Z t

s dBs

s ds +

Xt = X0 +

(4.6.1)

avec X0 F0 -mesurable, et deux processus F-adapts vrifiant les conditions dintgrabilit :


Z T

|s | ds <

Z T

p.s.

et

|s |ds <

p.s.

On note de manire infinitsimale :


dXt = s ds + s dBs
Ltude que nous avons mene jusqu maintenant ncessitait des conditions dintgrabilit plus fortes sur les processus et . Afin de pouvoir prsenter ici la dmontration
de certains rsultats de cette partie, nous aurons besoin dimposer les conditions dintgrabilits (CI) suivantes :
Z
T

(CI)

|s | ds <

et E

R T
0

|s |2 ds <

Proposition 4.6.1 Si M est une martingale continue qui scrit sous la forme Mt :=
Rt
2
0 s ds avec L (R, [0, T ]), alors P-p.s. :
tT

Mt = 0

58

CHAPITRE 4. CALCUL STOCHASTIQUE

Dmonstration : Par dfinition M0 = 0 et comme M est une martingale :

n
X

E[Mt2 ] = E

" n
X

!2

M it M (i1)t
n

i=1

!2
Z it
n
X
n
s ds
= E
(i1)t

M it M (i1)t

= E

2 #
n

i=1

i=1

Grce lingalite de Cauchy-Schwartz, on obtient :


Z

!2

it
n
(i1)t
n

s ds

it
n

(i1)t
n

12 ds

it
n

t
n

2s ds =

(i1)t
n

it
n

(i1)t
n

2s ds

Soit en sommant terme terme :


E[Mt2 ]

it
n

" n
X t Z
i=1

(i1)t
n

t
=
E
n

2s ds

Z
t
0

2s ds

On en dduit que Mt est nul p.s. pour tout t, puis on intervertit le "t" et le "p.s."
grce la continuit de M .
2
Corollaire 4.6.1 La dcomposition en processus dIto vrifiant les conditions (CI) est
unique ( une modification p.s. prs).
Dmonstration : Supposons quun processus dIto se dcompose de deux manires
diffrentes :
Z t

Xt = X0 +
0

1s ds

Z t

+
0

s1 dBs

Z t

= X0 +
0

2s ds

Z t

+
0

s2 dBs

alors, pour tout t T , on a la relation :


Z t
0

(1s

2s ) ds

Z t

=
0

(s2 s1 ) dBs

Donc ce processus est une martingale continue (terme de droite) qui scrit sous la forme
dune intgrale de Lebesgue (terme de gauche). Grce aux conditions dintgrabilit
imposes, la proposition 4.6.1 nous indique que ce processus est nul presque surement.
R
Trajectoire par trajectoire, lapplication t 7 0t (1s 2s ) ds tant lapplication nulle, par
diffrentiation 1 = 2 p.s.. De plus, la proprit dIsomtrie de lintgrale stochastique
nous indique que :
Z
t

(s2

s1 )2 ds

Donc on a galement 2 = 1 p.s. .

Z
t

= E

(s2

s1 ) dBs

= E[0] = 0
2

Corollaire 4.6.2 Un processus dIto vrifiant les conditions (CI) est une martingale si
et seulement si "sa partie en ds" est nulle.

4.6. PROCESSUS DITO

59

Dmonstration : Si la "partie en ds" est nulle, le processus dIto est une intgrale
stochastique vrifiant les conditions dintgrabilit pour tre une martingale.
Rciproquement, si un processus dIto X donn par (4.6.1) vrifiant (CI) est une martinR
gale, le processus dfini par Xt X0 0T s dBs est une martingale continue qui scrit
Rt
Rt
2
0 s ds avec L (R, [0, T ]). Donc la proposition 4.6.1 nous indique que 0 s ds est
nul pour tout t presque surement et = 0.
2
Ces rsultats se gnralise au cas ou les processus et ne vrifient pas les conditions
dintgrabilit (CI).
Proposition 4.6.2 :
R
1. Si M est une martingale locale continue qui scrit sous la forme Mt := 0t s ds avec
R
un processus variations bornes ( 0T |s |ds < p.s.), alors p.s. :
tT

Mt = 0

2. La dcomposition en processus dIto est unique ( une modification p.s. prs).


3. Un processus dIto est une martingale locale si et seulement si "sa partie en ds"
est nulle.
On a vu que la variation quadratique de lintgrale stochastique 0t s dBs est donne
R
par 0t s2 ds. Lorsque que lon ajoute un processus, un processus variation finie (de
variation quadratique nulle), on ne modifie pas sa variation quadratique. Donc, la variation quadratique dun processus dIto est gale la variation quadratique de sa partie
martingale.
R

Proposition 4.6.3 La variation quadratique sur [0, t] dun processus dIto X donn par
(4.6.1) vaut :
hXit =

s dBs
0

Z t

=
0

s2 ds

Proposition 4.6.4 La covariation quadratique entre 2 processus dIto X1 et X2 donns


par :
dXti = is ds + si dBs
vaut :
hX 1 , X 2 it =

Z t
0

s1 s2 ds

60

CHAPITRE 4. CALCUL STOCHASTIQUE

Dmonstration : Par dfinition, la covariation quadratique est donne par :


hX 1 , X 2 i :=
=

1 1
hX + X 2 i hX 1 i hX 2 i
2

Z t
Z t
Z t
1
1
2 2
1 2
2 2
(s + s ) ds
(s ) ds
(s ) ds
2
0
0
0
Z t

=
0

s1 s2 ds
2

Dfinition 4.6.2 La notion dintgrale stochastique par rapport un processus dIto se


dfinit de la manire naturelle suivante. Pour lment de L2F (, [0, T ]), satisfaisant
de bonnes conditions dintgrabilit, on dfinit :
Z t

Z t

Z t

s s ds

s s dBs +

s dXs :=

La formule dIto se gnralise aux processus dIto.


Thorme 4.6.1 Soit f une fonction C 2 , on a alors :
Z t

f (Xt ) = f (X0 ) +

f 0 (Xs ) dXs +

Z t

Z t

1
2

Z t

f (Xs )s ds +

= f (X0 ) +

f 00 (Xs ) dhXis

1
f (Xs )s dBs +
2
0

Z t
0

f 00 (Xs ) s2 ds

La notation infinitsimale de cette relation est donc :


1 00
f (Xs ) dhXis
2

df (Xt ) = f 0 (Xs ) dXs +

Dmonstration : La dmo revient comme dans le cas du Mouvement Brownien faire


un dveloppement de Taylor :
f (Xt ) f (X0 ) =

n
X

f 0 (Xti )(Xti Xti1 ) +

i=1

n
1 X
f 00 (Xi )(Xti Xti1 )2
2 i=1

Le premier terme va converger vers lintgrale stochastique 0t f 0 (Xs ) dXs et le deuxime


R
vers le terme 21 0t f 00 (Xs ) dhXis par dfinition de la variation quadratique.
2
Une des consquence de la formule dIto est la formule dintgration par partie :
R

Proposition 4.6.5 Formule dintgration par partie Soient X et Y deux processus


dIto, on a :
Z t

Xt Yt = X0 Y0 +

Z t

Xs dYs +
0

Z t

Ys dXs +
0

dhX, Y is

4.6. PROCESSUS DITO

61

Soit en notation infinitsimale :


d(XY )t = Xs dYs + Ys dXs + dhX, Y is
Dmonstration : En apppliquant la formule dIto Xt2 et Yt2 , on obtient :
dXt2 = 2Xs dXs +

2
dhXis
2

dYt2 = 2Ys dYs +

et

2
dhY is
2

Et en lappliquant (X + Y )2 , on obtient :
d(X + Y )2t = 2(Xs + Ys )d(Xs + Ys ) +

2
dhX + Y is
2

On obtient donc :

1
d(X + Y )2t dXt2 dYt2
2
1
= Xs dYs + Ys dXs + (dhX + Y is dhXis dhY is )
2
= Xs dYs + Ys dXs + dhX, Y is

d(XY )t =

2
La formule dIto sous toutes ses formes
1. Pour le Mouvement Brownien avec f C 2 (R) :
Z t

f (Wt ) = f (W0 ) +

f 0 (Ws ) dWs +

1
2

Z t

f 00 (Ws ) ds

2. Pour un processus dIto avec f C 2 (R) :


Z t

f (Xt ) = f (X0 ) +
0

1
f (Xs ) dXs +
2
0

Z t

f 00 (Xs ) dhXis

3. Pour un processus dIto avec f C 1,2 ([0, T ] R) fonction du temps et de lespace :


f (t, Xt ) = f (0, X0 ) +

Z t
f
0

(s, Xs ) ds +

Z t
f
0

(s, Xs ) dXs +

1
2

Z t 2
f
0

x2

(s, Xs ) dhXis

4. Pour un processus dIto multidimensionnel avec f C 1,2 ([0, T ] Rd ) :


f (Xt ) = f (X0 ) +

d X
d Z t
2f
1 X
(Xs ) dXi (s) +
(Xs ) dhXi , Xj is
xi
2 i=1 j=1 0 xi xj

d Z t
X
f
i=1 0

Pour dmontrer ces formules de plus en plus gnrales, la mthode est toujours la
mme : faire un dveloppement de Taylor et ne pas ngliger les termes provenant de la
drive seconde par rapport au Brownien ou au processus dIto dans le dveloppement

de Taylor car dBt se comporte comme dt et dXt se comporte comme t dt.

62

4.7

CHAPITRE 4. CALCUL STOCHASTIQUE

Equation Diffrentielle Stochastique

Tout comme on dfinit dans un cadre dterministe la notion dquation diffrentielle, on va dfinir ici la notion dquation diffrentielle stochastique. Typiquement, une
quation diffrentielle stochastique (EDS) est donne par :
X0 = x

dXt = (t, Xt )dt + (t, Xt )dWt

(4.7.1)

(avec et des applications borliennes)


Dfinition 4.7.1 Un processus X est solution de cette EDS si cest un processus Fadapt (ou F est la filtration naturelle du MB W ) satisfaisant
Z t

|(s, Xs )|ds +

Z t

2 (s, Xs )ds <

t R+

P p.s

et qui vrifie
Z t

Z t

(s, Xs )dWs

(s, Xs )ds +

Xt = x +
0

t R+

P p.s

Ces quations nont pas toujours de solution. Pour assurer lexistence et lunicit
dune solution, on a besoin de 2 types de conditions.
Une premire qui assure lunicit de la solution grce au caractre contractant (Lipschitz) des fonctions et :
Condition 1 : Il existe K > 0 tel que pour tout (t, x, y) R+ R2 , on ait :
|(t, x) (t, y)| + |(t, x) (t, y)| K |x y|
Et une deuxime qui assure que le processus nexplose pas en temps fini afin quil
soit bien dfinit sur tout R+
Condition 2 : Il existe L > 0 tel que pour tout (t, x) R+ R, on ait :
|(t, x)|2 + |(t, x)|2 L (1 + |x|2 )
Thorme 4.7.1 Considrons lEDS (4.7.1). Si et satisfont les conditions 1 et 2,
alors lEDS admet une unique solution.
La dmonstration de ce thorme utilise, comme toujours pour dmontrer lexistence
et lunicit de solutions dquations diffrentielles, le thorme du point fixe.
Remarque 4.7.1 Dans le cas particulier ou et sont seulement des fonctions de x
et non de t (EDS autonome), la condition 2 est une consquence de la condition 1.

Chapitre 5

Modle de Black Scholes


Le premier modle dvolution des actif financiers a t proppos par Louis Bachelier
dans sa thse en 1900. Les actifs risqus taient supposs Gaussiens et pouvaient donc
prendre des valeurs ngatives. Pour remdier ce dfaut, le modle retenu par la suite
est un modle rendant les actifs risqus log-normaux, afin de sassurer quils restent
toujours positifs. Ce modle le nom de modle de Black Scholes. En effet, en 1973,
Fisher Black, Robert Merton et Myron Scholes proposent lide de dfinir le prix dun
produit driv comme celui de son portefeuille de couverture et lappliquent ce modle
Log-normal. Ils ont obtenus le prix nobel dconomie en 1997 pour ces travaux ce qui na
pas empch, leur fond dinvestissement "Long Term Capital Market" de faire faillite
en 1998.

5.1
1.
2.
3.
4.
5.

Hypothses sur le march

Nous reprenons ici les hypothses fates au debut du cours :


Les actifs sont divisibles linfini ;
Le march est liquide : on peut acheter ou vendre tout instant ;
On peut emprunter et vendre dcouvert ;
Les changes ont lieu sans cots de transaction ;
On peut emprunter et prter au mme taux constant r.

5.2

Modlisation probabiliste du march

Nous considrons un march constitu dun actif sans risque S 0 et dun actif risqu
S sur la priode [0, T ].
63

64

CHAPITRE 5. MODLE DE BLACK SCHOLES

Lactif sans risque : Dans le modle discret n priodes, lorsque lon discrtise
lintervalle [0, T ] en n intervalles de longeur T /n, que lon considre un taux sans risque
rn de la forme rT /n, la valeur de lactif sans risque linstant pT /n a la forme suivante :
(1+rT /n)p . Donc, lorsque n tend vers linfini, St0 se comporte comme ert . La dynamique
retenue pour lvaluation de lactifs sans risque en continu est donc naturellement :
dSt0 = rSt0 dt et S00 = 1

St0 = ert

Lactif risqu aura la dynamique donne par lEDS de Black-Scholes o > 0 :


dSt = St ( dt + dWt )

(5.2.1)

Ce modle est le modle le plus simple que lon puisse imaginer pour modliser
lvolution dun actif risqu tout en imposant quils soient positifs. Comme nous allons
le voir, cela revient supposer que les rendements des actifs sont normaux. Cet actif a
une tendance donne par et une volatilit donne par toutes les deux constantes.
Dcrivons maintenant (, F, P) : Lensemble des tats du monde sera un sous
ensemble de R+ ]0, T ].
Pour tout t [0, T ], la tribu Ft reprsente linformation disponible la date t, lala
provient seulement de S, donc
Ft := (Sr , r t)
La probabilit historique P est la probabilit de survenance de chaque tat du monde,
elle est telle que W soit un Mouvement Brownien sous P.
Essayons de rsoudre lEDS de Black Scholes :
Thorme 5.2.1 LEDS (5.2.1) admet une unique solution qui est donne par :
St = S0 e(

2
)t + Wt
2

P p.s.

Dmonstration : Vrifions tout dabord que la solution propose vrifie lEDS en


appliquant la formule dIto f (t, Wt ) avec
f

: (t, x) 7 S0 e(

2
)t + x
2

On obtient :
1
fxx (t, Wt ) dhW it
2
2
2
= f (t, Wt )dWt + ( ) f (t, Wt ) dt +
f (t, Wt )dt
2
2

df (t, Wt ) = fx (t, Wt ) dWt + ft (t, Wt ) dt +

5.2. MODLISATION PROBABILISTE DU MARCH

65

Ce qui se rcrit donc :


dSt = St ( dt + dWt )
Donc S, processus F-adapt est bien solution de lEDS 5.2.1. Le caractre Lipschitz
des coefficients de lEDS nous assure lunicit de la solution, mais, dans notre cas,
nous pouvons galement la dmontrer : soit Y un processus solution de lEDS 5.2.1.
Remarquons que St ne sannule jamais si bien que lon peut appliquer la formule dIto
pour dterminer la dynamique de S1t :

1
St

1
1 2
dSt +
dhSit
2 St3
St2
1 2
1
dt
= ( dt + dWt ) +
St
St
=

Donc la formule dintgration par partie donne la dynamique de Yt /St :

Yt
St

1
1
dYt + dh , Y it
St
S
Yt

Yt
(( 2 ) dt dWt ) +
( dt + dWt ) Yt
dt
=
St
St
St
= 0
= Yt d

1
St

Remarquez que lon aurait pu obtenir directement le resultat en appliquant la formule


dIto la fonction (y, s) 7 y/s. On a donc :
Yt
St

Y0
+
S0

Z t

0 dWs = 1
0

Donc les processus Y et S sont gaux presque surement et lEDS admet une unique
solution.
2
Remarque 5.2.1 On obtient comme dynamique pour le sous-jacent la forme qui avait
t obtenue en TD lorsque lon faisait tendre le nombre de priodes de larbre binomial
a n priodes vers linfini.
Remarque 5.2.2 Comme nous avons suppos > 0, La fonction g telle que St =
g(Wt ) est inversible, et donc les alas du march sont compltement dcrits par le mouvement Brownien W :
Ft := (Sr , r t) = (Wr , r t)
Dfinition 5.2.1 Un produit driv (ou actif contingent) est une v.a. FT -mesurable.

66

CHAPITRE 5. MODLE DE BLACK SCHOLES

Comme dans le cas du modle discret, nous allons chercher donner un prix en t
un produit driv connu en T et trouver une manire pour dupliquer exactement ce
produit driv.
La mthode va tre similaire celle utilise dans le cas discret :
- On va chercher construire une probabilit risque neutre qui rende tout actif de base
ractualis martingale.
- On va dfinir ce que lon appelle une stratgie de portefeuille simple autofinanante.
- On va vrifier que toute stratgie de portefeuille simple autofinanante ractualise
reste martingale sous la probabilit risque neutre.
- On en dduira labsence dopportunits darbitrage entre stratgies de portefeuille
simple (AOA).
- Nous allons chercher dupliquer tout produit driv par une stratgie de portefeuille
simple.
- On en dduira que la dfinition conomique naturelle du prix de loption en t scrit
un facteur dactualisation prs comme lesprance sous cette proba risque neutre du
flux final.
- Le portefeuille de duplication nous donnera la stratgie de couverture de loption.

5.3

Probabilit risque neutre

Ecart sur les changements de probabilit


b sur (, FT ) quivalente P. Si P
b est absoluOn cherche construire une probabilit P
ment continue par rapport P, alors le thorme de Radon Nikodym assure lexistence
b = ZT dP, i.e. :
dune variable alatoire ZT FT -mesurable telle que dP
AT FT

Z
b T) =
P(A

AT

ZT dP

b et P sont quivalentes revient dire quelles chargent les mmes ensembles


Dire que P
et donc que que ZT ne sannule jamais, i.e. ZT > 0. Alors, la densit de Radon Nikodym
b est 1/ZT .
de P par rapport P
b soit toujours un espace probabilis, il faut de plus
Pour que (, FT , P)
b
P()
= EP [ZT ] = 1

La formule de Bayes nous assure que pour toute v.a. XT , FT -mesurable, on a :


EP [XT ] = EP [ZT XT ]
b

5.3. PROBABILIT RISQUE NEUTRE

67

On associe naturellement la v.a. ZT , le processus martingale (Zt )0tT dfini par :


Zt := EP [ZT /Ft ]
Alors, pour tout t et toute variable alatoire Xt Ft -mesurable, on a :
EP [Xt ] = EP [ZT Xt ] = EP [EP [ZT Xt /Ft ]] = EP [Zt Xt ]
b

b
En fait, Zt est la densit de Radon Nikodym (dfinie une modification p.s. prs) de P
restreint Ft par rapport P restreint Ft . On note :

b
dP


dP F

Zt =

Si lon considre un processus X F-adapt, la formule de Bayes gnralise scrit :

EP [XT /Ft ] = EP
b

ZT
XT /Ft
Zt

1 P
E [ZT XT /Ft ]
Zt

En effet, pour toute variable alatoire Yt Ft -mesurable borne, on a :

EP [XT Yt ] = EP [ZT XT Yt ] = EP [EP [ZT XT /Ft ] Yt ] = EP


b

1 P
E [ZT XT /Ft ] Yt
Zt

2
Retour notre problme
Dans toute la suite, tout comme dans le cas discret, on notera Y , la valeur actualise
dun processus Y dfinie donc par
t :=
Y

Yt
= ert Yt
St0

Dterminons la dynamique des actifs risqus et sans risque ractualiss sous la probaf0 est constant gal 1 donc
bilit historique P. Lactif sans risque ractualis S
t
f0 = 0
dS
t

Pour lactif risqu ractualis, il faut appliquer la formule dIto :


ft
dS

1
dSt + St d
St0

1
St0

+ d S,

1
S0

ft [( r) dt + dWt ]
= S
t

Dfinition 5.3.1 Dans le modle de Black Scholes, :=


prime de risque.

est ce que lon appelle la

68

CHAPITRE 5. MODLE DE BLACK SCHOLES

Donc, si lon introduit le processus dfini pout t [0, T ],

ct := Wt + t ,
W

alors la dynamique de Se est donne par :

ft = S
ft dW
ct
dS

b quivalente P sous laquelle W


ct =
Donc, si lon arrive a construire une probabilit P,
Wt + t est un Mouvement Brownien, cette probabilit rendra lactif risqu ractualis
martingale et sera un trs bon candidat pour notre probabilit risque neutre. Loutil
qui va nous permettre de dmontrer lexistence de cette probabilit est le thorme de
Girsanov :

Thorme 5.3.1 Thorme de Girsanov


b quivalente la probabilit historique P dfinie sur (, FT )
Il existe une probabilit P
par :

b
dP


dP F

:= ZT := eWT

2
T
2

ct dfini par W
ct := Wt + t est un Mouvement Brownien sur
sous laquelle le processus W
[0, T ].

c est continu p.s. et W


c0 = 0, c est donc un MB sur [0, T ] si et
Dmonstration : W
ct W
ct
seulement si pour tout n, pour tout 0 t1 . . . tn = T , les v.a W
i
i1 sont
indpendantes de loi N (0, ti ti1 ). Ceci revient montrer que pout tout u1 , . . . , un de
Rn , on a lgalit entre fonction caractristique :
Pn

EP ei
b

j=1

tj W
tj1 )
uj (W

n
Y
j=1

u2
i (t t
j
j1 )
2

5.4. PORTEFEUILLES AUTOFINANANTS

69

Ceci se dmontre de la manire suivante :


Pn

EP ei
b

tj1 )
tj W
u (W
j=1 j

n
2
Y

= EP
eiuj [(Wtj Wtj1 )+(tj tj1 ))] eWT 2 T
j=1

n
Y
2
(iuj )(Wtj Wtj1 )+(iuj 2 )(tj tj1 )
P

= E

j=1

=
=
=

n
Y
j=1
n
Y
j=1
n
Y

e(iuj

2
)(tj tj1 )
2

e(iuj

2
)(tj tj1 )
2

EP e(iuj )(Wtj Wtj1 )


e

(iuj )2
(tj tj1 )
2

u2
j
(tj tj1 )
2

j=1

2
Maintenant que nous avons un candidat pour notre probabilit risque neutre, regardons si elle rend les portefeuilles autofinanants ractualiss martingales.

5.4

Portefeuilles autofinanants

Une stratgie de portefeuille consiste linvestissement tout instant t [0, T ] dans


une quantit dnote t dactif risqu S et dune quantit 0t dactif sans risque S 0 . La
valeur du portefeuille est donc donne par :
Xtx, = 0t St0 + t St
Dans le cas discret, nous avons vu que la condition dautofinancement, qui signifie qu
chaque date on r-alloue les richesse entre les diffrents actifs sans ajout ni retrait dargent, scrivait :

Xtx,
Xtx,
= 0i St0i+1 St0i
i+1
i

+ i Sti+1 Sti

Le prolongement continue de la condition dautofinancement est donc naturellement :


dXtx, = 0t dSt0 + t dSt
Dfinition 5.4.1 Une stratgie de portefeuille simple autofinancante X x, est
la donne dun capital de dpart x et dune stratgie continue dinvestissement dans

70

CHAPITRE 5. MODLE DE BLACK SCHOLES

lactif risqu, soit un processus F-adapt (t )0tT qui doit vrifier certaines conditions
dintgrabilit :
b
P

Z
T

2
e
|s St | dt

<

A chaque instant t, la quantit 0t est dtermine laide de la condition dautofinancement du portefeuille. Cette condition se lit simplement "La variation de la
valeur du portefeuille est gale la variation de la valeur des actifs multiplie par la quantit dactifs dtenus". Intuitivement, que les actifs soient crits
dans nimporte quel numraire (autre monnaie, normalis par S 0 , par S), tant que ce
numraire est bien dtermin linstant t par linformation Ft dont lon dispose sur le
march en t, la condition dautofinancement devrait tre vrifie. En effet, la condition
dautofinancement est stable par changement de numraire, et la formulation
mathmatique de ce rsultat est la suivante :
Proposition 5.4.1 Pour tout processus dIto Y F-adapt (appel numraire) "qui ne
sannulle pas", la condition dautofinancement se rcrit :

X x,
d
Y

=
t

0t d

0
S

S
+ t d
Y

Dmonstration : Appliquons la formule dintgration par partie aux processus X x,


et U := Y1 :
d (U X x, )t = Ut dXtx, + Xtx, dUt + d hX x, , U it

= Ut (0t dSt0 + t dSt ) + (0t St0 + t St ) dUt + d 0 S 0 + S, U

= 0t Ut dSt0 + St0 dUt + d S 0 , U

= 0t d U S 0

+ t (Ut dSt + St dUt + d hS, Zit )

+ t d (U S)t

La difficult vient du passage de la deuxime la troisime ligne, qui ncessite la relation :

d 0 S 0 + S, U

= 0t d S 0 , U

+ t d hS, U it

Cette relation vient du fait que la covariation entre 2 processus dIto fait uniquement
intervenir linairement leurs parties Browniennes. Or grce la condition dautofinancement, on a :
d(0 S 0 + S)t = 0t dSt0 + t dSt
Donc la partie Brownienne de 0 S 0 + S est la somme de celles de S 0 (qui est nulle)
et de S ce qui donne le rsultat.
2

5.4. PORTEFEUILLES AUTOFINANANTS

71

En particulier la relation dautofinancement crite dans le numraire cash S 0 donne :


x, = t dS
ft
dX
t

x, = x +
X
t

Z t

r dSer
0

x, sous la probaet donc la dynamique de la valeur ractualise de mon portefeuille X


t
b est
bilit P
ft dW
ct
x, = t dS
ft = t S
dX
t

ce qui justifie la forme que lon a donn a notre condition dintgrabilit pour rendre X
martingale.

Remarque 5.4.1 Le rsultat indiquant que la condition dautofinancement est stable


par changement de numraire est trs utile. Dans notre cas, nous resterons dans le
numraire cash, mais selon le problme auquel on est confront, il peut tre judicieux de
changer de numraire. Nous allons prouver lexistence dune proba risque neutre qui rend
martingales les actifs crits dans le numraire cash mais on pourrait galement choisir de
rendre martingales les actifs crits dans un numraire diffrent. En particulier, lorsque
les taux ne sont plus supposs constants, le numraire cash nest pas toujours le plus
adapt, il est plus pratique dcrire les actifs dans le numraire Zro-coupon, on parle
alors de Probabilit forward neutre. Larticle introduisant le concept de changement de
numraire est du El-Karoui - Geman -Rochet (1995).
Le rsultat est donc comme dans le cas discret : "Si lactif risqu ractualis est un
processus dIto martingale sous P , toute stratgie de portefeuille autofinance ractualise lest galement"
b construite prcdement est une probabilit risque
Proposition 5.4.2 La probabilit P
neutre. La valeur en t de toute stratgie autofinanante (x, ) de flux final XTx, = hT
est :

Xtx, = er(T t) EP [hT /Ft ]


b

b sont donnes par


x, sous P
Dmonstration : Les dynamiques de Se et de X
ct dX
x, = t dSet = t Set dW
ct
dSet = Set dW
t
b et donc :
x, est une martingale sous P
Donc grce aux conditions dintgrabilits de , X

x, = ert EbP [X
x, /Ft ] = ert EbP [erT X x, /Ft ] = er(T t) EbP [hT /Ft ]
Xtx, = ert X
t
T
T
2

72

CHAPITRE 5. MODLE DE BLACK SCHOLES

b implique lAOA entre


Proposition 5.4.3 Lexistence dune probabilit risque neutre P
stratgies de portefeuille simple autofinanantes.

Dmonstration : Si XT0, 0, comme EbP [XT0, ] = erT 0, XT0, = 0 sauf sur un ensemble
b qui est galement un ensemble de mesure nulle pour P.
de mesure nulle pour P
2
Nous venons donc de voir que lhypothse dabsence dopportunits darbitrage entre
portefeuilles simples est bien vrifie dans le cadre du modle de Black-Scholes.
La valeur en t de toute stratgie de portefeuille simple scrit comme lesprance
b de son flux terminal actualis, donc, si un produit driv
sous la proba risque neutre P
est duplicable, pour viter les arbitrages, on dfinit conomiquement son prix comme
b de son flux terminal actualis.
lesprance sous P
Il est important de bien visualiser la dynamique de lactif sans risque ractualis ou
non sous les diffrentes probabilits :
Probabilit historique

Probabilit risque neutre

Actif risqu

dSt = St dt + St dWt

ct
dSt = rSt dt + St dW

Actif risqu ractualis

dSet = ( r)St dt + St dWt

ct
dSet = Set dW

5.5

Duplication dun produit driv

Tout dabord, remarquons le caractre Markovien du processus S :


Proposition 5.5.1 Considrons un produit driv de la forme h(ST ). Alors il existe
une fonction v : [0, T ] R+ R telle que :
v(t, St ) := er(T t) EP [h(ST )/Ft ]
b

Dmonstration : Dans le modle de Black Scholes, la valeur du sous-jacent en t est :

St = S0 e

r 2

tWt

On en dduit que :

ST

= St e

r 2

(T t)(WT Wt )

Donc lesprance conditionnelle se rcrit :



r(T t) b
P

r(T t) b
P

E [h(ST )/Ft ] = e

h St e

r 2

(T t)(WT Wt )

/Ft

5.5. DUPLICATION DUN PRODUIT DRIV

73

Or la v.a. St est Ft -mesurable et la variable alatoire WT Wt est indpendante de Ft .


On en dduit grce aux proprits des esprances conditionnelles que :
er(T t) EP [h(ST )/Ft ] = v(t, St )
b

avec la fonction v dfinie par :


r(T t) b
P

v : (t, x) 7 e

h xe

r 2

(T t)(WT Wt )

2
Proposition 5.5.2 Si lon suppose que v C 1,2 ([0, T ]R+ ), alors il existe une stratgie
autofinancante (x, ) qui duplique le produit driv, i.e. telle que t [0, T ], Xtx, =
v(t, St ) et les quantits x et sont donnes par :
x := erT EP [h(ST )]
b

t :=

v
(t, St )
x

En AOA, le prix en t du produit de flux final h(ST ) est donc er(T t) EbP [h(ST )/Ft ].
De plus le prix de loption v(t, St ) est solution de lquation aux drives partielles :
1 2 2
x vxx (t, x) + rx vx (t, x) + vt (t, x) r v(t, x) = 0
et
v(T, x) = h(x)
(5.5.1)
2
Rciproquement, si lEDP prcdente admet une solution v (dont la drive partielle
x v (t, x) est borne), alors v (t, St ) est le prix de loption de flux terminal h(ST ).
Dmonstration :
1.Duplication du produit driv
Supposons que v C 1,2 ([0, T ] R+ ), et construisons le portefeuille de couverture.
Considrons le processus dfini sur [0, T ] par :
Ut := ert v(t, St ) = EP [erT h(ST )/Ft ]
b

b en effet, pour tout s t :


Par construction, ce processus est une martingale sous P,

EP [Ut /Fs ] = EP [EP [erT h(ST )/Ft ]/Fs ] = EP [erT h(ST )/Fs ] = Us
b

Remarquons que lon peut rcrire :


Ut = u(t, St )

avec u : (t, x) 7 ert v(t, ert x)

Alors u C 1,2 ([0, T ] R+ ) et la formule dIto nous donne


1
e t
uxx (t, Set )dhSi
2

2 e2
e
e
c
e
e
= St ux (t, St )dWt + ut (t, St ) + St uxx (t, St ) dt
2

dUt = ux (t, Set )dSet + ut (t, Set )dt +

74

CHAPITRE 5. MODLE DE BLACK SCHOLES

Le processus U est un processus dIto martingale donc sa partie en dt est nulle et lon
obtient finalement :
Z t

Ut = U0 +

ux (r, Ser )dSer


0

Considrons maintenant la stratgie de portefeuille donne par :


x := U0 = erT EP [h(ST )]

et

t := ux (t, Set ) = vx (t, St )

Par construction, U est une vraie martingale donc (x, ) est une stratgie de portefeuille
et grce la condition dautofinancement, la valeur actualise de ce portefeuille est :
x,
X
t

Z t

= x+

Z t

r dSer = U0 +
0

ux (r, Ser )dSer = Ut


0

Donc le portefeuille X x, , qui vrifie de bonnes conditions dintgrabilit car U est une
martingale, est bien un portefeuille de duplication car il vrifie :
Xtx, = ert Ut = v(t, St ) = er(T t) EP [h(ST )/Ft ]
b

2.EDP dvaluation
b donc la partie en dt de sa dcomposition en
Le processus U est une martingale sous P
processus dIto est nulle ce qui scrit :
1
ut (t, Set ) + 2 Set2 uxx (t, Set ) = 0
2
Or par dfinition de u, on a les relations suivantes :
ut (t, x) = r ert v(t, ert x) + ert vt (t, ert x) + rx vx (t, ert x)
et uxx (t, x) = ert vxx (t, ert x)
Donc lEDP en u se rcrit comme une EDP en v de la manire suivante :
1 2 2
St vxx (t, St ) + rSt vx (t, St ) + vt (t, St ) r v(t, St ) = 0
2
avec la condition terminale v(T, ST ) = h(ST ). Lide pour obtenir lEDP en tout x est
que le mouvement Brownien Wt diffuse sur tout R, donc St diffuse sur tout R+ et par
consquent v est solution sur R+ de :
1 2 2
x vxx (t, x) + rx vx (t, x) + vt (t, x) r v(t, x) = 0
et
v(T, x) = h(x)
2
3. Rciproque
Si v est solution de lEDP prcdente. Introduisons le processus Ut := ert v (t, St ) et
u la fonction associe. Alors la dynamique de U est donne par
dUt

ct +
= Set ux (t, Set )dW

ut (t, Set )

1
+ 2 Set2 uxx (t, Set ) dt
2

5.5. DUPLICATION DUN PRODUIT DRIV

75

Comme v est solution de lEDP, le terme en dt est nul et lon obtient que :
Ut

Z t

= U0 +
0

ux (r, Ser )dSer

Donc, la driv vx borne assurant les conditions dintgrabilit suffisantes car lactif
b
riqu ractualis a des moments tout ordre (cf TD 4), U est une martingale sous P.
On en dduit que, pour tout t [0, T ] :
v (t, St ) = ert Ut = ert EP [UT /Ft ] = er(T t) EP [h(ST )/Ft ]
b

Donc v (t, St ) est bien le prix en t du produit driv h(ST ).

Remarque 5.5.1 Supposer que v C 1,2 ([0, T ] R+ ) nest pas restrictif. On pourrait
penser quil est ncessaire que la fonction payoff h soit rgulire mais en fait, grce
des intgrations par partie, on peut renvoyer loprateur de drivation sur la densit du
sous-jacent qui est suffisamment rgulire.
Remarque 5.5.2 Le rsultat indiquant que le prix Black Scholes de payoff h(ST ), donn
par v(t, x) := er(T t) EbP [h(ST )/St = x], est solution de lEDP (5.5.1) est une rsultat
trs important connu sous le nom plus gnral de formule de Feynman-Kac. Une esprance conditionnelle sur un processus Markovien peut se rcrire comme solution dune
EDP, crant ainsi des liens entre le monde dterministe et le monde probabiliste.
Remarque 5.5.3 En fait tout produit driv est duplicable. Ceci est du au fait que la
dimension du Brownien est gale celle de lactif sans risque. Il y a autant dala sur
le march que dactifs possibles pour le couvrir.
Proposition 5.5.3 La probabilit risque neutre est unique.
Dmonstration : Par dfinition, la probabilit risque neutre rend tout portefeuille
autofinanant ractualis martingale. Supposons que lon ai deux probas risques neutres
b 1 et P
b 2 . Pour tout B lment de FT , 1B est une v.a. FT mesurable donc elle est
P
b 1 et P
b 2 et
duplicable par une stratgie de portefeuille (x, ) qui est martingale sous P
lon a :
b
P1
b 2 (B)
b 1 (B) = Eb
P
[1B ] = erT x = EP2 [1B ] = P

76

CHAPITRE 5. MODLE DE BLACK SCHOLES

5.6

Formule de Black Scholes

Le prix en t dune option Europennee de payoff h(ST ) est de la forme v(t, St ) avec :
v(t, St ) = er(T t) EP [h(ST )/Ft ]
b

et de plus la fonction v est solution de lEDP :


1 2 2
x vxx (t, x) + rx vx (t, x) + vt (t, x) r v(t, x) = 0
2

v(T, x) = h(x)

et

Dans le cadre du modle de Black Scholes, pour certains pay-offs, il existe des formules explicites qui donnent leur prix en t. Cest en particulier le cas du Call et du
Put.
Proposition 5.6.1 Dans le cadre du modle de Black-Scholes, le prix dun call de maturit T et de strike K est :
Ct = St N (d1 ) K er(T t) N (d2 )
Avec N la fonction de rpartition dune loi normale N (0, 1), d1 et d2 donns par :
2

d1 :=

ln( SKt ) + (r + 2 )(T t)

T t

d2 := d1 T t

et

La formule de Parit Call Put scrit :


Ct Pt = St Ker(T t)
Et donc le prix du Put est donn par :
Pt = K er(T t) N (d2 ) St N (d1 )
Dmonstration :
Prix du Call : Le prix du call en t est donn par :
r(T t) b
P

Ct = e

r(T t) b
P

E [(ST K) /Ft ] = e

Donc, comme nous lavons dja vu Ct = v(t, St ) avec


r(T t) b
P

v(t, x) = e

b
P

= xE

T W
t )
(r 2 )(T t) + (W

xe

T W
t )
(W

2
)(T t)
2

b
1E K er(T t) P(E)

St e

T W
t )
(r 2 )(T t) + (W

/Ft

5.7. SENSIBILITS

77

avec E le rgion dexercice donne par :

2
(r 2 (T t) + (WT Wt )

xe

> K

x
ct W
cT
ln( K
) + (r 2 )(T t)
W

<
T t
T t

Introduisons, la probabilit P quivalente P dfinie par :


dP

b F
dP
T

:= ZT = eWT

2
T
2

Alors, comme E est un vnement indpendant de Ft , on a :

EP 1E
b

ZT
Zt

= EP

1E

1
Zt

= EP [1E ] EP

1
Zt

= P (E)

Par consquent, v(t, x) se rcrit :


b
v(t, x) = x P (E) K er(T t) P(E)
ct t est un
Daprs le thorme de Girsanov, le processus W dfini par Wt := W

Mouvement Brownien sous P . Or E se rcrit :


(

E=

x
ct W
cT
ln( K
) + (r 2 )(T t)
W

<
T t
T t

WT
Donc, comme Wt
et
T t
prix du call se rcrit :

Wt WT

T t

x
ln( K
) + (r + 2 )(T t)
Wt WT

<
T t
T t

b et P , le
suivent respectivement une loi N (0, 1) sous P

Ct = v(t, St ) = St N (d1 ) K er(T t) N (d2 )


Prix du Put : Appliquez la formule de parit Call Put et remarquez que par symtrie
N (x) + N (x) = 1.
2
Remarque 5.6.1 Le prix dun call en t est de la forme C(T t, , St , r, K). et vrifie
la relation dhomognit :
C(T t, , St , r, K) = C(T t, , St , r, K)

5.7

Sensibilits

Les sensiblits du prix dune option par rapport ses diffrents paramtres sont
appels les Grecques :
- le Delta est la sensibilit du prix par rapport la valeur actuelle du sous-jacent ;
- le Theta est la sensibilit du prix par rapport au temps coul t ;

78

CHAPITRE 5. MODLE DE BLACK SCHOLES

- Le Vega est la sensibilit du prix par rapport la volatilit ;


- Le Rho est la sensibilit du prix par rapport au taux dintrt r ;
- le Gamma est le sensibilit du delta par rapport la valeur actuelle du sous-jacent.
LEDP vrifie par le prix dune option vanille se rcrit alors :
1 2 2
x + rx rP + = 0
2
Dans le cas dun Call, les valeur en t = 0 des Grecques sont :
= N (d1 ) > 0

1
N 0 (d1 ) > 0
x T

= T KerT N (d2 ) > 0

V ega = x T N 0 (d1 ) > 0

x
= N 0 (d1 ) K r erT N (d2 ) < 0
2 T

Dans le cas dun Put, les valeur en t = 0 des Grecques sont :


= N (d1 ) > 0
=

1
N 0 (d1 ) > 0
x T

= T KerT (N (d2 ) 1) < 0

V ega = x T N 0 (d1 ) > 0

x
N 0 (d1 ) + K r erT (N (d2 ) 1)
2 T

Le Delta sinterprte comme la quantit dactif du portefeuille de duplication de loption.


On parle de couverture en Delta neutre.
Pour une couverture en temps discret, il suffit de rajuster le Delta chaque date
discrete. Par contre, pour une couverture en temps continu, cest le Gamma qui nous
indique la frquence laquelle la position de couverture doit tre modifie. Si le Gamma
est faible, le delta varie peu et la couverture en Delta na pas besoin dtre modifie. Par
contre si le Gamma est lev, il faut souvent et significativement reconsidrer le nombre
dactions en portefeuille.
Le Vega est important car il donne la dpendance du prix en la volatilit du sous-jacent
qui est le paramtre difficile et primordial calculer. Plus le Vega est grand, plus le
risque derreur de calibration est grand.
Le Theta mesure la diminution du prix de loption au cours du temps.
La dpendance des prix dun Call et dun Put sans dividendes en leurs paramtres
sont les suivantes
V ega
Call +
P ut ?

+
+

+ +
+