Académique Documents
Professionnel Documents
Culture Documents
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.
1.1
1.2
Arbitrage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3
Comparaison de portefeuilles . . . . . . . . . . . . . . . . . . . . . . . .
1.4
1.5
11
2.1
11
2.2
13
2.3
14
2.4
17
. . . . . . . . . . . . . . .
19
3.1
19
3.2
Modlisation du march . . . . . . . . . . . . . . . . . . . . . . . . . . .
20
3.3
Stratgie de portefeuille . . . . . . . . . . . . . . . . . . . . . . . . . . .
22
3.4
23
3.5
26
3.6
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
Mouvement Brownien . . . . . . . . . .
Variation totale et Variation quadratique
Intgrale stochastique . . . . . . . . . .
Formule dIto . . . . . . . . . . . . . . .
Processus dIto . . . . . . . . . . . . . .
Equation Diffrentielle Stochastique . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
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.
1.2
Arbitrage
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
X0 = Y0
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
t T
P p.s.
Xt = Yt
t T
Xt Yt
p.s.
en t
en T
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
1.4
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
Pt
St
Pt + S t
(K ST )+
ST
(K ST )+ + ST
Port. 2
Ct
KB(t, T )
Ct + KB(t, T )
(ST K)+
K
(ST K)+ + K
1.5
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
ST F (0, T )
S0
.
B(0, T )
St
.
B(t, T )
10
Chapitre 2
2.1
R=1+r
12
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"
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
2.2
14
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
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
15
L absence dopportunits darbitrage simple (AOA) (sur stratgie de portefeuille simple) scrit :
R,
X10, 0 X10, = 0
P-p.s
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
1
R
uR d
Rd u
X +
X
.
ud 1
ud 1
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 ,
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
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
18
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
1+rd
= 0.75 .
ud
.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
3.1
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
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
(1 + r)
- et un actif risqu St :
(1 + r)2
...
(1 + r)n
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
Sti
sont indpendants.
Sti1
22
= 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
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 ) .
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
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
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
3.4
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 XT0, = 0
P p.s
24
0, = 0 +
X
T
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 q :=
(1 + r) d
ud
et
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.
25
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
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 :
3.5
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
27
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 :=
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
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
1+rd
ud ,
on en dduit
Yk+1 d
u Yk+1
+ Vk+1 (St1 , . . . , Stk , d Stk )
.
ud
ud
3.6
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
29
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 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
4.1.2
Espaces Lp
Z
T
(
p
L (, [0, T ]) :=
31
||||0p
:= E
1/p
p
|s | ds
<
32
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 ).
33
p.s.
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}
4.1.4
Martingale
E[Mt ] = E[M0 ] .
34
4.1.5
35
Processus 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
37
E eBt
2 t
2
/Fs = e
2 t
2
2 t
2
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
1
a Ba2 t ,
tB1/t +
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
39
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.
40
n
X
|Btni Btni1 |2
i=1
n
X
E[(Btni Btni1 )2 ] =
n
X
(tni tni1 ) = T
i=1
i=1
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 .
p.s.
sup
|uv|n
n=1 n
< .
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
i=1
n
X
i=1
||f 0 ||
i=1
n
X
i=1
n
X
i=1
n
X
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
42
X Xt
Xt + Xt
t
:= Xt+ Xt
2
2
|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
sup
|uv|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.
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
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
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
Yi2
Xi2
2
Yi2
44
4.4
Intgrale stochastique
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
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
n1
X
i=0
i=0
L2
[Bti+1 Bti ]2 T
i=0
45
L2F (, [0, T ])
(t )0tT ,
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=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=0
soit
Z t
s dBs =
0
n
X
i (Btti+1 Btti ) .
i=0
R t
0
s dBs
Rt
s
0tT
u dBu :=
Rt
0
u dBu
Rs
0
u dBu .
46
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
"Z
u dBu /Fs = 0
et
v dBv
Z
t
/Fs = E
v2 dv/Fs
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
2
t
0 s dBs
Rt 2
0 s ds
0tT
Z
t
s dBs
Z t
=
0
s2 ds
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
= 0
47
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
i<j
i=0
k1
X
i=0
i=0
!2
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=0
j1
X
= E
i=0
j1
X
i (Bti+1 Bti ) +
i=0
u dBu + 0
0
i=j
k1
X
i=j
Z s
k1
X
48
u dBu
/Fs
k1
X
= E
#
2
i (Bti+1 Bti )
/Ftj
i=j
k1
X
+ 2
i=j
k1
X
i<l
+ 2
i=j
k1
X
i<l
E i2 (ti+1 ti )/Ftj
i=j
+ 0
Z
t
= E
u2 du/Fs
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
R t
0 s dBs
tT
L2 ()
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 ]) :=
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 ,
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
2 #
(sn+p
sn )dBs
Z
t
= E
(sn+p
sn )2 ds
Z
T
0
(sn+p
sn )2 ds
50
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
51
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
"Z
u dBu /Fs = 0
et
v dBv
Z
t
/Fs = E
v2 dv/Fs
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
R t
0
s dBs
Rt 2
0 s ds
0tT
s dBs
Z t
=
0
s2 ds
s dBs ,
0
Z u
s dBs
0
Z tu
s s ds
0
52
Remarque 4.4.3 Lintgrale stochastique est une limite dans L2 () et est donc dfinie
une modification presque sre prs.
f (s)dBs N
Dmonstration : En effet,
la forme :
n1
X
Z t
0,
f 2 (s)ds
Rt
0
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
f (s)g(s)ds
Rt
s
i=0
53
Z T
L2
f (B i T )(B (i+1) T B i T )
n
i=0
f (Bs )dBs
Z T
|Bs | ds
Z T
E[|Bs |2 ] ds =
s ds =
0
T2
<
2
RT
:=
n1
X
Z T
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
1/2
f (B i T )(B (i+1) T B i T )
i=0
n1
X
!1/2
(s ti ) ds
ti
T ||f 0 ||
0
2 n n
2
RT
2
0
Bsn dBs = 2
n1
X
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
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
1 00
f (Bs ) ds
2
n
X
[f (Bti ) f (Bti1 )]
i=1
n
X
i=1
n
1 X
f 00 (Bi )(Bti Bti1 )2
2 i=1
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
Un :=
i=1
Nous allons successivement remplacer i par ti1 puis (Bti Bti1 )2 par ti ti1 . Introduisons :
Vn :=
n
X
Wn :=
et
i=1
n
X
i=1
n
X
(Bti Bti1 )2
i=1
1/2
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
i=1
n
X
2 i
i=1
||f 00 ||2
n
X
V ar((Bti Bti1 )2 )
i=1
= ||f 00 ||2
n
X
i=1
t2
0
n n
56
n
X
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.
57
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)
|s | ds <
Z T
p.s.
et
|s |ds <
p.s.
(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
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
!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
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
(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
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.
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
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
Z t
0
s1 s2 ds
60
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
Z t
Z t
s s ds
s s dBs +
s dXs :=
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
n
X
i=1
n
1 X
f 00 (Xi )(Xti Xti1 )2
2 i=1
Xt Yt = X0 Y0 +
Z t
Xs dYs +
0
Z t
Ys dXs +
0
dhX, Y is
61
2
dhXis
2
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
f (Xt ) = f (X0 ) +
0
1
f (Xs ) dXs +
2
0
Z t
f 00 (Xs ) dhXis
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
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
62
4.7
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
(4.7.1)
|(s, Xs )|ds +
Z t
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
5.1
1.
2.
3.
4.
5.
5.2
Nous considrons un march constitu dun actif sans risque S 0 et dun actif risqu
S sur la priode [0, T ].
63
64
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
(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.
: (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
65
1
St
1
1 2
dSt +
dhSit
2 St3
St2
1 2
1
dt
= ( dt + dWt ) +
St
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
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
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
Z
b T) =
P(A
AT
ZT dP
67
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 =
EP [XT /Ft ] = EP
b
ZT
XT /Ft
Zt
1 P
E [ZT XT /Ft ]
Zt
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
1
dSt + St d
St0
1
St0
+ d S,
1
S0
ft [( r) dt + dWt ]
= S
t
68
ct := Wt + t ,
W
ft = S
ft dW
ct
dS
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 ].
EP ei
b
j=1
tj W
tj1 )
uj (W
n
Y
j=1
u2
i (t t
j
j1 )
2
69
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
(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
Xtx,
Xtx,
= 0i St0i+1 St0i
i+1
i
+ i Sti+1 Sti
70
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
= 0t d U S 0
+ t d (U S)t
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
71
x, = x +
X
t
Z t
r dSer
0
ce qui justifie la forme que lon a donn a notre condition dintgrabilit pour rendre X
martingale.
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
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
Actif risqu
dSt = St dt + St dWt
ct
dSt = rSt dt + St dW
ct
dSet = Set dW
5.5
St = S0 e
r 2
tWt
On en dduit que :
ST
= St e
r 2
(T t)(WT Wt )
r(T t) b
P
E [h(ST )/Ft ] = e
h St e
r 2
(T t)(WT Wt )
/Ft
73
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
EP [Ut /Fs ] = EP [EP [erT h(ST )/Ft ]/Fs ] = EP [erT h(ST )/Fs ] = Us
b
2 e2
e
e
c
e
e
= St ux (t, St )dWt + ut (t, St ) + St uxx (t, St ) dt
2
74
Le processus U est un processus dIto martingale donc sa partie en dt est nulle et lon
obtient finalement :
Z t
Ut = U0 +
et
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
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
75
Comme v est solution de lEDP, le terme en dt est nul et lon obtient que :
Ut
Z t
= U0 +
0
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
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
5.6
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
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 :=
T t
d2 := d1 T t
et
Ct = e
r(T t) b
P
E [(ST K) /Ft ] = e
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
2
(r 2 (T t) + (WT Wt )
xe
> K
x
ct W
cT
ln( K
) + (r 2 )(T t)
W
<
T t
T t
b F
dP
T
:= ZT = eWT
2
T
2
EP 1E
b
ZT
Zt
= EP
1E
1
Zt
= EP [1E ] EP
1
Zt
= P (E)
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
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
1
N 0 (d1 ) > 0
x T
x
= N 0 (d1 ) K r erT N (d2 ) < 0
2 T
1
N 0 (d1 ) > 0
x T
x
N 0 (d1 ) + K r erT (N (d2 ) 1)
2 T
+
+
+ +
+