Probabilites Et Calcul Stochastique

AIDE MMOIRE
PROBABILITES /
CALCUL
STOCHASTIQUE
Prof. Pierre Devolder
(UCL)
2009
Table des matires
1. Elments de probabilits
2. Processus stochastiques
3. Le mouvement brownien
4. Intgration stochastique
5. Equations diffrentielles stochastiques
6. Thorme de Girsanov
7. Reprsentation de Feynman- Kac
UCL Devolder
1. Probabilits
Notions de base de probabilit :
( , )
- espace mesurable :
Avec :
= un ensemble
= une sigma algbre sur
Famille de sous ensembles de telle que :
(i)
(ii) si A alors A c
(iii) si A i alors
U A
i
UCL Devolder
1. Probabilits
- mesure de probabilit :
[0,1]
Fonction P :
telle que:
(i) P( ) = 0 et P() = 1
(ii) si A i (i = 1,...) sont disjo int s :
i =1
i =1
P( U A i ) = P( A i )
-espace de probabilit :
triplet
UCL Devolder
( , ,P)
4
1. Probabilits
- variable alatoire ( valeurs relles) :
Une variable alatoire X valeurs relles est une fonction
mesurable:
X: R
X 1 (B)
(B= borrlien de R)
- distribution dune variable alatoire :
X (B) = P(X 1 (B))

UCL Devolder
1. Probabilits
- fonction de rpartition dune variable alatoire :
Borrlien :
B = (, x ]
X (B) = P(X 1 (B)) = FX ( x ) = P( X x )

- densit de probabilit dune variable alatoire :
La densit f(x) dune variable alatoire est la drive
de la fonction de rpartition ( si elle existe) :
dFX
fX =
dx
UCL Devolder
1. Probabilits
- exemple 1 :variable alatoire normale ( ou gaussienne) :
Une variable alatoire X est distribue normalement
N(m, 2 ) si sa fonction de densit existe est donne par :
1
fX (x) =
e
2
UCL Devolder
( x m )2
22
1. Probabilits
- exemple 2 :variable alatoire log normale :
Une variable alatoire Y est distribue log normalement
log N(m, 2 ) si il existe une variable alatoire X

2
N
(
m
,
)
distribue normalement
telle que :
Y = eX
UCL Devolder
1. Probabilits
- densit dune log normale :
f Y ( y) dy = dFY ( y) = d P(Y y) = dP(e X y)

1
= dP(X ln y) = dFX (ln y) = f x (ln y) dy
y
f Y ( y) =
1
y 2
(ln y m ) 2
22
UCL Devolder
( y > 0)
1. Probabilits
- esprance dune variable alatoire:
E(X) = X()dP() = x d X ( x )
- variance dune variable alatoire ;
2 (X) = ( X() EX) 2 dP()
= E( X 2 ) (EX) 2
UCL Devolder
10
1. Probabilits
- exemples desprance :
1 distribution normale :
si X = N(m, 2 ) alors : E( X) = m
2 distribution log normale :
si Y = log N (a , b ) alors : E( Y ) = e
2
UCL Devolder
a + b2 / 2
11
1. Probabilits
Esprance dune log-normale :
(ln y a ) 2
EY = y f Y ( y) dy = y
exp (
) dy
2
2b
by 2
0
0
Par changement de variable : ln y = x
1 +
(x a )2 x
EY =
exp
e dx
2
2b
b 2
1 +
1
=
exp(
(( x (a + b 2 )) 2 2ab 2 b 4 )) dx
2
2b
b 2
= exp(
2ab + b
)=e
2
2b
2
UCL Devolder
a+
b2
2
12
1. Probabilits
- Variance dune variable log normale :
VarY = E Y 2 ( EY ) 2
= E(e 2 X ) ( Ee X ) 2
Aussi
log normal !
log N ( 2a , 4b 2 )
Var Y = e
2a+ b2
(e
b2
UCL Devolder
1)
13
1. Probabilits
- fonction caractristique :
Si X est une variabl alatoire de fonction de rpartition
F , alors sa fonction caractristique est la fonction sur R:
+
X (u ) = E ( eiuX ) = eiux dF( x )
Exemple : pour une distribution X p N (0, 2 )
X (u ) = e
u 2 2 / 2
UCL Devolder
14
1. Probabilits
-norme Lp
Si X est une var iable alatoire et si p [1, )

la norme Lp de X note X p est dfinie par :
1/ p
p
X p = X() dP()
UCL Devolder
15
1. Probabilits
-norme L
X
- espaces
= sup { X(); }
Lp
Espace des variables alatoires de norme finie :
Lp () = { X : R : X p < }
UCL Devolder
16
1. Probabilits
-indpendance dvnements et de variables alatoires :
2 vnements A et B sont indpendants ssi :
A, B : P(A B) = P(A ) P(B)

2 variables alatoires X et Y valeurs relles sont
indpendantes ssi :
P{( X x ) (Y y)} = P(X x ) P( Y y)

( x , y R )
UCL Devolder
17
1. Probabilits
- esprance conditionnelle :
( , ,P)
+ * une sous sigma algbre de ( * )
X une variable alatoire desprance finie
Y = E(X *)
Y= esprance conditionnelle de X connaissant *
= variable alatoire mesurable par rapport *telle que:
X() dP() = Y() dP()

A
( A * )
UCL Devolder
18
1. Probabilits
Proprits de lesprance conditionnelle :
(i) Esprance dune esprance conditionnelle :
E ( E( X *) = E X
(ii)si Z est une variable alatoire mesurable par rapport *
et:
(iii) si:
E ( Z *) = Z
E( Z X *) = Z E( X *)
1 2
E( E( X 2 ) 1 ) = E( X 1 )
UCL Devolder
19
1. Probabilits
-convergence de variables alatoires :
- suite de variables alatoires :
{X n ; n = 0,1,...}
?? lim n X n = ??
4 grands types de convergence :
- convergence presque sre
- convergence quadratique
- convergence en probabilit
- convergence en loi
UCL Devolder
20
1. Probabilits
- convergence presque sre :
p .s .
X n X ssi P( : X n () X()) = 1
Exemple : loi des grands nombres :
Si X n est une suite de variables alatoires indpendantes
et quidistribues (i.i.d.) desprance finie alors :
p .s .
1 n
X i E(X)
n i =1
UCL Devolder
21
1. Probabilits
- convergence quadratique :
2
en
moyenne
quadratique
(
dans
)
L
Xn X
ssi
Xn X 2 0
=
2
(
X
(
X
(
))
dP()
n
Exemple : loi des grands nombres

UCL Devolder
22
1. Probabilits
- convergence en probabilit :
P
X n X ssi :
> 0 : P( : X n () X () ) 0
Proprits:
- convergence p.s.
convergence en proba
- convergence quadratique convergence proba
UCL Devolder
23
1. Probabilits
- convergence en loi :
l
X n X ssi fonction continue et borne :

E ( ( X n )) E ( (X ))
Proprit :
- convergence en proba
convergence en loi
Thorme central limite : si X = suite de variables

alatoires i.i.d. de variance finie : n
X
i =1
n EX
n
UCL Devolder
N (0,1)
24
2 .Processus stochastiques
Processus stochastique en temps continu :
( , ,P) Espace de probabilit + le temps
Un processus stochastique X valeurs relles est une application:
X : + x
: ( t, )
X ( t, )
Pour fix, on a une trajectoire
Pour t fix, on a une variable alatoire
Filtration: famille croissante de sous algbres de lespace de
probabilit
0 = {, } s t pour s < t
UCL Devolder
25
Exemple de filtration et de processus (en temps discret)
Jeu successif de pile ou face ( 3 fois)
Processus de gain cumul : +1 si pile -1 si face
X (0) = 0 X (1) X (2) X (3)
= {( PPP), (PPF), (PFP), (PFF), (FFF), ( FFP), (FPF), (FPP)}

X(1) = { 1,
1,
1,
1,
1, 1, 1, 1}
X(2) = { 2, 2,
0,
0,
2, 2,
0,
0}
X(3) = { 3, 1,
1,
1, 3, 1, 1, 1 }
UCL Devolder
26
= l' ensemble des parties de
Filtration : modlise larrive progressive de linformation sur
le jeu . En t , on peut dire pour chaque lment de t
( = vnement) sil sest ou non produit .
En t=0 : on na aucune information :
= {, }
UCL Devolder
27
En t=1 : la 1 position est connue
1 = {, , P , F }
P = {( PPP ), (PPF), (PFP), (PFF)}
F = {( FFF), (FFP), ( FPF), ( FPP)}
En t=2 : les 2 premires positions sont connues :
2 = {, , P , F , PP , PF , FF , FP }
UCL Devolder
28
PP = {( PPP), (PPF)}
PF = {( PFP), (PFF)}
FF = {( FFF), ( FFP)}
FP = {(FPF), (FPP)}
En t=3 : toutes les positions sont connues :
3 =
UCL Devolder
29
Filtration et processus: notions lies par les 2 dfinitions:
Dfinition 1 : Tout processus stochastique gnre une filtration
appele filtration naturelle du processus et dfinie par:
t = ( X(s); s t ) t
( histoire du processus)
Dfinition 2: Un processus X est dit adapt une filtration si:
t : X( t ) = mesurable par rapport t
UCL Devolder
30
Filtration et esprance conditionnelle :
Chaque lment dune filtration tant une sous sigma
algbre , on peut lui associer une esprance conditionnelle.
Soit X une variable alatoire desprance mathmatique
finie. On peut alors dfinir le processus adapt :
M( t) = E (X t )
Reprsente lestimation moyenne de X compte tenu
de linformation dj rcolte en t
UCL Devolder
31
Exemple du jeu discret :
esprance conditionnelle du gain final:
= {( PPP), ( PPF), ( PFP), ( PFF), ( FFF), ( FFP), ( FPF), ( FPP)}

X (3) = { 3,
1,
1,
1,
3,
1,
1,
1 }
(i) Esprance conditionnelle en t=0
E( X (3) ) = E ( X (3)) = 0
(ii) Esprance conditionnelle en t=3 :
E( X (3) 3 ) = X (3)
UCL Devolder
32
(iii) Esprance conditionnelle aux diffrents instants
= {( PPP), ( PPF), ( PFP), ( PFF), ( FFF), ( FFP), ( FPF), ( FPP)}

X(3) = { 3, 1,
1,
1, 3, 1, 1, 1 }
EX 0 = { 0,
0,
0,
0,
0,
0,
EX 1 = { 1,
1,
1,
1,
1,
1,
EX 2 = {2,
2,
0,
0,
2,
2,
0,
EX 3 = {3,
1,
1,
3,
1,
1,
1,
UCL Devolder
0,
0}
1, 1}
0}
1}
33
Temps darrt : gnralisation de la notion de temps dterministe:
= variable alatoire T valeurs dans R + {+} telle que:
t : {T t } t
( pas dinformation ncessaire sur le futur pour savoir
chaque instant si T sest dj produit).
Exemple : premier instant o le cours dune action dpasse
le double du cours actuel.
Contrexemple:dernier instant avant une certaine date future
o un taux de change atteint un niveau fix
UCL Devolder
34
Exemple de lien entre temps darrt et processus:
notion de processus arrt:
- X = processus stochastique
- {t } = filtration naturelle associe X
On dfinit le temps darrt: ( M=barrire)
T = inf{ t 0 : X( t ) M}
-On peut par exemple dfinir le nouveau processus arrt M :
Y( t ) = X( t ) si t T
Y( t ) = M
UCL Devolder
si t > T
35
Exemple : jeu discret / pile ou face :
On arrte le jeu ds que le gain est strictement positif.
T () = inf{t : X( t , ) > 0}
X(1) = { 1,
1,
1,
1,
1, 1, 1, 1}
X(2) = { 2, 2,
0,
0,
2, 2,
0,
0}
X(3) = { 3, 1,
1,
1, 3, 1, 1, 1 }
UCL Devolder
36
Valeurs du temps darrt :

T = { 1,
1,
1,
1,
,
,
, 3 }
T=1 mesurable
par rapport 1
Vrai sur P
Faux sur F
UCL Devolder
37
Contrexemple de temps darrt :
On arrte le jeu au dernier instant o le gain est strictement
positif .

T = { 3,
3,
3,
1,
,
,
, 3 }
T=1 pas mesurable
par rapport 1
UCL Devolder
38
Classes de processus:
1 MARTINGALES :
Un processus stochastique est une martingale par rapport
une filtration donne ssi :
(i) X est adapt par rapport {t };
(ii) E( X( t ) l s } = X(s) si s t
- notion de fair game; en particulier on a :
E ( X( t )) = X(0)
UCL Devolder
39
2 PROCESSUS GAUSSIENS :
X est un processus gaussien ssi toute combinaison linaire
des valeurs de X diffrents instants est distribu
normalement:
n
= k X( t k ) N
k =1
Un tel processus X est caractris par sa fonction

moyenne (t) et sa fonction de covariance
(s,t)=cov ( X(s),X(t))
UCL Devolder
40
3 PROCESSUS A ACCROISSEMENTS INDEPENDANTS
ET STATIONNAIRES :
-Un processus X est dit accroissements indpendants ssi:
n, t1, t 2 ,..., t n : X( t1 ), X( t 2 ) X( t1 ),..., X( t n ) X( t n1 )
sont indpendan tes
( indpendance entre les accroissements successifs)
-Un processus est dit accroissements stationnaires ssi:
h, t : X ( t + h ) X ( t ) et X ( h ) sont quidistribus
UCL Devolder
41
4 PROCESSUS A VARIATION FINIE :
-Un processus adapt X est dit croissant si ses trajectoires
sont des fonctions croissantes, finies et continues droite.
-Un processus adapt X est dit variation finie si ses
trajectoires sont des fonctions variations bornes sur tout
compact, finies et continues droite.
Tout processus variation finie peut scrire comme diffrence
de deux processus croissants.
UCL Devolder
42
Historique :
-1829: Brown : mouvement de particules de
pollen en suspension dans leau
-1900 : Bachelier: mouvements de cours de bourse
-1905: Einstein : modles de particules en suspension
-1923 : Wiener: construction rigoureuse du mouvement
brownien
-1944: Ito: intgrale par rapport un mouvement brownien
devenu un processus central en finance pour
simuler lincertitude sur les marchs.
UCL Devolder
43
-Dfinition: un processus stochastique w est un mouvement
brownien standard sur lespace ( , ,P) ssi
(i) w(0) = 0
(ii)w = processus accroissem ents indpendan ts et stationnai res
(iii)w = processus gaussien
(iv )t > 0 :E w( t ) = 0 ; var w( t ) = t
Il est possible de construire un tel processus tel que ses trajectoires
soient des fonctions continues.
UCL Devolder
44
- Mouvement brownien issu du point a :
Z( t ) = a + w ( t )
-Mouvement brownien issu du point a et de drift :
Z( t ) = a + t + w ( t )
EZ( t ) = a + t
Ces 2 processus sont gaussiens.
UCL Devolder
2 Z( t ) = 2 t
45
Fonction caractristique dun mouvement brownien
standard :
( , t ) = E (e
i w ( t )
) = e
1
e
2t
= e
2t / 2
i x
x2 / 2t
2t
( x i t ) 2
2t
dx
dx
2 t / 2
UCL Devolder
46
Moments dun mouvement brownien :
k
1
d
E ( w k ( t )) = k k (, t )
i d
=0
Calcul des drives successives de la fonction caractristique:
d
e
d
2
2 t
d
e
2
d
2 t
= t e
= t e
2 t
2 t
+ ( t ) 2 e
UCL Devolder
2 t
47
3
2 t
2 t
d
e
3
d
d
e
4
d
= 3t 2 e
= 3t 2 e
2 t
2 t
3(t ) 2 t e
( t ) 3 e
2 t
3t 2 t e
2 t
2 t
+ (t )3 .t . e
UCL Devolder
2 t
48
Application au calcul des moments :
E ( w ( t )) = 0
E ( w 2 ( t )) = t
E ( w 3 ( t )) = 0
E ( w 4 ( t )) = 3t 2
UCL Devolder
49
Mouvement brownien et martingale :
Soient w un mouvement brownien standard et {t } sa
filtration naturelle; les 2 processus suivants sont alors des
martingales:
(i) w( t )
(ii) w 2 ( t ) t
UCL Devolder
50
Dmonstration:
(i) E( w( t ) l s ) = E( w(s) + ( w( t ) w(s)) l s ) = w(s)
Or:
(ii) E(( w 2 ( t ) t ) l s ) = E( w 2 (s) + ( w 2 ( t ) w 2 (s) l s ) t
E(( w( t ) w(s))2 l s ) = E(( w 2 ( t ) w 2 (s)) + 2w(s)( w( t ) w(s)) l s )
0
ts
Donc:
E ( w 2 ( t ) t l s ) = w 2 (s) s
UCL Devolder
51
Remarque : la rciproque de ce thorme de martingale
est galement vraie: si X est un processus continu tels que
X( t ) et X 2 ( t ) t sont des martingales et X(0)=0:
alors X est un mouvement brownien standard.

Le mouvement brownien est lexemple fondamental
de martingale continue.
UCL Devolder
52
Martingale exponentielle :
Le processus X ( t ) = e
( = rel)
est une martingale appele martingale exponentielle
w ( t ) 2 t / 2
Dmonstration :
Calculons lesprance conditionnelle suivante:
E (e w ( t ) s ) ( avec : 0 < s < t )
UCL Devolder
53
E (e w ( t ) s ) = E (e ( w ( t ) w ( s )) e w ( s ) s )
= e w ( s ) E (e ( w ( t ) w ( s )) s ) = e w ( s ) E (e w ( t s ) )
=e
w ( s ) 2 ( t s ) / 2
Il en rsulte lgalit de martingale :
E (e
En particulier :
w ( t ) 2 t / 2
E (e
s ) = e
w ( t ) 2 t / 2
w ( s ) 2s / 2
) =1
UCL Devolder
54
Corollaire : bruitage additif et bruitage multiplicatif
1 le mouvement brownien est un bruitage additif naturel :
f ( t ) = phnomne dter min iste

X ( t ) = f ( t ) + .w ( t ) = phnomne bruit
E (X ( t )) = f ( t )
2 la martingale exponentielle est un bruitage multiplicatif:
f ( t ) = phnomne dter min iste

Y ( t ) = f ( t ). e
E (Y ( t )) = f ( t )
w ( t ) 2 t / 2
UCL Devolder
= phnomne bruit
55
Contrexemple de martingale :
Le processus X( t ) = w 3 ( t )
bien que desprance constante nest pas une martingale.
Il suffit de montrer que :
E ( w 3 ( t ) s ) w 3 (s) ( 0 < s < t )

On part de la relation :
E (( w ( t ) w (s))3 s ) = E ( w 3 ( t s)) = 0
UCL Devolder
56
En dveloppant il vient :
E (( w ( t ) w (s))3 s ) = E ( w 3 ( t ) 3w 2 ( t ) w (s) + 3w ( t ) w 2 (s) w 3 (s) s )
= E ( w 3 ( t ) s ) 3w (s) E( w 2 ( t ) s ) + 3w 2 (s) E ( w ( t ) s ) w 3 (s)
= E ( w 3 ( t ) s ) 3w (s)( w 2 (s) + t s) + 3w 3 (s) w 3 (s)
= E ( w 3 ( t ) s ) w 3 (s) 3w (s)( t s) = 0
Il en rsulte :
E( w 3 ( t ) s ) = w 3 (s) + 3 w (s) ( t s)
w 3 n ' est donc pas une martingale
UCL Devolder
57
Mouvement brownien et variation borne :
soit 0 = t 0 < t1 < ... < t n = t
-On a :
E( ( w( t i )) ) = t i = t
2
i=1
i=1
Dautre part si f est une fonction dterministe variation

borne alors on a par dfinition de lintgrale de Stieltjes:
UCL Devolder
58
n
i=1
limn ( f ( t i )) = df = f ( t ) f (0)
n
limn ( f ( t i ))2 = 0
i=1
Le mouvement brownien ne peut donc tre variation finie: ses

trajectoires sont sur tout intervalle fini non variation borne.
En particulier les trajectoires dun brownien ne sont pas des
fonctions drivables et la diffrentielle dw(t) au sens classique
du calcul diffrentiel trajectoire par trajectoire nexiste pas.
UCL Devolder
59
Variation quadratique dun mouvement brownien :
PROPRIETE :
j
Soit t j = n t ( j = 0,...,2 n ) une subdivision de(0, t ) , alors :
2
2n
2
(
w
(
t
)
w
(
t
))
t
j
j1
j=1
en convergence quadratique.
UCL Devolder
60
Preuve :
2n
Soit:
Z n ( t ) = ( w ( t j ) w ( t j1 )) 2
j=1
(i) E( Z n ( t )) = t
(ii) Var ( Z n ( t )) 0
2n
(i) E Z n ( t ) = ( t j t j1 ) = t
j=1
2n
(ii) Var Z n ( t ) = var( ( w ( t j ) w ( t j1 )) 2 )

j=1
UCL Devolder
61
Lemme :
si X = N (0, 2 ) alors :
var X 2 = 2 4
Preuve :
Var X 2 = E X 4 ( EX 2 ) 2 = EX 4 4
Par fonction gnratrice :
M X ( u ) = e ux dF( x ) = X (iu ) = e u
2 2
/2
n
EX = n M x ( u )
u
n
UCL Devolder
u =0
EX 4 = 3 4
62
Donc finalement :
2n
2
t 2
t
Var Z n ( t ) = 2( n ) = 2 n +1 2 n
2
2
j=1
UCL Devolder
63
Auto-similarit du mouvement brownien :
( scaling effect ou self similarity)
Le mouvement brownien fait partie de la famille des fractales
qui ont des proprits d chelle : mme forme des trajectoires
quelle que soit lchelle laquelle on les regarde.
Dune manire gnrale un processus stochastique X est
H- auto similaire si :
> 0, t > 0 :
d
X (t ) = H X ( t )
UCL Devolder
64
H est appel lindice de Hurst du processus.
Pour un mouvement brownien standard on a par dfinition:
d
w (t ) = N (0, t ) = 1 / 2 X ( t )
Le mouvement brownien standard est un processus

auto similaire dindice .
Rem.: il sagit dune proprit de distributions et non pas
de trajectoires
UCL Devolder
65
Mouvement brownien et temps datteinte :
Pour a > 0 fix on dfinit le temps datteinte :
Ta = inf{ t 0 : w ( t ) = a}
Ta = + si a jamais atte int
Proprit :
Ta
est un temps darrt.
UCL Devolder
66
Principes de rflexion :
Principe 1 :
P(Ta < t ) = 2P( w ( t ) > a )

Preuve :
1) si w ( t ) > a alors Ta < t

2) w (s + Ta ) w (Ta ) est aussi un brownien
UCL Devolder
67
Par symtrie on a donc :
P( w ( t ) w (Ta ) > 0 Ta < t ) = 1 / 2

Il vient alors successivement :
P( w ( t ) > a ) = P(Ta < t, w ( t ) w (Ta ) > 0)

= P(Ta < t ) P( w ( t ) w (Ta ) > 0 Ta < t )
1
= P(Ta < t )
2
UCL Devolder
68
Principes de rflexion :
Principe 2 :
Si w est un mouvement brownien standard et si T est un
temps darrt alors le processus suivant est aussi un
mouvement brownien standard :
w * (t) = w (t )
= 2 w (T ) w ( t )
si t T
si t > T
( processus rflchi partir du temps T )

UCL Devolder
69
Maximum dun mouvement brownien :
On dfinit le processus maximum dun brownien par :
M ( t ) = max s[0, t ] w (s)
On peut obtenir la loi conjointe dun mouvement brownien

et de son maximum.
UCL Devolder
70
PROPRIETE :
Pour a > 0, a > x :
2a x
P( M ( t ) a , w ( t ) x ) = 1 (
)
t
Preuve :
On a en termes dvnement :
{M ( t ) a} {Ta t}
On utilise alors le principe 2 de rflexion:
UCL Devolder
71
Il vient successivement:
P( M ( t ) a , w ( t ) x ) = P( Ta t, w( t ) x )
= P(Ta t, 2a x w * ( t ))
= P( 2a x w * ( t ))
2a x
= 1 (
)
t
UCL Devolder
72
Applications en finance :
-temps datteinte : premire fois o la valeur
dune action atteint une valeur
donne ( par exemple premire fois o la valeur
du titre augmente de 50% ).
- maximum : valeur maximale atteinte par une action
sur une certaine priode.
UCL Devolder
73
Simulation dun mouvement brownien :
-En thorie mouvement brownien non reprsentable
compte tenu de ses proprits de non drivabilit.
- Discrtisation possible permettant de se faire une ide de la
forme des trajectoires
- Principe de base : on choisit un pas t
- Pour simuler la valeur de w(t) on dcompose :
w( t ) = w( t ) + ( w( 2t ) w( t )) + ... + ( w( t ) w( t t ))
UCL Devolder
74
Par dfinition du mouvement brownien, tous les lments
de cette somme :
- sont des variables iid
- distribues normalement desprance nulle et de variance t
Algorithme : simulation du brownien sur (0,T) :
choose t
t0 = 0
T
n=
t
UCL Devolder
75
For j = 1 to n
t j = t j 1 + t
choose Z j N ( 0 ,1 )
w( t j ) = w( t j 1 ) + Z j . t
next j
On a ainsi gnr les valeurs du mouvement brownien

aux points intermdiaires
tj
Pour dfinir des trajectoires continues il suffit de relier ces points
par des fonctions linaires:
UCL Devolder
76
Pour t j1 < t < t j :
w ( t ) = w ( t j1 ) +
( t t j1 )
t
( w ( t j ) w ( t j1 ))
UCL Devolder
77
MOTIVATION :
Les trajectoires dun mouvement brownien ntant pas
variations bornes, on ne peut utiliser les outils du calcul
diffrentiel et intgral.
Lobjectif du calcul stochastique est de dfinir une autre
forme dintgrale ( lintgrale stochastique) qui permet de
dvelopper des quations dvolution stochastiques en
temps continu.
La mthodologie consiste passer dune convergence
trajectoire par trajectoire une convergence quadratique.
UCL Devolder
78
1)Promenade alatoire discrte :
n
log(S(n) / S(0)) = .n + i = .n + .W (n)

i =1
2)Subdivision de la promenade :
t / t j
log(S j (n) / S(0)) = .n + .x j i = .n + .W j (n)

i=1
3)Diffrences finies du processus: notation:

j X (n) = X(n) X(n t j )
UCL Devolder
79
j log(S j (n) / S(0)) = t j + .x j = .t j + .W j (n)
4) Passage la limite : ???
d(log(S( t ) / S(0)) = .dt + .dw ( t )

Mais le processus w a des trajectoires non variations
bornes; cette diffrentielle nexiste pas au sens classique.
CALCUL STOCHASTIQUE : donner quand mme un sens
cette diffrentielle.
UCL Devolder
80
Construction de lintgrale classique :
Soit f une fonction de (0,T) valeurs relles
Intgrale de Riemann :
T
f (s) ds
0
Construction par limite de sommes de Riemann :

n 1
f (s ) ( t
j=0
Avec :
j+1
t j)
0 = t 0 < t 1 < ... < t n = T et s j [t j , t j+1 ]

UCL Devolder
81
Intgrale de Riemann Stieltjes :
Soit g une fonction variations bornes de (0,T) valeurs relles
T
f (s) dg(s)
0
Construction par limite de sommes de Riemann :

n 1
f (s ) ( g ( t
j=0
Avec :
j+1
) g( t j ))
0 = t 0 < t 1 < ... < t n = T et s j [t j , t j+1 ]

UCL Devolder
82
Essai de gnralisation en stochastique :
On essaie de dfinir un objet du type :
T
X(s) dw(s)
0
Avec :
X : processus stochastique
w : mouvement brownien s tan dard
Le rsultat devrait tre une variable alatoire !

UCL Devolder
83
On peut toujours dfinir des sommes de Riemann qui deviennent
des variables alatoires :
n 1
Z n = X (s j ) ( w( t j+1 ) w ( t j ))
j=0
( 0 = t 0 < t 1 < ... < t n = T et s j [t j , t j+1 ] )
Comment passer la limite des ces sommes qui sont

prsent des variables alatoires?
choix dun mode de convergence de v.a.
UCL Devolder
84
Premire possibilit : vision trajectoire par trajectoire:
on dfinit lintgrale stochastique comme une intgrale de
Riemann Stieltjes classique , trajectoire par trajectoire:
T
: Y ( ) = X(s, ) dw(s, )
0
Premire anomalie : les trajectoires du mouvement brownien

sont partout non variation borne .
Ces intgrales nexistent donc gnralement pas .
UCL Devolder
85
Lutilisation dune intgrale trajectoire par trajectoire revient
travailler, en terme de mode de convergence de variables
alatoires, en convergence presque sre.
En vue de dfinir une intgrale on va passer un mode de
2
L
convergence plus faible , la convergence quadratique (
).
Cette exigence moins forte de convergence va permettre de
passer la limite dans les sommes de Riemann mais :
Deuxime anomalie : la limite va dpendre des points s j
UCL Devolder
86
Illustration : essai de dfinition de lintgrale :
T
w (s )
dw(s)
Equivalent en calcul intgral classique :

T
f (s) df (s)
avec : f (0) = 0 et f VB
UCL Devolder
f 2 (T )
0 f (s) df (s) = 2
87
Calcul en stochastique : premier choix : dbut de lintervalle
( choix canonique en calcul stochastique )
s j [t j , t j+1 ] : s j = t j
Soit la suite de partitions de lintervalle (0,T) gnres

par les points :
(n)
i
iT
=
(i = 0,1,..., n )
n
Avec passage la limite :
UCL Devolder
n
88
Thse : on a dans L2 :
n 1
1 2
1
lim n w ( t )( w ( t ) w ( t )) = w (T ) T
2
2
j=0
n
j
n
j+1
n
j
Lemme :
1 2
1
2
a ( b a ) = ( b a ) ( a b) 2
2
2
1 2
1
2
b( b a ) = ( b a ) + ( a b ) 2
2
2
UCL Devolder
89
Dmonstration :
n 1
1 n 1 2 n
2
n
w
(
t
)(
w
(
t
)
w
(
t
))
=
(
w
(
t
)
w
(
t
j+1
j ))
2 j=0
j=0
1 n 1
( w ( t nj+1 ) w ( t nj )) 2
2 j=0
1 2
1 n 1
= w (T ) ( w ( t nj+1 ) w ( t nj )) 2
2
2 j=0
n
j
n
j+1
n
j
L2
UCL Devolder
t nj+1 t nj
90
2
Donc dans L on a :
lim n
1 2
1
= w (T ) T
2
2
Conclusion : on va crire en adoptant cette dfinition de limite

en convergence quadratique de lintgrale stochastique :
T
w 2 (T ) T
0 w(s) dw(s) = 2 2
UCL Devolder
91
deuxime choix : fin de lintervalle
s j [t j , t j+1 ] : s j = t j+1
On peut montrer alors de manire identique ( deuxime partie

du lemme) que cette fois on a :
n
1 2
1
lim n w ( t )( w ( t ) w ( t )) = w (T ) + T
2
2
j=0
n
j+1
n
j+1
UCL Devolder
n
j
92
troisime choix : milieu de lintervalle
( intgrale de STRATONOVICH)
s j [t j , t j+1 ] : s j = ( t j + t j+1 ) / 2
On peut montrer quon a alors :

n
1 2
lim n w ( t )( w ( t ) w ( t )) = w (T )
2
j=0
n
j+1
n
j+1
UCL Devolder
n
j
93
Types dintgrales stochastiques :
-premier choix : dbut dintervalle :
choix canonique en calcul stochastique : Intgrale de ITO:
on peut dfinir lintgrale indfinie qui devient un processus
stochastique :
t
w 2 (t) t
I( t ) = w (s) dw (s) =
2
2
0
Corollaire : cette intgrale de ITO est une martingale
de moyenne nulle ( bruit ).
UCL Devolder
94
troisime choix : milieu dintervalle :
choix alternatif en calcul stochastique :
Intgrale de STRATONOVICH
2
w
I( t ) = t w (s) ds = ( t )
0
2
Cette intgrale respecte la rgle traditionnelle du calcul

intgral mais ne gnre plus une martingale:
E( I( t )) = t / 2
UCL Devolder
95
Justification du choix canonique de dbut dintervalle :
( supprmatie de lintgrale de ITO ) :
Avantages :
1 mesurabilit : en terme de filtration , la valeur en dbut
dintervalle est la seule mesurable tout au long de lintervalle
dintgration.
2 martingale : lintgrale de ITO est une martingale
desprance nulle .
Dans la suite, Intgrale de ITO
UCL Devolder
96
CONSTRUCTION DE LINTEGRALE STOCHASTIQUE :
But : donner un sens lobjet alatoire suivant:
dw (s, )
0 X(s, ) dw(s, ) 0 X(s, ) ( ds ) ds
t
O:
w = mouvement brownien s tan dard

X = processus stochastique
= Intgrale stochastique dfinie
UCL Devolder
97
Proprits de base de lintgration classique :
Si f est une fonction variations bornes , alors on a :
T
1) 1]a ,b ] (s) dg(s) = g( b) g(a )
(0 < a < b < T )
0
T
2) (a 1 f1 (s) + a 2 f 2 (s)) dg(s) = a 1 f1 (s) dg(s) + a 2 f 2 (s) dg(s)

( oprateur linaire)
proprits minimales conserver pour toute opration
dintgration digne de ce nom.
UCL Devolder
98
- Dmarche : limite de somme de Riemann mais autre
passage la limite tout en conservant ces proprits de base.
-1 Etape : Intgration de fonctions indicatrices :
X(s, ) = 1[a ,b[ (s)

t
Alors:
X(s) dw(s, ) = 0
si t a
= w ( t ) w (a )
= w(b) w(a)
UCL Devolder
si a < t b
si t > b
99
-2 Etape : Intgration de fonctions en escaliers :
additivit de lintgrale:
n 1
X(s) = c j 1[t ,t [ (s) + c n 1{t } (s)

j
j=0
j +1
o 0 = t 0 < t 1 .... < t n = t : subdivision dter min iste

c i = cons tan tes
t
n 1
X(s) dw(s) = c 1[
0
j=0
n 1
t j , t j +1
[ (s) dw (s) = c j ( w ( t j+1 ) w ( t j ))
UCL Devolder
j=0
100
-3 Etape : Intgration de processus stochastiques simples :
X est dit un processus stochastique simple sur (0,T) si :
0 = t 0 < t 1 < ... < t n = T

k : k = v.a. t mesurable
k
k : E ( k ) <
2
tel que :
n 1
X( t, ) = n 1 ( )1{t } ( t ) + i ( )1[t ,t [ ( t )
n
UCL Devolder
i =0
i +1
101
Alors : si t k t < t k +1
On dfinit lintgrale dfinie par:
t
k 1
i=0
It ( X) = X dw = i ( w( t i+1 ) w( t i )) + k ( w( t ) w( t k ))
(I0 (0) = 0)
Cet oprateur est additif :
I t (aX + bY ) = a I t ( X ) + b I t ( Y )
UCL Devolder
102
Proprit de martingale :
Le processus intgrale indfinie est une martingale
E( It ( X) I s ) = Is ( X) (0 < s < t )
En particulier:
E(It ( X)) = 0
Dmonstration:
2 cas selon que s et t appartiennent ou non au mme
sous intervalle de la subdivision:
UCL Devolder
103
Par exemple si s et t appartiennent au mme sous intervalle :
soit s, t [t k , t k +1[ :
It ( X) = Is ( X) + k ( w( t ) w( s))
k indpendan te de ( w( t ) w(s))
Donc :
E(It ( X) l s ) = Is ( X) + k E( w( t ) w(s) l s ) = Is ( X)
UCL Devolder
104
Proprit du moment dordre 2 ( proprit disomtrie):
t
E((It ( X))2 ) = E( X 2 (s) ds)

0
Dmonstration:
k 1
E(( i ( w( t i+1 ) w( t i )) + k ( w( t ) w( t k ))2 )

i=0
k 1
= E( i ( w( t i+1 ) w( t i ))2 + k ( w( t ) w( t k ))2 )

2
i=0
UCL Devolder
105
k 1
= E(i ( t i+1 t i ) + E(k )( t t k )

2)
i=0
t
= (E( X(s))2 ds = E( X 2 (s) ds)
Remarque : la dfinition de ces processus simples

montre bien que lon prend une valeur mesurable
en dbut dintervalle ( intgrale de ITO ).
UCL Devolder
106
-4 Etape : Intgration de processus de carr intgrable :
X est dit un processus de carr intgrable sur (0,T) si:
- X est un processus adapt la filtration
T
E( X2 (s) ds) <

0
Espace M T2
=ensemble des processus de carr intgrable

sur (0,T).
Espace
M 2 = M 2 = processus de carr int grable sur (0, )

UCL Devolder
107
Proprit : si X est un processus de carr intgrable alors:
{ X( n ) } L2 () : processus simples
avec :
T
limn E( ( X( n ) (s) X(s))2 ds) = 0

0
Pour chaque processus simple de la suite on peut dfinir:

t
It ( X(n ) ) = X( n ) (s) dw (s)

0
UCL Devolder
108
Cette suite de processus converge dans la norme L2
vers un processus appel intgrale stochastique
t
n
It ( X(n ) )
It ( X) = X(s) dw (s) par notation
0
Cest dire :
lim n E( I t ( X ) I t ( X n ) ) = 0
2
UCL Devolder
109
Proprits de lintgrale stochastique :
(i) E( I t ( X )) = 0
t
(ii) E( I t ( X )) = E( X 2 (s) ds)

2
(Isomtrie de ITO)
(iii) I t ( X ) est une martingale

(iV) I t ( X ) est un processus trajectoires continues
UCL Devolder
110
Caractrisation des espaces M T2
-analogie de la proprit classique dexistence de lintgrale
pour des fonctions continues : lintgrale classique de
RIEMAN existe pour toute fonction continue.
PROPOSITION :
Si f est un processus stochastique trajectoires continues p.s.
adapt la filtration du brownien.
alors lintgrale de ITO de f sur (0,T) existe si :
UCL Devolder
111
T
E( f 2 (s) ds) <

0
Preuve : il suffit de montrer quil existe une suite de

processus simple convergeant en moyenne quadratique vers f.
Une suite candidate est la suivante :
k
n
k
k +1
f n ( t ) = n f (s) ds pour t <
( k = 1,2,..., n 2 1)
n
n
k 1
n
=0
sin on
UCL Devolder
112
Diffrentielle stochastique:
b(s, ) : processus adapt et int grable

(s, ) : processus adapt et de carr int grable
t
X( t ) = X0 + b(s) ds + (s) dw (s)

Alors :
dX( t ) = b( t ) dt + ( t ) dw ( t )
= diffrentielle stochastique
UCL Devolder
113
Proprits de la diffrentielle stochastique :
autres rgles que le calcul diffrentiel classique
-EXEMPLE /
Calcul diffrentiel classique:
t
( f ( t ))2 = 2 f (s) df (s)

0
Calcul stochastique :
t
( w( t ))2 = ??? 2 w(s) dw (s)

0
UCL Devolder
114
(i) E( w 2 ( t )) = t
Or:
(ii)E( w(s) dw (s)) = 0 ( martingale )

0
Diffrentielle dun produit ( intgration par parties) :

Si:
d1( t ) = b1( t ) dt + 1( t ) dw ( t )
d 2 ( t ) = b 2 ( t ) dt + 2 ( t ) dw ( t )
Alors:
d(1( t ) 2 ( t )) = 1( t ) d 2 ( t ) + 2 ( t ) d1( t ) + 1( t ) 2 ( t ) dt
UCL Devolder
115
Diffrentielle dune fonction de fonction:
Calcul diffrentiel classique:
d f ( t, g( t, x )) = ? ( f , g diffrentiables )
f f g
f g
df ( t, g( t, x )) = ( +
) dt +
dx
t x t
x x
Calcul stochastique : Formule de ITO
UCL Devolder
116
Lemme de ITO : version de base
f ( t, x ) = fonction de 2 var iables (f C1, 2 )

Alors f ( t, w ( t )) est diffrentiable et on a :
f 1 2 f
f
df ( t, w ( t )) = ( +
) dt + dw ( t )
2
t 2 x
x
UCL Devolder
117
Lemme de ITO : version gnrale
(i) d( t ) = b( t ) dt + ( t )dw( t ) ( processus de ITO)

(ii)f ( t, x ) = fonction de 2 var iables (f C1, 2 )
Alors f ( t, ( t )) est diffrentiable :
f f
1 2f 2
f
df ( t, ( t )) = ( + b( t ) +
( t )) dt + ( t ) dw( t )
2
t x
2 x
x
UCL Devolder
118
Rgles de calcul formel:
dt.dt = 0
dw.dw = dt
dw.dt = 0
2
2
2
f
f
1 2f
f
1
f
2
df ( t, w ) = dt + dw +
(dt ) +
(dw.dt ) +
(dw )
2
2
t
x
2 t
xt
2 x
f
f
1 2f
= dt + dw +
dt
2
t
x
2 x
UCL Devolder
119
Application : intgration par parties :
t
s dw(s) = ??
0
f ( t, x ) = t x
( t ) = w( t )
On prend:
Par ITO on a :
t
s dw(s) = t w( t ) w(s) ds
UCL Devolder
120
Gnralisation : formule gnrale de lintgration par parties
Si f (s, ) continu et var iation borne s p.s. :

t
f (s) dw(s) = f ( t ) w( t ) w(s) df (s)

Cette proprit nest plus vrifie gnralement quand
le processus f nest pas variation borne
( par exemple : prendre f = w )
UCL Devolder
121
t
( w( t ))2 = ??? 2 w(s) dw (s)
EXEMPLE/ ITO 1 :
f ( t, x ) = x 2
On prend:
( t ) = w ( t )
dw 2 ( t ) = 2 w ( t ) dw ( t ) + dt
ou
t
w 2 ( t ) = t + 2 w (s) dw (s)
0
UCL Devolder
122
EXEMPLE/ ITO 2 :
On prend:
E w 6 (t) = ?
f ( t, x ) = x 6
( t ) = w ( t )
dZ( t ) = 6 w ( t ) 5 dw ( t ) + 15 w ( t ) 4 dt
en int grant :
t
Z( t ) = 6w (s) 5 dw (s) + 15 w (s) 4 ds

UCL Devolder
123
Or:
t
1) E( 6 w (s) 5 dw (s)) = 0 ( int grale stochastique)

0
t
2) E( 15 w (s) 4 ds) = 15 E w (s) 4 ds = 15 3s 2 ds

(cf. slide 72)
Finalement:
E( w ( t ) 6 ) =15 t 3
UCL Devolder
124
5. Equations diffrentielles
stochastiques
INTRODUCTION : quation du brownien gomtrique:
f ( t, x ) = e( t + x )
( t ) = w( t )
On a par ITO :
f
(i) = f
t
f
(ii)
= f
x
2f
(iii) 2 = 2 f
x
UCL Devolder
125
stochastiques
Par ITO :
df = f dt + f dw +
CONCLUSION : en notant
1 2
f dt
2
2
=+
2
Le processus stochastique ( brownien gomtrique)

2
S( t ) = S(0) exp(( )t + w( t ))
2
est solution de lquation diffrentielle stochastique:
dS( t ) = S( t ) dt + S( t ) dw ( t )
UCL Devolder
126
stochastiques
PROPRIETES du mouvement brownien gomtrique :
(i) E(S( t )) = S(0) e t

2 t
(ii) var(S( t )) = S (0) e (e

2
2 t
1)
Preuve :
Et :
2
S( t ) / S(0) = log norm( ( ) t; t )
2
E( log norm(a , b 2 )) = exp( a + b 2 / 2)
UCL Devolder
127
stochastiques
Equations diffrentielles classiques:
dx ( t )
= f ( t, x ( t ))
dt
ou
dx ( t ) = f ( t, x ( t )) dt
Solutions si f admet une condition de LIPSCHITZ:
f ( t, x ) f ( t, y ) K x y
UCL Devolder
128
stochastiques
Solutions numriques : itration de Picard:
x(0) (t ) = x 0
t
x (n ) ( t ) = x 0 + f (s, x (n1) (s)) ds

0
Equations diffrentielles stochastiques :
dX( t ) = b( t, X( t )) dt + ( t, X( t )) dw ( t )
Avec:
X(0) = x 0
UCL Devolder
129
stochastiques
Conditions de LIPSCHITZ et de croissance :
(i) b( t, x ) b( t, y + ( t, x ) ( t, y ) K x y
(ii) b 2 ( t, x ) + 2 ( t, x ) K 2 (1 + x 2 )
Lquation diffrentielle stochastique admet alors une

solution unique qui peut tre approch par les itrations:
t
X( n ) ( t ) = x 0 + b(s, X( n1) (s)) ds + (s, X( n1) (s)) dw (s)

UCL Devolder
130
stochastiques
Exemple dquation diffrentielle stochastique :
dX( t ) = X 3 ( t ) dt X 2 ( t ) dw ( t )
X ( 0) = 1
On cherche une solution du type :
X ( t ) = f ( t, w ( t ))
On applique la formule de ITO :
f
f
1 2f
dX( t ) = ( t, w ) dt + ( t, w ) dw +
( t, w ) dt
2
t
x
2 x
UCL Devolder
131
stochastiques
En identifiant lEDS de dpart , il vient :
f
f ( t, w ) =
( t, w )
x
f
1 2f
3
et
( t, w ) +
(
t
,
w
)
=
f
(
t
,
w
)
t
2 x 2
2
Dont la solution est :
1
X ( t ) = f ( t, w ( t )) =
w( t ) + 1
UCL Devolder
132
stochastiques
Equations diffrentielles stochastiques linaires:
On essaie dobtenir une solution gnrale lquation linaire:
dX ( t ) = (c1 ( t )X ( t ) + c 2 ( t )) dt + ( 1 ( t ) X ( t ) + 2 ( t )). dw ( t )
X ( 0) = X 0
O :
c i et i = fonctions dter min istes continues

UCL Devolder
133
stochastiques
Premire tape : quation homogne sans bruit :
dY ( t ) = (c1 ( t )Y ( t )) dt
Y (0) = Y0
Solution:
Y ( t ) = Y0 . exp( c1 (s) ds)

0
t
pour Y0 = 1 : y( t ) = exp( c1 (s) ds)

0
UCL Devolder
134
stochastiques
Deuxime tape : quation sans bruit :
dX ( t ) = (c1 ( t )X ( t ) + c 2 ( t )) dt
X ( 0) = X 0
Solution:
X ( t ) = y( t ){X 0 + c 2 (s) / y(s) ds}

0
t
0
UCL Devolder
= X 0 exp( c1 ( u )du ) + c 2 (s).( exp c1 ( u ) du ) ds

135
stochastiques
Troisime tape : quation avec bruit additif :
dX ( t ) = (c1 ( t )X ( t ) + c 2 ( t )) dt + 2 ( t ) dw( t )
X ( 0) = X 0
Solution:
t
X ( t ) = y( t ){X 0 + c 2 (s) / y(s) ds + 2 (s) / y(s) dw (s)}
UCL Devolder
136
stochastiques
Quatrime tape : quation homogne avec bruit multiplicatif:
dZ( t ) = c1 ( t )Z( t )dt + 1 ( t ) Z( t ) dw ( t )
Z( 0) = Z 0
Solution:
t
Z( t ) = Z 0 . exp( (c1 (s) 12 (s) / 2) ds + 1 (s) dw (s))

t
pour Z 0 = 1 : z ( t ) = exp( (c1 (s) 12 (s)) ds + 1 (s) dw (s)))

0
UCL Devolder
137
stochastiques
Cinquime tape : quation gnrale :
dX ( t ) = (c1 ( t )X ( t ) + c 2 ( t )) dt + ( 1 ( t ) X ( t ) + 2 ( t )). dw ( t )
X ( 0) = X 0
Solution:
t
X ( t ) = z ( t ){X 0 + (c 2 (s) 1 (s) 2 (s)) / z (s) ds + 2 (s) / z (s) dw (s)}
UCL Devolder
138
stochastiques
EXEMPLES de processus fondamentaux :
-1 Brownien gomtrique
-2 Processus dOrnstein Uhlenbeck:
dX( t ) = a(b X( t )) dt + dw ( t )
Equation dterministe correspondante:
dY( t ) = a(b Y( t ))dt
( Y(0) = Y0 )
Solution:
Y( t ) = Y0 . e at + b.(1 e at )
UCL Devolder
139
stochastiques
Soit:
On a :
X( t ) = Y( t ) + Z( t ) e at
(i) dX( t ) = dY( t ) + e at dZ( t ) ae at Z( t ) dt
(ii)dX( t ) = a(b X( t ))dt + dw ( t )
(iii)dY( t ) = a(b Y( t ))dt
donc :
dZ( t ) = eat dw ( t )
t
Z( t ) = eat dw ( t )
0
UCL Devolder
140
stochastiques
Finalement le processus dOrnstein-Uhlenbeck devient:
t
X( t ) = x 0 e at + b(1 e at ) + e at eas dw (s)

0
Trend
dterministe
UCL Devolder
Bruit
alatoire
141
stochastiques
PROPRIETE du processus ORNSTEIN :
E X ( t ) = x 0 e at + b(1 e at )
Moyenne pondre de la position initiale et de la
position asymptotique b.
Les poids sont des exponentielles ngatives gouvernes
par le facteur de rappel a.
UCL Devolder
142
6. Thorme de GIRSANOV
Introduction aux changements de mesure de probabilit
en univers discret
Espace de scnarios :
= {1 , 2 ,..., N }
2 mesures de probabilit quivalentes:
P({i }) = p i > 0
P * ({i }) = q i > 0
( accord sur les scnarios possibles mais pas sur leur proba).
UCL Devolder
143
Densit de RADON NIKODYM :
cest une variable alatoire appele densit de la mesure
P* par rapport la mesure P et donne par :
P * ({i }) q i
Z( ) =
=
P({i })
pi
Par dfinition cette variable alatoire est desprance
unitaire sous la mesure initiale P :
N
N
qi
EZ = p i = q i = 1
p i i =1
i =1
UCL Devolder
144
Calcul desprance :
Si Y est une autre variable alatoire dfinie sur cet espace,
alors on a :
E * ( Y ) = E( YZ)
Preuve :
N
qi
E * ( Y ) = Y ( i ) q i = ( Y ( i ) ) p i
pi
i =1
i =1
UCL Devolder
145
Exemple : modle binomial sur une priode :
March boursier la hausse ou la baisse :
= {u, d}
- mesure de probabilit initiale = mesure relle
Par exemple :
1
p u = pd =
2
Taux sans risque : 3%

UCL Devolder
146
Variable alatoire : cours dune action dans une priode
S(0)=1
S(1)=Y
Avec :
Y ( u ) = 1,09
Y (d ) = 1,01
Autre mesure de probabilit : mesure risque neutre :
1+ r d
qu =
et q d = 1 q u
ud
UCL Devolder
147
Donc :
1,03 1,01 1
3
=
qu =
et q d =
1,09 1,01 4
4
La densit est donne par :
q u 1/ 4 1
=
=
Z( u ) =
pu 1/ 2 2
qd 3/ 4 3
Z( d ) =
=
=
pd 1 / 2 2
UCL Devolder
148
Calcul des esprances :
Monde rel :
EY = (1,09 + 1,01) / 2 = 1,05

Monde risque neutre :
Calcul direct :
E * Y = 1,09 * 1 / 4 + 1,01 * 3 / 4 = 1,03
Calcul par densit :
E * Y = (1,09 * 1 / 2) * 1 / 2 + (1,01 * 3 / 2) * 1 / 2 = 1,03

UCL Devolder
149
Motivation : brownien gomtrique : nouvel univers tel
que tous les actifs financiers aient aussi un return moyen
gal au taux sans risque r ; ceci implique un
changement de drift du processus.
Soit:
dS( t ) = S( t ) dt + S( t ) dw ( t )
dS( t ) = r S( t ) dt + S( t ) dw ( t ) + ( r ) S( t ) dt
dS( t ) = r S( t ) dt + S( t ) dw * ( t )
( r )
avec w ( t ) = w( t ) +
t
UCL Devolder
150
Le processus w* nest plus un mouvement brownien sous
la mesure relle de probabilit.
GIRSANOV: comment changer de mesure pour obtenir
quand mme un brownien ?
On introduit pour ce la notion de changement de mesure et
de densit de RADON-NIKODYM .
UCL Devolder
151
soit (, ) un espace de probabilit muni de deux mesures
P1 et P2
DEFINITION: la mesure P2 est dite absolument continue

par rapport la mesure P1 si:
P2 (B) = 0 B tel que P1(B) = 0
THEOREME de RADON-NIKODYM :
la mesure P2 est absolument continue par rapport
la mesure P1 ssi il existe une variable alatoire
non ngative et mesurable telle que:
UCL Devolder
152
P2 (B) = () dP1() = EP1 (1B )
B
La variable est appele densit de Radon Nikodym.

Cette densit est une variable alatoire desprance unitaire:
Il suffit de prendre: B= :
P2 () = 1 = () dP1() = EP1 ( )
UCL Devolder
153
Martingale exponentielle :
-espace de probabilit ( , ,P)
-mouvement brownien standard sous P : w
- filtration associe : t
Dfinition: le processus Y dfini ci dessous est appel
martingale exponentielle
1 2
Y ( t ) = exp( k w ( t ) k t )
2
UCL Devolder
154
Proprits :
- les variables alatoires Y(t) sont distribues log
normalement de paramtres :
1 2
m= k t
2
2 = k 2 t
- E Y(t) = 1
- Y est un processus non ngatif
Candidat naturel densit de Radon Nikodym
UCL Devolder
155
Changement de mesure et mouvement brownien:
Soit {w(t, ); t(0,T);} un mouvement brownien
dfini sur un espace de probabilit (, ,P)
On introduit le processus Z dfini par :
Z( t ) = w ( t ) k t (k R )
Alors le processus w* est un mouvement brownien
par rapport la mesure Q dont la densit est dfinie par:
k2
T = Y (T ) = exp( k w (T ) T )
2
UCL Devolder
156
Preuve: par fonctions caractristiques:
? E Q (eiu ( Z ( t ) Z ( s )) s ) = e
u2
( t s )
2
??
Ou encore :
? V( t ) = e
u2
iu Z ( t ) + t
2
est une martingale sous Q ?
E Q (V ( t )) = V( t , ) dQ() = V( t , ) Y(T, ) dP()
UCL Devolder
157
Y (T, )
= V ( t , ) Y ( t , ) (
) dP()
Y ( t , )
Y(T, )
= V ( t , ) Y ( t , ) dP()
dP()
Y ( t , )
( car mouvement brownien accroissements indpendants)
= V ( t , ) Y ( t , ) dP()
(car Y = martingale exponentielle)

UCL Devolder
158
Il faut donc montrer que le processus R est une martingale
sous P :
R ( t ) = V( t ) Y( t )
u2
1 2
R ( t ) = exp( iuZ( t ) + t ) exp( k w ( t ) k t )
2
2
u2
1 2
= exp(iu ( w ( t ) kt ) + t ) exp(k w ( t ) k t )
2
2
1
= exp(k + iu ) w ( t ) exp( t ( k 2 u 2 + iuk ))
2
1
= exp(k + iu ) w ( t ) exp( (k + iu ) 2 ) Martingale exponentielle
2
UCL Devolder
159
-Gnralisation :
Gnraliser la drive du brownien :
Z( t ) = w ( t ) k t (k R )
t
Z( t ) = w ( t ) b(s, ) ds
0
O b est prsent un processus stochastique .
UCL Devolder
160
Hypothses sur le processus b :
(i) Le processus b est adapte la filtration ;
( ii) condition de NOVIKOV :
1T 2
E ( b (s, ) ds) <
20
(iii) On dfinit la variable alatoire :
T
1T 2
T () = exp{ b(s, ) dw (s) b (s, ) ds}
20
0
UCL Devolder
161
Alors le processus :
t
Z( t ) = w ( t ) b(s, ) ds
0
est un mouvement brownien par rapport la mesure Q dont

la densit de Radon Nykodim par rapport P est donne par:
dQ
= T
dP
UCL Devolder
162
7. Reprsentation de FeynmanKac
Lien entre:
quations diffrentielles stochastiques ( EDS)
et
quations aux drives partielles ( PDE)
Objectif : calcul de lesprance mathmatique de fonctions
de la solution dune quation diffrentielle
stochastique.
UCL Devolder
163
7. Feynman- Kac
Soit X solution de l' EDS:
dX( t ) = ( t , X( t )) dt + ( t , X ( t )) dw ( t ) (0 t T )
(o w est un brownien s tan dard)
On dfinit la fonction de 2 variables relles :
F( t , x ) = E ( (X (T )) X( t ) = x )
(o est une fonction dune variable relle).
UCL Devolder
164
7. Feynman- Kac
Hyp.(H1) :
2
E
(
(
t
,
X
(
t
)
(
t
,
X
(
t
)))
dt <
0
Alors la fonction F est solution de lquation aux drives

partielles suivantes :
F
F
1 2
2F
( t , x ) + ( t , x ) ( t , x ) + ( t , x ) 2 ( t , x ) = 0
t
x
x
2
Condition au bord :
F(T, x ) = ( x )
UCL Devolder
165
7. Feynman- Kac
Preuve:
Application de la formule de ITO au processus Y :
Y ( t ) = F( t , X( t ))
F(T, X(T )) = F( t , X( t ))
F
F
+ (s, X(s)) + (s, X(s)) (s, X(s))ds

x
t s
T
2F
1 2
+ (s, X(s)) 2 (s, X(s)) ds
x
t 2
T
F
+ (s, X(s)) (s, X(s)) dw (s)
x
t
T
UCL Devolder
166
7. Feynman- Kac
On prend lesprance conditionnelle des 2 membres par rapport
a:
E(
[X( t ) = x )
(i) E (F(T, X(T )) [X( t ) = x ) = E ( (X(T ) X( t ) = x )

F
(ii)(a ) E ( (s, X(s)) (s, X(s)) dw (s) X( t ) = x )) = 0
x
t
T
(car intgrale stochastique et condition H1)

UCL Devolder
167
7. Feynman- Kac
(ii) ( b) si F est solution de l' EDP alors:
F
F
+ (s, X(s)) + (s, X(s)) (s, X(s))ds

x
t s
T
1 2
2F
+ (s, X(s)) 2 (s, X(s)) ds = 0
x
t 2
T
(iii ) E(F( t , X( t ) X( t ) = x ) = F( t , X( t ))
UCL Devolder
168
7. Feynman- Kac
Exemple :
Rsoudre lquation:
F 1 2 F
+
=0
2
t 2 x
avec : F(T, x ) = ( x )
EDS correspondante :
dX( t ) = dw ( t )
UCL Devolder
169
7. Feynman- Kac
Reprsentation Feynman-Kac :
F( t , x ) = E ( ( w (T )) w ( t ) = x )
Distribution normale N(x,T-t)
+
F( t , x ) = p(T t , x , y) ( y) dy
o:
1
( y x)2
p(T t , x , y) =
exp(
)
2(T t )
(T t ) 2
UCL Devolder
170
7. Feynman- Kac
Variante de la formule de Feynman Kac :
Introduction dune actualisation dans la fonctionnelle
F( t , x ) = E ( e
r ( Tt )
( X(T )) X( t ) = x )
est solution de :
F
F
1 2
2F
( t , x ) + ( t , x ) ( t , x ) + ( t , x ) 2 ( t , x )
t
x
2
x
r F( t , x ) = 0
UCL Devolder
171
7. Feynman- Kac
Gnralisation- actualisation taux variable :
La fonctionnelle du type :
T
F( t , x ) = E ( exp( k (s, X(s)) ds) (X(T )) X( t ) = x )

t
est solution de :
F
F
1 2
2F
( t , x ) + ( t , x ) ( t , x ) + ( t , x ) 2 ( t , x )
t
x
2
x
k ( t , x ) F( t , x ) = 0
UCL Devolder
172

Probabilites Et Calcul Stochastique

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Probabilites Et Calcul Stochastique

Transféré par

Droits d'auteur :

Formats disponibles

AIDE MMOIRE

Table des matires

- distribution dune variable alatoire :

X (B) = P(X 1 (B))

X (B) = P(X 1 (B)) = FX ( x ) = P( X x )

N(m, 2 ) si sa fonction de densit existe est donne par :

log N(m, 2 ) si il existe une variable alatoire X

f Y ( y) dy = dFY ( y) = d P(Y y) = dP(e X y)

- variance dune variable alatoire ;

2 (X) = ( X() EX) 2 dP()

Par changement de variable : ln y = x

X (u ) = E ( eiuX ) = eiux dF( x )

Exemple : pour une distribution X p N (0, 2 )

Si X est une var iable alatoire et si p [1, )

Espace des variables alatoires de norme finie :

A, B : P(A B) = P(A ) P(B)

P{( X x ) (Y y)} = P(X x ) P( Y y)

X() dP() = Y() dP()

Exemple : loi des grands nombres

X n X ssi fonction continue et borne :

Thorme central limite : si X = suite de variables

X (0) = 0 X (1) X (2) X (3)

= {( PPP), (PPF), (PFP), (PFF), (FFF), ( FFP), (FPF), (FPP)}

= {( PPP), ( PPF), ( PFP), ( PFF), ( FFF), ( FFP), ( FPF), ( FPP)}

(i) Esprance conditionnelle en t=0

= {( PPP), ( PPF), ( PFP), ( PFF), ( FFF), ( FFP), ( FPF), ( FPP)}

= {( PPP), (PPF), (PFP), (PFF), (FFF), ( FFP), (FPF), (FPP)}

= {( PPP), (PPF), (PFP), (PFF), (FFF), ( FFP), (FPF), (FPP)}

Un tel processus X est caractris par sa fonction

Calcul des drives successives de la fonction caractristique:

(ii) E(( w 2 ( t ) t ) l s ) = E( w 2 (s) + ( w 2 ( t ) w 2 (s) l s ) t

E(( w( t ) w(s))2 l s ) = E(( w 2 ( t ) w 2 (s)) + 2w(s)( w( t ) w(s)) l s )

alors X est un mouvement brownien standard.

E (e w ( t ) s ) ( avec : 0 < s < t )

Il en rsulte lgalit de martingale :

f ( t ) = phnomne dter min iste

f ( t ) = phnomne dter min iste

E ( w 3 ( t ) s ) w 3 (s) ( 0 < s < t )

Dautre part si f est une fonction dterministe variation

Le mouvement brownien ne peut donc tre variation finie: ses

(ii) Var Z n ( t ) = var( ( w ( t j ) w ( t j1 )) 2 )

Le mouvement brownien standard est un processus

est un temps darrt.

P(Ta < t ) = 2P( w ( t ) > a )

1) si w ( t ) > a alors Ta < t

P( w ( t ) w (Ta ) > 0 Ta < t ) = 1 / 2

P( w ( t ) > a ) = P(Ta < t, w ( t ) w (Ta ) > 0)

( processus rflchi partir du temps T )

M ( t ) = max s[0, t ] w (s)

On peut obtenir la loi conjointe dun mouvement brownien

On utilise alors le principe 2 de rflexion:

On a ainsi gnr les valeurs du mouvement brownien

log(S(n) / S(0)) = .n + i = .n + .W (n)

log(S j (n) / S(0)) = .n + .x j i = .n + .W j (n)

3)Diffrences finies du processus: notation:

4) Passage la limite : ???

d(log(S( t ) / S(0)) = .dt + .dw ( t )

Construction par limite de sommes de Riemann :

0 = t 0 < t 1 < ... < t n = T et s j [t j , t j+1 ]

Construction par limite de sommes de Riemann :

0 = t 0 < t 1 < ... < t n = T et s j [t j , t j+1 ]

Le rsultat devrait tre une variable alatoire !

( 0 = t 0 < t 1 < ... < t n = T et s j [t j , t j+1 ] )

Comment passer la limite des ces sommes qui sont