Académique Documents
Professionnel Documents
Culture Documents
PROBABILITES /
CALCUL
STOCHASTIQUE
Prof. Pierre Devolder
(UCL)
2009
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)
1. Probabilits
- fonction de rpartition dune variable alatoire :
Borrlien :
B = (, x ]
dFX
fX =
dx
UCL Devolder
1. Probabilits
- exemple 1 :variable alatoire normale ( ou gaussienne) :
Une variable alatoire X est distribue normalement
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
)
distribue normalement
telle que :
Y = eX
UCL Devolder
1. Probabilits
- densit dune log normale :
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 )
= 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
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
u 2 2 / 2
UCL Devolder
14
1. Probabilits
-norme Lp
p
X p = X() dP()
UCL Devolder
15
1. Probabilits
-norme L
X
- espaces
= sup { X(); }
Lp
Lp () = { X : R : X p < }
UCL Devolder
16
1. Probabilits
-indpendance dvnements et de variables alatoires :
2 vnements A et B sont indpendants ssi :
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:
( 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
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
convergence en loi
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
2 .Processus stochastiques
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
26
2 .Processus stochastiques
= 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
2 .Processus stochastiques
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
2 .Processus stochastiques
PP = {( PPP), (PPF)}
PF = {( PFP), (PFF)}
FF = {( FFF), ( FFP)}
FP = {(FPF), (FPP)}
En t=3 : toutes les positions sont connues :
3 =
UCL Devolder
29
2. Processus stochastiques
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
2. Processus stochastiques
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
2. Processus stochastiques
Exemple du jeu discret :
esprance conditionnelle du gain final:
1,
1,
1,
3,
1,
1,
1 }
E( X (3) ) = E ( X (3)) = 0
(ii) Esprance conditionnelle en t=3 :
E( X (3) 3 ) = X (3)
UCL Devolder
32
2. Processus stochastiques
(iii) Esprance conditionnelle aux diffrents instants
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
2. Processus stochastiques
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
2. Processus stochastiques
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
2. Processus stochastiques
Exemple : jeu discret / pile ou face :
On arrte le jeu ds que le gain est strictement positif.
T () = inf{t : X( t , ) > 0}
= {( 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
36
2. Processus stochastiques
Valeurs du temps darrt :
T=1 mesurable
par rapport 1
Vrai sur P
Faux sur F
UCL Devolder
37
2. Processus stochastiques
Contrexemple de temps darrt :
On arrte le jeu au dernier instant o le gain est strictement
positif .
38
2. Processus stochastiques
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 stochastiques
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
UCL Devolder
40
2. Processus stochastiques
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
2. Processus stochastiques
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
3. Le mouvement brownien
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
3. Le mouvement brownien
-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
3. Le mouvement brownien
- 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
3. Le mouvement brownien
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
3. Le mouvement brownien
Moments dun mouvement brownien :
k
1
d
E ( w k ( t )) = k k (, t )
i d
=0
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. Le mouvement brownien
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
3. Le mouvement brownien
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
3. Le mouvement brownien
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
3. Le mouvement brownien
Dmonstration:
(i) E( w( t ) l s ) = E( w(s) + ( w( t ) w(s)) l s ) = w(s)
Or:
0
ts
Donc:
E ( w 2 ( t ) t l s ) = w 2 (s) s
UCL Devolder
51
3. Le mouvement brownien
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:
UCL Devolder
52
3. Le mouvement brownien
Martingale exponentielle :
Le processus X ( t ) = e
( = rel)
est une martingale appele martingale exponentielle
w ( t ) 2 t / 2
Dmonstration :
Calculons lesprance conditionnelle suivante:
UCL Devolder
53
3. Le mouvement brownien
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
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
3. Le mouvement brownien
Corollaire : bruitage additif et bruitage multiplicatif
1 le mouvement brownien est un bruitage additif naturel :
w ( t ) 2 t / 2
UCL Devolder
= phnomne bruit
55
3. Le mouvement brownien
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 ( t ) w (s))3 s ) = E ( w 3 ( t s)) = 0
UCL Devolder
56
3. Le mouvement brownien
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
3. Le mouvement brownien
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
UCL Devolder
58
3. Le mouvement brownien
n
i=1
limn ( f ( t i )) = df = f ( t ) f (0)
n
limn ( f ( t i ))2 = 0
i=1
59
3. Le mouvement brownien
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
3. Le mouvement brownien
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
UCL Devolder
61
3. Le mouvement brownien
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
3. Le mouvement brownien
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
3. Le mouvement brownien
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
3. Le mouvement brownien
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 )
65
3. Le mouvement brownien
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
UCL Devolder
66
3. Le mouvement brownien
Principes de rflexion :
Principe 1 :
UCL Devolder
67
3. Le mouvement brownien
Par symtrie on a donc :
68
3. Le mouvement brownien
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
69
3. Le mouvement brownien
Maximum dun mouvement brownien :
On dfinit le processus maximum dun brownien par :
UCL Devolder
70
3. Le mouvement brownien
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}
UCL Devolder
71
3. Le mouvement brownien
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
3. Le mouvement brownien
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
3. Le mouvement brownien
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
3. Le mouvement brownien
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
3. Le mouvement brownien
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
76
3. Le mouvement brownien
Pour t j1 < t < t j :
w ( t ) = w ( t j1 ) +
( t t j1 )
t
( w ( t j ) w ( t j1 ))
UCL Devolder
77
4. Intgration stochastique
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
4. Intgration stochastique
1)Promenade alatoire discrte :
n
2)Subdivision de la promenade :
t / t j
79
4. Intgration stochastique
j log(S j (n) / S(0)) = t j + .x j = .t j + .W j (n)
80
4. Intgration stochastique
Construction de lintgrale classique :
Soit f une fonction de (0,T) valeurs relles
Intgrale de Riemann :
T
f (s) ds
0
f (s ) ( t
j=0
Avec :
j+1
t j)
81
4. Intgration stochastique
Intgrale de Riemann Stieltjes :
Soit g une fonction variations bornes de (0,T) valeurs relles
T
f (s) dg(s)
0
f (s ) ( g ( t
j=0
Avec :
j+1
) g( t j ))
82
4. Intgration stochastique
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
83
4. Intgration stochastique
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
84
4. Intgration stochastique
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
85
4. Intgration stochastique
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
4. Intgration stochastique
Illustration : essai de dfinition de lintgrale :
T
w (s )
dw(s)
f (s) df (s)
avec : f (0) = 0 et f VB
UCL Devolder
f 2 (T )
0 f (s) df (s) = 2
87
4. Intgration stochastique
Calcul en stochastique : premier choix : dbut de lintervalle
( choix canonique en calcul stochastique )
s j [t j , t j+1 ] : s j = t j
(n)
i
iT
=
(i = 0,1,..., n )
n
UCL Devolder
n
88
4. Intgration stochastique
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
4. Intgration stochastique
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
4. Intgration stochastique
2
Donc dans L on a :
lim n
1 2
1
= w (T ) T
2
2
w 2 (T ) T
0 w(s) dw(s) = 2 2
UCL Devolder
91
4. Intgration stochastique
deuxime choix : fin de lintervalle
s j [t j , t j+1 ] : s j = t j+1
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
4. Intgration stochastique
troisime choix : milieu de lintervalle
( intgrale de STRATONOVICH)
s j [t j , t j+1 ] : s j = ( t j + t j+1 ) / 2
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
4. Intgration stochastique
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
4. Intgration stochastique
troisime choix : milieu dintervalle :
choix alternatif en calcul stochastique :
Intgrale de STRATONOVICH
2
w
I( t ) = t w (s) ds = ( t )
0
2
E( I( t )) = t / 2
UCL Devolder
95
4. Intgration stochastique
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
4. Intgration stochastique
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:
UCL Devolder
97
4. Intgration stochastique
Proprits de base de lintgration classique :
Si f est une fonction variations bornes , alors on a :
T
0
T
98
4. Intgration stochastique
- Dmarche : limite de somme de Riemann mais autre
passage la limite tout en conservant ces proprits de base.
-1 Etape : Intgration de fonctions indicatrices :
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
4. Intgration stochastique
-2 Etape : Intgration de fonctions en escaliers :
additivit de lintgrale:
n 1
j=0
j +1
n 1
X(s) dw(s) = c 1[
0
j=0
n 1
t j , t j +1
UCL Devolder
j=0
100
4. Intgration stochastique
-3 Etape : Intgration de processus stochastiques simples :
X est dit un processus stochastique simple sur (0,T) si :
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
4. Intgration stochastique
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)
I t (aX + bY ) = a I t ( X ) + b I t ( Y )
UCL Devolder
102
4. Intgration stochastique
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
4. Intgration stochastique
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
4. Intgration stochastique
Proprit du moment dordre 2 ( proprit disomtrie):
t
Dmonstration:
k 1
k 1
i=0
UCL Devolder
105
4. Intgration stochastique
k 1
i=0
t
UCL Devolder
106
4. Intgration stochastique
-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
Espace M T2
Espace
107
4. Intgration stochastique
Proprit : si X est un processus de carr intgrable alors:
{ X( n ) } L2 () : processus simples
avec :
T
UCL Devolder
108
4. Intgration stochastique
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
4. Intgration stochastique
Proprits de lintgrale stochastique :
(i) E( I t ( X )) = 0
t
(Isomtrie de ITO)
UCL Devolder
110
4. Intgration stochastique
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
4. Intgration stochastique
T
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
4. Intgration stochastique
Diffrentielle stochastique:
113
4. Intgration stochastique
Proprits de la diffrentielle stochastique :
autres rgles que le calcul diffrentiel classique
-EXEMPLE /
Calcul diffrentiel classique:
t
Calcul stochastique :
t
UCL Devolder
114
4. Intgration stochastique
(i) E( w 2 ( t )) = t
Or:
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
4. Intgration stochastique
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
UCL Devolder
116
4. Intgration stochastique
Lemme de ITO : version de base
UCL Devolder
117
4. Intgration stochastique
Lemme de ITO : version gnrale
118
4. Intgration stochastique
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
4. Intgration stochastique
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
4. Intgration stochastique
Gnralisation : formule gnrale de lintgration par parties
121
4. Intgration stochastique
t
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
4. Intgration stochastique
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
123
4. Intgration stochastique
Or:
t
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
5. Equations diffrentielles
stochastiques
Par ITO :
df = f dt + f dw +
CONCLUSION : en notant
1 2
f dt
2
2
=+
2
dS( t ) = S( t ) dt + S( t ) dw ( t )
UCL Devolder
126
5. Equations diffrentielles
stochastiques
PROPRIETES du mouvement brownien gomtrique :
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
5. Equations diffrentielles
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
5. Equations diffrentielles
stochastiques
Solutions numriques : itration de Picard:
x(0) (t ) = x 0
t
dX( t ) = b( t, X( t )) dt + ( t, X( t )) dw ( t )
Avec:
X(0) = x 0
UCL Devolder
129
5. Equations diffrentielles
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 )
130
5. Equations diffrentielles
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
5. Equations diffrentielles
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
1
X ( t ) = f ( t, w ( t )) =
w( t ) + 1
UCL Devolder
132
5. Equations diffrentielles
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 :
133
5. Equations diffrentielles
stochastiques
Premire tape : quation homogne sans bruit :
dY ( t ) = (c1 ( t )Y ( t )) dt
Y (0) = Y0
Solution:
UCL Devolder
134
5. Equations diffrentielles
stochastiques
Deuxime tape : quation sans bruit :
dX ( t ) = (c1 ( t )X ( t ) + c 2 ( t )) dt
X ( 0) = X 0
Solution:
0
UCL Devolder
5. Equations diffrentielles
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
UCL Devolder
136
5. Equations diffrentielles
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
137
5. Equations diffrentielles
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
UCL Devolder
138
5. Equations diffrentielles
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
5. Equations diffrentielles
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
5. Equations diffrentielles
stochastiques
Finalement le processus dOrnstein-Uhlenbeck devient:
t
Trend
dterministe
UCL Devolder
Bruit
alatoire
141
5. Equations diffrentielles
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
6. Thorme de GIRSANOV
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
6. Thorme de GIRSANOV
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
6. Thorme de GIRSANOV
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
146
6. Thorme de GIRSANOV
Variable alatoire : cours dune action dans une priode
S(0)=1
S(1)=Y
Avec :
Y ( u ) = 1,09
Y (d ) = 1,01
1+ r d
qu =
et q d = 1 q u
ud
UCL Devolder
147
6. Thorme de GIRSANOV
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
6. Thorme de GIRSANOV
Calcul des esprances :
Monde rel :
149
6. Thorme de GIRSANOV
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
6. Thorme de GIRSANOV
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
6. Thorme de GIRSANOV
soit (, ) un espace de probabilit muni de deux mesures
P1 et P2
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
6. Thorme de GIRSANOV
P2 (B) = () dP1() = EP1 (1B )
B
UCL Devolder
153
6. Thorme de GIRSANOV
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
6. Thorme de GIRSANOV
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
6. Thorme de GIRSANOV
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
6. Thorme de GIRSANOV
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
UCL Devolder
157
6. Thorme de GIRSANOV
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()
158
6. Thorme de GIRSANOV
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
6. Thorme de GIRSANOV
-Gnralisation :
Gnraliser la drive du brownien :
Z( t ) = w ( t ) k t (k R )
t
Z( t ) = w ( t ) b(s, ) ds
0
UCL Devolder
160
6. Thorme de GIRSANOV
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
6. Thorme de GIRSANOV
Alors le processus :
t
Z( t ) = w ( t ) b(s, ) ds
0
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
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:
Y ( t ) = F( t , X( t ))
F(T, X(T )) = F( t , X( t ))
F
F
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 )
167
7. Feynman- Kac
(ii) ( b) si F est solution de l' EDP alors:
F
F
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
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