Vous êtes sur la page 1sur 10

Les équations différentielles stochastiques

Exercices
Geneviève Gauthier
Dernière mise à jour : 14 juillet 2004

Exercice 11.1. Le processus stochastique


 
Ct = C0 eαWt : t ≥ 0 , r0 ≥ 0
représente l’évolution d’un taux de change, c’est-à-dire que Ct est le nombre de dollars cana-
diens que l’on peut obtenir par dollar américain au temps t où {Wt : t ≥ 0} est un mouvement
brownien standard.
a) Déterminez l’équation différentielle stochastique satisfaite par le processus {Ct : t ≥ 0}.
b) Le processus {Xt : t ≥ 0} modélise l’évolution d’un actif risqué en dollars américains.
Il satisfait l’équation différentielle stochastique
dXt = µXt dt + σXt dWt∗
où {Wt∗ : t ≥ 0} est un mouvement brownien standard indépendant de {Wt : t ≥ 0} . Déter-
minez l’équation différentielle stochastique satisfaite par l’évolution {Yt : t ≥ 0} du titre
risqué en dollars canadiens.
Exercice 11.2.
a) Démontrez qu’il existe une solution unique à l’équation

dXt = a (b − Xt) dt + σdW (t) .


b) Déterminez de façon explicite cette solution.
c) Simulez quelques trajectoires du processus caractérisé par l’équation différentielle sto-
chastique ci-dessus. Pour chacun des ensembles de paramètres ci-dessous, produire deux
graphes représentant chacun une trajectoire.
a = 1, b = 1, σ = 1, ∆t = 0, 01 et X0 = 1
a = −1, b = 1, σ = 1, ∆t = 0, 01 et X0 = 1
a = 1, b = 1, σ = 0, 1, ∆t = 0, 01 et X0 = 1
a = 1, b = 2, σ = 0, 3, ∆t = 0, 01 et X0 = 1

1
d) Commentez vos résultats.

Exercice 11.3. Décrivez le comportement de la solution de l’équation différentielle


stochastique  
1 
dXt = − Xt dt + Xt (1 − Xt)dWt
2
en supposant que la valeur initiale X0 est une variable aléatoire à valeurs dans l’intervalle
[0, 1]. Expliquez intuitivement pourquoi Xt est aussi une variable aléatoire dont les valeurs
sont comprises entre 0 et 1.

Exercice 11.4. Supposons qu’une particule se promène de façon aléatoire


 sur un plan de
(1) (2)
façon telle que sa position au temps t est donnée par le couple Wt ; Wt où W (1) et W (2)
sont deux mouvements browniens indépendants. La distance de cette particule à l’origine à
l’instant t est donnée par  2  2
(1) (2)
Bt = Wt + Wt .

Sachant que le processus de covariance quadratique de deux martingales indépendantes est


nulle, utilisez le lemme d’Itô afin de démontrer que le processus B satisfait l’équation dif-
férentielle stochastique
(1) (2)
1 1 W W
dt + t dWt + t dWt .
(1) (2)
dBt =
2 Bt Bt Bt

Exercice 11.5. Montrez que le processus stochastique {St : t ≥ 0} où


 t 
σ2
St = S0 exp µsds − t + σWt
0 2

où W est un (Ω, F, {Ft : t ≥ 0} , P ) −mouvement brownien satisfait l’équation différentielle


stochastique
dSt = µt St dt + σStdWt .

Exercice 11.6. Le modèle de Vasicek. Montrez que le processus stochastique {rt : t ≥ 0}


où   t
θ −αt θ −αt
rt = + e r0 − + σe eαs dWs
α α 0

2
où W est un (Ω, F , {Ft : t ≥ 0} , P ) −mouvement brownien satisfait l’équation différentielle
stochastique
drt = (θ − αrt) dt + σdWt.

t αs
Truc : Posez Yt = 0 e dWs et montrez que Y est un processus d’Itô.

Exercice 11.7. Considérons le système d’équations différentielles stochastiques

dXt = κ (θ − Xt ) dt + σdWt
 
dYt = κ
θ − Yt dt + σ t
dW

sont tels que


où les P −mouvement brownien W et W

CorrP Wt , W
t = ρ, ∀t > 0.

a) Déterminez l’unique solution forte associée à ce système.


b) Déterminez EP [Xt ] .
c) Le paramètre θ est souvent qualifié de moyenne à long terme et le paramètre κ
est interprété comme étant la vitesse du retour vers la moyenne. Justifiez ces affirmations.
d) Déterminez VarP [Xt] .
e) Déterminez CorrP [Xt , Yt ] .

3
Les solutions
1 Exercice 11.1
a) Posons f (w) = C0 eαw . Puisque
d d2
f (w) = C0αeαw et 2
f (w) = C0 α2 eαw ,
dw dw
df d2 f
f (Wt ) = Ct,(Wt) = αCt et (Wt) = α2 Ct.
dw dw 2
Utilisant le lemme d’Itô, nous obtenons
α2
dCt = αCt dWt + Ct dt.
2
b) La règle de multiplication nous donne

dYt = dXt Ct
= Xt dCt + Ct dXt + d X, Ct
 
α2
= Xt αCt dWt + Ct dt + Ct (µXt dt + σXt dWt∗)
2
α2
= αYt dWt + Yt dt + µYt dt + σYt dWt∗
2  2 
∗ α
= αYt dWt + σYt dWt + + µ Yt dt
2

2 Exercice 11.2
a) Si l’équation différentielle stochastique satisfait les trois conditions suivantes, alors
nous savons qu’il existe une unique solution.
(i) |b (x, t) − b (y, t)| + |a (x, t) − a (y, t)| ≤ K |x − y| , ∀t ≥ 0
(ii) |b (x, t)|2 + |a (x, t)|2 ≤ K 2 (1 + x2 ) , ∀t ≥ 0
(iii) E [X02] < ∞

Vérification de (i) :

|b (x, t) − b (y, t)| + |a (x, t) − a (y, t)| = |a (b − x) − a (b − y)| + |σ − σ|


= |a| |x − y| .

4
Vérification de (ii) : puisque
 
1 si |x| ≤ 1 1 + x2 si |x| ≤ 1
|x| ≤ ≤ ,
x2 si |x| ≥ 1 1 + x2 si |x| ≥ 1

alors

|b (x, t)|2 + |a (x, t)|2 = |a (b − x)|2 + |σ|2


= a2 (b − x)2 + σ 2
 
= a2 b2 − 2bx + x2 + σ2
 
≤ a2 b2 + 2 |b| |x| + x2 + σ 2
   
≤ a2 b2 + 2 |b| 1 + x2 + x2 + σ2
 
= a2 b2 + 2 |b| + σ2 + (2 |b| + 1) x2
    
≤ max a2 b2 + 2 |b| + σ2, 2 |b| + 1 1 + x2 .
   
Posons donc K = max |a| , a (b + 2 |b|) + σ , 2 |b| + 1 .
2 2 2

Vérification de (iii) : comme la condition initiale n’était pas spécifiée, il suffit de choisir X0
de carré-intégrable.
b) Si nous posons Zt = Xt − b, alors, par le lemme d’Itô, nous avons que

dZt = dXt
= a (b − Xt) dt + σdW (t)
= −Zt + σdW (t) .

Le processus Z est un processus d’Ornstein-Uhlenbeck et nous avons montré que la solution


à cette équation est t
Zt = Z0 e−at + σe−at easdWs .
0

En remplaçant Zt par Xt − b nous obtenons


t
−at −at
Xt − b = (X0 − b) e + σe eas dWs .
0

C’est pourquoi la solution est


t
Xt = X0 exp (−at) + b (1 − exp (−at)) + σ exp (−at) exp (as) dWs .
0

5

t
Posons Yt = 0 exp (as) dWs. Y = {Yt : t ∈ [0, T ]} est un processus d’Itô1 avec Y0 = 0,
Ks = 0 et Hs = eas. De plus,

Xt = X0 exp (−at) + b (1 − exp (−at)) + σ exp (−at) Yt .

Posons donc f (y, t) = X0 e−at + b (1 − exp (−at)) + σe−aty et notons que

∂f
(y, t) = σe−at
∂Y
∂2f
(y, t) = 0
∂Y 2
d    
X0e−at + b (1 − exp (−at)) + σe−at y = a −X0 e−at + be−at − σe−at y
dt  
= a b − X0 e−at − b + be−at − σe−at y
= a (b − f (y, t)) .

Puisque Xt = f (Yt , t), nous pouvons utiliser la quatrième version du lemme d’Itô2 afin
d’obtenir le résultat désiré :
∂f
df (Yt , t) = (Yt , t) Ht dWt
∂Y 
∂f ∂f 1 ∂ 2f
+ (Yt, t) Kt + (Yt , t) + (Yt , t) Ht dt.
2
∂Y ∂t 2 ∂Y 2
1
Rappel. Le processus stochastique X = {Xt : 0 ≤ t ≤ T } est un processus d’Itô si pour tout t ∈ [0, T ] ,
P− t t
Xt X0 + Ks ds + Hs dWs
p .s .
=
0 0

où X0 est une variable aléatoire F0 −mesurable, les processus K = {Kt : 0 ≤ t ≤ T } et H = {Ht : 0 ≤ t ≤ T }


sont F−adaptés,
T T
|Ks| ds < ∞ et Hs2ds < ∞ P − p.s.
0 0
T T T
e2as ds = 12 e a −1 < ∞.
2Ta
Dans le cas qui nous occupe, 0 |Ks | ds = 0 0s = 0 et 0
Rappel :
2

∂f
df (Yt , t) = (Yt , t) Ht dWt
∂Y 
∂f ∂f 1 ∂ 2f 2
+ (Yt , t) Kt + (Yt , t) + (Yt , t) Ht dt.
∂Y ∂t 2 ∂Y 2

6
dXt = df (Xt , t)
 
1
= σe−at eat dWt + σe−at 0 + a (b − f (Yt , t)) + 0 (eas )2 dt
2
= σ dWt + a (b − f (Yt , t)) dt
= σ dWt + a (b − Xt ) dt. 

c) En discrétisant le temps, nous obtenons


 
(∆t) (∆t) (∆t) ∆t + σ(W
 t+∆
Xt+∆t = Xt + a b − Xt t − Wt ).

N (0,∆t)
Chacune des simulations comporte deux graphes. Le premier montre les deux trajectoires
obtenues. Le deuxième montre ces deux mêmes trajectoires sur une échelle de −5 à 5, pour
nous permettre de mieux comparer chacun des cas.

Première simulation de trajectoires : a = 1, b = 1, σ = 1, ∆t = 0, 01 et X0 = 1.

2 ,5

1 ,5

0 ,5

0
0 1 2 3 4 5 6 7 8 9 10
-0 ,5

-1

-1 ,5

te mps

-1 0 1 2 3 4 5 6 7 8 9 10

-2

-3

-4

-5

te mp s

7
Deuxième simulation de trajectoires : a = −1, b = 1, σ = 1, ∆t = 0, 01 et X0 = 1.

2000
1500

1000
500
0

-500 0 1 2 3 4 5 6 7 8 9 10

-1 0 0 0

-1 5 0 0
-2 0 0 0
-2 5 0 0

-3 0 0 0
-3 5 0 0

te mp s

0
0 1 2 3 4 5 6 7 8 9 10
-1

-2

-3

-4

-5

te mps

Troisième simulation de trajectoires : a = 1, b = 1, σ = 0, 1, ∆t = 0, 01 et X0 = 1.

1,4

1,2

0,8

0,6

0,4

0,2

0
0 1 2 3 4 5 6 7 8 9 10

te mps

-1 0 1 2 3 4 5 6 7 8 9 10

-2

-3

-4

-5

te mp s

8
Quatrième simulation de trajectoires : a = 1, b = 2, σ = 0, 3, ∆t = 0, 01 et X0 = 1.

2,5

1,5

0,5

0
0 1 2 3 4 5 6 7 8 9 10

te mps

0
0 1 2 3 4 5 6 7 8 9 10
-1

-2

-3

-4

-5

te mps

3 Exercice 11.3
Le terme de dérive 12 −Xt force un retour vers la valeur 12 . En effet, si Xt > 12 , alors 12 −Xt < 0
donnant une poussée à la baisse au processus X. Au contraire, si Xt < 12 , alors 12 − Xt > 0
donnant une poussée à la hausse au processus X. Si Xt = 12 , le terme de dérive est nul et
c’est le terme de diffusion qui aura un impact sur le comportement de X.
Le terme de diffusion Xt (1 − Xt) atteint sa valeur maximale lorsque Xt = 12 . Il sera
nul lorsque Xt = 0 ou 1. Si Xt = 0, le terme de diffusion est nul et le terme de dérive sera
positif, ce qui implique que Xt+ε sera strictement positif. Si Xt = 1, le terme de diffusion
est nul et le terme de dérive sera négatif, ce qui implique que Xt+ε sera strictement inférieur
à 1.

9
4 Exercice 11.4

Posons f (w1, w2) = w12 + w22 .
∂f w1 w1
(w1 , w2 ) = 2 2 = ;
∂w1 w1 + w2 f (w1 , w2)
∂f w2 w2
(w1 , w2 ) = 2 = ;
∂w2 w1 + w22 f (w1 , w2)
∂2f w22 w22
∂w12
(w1 , w2 ) =   3 (f (w , w ))3 ;
=
w12 + w22 1 2
∂2f w12 w12
∂w22
(w1 , w2 ) =   3 (f (w , w ))3 ;
=
w12 + w22 1 2
∂2f w1w2
et (w1 , w2 ) = −  3 .
∂w1∂w2
w12 + w22

Alors
 
(1) (2)
dBt = df Wt , Wt
(1) (2)
 dWt(1) +   dWt(2)
Wt Wt
= 
(1)
f Wt , Wt
(2) (1)
f Wt , Wt
(2)

(2) 2 
(1) 2
1 W t
(1) 1 W t
(2)
+   3 d W +   3 d W
2
f W ,W
(1) (2) t 2
f W ,W
(1) (2) t
t t t t
(1) (2)

W Wt
−  t (1) (2)
3 d W ; Wt
(1) (2)
f Wt , Wt
t

 2  2
(1) (2) (1) + Wt
(2)
1 Wt
 dWt(1) +   dWt(2) +  
Wt Wt
= 
(1) (2) 3
dt
(1) (2)
f Wt , Wt
(1) (2)
f Wt , Wt 2
f Wt , Wt
(1) (2)
=
Wt (1) W
dWt + t dWt +
(2) 1 Bt2 dt
Bt Bt 2 Bt3
(1) (2)
=
Wt
dW +
(1) Wt (2) 1 1 dt.
dW +
t t
Bt Bt 2 Bt

10