Académique Documents
Professionnel Documents
Culture Documents
Martingales
Les martingales sont les objets de base en théorie du calcul stochastique. Ce chapitre, divisé
grosso modo en deux parties, est une introduction succincte à la théorie des martingales.
Dans la première partie du chapitre (sections 1–5), on résume les propriétés élémentaires
des martingales à temps discret, ou plutôt celles qui nous seront utiles par la suite. La
seconde partie est consacrée aux rudiments de la théorie des martingales à temps continu.
On étudie, en particulier, les différents modes de convergence pour les martingales à temps
continu, ainsi que le théorème d’arrêt.
1
2 Chapitre 1. Martingales
• X et Y des variables aléatoires à valeurs dans les espaces mesurables (E1 , E1 ) et (E2 , E2 )
respectivement, ϕ : E1 × E2 → R mesurable telle que E(|ϕ(X, Y )|) < ∞, Y G -mesurable,
X indépendante de G ⇒ E(ϕ(X, Y ) | G ) = h(Y ) p.s., où h(y) := E(ϕ(X, y)).
• Jensen, Fatou, convergence dominée, convergence monotone.
• E(ξ1 | G ) ≥ E(ξ2 | G ) p.s. ⇔ E(ξ1 1A ) ≥ E(ξ2 1A ) ∀A ∈ G . [Preuve : voir TD.]
Enfin, comme pour espérance mathématique, si ξ ≥ 0 est une variable aléatoire positive,
pas nécessairement intégrable, on peut définir E(ξ | G ) := limn→∞ ↑ E(ξ ∧ n | G ) ∈ [0, ∞],
où ξ ∧ n := min{ξ, n}.
Notation : Lorsque G = σ(Z) où Z est une variable aléatoire à valeurs dans un espace
mesurable quelconque, on écrit souvent E(ξ | Z) à la place de E(ξ | σ(Z)). Plus généralement,
si G = σ(Zi , i ∈ I) est la tribu engendrée par une famille quelconque de variables aléatoires,
on écrit E(ξ | Zi , i ∈ I) à la place de E(ξ | σ(Zi , i ∈ I)).
1. Filtrations et martingales
Soit (Ω, F , P) un espace de probabilité. Une filtration à temps discret (Fn )n≥0 sur cet
espace est une famille croissante de sous-tribus de F :
F0 ⊂ F1 ⊂ F2 ⊂ · · · ⊂ F .
Soit (Fn )n≥0 une filtration, et soit (Xn , n ≥ 0) un processus aléatoire. On dit que
(Xn , n ≥ 0) est adapté par rapport à (Fn ) si pour tout n, Xn est Fn -mesurable. [Lorsqu’il
y a pas de risque d’ambiguı̈té sur le choix de la filtration, on dit simplement que (Xn , n ≥ 0)
est adapté.] Dans l’exemple 1.1, le processus est adapté.
§1 Filtrations et martingales 3
Définition 1.2. On dit que (Mn ) est une martingale (resp. surmartingale ; sous-martingale)
à temps discret par rapport à la filtration (Fn ) si
(i) (Mn ) est adapté ;
(ii) ∀ n, E(|Mn |) < ∞ ;
(iii) ∀ n, E(Mn+1 | Fn ) = Mn , p.s. (resp., E(Mn+1 | Fn ) ≤ Mn ; E(Mn+1 | Fn ) ≥ Mn ).
Exemple 1.3. Soit (ξi )i≥0 une suite de variables aléatoires intégrables et indépendantes.
!
Soient Mn := ni=0 ξi et Fn := σ{ξi , 0 ≤ i ≤ n}.
Il est clair que (Mn ) est adapté, et est intégrable. De plus, E(Mn+1 | Fn ) = Mn + E(ξn+1 )
p.s. Donc (Mn ) est une martingale si E(ξn ) = 0, ∀n ≥ 1 ; une sous-martingale si E(ξn ) ≥ 0,
∀n ≥ 1 ; et une surmartingale si E(ξn ) ≤ 0, ∀n ≥ 1. !
Exemple 1.4. (Martingale fermée). Soit ξ une variable aléatoire réelle intégrable. Soit
Mn := E(ξ | Fn ). Alors (Mn ) est une martingale (appellée martingale fermée).
En effet, (Mn ) est adapté d’après la définition de l’espérance conditionnelle, ce qui donne
(i).
Pour tout n, |Mn | ≤ E( |ξ| | Fn) par l’inégalité de Jensen (version conditionnelle). Comme
E(|ξ| | Fn) est intégrable (par la définition de l’espérance conditionnelle), on en déduit que
Mn est également intégrable, ce qui donne (ii).
Enfin, on a E[Mn+1 | Fn ] = E[E(ξ | Fn+1) | Fn ], qui n’est autre que E[ξ | Fn ] (car Fn ⊂
Fn+1 ), c’est-à-dire Mn : d’où (iii). !
Remarque 1.6. Il est clair que (Mn ) est une sous-martingale si et seulement si (−Mn ) est
une surmartingale, et que (Mn ) est une martingale si et seulement si elle est à la fois une
sous-martingale et une surmartingale. !
Proposition 1.8. (i) Si (Mn ) et (Nn ) sont des martingales (resp. sous-martingales ; sur-
martingales), alors (Mn + Nn ) en est également une.
(ii) Si (Mn ) et (Nn ) sont des sous-martingales, alors (Mn ∨Nn ) est une sous-martingale.2
Preuve. Élémentaire. !
Proposition 1.9. Soit (Mn ) une martingale, et soit ϕ une fonction convexe. Si E(|ϕ(Mn )|) <
∞, ∀ n, alors (ϕ(Mn )) est une sous-martingale.
D’où la conclusion. !
Exemple 1.10. Soit p ≥ 1, et soit (Mn ) une martingale telle que E(|Mn |p ) < ∞. Alors
(|Mn |p ) est une sous-martingale.
Il suffit d’appliquer la proposition 1.9 à la fonction convexe ϕ(x) = |x|p . !
2. Théorème d’arrêt
Soit (Ω, F , (Fn ), P) un espace de probabilité filtré, et l’on note
F∞ := σ(Fn , n ≥ 0) ,
2
Notations : a ∨ b := max{a, b} et a ∧ b := min{a, b}.
§2 Théorème d’arrêt 5
Exemple 2.1. (Temps d’arrêt déterministes) Fixons un entier positif k ≥ 0. Posons T (ω) :=
k, ω ∈ Ω. Alors T est un temps d’arrêt.
Un autre exemple de temps d’arrêt déterministe est T (ω) := ∞, ω ∈ Ω. !
Exemple 2.2. (Temps d’atteinte) Soit (Xn ) un processus adapté par rapport à la filtration
(Fn ), à valeurs dans un espace mesurable (E, E ). Soit B ∈ E . Posons
TB := inf{n ≥ 0 : Xn ∈ B} ,
Exemple 2.3. (Temps de passages successifs) Soit (Xn ) un processus adapté par rapport
à la filtration (Fn ), à valeurs dans un espace mesurable (E, E ). Soit (Bk , k ≥ 0) une
suite d’éléments (pas nécessairement distincts) de E . On définit, par récurrence, la suite
(Tk , k ≥ 0) par T0 := 0 et pour k ≥ 1,
avec la convention inf ∅ := ∞. Alors (Tk , k ≥ 0) est une suite de temps d’arrêt. [Voir TD.]
!
Soit T un temps d’arrêt. La tribu FT des événements antérieurs à T , que l’on appellera
également (par un abus d’appellation) “tribu engendrée par le temps d’arrêt T ”, est définie
par
FT = {A ∈ F∞ : ∀ n, A ∩ {T = n} ∈ Fn }
= {A ∈ F∞ : ∀ n, A ∩ {T ≤ n} ∈ Fn }.
Théorème 2.6. Si T est un temps d’arrêt, et si (Mn ) est une sous-martingale, alors (MT ∧n )
est une sous-martingale.
Preuve. Comme |MT ∧n | ≤ |M0 | + |M1 | + · · · + |Mn |, MT ∧n est intégrable. Il est clair que
(MT ∧n ) est adapté, car MT ∧n est FT ∧n -mesurable, et cette dernière est une sous-tribu de
Fn . Enfin, puisque {T ≥ n + 1} = {T ≤ n}c ∈ Fn ,
# $ # $
E (MT ∧(n+1) − MT ∧n ) | Fn = E (Mn+1 − Mn )1{T ≥n+1} | Fn
# $
= 1{T ≥n+1} E (Mn+1 − Mn ) | Fn ≥ 0,
3
Notation : Pour ω ∈ {T < ∞}, XT (ω) := XT (ω) (ω).
§2 Théorème d’arrêt 7
Théorème 2.7. (Théorème d’arrêt) Soient S et T deux temps d’arrêt bornés tels que
S ≤ T , p.s. Si (Mn ) est une sous-martingale, alors
E(MT | FS ) ≥ MS , p.s.
Preuve. Supposons que S(ω) ≤ T (ω) ≤ k pour tout ω ∈ Ω. Alors |MT | ≤ |M0 | + |M1 | +
· · · + |Mk | qui est intégrable. Soit A ∈ FS . On a
k
%
E[MT 1A ] = E[MT ∧k 1A∩{S=n} ].
n=0
la dernière identité provenant du fait que MT ∧n = MS sur {S = n}. On a donc montré que
!
E[MT 1A ] ≥ kn=0 E[MS 1A∩{S=n} ] = E[MS 1A ]. !
Corollaire 2.8. Soit (Mn ) une sous-martingale. Si S ≤ T sont des temps d’arrêt bornés,
alors E(MS ) ≤ E(MT ). En particulier, pour tout temps d’arrêt borné T , on a E(MT ) ≥
E(M0 ).
Remarque 2.9. On utilise souvent la forme suivante du corollaire 2.8 : si (Mn ) est une sous-
martingale, et si T est un temps d’arrêt (quelconque), alors pour tout n ≥ 0, E(MT ∧n ) ≥
E(M0 ). !
Preuve. Exercice aux TD. Il est clair que la seconde inégalité est une conséquence de la
première et du théorème de convergence monotone. !
8 Chapitre 1. Martingales
3. Intégrabilité uniforme
La notion d’intégrabilité uniforme jouera un rôle crucial dans l’étude de convergence dans
1
L pour les martingales.
Soit (ξi , i ∈ I) une famille de variables aléatoires réelles, indexée par un ensemble I non
vide, définie sur (Ω, F , P). Attention : On ne suppose pas que I soit dénombrable.
Définition 3.1. On dit que (ξi , i ∈ I) est uniformément intégrable (ou : équi-intégrable) si
Exemple 3.2. Soit η une variable aléatoire réelle intégrable. Alors η est uniformément
intégrable.
En effet, E[ |η| 1{|η|>a} ] → 0 (quand a → ∞) par convergence dominée. !
Exemple 3.3. Soient (ξi , i ∈ I) et (ηi , i ∈ I) des familles de variables aléatoires réelles
telle que |ξi | ≤ ηi , ∀i ∈ I. Si, (ηi , i ∈ I) est uniformément intégrable, alors (ξi , i ∈ I) l’est
également.
En particulier, si |ξi | ≤ η, ∀i ∈ I, où η est intégrable. Alors (ξi , i ∈ I) est uniformément
intégrable. !
Exemple 3.4. Soit (ξi , i ∈ I) une famille de variables aléatoires réelles uniformément
intégrable, alors (ξi+ , i ∈ I) l’est également.
En effet, |ξi+ | ≤ |ξi |, ∀i ∈ I. !
Théorème 3.5. Une famille de variables aléatoires réelles (ξi , i ∈ I) est uniformément
intégrable si et seulement si les deux conditions suivantes sont satisfaites :
(i) supi∈I E[ |ξi | ] < ∞ ;
(ii) ∀ ε > 0, ∃ δ > 0 tel que A ∈ F , P(A) ≤ δ ⇒ supi∈I E[ |ξi | 1A ] ≤ ε.
Exemple 3.6. Si (ξi , i ∈ I) et (ηi , i ∈ I) sont deux familles de variables aléatoires uni-
formément intégrables. Alors (ξi + ηi , i ∈ I) est aussi uniformément intégrable.
Il suffit d’appliquer le théorème 3.5. [On peut aussi directement prouver le résultat en
utilisant seulement la définition.] !
Théorème 4.2. Si (Mn ) est une surmartingale positive, alors M∞ := limn→∞ Mn existe
p.s., et E(M∞ ) ≤ E(M0 ).
Preuve. L’existence de M∞ provient du fait que (−Mn ) est une sous-martingale telle que
(−Mn )+ = 0 et donc supn E[(−Mn )+ ] < ∞. Puisque E(Mn ) ≤ E(M0 ), le lemme de Fatou
nous dit que E(M∞ ) ≤ lim inf n E(Mn ) ≤ E(M0 ). !
Preuve. L’intégrabilité uniforme implique que supn E(|Mn |) < ∞. Par le théorème 4.1,
Mn → M∞ p.s., qui est intégrable. La convergence dans L1 , quant à elle, est une conséquence
de converge p.s. et de l’intégrabilité uniforme (et n’a rien à voir avec les martingales).
Par la proposition 1.7, si m > n et A ∈ Fn , alors E(Mm 1A ) ≥ E(Mn 1A ). En faisant
m → ∞, et vu la convergence dans L1 , on a E(Mm 1A ) → E(M∞ 1A ). Donc E(Mn 1A ) ≤
E(M∞ 1A ) pour tout A ∈ Fn . Autrement dit, Mn ≤ E(M∞ | Fn ), p.s. !
10 Chapitre 1. Martingales
Exemple 4.4. Soit (Mn ) une sous-martingale. Alors elle converge dans L1 si et seulement
si elle est uniformément intégrable.
“⇒” C’est une conséquence du théorème 3.7 (cela n’a rien à voir avec les martingales).
“⇐” C’est une conséquence du théorème 4.3. !
Théorème 4.5. Soit (Mn ) une sous-martingale uniformément intégrable. Alors pour tout
temps d’arrêt T , (MT ∧n ) est une sous-martingale uniformément intégrable.
Corollaire 4.6. Soit (Mn ) une sous-martingale uniformément intégrable. Si T est un temps
d’arrêt, alors E(MT ) ≥ E(M0 ).
Preuve. Soit n ≥ 1. Alors T ∧ n est un temps d’arrêt borné. D’après le corollaire 2.8,
E(MT ∧n ) ≥ E(M0 ). Il suffit alors de constater que MT ∧n → MT p.s., et d’appliquer les
théorème 4.5 et 3.7. [En particulier, MT est intégrable.] !
Exemple 4.7. Soit (Mn ) une sous-martingale uniformément intégrable. Si T est un temps
d’arrêt, alors
E(M0 ) ≤ E(MT ) ≤ E(M∞ ),
où M∞ est la limite p.s. et dans L1 de Mn quand n → ∞.
En effet, par le théorème 2.7 (théorème d’arrêt, version pour les temps d’arrêt bornés),
E(M0 ) ≤ E(MT ∧n ) ≤ E(Mn ). On fait n → ∞. Par les théorèmes 4.5 et 4.3, Mn → M∞ dans
L1 et MT ∧n → MT dans L1 . D’où la conclusion cherchée. !
Théorème 4.8. (Théorème d’arrêt). Soit (Mn ) une sous-martingale uniformément in-
tégrable. Alors pour tous temps d’arrêt S ≤ T , on a
E(MT | FS ) ≥ MS , p.s.
Preuve. D’après l’inégalité de Doob, supn |Mn | ∈ L2 , et est a fortiori intégrable. D’après le
théorème 4.3, on a convergence p.s. et Mn = E(M∞ | Fn ) p.s.
Puisque |Mn − M∞ |2 ≤ (2 supn |Mn |)2 p.s., le théorème de convergence dominée implique
que E(|Mn − M∞ |2 ) → 0. !
5. Décomposition de Doob
Soit (Ω, F , (Fn ), P) un espace de probabilité filtré.
Définition 5.1. Une famille (Yn , n ≥ 1) de variables aléatoires est dite prévisible si pour
tout n ≥ 1, Yn est Fn−1 -mesurable.
Une martingale (Xn ) est dite de carré intégrable si E[Xn2 ] < ∞ pour tout n. Dans
ce cas, (Xn2 ) est une sous-martingale. Soit Xn2 = Mn + An sa décomposition de Doob. La
preuve du théorème précédent nous dit par ailleurs que
% n ( ) % n
2 2
An = E[Xi | Fi−1 ] − Xi−1 = E[(Xi − Xi−1 )2 | Fi−1 ].
i=1 i=1
Définition 6.1. Un processus (Xt , t ≥ 0) est dit adapté (par rapport à la filtration (Ft ))
si ∀ t ≥ 0, Xt est Ft -mesurable.
On définit
F∞ := σ(Ft , t ≥ 0) .
FT := {A ∈ F∞ : ∀ t ≥ 0, A ∩ {T ≤ t} ∈ Ft }.
On peut facilement vérifier que si T = t (temps d’arrêt déterministe), alors FT vaut bien
Ft .
%∞
k
Tn := 1 k−1 k + (+∞) 1{T =∞},
k=0
2n { 2n <T ≤ 2n }
Définition 7.1. On dit que (Mt , t ≥ 0) est une martingale [resp. surmartingale ; sous-
martingale] si
(i) (Mt ) est adapté;
(ii) ∀ t ≥ 0, E(|Mt |) < ∞;
(iii) ∀ s < t, E(Mt | Fs ) = Ms , p.s. [resp., ≤ Ms ; ≥ Ms ].
Il est facile de voir que la plupart de propriétés élémentaires des martingales à temps
discret sont encore valables pour les martingales à temps continu. Par exemple, si (Mt ) est
une martingale et si f est une fonction convexe telle que E(|f (Mt )|) < ∞, ∀ t, alors (f (Mt ))
est une sous-martingale.
14 Chapitre 1. Martingales
Théorème 7.2. (Inégalité de Doob) Soit (Mt , t ≥ 0) une martingale continue à droite4 .
Alors pour tout t > 0, & '
E sup Ms ≤ 4E(Mt2 ).
2
s∈[0,t]
Preuve. Soit D ⊂ R+ dénombrable et dense. Soient 0 = t0 < t1 < t2 < · · · < tk = t. Alors
Nn := Mtn∧k est une martingale à temps discret. Par l’inégalité de Doob pour les martingales
à temps discret, on a E(max1≤i≤k Mt2i ) ≤ 4E(Mt2 ). Par convergence monotone, ceci implique
que, si D est un sous-ensemble dénombrable de R+ , alors E(sups∈[0,t]∩D Ms2 ) ≤ 4E(Mt2 ). La
continuité à droite des trajectoires de (Ms ) (c’est-à-dire, des fonctions aléatoires s -→ Ms )
confirme alors que sups∈[0,t]∩D Ms2 = sups∈[0,t] Ms2 p.s. si t ∈ D et si D ⊂ R+ est dense. !
Théorème 8.2. Soit (Mt , t ≥ 0) une sous-martingale continue à droite. Si supt≥0 E(Mt+ ) <
∞, alors M∞ := limt→∞ Mt existe p.s., et E(|M∞ |) < ∞.
Théorème 8.3. Si (Mt , t ≥ 0) est une surmartingale positive et continue à droite, alors
M∞ := limt→∞ Mt existe p.s., et E(M∞ ) ≤ E(M0 ).
Théorème 8.5. Si (Mt , t ≥ 0) est une martingale continue à droite telle que
E(MT | FS ) ≥ MS , p.s.
Théorème 8.7. Soit (Mt ) une sous-martingale continue à droite et uniformément intégrable.
Soient S ≤ T des temps d’arrêt. Alors
E(MT | FS ) ≥ MS , p.s.