Stat F 508

Modèles financiers en temps continu
G. Deelstra
ULB
Sommaire
Introduction 1
1 Calcul Stochastique 1
1.1 Martingales en temps continu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1 Equi-intégrabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.2 Les résultats de Doob en temps continu . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Le mouvement brownien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.1 Définitions: Mouvement brownien et processus gaussiens . . . . . . . . . . . . 5
1.2.2 Des martingales classiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Intégration d’Itô . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3.1 Définition d’une intégrale d’Itô: les deux premiers pas . . . . . . . . . . . . . . 7
1.3.2 Le troisième pas: l’Intégrale d’Itô comme processus . . . . . . . . . . . . . . . 11
1.3.3 Le signe d’intégrale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3.4 Interprétation trajectoire par trajectoire de l’ intégrale d’Itô . . . . . . . . . . . . 13
1.4 Localisation et l’intégrale d’Itô . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4.1 L’intégrale d’Itô sur L2LOC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4.2 Martingales locales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.4.3 Représentation de Riemann . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.5 Formule d’Itô . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.5.1 Le cas le plus simple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.5.2 La formule d’Itô générale unidimensionnelle . . . . . . . . . . . . . . . . . . . 25
1.5.3 Formule d’Itô multidimensionnelle . . . . . . . . . . . . . . . . . . . . . . . . 27
i
1.6 Equations différentielles stochastiques (EDS) . . . . . . . . . . . . . . . . . . . . . . . 30
1.6.1 Existence et Unicité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
1.7 Lemme de Feynman-Kac . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
1.7.1 Cas de l’équation aux dérivées partielles de Black and Scholes généralisée . . . . 31
1.8 Théorème de Girsanov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
1.8.1 La condition de Novikov et martingales exponentielles . . . . . . . . . . . . . . 34
1.8.2 Théorème de Girsanov unidimensionnel . . . . . . . . . . . . . . . . . . . . . . 34
1.8.3 La règle de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
1.8.4 Théorème de Girsanov multidimensionnel . . . . . . . . . . . . . . . . . . . . . 37
1.9 Les théorèmes de représentation comme martingale . . . . . . . . . . . . . . . . . . . . 38
1.9.1 Théorèmes pour martingales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
1.9.2 Théorèmes pour des martingales locales. . . . . . . . . . . . . . . . . . . . . . 38
2 Modèles en temps continu: Formules de Black et Scholes 39

2.1 Calcul stochastique. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.1.1 Le mouvement brownien et l’intégrale stochastique . . . . . . . . . . . . . . . . 39
2.1.2 Processus d’Itô et quelques remarques . . . . . . . . . . . . . . . . . . . . . . . 41
2.2 Arbitrage et valorisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.2.1 Stratégie de financement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.2.2 Arbitrage et mesure martingale . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.2.3 Valorisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.3 Formule de Black et Scholes: cas unidimensionnel . . . . . . . . . . . . . . . . . . . . 47
2.3.1 Le modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.3.2 Equations aux dérivées partielles (EDP) de Black et Scholes . . . . . . . . . . . 49
2.3.3 Probabilité risque-neutre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
2.3.4 Calcul explicite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
2.3.5 Commentaires sur la formule de Black et Scholes . . . . . . . . . . . . . . . . . 56
2.3.6 Applications : Autres options dans le modèle de Black et Scholes. . . . . . . . . 61
2.4 Extensions de la formule de Black et Scholes . . . . . . . . . . . . . . . . . . . . . . . 65
2.4.1 Stratégies de financement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
2.4.2 Les variables d’état . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
2.4.3 EDP de Black et Scholes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
2.4.4 Probabilité risque-neutre. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
ii
3 Options exotiques 72
3.1 Les options à barrières . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
3.1.1 Prix de la compensation F en cas de franchissement de la barrière du haut H,

payé à la date d’échéance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
3.1.2 Valeur de la compensation payé au moment du franchissement . . . . . . . . . . 79
3.1.3 Valeur d’une down-and-in call. . . . . . . . . . . . . . . . . . . . . . . . . . . 81
3.2 Autres options. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
3.2.1 Options liées au temps d’atteinte d’une barrière. . . . . . . . . . . . . . . . . . . 86
3.2.2 Les options avec temps d’occupation. . . . . . . . . . . . . . . . . . . . . . . . 87

3.2.3 Autres produits. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
3.2.4 Produits dépendant d’une date intermédiaire. . . . . . . . . . . . . . . . . . . . 90
4 Généralités de modèles de taux d’intérêt stochastiques 92

4.1 Généralités des modèles en temps continu. . . . . . . . . . . . . . . . . . . . . . . . . . 92
4.1.1 Définitions. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
4.1.2 Changement de numéraire. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
4.1.3 Valorisation d’une option sur obligation à coupons . . . . . . . . . . . . . . . . 100
4.1.4 Valorisation d’une option sur zéro-coupon . . . . . . . . . . . . . . . . . . . . . 101
4.2 Le taux spot connu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
4.2.1 EDP de l’évolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
4.2.2 Le modèle de Vasicek (1977). . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
5 Le modèle de Heath, Jarrow, Morton. 114

5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
5.2 Les mouvements de la structure des taux sous P . . . . . . . . . . . . . . . . . . . . . . 114
5.3 Le modèle sous la probabilité Q. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
5.4 Evaluation des actifs contingents. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
5.4.1 Introduction. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
5.4.2 Principes d’évaluation sous Q. . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
iii
5.4.3 Des probabilités forward-neutres. . . . . . . . . . . . . . . . . . . . . . . . . . 125
5.4.4 Le modèle sous une probabilité forward-neutre. . . . . . . . . . . . . . . . . . . 125
5.5 Quelques exemples de valorisation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
5.5.1 Options européennes sur zéro-coupon. . . . . . . . . . . . . . . . . . . . . . . . 127
5.5.2 Options sur obligation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
5.5.3 Contrat forward et future. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
5.5.4 Valorisation des swaps. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
5.6 Swaps / Caps / Floors / Swaptions / Captions sur LIBOR+ Modèles de Marchés. . . . . . 135
5.7 Dérivées de taux d’échanges. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
Références 152
iv
Chapitre 1
Calcul Stochastique
1.1 Martingales en temps continu
1.1.1 Equi-intégrabilité
Définition 1.1.1 Une collection C des variables aléatoires est équi-intégrable si

ρ (x) = supIE |Z| 1(|Z|>x) → 0 pour x → ∞.
Z∈C
Lemme 1.1.1 [Equi-intégrabilité et convergence en L1 ] Soit (Zn )n une suite équi-intégrable telle que
p.s.
Zn → Z, alors
IE [|Zn − Z|] → 0 pour n → ∞.
Démonstration

(*)IE [|Z|] = IE |Z| 1(|Z|≤x) + IE |Z| 1(|Z|>x) ≤ x + lim inf IE |Zn | 1(|Zn |>x) ≤ x + ρ (x)
=⇒ Z ∈ L1 .
(*) |Zn − Z| ≤ |Zn − Z| 1(|Zn |≤x) + |Zn | 1(|Zn |>x) + |Z| 1(|Zn |>x).
Nous prenons l’espérance et étudions les trois termes dans le membre à droite:
(1) |Zn − Z| 1(|Zn |≤x) ≤ |Z| + x =⇒ L1 -intégrable.
Par le Théorème de la Convergence Dominée (TCD), nous trouvons que:
1
h i
lim IE |Zn − Z| 1(|Zn |≤x) = IE lim |Zn − Z| 1(|Zn |≤x) = 0.
n→∞ n→∞

(2) IE |Zn | 1(|Zn |>x) ≤ ρ (x) .

(3) IE |Z| 1(|Zn |>x) ≤ IE [|Z|] .
Par le Théorème de la Convergence Dominée (TCD), nous trouvons que:

lim IE |Z| 1(|Zn |>x) ≤ ρ (x) .
n→∞
En conclusion de (1), (2) et (3):
IE [|Zn − Z|] → 0.

Lemme 1.1.2 [Equi-intégrabilité et espérance conditionelle]

p.s.
Soit Zn → Z et soit (Zn )n équi-intégrable. Alors
L1
IE [Zn |G ] −→ IE [Z |G ] .
IP
Démonstration
IE [|IE [Zn |G ] − IE [Z |G ]|] ≤ IE [IE [|Zn − Z| |G ]] = IE [|Zn − Z|] → 0.

Conditions d’équi-intégrabilité
Lemme 1.1.3 [Lemme de la Vallée Poussin]

φ(x)
Soit x → ∞ pour x → ∞.
Soit C une collection de variables aléatoires telles que
IE [φ (|Z|)] ≤ B < ∞ ∀Z ∈ C
Alors C est équi-intégrable.
2
Démonstration
φ(y)
Supposons x tel que y > 0 pour tout y ≥ x. Alors,
h i
|Z| n B
IE |Z| 1|Z|>x = IE φ (|Z|) φ(|Z|) 1(|Z|>x) ≤ φ(y)
o → 0 pour x → ∞.
min y
,y>x
1.1.2 Les résultats de Doob en temps continu
Un processus continu est tel que t → Xt (ω) est continu pour tout ω ∈ Ω0 ⊂ Ω avec P [Ω0 ] = 1.
Définition 1.1.2 [Martingale en temps continu] Un processus (Mt )t≥0 (t ∈ IR) est une martingale
par rapport à une filtration {Ft }t si pour tout t
1) Mt est Ft -mesurable
2) Mt est intégrable (donc IE [|Mt |] < ∞)
3) IE [Mt |Fs ] = Ms pour tout s < t.
Définition 1.1.3 [Temps d’arrêt en temps continu] Une variable aléatoire τ à valeurs dans IR+ ∪ {∞}
est un temps d’arrêt par rapport à la filtration {Ft }t si {τ ≤ t} ∈ Ft pour tout t ≥ 0.
Définition 1.1.4 [Processus arrêté] Soit (Yt )t un processus adapté à la filtration {Ft }t et soit τ un
temps d’arrêt.
Le processus arrêté à l’instant τ , notée par (Ytτ )t ou (Yt∧τ )t est définie par
Ytτ (ω) = Yt∧τ (ω) (ω) ∀t.
Définition 1.1.5 Une filtration {Ft } est dite de satisfaire aux conditions usuelles si
(
F0 contient tous les ensembles de probabilité 0
∀t ≥ 0 Ft = ∩ Fs (continu à droite).
s>t
Dans la suite, nous supposons toujours que la filtration satisfait aux conditions usuelles
3
Théorème 1.1.1 [Théorème du temps d’arrêt de Doob en temps continu, Doob’s continuous time
stopping theorem]
Soit (Mt )t une martingale continue par rapport à la filtration {Ft }.
Soit τ un temps d’arrêt par rapport à {Ft } .
Alors le processus Xt = Mt∧τ est une martingale continue par rapport à {Ft } .
Théorème 1.1.2 (Inégalités maximales de Doob en temps continu) .

Soit (Mt )t une sous-martingale continue non-négative et λ > 0.
Alors pour tout p ≥ 1, on a
!
λp IP ≤ IE MTp

sup Mt > λ (1.1)
{t:0≤t≤T }
et, si MT ∈ Lp (dIP ) pour un p > 1, alors

p
sup Mt ≤ kMT kp . (1.2)

{t:0≤t≤T } p−1
p
4
1.2 Le mouvement brownien
1.2.1 Définitions: Mouvement brownien et processus gaussiens
Définition 1.2.1 (Mouvement brownien) Un processus stochastique {Bt : 0 ≤ t < T } en temps con-
tinu est un mouvement brownien standard sur [0, T ) si
(1) B0 = 0.
(2) Les accroissements de Bt sont indépendants, c’est-à-dire que pour tout ensemble fini de dates
0 ≤ t1 < t2 < ... < tn < T, les variables aléatoires
Bt2 − Bt1 , Bt3 − Bt2 , ..., Btn − Btn−1
sont indépendantes.
(3) Pour tout 0 ≤ s < t ≤ T , les accroissements Bt − Bs ont une loi gaussienne de moyenne 0 et
variance t − s.
(4) Bt (ω) est une fonction continue de t pour presque tout ω.
Définition 1.2.2 (Processus gaussiens) Si un processus stochastique {Xt : 0 ≤ t < ∞} a la propriété

que le vecteur (Xt1 , Xt2 , ..., Xtn ) a une distribution gaussienne multivariée pour toute suite finie 0 ≤
t1 < t2 < ... < tn , alors {Xt } est un processus gaussien.
Exemple
mouvement brownien.
Remarque 1.2.1 Calculons la fonction de covariance d’un mouvement brownien. Pour tout s ≤ t :
cov (Bs , Bt ) = IE [(Bt − Bs + Bs ) Bs ] = IE Bs2 = s

=⇒ cov (Bs , Bt ) = min (s, t) 0 ≤ s, t < ∞.
Lemme 1.2.1 Soit {Xt : 0 ≤ t ≤ T } un processus gaussien avec IE [Xt ] = 0 pour tout 0 ≤ t ≤ T et
soit cov (Xs , Xt ) = min (s, t) pour tout 0 ≤ s, t ≤ T , alors le processus {Xt } a des accroissements
indépendants.
De plus, si le processus a des trajectoires continues et X0 = 0, alors {Xt }t est un mouvement brownien
standard sur [0, T ] .
5
1.2.2 Des martingales classiques
Théorème 1.2.1
1) (Bt )t
2) Bt2 − t

t
3) exp αBt − α2 t/2 t

sont des martingales classiques par rapport à la filtration brownienne {Ft }t , qui est la famille de sous-
tribus σ (Bs , s ≤ t) complétée par adjonction des ensembles négligeables.
Démonstration
1) Bt Ft -mesurable,
IE Bt2 = t < ∞,

IE [Bt − Bs |Fs ] = 0 parce que IE [Bt − Bs ] = 0.
2) Bt2 − t Ft -mesurable,

IE Bt2 − t ≤ IE[Bt2 ] + t = 2t,

h i
IE Bt2 − t |Fs = IE (Bt − Bs )2 − Bs2 + 2Bt Bs − t |Fs

h i
= IE (Bt−s )2 |Fs − t − Bs2 + 2Bs2
= t − s − t + Bs2 .
3) IE exp αBt − α2 t/2 |Fs

h 2
i 2

= IE exp α (Bt − Bs ) − α2 (t − s) |Fs exp αBs − α2 s
2 2

= IE [exp (αBt−s )] exp − α2 (t − s) exp αBs − α2 s
2

= exp αBs − α2 s .
6
1.3 Intégration d’Itô
1.3.1 Définition d’une intégrale d’Itô: les deux premiers pas
Notations
β [0, T ] = Borel sets de [0, T ]

= la plus petite tribu qui contient tous les sous-ensembles ouverts de [0, T ] .
{Ft }t la filtration brownienne standard.

∀t Ft ⊗ β = la plus petite tribu contenant les ensembles produit A × B où A ∈ Ft et B ∈ β.
On dit que f (., .) est mesurable si f (., .) est FT ⊗ β-mesurable.
On dit que f (., .) est adapté si f (., t) ∈ Ft , ∀t ∈ (0, T ).
But de la section
Le but est de définir:
RT
I (f ) (ω) = 0 f (ω, t) dBt .
Nous allons d’abord nous concentrer sur des intégrands de la classe H 2 = H 2 [0, T ] avec
n hR i o
T
H 2 [0, T ] = f fonctions mesurables adaptées telles que IE 0 f 2 (ω, t) dt < ∞ .
H 2 est un sous-espace fermé linéaire de L2 (dIP × dt) .
Si f = 1(a,b] avec (a, b] ⊂ [0, T ], alors l’intégrale est définie par:
Z b
I (f ) (ω) = dBt = Bb − Ba . (1.3)
a
Parce qu’on veut que l’intégrale soit linéaire pour la classe H02 ⊂ H 2 avec
 n−1

P
fonctions mesurables adaptées telles que f (ω, t) = ai (ω) 1(ti <t≤ti+1 )
 
H02 = 2 i=0 , (1.4)
avec ai ∈ Fti , IE ai < ∞ et 0 = t0 < t1 < ... < tn−1 < tn = T
 
7
on introduit la définition suivante: ∀f ∈ H02 :
n−1
X
I (f ) (ω) = ai (ω) Bti+1 − Bti . (1.5)
i=0
Nous allons maintenant étendre la définition pour toutes les fonctions de H 2 .

Pour cette extension, on va d’abord démontrer que I : H02 −→ L2 (dIP ) est une application continue.
Lemme 1.3.1 (L’isométrie d’Ito sur H02 ) ∀f ∈ H02 , nous avons
kI (f )kL2 (dIP ) = kf kL2 (dIP ×dt) .
Démonstration
On calcule d’abord kf k2L2 (dIP ×dt) .
Pour f de la forme (1.4), c’est-à-dire
n−1
P
f (ω, t) = ai 1(ti <t≤ti+1 )
i=0
avec ai ∈ Fti , IE a2i < ∞ et 0 = t0 < t1 < ... < tn = T ,

on a que
n−1
f 2 (ω, t) = a2i (ω) 1(ti <t≤ti+1 )
P
i=0
de telle sorte que
hR i n−1
T
f 2 (ω, t) dt =
P 2
IE 0 IE ai (ti+1 − ti ) .
i=0
Calculons maintenant kI (f )k2L2 (dIP ) :
" 2 # n−1 h
h i n−1 2 i
IE I (f )2 = IE IE a2i Bti+1 − Bti
P P
ai (ω) Bti+1 − Bti =
i=0 i=0
8
parce que les produits doubles ont une espérance nulle.
Ensuite, puisque Bti+1 − Bti est indépendant de ai ∈ Fti , nous concluons que
h i n−1
IE I (f )2 =
P 2
IE ai (ti+1 − ti ) .
i=0
Lemme 1.3.2 (H02 est dense en H 2 ) Pour toute fonction f ∈ H 2 , il existe une suite {fn } avec fn ∈ H02
telle que
kf − fn kL2 (dIP ×dt) −→ 0 pour n −→ ∞.
Conséquences
Pour tout f ∈ H 2 , il existe une suite {fn } ⊂ H02 telle que fn converge vers f dans L2 (dIP × dt) .
Pour tout n, les intégrales I (fn ) sont des éléments bien-définis dans L2 (dIP ) donnés par (1.5).
L’idée est de définir I (f ) comme la limite de la suite I (fn )n dans L2 (dIP )
I (f ) = lim (I (fn ))
n→∞
où I (f ) ∈ L2 (dIP ) et la convergence est telle que
kI (f ) − I (fn )kL2 (dIP ) → 0.
Nous allons maintenant vérifier si ceci est une bonne définition:
* kf − fn kL2 (dIP ×dt) → 0 implique que (I (fn ))n converge dans L2 (dIP ) :
En effet, d’abord la convergence de f − fn à 0 dans L2 (dIP × dt) nous dit que {fn } est une suite de
Cauchy dans L2 (dIP × dt) . Après, l’isométrie d’Itô nous dit que {I (fn )} est une suite de Cauchy dans
L2 (dIP ) .
Parce que L2 (dIP ) est un espace métrique complet, la suite de Cauchy (I (fn ))n converge vers un
élément de L2 (dIP ), que nous notons I(f ).
* Est-ce qu’I est bien définie dans le sens que: si (fn0 )n est une autre suite telle que
9
kf − fn0 kL2 (dIP ×dt) → 0,
est-ce qu’I (fn0 ) possède alors la même limite dans L2 (dIP ) que I (fn )?
La réponse est oui parce que kfn − fn0 kL2 (dIP ×dt) → 0 grâce à l’inégalité triangulaire, et l’isométrie
d’Itô implique que
kI (fn ) − I (fn0 )kL2 (dIP ) → 0.
Théorème 1.3.1 (Isométrie d’Itô sur H 2 [0, T ]) Pour f ∈ H 2 [0, T ], on a que
kI (f )kL2 (dIP ) = kf kL2 (dIP ×dt) .
Démonstration
D’abord, on choisit (fn )n ∈ H02 telles que
kfn − f kL2 (dIP ×dt) → 0 pour n → ∞.
L’inégalité triangulaire pour la norme de L2 (dIP × dt) nous dit que
kfn kL2 (dIP ×dt) → kf kL2 (dIP ×dt) .
L2 (dIP )
De façon analogue, puisque (I (fn ))n −→ I (f ), l’inégalité triangulaire implique que
kI (fn )kL2 (dIP ) → kI (f )kL2 (dIP ) .
Mais on sait que sur H02 :
kI (fn )kL2 (dIP ) = kfn kL2 (dIP ×dt) ,
donc l’unicité de la limite complète la démonstration.

RT
Rappelons-nous la notation I(f ) = 0 f (ω, u)dBu .
10
1.3.2 Le troisième pas: l’Intégrale d’Itô comme processus
I : H 2 → L2 (dIP ) était intéressant et pratique mais on a en fait besoin d’une application qui envoie un
processus vers un processus.
On va introduire une variable de temps. On utilise pour ceci une fonction de troncature mt ∈ H 2 [0, T ]
défini par:


mt (ω, s) = 1 si s ∈ [0, t]
0 sinon.

Pour f ∈ H 2 [0, T ] , le produit mt f ∈ H 2 [0, T ] ∀t ∈ [0, T ], donc I (mt f ) est un élément bien-défini
de L2 (dIP ) .
Maintenant, on va construire la martingale continue Xt telle que ∀t ∈ [0, T ], on a
IP (Xt = I (mt f )) = 1.
Le processus {Xt , t ∈ [0, T ]} est la version de l’intégrale d’Itô comme processus.
Théorème 1.3.2 (Intégrales d’Itô comme martingales) Pour tout f ∈ H 2 [0, T ], il existe un processus
{Xt , t ∈ [0, T ]} qui est une martingale continue par rapport à la filtration brownienne standard (Ft )t
telle que l’événement
{ω : Xt (ω) = I (mt f ) (ω)}
a une probabilité 1 pour tout t ∈ [0, T ] .
1.3.3 Le signe d’intégrale
Pour tout f ∈ H 2 [0, T ] et si {Xt : 0 ≤ t ≤ T } est une martingale continue telle que
IP [Xt = I (mt f )] = 1 pour tout 0 ≤ t ≤ T ,
on écrit:
11
Rt
Xt (ω) = 0 f (ω, s) dBs ∀0≤t≤T
Rt
0 f (ω, s) dBs est une notation pour ce qui est bien défini dans le membre de gauche.
Mais la notation n’est pas mal choisie parce que
2 hR i
t t 2
H2
R
f∈ =⇒ IE 0 f (ω, s) dBs = IE 0 f (ω, s) ds ∀t ∈ [0, T ] .
Et en plus:
Proposition 1.3.1 Pour tout b ∈ H 2 et pour tout 0 ≤ s ≤ t, on a que

"Z 2 #
t Z t
2
IE b (ω, u) dBu |Fs = IE b (ω, u) du |Fs . (1.6)
s s
Démonstration
L’égalité (1.6) est équivalente à ∀A ∈ Fs :
2 h R i
Rt t
IE 1A s b (ω, u) dBu = IE 1A s b2 (ω, u) du .
Ceci est vrai par le Théorème 1.3.1 pour l’intégrand modifié:


∧ 
b (ω, u) = 0 u ∈ [0, s) ∪ (t, T ]
1A b (ω, u) u ∈ [s, t]

12
1.3.4 Interprétation trajectoire par trajectoire de l’ intégrale d’Itô
Théorème 1.3.3 (interprétation trajectoire par trajectoire de l’intégrale d’Itô sur H 2 ) Si f ∈ H 2

est bornée et si ν est un temps d’arrêt tel que f (ω, s) = 0 pour presque tout ω ∈ {ω : s ≤ ν},
alors
Rt
Xt (ω) = 0 f (ω, s) dBs = 0
pour presque tout ω ∈ {ω : t ≤ ν} .
Théorème 1.3.4 (Persistance de l’identité sur H 2 ) Si f et g ∈ H 2 et si ν est un temps d’arrêt tel que
f (ω, s) = g (ω, s) pour presque tout ω ∈ {ω : s ≤ ν},
alors les intégrales
Rt Rt
Xt (ω) = 0 f (ω, s) dBs et Yt (ω) = 0 g (ω, s) dBs
sont égales pour presque tout ω ∈ {ω : t ≤ ν} .
13
1.4 Localisation et l’intégrale d’Itô
Soit f : IR → IR une fonction continue, alors
RT
0 f (Bt ) dBt
devrait exister. Jusqu’à maintenant elle est définie pour des intégrands qui satisfont
hR i
T
IE 0 f 2 (Bt ) dt < ∞.
=⇒ On va encore élargir le domaine de l’intégrale stochastique en utilisant la méthode de localisation.
1.4.1 L’intégrale d’Itô sur L2LOC
L2LOC = L2LOC [0, T ] est la classe des fonctions mesurables, adaptées f : Ω × [0, T ] → IR telles que
hR i
T
IP 0 f 2 (ω, t) dt < ∞ = 1.
Donc, ∀g : IR → IR continue, on a que f (ω, t) = g (Bt ) ∈ L2LOC parce que la continuité du mouvement
brownien implique que ∀ω :
t 7−→ g (Bt (ω))
est une fonction bornée sur [0, T ] .
Définition 1.4.1 Une suite croissante de temps d’arrêt (νn )n est appelée une suite de localisation en
H 2 [0, T ] pour f pourvu que
fn (ω, t) = f (ω, t) 1(t≤νn ) ∈ H 2 [0, T ] ∀n
et que
h ∞ i
IP ∪ {ω, νn = T } = 1.
n=1
14
L’espace L2LOC est le domain naturel pour l’intégrale d’Itô parce que chaque f ∈ L2LOC a une suite de
localisation.
Proposition 1.4.1 (Localisation en L2LOC ) Pour tout f ∈ L2LOC [0, T ], la suite définie par
Rs
νn = inf s : 0 f 2 (ω, t) dt ≥ n ou s ≥ T

est une suite de localisation en H 2 [0, T ] pour f .
Démonstration
On a que
∞ n R
T
o
∪ {ω, νn = T } = ω : 0 f 2 (ω, t) dt < ∞
n=1
et pour f ∈ L2LOC :
h R i
T
IP ω : 0 f 2 (ω, t) dt < ∞ = 1.
De plus, par définition de νn , on a que
kfn k2L2 (dIP ×dt) ≤ n,
pour
fn (ω, t) = f (ω, t) 1(t≤νn )
donc fn ∈ H 2 ∀n.
“The L2LOC extension in a nutshell”

Pour chaque f ∈ L2LOC : ∃ {νn } une suite de localisation de f .
On prend gn (ω, s) = f (ω, s) 1(s≤νn (ω)) et ∀n, on prend pour {Xt,n } la martingale continue unique sur
[0, T ] qui est une version de l’intégrale d’Itô I (mt gn ) .
On définira l’intégrale d’Itô de f ∈ L2LOC [0, T ] comme le processus donné par la limite des pro-
cessus {Xt,n } pour n → ∞. En particulier, on démontre qu’il existe un processus continu unique
{Xt : 0 ≤ t ≤ T } tel que
15

IP Xt = lim Xt,n = 1 pour tout t ∈ [0, T ] .
n→∞
Rt
Pour f ∈ L2LOC on définit l’intégrale d’Itô, notée 0 f (ω, s) dBs , par cette limite X(t):
Rt
0 f (ω, s) dBs ≡ Xt (ω) ∀t ∈ [0, T ] .
Persistance de l’identité en L2LOC
Proposition 1.4.2 Soient f et g des éléments de L2LOC et soit ν un temps d’arrêt tel que f (ω, s) =
g (ω, s) pour tout ω ∈ {0 ≤ s ≤ ν} .
Alors, les intégrales
Rt Rt
Xt (ω) = 0 f (ω, s) dBs et Yt (ω) = 0 g (ω, s) dBs
sont égales pour presque tout ω ∈ {ω : t ≤ ν} .
16
1.4.2 Martingales locales.
Définition 1.4.2 (Martingale locale) Soit {Mt } un processus adapté à la filtration {Ft }t pour tout 0 ≤
t ≤ T. Alors {Mt , 0 ≤ t ≤ T } est appelé une martingale locale s’il existe une suite croissante {τk } de
temps d’arrêt telle que τk → T avec probabilité 1 pour k → ∞ et telle que ∀k, le processus défini par
(k)
Mt = Mt∧τk − M0 pour t ∈ [0, T ]
est une martingale par rapport à la filtration {Ft }0≤t≤T .
Proposition 1.4.3 (Les intégrales d’Itô sur L2LOC sont des martingales locales) ∀f ∈ L2LOC [0, T ], il
existe une martingale locale continue Xt telle que
Rt
IP Xt (ω) = 0 f (ω, s) dBs = 1.
En plus, on peut prendre pour la suite de localisation

n R o
t
τn (ω) = inf t : 0 f 2 (ω, s) ds ≥ n ou t ≥ T .
Démonstration
Ceci résulte de la construction de l’intégrale d’Itô en remarquant que fk (ω, s) = f (ω, s)1(s≤τk ) ∈ H 2 .

17
Proposition 1.4.4 (Doob’s optimal stopping time theorem) Soit Xt une martingale locale continue et
τ un temps d’arrêt. Alors Yt = Xt∧τ est une martingale locale continue.
Démonstration
Sans perte de généralité, nous pouvons supposer que X0 = 0.
Par hypothèse, il existe une suite croissante de temps d’arrêt τk avec τk → T p.s. telle que Xt∧τk est une
martingale pour tout k.
Alors
Yt∧τk = X(t∧τ )∧τk = X(t∧τk )∧τ
et parce que (Xt∧τk )0≤t<∞ est une vraie martingale, le théorème des temps d’arrêt nous dit que

X(t∧τk )∧τ : 0 ≤ t < ∞
est aussi une martingale.

Par conséquent, {Yt∧τk ; 0 ≤ t < ∞} est une martingale pour tout k, et puisque τk est une suite croissante
de temps d’arrêt avec τk → T p.s., on voit que Yt = Xt∧τ est une martingale locale.
Proposition 1.4.5 Soit Xt une martingale locale continue et B une constante telle que |Xt | ≤ B pour
tout t ≥ 0.
Alors Xt est une martingale.
Démonstration
Sans perte de généralité, nous pouvons supposer que X0 = 0.
Il existe une suite (non-dé)croissante de temps d’arrêt telle que Xt∧τk est une martingale ∀k et telle que
{τk } ↑ T.
∀s ≤ t : IE [Xt∧τk |Fs ] = Xs∧τk .
Parce que τk → T p.s., on a que Xs∧τk → Xs et Xt∧τk → Xt p.s.

Parce que |Xt∧τk | ≤ B < ∞ ∀k, on peut passer à la limite des deux côtés et appliquer le théorème de
la convergence dominée.
18
Proposition 1.4.6 Toute martingale locale continue {Xt : 0 ≤ t ≤ T } non-négative avec IE [|X0 |] <
∞, est une sur-martingale, et si IE [XT ] = IE [X0 ], alors {Xt , 0 ≤ t ≤ T } est une martingale.
Démonstration
Soit {τn } une suite de localisation. Alors
Xs∧τn = IE [Xt∧τn |Fs ] ∀0 ≤ s ≤ t ≤ T.
Par le lemme de Fatou pour n → ∞ :
Xs ≥ IE [Xt |Fs ] ∀0 ≤ s ≤ t ≤ T
et par conséquent {Xt }0≤t≤T est une sur-martingale.

Si on prend des espérances, on trouve que
IE [Xs ] ≥ IE [Xt ] pour 0 ≤ s ≤ t ≤ T.
Donc en particulier
IE [X0 ] ≥ IE [Xs ] ≥ IE [Xt ] ≥ IE [XT ] ∀0 ≤ s ≤ t ≤ T.
Si IE [X0 ] = IE [XT ], on a égalité partout.
Si maintenant Xs > IE [Xt |Fs ] sur un ensemble de probabilité > 0, alors IE [Xs ] > E [Xt ] .
Donc nécessairement p.s.
Xs = IE [Xt |Fs ] pour 0 ≤ s ≤ t ≤ T.
19
1.4.3 Représentation de Riemann
Théorème 1.4.1 Pour toute f : IR → IR continue, si on prend la partition de [0, T ] donnée par ti = i Tn
avec 0 ≤ i ≤ n, on a que
n
X Z T

lim f Bti−1 Bti − Bti−1 = f (Bs ) dBs (1.7)
n→∞ 0
i=1
où la limite est prise au sens de la convergence en probabilité.
Proposition 1.4.7 (Intégrales gaussiennes) Soit f ∈ C[0, T ], alors le processus défini par
Z t
Xt = f (s)dBs pour tout t ∈ [0, T ]
0
est un processus gaussien de moyenne zéro avec des incréments indépendants et avec comme fonction de
covariance Z s∧t
cov(Xs , Xt ) = f 2 (u)du.
0
De plus, si nous considérons la partition de [0, T ] donnée par ti = iT ∗

n pour 0 ≤ i ≤ n et ti ∈ [ti−1 , ti ],
alors
Xn Z T
∗

lim f (ti ) Bti − Bti−1 = f (s)dBs ,
n→∞ 0
i=1
où la limite est au sense de la convergence en probabilité.
20
1.5 Formule d’Itô
1.5.1 Le cas le plus simple
Théorème 1.5.1 (Le cas le plus simple) Soit f : IR → IR ∈ C 2 (IR, IR), alors p.s. ∀t ∈ [0, T ]
Z t Z t
0 1
f (Bt ) = f (0) + f (Bs ) dBs + f 00 (Bs ) ds. (1.8)
0 2 0
Démonstration
it
1) Supposons d’abord que f est à support compact. Pour ti = n pour 0 ≤ i ≤ n, nous considérons
n
P
f (Bt ) − f (0) = f (Bti ) − f Bti−1
i=1

telle que f (Bti )−f Bti−1 suffisamment petit pour appliquer une approximation de Taylor par 2 termes.
Si f ∈ C 2 est à support compact, alors ∀x, y ∈ IR :
f (y) − f (x) = (y − x) f 0 (x) + 12 (y − x)2 f 00 (x) + r (x, y)
où
|r (x, y)| ≤ (y − x)2 h (x, y)
où h est uniformément continue, bornée et h (x, x) = 0 ∀x.

Alors:
f (Bt ) − f (0) = An + Bn + Cn
avec
n
f 0 Bti−1
P
An = Bti − Bti−1
i=1
n 2
1
f 00 Bti−1
P
Bn = 2 Bti − Bti−1
i=1
n
P 2
|Cn | ≤ Bti − Bti−1 h Bti−1 , Bti .
i=1
21
Parce que f 0 est continue, la représentation de Riemann implique que
IP Rt
An → 0 f 0 (Bs ) dBs .
n 2
1 P 00

Nous reformulons Bn = 2 f Bti−1 Bti − Bti−1 comme somme centrée
i=1
n n n 2 o
1 P 00
Bti−1 (ti − ti−1 ) + 12 f 00 Bti−1
P
Bn = 2 f Bti − Bti−1 − (ti − ti−1 ) .
i=1 i=1
Grâce à la continuité de f 00 (Bs (ω)) en s, le premier terme converge vers une intégrale ordinaire pour
tout ω
n Rt
f 00 Bti−1 (ti − ti−1 ) = 0 f 00 (Bs ) ds.
P
lim
n→∞i=1
∧
Désignons le deuxième terme par B n , alors par l’orthogonalité des termes:
2 n o2
∧ 1X 2 n 2
IE B n = IE f 00 Bti−1 Bti − Bti−1 − (ti − ti−1 )
4
i=1
n n o2
1 2 X 2
≤ f 00 ∞ IE Bti − Bti−1 − (ti − ti−1 )
4
i=1
t2
f 00 2

= ∞
2n
où nous avons utilisé le fait que Bti − Bti−1 v N (0, t/n) .
Donc
2 2t2
V ar Bti − Bti−1 = n2
.
∧ IP
Par l’inégalité de Markov, il est clair que B n → 0 parce que
2
∧
t2
IE B n ≤ 2n kf 00 k2∞ .
22
n
P 2
Concentrons-nous maintenant sur |Cn | ≤ Bti − Bti−1 h Bti−1 , Bti .
i=1
L’inégalité de Cauchy implique que:
n h 4 i1/2 1/2
IE h2 Bti−1 , Bti
P
IE [|Cn |] ≤ IE Bti − Bti−1
i=1
et on remarque que
a) Bti − Bti−1 v N (0, t/n) et donc:
h 4 i 3t2
IE Bti − Bti−1 = n2
.
b) que h (x, x) = 0 ∀x et que h est uniformément continue, et donc ∀ε > 0 ∃ δ = δ (ε)

tel que |h (x, y)| ≤ ε pour tout x, y avec |x − y| ≤ δ.
Donc
IE h2 Bti−1 , Bti ≤ ε2 + khk2∞ IP Bti − Bti−1 ≥ δ

h 2 i
≤ ε2 + khk2∞ δ −2 IE Bti − Bti−1
t
= ε2 + khk2∞ δ −2 .
n
Les résultats a) et b) impliquent que
1/2 1/2
3t2
IE [|Cn |] ≤ n n2
ε2 + khk2∞ δ −2 nt
Donc ∀ε > 0, √
lim IE [|Cn |] ≤ 3tε
n→∞
et par conséquent:
IE [|Cn |] → 0
et par l’inégalité de Markov:
23
IP
Cn → 0.
Choississons maintenant des sous-suites Anj , Bnj et Cnj qui convergent presque sûrement. Alors (1.8)
est satisfait presque sûrement pour chaque t.
Si on considère tous les rationnels et si on observe que le membre de gauche et celui de droite de (1.8) sont
continus, on conclut qu’il existe un Ω0 avec IP (Ω0 ) = 1 sur lequel (1.8) est vraie pour tous les t ∈ [0, T ].
2) Traitons maintenant le cas général:

Nous rappelons que pour tout f ∈ C 2 (IR), il existe fM ∈ C 2 à support compact tel que
f (x) = fM (x), f 0 (x) = fM

0 (x) et f 00 (x) = f 00 (x)
M pour tout |x| ≤ M.
On sait que
Rt 0 1
Rt 00 (B ) ds
fM (Bt ) − fM (0) = 0 fM (Bs ) dBs + 2 0 fM s p.s..
Prenons τM = min {t : |Bt | ≥ M ou t ≥ T } . Alors pour tout ω ∈ {s ≤ τM }, on a que
f 0 (Bs ) = fM
0 (B )
s
et par la persistance de l’identité en L2LOC , on a que

Rt Rt
0 f 0 (Bs ) dBs = 0
0 (B ) dB pour p.t. ω ∈ {t ≤ τ } .
fM s s M
Il est évident que pour ω ∈ {t ≤ τM }, on a

Rt Rt 00
0 f 00 (Bs ) ds = 0 fM (Bs ) ds
et
f (Bt ) = fM (Bt )
Donc pour p.t. ω ∈ {t ≤ τM } :

Z t Z t
1
f (Bt ) − f (0) = f 0 (Bs ) dBs + f 00 (Bs ) ds (1.9)
0 2 0
Parce que τM → T avec une probabilité 1 pour M → ∞, (1.9) est vérifié avec probabilité une.
Exemple
Rt
f (Bs ) = Bs → 0 Bs dBs = 12 Bt2 − t/2.
24
Théorème 1.5.2 (Formule d’Itô avec variables de temps et d’espace) Pour toute fonction f ∈ C 1,2 (IR+ × IR),
on a la représentation
Rt ∂f Rt ∂f 1
Rt∂2f
f (t, Bt ) = f (0, 0) + 0 ∂x (s, Bs ) dBs + 0 ∂t (s, Bs ) ds + 2 0 ∂x2 (s, Bs ) ds p.s.
Démonstration
Par le même argument de localisation, on peut travailler sans perte de généralité avec f à support compact
en IR+ × IR.
Maintenant, on utilise le développement de Taylor de f (t, y) autour du point (s, x) :
2 ∂2
f (t, y) − f (s, x) = (t − s) ∂f ∂f 1
∂t (s, x) + (y − x) ∂x (s, x) + 2 (y − x) ∂x2
f (s, x) + r (s, t, x, y)
avec
|r (s, t, x, y)| ≤ (y − x)2 h (x, y, s, t) + (t − s) k (x, y, s, t)
où h et k sont des fonctions bornées et uniformément continues qui sont nulles quand x = y et s = t.
On applique ce développement de Taylor aux sommes téléscopantes de f (t, Bt ) − f (0, 0) . On obtient

alors 4 termes dont un terme qui converge vers zéro en espérances et 3 termes vers les intégrales de
l’énoncé.
Les étapes finales sont comme dans la démonstration du Théorème 1.5.1.
1.5.2 La formule d’Itô générale unidimensionnelle
Définition 1.5.1 On appelle un processus {Xt : 0 ≤ t ≤ T } un processus d’Itô si {Xt }t a la représentation

intégrale:
Rt Rt
Xt = x0 + 0 a (ω, s) ds + 0 b (ω, s) dBs pour 0 ≤ t ≤ T,
et où a (., .) et b (., .) sont des processus adaptés, mesurables qui satisfont aux conditions d’intégrabilité
suivantes:
hR i hR i
T T
IP 0 |a (ω, s)| ds < ∞ = 1, IP 0 |b (ω, s)|2 ds < ∞ = 1.
25
Rt
De plus, on définit l’intégrale 0 f (ω, s)dXs par
Z t Z t Z t
f (ω, s)dXs = f (ω, s)a(ω, s)ds + f (ω, s)b(ω, s)dBs
0 0 0
pourvu que f (ω, s) est adaptée et f (ω, s)a(ω, s) ∈ L1 (dt) avec probabilité 1 et f (ω, s)b(ω, s) ∈ L2LOC .
Théorème 1.5.3 (Formule d’Itô pour un processus d’Itô)

Soit f ∈ C 1,2 (IR+ × IR) et {Xt , t ∈ [0, T ]} un processus d’Itô avec représentation
Rt Rt
Xt = 0 a (ω, s) ds + 0 b (ω, s) dBs 0 ≤ t ≤ T,
alors on a pour Yt = f (t, Xt ) que
Rt ∂f Rt∂f 1
Rt∂2f
Yt = f (t, Xt ) = f (0, 0) + 0 ∂t (s, Xs ) ds + 0 ∂x (s, Xs ) dXS + 2 0 ∂x2 (s, Xs ) b2 (ω, s) ds p.s.
Traduction avec Box Algebra:

dYt = ft (t, Xt ) dt + fx (t, Xt ) dXt + 12 fxx (t, Xt ) dXt · dXt .
avec
dXt · dXt = (a (ω, t) dt + b (ω, t) dBt ) · (a (ω, t) dt + b (ω, t) dBt )

= a (ω, t)2 dt · dt + 2a (ω, t) b (ω, t) dBt · dt + b (ω, t)2 dBt · dBt
= b (ω, t)2 dt
parce que
Box Algebra: Table de Multiplication

· dt dBt
dt 0 0
dBt 0 dt
26
1.5.3 Formule d’Itô multidimensionnelle
Théorème 1.5.4 (Formule d’Itô pour 2 processus d’Itô)

Soit f ∈ C 1,2,2 (IR+ × IR + IR) et {Xt , t ∈ [0, T ]} et {Yt , t ∈ [0, T ]} des processus d’Itô avec représentation
Rt Rt
Xt = 0 a (ω, s) ds + 0 b (ω, s) dBs
et
Rt Rt
Yt = 0 α (ω, s) ds + 0 β (ω, s) dBs .
Alors
Z t Z t
∂f ∂f
Zt = f (t, Xt, Yt ) = f (0, 0, 0) + (s, Xs , Ys ) ds + (s, Xs , Ys ) dXs
0 ∂t 0 ∂x
Z t
1 t ∂2f
Z
∂f
+ (s, Xs , Ys ) dYs + (s, Xs , Ys ) b2 (ω, s) ds
0 ∂y 2 0 ∂x2
Z t 2
1 t ∂2f
Z
∂ f
+ (s, Xs , Ys ) b (ω, s) β (ω, s) ds + 2
(s, Xs , Ys ) β 2 (ω, s) ds p.s..
0 ∂x∂y 2 0 ∂y
Traduit avec box Algebra

dZt = ft (t, Xt , Yt ) dt + fx (t, Xt , Yt ) dXt + fy (t, Xt , Yt ) dYt

 + 12 fxx (t, Xt , Yt ) dXt · dXt
 +fxy (t, Xt , Yt ) dXt · dYt
+ 21 fyy (t, Xt , Yt ) dYt · dYt .
On peut généraliser avec Bt1 et Bt2 avec corr dBt1 , dBt2 = ρt dt:

· dt dB1t dB2t
dt 0 0 0
dB1t 0 dt ρt dt
dB2t 0 ρt dt dt
27
Processus multidimensionnel
Soit S ∗ un processus d’Itô d-dimensionnel:
dS ∗ (t) = µ (t) dt + σ (t)dB (t)

T T T
avec S ∗ = S 1 , ..., S d , B = B 1 , ..., B k , µ = µ1 , ..., µd et σ = σ i,j de dimension d × k.

Donc pour 0 ≤ i ≤ d:
dS i (t) = µi (t) dt + σ i (t) dB (t)
où
σ i = σ i,1 , ..., σ i,k

et où
k
σ i (s) dBs = σ i,j (s) dB j (s) .
P
j=1
On suppose que
∀ (i, j) µi est un processus adapté et σ i,j est un processus adapté tels que
Z T Z T
i
| µ (t) | dt < ∞ p.s.; | σ i,j (t) |2 dt < ∞ p.s. (1.10)
0 0
Lemme d’Itô multidimensionnel
T
Soit X = X 1 , ..., X d un processus d’Itô multidimensionnel:
dXt = µt dt + σt dBt
où µt est un processus Ft -adapté, µt : Ω −→ IRd

σt est une matrice aléatoire (d × k) adaptée,
Bt un mouvement brownien de dimension k,
µ, σ processus verifiant (1.10).
28
Lemme 1.5.1 Soit f ∈ C 1,2 [0, T ] × IRd ; IR .

On note

∂f ∂f
fx (t, x) = (t, x) , ..., ∂x
∂x1 d
(t, x) le vecteur ligne
2
fxx (t, x) la matrice ∂xi∂,∂xj f (t, x) et ft (t, x) = ∂f
∂t (t, x) .
i,j
Soit Yt = f (t, Xt ),
alors
dYt = ft (t, Xt ) + fx (t, Xt ) µt + 12 tr σt σtT fxx (t, Xt )

dt + fx (t, Xt ) σt dBt
d
P
où pour une matrice carrée (Ai,j )i,j on note trA = Ai,i (la somme des éléments diagonaux).
i=1
29
1.6 Equations différentielles stochastiques (EDS)
1.6.1 Existence et Unicité
Théorème 1.6.1 (Existence et unicité)

Supposons que les coefficients de l’EDS
dXt = µ(t, Xt )dt + σ(t, Xt )dBt (1.11)
avec X0 = x0 et 0 ≤ t ≤ T satisfont à une condition de Lipschitz pour la variable d’espace:
|µ(t, x) − µ(t, y)|2 + |σ(t, x) − σ(t, y)|2 ≤ K|x − y|2 (1.12)
et à une condition de croissance pour la variable d’espace:
|µ(t, x)|2 + |σ(t, x)|2 ≤ K(1 + |x|2 ), (1.13)
alors il existe une solution continue adaptée Xt de l’équation (2.2) qui est uniformément bornée dans
L2 (dIP ):
sup IE Xt2 < ∞.

0≤t≤T
De plus, soient Xt et Yt deux solutions continues bornées dans L2 de (2.2), alors:
IP [Xt = Yt pour tout t ∈ [0, T ]] = 1.
30
1.7 Lemme de Feynman-Kac
1.7.1 Cas de l’équation aux dérivées partielles de Black and Scholes généralisée
Considérons les solutions de

dSt = µ (t, St ) dt + σ (t, St ) dBt , S0 = x > 0
dβt = r (t, St ) βt dt
avec β0 > 0 et r (t, St ) non-négative.
Supposons que (un instrument financier avec valeur à la date T ) Z = h (ST ) et que (le prix) C (t, St ) à
l’instant t satisfait à
ut (t, x) = − 21 σ 2 (t, x) uxx (t, x) − r (t, x) xux (t, x) + r (t, x) u (t, x)

x ∈ IR, t ∈ [0, T ),
u (T, x) = h (x) , x ∈ IR.
(1.14)
Supposons r (t, x) et h(x) bornées, que µ (t, x) et σ (t, x) satisfont à des conditions de Lipschitz:
(µ (t, x) − µ (t, y))2 + (σ (t, x) − σ (t, y))2 ≤ A (x − y)2
et à la condition
µ2 (t, x) + σ 2 (t, x) ≤ B 1 + x2 ,

et que r (t, x) x satisfait à une condition de Lipschitz:
(r (t, x) x − r (t, y) y)2 ≤ C (x − y)2 ,
avec A, B et C des constantes.
31
Théorème 1.7.1 Soit u (t, x) ∈ C 1,2 [0, T ] la solution unique bornée du problème (1.14). Alors u (t, x)
a la représentation
h R i
T
u (t, x) = IE h XTt,x exp − t r s, Xst,x ds
où pour s ∈ [t, T ] le processus Xst,x est défini par l’équation différentielle stochastique:

dXst,x = r s, Xst,x Xst,x ds + σ s, Xst,x dBs
et
Xtt,x = x
et où pour s ∈ [0, t] : Xst,x = x.
Démonstration
Définissons
Z s
Mst s, Xst,x v, Xvt,x

=u exp − r dv = Us Is pour t ≤ s ≤ T. (1.15)
t
Alors on trouve que
Mtt = u (t, x) .
De plus
h RT i
IE MTt = IE h XTt,x exp − t r v, Xvt,x dv .

Donc si Mst

s
est une martingale pour s ∈ [t, T ], le théorème est démontré.
En utilisant le lemme d’Itô:
dMst = Is dUs + Us dIs + 0

t,x
1 2 t,x
t,x
t,x
t,x
= Is u1 s, Xs + σ s, Xs u22 s, Xs ds + u2 s, Xs dXs
2
+ Us Is −r s, Xst,x ds

1
= Is ds u1 s, Xst,x + σ 2 s, Xst,x u22 s, Xst,x + Xst,x u2 s, Xst,x r s, Xst,x

2
−r s, Xs u s, Xst,x + Is u2 s, Xst,x σ s, Xst,x dBs .
t,x

32
En utilisant l’hypothèse que u (t, x) satisfait à l’équation aux dérivées partielles de Black and Scholes
(1.14), on voit que

dMst = Is u2 s, Xst,x σ s, Xst,x dBs ,
donc, Mst

est une martingale locale.
s
Par la définition (1.15) de Mst s , on voit que Mst s est bornée parce que u (t, x) est bornée par

hypothèse et r (t, x) est non-négative.

Nous concluons que Mst s est une vraie martingale.

33
1.8 Théorème de Girsanov
1.8.1 La condition de Novikov et martingales exponentielles
Théorème 1.8.1 (La condition suffisante de Novikov) Pour toute µ (ω, t) ∈ L2LOC [0, T ], le processus
(Mt )t défini par
Z t
1 t 2
Z
Mt = exp − µ (ω, s) dBs − µ (ω, s) ds (1.16)
0 2 0
est une martingale, pourvu que µ satisfasse à la condition de Novikov:

Z T
1 2
IE exp µ (ω, s) ds <∞ (1.17)
2 0
Démonstration
Voir le livre de M. Steele page 225.
1.8.2 Théorème de Girsanov unidimensionnel
Théorème 1.8.2 (Théorème de Girsanov unidimensionnel) Supposons que µ (ω, t) est un processus
borné, adapté sur [0, T ], que (Bt )t est un IP -mouvement brownien et que le processus (Xt )t est donné
par
Rt
Xt = Bt + 0 µ (ω, s) ds.
Le processus (Mt )t défini par

Z t
1 t 2
Z
Mt = exp − µ (ω, s) dBs − µ (ω, s) ds (1.18)
0 2 0
est une IP -martingale.

Si IQ désigne la mesure sur C [0, T ] définie par IQ (A) = IEIP (1A MT ) pour tout A ∈ FT , alors (Xt )t
est un IQ-mouvement brownien sur [0, T ] .
34
Démonstration
En utilisant le Théorème 1.8.1, on voit immédiatement que (Mt )t est une IP -martingale.
On va démontrer maintenant que sous IQ, le processus {Xt } a les mêmes distributions jointes qu’un
mouvement brownien.
Nous démontrons d’abord que pour toute fonction bornée déterministe f : [0, T ] → C,
I on a la formule:
Z T Z T
1 2
IEIQ exp f (s) dXs = exp f (s) ds . (1.19)
0 2 0
En effet:
Z T
IEIQ exp f (s) dXs
0
Z T Z T
= IEIQ exp f (s) dBs + f (s) µ (ω, s) ds
0 0
Z T Z T
1 T 2
Z
= IEIP exp (f (s) − µ (ω, s)) dBs + f (s) µ (ω, s) ds − µ (ω, s) ds
0 0 2 0
Z T Z T
1 T
Z
1 2 2
= exp f (s)ds IEIP exp (f (s) − µ (ω, s)) dBs − (f (s) − µ (ω, s)) ds
2 0 0 2 0
Z T
1 2
= exp f (s)ds
2 0
en utilisant le Théorème 1.8.1 et donc tenant compte du fait que

Z t
1 t
Z
2
exp (f (s) − µ (ω, s)) dBs − (f (s) − µ (ω, s)) ds
0 2 0
est une martingale exponentielle parce que f (s) − µ (ω, s) est bornée.
Nous exploitons cette formule en prenant θj ∈ IR j = 1, 2, ..., N et 0 = t0 < t1 < ... < tN −1 < tN =
T tel que
N
P
f (s) = iθj 1(tj−1 ≤s<tj ) pour 0 ≤ s ≤ T
j=1
est une fonction déterministe pour laquelle on peut appliquer (1.19) pour obtenir
35
" !# !
N N
− 12 θj2 (tj
P P
IEIQ exp i θj Xtj − Xtj−1 = exp − tj−1 ) .
j=1 j=1

Donc le vecteur Xt1 , Xt2 − Xt1 , ..., XtN − XtN −1 a la même fonction caractéristique sous IQ que le
vecteur des incréments du mouvement brownien, tel que (Xt )t est un IQ mouvement brownien.
1.8.3 La règle de Bayes
Proposition 1.8.1 Soient µ et ν deux mesures de probabilité sur un espace mesurable (Ω, G) telles que
dν (ω) = f (ω) dµ (ω) pour un f ∈ L1 (µ) .
Soit X une variable aléatoire sur (Ω, G) telle que

R
IEν [|X|] = Ω |X (ω)| f (ω) dµ (ω) < ∞
Soit H ⊂ G une sous-tribu, alors
IEν [X |H ] · IEµ [f |H ] = IEµ [f X |H ] p.s.
Démonstration
En vertu de la définition de l’espérance conditionnelle on a que si H ∈ H, alors
R R R R R
H IEν [X |H ] f dµ = H IEν [X |H ] dν = H Xdν = H Xf dµ = H IEµ [f X |H ] dµ.
D’autre part, on sait que

R
H IEν [X |H ] f dµ = IEµ [IEν [X |H ] f · 1H ] = IEµ [IEµ [IEν (X |H ) f · 1H |H]]
R
= IEµ [1H IEν [X |H ] · IEµ [f |H ]] = H IEν [X |H ] · IEµ [f |H ] dµ ∀H ∈ H
d’où le résultat.
Corollaire 1.8.1 (Bayes’rule) Soit (Ms )s définie en (1.18) une martingale strictement positive.
Pour Y une variable aléatoire Ft mesurable telle que IEIQ |Y | < ∞, on a que pour 0 ≤ s ≤ t ≤ T :
1
IEIQ [Y |Fs ] = Ms IE [Y Mt |Fs ] p.s.
36
1.8.4 Théorème de Girsanov multidimensionnel

(1) (d)
Soit W = Wt , ...Wt un mouvement brownien de dim d sur (Ω, F, IP ).
n o
(1) (d) (i)
Supposons X= X t = Xt , ..., Xt avec Xt ∈ L2LOC
Définissons
d Z
" #
t Z t
∆
X 1 2
Zt (X) = exp Xs(i) dWs(i) − Xs ds . (1.20)
0 2 0
i=1
Alors
d
Zt (X) Xti dWti
P
dZt (X) =
i=1
en utilisant le lemme d’Itô parce que Zt (X) = exp Yt (X) avec
d d 2
1P
Xti dWti − Xti
P
dYt (X) = 2 dt.
i=1 i=1
Donc Z (X) est une martingale locale continue avec Z0 (X) = 1

Nous supposons que c’est une martingale et nous définissons:
QT (A) = IE [1A ZT (X)] A ∈ FT .
Théorème 1.8.3 (Théorème de Girsanov multidimensionnel) Supposons que Z (X) défini par (1.20)
est une martingale.
(1)
∼ (d)

∼ ∼ ∼
Définissons W = W t = W t , ..., W t par
∼ (i) (i) Rt (i)

W t = Wt − 0 Xs ds 1 ≤ i ≤ d, 0 ≤ t < ∞.

∼
∀T ∈ [0, ∞) fixé, le processus W t , Ft ; 0 ≤ t ≤ T est un mouvement brownien de dim d sur (Ω, F, QT ) .
37
1.9 Les théorèmes de représentation comme martingale
1.9.1 Théorèmes pour martingales
Théorème 1.9.1 (Théorème de représentation comme martingale) Supposons que Xt est une {Ft }
martingale continue, où {Ft } est une filtration brownienne standard.
S’il existe un T tel que IE XT2 < ∞ et si X0 = x0 , alors il existe un φ (ω, s) ∈ H 2 [0, T ] tel que

Rt
Xt = x0 + 0 φ (ω, s) dBs pour tout 0 ≤ t ≤ T.
De plus, la représentation est unique dIP × dt-p.s.
Théorème 1.9.2 (Théorème de représentation en H 2 ) Supposons que X est une variable aléatoire
FT -mesurable où {Ft }t est la filtration brownienne standard.
Si IE X 2 < ∞, alors il existe une φ (ω, s) ∈ H 2 [0, T ] tel que

Z T
X = IE[X] + φ (ω, s) dBs . (1.21)
0
De plus, la représentation dans cette équation (1.21) est unique dans le sense que si ψ (ω, s) est un autre
élément de H 2 [0, T ] qui satisfait (1.21), alors ψ (ω, s) = φ (ω, s) ∀ (ω, s) ∈ Ω × [0, T ], excepté sur un
ensemble de mesure dIP × dt nulle.
1.9.2 Théorèmes pour des martingales locales.
Théorème 1.9.3 Supposons que (Mt )t est une martingale locale continue par rapport à la filtration
brownienne standard.
Alors, il existe un processus adapté et mesurable H ∈ L2LOC tel que
Rt
Mt = M0 + 0 Hs dBs p.s.
Théorème 1.9.4 Une martingale continue strictement positive (Mt )t adaptée à la filtration brownienne
avec M0 = 1 peut être représentée par
R
t Rt
Mt = exp 0 Hs dWs − 21 0 (Hs )2 ds t≥0
pour un processus (Hs )s ∈ L2LOC .
38
Chapitre 2
Modèles en temps continu: Formules de

Black et Scholes
Le livre de référence est

DANA, R.-A. et M. JEANBLANC-PIQUE (1994). Marchés Financiers en Temps Continu. Economica.
2.1 Calcul stochastique.
(Ω, F, P ) un espace de probabilité

[0, T ] un intervalle de temps fini
2.1.1 Le mouvement brownien et l’intégrale stochastique
Définition 2.1.1 B = (Bt , t ≥ 0) est un mouvement brownien réel issu de 0 sur (Ω, F, IP ) si
i) IP [B0 = 0] = 1
ii) ∀ 0 ≤ s ≤ t, la variable aléatoire réelle Bt − Bs suit une loi normale centrée de variance t − s.

iii) ∀ 0 = t0 < ti < ... < tp ; les variables Btk − Btk−1 , 1 ≤ k ≤ p sont indépendantes.
iii) Bt (ω) est une fonction continue de t pour p.s. tout ω.
=⇒ Un mouvement brownien est un processus à trajectoires continues, à accroissements indépendants

et stationnaires.
39
Définition 2.1.2 B = B i , i ≤ k est un mouvement brownien k-dimensionnel si les B i sont des mou-

vements browniens réels indépendants.
On prend Ft = σ (Bs , s ≤ t) complétée par adjonction des négligeables comme famille de sous-tribus
(Ft )t∈IR+ .
Bachelier (1900)
Bachelier a supposé un modèle simple dans sa thèse doctorale avec seulement un actif risqué (une action)
avec prix St avec St = Bt un mouvement brownien et que le taux d’intérêt r = 0.
Si l’on possède dans ce modèle θ (t) actions à l’instant t, et que l’on fait des transactions aux instants
tk , k = 1, ..., K, alors la richesse à l’instant tK d’un portefeuille auto-finançant θ de valeur initiale x est
égale à
PK
x+ k=1 θ (tk ) {B (tk ) − B (tk−1 )} .
Si l’on veut pouvoir effectuer des transactions à tout instant t, il faut définir un outil mathématique, que
l’on appelle intégrale stochastique de θ par rapport à B (et que l’on définit en gros comme étant la limite
dans L2 des sommes précédentes):
RT
x+ 0 θ (s) dB (s) .
en temps discret: θ (tk ) Ftk−1 -mesurable, donc θ est un processus prévisible en temps discret.
en temps continu:
Le processus θ est prévisible s’il est mesurable par rapport à la tribu sur (Ω × IR+ ) engendrée par les
processus adaptés continu à gauche, donc pour lesquels t 7−→ Xt (ω) est continue à gauche pour presque
tout ω.
RT
Nous travaillons (comme dans le livre de M. Steele) avec θ ∈ L2LOC , parce qu’alors 0 θ (s) dB (s) est
bien défini et la construction de l’intégrale est un peu plus simple.
On note Θ = L2LOC l’ensemble des processus adaptés tels que
RT
0 θ2 (t) dt < ∞ p.s.
RT
On montre que pour θ ∈ Θ, 0 θ (s) dB (s) est bien défini.
40
hR i
T
Proposition 2.1.1 Si θ ∈ Θ et si IE 0 θ2 (s) ds < ∞ (et donc θ ∈ H 2 ), l’intégrale stochastique
Z t
Mt = θs dBs ; t ≤ T
0
définit un processus qui est une martingale d’espérance nulle et de variance

Z t
2 2
IE Mt = IE θ (s) ds .
0
Exercice
Montrer que B 2 (t) − t est une martingale.
Démonstration
h i
IE Bt2 − Bs2 | Fs = IE (B (t) − B (s))2 | Fs = IE B 2 (t − s) = t − s

parce que
2B (s) IE [B (t) | Fs ] = 2Bs2
Cet exercice met en valeur l’une des difficultés du calcul stochastique:
Rt
0 B (s) dBs 6= 12 Bt2
parce que ça impliquerait que le processus (t)t∈IR+ est une martingale.
Rt
En effet 0 B (s) dB (s) = 21 Bt2 − t .

2.1.2 Processus d’Itô et quelques remarques
Pour les processus X = (Xt )t∈[0,T ] qui sont des processus d’Itô à valeurs réelles avec µ (t) processus
adapté et σ (t) processus adapté vérifiant
RT RT
0 | µ (s) | ds < ∞ P p.s.; 0 σ 2 (s) ds < ∞ P p.s.
41
tels que
Rt Rt
Xt = X0 + 0 µ (s) ds + 0 σ (s) dBs , t ∈ [0, T ]
où Bt est un mouvement brownien réel, on utilise souvent la forme plus concise:
dXt = µ (t) dt + σ (t) dBt

X (0) = X0 .
µ (t): la dérive, la tendance, le drift

σ (t): le coefficient de diffusion.
remarque 1
Le terme de dérive complique souvent les calculs parce qu’on a perdu le caractère martingale du proces-
sus (µ ≡ 0).
Pour se ramener au cas µ = 0, on utilise le théorème de Girsanov, c’est à dire sous des hypothèses
raisonnables, on transforme un processus d’Itô avec un changement de probabilité en une intégrale
stochastique.
Théorème 2.1.1 (Théorème de Girsanov) Soit (Lt )t le processus défini par
nR o
t 1
Rt 2 (s) ds ,
Lt = exp 0 h (s) dBs − 2 0 h
où (h(s) , 0 ≤ s ≤ T ) est un processus adapté borné.

dLt = Lt ht dBt
Le processus Lt est l’unique solution de
L0 = 1
et
IE [Lt ] = 1 ∀t ∈ [0, T ] ;
et (Lt )t est une martingale.

Soit Q la probabilité définie sur (Ω, FT ) par Q (A) = IEP [1A LT ] .
Rt
Sous Q, le processus Bt∗ = Bt − 0 h (s) ds est un mouvement brownien.
42
Exemple
Rt
Si h (t) = −µ (t) σ −1 (t) est borné, le processus Bt∗ = Bt + 0 µ (s) σ −1 (s) ds est un Q-mouvement
brownien et le processus d’Itô X s’écrit sous Q:
dXt = µ (t) dt + σ (t) dBt∗ − µ (t) σ −1 (t) dt

= σ (t) dBt∗ .
Girsanov ne modifie pas le coefficient de diffusion.
Si l’on suppose que les prix des actifs sont des processus d’Itô, on aura besoin de calculer des quantités
du type f (t, Xt ) et de “dériver” ce processus pour préciser sa dynamique. Ceci est fait en utilisant le
lemme d’Itô, que nous rappelons ici en utilisant la notation
C 1,2 ([0, T ] × IR, IR) = fonctions continues f (t, x) , de classe C 1 par rapport à t, C 2 par rapport à x .

Lemme 2.1.1 (Lemme d’Itô) Soit f ∈ C 1,2 ([0, T ] × IR, IR) et X un processus d’Itô vérifiant
dXt = µ (t) dt + σ (t) dBt .
Soit Yt = f (t, Xt ). Alors Y est un processus d’Itô vérifiant
∂f ∂f ∂f 1 ∂2f
dYt = ∂t (t, Xt ) dt + ∂x (t, Xt ) µ (t) dt + ∂x (t, Xt ) σ (t) dBt + 2 ∂x2 (t, Xt ) σ 2 (t) dt
soit sous forme plus concise:
∂f ∂f 1 ∂2f 2
dY = ∂t dt + ∂x dXt + 2
σ dt .
|2 ∂x{z }
Exemples
1) Soit dXt = aXt dt + bXt dBt , X0 > 0

où a, b sont des constantes.
=⇒ Xt > 0 p.s.
=⇒ Yt = ln Xt
dYt = 0 + aXt
Xt dt + 1
Xt bXt dBt − 1 1
2 Xt2 (bXt )2 dt
43
Et donc
b2

dYt = a − dt + bdBt .
2
Rt 2
Rt
b2

=⇒ Yt = Y0 + 0 a − b2 ds + 0 bdBs = ln X0 + a − 2 t + bB (t)
2

=⇒ Yt v N ln X0 + a − b2 t, var = b2 t .
=⇒ (Xt )t est un processus log-normal: un brownien géométrique.
Rt Rt
2) Soit Xt = x + 0 b (s) ds + 0 σ (s) dBs et Yt = exp Xt .
Yt 2
= Yt dXt + 12 σ 2 (t) dt .

dYt = Yt b (t) dt + Yt σ (t) dBt + 2 σ dt
2.2 Arbitrage et valorisation
2.2.1 Stratégie de financement
Soit Z une variable aléatoire FT -mesurable. Peut-on réaliser Z avec une stratégie de financement?
Nous supposons qu’il y a d actifs risqués dont les prix S i , i ∈ {1, ..., d} , sont supposés être des processus
T
d’Itô avec σ i = σ i,1 , ..., σ i,k ; B = B 1 , ..., B k :

dS i (t) = µi (t) dt + σ i (t) dBt ,
où ∀ (i, j) µi est un processus adapté et σ i,j est un processus adapté tels que
Z T Z T
| µi (t) | dt < ∞ p.s.; | σ i,j (t) |2 dt < ∞ p.s. (2.1)
0 0
Théorème 2.2.1 Un marché financier est complet si et seulement si le nombre d des actifs risqués est
égale à la dimension k du mouvement brownien B et si la matrice de volatilité σt est non-singulair
presque sûrement pour t ∈ [0, T ].
Démonstration
Voir le livre de Karatzas & Shreve Th.6.6.
44
L’actif 0 est un actif sans risque
dSt0 = St0 r (t) dt; S 0 (0) = 1;
RT
où r (t) est un processus adapté positif vérifiant 0 r (t) dt < ∞ p.s..
L’actif 0 est dit sans risque même si r (t) est un processus stochastique.
Soit un processus vectoriel en temps continue θ = (θs )s une stratégie d’investissement avec richesse
T
initiale x où θ = θ0 , ..., θd représente le nombre de chaque type d’actifs. Soit Ss ∈ IRd le vecteur
des prix. Si on suppose que la stratégie est auto-finançante, alors la richesse à l’instant T sera
RT RT d hR i
T RT
θ0 (s) S 0 (s) r (s) ds + θi (s) µi (s) ds + θi (s) σ i (s) dBs
P
x+ 0 θ (s) · dSs = x + 0 0 0
i=1
sous conditions d’intégrabilité et de mesurabilité sur θ. Pour préciser ces notions, nous donnons les
définitions suivantes.
Définition 2.2.1 Pour tout i > 0, on note Θ S i l’ensemble des processus θi tels que θi est adapté et

RT
0 | θi (s) µi (s) | ds < ∞ p.s.
RT
0 (θi (s))2 k σ i (s) k2 ds < ∞ p.s.
k
où la norme d’un vecteur v est défini par k v k2 = vj2 .
P
j=1
RT
On note Θ S 0 l’ensemble des processus θ0 tels que θ0 est adapté et 0 | θ0 (s) | r (s) Ss0 ds < ∞ p.s..

On note θ ∈ Θ (S ) si θj ∈ Θ S j pour tout 0 ≤ j ≤ d.

Définition 2.2.2 θ ∈ Θ (S) finance Z si

Rt
i) θt · St = θ0 · S0 + 0 θs · dSs ∀t ≤ T P -p.s.
ii) θT · ST = Z P -p.s..
i) est la condition d’auto-financement.
45
2.2.2 Arbitrage et mesure martingale
Définition 2.2.3 Une opportunité d’arbitrage est une stratégie auto-finançante avec
P (θT · ST ≥ 0) = 1
P (θT · ST > 0) > 0
P (θ0 · S0 = 0) = 1.
On peut remplacer les deux premières conditions par

IE [θT · ST ] > 0
P [θT · ST ≥ 0] = 1
Considérons les deux hypothèses:
1) A.O.A.
2) (H): Il existe une mesure de probabilité Q équivalente à P telle que le vecteur des prix actualisés
Sta = SS0t soit une Q-martingale. On appelle Q une mesure martingale.
t
Lien en temps continu entre A.O.A. et (H).

1) Soit (H) verifiée et supposons un modèle simple avec seulement un actif risqué et avec St0,a = 1 un
prix constant.
Supposons sous Q dSt1,a = St1,a σ (t) dBt .
2
RT
Alors @O.A. avec IEQ 0 θ1 (s) σ (s) Ss1,a ds < ∞

Rt
parce qu’alors 0 θs dSsa est une Q-martingale et
hR i
T
IEQ [θT · STa ] = θ0 · S0a + IEQ 0 θs1 dSs1,a = θ0 · S0a −→ A.O.A.
2) En toute généralité, (H) ; A.O.A. (Dudley 1977).
3) Stricker (1989): =⇒ A.O.A. parmis les stratégies élémentaires, donc telles qu’il existe une suite de
réels t0 < t1 < ... < tp telle que
46
p−1
P
θs = 1]ti ,ti+1 ] (s) ψi
i=0
avec ψi variable Fti -mesurable.

Rt
4) (H) =⇒ A.O.A. pour 0 θ (s) · dSsa borné inférieurement.
5) A.O.A.=⇒ (H) est encore beaucoup plus délicat (voir Delbaen-Schachermayer 1994).
2.2.3 Valorisation
Définition 2.2.4 Si θ est une stratégie finançant Z, θ0 · S0 est le prix d’arbitrage de Z et θt · St = π (Z)t
le prix implicite à l’instant t.
Proposition 2.2.1 Sous A.O.A., le prix d’arbitrage est bien défini.
Démonstration.
Soient θ et ϕ stratégies auto-finançantes telles que θT · ST = ϕT · ST .
Montrons qu’A.O.A. =⇒ θ0 · S0 = ϕ0 · S0 .
Supposons θ0 · S0 > ϕ0 · S0 . Intuitivement, on va acheter le portefeuille ϕ au prix ϕ0 · S0 , vendre θ au
prix θ0 · S0 et placer la différence sur l’actif sans risque. En T , on vend ϕ et achète θ au même prix et on
réalise le bénéfice du placement sans risque.
2.3 Formule de Black et Scholes: cas unidimensionnel
2.3.1 Le modèle
On se place dans un marché financier composé d’un actif sans risque dont le prix St0 obéit à l’ équation
différentielle
dSt0 = rSt0 dt, r constante positive

S00 = 1
et d’un actif risqué dont le prix St1 t vérifie l’équation différentielle stochastique

dSt1 = µSt1 dt + σSt1 dBt

S01 > 0
où µ et σ sont constantes, σ non nulle, Bt brownien réel. St1 t satisfait donc bien le théorème suivant:

47
Théorème 2.3.1 (Existence et unicité)
Supposons que les coefficients de l’EDS
dXt = µ(t, Xt )dt + σ(t, Xt )dBt (2.2)
avec X0 = x0 et 0 ≤ t ≤ T satisfont une condition de Lipschitz en la variable d’espace:
|µ(t, x) − µ(t, y)|2 + |σ(t, x) − σ(t, y)|2 ≤ K|x − y|2 (2.3)
et une condition de croissance en la variable d’espace:
|µ(t, x)|2 + |σ(t, x)|2 ≤ K(1 + |x|2 ), (2.4)
alors il existe une solution continue adaptée Xt de l’équation (2.2) qui est uniformément bornée dans
L2 (dIP ):
sup IE Xt2 < ∞.

0≤t≤T
En plus, soient Xt et Yt deux solutions continues bornées dans L2 de (2.2), alors:
IP [Xt = Yt pour tout t ∈ [0, T ]] = 1.
Regardons les prix actualisés:
St1,a ≡ e−rt St1
Lemme d’Itô:
dSt1,a = St1,a [(µ − r) dt + σdBt ]
Le théorème de Girsanov va nous permettre de transformer St1,a en une martingale.
dLt = − (µ − r) σ −1 Lt dBt

Soit Lt le processus vérifiant
L0 = 1.
dQ
Le théorème de Girsanov montre que sous la probabilité Q v P définie sur FT par dP = LT , on a
dSt1,a = St1,a σdBt∗
48
où
Bt∗ ≡ Bt + (µ − r) σ −1 t est un Q-mouvement brownien.
h i
σ2 t
Remarquons que St1,a = exp σBt∗ − 2 S01,a , qui est une Q-martingale (classique).
St0,a = 1 est aussi une Q-martingale.
Sous Q, le prix de l’actif à risque vérifie:
dSt1 = St1 (rdt + σdBt∗ ) .
=⇒ On appelle Q la probabilité “risque-neutre” car sous Q les deux actifs ont le même rendement r.
=⇒ (H) est satisfait, ∃ mesure martingale Q.
2
T
RT 1,a
=⇒ @ O.A. θ = (α, β) avec IEQ 0 βs σSs ds < ∞ dans notre modèle.
2.3.2 Equations aux dérivées partielles (EDP) de Black et Scholes
Maintenant: On se donne une variable aléatoire Z = g ST1 positive FT -mesurable et on veut trouver

son prix implicite et une stratégie finançant Z.
Supposons qu’il existe C ∈ C 1,2 ([0, T ] × IR+ , IR) telle que

π (Z)t = C t, St1 , t < T

g (x) = C (T, x) x ∈ IR+
Soit Yt = C t, St1 .

Itô =⇒
2
dYt = µSt1 Cx t, St1 + Ct t, St1 + 12 σ 2 St1 Cxx t, St1 dt + σSt1 Cx t, St1 dBt

ou encore
dYt = LC t, St1 dt + σSt1 Cx t, St1 dBt

(2.5)
avec
49
2
LC = µxCx + Ct + 21 σ 2 x2 ∂∂xC2
avec L le générateur infinitésimal de la diffusion (St )t .
Supposons qu’il existe une stratégie θ finançant Z.

Nous n’avons pas encore prouvé l’existence d’une telle stratégie: on va la construire: θ = (α, β)T .
T
On a ainsi, si St = St0 , St1 :
θt · St = αt St0 + βt St1
Z t
= θ0 · S0 + θs .dSs
0
Z t Z t
0 1 0
= α0 S0 + β0 S0 + αs dSs + βs dSs1
0 0
= C t, St1 = Yt

=⇒
dYt = αt dSt0 + βt dSt1

= rαt St0 dt + βt µSt1 dt + σSt1 dBt

= rαt St0 + µβt St1 dt + σβt St1 dBt

(2.6)
En identifiant les termes en dt dans (2.5) et (2.6), on obtient
LC t, St1 = rαt St0 + µβt St1

(2.7)
En identifiant les coefficients de dBt on a
σSt1 Cx t, St1 = σβt St1

=⇒ βt = Cx t, St1 ,

et on a toujours
αt St0 + βt St1 = C t, St1

0 −1
=⇒ αt = C t, St1 − St1 Cx t, St1

St
50
Donc, nous avons obtenu la stratégie finançant Z en fonction du prix implicite.
En reportant dans (2.7)
LC t, St1 = r C t, St1 − St1 Cx t, St1 + µCx t, St1 St1 .

En explicitant LC, cette dernière égalité s’écrit:
2
rSt1 Cx t, St1 + Ct t, St1 + 12 σ 2 St1 Cxx t, St1

= rC t, St1

t ∈]0, T [; P -p.s.
et
C T, ST1 = g ST1

P − p.s. (2.8)
Puisque le support de la loi de St1 est (0, ∞), on peut remplacer St1 par x, x > 0.
Conclusion:
Théorème 2.3.2 Soit St0 le prix d’une obligation vérifiant dSt0 = rSt0 dt et St1 le prix d’un actif risqué
vérifiant dSt1 = µSt1 dt + σSt1 dBt .
Soit Z = g ST1 une variable aléatoire positive et π (Z)t son prix implicite.

On suppose qu’il existe C ∈ C 1,2 ([0, T ] × IR+ , IR) telle que
π (Z)t = C t, St1

t<T
g (x) = C (T, x) x ∈ IR+
Alors C vérifie l’équation parabolique
rxCx (t, x) + Ct (t, x) + 12 σ 2 x2 Cxx (t, x) = rC (t, x) ,

x ∈]0, ∞[, t ∈]0, T [,
(2.9)
C (T, x) = g (x) , x ∈]0, ∞[.
Une stratégie θ finançant Z est donnée par θ = (α, β)T

où
0 −1
αt = C t, St1 − St1 Cx t, St1

St
βt = Cx t, St1 .

51
Il n’est en général pas facile de résoudre explicitement l’équation parabolique ci-dessus.
Le calcul des probabilités fournit une expression de cette solution:
Soit x et t fixés et Zsx,t le processus indexé par s, (t ≤ s ≤ T ) défini par
Rs Rs
Zsx,t = x + r t Zux,t du + σ t Zux,t dBu .
Zsx,t est issu de x au temps t, donc Ztx,t = x et suit après t la même dynamique que
dZu = rZu du + σZu dBu .
Théorème 2.3.3 (Théorème de Feynman-Kac) Soit C (t, x) ∈ C 1,2 [0, T ] la solution unique bornée du
problème (2.9) avec g(x) une fonction bornée. Alors C (t, x) a la représentation
h i
C (t, x) = IE g XTt,x exp (−r(T − t)) (2.10)
où pour s ∈ [t, T ] le processus Xst,x est défini par l’équation différentielle stochastique:
dXst,x = rXst,x ds + σXst,x dBs
et
Xtt,x = x
et où pour s ∈ [0, t] : Xst,x = x.
Exercice
Vérifier que θ = (α, β)T ∈ Θ (S) et finance g ST1 .

Remarque
Notre marché est complet par le Théorème 2.2.1, qui est basé sur des théorèmes de représentation.
52
2.3.3 Probabilité risque-neutre
Nous allons donner une autre méthode de valorisation, obtenue en travaillant sous la probabilité risque-
neutre Q définie par dQ = LT dP.
Sous Q, l’actif à risque vérifie:
dSt1 = St1 (rdt + σdBt∗ ) .
Si l’on se constitue un portefeuille (αt , βt )
Yt = αt St0 + βt St1 ,
on vérifie que sous Q:
dYt = αt St0 rdt + βt St1 (rdt + σdBt∗ ) = Yt rdt + dMt ,
où Mt est défini par dMt = βt St1 σdBt∗ .

Sous réserve d’intégrabilité, Mt est une martingale.
Ceci implique que e−rt Yt est une martingale.
On a que
e−rt Yt = EQ e−rT YT | Ft

et donc
Yt = EQ e−r(T −t) g ST1 | Ft .

Théorème 2.3.4 Le prix implicite de g ST1 est donné par

h i
EQ e−r(T −t) g ST1 | Ft

(2.11)
où Q est la probabilité risque-neutre.
Ceci est clairement équivalent au théorème de Feynman-Kac.

Comme le processus St est un processus d’Itô, il est un processus de Markov (voir le livre de Shreve
p.e.):
53
Théorème 2.3.5 Soit 0 ≤ t0 < t1 , soit h(y) une fonction et soit X un processus d’Itô satisfaisant
Théorème 2.3.1. Désignons par
IE t0 ,x [h(X(t1 ))]
l’espérance de h(X(t1 )), donné que X(t0 ) = x.
Supposons que ξ ∈ IR est fixé et que X(0) = ξ.
On a la propriété de Markov:
IE 0,ξ [h(X(t1 )) |Ft0 ] = IE t0 ,X(t0 ) [h(X(t1 ))] .
En utilisant le fait que le processus St est un processus de Markov:
Yt = EQ e−r(T −t) g ST1 | Ft = C t, St1 .

On retrouve aisément l’EDP de Black & Scholes et le portefeuille de couverture en appliquant la formule
d’Itô à C t, St1 .

En effet,
∂C ∂C 1
2 ∂2C
dC t, St1 = t, St1 dt + t, St1 dSt1 + St1 σ t, St1 dt.

∂t ∂x 2 ∂x2
En utilisant le fait que e−rt C t, St1 est une martingale sous Q, on retrouve l’équation aux dérivées

partielles (2.9).
On décompose C t, St1 en

C t, St1 = αt St0 + βt St1

avec
0 −1
αt = C t, St1 − St1 Cx t, St1

St
et
βt = Cx t, St1 .

Il suffit de reporter αt et βt dans l’expression de dCt pour vérifier que le portefeuille (α, β) est un
portefeuille de couverture autofinançant.
54
2.3.4 Calcul explicite
Dans notre modèle, (2.10) ou (2.11) nous permet de poursuivre les calculs.
On a vu qu’un processus Ss1

s
vérifiant l’équation
dZsx,t = rZsx,t ds + σZsx,t dBs , Ztx,t = x
a une loi log-normale.

Ici, l’instant initial est t et Zsx,t a un logarithme de loi
2

N ln Ztx,t + r − σ2 (s − t) , σ 2 (s − t)
On peut ainsi calculer

h i h i
IEQ e−r(T −t) g ST1 | Ft = IE e−r(T −t) g ZTx,t = e−r(T −t) IE g ZTx,t

R +∞
= e−r(T −t) −∞ g (eu ) fT −t (u) du,

σ2
où fT −t (u) est la densité de loi normale de moyenne ln x+ r − 2 (T − t) et de variance σ 2 (T − t) .
Plaçons-nous dans le cas g (x) = (x − K)+ .

Soit
Rx −u2 /2 du.
φ (x) = √1
2π −∞ e
Alors en utilisant que

R +∞ u
R u
R
−∞ g (e ) fT −t (u) du = {u>ln K} e fT −t (u) du − K {u>ln K} fT −t (u) du,
nous pouvons facilement démontrer le résultat suivant:
Théorème 2.3.6 (Formule de Black et Scholes) Le prix implicite à t est donné par
C (t, x) = xφ (d1 (t)) − Ke−r(T −t) φ (d2 (t))
où
n o
√1 x σ2
d1 (t) = σ T −t
ln K + (T − t) r + 2 ,
√
d2 (t) = d1 (t) − σ T − t.
55
2.3.5 Commentaires sur la formule de Black et Scholes
−→ Remarque que C (t, x) ne dépend pas de µ.

a) Dépendance de C par rapport à x.
Il est intéressant de voir comment évolue le prix de call en fonction de l’actif sous-jacent, c’est-à-dire
d’évaluer la quantité ∂C
∂x .
Cette quantité est appelée le delta et généralise le ∆ du chapitre 1.
C’est la quantité d’actif risqué qui compose un portefeuille de couverture construit sur l’actif sous-jacent
et sur l’obligation.
∂C
Un calcul directe mais long permet d’établir que ∂x = φ (d1 ) > 0.
Une autre méthode consiste à écrire
+
−rT x,0
C (0, x) = IEQ e ZT − K
avec
h i
σ2
ZTx,0 = x exp r− 2 T + σBT
d’où
+
σ2 T
C (0, x) = IEQ x exp σBT − 2 − e−rT K
+
σ2
= IEQ x exp −σBT − 2 T − e−rT K
car BT a la même loi que −BT . On dérive cette expression sous le signe IEQ .
2
+
La dérivée de x exp −σBT − σ2 T − e−rT K est égale à

σ2 √
exp −σBT − 2 T 1BT ≤ d2 T ,
√
sauf aux points tels que BT = d2 T qui forment un ensemble négligeable.
On obtient ainsi
h i
∂C σ2 √
∂x = IEQ exp −σBT − 2 T 1BT ≤ d2 T
56
On définit la probabilité P ∗ par

σ2 T
dP ∗ = exp −σBT − 2 dQ
et nous remarquons que Bt∗ = Bt + σt est un P ∗ m.b.

On a
√ h √ √ i
∂C
∂x = P ∗ (BT ≤ d2 T ) = P ∗ BT + σT ≤ d2 + σ T T
h ∗
B √ i √
= P ∗ √TT ≤ d2 + σ T = φ d2 + σ T = φ (d1 (0)) ≥ 0
=⇒ Donc quand le cours de l’action monte, le prix du call monte.

A une fluctuation d’un euro du cours de l’action correspond une fluctuation de delta euros du prix du
call.
∂C
b) Sensibilité à la volatilité. (Véga ∂σ )
L’acheteur d’une option spécule. Donc l’intuition est qu’il est prêt à payer un prix d’autant plus élevé
que les fluctuations du sous-jacent sont grandes. Nous vérifions cette intuition:
Lorsqu’un produit financier suit la loi
dSt1 = µSt1 dt + σSt1 dBt
on a coutume de dire que σ représente la volatilité de ce produit. Intuitivement σ représente l’écart type
1
de dS
S1
et est liée au risque de l’actif (plus ce coefficient est élevé, plus l’influence du terme aléatoire est
1

importante). La formule d’Itô appliquée à C t, St conduit à
2
∂C ∂C 1 1 ∂2C ∂C
dCt = ∂t + ∂x µSt + 2 σSt1 ∂x2
dt + 1
∂x σSt dBt
et la volatilité du call est
1 ∂C 1
C ∂x S σ,
ce que nous pouvons écrire
S 1 ∂C
υC = C ∂x υS
57
1
En posant η = SC ∆, on obtient que la volatilité du call est proportionnelle à la volatilité du stock sous-
jacent: υC = ηυS ce qui généralise le cas discret.
On remarque que
S 1 ∂C S 1 φ(d1 )
η= C ∂x = S 1 φ(d1 )−Ke−rT φ(d2 )
≥ 1.
Le risque de l’option est plus grand que celui de l’actif sous-jacent.

D’autre part, nous avons vu que
dCt
Ct = µc dt + σc dBt ,
avec
2
1 ∂C 1 ∂2C ∂C
µc = Ct ∂t + 2 σSt1 ∂x2
+ 1
∂x µSt
1
rCt − rSt1 ∂C 1 ∂C 1

= Ct ∂x + Ct ∂x µSt
=⇒
St1 ∂C
µc − r = Ct ∂x (µ − r) = η (µ − r)
ce qui généralise les résultats du cas discret.
c) Portefeuille de marché.
On définit un portefeuille de marché comme un portefeuille comportant une obligation et une action. Sa
valeur en t est Mt = St0 + St1 d’où
dMt = rSt0 + µSt1 dt + σSt1 dBt ,

que l’on écrit
dMt
Mt = µM dt + σM dBt
rSt0 +µSt1 σSt1

avec µM = St0 +St1
et σM = St0 +St1
.
En remarquant que
dMt dSt1 σ 2 St1

cov , = ,
Mt St1 St0 + St1
on constate qu’avec µS = µ:
58
1

dMt dSt
cov Mt
, 1
St
µS − r = V ar dMt /Mt (µM − r) .
d) Le gamma , Coûts de transactions.

Pratiquement, la sensibilité du delta aux variations du cours du sous-jacent est un paramètre important
de la gestion.
∂2C ∂∆
On introduit le gamma de l’option qui est ∂x2
= ∂x (la dérivée du delta par rapport au cours de l’action):
∂2C
∂x2
= 1√
xσ T
φ0 (d1 )
où
2
d
φ0 (d1 ) = √1
2π
exp − 21 > 0.
Le prix du call est une fonction convexe du prix du sous-jacent.
e) Temps jusqu’à la maturité
L’effet du temps est très important pour des options arrivant à maturité. On a en effet
C t, St1 = St1 φ (d1 (t)) − Ke−r(T −t) φ (d2 (t))

avec
n o
√1 x σ2

d1 (t) = σ T −t
ln K + (T − t) r + 2
et
∂2C
t, St1 = 1
φ0 (d1 (t))

∂x2
√
St1 σ T −t
−→ 0
cette dernière quantité tend vers 0 quand t tend vers T.
Plus l’échéance est éloigné, plus le prix du call est élevé. Il est donc utile d’évaluer la sensibilité de ce
prix par rapport au temps, c’est-à-dire, en posant τ = T − t, de calculer ∂C ∂τ .
0 0 0 0
∂C
∂τ = xφ (d1 ) d1 (τ ) + rKe−rτ φ (d2 (τ )) − Ke−rτ φ (d2 (τ )) d2 (τ ) .
59
On remarque que
0 √
2 τ /2 x rτ 0
φ0 (d2 (τ )) = φ (d1 (τ )) e−σ eσ τ d1 (τ ) = Ke φ (d1 (τ ))
et
0
d02 (τ ) = d1 (τ ) − σ
√
2 τ
d’où
0
∂C
∂τ = xσ
√ φ
2 τ
(d1 (τ )) + Ke−rτ rφ (d2 (τ )) ;
cette quantité est positive. Le prix d’un call est une fonction croissante de la maturité.
∂C ∂2C
f) Exercice ∂K ≤ 0, ∂K 2
≥ 0.
Le prix du call est une fonction convexe décroissante du prix d’exercice.
∂C
g) Rho: ∂r >0
60
2.3.6 Applications : Autres options dans le modèle de Black et Scholes.
1. Une option supershare.

Exercice
dSt0 = rSt0 dt

Dans le cadre de Black et Scholes r constante dSt
St = µdt + σdBt
Calculer le prix d’une “supershare” (un cas d’option binaire) avec payoff
ST
SST = Z = g (ST ) = K1 1{K1 <ST <K2 }
Solution.
S0
SS0 = K1 (φ (h1 (S0 , T )) − φ (h2 (S0 , T )))
ln(s/Ki )+(r+σ 2 /2)t

hi (s, t) = √
σ t
.
2. Un contrat forward.
−→ Considérons χ = f (ST ) FT −mesurable et supposons qu’on est à la date t.
Définition 2.3.1 Un contrat forward sur χ, fait à l’instant t, est un contrat qui stipule que l’acheteur du
contrat paiera le prix d’exercice K à la date T et recevra χ à cette date d’échéance T .
Rien n’est payé ni reçu à la date t, mais le prix forward K est déterminé à la date t.
Notation
K = f (t; T, χ)
On peut voir que le montant reçu à T est
Y =χ−K
et le prix reçu à la date t est égal à 0.

V risk neutral pricing:
61
E Q e−r(T −t) (χ − K) | Ft = 0

=⇒
E Q [χ | Ft ] = E Q [K | Ft ] = f (t; T, χ) parce que K est Ft −mesurable.
Proposition 2.3.1 Le prix forward f (t; T, χ) contracté à l’instant t, sur la variable aléatoire χ qui est
FT -mesurable est
f (t; T, χ) = E Q [χ | Ft ] .
Si χ = ST , alors
f (t, T ) ≡ f (t; T, ST ) = er(T −t) St .
3. Contrat future
Un contrat future est aussi un contrat qui délivre χ à T pour un certain prix décidé à la date t mais la
différence est qu’il y a des payements avant T à cause des appels de marge (“margin requirements”).
Nous supposons que ces payements sont faits d’une manière “continue”.
Si les taux courts sont déterministes, les prix forward et future coincident et on a
F (t; T, χ) = E Q [χ | Ft ]
4. Option sur contrat forward (et future si les taux sont déterministes)
Call européenne avec date de maturité T, strike K et sur un contrat future
F (t, T1 ; S) = F (t, T1 ) avec T < T1 .
A la date T , le payoff est
(F (T, T1 ) − K)+ = er(T1 −T ) ST − K = er(T1 −T ) ST − e−r(T1 −T ) K

+ +
Le prix du call est donc
62
c = er(T1 −T ) St φ (d1 ) − e−r(T −t) e−r(T1 −T ) Kφ (d2 )

√
avec d1 = ln St e−r(T1 −T ) K + r + σ 2 /2 (T − t) σ T − t

√
et d2 = d1 − σ T − t.
Proposition 2.3.2 (Black’s formula)
c = e−r(T −t) [F (t, T1 ) φ (d1 ) − Kφ (d2 )]
avec
ln(F (t,T1 )/K)+σ 2 (T −t)/2

d1 = √
σ T −t
√
d2 = d1 − σ T − t.
5. Exemple d’une option d’échange
Supposons:
(0) dSt0 = rSt0 dt

(1) dS1 (t) = α1 S1 (t)dt+ S1 (t)σ1 dBt1
(2) dS2 (t) = α2 S2 (t)dt + S2 (t)σ2 dBt2
avec corr Bt1 , Bt2 = 0.

Le payoff de l’option d’échange est:
(S1 (T ) − S2 (T ))+
parce qu’il donne à l’acheteur le droit mais pas l’obligation de changer un actif S2 pour l’actif S1 à
l’instant T.
=⇒ EDP multidimensionnelle (voir la section suivante)
63
Ft + rs1 F1 + rs2 F2 + 12 s21 σ12 F11 + 12 s22 σ22 F22 − rF = 0

F (T, s1 , s2 ) = (s1 − s2 )+
Parce que (S1 (T ) − S2 (T ))+ est homogène d’ordre 1 on peut utiliser la transformation

F (t, s1, s2 ) = s2 . G t, ss12
où G (t, z) satisfait à
Gt (t, z) + 12 z 2 Gzz (t, z) σ12 + σ22 = 0

G (T, z) = (z − 1)+
 
 r=0 
−→ EDP de Black et Scholes avec K = 1p
vol = σ12 + σ22
 
−→ G (t, z) = zφ (d1 (z)) − φ (d2 (z))
ln z+(σ12 +σ22 )(T −t)/2

d1 (z) = √ 2 2√
(σ1 +σ2 ) T −t
p √
d2 (z) = d1 (z) − σ12 + σ22 T − t.
Nous avons donc comme conclusion que

F (t, s1 , s2 ) = s2 G t, ss12 = s1 φ d1 ss12 − s2 φ d2 ss12 .
64
2.4 Extensions de la formule de Black et Scholes
On va généraliser la formule obtenue dans le paragraphe précédent à un cas multidimensionnel, où les
actions versent des dividendes.
2.4.1 Stratégies de financement
Le marché comporte (d + 1) actifs: une obligation (sans risque) et d actions.

Le vecteur des prix des (d + 1) actifs est noté St , celui des d actifs risqués St∗ .
On suppose que l’action i, ainsi que l’obligation, versent un dividende. On note Dti , i ≥ 0 les dividen-

des cumulés payés par l’actif i jusqu’au temps t. Dt ∈ IRd+1 .

On appelle processus de gain le processus G : Gt = St + Dt . On suppose que G est un processus d’Itô.
Formellement, le gain total d’un portefeuille θ (capital plus dividende) est donné par
Rt Rt Rt
0 θ (s) · dGS ≡ 0 θ (s) · dSs + 0 θ (s) · dDS
R
mais nous supposons seulement l’existence de θ · dG (donc θ appartient à Θ (G)).
Définition 2.4.1 Soit Z une variable aléatoire positive FT -mesurable. On dit que θ ∈ Θ (G) finance Z
si
Z t
θt · St = θ0 · S0 + θ (s) · dG (s) t ∈ [0, T ] p.s.
0
θT · ST = Z p.s.
On peut généraliser cette définition en considérant un processus ξ de consommation ou de refinancement.
Définition 2.4.2 Soit Z ∈ FT et ξt un processus Ft adapté tel que
RT
0 | ξ (s) | ds < ∞ p.s.
On dit que θ ∈ Θ (G) finance (ξ, Z) si
65
Rt Rt
θt · St = θ0 · S0 + 0 θ (s) · dG (s) − 0 ξ (s) ds t ∈ [0, T ] p.s.
θT · ST = Z p.s.
La quantité θ0 · S0 est le prix implicite à l’instant 0 de (ξ, Z). Sous A.O.A. ce prix ne dépend que de
(ξ, Z). Le prix implicite à l’instant t est
π (ξ, Z)t = θt · St .
2.4.2 Les variables d’état
On suppose à présent que l’économie est décrite par un vecteur d’état Yt ∈ IRd , vérifiant l’EDS
dYt = ν (t, Yt ) dt + η (t, Yt ) dBt (2.12)
où Bt est un m.b. multidimensionnel donné de dimension m,

ν est une fonction de [0, T ] × IRd à valeurs dans IRd ,
η est une fonction de [0, T ] × IRd à valeurs matricielles d × m.
On suppose que ν et η sont mesurables et sont lipschitziennes en x, uniformément par rapport à t, pour
assurer l’existence d’un unique processus Y vérifiant (2.12).
On suppose que les prix des actifs risqués sont des fonctions de Yt soit
St∗ = Y (t, Yt )
où Y est une fonction de C 1,2 [0, T ] × IRd , IRd telle que la matrice Yy = ( ∂Y

∂yj )i,j est inversible.
i
Nous supposons que le marché est complet et donc que d = m et que η est inversible.
Cette hypothèse nous permettra d’obtenir l’existence d’un portefeuille finançant une variable terminale.
L’obligation est supposée avoir un prix constant St0 = 1.
Les processus des dividendes sont donnés par les taux, on suppose que ce sont des fonctions de Yt :
dDtT

dt = r (t, Yt ) , δ (t, Yt )T ,
où r (t, y) représente le taux d’intérêt à court terme; δ (t, y) ∈ IRd est le taux des dividendes.
66
2.4.3 EDP de Black et Scholes
On considère les stratégies qui financent (ξ, Z) dans le cas
ξt = f (t, Yt ) où f : [0, T ] × IRd −→ IR
Z = g (YT ) où g : IRd −→ IR
On suppose qu’il existe une fonction
C ∈ C 1,2 [0, T ] × IRd , IR telle que π (ξ, Z)t = C (t, Yt )

et un portefeuille θ finançant (ξ, Z) et on va déterminer C. Soit
Vt ≡ π (ξ, Z)t = θt · St .
En utilisant le fait que θ finance (ξ, Z) on obtient
dVt = θt · dGt − f (t, Yt ) dt

= θt · dSt + θt · dDt − f (t, Yt ) dt
= αt dSt0 + βt · dSt∗ + {αt r (t, Yt ) + βt · δ (t, Yt )} dt − f (t, Yt ) dt
où
θtT = αt , βtT avec αt ∈ IR, βt ∈ IRd .

Nous utilisons le lemme d’Itô pour calculer dSt∗ .

T
Nous rappelons d’abors le lemme d’Itô multidimensionnel: Soit X = X 1 , ..., X d un processus d’Itô
multidimensionnel:
dXt = µt dt + σt dBt
où µt est un processus Ft -adapté, µt : Ω −→ IRd

σt est une matrice aléatoire (d × k) adapté,
Bt un mouvement brownien de dimension k,
µ, σ processus verifiant (1.10).
67
Lemme 2.4.1 Soit f ∈ C 1,2 [0, T ] × IRd ; IR .

On note

∂f ∂f
fx (t, x) = (t, x) , ..., ∂x
∂x1 d
(t, x) le vecteur ligne
2
fxx (t, x) la matrice ∂x∂i ∂xj f (t, x) et ft (t, x) = ∂f
∂t (t, x) .
i,j
Soit Yt = f (t, Xt ),
alors
dYt = ft (t, Xt ) + fx (t, Xt ) µt + 12 tr σt σtT fxx (t, Xt )

dt + fx (t, Xt ) σt dBt
d
P
où pour une matrice carrée (Ai,j )i,j on note trA = Ai,i (la somme des éléments diagonaux).
i=1
Notation
dYt = Lf (t, Xt ) dt + fx (t, Xt ) σt dBt
où l’opérateur L s’appelle le générateur infinitésimal ou le Dynkin:
Lf (t, x) = ft (t, x) + fx (t, x) µt + 21 tr σt σtT fxx (t, x) .

Nous remarquons que dSt0 = 0 car St0 = 1 :
d d
( )
X X
dVt = βti dSti + αt r (t, Yt ) + βti δ i (t, Yt ) dt − f (t, Yt ) dt
i=1 i=1
d
X
βti LY i (t, Yt ) + δ i (t, Yt ) dt + [αt r (t, Yt ) − f (t, Yt )] dt

=
i=1
d
X
+ βti Yyi (t, Yt )η(t, Yt )dBt (2.13)
i=1
68
où
1
LY i (t, Yt ) = Yti (t, Yt ) + Yyi (t, Yt )ν(t, Yt ) + tr η(t, Yt )η(t, Yt )T Yyy
i

(t, Yt )
2
D’autre part, en utilisant Vt = C (t, Yt ) on obtient
dVt = LC (t, Yt ) dt + Cy (t, Yt ) η (t, Yt ) dBt (2.14)

où
1
LC(t, Yt ) = Ct (t, Yt ) + Cy (t, Yt )ν(t, Yt ) + tr η(t, Yt )η(t, Yt )T Cyy (t, Yt ) .

2
On identifie les coefficients de Bt dans (2.13) et (2.14)
βtT Yy (t, Yt ) η (t, Yt ) = Cy (t, Yt ) η (t, Yt )
Yy1
 
d’où puisque Yy =  ...  est inversible

 
Yyd
βtT = Cy Yy−1
et
C (t, Yt ) = αt + βt · St∗ = αt + Cy Yy−1 St∗
d’où
αt = C − Cy Yy−1 St∗ .
On identifie à présent les coefficients de dt dans (2.13) et (2.14), en remplaçant αt et βt par leurs valeurs.
Il vient
Cy Yy−1 (LY + δ − rSt∗ ) = f + LC − rC.
69
LY 1
 
avec LY =  ... .
 
LY d
On explicite les opérateurs LY et LC qui dépendent des coefficients ν et η du processus Y.

2 i
i la matrice de composantes ∂ Y
Il vient, en notant Yyy ∂yl ∂yk l,k

Cy Yy−1 Yy · ν + Yt + 1
tr ηη T Yyy
i + δ − rSt∗

2 1≤i≤d
= f − rC + Cy · ν + Ct + 12 tr ηη T Cyy

Yt1
 
avec Yt =  ...  et tr ηη T Yyy

i
T Y 1 , · · · , tr ηη T Y d
T
= tr ηη
 
1≤i≤d yy yy
Ytd
Après simplification par Cy · ν, si l’on pose
n o
γ (t, Yt ) = −Yy−1 (t, Yt ) Yt (t, Yt ) + 1
tr(ηη T Yyy
i (t, Y ))

2 t 1≤i≤d
+ δ − rY (t, Yt )
on trouve
Cy γ + Ct + 12 tr ηη T Cyy = rC − f

Notons L̂ l’opérateur défini par
L̂C = Cy γ + Ct + 21 tr ηη T Cyy

La fonction C est solution de l’EDP:
L̂C − rC = −f (2.15)
et est soumise à la condition frontière
C (T, y) = g (y) . (2.16)
Nous avons une représentation des solutions de (2.15) et (2.16) grâce à la formule de Feynman-Kac.
70
Théorème 2.4.1 Sous des conditions de régularité, l’unique solution de (2.15) - (2.16) est donnée par
hR i
T
C (t, y) = IE t e−φ(s) f (s, Wsy,t )ds + e−φ(T ) g WTy,t
où Wsy,t est l’unique processus solution de

(
dWsy,t = γ s, Wsy,t ds + η s, Wsy,t dBs
Wty,t = y
avec

γ (t, x) = −Yy−1 (t, x) Yt + 1
tr ηη T yyy
i

2 1≤i≤d
+ δ − rY (t, x)
où
Rs
φ (s) = t r(u, Wuy,t )du.
La fonction C représente le prix implicite d’une stratégie finançant (ξ, Z) dans le cas
ξt = f (t, Yt ) et Z = g (YT )
Retournons à la dernière application de la section 2.3.6:
St = Y (Yt ) =⇒ Y = identité Yy = 1 Yyy = 0 Yt = 0
=⇒
γ (t, x) = +r (t, x) x
=⇒
LĈ − rC = 0 avec L̂C = Cx r (t, x) x + Ct + 21 tr ηη T Cxx

2.4.4 Probabilité risque-neutre.
On peut démontrer le théorème 2.4.1 avec le concept de probabilité risque-neutre en tenant compte que
la probabilité risque-neutre Q est définie en générale telle que le processus du gain actualisé Gat est une
martingale sous Q, où Gat est définie par
Z t Z t Z s
a
Gt = exp − ru du St + exp − ru du dDs . (2.17)
0 0 0
71
Chapitre 3
Options exotiques
Dans une première section nous présentons des options à barrières. Dans une deuxième section nous
présentons d’autres options exotiques.
3.1 Les options à barrières
Dans ce type d’options, un niveau (barrière) L ou H est fixé au même moment que le prix d’exercice.
Nous nous restreignons au cas des options d’achat européennes.
L’acheteur d’une option Down-and-out perd le droit d’exercice si le prix du sous-jacent (St )t≥0 descend
sous le niveau L avant la date d’échéance T . On suppose que S0 > L. Sinon le détenteur de l’option
reçoit le payoff (x − K)+ pour une call option.
Le prix d’un down-and-out call est
h i
DOC(S0 , K, L) = E Q e−rT (ST − K)+ 1(TL >T )
où TL est le temps d’arrêt où le sous-jacent franchit pour la première fois la barrière, soit:
TL = inf {t |St ≤ L } = inf {t |St = L }, la dernière égalité résultant de l’hypothèse S0 > L et de la
continuité des trajectoires.
Les options Up-and-out, Up-and-in et Down-and-in sont définies de manière analogue.
On peut aussi considérer le cas où le détenteur de l’option reçoit une compensation F en cas de fran-
chissement de la barrière du bas L. Cette compensation est fixée à la signature du contrat et est percue
au moment
h du franchissement
i de la barrière ou à la date d’échéance.
h Le prix de l’option
i est majoré de
Q −rT
F E e L 1(TL ≤T ) dans le premier mode de paiement et F E e Q −rT 1(TL ≤T ) dans le second. On
peut aussi envisager la compensation F en cas de franchissement de la barrière du haut H.
72
h i
Dans un premier paragraphe nous allons d’abord dériver la valeur de F E Q e−rT 1(TH ≤T ) et dans
h i
un deuxième paragraphe celui de F E Q e−rTH 1(TH ≤T ) . Nous aurons besoin de résultats de Calcul
Stochastique. Dans un dernier paragraphe nous nous concentrons sur la valorisation et couverture d’une
option Down-and-In.
Nous nous plaçons dans le modèle complet de Black et Scholes où sous la probabilité risque-neutre Q,
le prix du sous-jacent est donné par
dSt
= rdt + σdBt .
St
Rx exp(−u2 /2)
Dans ce chapitre, Φ(x) = −∞
√
2π
du, x ∈ IR.
3.1.1 Prix de la compensation F en cas de franchissement de la barrière du haut H, payé

à la date d’échéance
En utilisant la formule de risque-neutral pricing, nous devons calculer
F e−rT EQ 1(TH ≤T ) =?

Parce que
dSt
= rdt + σdBt
St
on peut écrire que

1 2
St = S0 exp r − σ t + σBt
2
r σ
= S0 exp σ Bt + − t
σ 2
= S0 exp (σWt )
r σ
avec Wt = Bt + mt, avec m = σ − 2
Ainsi on peut réécrire le temps de franchissement
73
TH = inf {t, St ≥ H}

H
= inf t : σWt ≥ ln
S0

1 H
= inf t : Wt ≥ ln
σ S0
1 H
= Th avec h = ln
σ S0
Nous concluons que la compensation est égale à
" #
−rT
EQ 1(TH ≤T ) = F e−rT Q

Fe sup Wt ≥ h
0≤t≤T
" #
−rT
= Fe Q sup (Bt + mt) ≥ h
t≤T
Nous avons donc besoin de quelques résultats sur des mouvements Brownien, qui seront donnés dans
l’Intermezzo suivant.
74
INTERMEZZO: CALCUL STOCHASTIQUE
Quelques résultats sur (Bt )t , un mouvement Brownien sans dérive:
I. Principe de réflexion.
Proposition 3.1.1 Notons Mt = sup0≤s≤t Bs avec (Bs )s un m.B.

Pour 0 ≤ y, x ≤ y
 P (Bt ≤ x, Mt ≥ y) = P (Bt ≥ 2y − x) .



 Pour x ≥ y ≥ 0
P (Mt ≥ y, Bt ≥ x) = P (Bt ≥ x) .
Démonstration
Le cas x ≥ y ≥ 0 est trivial. Prenons donc le cas 0 ≤ y, x ≤ y.

Soit Ty = inf {t : Bt ≥ y} le temps d’attente de y et Mt = sup0≤s≤t Bs . Par définition
(Ty ≤ t) = (Mt ≥ y) .
Par continuité des trajectoires Ty = inf {t : Bt = y} et BTy = y. D’où
P (Bt ≤ x, Mt ≥ y) = P (Bt ≤ x, Ty ≤ t)

= P Bt − BTy ≤ x − y, Ty ≤ t

= E 1Ty ≤t P Bt − BTy ≤ x − y |Ty

∼
= E 1Ty ≤t P B t−Ty ≤ x − y

d
où Bet−Ty = Bt − BTy , t ≥ Ty est un mouvement brownien indépendant de (Bt , t ≤ Ty ), de même
∼
loi que −B. Ainsi on trouve que

∼
P (Bt ≤ x, Mt ≥ y) = E 1Ty ≤t P B t−Ty ≥ y − x
et en remontant les calculs, on trouve que:
75

P (Bt ≤ x, Mt ≥ y) = E 1Ty ≤t P (Bt − BTy ≥ y − x | Ty )
= P (Bt ≥ 2y − x, Ty ≤ t)
= P (Bt ≥ 2y − x)
car 2y − x ≥ y.
II. Résultats pour un mouvement Brownien avec dérive.

La proposition suivante est très importante pour les options à barrières:
Proposition 3.1.2 Notons MtX = sup (σBs + µs).

0≤s≤t
Pour Xt = µt + σBt σ>0:

P MtX ≤ y = Φ y−µt 2µy/σ 2 Φ −y−µt

y≥0 √
σ t
− e √
σ t
.
Démonstration.
Nous remarquons que

µs y
P MtX ≥ y = P

sup Bs + σ ≥ σ = P (τ ≤ t)
s≤t
y
− σµ t .

avec τ = inf t | Bt ≥ σ
2

−2µ/σ Bt −2 µ2 t
Puisque e σ est une martingale:
t
µ2 µ2
Z Z
e−2µ/σ Bt −2 σ2 t dP = e−2µ/σ Bτ −2 σ2 τ dP
(τ ≤t) (τ ≤t)
µ2
Z
y µ
= e−2µ/σ( σ − σ τ )−2 σ2 τ dP
(τ ≤t)
2
= e−2µy/σ P (τ ≤ t)
76
Par conséquent :
2µ2
Z
2µy/σ 2
MtX e−2µ/σ Bt − σ2 t dP

P ≥y = P (τ ≤ t) = e
(τ ≤t)
2

2µy/σ 2 −2µ/σ Bt − 2µ2 t
= e EP e σ 1(τ ≤t)
µ2
En utilisant le théorème de Girsanov dans le cas dQ
dP |Ft = e−µ/σ Bt − 2σ2 t , on sait que sous Q : Bt + σµ t =
B
et est un mouvement brownien. Ainsi:
"
2t
#
µ
−σ Bt − µ µ
− µ2t
2
P MtX ≥y

= e 2µy/σ 2
EP e 2σ 2
e−σ (Bt + µt
σ ) 2σe 1τ ≤t
"
2
#
µ e
−σ Bt − µ 2t
2µy/σ 2 2σ
= e EQ e 1τ ≤t
"
2
#
µ e
−σ Bt − µ 2t
2µy/σ 2 2σ
= e EQ e 1Mt ≥y/σ
avec Mt = sup0≤s≤t B
es sous Q telle que:
 h i
 Q Mt ≥ a, et ≤ x = Q B
B et ≤ x − 2a x≤a
h i
 Q Mt ≥ a, et ≥ x = Q B
B et ≥ x x>a
n o
par le principe de réflexion. En plus on sait que τ = inf t | B
et = y/σ , et on obtient
77

µ e 2
Bt − µ 2t
Z
−σ
2µy/σ 2
P MtX ≥ y
2σ
= e 1(Mt ≥y/σ) e dQ

2t 2
Z y/σ µ
−σ x− µ
Z +∞ µ
−σ x− µ 2t
2µy/σ 2 2σ 2 2µy/σ 2 2σ
= e e fBet (x − 2y/σ) dx + e e fBet (x) dx.
−∞ y/σ

y/σ µ 2t Z +∞ µ µ2 t
x− µ
Z
2µy/σ 2
−σ dx
x− 2y
2 − σ x− 2 dx
e−( )
2σ 2 2 2
= e e √ σ
/2t
+ e2µy/σ e 2σ
e−x /2t √
−∞ 2πt y/σ 2πt
!
Z y/σ 2 dx
Z +∞ 2
1 2y µt 1 µt 2 dx
= e− 2t (x−( σ − σ )) √ + exp − x+ e2µy/σ √
−∞ 2πt y/σ 2t σ 2πt

Z −y+µt 2 2
√
e−u /2 +∞
e−u /2
Z
σ t 2
= √ du + e2µy/σ √ du
−∞ 2π y
√
σ t
+ µt
√
σ t
2π

−y + µt 2µy/σ 2 −y − µt
= Φ √ +e Φ √
σ t σ t
x−( 2y
σ
− µt
σ ) x+µt/σ
où nous avons utilisé les substitutions u = √
t
et u = √
t
. Par la symétrie d’une loi normale,
on obtient le résultat:

y − µt 2µy/σ 2 −y − µt
MtX

P ≤ y = P (τ ≥ t) = Φ √ −e Φ √ .
σ t σ t
Fin de l’Intermezzo calcul stochastique
78
Nous allons maintenant appliquer les résultats précédents à la valeur de compensation:
" #
F e−rT EQ [1TH ≤ T ] = F e−rT Q sup (Bt + mt) ≥ h
t≤T

−h + mT −h − mT
= F e−rT Φ √ +e 2mh
Φ √
T T
2 hσ + rT − σ 2 /2 T

−hσ + rT − σ T /2 2(r−σ 2 /2)h/σ
= F e−rT Φ √ +e Φ − √
σ T σ T
r
en substituant l’expression m = σ − σ2 . Maintenant h peut encore être substitué.
3.1.2 Valeur de la compensation payé au moment du franchissement
Maintenant nous dérivons le prix F EQ e−rTh 1(Th ≤T ) de la compensation F en cas de franchissement

d’une barrière du haut H payé au moment du franchissement
EQ e−rTH 1(TH ≤T ) = ER exp mWTh − 12 m2 Th e−rTh 1(Th ≤T )

avec
dR dQ
exp −mBt − 21 m2 t ou exp mWt − 21 m2 t

dQ |t = dR |t =
sous R : Wt = Bt + mt est un mouvement brownien standard. Donc

h 2
i
EQ e−rTH 1(TH ≤T ) = emh ER 1(Th <T ) exp − 2r+m

2 Th
avec
1
ln H

TH = Th = inf t : Wt ≥ σ x =h
et avec Wt un mouvement brownien standard sous R.
Nous avons à nouveau besoin d’un résultat sur le mouvement Brownien.
79
Un résultat sur le mouvement brownien (Bt )t≥0 .
Proposition 3.1.3
√ √ √

−µTy −y 2µ y
+ e 2µy Φ −y/ a − 2µa
p p
EQ e 1(Ty <a) = e Φ 2µa − √
a
avec Ty = inf {t : Bt ≥ y} avec Bt mouvement brownien sous Q
Démonstration:
√ h √ i
EQ e−µTy 1(Ty <a) = e−y 2µ EQ e 2µBTy e−µTy 1(Ty <a)

Nous utilisons le théorème de Girsanov avec
∼ √
dQ
dQ = eBt 2µ−µt .
∼ ∼ √ n
et + √2µt = y
o
Sous Q, Bt = Bt − 2µt est un mouvement brownien. Donc avec Ty = inf t, B
√ √

−µTy −y 2µ
E ∼ 1Ty < a = e−y 2µ Q
p
EQ e 1Ty <a = e esup 2µs ≥ y
B
es +
Q 0≤s≤a
√ √ √

−y 2µ
p
2µy −y p
= e Φ 2µa − y/ a + e Φ √ − 2µa
a
parce que pour Xt = σBt + µt

Q MtX ≥ y = Φ −y+µt 2µy/σ 2 Φ −y−µt

√
σ t
+ e √
σ t
80
Application de ce résultat à la valeur de compensation:

−rT 1 2 −rTh
EQ e H
1(TH ≤T ) = ER exp mWTh − m Th e 1(Th <T )
2
2r + m2

mh
= e ER 1(Th <T ) exp − Th
2
n o
avec Th = inf t : Wt ≥ h = σ1 ln SH0 et Wt = Bt + mt un mouvement brownien sous R tel qu’on
peut utiliser la proposition ci-dessus:
−hσ + rT + σ 2 T /2 −hσ − rT − σ 2 T /2

−rT −hσ 2rh/σ
EQ e H
1(TH ≤T ) = e Φ √ +e Φ √ .
σ T σ T
3.1.3 Valeur d’une down-and-in call.
Nous procédons maintenant à la dérivation du prix d’un Down-and-In call.
Proposition 3.1.4 Supposons x = S0 > L.

DIC (S0 , L, K) = e−rT EQ (ST − K)+ 1(TL <T ) .

Pour K ≤ L
DIC (S0 , L, K)
2r2 +1 ! 2r2 −1 !
L σ L σ
= S0 Φ (z1 ) − Φ (z2 ) + Φ (z3 ) − Ke−rT Φ (z4 ) − Φ (z5 ) + Φ (z6 )
S0 S0
avec:
h
1 σ2

x
i √
z1 = σ T
r√+ 2 T + ln K ; z 4 = z 1 − σ T
h 2
i √
z2 = σ√1 T r + σ2 T + ln Lx ; z5 = z2 − σ T
h 2
i √
z3 = σ√1 T r + σ2 T − ln Lx ; z6 = z3 − σ T .
Pour K > L
81
1+2r/σ2
KS 2

L
DIC (x = S0 , L, K) = S0 C S0 , L20 ,
ce qui permet de donner une stratégie de couverture de l’option barrière avec des calls européens.
Ou bien
1+ 2r2 h
KS02 −rT
i
L σ
DIC (x = S0 , L, K) = S0 S0 Φ (z7 ) − L2
e Φ (z8 )
avec
h i
1 L2 σ2
z7 = √
σ T
ln + r+
S0 K 2 T
√
z8 = z7 − σ T .
Pour la démonstration, nous nous limitons au cas où K > L. Nous utilisons la symétrie de Peter Carr.
Proposition 3.1.5 Symétrie de Peter Carr

dSt
Supposons que r = 0 et St = σdWt sous Q.
Alors, on a

Call (t, St , K, T ) = KSt Put t, S1t , K1 , T = Put (t, K, St , T )
Démonstration. La dernière égalité est obtenue parce que l’homogénéité implique que
Put (t, ax, aK, T ) = a Put (t, x, K, T ) .
Maintenant:

Call(t, St , K, T ) = EQ (ST − K)+ |Ft = KEQ ST K1 − 1

ST |Ft .
+
Nous introduisons une standardisation:

dMt
St = xMt avec M0 = 1, Mt = σdWt .
En utilisant le lemme d’Ito, on vérifie que
d M1t = − M12 (Mt σdWt ) + 2

2Mt3
Mt2 σ 2 dt = − Mσt (dWt − σdt)
t
82

dR σ2
Définissons dQ = Mt = exp σWt − 2 t .
∼
Alors, on a que W t = Wt − σt est un mouvement brownien sous R.
∼
Donc sous R, d M1t = − Mσt dW t .
x
Définissons aussi Zt = St .
Nous rappellons la formule de Bayes:
EQ [AMT |Ft ]
ER (A |Ft ) = .
Mt
En utilisant ces notations et ces résultats, on trouve que

+
1 ZT
Call(t, St , K, T ) = KxMt ER K − x |Ft = KSt Put t, S1t , , K1 , T
sur un actif avec dynamiques d Zxu = −σ Zxu dWu de valeur 1

St à l’instant t. Ainsi la démonstration de la
symétrie de Peter Carr est terminée.

Démonstration.
Maintenant, nous démontrons le prix d’une down-and-in call dans le cas K > L comme corollaire de la
symétrie de Peter Carr. Nous commençons par le cas où r = 0.
EQ (ST − K)+ 1(TL <T ) = EQ 1(TL <T ) EQ (ST − K)+ | FTL

où EQ (ST − K)+ | FTL = call (TL , L, K, T ) = Put (TL , K, L, T ) par la symétrie de Peter Carr.

En utilisant l’homogénéité, on trouve que

h i +
2 L2
EQ (ST − K)+ 1TL <T = EQ 1TL <T K/L Put TL , L, LK , T = K

L EQ 1TL <T EQ K − ST | FTL .
L2
On remarque que pour K − ST > 0, on a que TL < T ; donc on conclut que
83
L2

K
EQ (ST − K)+ 1TL <T =

Put x,
L K
2
K L
= call ,x
L K

K
= call L, x (3.1)
L
Kx2

L
= call x, 2
x L
Et nous trouvons donc bien le résulat dans le cas où r = 0, avec S0 = x:
1+2r/σ2
KS 2

L
DIC (x = S0 , L, K) = S0 C S0 , L20 ,
Avant de considérer le cas de taux d’intérêt non-nuls, nous observons qu’en dérivant (3.1) par rapport à
K, on obtient
Kx2

x
Q (ST > K, min St ≤ L) = Q ST > 2 (3.2)
L L
parce que
call L, K L Kx +

L x = EQ (ST x − L )
et donc
d
L, K x L Kx

dK call L x = − L Q ST x > L
Nous dérivons maintenant le prix d’un Down- and-In option dans le cas r 6= 0.
Soit S de dynamique
dSt = St (rdt + σdBt )
et
déf
γ −1 = 1 − 2r
σ2
84
En utilisant le lemme d’Ito, on trouve que St = S0 (Mt )γ avec dMt
Mt = σγ −1 dBt parce que
2
γ
( r−σ 2 /2)t+σBt − 12 σ2 t+σγ −1 Bt
St = S0 e = S0 e γ
Nous remarquons que

1/γ 1/γ !
K L
Q (ST ≥ K, min St ≤ L) = Q MT ≥ , min Mt ≤
S0 S0
Nous utilisons maintenant (3.2) ici avec S0 = x:
!
Kx 1/γ
x 1/γ
Q (ST ≥ K, min St ≤ L) = Q MT >
L L2
x 1/γ Kx2

= Q ST > 2
L L
En intégrant on trouve le résultat:
Z +∞
+
EQ (ST − K) 1TL ≤T = Q (ST > k, min St ≤ L) dk
K
L2
x 1/γ
= EQ ST 2 − K
L x +
2r2 −1 2
x2 K

L σ L
= EQ ST − 2 .
x x L +
3.2 Autres options.
Ce paragraphe est tiré du livre de Dana & Jeanblanc-Picqué.

Nous donnons en exemple quelques-unes des options traitées sur les marchés. Nous ne détaillons pas les
calculs, souvent très pénibles. Nous n’abordons pas le problème primordial de couverture, encore plus
complexe que la valorisation.
85
3.2.1 Options liées au temps d’atteinte d’une barrière.
Les options type digitales.
- Les options asset-or-nothing sont liées à un ”prix d’exercice” K. Le flux terminal est égal à la valeur du
sous-jacent si celui-ci est ”dans la monnaie” à maturité, soit ST 1ST ≥K , et à 0 sinon. Le ”prix d’exercice”
joue le role d’une barrière. La valeur d’une telle option est
e−rT EQ (ST 1ST ≥K )
et est facile à évaluer (c’est le premier terme du prix Black et Scholes).

-Les options digitales sont associées à une barrière. Le payoff d’une option digitale up-and-out est 1 si
le sous-jacent n’a pas franchi la barrière avant maturité, 0 sinon. Le prix d’une telle option est
e−rT EQ (1TL >T ) = e−rT Q (TL > T ) .
La loi de TL sous Q est la loi du premier temps d’atteinte d’une barrière
1
l= σ ln SL0
par le brownien drifté σr t + Bt . Le calcul correspondant à été fait lors du calcul de la compensation.
-Les options asset-or-nothing peuvent également avoir un caractère up-and-in lié à une barrière. Leur
prix sera alors
e−rT EQ (ST 1ST ≥K 1TL ≥T ) .
Elles sont utilisées pour obtenir des portefeuilles de couverture d’options barrières.
Les options barrières forward-start.
Dans ce type d’options, la barrière n’est mise en place qu’à un instant t < T où T est la maturité. Leur
payoff est (ST − K)+ 1THt ≥T avec
THt = inf {u ≥ t : Su ≥ H} .
86
Les options early-ending ont une barrière qui n’est opérante qu’entre l’émission et une date t.
Les boost.
Une option boost est associée à deux barrières: une barrière haute H et une barrière basse L. Le payoff
d’une telle option est proportionnel au temps passé entre les barrières avant le premier instant de sortie.
Le calcul de la valeur d’une option boost se fait au moyen de la transformée de Laplace de T ∗ = TH,L ∧T,
déf
où TH,L est le premier instant de sortie du “tunnel” TH,L = TH ∧ TL . Cette transformée de Laplace est
∗
définie par ψ (λ) = EQ e−λT .
La connaissance de cette fonction donnera le résultat voulu par dérivation par rapport à λ qui conduit à
0 ∗
−ψ (λ) = EQ T ∗ e−λT

.
∗
Pour calculer ψ, on décompose EQ e−λT

en deux parties:
∗
EQ e−λT = EQ e−λTH,L 1TH,L <T + e−λT Q (TH,L > T ) .

La loi de TH,L est connue et est donnée par une série double.
- Si le paiement a lieu à maturité, le prix d’une option boost est, au coefficient de proportionalité près
0
EQ e−rT T ∗ = −e−rT ψ (0) .

- Si le paiement a lieu ’at hit”, le prix est
∗ 0
EQ e−rT T ∗ = −ψ (r) .

3.2.2 Les options avec temps d’occupation.
Les options cumulatives.
Ce sont des options qui disparaissent si le sous-jacent a passé plus d’un certain temps, précisé dans
le contrat, au-dessus d’une barrière.R Si L est la barrière et D le temps à ne pas dépasser, le payoff
T
s’écrit (ST − K)+ 1AT ≤D où AT = 0 1St ≥L dt mesure le temps passé par le sous-jacent au-dessus de
la barrière L. Le problème est alors résolu en calculant la loi du couple (AT , ST ) ce qui nécessite des
calculs que nous ne pouvons reproduire. On pourra consulter Chesney et al. (1997) et Hugonnier (1998).
87
Les options boost-cumultatives.
Les Rboost cumulatives unilatérales ont un payoff proportionnel au temps passé au-dessus de la barrière,
T
soit 0 1St ≥L dt. Leur valeur est
RT
BC = EQ e−rT 0 1St ≥L dt
ce qui se calcule facilement
RT
BC = e−rT 0 Q (St ≥ L) dt
et le terme Q (St ≥ L) s’exprime, comme dans la formule de Black et Scholes, au moyen de la fonction
de répartition de la loi gausienne.
Les step-options.
L RT
Introduites par Linetzky (1997), leur payoff est e−νAT (ST − K)+ où AL T = 0 1St ≤L dt et ν est un
coefficient positif, précisé comme les autres paramètres K et L au moment de la signature. Ce payoff
est plus petit que le payoff européen de même prix d’exercice, avec égalité si le sous-jacent est resté
en dessous de labarrière entre l’émission et la maturité. Linetzky les valorise en déterminant la loi du
couple ST , AL . On peut également transformer l’expression en utilisant le brownien W et la loi du
RTT
couple WT , 0 1Wt ≤l dt qui figure dans l’ouvrage de Borodin-Salminen (1997).
Les options quantiles.
Introduites par Akahori (1995), leur payoff est (AαT − K)+ où
n RT o
AαT = inf x ∈ R : 0 1St ≤x dt ≥ αT .
Les options parisiennes.
Ce sont des options ayant des points communs avec les cumulatives, mais où ne cumule pas le temps.
L’option disparaı̂t si le sous-jacent reste pendant un intervalle de temps de longueur D au-dessus d’un
certain niveau L. Elles sont beaucoup plus difficiles à valoriser. La première étape est d’écrire le payoff
de façon mathématique. Pour cela, on introduit le dernier instant avant t où le sous-jacent a atteint le
niveau L que l’on note gt = sup {s ≤ t |Ss = L} , puis le temps d’arrêt H où l’option meurt par
88
H = inf {t |(t − gt ) ≥ D, St ≤ L} .
Dans cette expression, t − gt ≥ D signifie que, entre gt et t le sous-jacent ne prend pas la valeur L,
et l’inégalité St ≤ L précise qu’à l’instant t la valeur du sous-jacent est sous le niveau L. La valeur de
l’option est
EQ e−rT (ST − K)+ 1H≥T .

Cette quantité demande la connaissance de la loi du couple (ST , H) ce qui n’est pas aisé. On calcule la
transformée de Laplace en temps du prix (Chesney et al. (1997) et Yor et al. (1997)), c’est-à-dire
R∞
dte−λt EQ e−rt (St − K)+ 1H≥t .

0
En fait il est plus facile de calculer
Z ∞
dte−λt EQ e−rt (St − K)+ 1H≤t

Z0 ∞ Z ∞
+
−λt −rt
dte−λt EQ e−rt (St − K)+ 1H≥t

= dte EQ e (St − K) −
0 0
La première intégrale du second membre se calcule explicitement au moyen de la formule de Black et

Scholes. Cette technique permet d’appliquer la propriété de Markov au temps H.
3.2.3 Autres produits.
Les options asiatiques ou options sur moyenne.
Ce sont des options de maturité fixée T dont le payoff terminal est
R +
1 T
T 0 Su du − K .
Les formules exactes de valorisation sont connues, et leur mise en place nécessitent des connaissances
qui dépassent le cadre de ce cours. Nous renvoyons le lecteur à l’article de Geman-Yor, qui utilise de
manière intensive les processus de Bessel. L’idée essentielle est de calculer, non pas le prix, mais la
transformée de Laplace en temps de ce prix, c’est-à-dire
89
R∞ R +
1 t
0 e−λt EQ t 0 Su du − K dt.
Les calculs sont possibles grâce au résultat, dû à Lamperti, qui exprime St en fonction d’un processus de
Bessel évalué en un instant différent de t (formule de changement de temps).
Une autre approche, développée par Stanton (1994), Rogers et Shi (1995) et Descamps et Koehl (1997)
consiste à écrire l’équation aux dérivés partielles de valorisation. La valeur d’une option asiatique est
donnée par CtAs = X (t) A (t, Yt )
où
déf
R
1 1 t
Yt = X(t) t 0 X (u) du − K ,
et où A est solution de
∂A 1
∂A 2
∂t + T − ry ∂y + 12 σ 2 y 2 ∂∂yA2 = 0
et satisfait à la condition frontière A (T, y) = y + .

!
n
1 P
Sur les marchés, on traite des produits basés sur la moyenne arithmétique payoff n S jT
j=1 n

n 1/n
ou (ce qui est plus simple) sur la moyenne géométrique payoff Π S jT .
j=1 n
3.2.4 Produits dépendant d’une date intermédiaire.
Dans les produits suivants, on considère la maturité T et une date fixée t1 telle que t1 < T.
Les options composées.

Aussi appelées options sur option. On distingue l’option mère et l’option fille. A la date 0, l’acheteur
achète une option de maturité t1 de strike K1 sur une option de maturité T > t1 de strike K. Elles se
valorisent en remarquant que le payoff en t1 est, pour call sur call, (C (t1 , K, T ) − K1 )+ .
Les options chooser.

L’acheteur de l’option a la possibilité de décider, à une date t1 < T fixée, la nature du produit acheté:
call ou put. En utilisant la parité call-put, il est facile de montrer que le payoff d’une telle option est,
dans le cas où les maturités et prix d’exercices du call et du put sont identiques
90
+
max (C (t1 ) , P (t1 )) = C (t1 ) + Ke−r(T −t) − St1
et la valorisation est facile.
Les options cliquet.

Leur payoff est max (ST − K, St1 − K, 0) . On peut imaginer des options cliquets portant sur plusieurs
dates intermédiaires.
Les Bermuda.
Elles sont à “mi-chemin” entre les européennes et les américaines, d’où leur nom. Le détenteur d’une
telle option peut exercer son droit avant maturité, mais uniquement en certaines dates prédéfinies.
Encore d’autres produits.

Nous allons nous contenter de donner la définition de quelques produits, notre liste n’étant pas exhaus-
tive.
Les options quanto sont des options faisant intervenir deux pays et le taux de change entre ces deux
pays. Ces options ont été étudiées par Chérif (1996). Leur valorisation repose sur le principe qu’un actif
étranger transcrit en monnaie domestique est un actif domestique.
+
Un exemple est un call sur un actif étranger avec strike en monnaie étrangère. Le payoff est STf − K f
où nous avons succombé à la notation f pour désigner le pays étranger. Ce flux est transformé en mon-
naie “domestique” par le taux de change X et est alors valorisé en utilisant la probabilité risque neutre
+
d f f
domestique, indexée par d, ce qui conduit au calcul de E XT ST − K . Une autre approche
consiste à valoriser le produit en monnaie étrangère en utilisant
la probabilité risque neutre étrangère et
+
f
en transcrivant la valeur grâce au taux de change, soit Xt E f ST − K f .
Les deux approches sont identiques par absence d’arbitrage, ce qui lie les probabilités risque neutre des
deux pays.
Les options russes.

déf
Elles sont de type américain. Exercées
∗ r(τ −t)
au temps τ leur payoff est Zτ = K ∨ maxt≤τ St . Il s’agit de
trouver τ qui optimise E Zτ e .
Les options Rainbow.

Elles portent sur deux sous-jacents. Leur payoff est max (S1 (T ) , S2 (T ) , K) .
91
Chapitre 4
Généralités de modèles de taux d’intérêt

stochastiques
4.1 Généralités des modèles en temps continu.
4.1.1 Définitions.
On appelle zéro-coupon de maturité T , un titre versant un euro à la date T , et ne donnant aucun flux
entre t et T .
On suppose que, pour tout T , il existe un zéro-coupon de maturité T .
Le prix à la date t d’un zéro-coupon de maturité T est noté P (t, T ) ou B(t, T ). Dans un premier temps,
nous utiliserons la notation P (t, T ). Il est clair que P (T, T ) = 1.
On introduit “le rendement à l’échéance” en t ou le “taux à terme pour la période [t, T ]” (= “yield to
maturity” en t), soit Y (t, T ), défini par
P (t, T ) = exp (−Y (t, T )(T − t)) .
Le “taux spot forward” ou le “taux à terme instantané” en t pour la maturité T est:
92

∂ ln P (t,θ)
f (t, T ) = − ∂θ θ=T
et on a donc
R
T
P (t, T ) = exp − t f (t, u)du et
RT
Y (t, T ) = T 1−t t f (t, u)du.
Le taux spot instantané est

∂ ln P (t,T )
r(t) = lim Y (t, T ) ≡ − ∂T = f (t, t).
T →t T =t
La courbe des taux est une des fonctions
θ → Y (t, θ),
θ → P (t, θ),
θ → f (t, θ).
Le facteur d’actualisation est
Rt
R(t) ≡ exp − 0 r(s)ds.
Dans un modèle déterministe, on doit avoir
P (t, T ) = P (t, u)P (u, T ) ∀t 6 u 6 T,
pour éviter les opportunités d’arbritage.

Ceci n’est pas le cas dans un modèle stochastique.
Dans un modèle stochastique, on se donne comme toujours un espace probabilisé muni d’une filtration
Ft que l’on supposera être une filtration brownienne.
93
On suppose que les variables P (t, .) sont Ft mesurables.
On suppose que les processus P (., T ) sont ∀T positifs, adaptés, continus et que P (t, T ) est dérivable par
rapport à T , de dérivée continue.
On suppose qu’il existe une probabilité IQ sous laquelle les processus de gain actualisés (donc prix
actualisé + toutes les dividendes actualisées cumulées) sont des martingales de carré intégrable. En
particulier, dans le cas sans dividendes, le processus R(t) P (t, T ) est une martingale sous IQ.
Cette propriété entraı̂ne des résultats intéressants. Tout d’abord, puisque P (T, T ) = 1, on obtient que
h R i
T
P (t, T ) = IE IQ exp − t ru du | Ft .
Remarque
dIQ
En notant LT = dI P et Lt = IE IP (LT | Ft ) , on montre (voir Lamberton et Lapeyre p. 121 ou p. 114)
qu’il existe un processus adapté q ∈ L2LOC tel que
R
t Rt
Lt = exp − 0 q(s)dBs − 21 0 q 2 (s)ds .
On en déduit que, pour chaque maturité T , il existe un processus adapté σ(t, T ) ∈ L2LOC tel que sous IP

∼
dP (t, T ) = P (t, T ) (rt + qt σ(t, T ))dt + σ(t, T )dB t
∼
où (B t )t est un IP − Ft m.b.. La quantité q(t)σ(t, T ) est la différence entre le taux moyen du zéro-
coupon et le taux sans risque. Le processus q est appelé prime de risque, prix de marché du risque.
∼ Rt
Sous IQ, Bt = B t + 0 qs ds est un m.b. et donc sous IQ:
dP (t, T ) = P (t, T ) (rt dt + σ(t, T )dBt ) . (4.1)
94
4.1.2 Changement de numéraire.
a/ Probabilité forward - neutre
La valeur à la date t d’un flux déterministe F reçu à la date T est
h R i
T
F IEIQ exp − t ru du | Ft = F P (t, T ).
Si ce flux FT est aléatoire, la valeur à la date t de ce flux est
h R i
T
IEIQ FT exp − t ru du | Ft .
Il est possible d’interpréter cette formule en l’écrivant Fc P (t, T ), où Fc est l0 équivalent certain de FT et
est défini par
h R i
1 T
Fc = P (t,T ) IEIQ FT exp − t ru du | Ft .
Nous allons écrire cette dernière égalité en utilisant un changement de probabilité.
Par hypothèse, le processus R(t)P (t, T ) est une martingale strictement positive, son espérance est con-
stante, égale à P (0, T ).
R(t)P (t,T )
Pour tout T , le processus ζtT = P (0,T ) est une IQ-martingale strictement positive d’espérance 1.
On peut donc utiliser ζtT comme densité de changement de probabilité. Soit QT la mesure de probabilité
définie sur (Ω, FT ) par
QT (A) = IEIQ ζtT 1A pour tout A ∈ Ft .

Lorsque T est fixé, on notera ζt = ζtT .
dQT
La probabilité QT définie sur Ft par dIQ |Ft = ζtT est appelée probabilité forward - neutre de maturité T .
Nous démontrons maintenant la Règle de Bayes pour la formule du changement de probabilité dans les
espérances conditionnelles:
95
Proposition 4.1.1 Soient µ et ν deux mesures de probabilité sur un espace mesurable (Ω, G) telles que
dν (ω) = f (ω) dµ (ω) pour une f ∈ L1 (µ) .
Soit X une variable aléatoire sur (Ω, G) telle que

R
IEν [|X|] = Ω |X (ω)| f (ω) dµ (ω) < ∞.
Soit H ⊂ G une sous-tribu, alors
IEν [X |H ] IEµ [f |H ] = IEµ [f X |H ] p.s.
Démonstration
En vertu de la définition de l’espérance conditionnelle on a que si H ∈ H, alors
R R R R R
H IEν [X |H ] f dµ = H IEν [X |H ] dν = H Xdν = H Xf dµ = H IEµ [f X |H ] dµ.
D’autre part, on sait que

R
H IEν [X |H ] f dµ = IEµ [IEν [X |H ] f · 1H ] = IEµ [IEµ [IEν (X |H ) f · 1H |H ]]
R
= IEµ [1H IEν [X |H ] · IEµ [f |H ]] = H IEν [X |H ] · IEµ [f |H ] dµ ∀H ∈ H
d’où le résultat.
Corollaire 4.1.1 (Bayes’rule) Soit la fonction de densité de Radon-Nikodym ζsT s une martingale

strictement positive. Pour Y une variable aléatoire Ft mesurable tel que IEQT |Y | < ∞, on a que
pour 0 ≤ s ≤ t ≤ T :
1
IEIQ Y ζtT |Fs p.s.

IEQT [Y |Fs ] = ζsT
Donc avec les notations ci-dessus:
Fc = IEQT [FT | Ft ] .
Remarquons que lorsque r est déterministe QT = IQ.
La mesure QT est la mesure martingale associée au choix du zéro-coupon de maturité T comme numéraire,
comme l’explicite la propriété suivante.
96
Proposition 4.1.2 Si Xt est un processus de prix (sans dividendes), le prix forward Xt /P (t, T ) est une
martingale sous QT .
Démonstration
Soit T fixé. Nous savons que (Xt Rt )t est une IQ-martingale.
D’après la formule du changement de probabilité dans les espérances conditionnelles (Règle de Bayes),
on a
Xt ζtT
h i

Xt
IEIQ P (t,T )| Fs
IEQT | Fs = (4.2)
IEIQ ζtT |

P (t, T ) Fs
IEIQ [Xt Rt | Fs ] Xs R(s) Xs
= = = .
P (0, T )ζsT R(s)P (s,T )
P (0, T ) P (0,T ) P (s, T)
97
b/ Contrats forward et futures
Un contrat forward (ou contrat à terme), d’échéance T et de sous-jacent un actif dont le prix à l’instant t
est Vt , est un contrat qui permet à son détenteur d’acheter ou de vendre l’actif à l’instant T à un prix fixé
au moment de la signature du contrat en t. Ce contrat ne donne lieu à aucun échange de flux au moment
de sa conclusion.
On appelle prix du contrat, le prix Gt convenu à la signature en t auquel la transaction se fera à l’instant
T.
Un contrat future d’échéance T , écrit sur un actif de prix Vt à l’instant t, est un contrat qui fixe un prix
Ht (le prix du contrat) sur la base duquel on pratique les “appels de marge”. Chaque opérateur verse
un dépôt de garantie dont le montant lui est crédité sur un compte courant. A la clôture quotidienne, la
position de chaque opérateur est ajustée. Si une perte apparait, l’opérateur doit en assurer le financement,
dans le cas contraire, son compte est crédité.
Proposition 4.1.3 Le prix à la date t d’un contrat forward de maturité T sur un actif dont le processus
de prix est V (s) est
G(t) = IEQT [V (T ) | Ft ] .
Le prix d’un contrat future avec des modalités des ”appels de marge” simplifiées, est
H(t) = IEIQ [V (T ) | Ft ] (= prix future).
Si r est déterministe, prix future et forward sont égaux.
Démonstration
1/ Pour déterminer le prix d’un contrat forward on utilise le fait que le processus Xt défini par
Xt = 0 pour t < T
XT = VT − Gt en T ,
98
est un processus de prix. Donc par risk-neutral pricing:
Z T
EIQ exp − ru du (V (T ) − Gt ) | Ft = 0.
t
En utilisant la probabilité forward-neutre et en simplifiant:
0 = IEQT [V (T ) − G(t) | Ft ] .
On obtient le résultat parce que G(t) est Ft -mesurable.
2/ Un contrat future est caractérisé comme un actif dont le processus de dividendes est le processus
H, et dont le processus de prix S est nul. On cherche à calculer le prix “future” associé à l’obtention
de VT ,Rc’est-à-dire la valeur en t d’un processus de dividendes cumulés tel que HT = VT . Soit Rut =
u
exp − t rv dv. Le processus de dividendes actualisés cumulés
Rs
HsR = t Rut dHu
est une IQ-martingale (voir (2.17)). Nous pouvons supposer que IEIQ [(HTR )2 ] < ∞ tel que nous pouvons
utiliser le théorème 4.1.1 ci-dessous (voir aussi le chapitre de Calcul Stochastique).
Si l’on suppose r borné, le processus R est borné inférieurement et supérieurement, et de l’égalité
dHsR = Rst dHs ,
on déduit que H est une IQ-martingale, d’où
Ht = IEIQ [HT | Ft ] et HT = VT .

On conclue que lorsque FT est la valeur d’un titre, l’équivalent certain Fc est appelé le prix à terme (prix
forward) de FT . Par exemple, si S(t) est le prix d’un actif financier en unités de la date t, on appelle prix
forward SF (t) de S le prix exprimé en unités de la date T , soit
S(t)
SF (t) = P (t,T ) .
99
Théorème 4.1.1 (Théorème de représentation comme martingale) Supposons que Xt est une {Ft }
martingale continue, où {Ft } est une filtration brownienne standard.
S’il existe un T tel que IE XT2 < ∞ et si X0 = x0 , alors il existe un φ (ω, s) ∈ H 2 [0, T ] tel que

Rt
Xt = x0 + 0 φ (ω, s) dBs pour tout 0 ≤ t ≤ T.
De plus, la représentation est unique dIP × dt-p.s.
4.1.3 Valorisation d’une option sur obligation à coupons
Le prix d’une option européenne de payoff h(T ) à la date T est donné par
C(t) = Rt−1 IEIQ [h(T )RT | Ft ] .
Considérons une option de maturité T sur un produit qui verse des flux déterministes Fn aux dates Tn
telles que
T < T1 < · · · < Tn < Tn+1 < · · · < TN
et soit
N
P
V (t) = Fn P (t, Tn ).
n=1
Ceci est une obligation à coupons.
Théorème 4.1.2 Le prix d’une option européenne de prix d’exercice K et de maturité T sur un produit
qui verse des flux Fn aux dates Tn est
N
P
C(0) = Fn P (0, Tn )Qn [V (T ) > K] − KP (0, T )QT [V (T ) > K]
n=1
100
où Qn est la probabilité forward neutre de maturité Tn .
Démonstration
Par définition,
h i
C(0) = IEIQ RT (V (T ) − K)+ = IEIQ RT ( N
P
n=1 Fn P (T, Tn ) − K)+
ce qui s’écrit
N
P
C(0) = Fn IEIQ [RT P (T, Tn )1{V (T )>K} ] − KIEIQ RT 1{V (T )>K} .
n=1
Par définition de Qn on a

IEIQ RT P (T, Tn ) 1{V (T )>K} = P (0, Tn )IEQn 1{V (T )>K}
ce qui donne le résultat.
4.1.4 Valorisation d’une option sur zéro-coupon
Déterminer le prix à la date t d’un call européen d’échéance S sur un zéro-coupon d’échéance T et prix
d’exercice K, dans le cas où σ(t, T ) ∈ C[0, T ] est déterministe:
Z S
Ct = IE IQ exp(− ru du)(P (S, T ) − K)+ | Ft
t

IQ R(S)P (S, S)
= IE (P (S, T ) − K)+ | Ft P (t, S)
R (t) P (t, S)
Rt
avec R(t) = exp − 0 rs ds, donc:
S
Ct = IE Q [(P (S, T ) − K)+ | Ft ] P (t, S).
Nous cherchons la loi de P (S, T ) sous QS . Nous savons que sous QS , PP (t,T )
(t,S) est une martingale et nous
allons retrouver ainsi ce que doit être la bonne densité de Radon-Nikodym.
dP (t,T )
Nous savons que P (t,T ) = rt dt + σ(t, T )dBt sous IQ, et donc que
101
Rt Rt Rt
P (t, T ) = P (0, T ) exp( 0 ru du + 0 σ(u, T )dBu − 21 0 σ 2 (u, T )du)
et ensuite que
Z t
1 t 2
Z
P (t, T ) P (0, T ) 2
= exp + (σ(u, T ) − σ(u, S))dBu − (σ (u, T ) − σ (u, S))du
P (t, S) P (0, S) 0 2 0
1 t
Z Z t
P (0, T )
= exp − (σ(u, T ) − σ(u, S))2 du + (σ(u, T ) − σ(u, S))(dBu − σ(u, S)du)
P (0, S) 2 0 0
1 t
Z Z t
P (0, T )
= exp(− (σ(u, T ) − σ(u, S))2 du + (σ(u, T ) − σ(u, S))dBuS )
P (0, S) 2 0 0
avec dBuS = dBu − σ(u, S)du.

Pour que PP (t,T ) S
(t,S) t soit une martingale sous Q , il faut définir cette mesure comme celle qui transforme
BtS t en un m.b. standard.

D’après le théorème de Girsanov, la densité de QS par rapport à IQ doit alors être égale à:

dQS Rt Rt R(t)P (t,S)
dIQ = exp − 12 0 σ(s, S)2 ds + 0 σ(s, S)dBs = P (0,S) .
Le lemme suivant est très utile:
Lemme 4.1.1 Si ln X | Ft suit une loi gaussienne de moyenne µ et de variance σ 2 , alors
IE [(X − K)+ | Ft ] = IE [X | Ft ] Φ(d1 ) − KΦ(d2 )
où Φ(.) est la fonction de répartition de la loi gaussienne centrée, réduite et où:
102
µ−ln K+σ 2
d1 = σ
d2 = d1 − σ.
Si on note
∼2 RS
σ (t, S) = t (σ(u, T ) − σ(u, S))2 du,
le lemme s’applique ici pour X = P (S, T ) avec
∼2 ∼2

loi P (t,T )
ln X | Ft = N ln P (t,S) − 12 σ (t, S), σ (t, S)
parce que
R
P (S,T ) P (t,T ) S RS
P (S,S) = P (t,S) exp− 12 t (σ(u, T ) − σ(u, S))2du+ t (σ(u, T ) − σ(u, S))dBuS
et parce que la proposition suivante dit que :
Proposition 4.1.4 (Intégrales gaussiens) Soit f ∈ C[0, T ], alors le processus défini par
Z t
Xt = f (s)dBs pour tout t ∈ [0, T ]
0
est un processus gaussien de moyenne zéro, d’incréments indépendants et de fonction de covariance

Z s∧t
cov(Xs , Xt ) = f 2 (u)du.
0
it
En plus, si nous considérons pour t ∈ [0, T ] la partition de [0, t] donnée par ti = n pour 0 ≤ i ≤ n et
si nous prenons t∗i ∈ [ti−1 , ti ] pour 0 ≤ i ≤ n, alors
n
X Z t
f (t∗i )

lim Bti − Bti−1 = f (s)dBs ,
n→∞ 0
i=1
où la limite est prise au sens de la convergence en probabilité.
103
Nous concluons que
dP (t,T )
Proposition 4.1.5 Soit sous IQ: P (t,T ) = rt dt + σ(t, T )dBt avec (σ(t, T ))t ∈ C[0, T ] déterministe.
Le prix à la date t d’une option d’échéance S sur un zéro-coupon d’échéance T est donné par
h i
P (t,T )
Ct = P (t, S) P (t,S) Φ(d1 ) − KΦ(d2 )
⇐⇒
Ct = P (t, T )Φ(d1 ) − KP (t, S)Φ(d2 )
avec
∼
ln P (t, T )/P (t, S) − ln K + σ(t, S)2 2
d1 = ∼
σ(t, S)
∼
d2 = d1 − σ(t, S)
Z S
∼2
σ (t, S) = (σ(u, T ) − σ(u, S))2 du.
t
104
4.2 Le taux spot connu
Différentes approches sont utilisées en temps continu. La première consiste à utiliser le taux spot comme
variable explicative. Une autre approche consiste à modéliser le prix des zéro-coupons en respectant
l’hypothèse d’AOA et à en déduire l’expression du taux spot.
4.2.1 EDP de l’évolution
Maintenant, on suppose que le taux spot est connu et on cherche à décrire la courbe des taux.
Supposons que le taux spot r(t) suive, sous la probabilité historique IP , un processus d’Itô défini par
∼
dr(t) = f (t, rt )dt + ρ(t, rt )dBt (4.3)
∼
où B est un IP − m.b. unidimensionnel, et f , ρ sont des fonctions continues satisfaisant à des conditions
de croissance et de Lipschitz de telle sorte que (4.3) admette une solution unique.
Comme dans la formule de Black et Scholes, on suppose que la valeur P (t, T ) d’un zéro-coupon est une
fonction de r(t), que l’on note P (t, T ; r(t)), où P (t, T ; r) appartient à C 1,2,2 (IR+ × IR+ × IR).
Maintenant on note P (t, T ) et on fixe T :

La formule d’Itô conduit à
∼
∂P 2 ∂2P
dP (t, T ) = ∂t + f ∂P 1
∂r + 2 ρ ∂r2
(t, T )dt + ρ ∂P
∂r (t, T )dB t
∼
= P (t, T )(µ(t, T )dt + σ(t, T )dB t )
avec

1 ∂P 1 2 ∂2P
µ(t, T ) = P (t,T ) ∂t + f ∂P
∂r + 2 ρ ∂r2
(t, T )
ρ(t,r(t)) ∂P
σ(t, T ) = P (t,T ) ∂r (t, T ).
105
On regarde un portefeuille V avec des pourcentages uS en P (t, S) et uT en P (t, T ).
Les dynamiques du portefeuille relatif sont
dVt dP (t, S) dP (t, T )

= uS + uT
Vt P (t, S) P (t, T )
∼
= (uS µ(t, S) + uT µ(t, T ))dt + (uS σ(t, S) + uT σ(t, T ))dB t
avec uS + uT = 1. Nous choississons uS et uT tels que
uS σ(t, S) + uT σ(t, T ) = 0
parce que l’idée est de construire un portefeuille sans risque et d’exiger que son rendement soit égal à
r(t).
−σ(t,S)
(
uT = σ(t,T )−σ(t,S)
=⇒ σ(t,T )
uS = σ(t,T )−σ(t,S)
dVt
A.O.A. exige que Vt = rt dt
=⇒ uS µ(t, S) + uT µ(t, T ) = rt
⇐⇒ σ(t, T )µ(t, S) − σ(t, S)µ(t, T ) = rt [σ(t, T ) − σ(t, S)]
µ(t, S) − rt µ(t, T ) − rt
⇐⇒ = = q(t) (4.4)
σ(t, S) σ(t, T )
Donc s’il n’y a pas d’O.A., il existe un processus q(t) tel que (4.4) pour tout t et toutes les dates
d’échéance.
µ(t,T )−rt
En utilisant le fait que qt = σ(t,T ) , on trouve l’équation d’évolution:
∂P ∂P 1 ∂2P
+ (f − ρq) + ρ2 2 − rt P = 0 (4.5)
∂t ∂r 2 ∂r
On retrouve aussi que
106
∼
dP (t,T )
P (t,T ) = (rt + qt σ(t, T ))dt + σ(t, T )dBt
mais on sait en plus exprimer la fonction σ(t, T ):
∼
dP (t, T ) = (P (t, T )rt + ρq ∂P ∂P
∂r )dt + ρ ∂r dBt
L’EDP (4.5) s’applique à n’importe quel titre lié au taux d’intérêt, à condition qu’il ne distribue pas de
coupons. Pour une résolution numérique, il faut lui associer une condition terminale. Pour un zéro-
coupon cette condition terminale est P (T, T ) = 1.
Par le lemme de Feynman-Kac, la solution de (4.5) a une représentation:

h RT i
P (t, T ) = IE IQ exp − t r(s)ds | Ft
où les dynamiques du taux court sous IQ sont déterminées par

rt = r
drs = (f − ρq)ds + ρdBs s≥t
∼
avec (Bs )s un IQ m.b., et donc sous IP : drs = f ds + ρdB s .
On obtient ces résultats aussi en utilisant le théorème de Girsanov. En effet nous allons utiliser le
théorème de Girsanov avec
dIQ
dIP |Ft = Lt avec dLt = −qt Lt dBt
où
µ(s,T )−r(s)
q(s) = σ(s,T ) .
Nous obtenons ainsi que les prix P (t, T ) actualisés sont des IQ-martingales.
Donc
dP (t,T )
P (t,T ) = rt dt + σ(t, T )dBt
107
avec
∼
dBt = dBt + qt dt un IQ-m.b.
En particulier
h Rt i
P (s, t) = IEIQ P (t, t) exp − s ru du | Fs s6t
ou, en utilisant la probabilité historique
h Rt Rt Rt i
P (s, t) = IEIP exp(− s qu dBu − 21 s qu2 du − s ru du) | Fs
4.2.2 Le modèle de Vasicek (1977).
a/ Le modèle
Dans ce modèle, on suppose que le taux spot vérifie, sous IP , l’équation différentielle stochastique
drt = a(b − rt )dt + ρdWt , r(0) = r0
avec a, b, ρ des constantes strictement positives. Ce processus est connu sous le nom de processus
d’Ornstein-Uhlenbeck avec retour à la moyenne à long terme b.
La moyenne instantanée est proportionnelle à l’écart entre une valeur b et la valeur r (t) .
Une force de rappel tend à rapprocher r (t) de la valeur b.
On suppose aussi que la prime du risque est une constante q (t) = +λ avec λ ∈ IR. Alors sous IQ

λρ ∼ ∼
drt = a b − − r (t) dt + ρdW t avec W t = Wt + λt
a
On note ∼
drt = a (b∗ − r (t)) dt + ρdW t
λρ
avec b∗ = b − a , qui suit aussi un processus d’Ornstein-Uhlenbeck.
On voit clairement quand on écrit la solution sous IP :

Z t
−at
rt = (r0 − b)e +b+ρ e−a(t−u) dWu
0
108
que ces taux sont gaussiens et peuvent donc devenir négatifs:
1 − e−2at
Z t
rt v N (r0 − b)e−at + b, ρ2 e−2a(t−u) du = ρ2
0 2a
On a le résultat analogue sous IQ, en remplaçant b par b∗ .
Démonstration.
Il suffit de remarquer qu’en utilisant le lemme d’Itô, on a
d eat rt = aeat rt dt + eat a(b − r (t))dt + eat ρdWt = abeat dt + eat ρdWt

et en intégrant cette équation on obtient

Z t Z t
at as
e rt = r0 + abe ds + eas ρdWs
0 0
Par conséquent:
Z t
−at at −at −at
eas ρdWs

rt = (r0 ) e + b −1 + e e +e
0
Z t
= (r0 − b) e−at + b + e−a(t−s) ρdWs
0
Si r(0) est une constante, r(t) est une variable gaussienne de moyenne (r0 − b) e−at + b et de variance
ρ2 −2at . En particulier, ce n’est pas une variable positive.

2a 1 − e
On peut également calculer l’espérance et la variance conditionnelle de rt .
b/ Le prix d’un zéro-coupon en utilisant IQ.

On veut calculer le prix à la date s d’un zéro-coupon d’échéance t, noté P (s, t) dans les sections
précédentes mais aussi noté B(s, t) dans la litérature, une notation que nous utiliserons dans cette sec-
tion:
Z t
B (s, t) = P (s, t) = IEIQ exp − ru du |Fs
s
Z t Z t
1 IQ
= exp −IEIQ ru du |Fs + V ar ru du |Fs (Gaussien)
s 2 s
Parce que sous Q Z u ∼

∗ −a(u−s) ∗
ru = (rs − b ) e +b + e−a(u−v) ρdW v
s
109
on déduit que " #
t
1 − e−a(t−s)
Z
1) IEIQ ru du |Fs = b∗ (t − s) + (rs − b∗ )
s a
Z t Z tZ t
2) V arIQ ru du |Fs = cov IQ (ru , rv |Fs ) dudv
s s s
avec
Z u ∼
Z v ∼

IQ 2 −a(u−l) −a(v−k)
cov [ru , rv |Fs ] = ρ IEIQ e dW l e dW k |Fs
s s
Z u∧v
= ρ2
e−a(u+v−2l) dl
s
e2a(u∧v) − e2as
= ρ2 e−a(u+v) .
2a
On trouve que la variance est égale à

Z t Z tZ v Z tZ t
e2au − e2as e2av − e2as

V ar IQ
ru du |Fs = ρ2 e−a(u+v) dudv + ρ2 e−a(u+v) dudv
s s s 2a s v 2a
!
ρ2 2 ρ2 1 − e −a(t−s)
= − 3 1 − e−a(t−s) + 2 (t − s) −
2a a a
=⇒
ρ2
! !
ρ2 b∗ − − r (s) ρ2
2
2a2
B (s, t) = exp − b∗ − 2 (t − s) + 1 − e−a(t−s) − 3 1 − e−a(t−s)
2a a 4a
= exp [− (t − s) Y (s, t)]
avec Y (s, t) le taux à terme pour la période [s, t] .

Le taux Y (t, T ) = − T 1−t ln B (t, T ) se calcule facilement:
2
1 − e−a(T −t) ρ2 1 − e−a(T −t)
Y (t, T ) = Y (∞) + (r (t) − Y (∞)) + 3
a (T − t) 4a T −t
et à la limite
ρ2 ρ2

− ln B (s, t) λρ
Y (∞) = lim Y (s, t) = lim = b∗ − = b − −
t−s−→∞ (t−s)−→∞ t−s 2a2 a 2a2
Y (∞) s’interprète comme taux à long terme. Notons qu’il ne dépend pas du “taux spot instantané ” r.
Cette dernière propriété est considérée par les financiers comme un défaut du modèle.
110
Si on étudie la courbe T −→ Y (t, T ) on voit que
ρ2
- si r (t) ≤ Y (∞) − 4a2
, la courbe est strictement croissante,
ρ2 ρ2
- si Y (∞) − 4a2
≤ r (t) ≤ Y (∞) + 2a2
, elle est croissante puis décroissante,
ρ2
- si Y (∞) + 2a2
< r (t), elle est strictement décroissante.
Remarque.
Sous IP
h i
dB (t, T ) = B (t, T ) r (t) + ρq (t) ∂B(t,T
∂r
)
dt + ρ ∂B(t,T )
∂r dWt
nh −a(T −t) i o
= B (t, T ) r (t) − ρλ 1−e a dt − aρ (1 − e−a(T −t) )dWt
Sous IQ

∼
ρ
dB (t, T ) = B (t, T ) r (t) dt − a (1 − e−a(T −t) )dW t
Discussion.
Avantages:
1) très traitable −→ bond options
2) retour à la moyenne
ρ
1 − e−a(T −t) : plus la durée résiduelle est grande, plus la volatilité est grande.

3) On a |σ (t, T )| = a
Désavantages:
1- taux négatif
ρ
2- lim σ (t, T ) = a
T −t−→∞
3- calage: seulement 3 paramètres

pricer: une erreur de 1 % sur un bond implique souvent une erreur de 20 à 30% sur produits dérivés,
comment couvrir le risque? pas fiable
4- la courbe de taux n’est pas assez flexible
5- corr(Y (t, T1 ), Y (t, T2 )) = 1, ce qui n’est pas observé sur le marché.
111
c/ Prix de zéro-coupon: Equation d’évolution
Nous indiquons maintenant une autre méthode pour déterminer le prix à l’instant t d’un zéro-coupon
avec date d’échéance T explicitement.
On recherche une solution de l’équation
∂P ∂P 1 ∂2P
+ (a (b − r) − ρλ) + ρ2 2 − rP = 0 P (T, T ) = 1
∂t ∂r 2 ∂r
sous la forme
B (t, T ) = exp (α (T − t) r (t) + β (T − t))
Désignons T − t par θ =⇒
0 0 1
−Bα (θ) r − Bβ (θ) + (a (b − r) − ρλ) α (θ) B + ρ2 α2 (θ) B − rB = 0
2
On recherche α et β comme solutions de

( 0
α (θ) + aα (θ) + 1 = 0
0 ρ2 2
−β (θ) + (ab − ρλ) α (θ) + 2 α (θ) = 0.
avec les conditions initiales α (0) = 0 et β (0) = 0 qui proviennent de B (T, T ) = 1. Ce qui donne
1 −aθ − 1
(
α (θ) = e
a
ρ2 ρ2 e−aθ ρ2 e−2aθ
β (θ) = − b − ρλa − 2a 2 θ − b− ρλ
a − a2 a − 4a3
−K
avec K telle que β (0) = 0.
On trouve que
1 − e−aθ ρ2 ρ2

β (θ) = −Y (∞)θ + Y (∞) − 2 + 3 1 − e−2aθ
a 2a 4a
avec Y (∞) représentant le rendement d’un zéro-coupon de maturité infinie.
λρ
Y (∞) = b − − ρ2 /2a2 .
a
112
On retrouve l’expression du zéro-coupon.
d/ Valorisation d’une option sur zéro-coupon
Exercice
Dans le modèle de Vasicek, déterminer le prix à la date t d’un call européen d’échéance S sur un zéro-
coupon d’échéance T et prix d’exercice K.
Réponse
−ρ
Utilisez σ(t, T ) = a (1 − e−a(T −t) ) et la section 4.1.4.
113
Chapitre 5
Le modèle de Heath, Jarrow, Morton.
5.1 Introduction
Les premiers modèles de taux d’intérêt en temps continu sont apparus avant le modèle discret de Ho et
Lee, vers ± 1975 à la suite des travaux de Black-Scholes sur l’évaluation des prix d’option sur actions et
ceci pour une théorie propre au marché des titres dépendant de la structure des taux.
Comme vu dans le chapitre précédent, le point de départ était le taux court (rt )t déterminé par une
équation différentielle stochastique. Un des grands désavantages de ce genre de modèles est qu’il est
difficile d’obtenir une structure de volatilité réaliste pour des taux forward (= taux à terme instantanés).
Voila pourquoi Heath, Jarrow et Morton prennent comme point de départ les taux forward (f (0, t))t .
On obtient ainsi un calage parfait au taux forward, mais les taux courts (rt )t sont gaussiens dans les cas
traitables.
Nous dénotons dans ce chapitre les probabilités par P , Q, . . . et la filtration par (Ft )t .
5.2 Les mouvements de la structure des taux sous P
Heath, Jarrow et Morton choisissent de spécifier les taux à terme instantanés:

Z t Z t
0
f (t, T ) = f (0, T ) + α (s, T ) ds + σ (s, T ) dWs (5.1)
0 0
où (f (0, T ))T décrit la structure des taux initiale et est supposée donnée et où (Wt ) est un mouvement
brownien de dimension K sous la probabilité P , où P est la probabilité “objective” des événements.
114
0
σ (t, T ) est la volatilité des taux à terme instantanés et σ (t, T ) = (σ1 (t, T ) , . . . , σK (t, T )) sa trans-
posée.
α (t, T ) et σ (t, T ) sont a priori quelconques et peuvent être aléatoires, mais sont des processus adaptés à
valeurs dans IR et IRd . Elles doivent toutefois satisfaire des conditions de régularité assurant l’existence
d’une solution pour l’équation et la légitimité des calculs qui vont suivre.
Voir le papier de référence pour les hypothèses précises de régularité.
Sous forme d’équation de diffusion:
K
X
df (t, T ) = α (t, T ) dt + σi (t, T ) dWit
i=1
ou encore
0
df (t, T ) = α (t, T ) dt + σ (t, T ) dWt .
Hypothèse 5.2.1 La fonction de volatilité satisfait:

 0 
σ (t, T1 )
 ..
 est inversible pour tout t et tout (T1 , ..., TK ) distincts.

 .
0
σ (t, TK )
Le processus du taux court est obtenu en choississant T = t :

Z t Z t
0
rt = f (t, t) = f (0, t) + α (s, t) ds + σ (s, t) dWs (5.2)
0 0
=⇒ le processus des prix zéro-coupon, noté B(t, T ) est déduit à partir de la formule usuelle
Z T
B (t, T ) = exp − f (t, s) ds .
t
En remplaçant f (t, s) par son expression

Z t Z t 0
f (t, s) = f (0, s) + α (u, s) du + σ (u, s) dWu
0 0
et en utilisant le théorème de Fubini pour les intégrales stochastiques, on obtient:

Z T Z T Z t Z T Z t
0
ln B (t, T ) = − f (0, s) ds − ds α (u, s) du − ds σ (u, s) dWu
t t 0 t 0
Z T Z t Z T Z t Z T 0
= − f (0, s) ds − du α (u, s) ds − σ (s, τ ) dτ dWs .
t 0 t 0 t
115
On sait que
Z T
ln B (0, T ) = − f (0, τ ) dτ.
0
D’après l’équation (5.2) on a:
Z t Z t Z t Z τ Z t Z τ 0
rτ dτ = f (0, τ ) dτ + dτ α (s, τ ) ds + dτ σ (s, τ ) dWs
0 0 0 0 0 0
Z t Z t Z t Z t Z t 0
= f (0, τ ) dτ + ds α (s, τ ) dτ + σ (s, τ ) dτ dWs
0 0 s 0 s
pour tout 0 ≤ s ≤ τ ≤ t. Donc

Z t Z t Z t Z t Z t 0
ln B (t, T ) = ln B (0, T ) + f (0, τ ) dτ + ds α (s, τ ) dτ + σ (s, τ ) dτ dWs
0 0 s 0 s
Z t Z T Z t Z T 0
− ds α (s, τ ) dτ − σ (s, τ ) dτ dWs
0 s 0 s
Z t Z t Z T Z t Z T 0
= ln B (0, T ) + rs ds − ds α (s, τ ) dτ − σ (s, τ ) dτ dWs
0 0 s 0 s
=⇒
Z T Z T 0
d ln B (t, T ) = rt − α (t, τ ) dτ dt + − σ (t, τ ) dτ dWt
t t
En utilisant le lemme d’Itô.

0
dB (t, T ) = [r (t) + b (t, T )] B (t, T ) dt + B (t, T ) σ
e (t, T ) dWt (5.3)
où b (t, T ) et σ
e (t, T ) désignent:
RT
e (t, T ) = − t σ (t, τ ) dτ
σ
RT
σ (t, T )k2
b (t, T ) = − t α(t, τ )dτ + 12 ke
Proposition 5.2.1 Si la dynamique des taux à terme instantanés s’écrit:

Z t Z t
0
f (t, T ) = f (0, T ) + α (s, T ) ds + σ (s, T ) dWs
0 0
alors les prix zéro-coupon et le taux court instantané s’écrivent:

 0
 B (t, T ) = B (0, T ) exp R t r − R T α (s, τ ) dτ ds + R t − R T σ (s, τ ) dτ dW
0 s s 0 s s
t t
rt = f (0, t) + 0 α (s, t) ds + 0 σ (s, t)0 dWs
 R R
116
5.3 Le modèle sous la probabilité Q.
En fait, on va vérifier si dans

ce modèle,
il existe une mesure de martingale équivalente,
R c’est-à-dire ∃Q

B(t,T ) t
probabilité Q v P tel que βt est une martingale sous Q avec βt = exp 0 ru du = 1/R(t).
t
Proposition 5.3.1 ∃Q v P mesure de martingale équivalente

⇐⇒
Q v P probabilité équivalente donc ∃ processus ϕ avec ϕ (t) Ft mesurable tel que
1)
Z t
1 t
Z
dQ 0 2
= Lt = exp ϕ (s) dW (s) − kϕ (s)k ds est une P − martingale
dP t 0 2 0
et
∼
Z t
W t = Wt − ϕ (s) ds est un Q − mouvement brownien.
0
0
et 2) ∃ϕ = (ϕ1 , ..., ϕK ) tel que ∀T ≥ 0 et ∀t ≤ T
0
b (t, T ) = −ϕ (t) σ
e (t, T )
ou de façon équivalente:
0 0
e (t, T ) σ (t, T ) = −ϕ (t) σ (t, T )
α (t, T ) + σ
avec Z T
e (t, T ) = −
σ σ (t, s) ds
t
Preuve de 2), donc que l’absence d’opportunités d’arbitrage implique:
0 0
∃ϕ = (ϕ1 , ...., ϕK ) tel que: b (t, T ) = −ϕ (t) σ
e (t, T ) ∀t ≤ T ou de façon équivalente:
0 0
e (t, T ) σ (t, T ) = −ϕ (t) σ (t, T ) .
α (t, T ) + σ
Preuve: On sait que

1
dB (t, T ) = B (t, T ) d ln B (t, T ) + < d ln B (t, T ) >
2
0
= [r (t) + b (t, T )] B (t, T ) dt + B (t, T ) σ
e (t, T ) dWt
avec
117
RT
e (t, T ) = − t σ (t, u) du
σ
RT
σ (t, T )k2
b (t, T ) = − t α (t, u) du + 21 ke
Sous Q, on veut que

0 ∼
dB (t, T ) = r (t) B (t, T ) dt + B (t, T ) σ
e (t, T ) dW t
∼
avec dW t = dWt − ϕ (t) dt un mouvement brownien sous Q, par Girsanov.
Ceci est satisfait si et seulement si ∀T ≥ 0 et ∀t ≤ T :
0
b (t, T ) = −ϕ (t) σ
e (t, T )
ou bien 2
T
Z Z T Z T
1 0
− α (t, u) du +
σ (t, u) du = +ϕ (t)
σ (t, u) du
t 2 t t
La contrainte d’absence d’opportunités d’arbitrage impose donc des restrictions sur les termes de dérive
et de volatilité de la dynamique des prix zéro-coupon. En dérivant cette condition par rapport à T , on
obtient de façon équivalente une contrainte sur les termes de dérive et de volatilité correspondant aux
taux à terme instantanés.
0 0
e (t, T ) σ (t, T ) = −ϕ (t) σ (t, T )
α (t, T ) + σ
Regardons cette relation un peu

K
X Z T K
X
α (t, T ) = σi (t, T ) σi (t, s) ds − σi (t, T ) ϕi (t)
i=1 t i=1
∀T ≥ 0 et ∀t ≤ T
Système lineaire en ϕi (t) de dimension infinie.
Il y a clairement une relation entre le terme de dérive α et la fonction de volatilité σ.
−→ par exemple on peut spécifier les volatilités σ (t, T ) pour toutes les maturités. On peut fixer des
maturités T1 , ...., TK quelconques et déterminer aussi d’une manière exogène les termes
α (t, T1 ), ...., α(t, TK ) .
Sous l’hypothèse que
σ (t, T1 )0
 
 ..
 est inversible pour tout t et tout T1 , ...., TK distincts

 .
0
σ (t, TK )
118
(qui est satisfait si les incertitudes ne sont pas redondantes), (ϕ1 (t) , ....., ϕK (t)) est déterminé d’une
manière unique par le système linéaire des équations:
K
X Z Tj K
X
α (t, Tj ) = σi (t, Tj ) σi (t, s) ds − σi (t, Tj ) ϕi (t) j = 1, ...., K
i=1 t i=1
−→ Q déterminé et en plus α (t, T ) déterminé pour T 6= Tj j = 1, . . . , K.
En terme des zéro-coupons, ça veut dire que nous pouvons choisir les volatilités des prix zéro-coupons
et les termes de dérive pour K zéro-coupons.
−→ tous les prix des autres zéro-coupon sont déterminés par la suite.
−→ donc K sources indépendantes d’incertitude
=⇒ le marché est complet si on spécifie K prix de zéro-coupon.
Nous concluons de cette section que, comme dans les modèles en temps discret, l’absence d’opportunités
d’arbitrage implique l’existence d’une nouvelle mesure de probabilité dite risque-neutre, notée Q sous
laquelle les processus de prix actualisés sont martingales.
En effet on voit que:
0 ∼
dB (t, T ) = rt B (t, T ) + B (t, T ) σ
e (t, T ) dW t
avec ∼
dW t = dWt − ϕ (t) dt
Les ϕ1 (t) , ...., ϕK (t) s’interprètent comme des prix du risque associés à chacun des processus brown-
iens.

Le processus des prix actualisés Z (t, T ) = B(t,T
βt
)
est alors martingale sous la mesure de probabilité
t
∼
qui fait de W t un mouvement brownien standard et le processus Z (t, T ) = B(t,T βt
)
est donc mar-
t
tingale sous Q puisque
0 ∼
dZ (t, T ) = Z (t, T ) σ
e (t, T ) dW t .
Comme B (T, T ) = 1, on a alors
Z T
βt
B (t, T ) = E Q |Ft = E Q exp − rs ds |Ft
βT t
ou encore, en utilisant la probabilité P :

Z T
P LT
B (t, T ) = E exp − rs ds |Ft .
t Lt
119
Ayant défini ce changement de probabilité, on peut exprimer tous les processus de diffusion donnés
jusqu’à présent (taux à terme instantanés, prix zéro-coupon, taux court,...) sous cette nouvelle mesure de
probabilité.
On obtient très simplement la dynamique des taux à terme instantanés à partir de l’équation de base:
Z T 0
0 0 ∼
df (t, T ) = α (t, T ) dt + σ (t, T ) dWt = σ (t, τ ) dτ σ (t, T ) dt + σ (t, T ) dW (t)
t
Z t Z T Z t 0 ∼
f (t, T ) = f (0, T ) + σ (s, T )0 σ (s, τ ) dτ ds + σ (s, T ) dW s
0 s 0
Exemple Volatilité constante.

σ (t, T ) = σ et K = 1 (Ho-Lee)
=⇒ ∼
df (t, T ) = σ 2 (T − t) dt + σdW t
Soit en intégrant:
t2

∼
2
f (t, T ) = f (0, T ) + σ T t − + σW t.
2
On retrouve ainsi comme cas particulier le modèle de Ho et Lee.

On pourrait retrouver de même les modèles à volatilité exponentielle en prenant σ (s, t) de la forme
σe−λ(t−s) .
Processus du taux court.

∼
Le processus du taux court s’écrit désormais à l’aide de W t :
t
Z t Z t 0 t ∼
Z
0
(∗) rt = f (0, t) + σ (s, τ ) dτ σ (s, t) ds + σ (s, t) dW s
0 s 0
Ainsi, sous Q, le processus suivi par (rt ) ne dépend plus du prix du risque de même que les prix des
titres zéro-coupon.
Volatilité constante et volatilité exponentielle et K = 1.
Lorsque la volatilité est constante, (*) devient
t2 ∼
rt = f (0, t) + σ 2 + σW t
2
120
ou ∼
drt = µ (t) dt + σdW t
avec
µ (t) = σ 2 t + ∂2 f (0, t)
Le processus (rt ) est donc un mouvement brownien avec dérive.
Lorsque la fonction de volatilité est exponentielle:
σ (s, τ ) = σe−λ(τ −s) ,
alors rt est égale à:

t t
σ2
Z Z
−λ(t−s) −λ(t−s)
rt = f (0, t) + e 1−e ds + σ e−λ(t−s) dW
fs
λ 0 0
(rt ) suit un processus d’Ornstein-Uhlenbeck de la forme:

∼
drt = (θ (t) − λrt ) dt + σ dW t
avec
1 − e−2λt
θ (t) = ∂2 f (0, t) + λf (0, t) + σ 2 .
2λ
Il faut remarquer que le processus du taux court est également un processus de type Ornstein-Uhlenbeck
sous P si le prix du risque est une fonction non aléatoire du temps. Dans ce cas, seule la fonction θ (t)
est modifiée.
Les prix zéro-coupon.
Sous Q, le processus des prix vérifie:

0 ∼
e (t, T ) dW t
Nous récapitulons ces résultats sous la proposion suivante:
Proposition 5.3.2 Sous Q, les taux à terme instantanés et les prix zéro-coupon suivent les équations de
diffusion suivantes:
Z T 0
0 ∼
df (t, T ) = σ (t, τ ) dτ σ (t, T ) dt + σ (t, T ) dW (t)
t
0 ∼
e (t, T ) dW t (∗∗)
121
avec Z T
e (t, T ) = −
σ σ (t, τ ) dτ
t
et la dynamique du taux court instantané s’écrit:
Z t Z t 0 t ∼
Z
rt = f (0, t) + σ (s, τ ) dτ σ (s, t) ds + σ (s, t)0 dW s
0 s 0

∼
où W t est un mouvement brownien sous Q.
On voit à ce stade qu’on aurait pu spécifier les prix zéro-coupon en disant qu’il existe une mesure de
probabilité Q telle que les prix zéro-coupon suivent une diffusion du type (**). Le modèle est alors
paramétré par la fonction σ
e (., .) et non plus par σ (., .) .
La dynamique des taux à terme instantanés s’en déduit par la formule:
f (t, T ) = −∂2 ln B (t, T )
en remarquant que les deux paramétrages σ

e (., .) et σ (., .) sont équivalents:
Z T
e (t, T ) = −
σ σ (t, τ ) dτ
t
⇐⇒
σ (t, T ) = −∂2 σ
e (t, T )
σ
e (t, t) = 0 ∀t
Cette approche est utilisé par El Karoui et al. (1992).
Exemple:

Q βt
B (t, T ) = E |Ft
βT
soit Z T
Q
B (t, T ) = E exp − rs ds |Ft
t
La loi de rs est donnée sous Q par l’équation:
Z t Z t 0 t ∼
Z
0
rt = f (0, t) + σ (s, τ ) dτ σ (s, t) ds + σ (s, t) dW s
0 s 0
122
Dans le cas où les fonctions de volatilité sont déterministes, (rt ) est un processus gaussien sous Q.
RT
−→ t rs ds est donc aussi gausienne et B (t, T ) est égale à

V (t, T )
B (t, T ) = exp −M (t, T ) +
2
où
Z T
Q
M (t, T ) = E rs ds |Ft
t
Z T
Q
V (t, T ) = V ar rs ds |Ft
t
Partons de la dynamique de (rt ) sous l’hypothèse de volatilité constante (avec K = 1):
σ 2 t2 ∼
rt = f (0, t) + + σW t.
2
Par conséquent, le taux rτ suit conditionnellement à Ft une loi gausienne d’espérance
σ2 2
τ − t2

rt − f (0, t) + f (0, τ ) +
2
et de variance σ 2 (τ − t) .
RT
La variance aléatoire Y = t rτ dτ suit donc elle-même une loi gaussienne:

Q
Y Ft v N (M (t, T ) ; V (t, T ))
avec
T
σ2
Z
M (t, T ) = (T − t) (rt − f (0, t)) + f (0, τ ) dτ + (T − t)2 (T + 2t)
t 6
et
σ2
V (t, T ) = (T − t)3
3
123
En effet,
Z T "Z
T 2 #
∼ ∼
V arQ ru du |Ft = EQ σ W τ − W t dτ |Ft
t t
Z T Z τ ∼

= V arQ σdτ dW s |Ft
t t
Z T ∼
Z T
Q
= V ar dW s σdτ |Ft
t s
Z T ∼

2 Q
= σ V ar (T − s) dW s |Ft
t
Z T
= σ 2
(T − s)2 ds
t
Z T −t
= σ2 (v)2 dv
0
(T − t)3
= σ2
3
5.4 Evaluation des actifs contingents.
5.4.1 Introduction.
L’un des buts essentiels d’un modèle est d’une part permettre d’évaluer des biens contingents dépendant
de la structure des taux et d’autre part de construire les portefeuilles de couverture associées.
5.4.2 Principes d’évaluation sous Q.
Les conditions et hypothèses du modèle de Heath-Jarrow-Morton permettent d’évaluer le prix à la date t

d’un titre générant des flux aléatoires dépendant de la structure des taux.
Proposition 5.4.1 Le prix en t, noté Ct , d’un titre délivrant en s (s > t) le flux aléatoire Xs Fs -
mesurable est donné par:

Q βt
h Rs i
Ct = E Xs |Ft = E Q Xs e− t ru du |Ft
βs
124
Par extension, on peut donner le prix en t d’un titre générant plusieurs flux futurs aléatoires Xt+1 , ...., Xs
s
X
Q βt
Ct = E Xτ |Ft
βτ
τ =t+1
Sous cette forme, le prix d’un bien contingent ne nécessite pour être calculé que la dynamique actualisée
du modèle sous la probabilité risque-neutre Q.
5.4.3 Des probabilités forward-neutres.

B(t,T )
Nous cherchons la mesure de probabilité qui rend B(t,m) martingale. Cette probabilité est alors la
t
m
probabilité associée au numéraire de la date m et est notée Q .
Définissons
B (t, m)
Lm
t = .
βt
Il est clair que
B (t, m)
Lm
t = = E Q [Lm
s |Ft ]
βt
ce qui nous permet de définir la nouvelle mesure de probabilité Qm pour toute variable Fs -mesurable par
Lm

Qm Q s
E [Xs |Ft ] = E Xs m |Ft
Lt
En particulier

Qm B (s, T ) Q B (s, T ) B (s, m) βt B (t, T )
E |Ft = E |Ft =
B (s, m) B (s, m) βs B (t, m) B (t, m)

B(t,T )
On voit alors rapidement que, pour tout T, B(t,m) t est martingale sous cette nouvelle mesure.
Cette nouvelle mesure permet de simplifier les calculs. Cependant pour pouvoir concrètement utiliser ce
résultat il est nécessaire de réécrire le modèle de base sous ces différentes mesures.
5.4.4 Le modèle sous une probabilité forward-neutre.
Partons de l’équation de diffusion des prix (B (t, T )) sous Q:

0 ∼
dB (t, T ) = r(t)B (t, T ) dt + B (t, T ) σ
e (t, T ) dW t
125

∼
où W t est un mouvement brownien standard sous Q.
m
∼
B(t,T )
Nous allons déterminer quel nouveau mouvement brownien W t rend le processus Ztm = B(t,m)
martingale. En utilisant le lemme d’Ito, nous obtenons que
0 ∼ 1
e (t, T ) dW t −
d ln B (t, T ) = rt dt + σ σ (t, T )k2 dt,
ke
2
et donc
Z t Z t
1 0 ∼
2
(∗) B(t, T ) = B(0, T ) exp rs − ke
σ (s, T )k ds + σ
e (s, T ) dW s
0 2 0
ce qui donne pour Ztm :
1 t
Z Z t ∼

B (0, T ) 2 2
0
Ztm = exp − ke
σ (s, T )k − ke
σ (s, m)k ds + σ (s, T ) − σ
(e e (s, m)) dW s
B (0, m) 2 0 0
Notons alors
∼m ∼
Z t
Wt = Wt − σ
e (s, m) ds.
0
Ztm s’écrit alors:
1 t
Z Z t ∼m

B (0, T ) 2
0
Ztm = exp − ke
σ (s, T ) − σ
e (s, m)k ds + σ (s, T ) − σ
(e e (s, m)) dW s .
B (0, m) 2 0 0
=⇒ vm
0
dZtm = Ztm (e
σ (t, T ) − σ
e (t, m)) dW t
m m
Pour (Zt )t soit martingale sous Q , il faut définir cette mesure comme celle qui transforme
mque
∼
Wt en mouvement brownien standard. D’après le théorème de Girsanov, la densité de Qm par
rapport à Q doit alors être égale à:
1 t
Z t
dQm Lm

∼
Z
0 B (t, m)
= exp − keσ (s, m)k2 ds + σ
e (s, m) dW s = = tm .
dQ 2 0 0 βt B (0, m) L0
Ayant caractérisé le changement de brownien associé au changement de mesure, on peut alors très facile-
ment écrire les équations de diffusion sous Qm des prix zéro-coupon, des taux à terme instantanés etc.
m
∼ ∼ Rt
Proposition 5.4.2 Sous Qm , Wt = Wt − 0 σ
e (s, m) ds est un mouvement brownien standard. Le
processus des prix zéro-coupon est donné par
0
0 ∼m
(∗) dB (t, T ) = rt + σ e (t, T ) σe (t, m) B (t, T ) dt + B (t, T ) σ
e (t, T ) dW t .
126
Le processus des prix actualisés par le numéraire de la date m est donné par:
0 ∼ m

B (t, T ) B (t, T )
dZtm = d = σ (t, T ) − σ
(e e (t, m)) dW t .
B (t, m) B (t, m)
Le processus des taux à terme instantanés est donné par:
0 0 ∼m
σ (t, m) − σ
(∗∗) df (t, T ) = (e e (t, T )) σ (t, T ) dt + σ (t, T ) dW t
Le taux court s’écrit:

Z t 0
Z t 0 ∼m
rt = f (0, t) + σ (s, m) − σ
(e e (s, t)) σ (s, t) ds + σ (s, t) dW s
0 0
Ceci implique en particulier que

t
E Q [rt |F0 ] = f (0, t) (si m = t)
et plus généralement:
T
f (t, T ) = E Q [rT |Ft ]
Les taux à terme instantanés sont donc égaux à l’espérance des taux courts futurs sous la probabilité
forward-neutre correspondante.
5.5 Quelques exemples de valorisation.
Dans des cas simples des calculs explicites sont possibles. Nous nous limiterons au cas des volatilités
déterministes qui est quasiment le seul à fournir des formules de prix explicites.
5.5.1 Options européennes sur zéro-coupon.
Considérons en t une option d’échéance S dont le sous-jacent est un zéro-coupon d’échéance T.

Le prix d’une telle option à la date t s’écrit:
h RS i
Ct = E Q (B (S, T ) − K)+ e− t ru du |Ft
En utilisant la mesure de probabilité QS on obtient immédiatement:

S
Ct = B (t, S) E Q (B (S, T ) − K)+ |Ft

Q B (S, S) βt +
= B (t, S) E (B (S, T ) − K) |Ft
βS B (t, S)
127
On a sous QS
B (S, T )
B (S, T ) =
B (S, S)
Z S ∼S
Z S
B (t, T ) 0 1 2
= exp (e e (τ, S)) dW τ −
σ (τ, T ) − σ ke
σ (τ, T ) − σ
e (τ, S)k dτ
B (t, S) t 2 t
La variable B (S, T ) suit donc une loi lognormale si les volatilités sont déterministes.
On va utiliser le lemme suivant:
Lemme 5.5.1 Si ln X suit une loi gaussienne de moyenne µ et de variance σ 2 , alors:
E (X − K)+ = E (X) N (d1 ) − KN (d2 )

où N (.) est la fonction de répartition de la loi gaussienne centrée et où:

2
d1 = µ−ln σK+σ
d2 = d1 − σ
Si on note Z S
σ = 2
ke e (τ, S)k2 dτ,
σ (τ, T ) − σ
t
le lemme s’applique ici pour X = B (S, T ) avec

d 1 2 B (t, T ) 2
ln X = N − σ + ln ;σ
2 B (t, S)
ce qui donne:
Proposition 5.5.1 Le prix à la date t d’une option d’échéance S sur un zéro-coupon d’échéance T est
donné par

B (t, T )
Ct = B (t, S) N (d1 ) − KN (d2 ) = B (t, T ) N (d1 ) − KB (t, S) N (d2 )
B (t, S)
avec
ln B (t, T ) − ln B (t, S) − ln K + σ 2 /2
d1 =
σ
d2 = d1 − σ
Z S
σ2 = ke
σ (τ, T ) − σe (τ, S)k2 dτ.
t
128
5.5.2 Options sur obligation.
Supposons dans ce paragraphe que K = 1 (un facteur).

Considérons une option d’échéance S sur une obligation de prix PS (de date d’échéance T ).
Si on note (cτ )τ les flux (non aléatoires) générés par cette obligation, alors le prix PS s’exprime par:
T
X
PS = cτ B (S, τ )
τ =S+1
Le prix de l’option à la date t est donné par:

Q βt
Ct = E (PS − K)+ |Ft
βS
Lemme 5.5.2 Le prix en t d’une option d’échéance S sur une obligation peut se mettre sous la forme:
T
τ S
X
cτ B (t, τ ) E Q 1(PS ≥K) |Ft − KB (t, S) E Q 1(PS ≥K) |Ft

Ct =
τ =S+1
Preuve.
T
X
+
(PS − K) = cτ B (S, τ ) 1(PS ≥K) − K1(PS ≥K)
τ =S+1
et par conséquence
T
" #
X B (S, τ ) Q βt
Ct = βt E Q cτ 1 |Ft B (t, τ ) − KE 1 |Ft
βS B (t, τ ) (PS ≥K) βS (PS ≥K)
τ =S+1
T
τ S
X
cτ B (t, τ ) E Q 1(PS ≥K) |Ft − KB (t, S) E Q 1(PS ≥K) |Ft

=
τ =S+1
Lemme 5.5.3 Le prix en t d’une option d’échéance S sur une obligation d’échéance T peut s’écrire:
T
B f (S, S, τ )

QS S
X
1(Ps ≥K) |Ft − KB (t, S) E Q 1(PS ≥K) |Ft

Ct = cτ B (t, τ ) E f
B (t, S, τ )
τ =S+1
129
B(t,τ )
Preuve. B f (t, S, τ ) = B(t,S)
B f (S, S, τ )

QS τ
E XS |Ft = E Q [XS |Ft ]
B f (t, S, τ )

B (S, τ ) βt
= EQ XS |Ft
βS B (t, τ )
Pour trouver Ct , il faut donc connaı̂tre sous QS les lois des différentes variables aléatoires intervenant
dans les espérances.
En théorie il n’y a pas de difficultés puisque tous les résultats ont déjà été donnés sous QS mais tech-
niquement, PS apparaı̂t comme une somme de variables aléatoires lognormales non indépendantes, ce
qui conduit à des calculs inextricables.
Regardons au cas particulier d’un modèle à un facteur (K = 1) et à volatilité déterministe, par exemple
exponentielle avec σ (t, T ) = σe−λ(T −t) . Alors on peut obtenir une expression quasi-explicite. Ecrivons
B (S, τ ) sous la forme
1 S
Z Z S ∼S

B (S, τ ) B (t, τ ) 2
B (S, τ ) = = exp − σ (u, τ ) − σ
(e e (u, S)) du + (eσ (u, τ ) − σ
e (u, S)) dW u
B (S, S) B (t, S) 2 t t
avec
σ 1 − e−λ(τ −u)
Z τ

−λ(s−u)
e (u, τ ) = −
σ σe ds =
u λ
Or les variables aléatoires Z S ∼S
Zτ = σ (u, τ ) − σ
(e e (u, S)) dW u
t
d
peuvent être écrites comme Zτ = V (S, τ ) Z avec Z une variable gaussienne sous QS centrée et réduite
(N (0, 1)) et la volatilité
Z S 1/2
2
V (S, τ ) = σ (u, τ ) − σ
(e e (u, S)) du
t
On peut alors écrire B (S, τ ) comme

B (t, τ )
d 1 2
B (S, τ ) = exp − V (S, τ ) + V (S, τ ) Z
B (t, S) 2
Comme V (S, τ ) ≥ 0, PS est une fonction croissante de Z, l’événement PS ≥ K peut encore s’écrire
d
{PS ≥ K} ≡ {Z ≥ d0 }
130
où d0 est défini par:
T
X B (t, τ ) 1 2
cτ exp − V (S, τ ) + V (S, τ ) d0 = K
B (t, S) 2
τ =S+1
Preuve.
T
( )
X
{PS ≥ K} = cτ B (S, τ ) ≥ K
τ =S+1
T
( )
d
X B (t, τ ) 1
= cτ exp − V (S, τ )2 + V (S, τ ) Z ≥ K
B (t, S) 2
τ =S+1

On peut alors calculer le prix de l’option à partir de la valeur d0 . En effet, on a:
S
EQ

1(Z≥d0 ) |Ft = N (−d0 ) Z v N (0, 1)
B f (S, S, τ )

QS QS 1 2
E 1 |Ft = E exp − V (S, τ ) + V (S, τ ) Z 1(PS ≥K) |Ft
B f (t, S, τ ) [PS ≥K] 2
Z ∞
1 1 2
= exp − V (S, τ )2 exp (V (S, τ ) x) √ e−x /2 dx
d0 2 2π
Z ∞
1 (x−V (S,τ ))2
= √ e− 2 dx
2π d0
Z ∞
1 2
= √ e−y /2 dy
2π d0 −V (S,τ )
= N (− (d0 − V (S, τ ))) = N (−d0 + V (S, τ )) .
Comme conclusion:
Proposition 5.5.2 Le prix en t d’une option d’échéance S sur une obligation d’échéance T avec (cτ )τ
T
P
les flux non aléatoires PS = cτ B (S, τ ) s’écrit:
τ =S+1
T
X
Ct = cτ B (t, τ ) N (−d0 + V (S, τ )) − KB (t, S) N (−d0 )
τ =S+1
131
où
Z S 1/2
V (S, τ ) = [e e (u, S)]2 du
σ (u, τ ) − σ
t
avec
1 − e−λ(T −t)
σ
e (t, T ) = σ
λ
et où d0 est solution de:
T
X B (t, τ ) 1 2
cτ exp − V (S, τ ) + V (S, τ ) d0 = K
B (t, S) 2
τ =S+1
5.5.3 Contrat forward et future.
Les prix en t d’un contrat forward et future d’échéance S sur un zéro-coupon d’échéance T sont donnés
par:
S
1) B f (t, S, T ) = E Q [B (S, T ) |Ft ]

Ceci est triviale parce que B(u,T )
B(u,S) est une martingale sous QS : donc
u

S B (S, T ) B (t, T )
B f (t, S, T ) = E Q |Ft =
B (S, S) B (t, S)
2) B F (t, S, T ) = E Q [B (S, T ) |Ft ]
On peut expliciter l’expression en écrivant:
Z T
Q
B(S, T ) = E exp − ru du |FS
S
Donc Z T
B F (t, S, T ) = E Q exp − ru du |Ft
S
et à l’aide du lemme usuelle si (ru )u gaussien

F V (t, S, T )
B (t, S, T ) = exp −M (t, S, T ) +
2
avec
Z T
Q
M (t, S, T ) = E ru du |Ft
S
Z T
Q
V (t, S, T ) = V ar ru du |Ft
S
132
On peut effectuer les calculs de M et V en fonction de la structure des taux à la date t et de la fonction
de volatilité.
Exemple. Dans le cas que la volatilité est constante: σ (t, T ) = σ.

D’abord la moyenne vaut:
T
σ2 h
Z i
M (t, S, T ) = f (t, u) du + (T − t)3 − (S − t)3
S 6
En effet parce que
T T
σ2 h
Z Z i
E Q [ru |Ft ] du = f (t, u) du + (T − t)3 − (S − t)3
S S 6
parce que d’une côté

u2 ∼
ru = f (0, u) + σ 2 + σW u
2
et d’autre côté
t2

∼
2
f (0, u) = f (t, u) − σ ut − − σW t.
2
Donc au totale:
σ2 2

∼ ∼
2

ru = f (t, u) + u − 2ut + t + σ W u − W t
2
σ2

∼ ∼
2
= f (t, u) + (u − t) + σ W u − W t .
2
En ce qui concerne la variance:

Z T Z u ∼

Q
V (t, S, T ) = V ar σ dW s du |Ft
S t

2 1 2
= σ (T − S) S − t + (T − S)
3

Soit au total: B F (t, S, T ) = B f (t, S, T ) exp − 21 (T − S) (S − t)2
La réalité est en fait plus complexe. Par exemple, le contrat Matif sur le notionnel est certe un contrat de
type Future mais sur une obligation fictive (et non un zéro-coupon). Cependant le prix d’un tel contrat
peut encore être calculé par la formule habituelle.
133
5.5.4 Valorisation des swaps.
(El Karoui et Geman (1991)).
Un swap de taux est un échange d’intérêt: un taux d’intérêt variable contre un taux fixe. Le prix d’un
swap sera ce taux fixe: 2 parties A et B font un swap lorsque
* A verse à B un intérêt variable sur un capital fictif (de valeur donnée initialement).
* B verse à A un intérêt fixe sur ce même capital.
Les dates auxquelles ont lieu ces versements sont notées s = t + 1, ...., T.
Supposons que la référence variable soit un taux de maturité θ donnée: Y (s, s + θ) . Alors:
* A verse à B: Y (s, s + θ) à chaque date s.
* B verse à A: Rt à chaque date s où Rt est le taux fixe convenu au départ entre ces deux parties (Rt est
le “prix” du swap).
Comme aucun flux n’a lieu au moment de la conclusion du contrat, Rt doit être tel que
" T #
X Y (s, s + θ) − Rt
Q
E |Ft = 0
βs
s=t+1
ou bien
T T
X
Q 1 X
Q Y (s, s + θ)
Rt E |Ft = E |Ft
βs βs
s=t+1 s=t+1
ou encore
T s
E Q [Y (s, s + θ) |Ft ] B (t, s)
P
s=t+1
Rt = T
P
B (t, s)
s=t+1
Il faut donc connaı̂tre la loi de Y (τ, τ + θ) sous la probabilité Qτ . Or sous Qτ nous savons que
Z τ
∼τ 1 τ
Z
B (t, τ + θ) 0 2
B (τ, τ + θ) = exp σ (u, τ + θ) − σ
[e e (u, τ )] dW u − ke
σ (u, τ + θ) − σ
e (u, τ )k du
B (t, τ ) t 2 t
en utilisant
1
Y (τ, τ + θ) = − ln B (τ, τ + θ)
θ
et donc
Z τ
Qτ 1 B (t, τ + θ) 1
E [Y (τ, τ + θ) |Ft ] = − ln − ke e (u, τ )k2 du.
σ (u, τ + θ) − σ
θ B (t, τ ) 2 t
En pratique, la variable de référence n’est pas aussi simple qu’un taux Y (s, s + θ) et les calculs d’espérance
sont alors plus compliquées.
134
5.6 Swaps / Caps / Floors / Swaptions / Captions sur LIBOR+ Modèles de
Marchés.
1) Les swaps de taux d’intérêt.
On a déjà étudié un swap de taux d’intérêt où le taux d’intérêt variable était un taux à terme Y (s, s + θ).
Ceci n’est presque pas vendu sur le marché. Le plus souvent le taux d’intérêt variable est un taux LIBOR.
(London Interbank Offered Rate).
Regardons un peu plus en détails:
Donc un swap de taux est un échange d’un taux d’intérêt variable contre un taux fixe.
On appelle “forward start payer swap settled in arrears”, swap à terme in fine (du point de vue de
l’acheteur) le swap avec dates de versement Tj , j = 1, ...., n, avec Tj − Tj−1 = δ ∀ j = 1, ....., n.
T0 est appelée la date initiale.
Le taux variable L (Tj ) est reçu à la date Tj+1 .
LTj est fixé à la date Tj en utilisant la formule suivante:
1
= 1 + (Tj+1 − Tj ) L (Tj ) = 1 + δL (Tj ) .
B [Tj , Tj+1 ]
Ce sont des quotations du LIBOR au comptant.

En général, le taux LIBOR à terme L (t, Tj ) pour la période future [Tj, Tj+1 ] satisfait
B (t, Tj )
1 + (Tj+1 − Tj ) L (t, Tj ) = = B f (t, Tj , Tj+1 )−1
B (t, Tj+1 )
Aux dates de versement Tj , j = 1, ...., n les flux d’un “payer swap” sont L (Tj−1 ) δN et −KδN où K
est un taux d’intérêt fixé ( et le nominal = 1).
n est appelé la longueur du swap.
Un cas spécial est le taux fixe κ qui annule la valeur d’un swap à terme. Ce taux est appelé le “forward”
swap rate κ (t, T, n) .
135
En général la valeur à la date t d’un swap à terme avec taux d’intérêt fixe est dénoté par F St (κ) avec
 
n
X βt
F St (κ) = EQ  (L (Tj−1 ) − κ) δ |Ft 
βTj
j=1
n
X βt −1

= EQ B (Tj−1 , Tj ) − (1 + κδ) |Ft
βTj
j=1
n n
βTj−1
X
X βt −1 βt
= EQ EQ FT
j−1 B (T ,
j−1 j T ) |Ft − (1 + κδ) EQ |Ft
βTj−1 βTj βTj
j=1 j=1
n n
X βt X βt
= EQ |Ft − (1 + κδ) EQ |Ft
βTj−1 βTj
j=1 j=1
Xn n
X
= B (t, Tj−1 ) − (1 + κδ) B (t, Tj )
j=1 j=1
n−1
X
= B (t, T0 ) − B (t, Tj ) κδ − (1 + κδ) B (t, Tn )
j=1
Xn
= B (t, T0 ) − cj B (t, Tj ) ∀t ∈ [0, T ] .
j=1
où cj = κδ pour j = 1, ..., n − 1 et cn = 1 + κδ

On a aussi celui reglé à l’avance (“in advance”). Les flux à Tj en US et Europe sont définis par:
L (Tj ) δ (1 + L (Tj ) δ)−1 et − κδ (1 + L (Tj ) δ)−1
 
n−1
X βt (L (Tj ) − κ) δ 
F St∗ (κ) = EQ |Ft
β 1 + L (Tj ) δ
j=0 Tj
 
 
n−1
X βt
= EQ  (L (Tj ) − κ) δB (Tj , Tj+1 ) |Ft 
βTj
j=0
 
n
X βt
= EQ  (L (Tj−1 ) − κ) δ |Ft 
βTj
j=1
= F St (κ)
n−1
X
= B (t, T0 ) − κδB (t, Tj ) − (1 + δκ) B (t, Tn )
j=1
136
Maintenant, déterminons aussi le taux swap à terme κ(t, T, n) avec T = T0 . Puisqu’il annule le swap à
terme:
B (t, T ) − B (t, Tn )
κ (t, T, n) = n
P
δ B (t, Tj )
j=1
Un swap est un swap à terme avec t = T .

Un taux swap est un taux swap à terme avec t = T.
Donc
1 − B (T, Tn )
κ (T, T, n) = n
P
δ B (T, Tj )
j=1
2) Les caps et floors à terme.

A ceiling rate agreement (CRA) ou un cap de taux est un contrat dans lequel le vendeur a l’obligation de
payer des flux à l’acheteur si un taux d’intérêt devient plus haut qu’un certain niveau convenu et cela à
des dates futures fixés.
Analogue: Un floor de taux d’intérêt est un contrat dans lequel le vendeur a l’obligation de payer des
flux à l’acheteur si un taux d’intérêt devient plus bas qu’un certain niveau convenu et cela à des dates
futures fixés.
Comme des swaps, les caps et floors peuvent être “in fine” ou “in advance”.
Regardons un cap à terme “in fine” (in arrears) aux dates Tj , j = 1, ..., n où Tj − Tj−1 = δ et T0 = T.
Les flux aux dates Tj sont
(L (Tj−1 ) − κ)+ δ
et on rappelle que le taux LIBOR instantané est:
B (Tj−1 , Tj )−1 = 1 + L (Tj−1 ) (Tj − Tj−1 )
Le prix d’un cap à terme est alors (et un terme est appelé un caplet):
n
X βt +
F Ct = EQ (L (Tj−1 ) − κ) δ |Ft
βTj
j=1
n
" + #
X βt 1 1
= EQ −1 −κ δ |Ft
βTj B (Tj−1 , Tj ) δ
j=1
n
" #
∼ +

X βt 1
= EQ −δ |Ft
βTj B (Tj−1 , Tj )
j=1
137
∼
avec δ = 1 + κδ. Donc:
n
" + #
βTj−1

X βt 1 ∼
F Ct = EQ EQ FT
j−1 −δ |Ft
βTj−1 βTj B (Tj−1 , Tj )
j=1
n
" + #
X βt ∼
= EQ 1 − δB (Tj−1 , Tj ) |Ft ∀t ∈ [0, T ]
βTj−1
j=1
n
" + #
∼
QTj−1
X
= B (t, Tj−1 ) E 1 − δB (Tj−1 , Tj ) |Ft
j=1
∼
Donc un cap à terme est la somme des options puts sur δ zéro-coupon.
A) Supposons qu’on est maintenant dans le modèle HJM et en plus particulier dans le modèle gaussien
(donc avec volatilité déterministe).
Nous rappelons que sous Qm :

0
0 ∼m
dB (t, T ) = rt + σ
e (t, T ) σe (t, m) B (t, T ) dt + B (t, T ) σ
e (t, T ) dW t
avec Z T
e (t, T ) = −
σ σ (t, u) du
t
et donc
∼m

B (t, T )
B (t, T ) 0
d =σ (t, T ) − σ
[e e (t, m)] dW t
B (t, m)
B (t, m)
et on rappelle aussi que pour ln X v N m, σ 2

E (κ − X)+ = −E [X] N (−d1 ) + κN (−d2 )

avec
m − ln κ + σ 2
d1 =
σ
d2 = d1 − σ
Donc ∀t ≤ T0 le prix d’un cap de taux d’intérêt avec niveau d’exercice κ, “settled in arrears” à des dates
de versement Tj , j = 1, ..., n
n ∼
j j
X
f
F Ct = B (t, Tj−1 ) N −d2 (t) − δB (t, Tj−1 , Tj ) N −d1 (t)
j=1
138
où B f (t, Tj−1 , Tj ) est le prix à temps t d’un Tj−1 maturity contrat à terme sur un zéro-coupon de
maturité Tj et où
∼
+ ln B f (t, Tj−1 , Tj ) + ln δ + σj2 (t)/2
dj1 (t) =
σj (t)
dj2 (t) = dj1 (t) − σj (t)
Z Tj−1
σj2 (t) = ke e (τ, Tj−1 )k2 dτ.
σ (τ, Tj ) − σ
t
En effet, puisque
Z Tj−1 ∼ Tj−1
B (t, Tj ) 0
B (Tj−1 , Tj ) = exp σ (τ, Tj ) − σ
(e e (τ, Tj−1 )) dW τ ×
B (t, Tj−1 ) t
1 Tj−1
Z
× exp − ke
σ (τ, Tj ) − σe (τ, Tj−1 )k2 dτ
2 t
on a que
∼ ∼
e (Tj−1 , Tj ) = B (t, Tj ) δ = B f (t, Tj−1 , Tj ) δ
h i
E [X] = E δB
B (t, Tj−1 )
et que
Z Tj−1
σj2 (t) = ke e (τ, Tj−1 )k2 dτ.
σ (τ, Tj ) − σ
t
Les flux pour le floor à terme aux dates Tj sont égaux à (κ − L (Tj−1 ))+ δ
n
X βt
F Ft = E Q
(κ − L (Tj−1 ))+ δ |Ft
βTj
j=1
Donc on peut refaire le raisonnement mais on peut aussi utiliser la parité cap-floor. En effet, puisque
(κ − L (Tj−1 ))+ δ = (L (Tj−1 ) − κ)+ δ − (L (Tj−1 ) − κ) δ
on a que
F C(t) − F F (t) = F S(t)
cap à terme - floor à terme = swap à terme. =⇒
n ∼
δB (t, Tj ) N +dj1 (t) − B (t, Tj−1 ) N +dj2 (t)
X
F Ft =
j=1
Comme avant, on parle d’un cap ou floor spot si t = T.
139
B) Modèles de taux LIBOR à terme.
Parce que les produits dérivés du LIBOR sont énormément traités, on peut modéliser les taux LIBOR
directement. Mentionnons par exemple les références:
Sandmann et al. (1995)
Jamshidian (1997)
Miltersen (1997)
Musiela and Rutkowski (1997)
Brace et al. (1997)
Ils modélisent les taux LIBOR par un modèle lognormal parce que ça était déjà depuis longtemps la
méthode utilisée par les practiciens.
Les dynamiques des taux LIBOR à terme L (t, Tj−1 ) sous la probabilité forward-neutre QTj sont
Tj
dL (t, Tj−1 ) = L (t, Tj−1 ) λ (t, Tj−1 )0 dWt
où W Tj sont des mouvements browniens de dimension d sous la probabilité forward-neutre QTj et
λ (., Tj−1 ) : [0, Tj−1 ] −→ Rd est une fonction déterministe.
n
Cpltj est égal à
P
On rappelle que le prix d’un cap à terme F Ct =
j=1
n Xn
X βt + Tj
Q
B (t, Tj ) E Q (L (Tj−1 , Tj−1 ) − κ)+ δ |Ft

F Ct = E (L (Tj−1 ) − κ) δ |Ft =
βTj
j=1 j=1
Donc le prix à la date t ∈ [0, T ] est égale à

n
X j
∼
j
∼
F Ct = δ B (t, Tj ) L (t, Tj−1 ) N d 1 (t) − κN d 2 (t)
j=1
avec
∼j ln (L (t, Tj−1 ) /κ) + υj2 (t)/2
d 1 (t) =
υj (t)
∼j ∼j
d 2 (t) = d 1 (t) − υj (t)
Z Tj−1
∼2
υ j (t) = kλ (u, Tj−1 )k2 du
t
parce que
140
R
Tj−1 T R Tj−1
L (Tj−1 , Tj−1 ) = L (t, Tj−1 ) exp t λ (u, Tj−1 ) dWu j − 1
2 t kλ (u, Tj−1 )k2 du
Remarques.
Les dynamiques sous les probabilités forward-neutres sont obtenus dans des modèles sans arbitrages.
La pratique du marché était ou est de regarder sous Q
dL (t, Tj ) = L (t, Tj ) σdWt ∀j ∀t ≤ Tj
Facile pour déterminer les prix mais le modèle a des défauts −→ arbitrage.
Lien avec HJM.
−→ Sous QTj+1
T
dL (t, Tj ) = L (t, Tj ) λ (t, Tj ) dWt j+1

1 B (t, Tj )
L (t, Tj ) = −1
δ B (t, Tj+1 )
Sous QTj+1 dans le modèle HJM:
B (t, Tj ) B (t, Tj ) 0 T
d = (e e (t, Tj+1 )) dWt j+1
σ (t, Tj ) − σ
B (t, Tj+1 ) B (t, Tj+1 )
Donc par conséquence:
1 B (t, Tj ) 0 T
dL (t, Tj ) = (e e (t, Tj+1 )) dWt j+1
σ (t, Tj ) − σ
δ B (t, Tj+1 )
1 0 T
= (1 + δL (t, Tj )) (e e (t, Tj+1 )) dWt j+1
σ (t, Tj ) − σ
δ
T
= L (t, Tj ) λ (t, Tj ) dWt j+1
avec
1+δL(t,Tj )
λ (t, Tj ) = δL(t,Tj ) σ (t, Tj ) − σ
(e e (t, Tj+1 ))
Maintenant on suppose λ (., Tj ) function déterministe!!!
3) Autres produits réliés aux swaps et caps.
Caption:
141
call option sur un cap   + 
n
βt 
CplTj − κ |Ft 
X
CCt = E Q 
βT
j=1
payer swaption:
avec taux d’exercise κ, de maturité T = T0 qui donne le droit à l’acheteur d’obtenir un payer swap à
terme qui est sous-jacent.

Q βt +
P St = E (F ST (κ)) |Ft
βT
   +  
n
βt  Q  X βT
= EQ  E (L(Tj−1 ) − κ) δ |Ft   |Ft 
βT βTj
j=1
  + 
n
β t 
X
= EQ  1− cj B (T, Tj ) |Ft 
βT
j=1
Put option sur une obligation avec coupons cj = κδ for j = 1, . . . , n.
Options sur un spread de taux swap: swap rate spread.

payoff avec swap rates avec m1 6= m2 .
CT (κ, m1 , m2 ) = (κ (T, T, m1 ) − κ (T, T, m2 ) − κ)+
Exotic caps.
5.7 Dérivées de taux d’échanges.
A. Modèles de deux économies (Amin Jarrow (1991)) qui sont reliés entre elles par un taux d’échange.
Maintenant on a besoin d’un modèle qui décrit plusieurs marchés reliés par un taux de change.
Nous nous restreignons à deux économies: domestique et étrangère.
La modélisation ici est celle de Amin et Jarrow (1991) et s’inspire directement du modèle Heath-Jarrow-
Morton (1992).
142
La seule différence provient de la présence simultanée de deux numéraires (associés à chacune des
économies).
Dans la plupart des cas, nous privilégierons le point de vue domestique, et nous raisonnerons à partir du
numéraire de l’économie domestique.
1. Notations.
Nous noterons d’un indice d tout ce qui se réfère à l’économie domestique et d’un indice f (foreign)
pour ce qui concerne l’économie étrangère.
- B d (t, T ) = le prix d’un titre zéro-coupon donnant droit à une unité de numéraire domestique à la date
T (donc B d (T, T ) = 1).
- B f (t, T ) = ...... numéraire étranger
- rtd = les taux courts domestiques
- rtf = les taux courts étrangers
- S(t) = le taux de change
= le prix exprimé en numéraire domestique d’une unité de numéraire étranger: 1£ = 1,5 Euro
(numéraire domestique = 1 Euro)
2. L’absence d’opportunités d’arbitrage pour l’économie domestique.

Comme nous prenons le point de vue domestique, on est ici dans le cadre de ce présent chapitre et on
caractérise l’absence d’opportunités d’arbitrage par l’existence d’une probabilité Qd sous laquelle les
prix actualisés sont martingales
0 ∼
dB d (t, T ) = rtd B d (t, T )dt + B d (t, T )σ d (t, T ) dW t
∼
où W t est un mouvement brownien standard de dimension n.
σ d (t, T ) est un processus continu, adapté tel que σ d (t, t) = 0 pour tout t.
3. Absence d’opportunités d’arbitrage pour l’économie étrangère.
Il n’y a aucune raison pour penser que les prix étrangers actualisés au taux court rtf puissent être martin-
gales sous la même probabilité Q = Qd .
Regardons à l’opération qui consiste à changer une quantité St de numéraire domestique (à la date t)
en numéraire étranger que l’on replace continûment au taux Rcourt étranger rf jusqu’en T puis qu’on
T f
reconvertit en numéraire domestique en T pour obtenir S(T )e t rs ds (en monnaie domestique).
143
Il s’agit d’une opération “domestique” puisque l’investissement et l’unique flux terminal sont référencés
en numéraire domestique. Donc cet investissement initial doit être égal à l’espérance du flux terminal
actualisé au taux rd , soit:
d
h RT d RT f i
S(t) = E Q e− t rs ds S(T )e t rs ds |Ft ∀t ≤ T.
Ceci implique que, sous la probabilité risque-neutre Qd , la dynamique du taux de change doit s’écrire:
0 ∼
dS(t) = rtd − rtf S(t)dt + S(t)σ S (t) dW t
où σ S (t) est la volatilité du taux de change.

Une autre façon de voir les choses est de dire que le taux de change est le prix d’un actif domestique qui
délivrerait continûment un dividende égal à rtf .
Pour décrire la dynamique des prix zéro-coupon étranger sous Qd , considérons l’opération qui consiste
à acheter en t un titre zéro-coupon étranger d’échéance T au prix domestique S(t)B f (t, T ) puis de le
0 0 0
revendre en t pour récupérer S(t )B f (t , T ). Il s’agit ici aussi d’une opération “domestique” et donc
sous Q = Qd :
R t0

f Q 0 f 0 − rsd ds
S(t)B (t, T ) = E S(t )B (t , T )e t |Ft
Autrement dit, le processus de prix domestiques S (t) B f (t, T ) actualisés par rd est martingale sous Qd .
Par conséquent sous Q:
d S(t)B f (t, T )

0 ∼
d d,f
= rt dt + σ (t, T ) dW t.
S(t)B f (t, T )
=⇒ en utilisant la formule d’Itô:

dB f (t, T )

0 ∼
f f S
= rt dt + σ (t, T ) dW t − σ (t)dt
B f (t, T )
avec
σ f (t, T ) = σ d,f (t, T ) − σ S (t).
Donc, les prix étrangers actualisés par le taux court étranger rf sont bien martingale mais sous une autre
probabilité, sous Qf où Qf vérifie
144
1 T
Z T
dQf

∼
Z
S
2 S 0
= exp − σ (s) ds +
σ (s) dW s
dQ T 2 0 0
∼ Rt
tel que W t − 0 σ S (u) du est un mouvement brownien sous Qf .
B. Options sur taux de change
On veut déterminer le prix d’un call européen sur taux de change avec payoff à la date d’échéance:
(S (T ) − K)+
où K est le taux de change d’exercice, T la date d’échéance et S (T ) est le taux de change aussi décrit
par
S (T ) = FS (T, T )
où FS (t, T ) est le taux de change à terme qui peut être interprêté comme le taux à terme à la date T
d’une unité de la monnaie étrangère.
=⇒
B f (t, T )S(t)
FS (t, T ) = ∀t ∈ [0, T ] .
B d (t, T )
= forward exchange rate for the settlement date T.
∼
dFS (t, T ) = FS (t, T ) σ S (t) + σ f (t, T ) − σ d (t, T ) (dW t − σ d (t, T )dt)
∼
où (dW t − σ d (t, T )dt) est égale à dWtT sous QT .
=⇒ Si σ S (t) + σ f (t, T ) − σ d (t, T ) est déterministe, alors c’est facile d’obtenir des expressions pour les
prix d’option.
Qd β t +
Ct = E (FS (T, T ) − K) |Ft
βT
parce que l’option est exprimé en monnaie domestique, on peut prendre l’espérance du payoff actualisé
sous la probabilité risque-neutre domestique, ou sous la probabilité forward-neutre
T
Ct = B(t, T )E Q (FS (T, T ) − K)+ |Ft

On a une loi lognormale

1
ln FS (T, T ) v N (ln FS (t, T ) − υS2 (t, T ), υS2 (t, T ))
2
145
où Z T 2
υS2 (t, T )
S
= σ (u) + σ f (u, T ) − σ d (u, T ) du

t
Nous concluons que

Ct = B (t, T ) [FS (t, T ) N (d1 ) − KN (d2 )]
avec
ln (FS (t, T ) /K) + υS2 (t, T ) /2
d1 =
υS (t, T )
d2 = d1 − υS (t, T ) .
146
C. Exercice
Considérez le modèle de Amin-Jarrow (1991) dans lequel deux économies sont reliées entre elles par un
taux d’échange et où il n’y a pas d’opportunités d’arbitrage.
a/ Notons B d (t, T ) (et B f (t, T ) respectivement) le prix d’un titre zéro-coupon donnant droit à une unité
de numéraire domestique (étranger) à la date T .
Supposons que l’EDS de B d (t, T ) sous la probabilité risque-neutre Qd du marché domestique est égale
à
0 ∼d
dB d (t, T ) = rtd B d (t, T )dt + B d (t, T )σ d (t, T ) dW t .
Donnez l’EDS analogue pour B f (t, T ) sous la probabilité risque-neutre Qf du marché étranger.
∼f
Utilisez la notation W t pour un mouvement Brownien sous Qf et le fait que le taux de change suit
l’EDS: 0 ∼d
dS(t) = rtd − rtf S(t)dt + S(t)σ S (t) dW t .
∼d
b/ Supposons maintenant que σ S , rd et rf sont des constantes et que W t est un mouvement Brownien
unidimensionnel.
Notons Stf le prix d’une action, notée dans le numéraire étranger, avec EDS sous la probabilité risque-
neutre Qf :
∼f
dStf = Stf (rf dt + σS f dW t ),
avec σS f une constante.
Donnez l’EDS et la solution de cette EDS sous la probabilité risque-neutre Qd .
c/ Considérez un produit dérivé (appelé equity-linked foreign exchange call) avec payoff à la date de
maturité T :
CT = (ST − K)+ STf ,
avec K le strike, et exprimé dans le numéraire domestique.
Démontrez que son prix à la date t est égal à:
Ct = Stf (St N (d1 (St , T − t)) − Ke−γ(T −t) N (d2 (St , T − t)))
avec γ = rd − rf + σ S σS f et
ln( Ks ) + (γ ± 12 |σ S |2 )t
d1,2 (s, t) = √ .
σS t
Hint:
Introduisez la probabilité Q∗∗ :
dQ∗∗ ∼d 1
d
= exp(σS f W T − |σS f |2 T ).
dQ 2
147
Références
[1] Abate J. and W. Whitt, 1995, ”Numerical Inversion of Laplace Transforms of Probability Distribu-
tions”, ORSA Journal on Computing, 7(1), 36-43.
[2] Arnold L., 1974, Stochastic Differential Equations: Theory and Applications, Wiley, New-York.
[3] Artzner P. and F. Delbaen, 1987, ”Term Structure of Interest Rates: The Martingale Approach”,
Advances in Applied Mathematics, 10, 95-129.
[4] Ash R.B. and M.F. Gardner, 1975, Topics in Stochastic Processes, Academic Press, New-York.
[5] Bachelier L., 1900, ”Théorie de la spéculation.”, Ann. Sci. Ecole Normale Supérieure, 17, 21-86.
[6] Beaglehole D.R. and M.S. Tenney, 1992, ”Correction and Additions to ’A Nonlinear General Equi-
librium Model of the Term Structure of Interest Rates’”, Journal of Financial Economics, 32, 345-
353.
[7] Black F., 1976, ”The pricing of commodity contracts”, Journal of Financial Economics, 9, 167-179.
[8] Black F. and M. Scholes, 1973, ”The pricing of options and Corporate Liabilities”, Journal of
Political Economy, 3, 637-654.
[9] Brennan M.J. and E.S. Schwartz, 1977, ”Savings Bonds, Retractable Bonds and Callable Bonds”,
Journal of Financial Economics, 5, 67-88.
[10] Brennan M.J. and E.S. Schwartz, 1982, ”An Equilibrium Model of Bond Pricing and a Test of
Market Efficiency”, Journal of Financial and Quantitative Analysis, 17, 301-329.
[11] Brown S.J. and P.H. Dybvig, 1986, ”The Empirical Implications of the Cox, Ingersoll, Ross Theory
of the Term Structure of Interest Rates”, Journal of Finance, 41, 617-630.
[12] Chan K.C., G.A. Karolyi, F.A. Longstaff and A.B. Sanders, 1992, ”An Empirical Comparison of
Alternative Models of the Short-Term Interest Rate”, Journal of Finance, 47, 1209-1277.
[13] Chen R.-R. and L. Scott, 1992, ”Pricing Interest Rate Options in a Two-Factor Cox-Ingersoll-Ross
Model of the Term Structure”, Review of Financial Studies, 5, 613-636.
148
[14] Chung K.L., 1974, A Course in Probability Theory, Second edition, Academic Press, New-York.
[15] Chung K.L. and R.T. Williams, 1989, Introduction to Stochastic Integration, Second edition,
Birkäuser, Boston.
[16] Conze A., 1993, ”Un Modèle à Deux Facteurs de la Courbe des Taux”, working paper, Fixed
Income Research de Goldman Sachs, New-York.
[17] Courtadon G., 1982, ”The Pricing of Options on Default-Free Bonds”, Journal of Financial and
Quantitative Analysis, 17, 75-100.
[18] Cox J.C., J.E. Ingersoll and S.A. Ross, 1985, ”An Intertemporal General Equilibrium Model of
Asset Prices”, Econometrica, 53, 363-384.
[19] Cox J.C., J.E. Ingersoll and S.A. Ross, 1985, ”A Theory of the Term Structure of Interest Rates”,
Econometrica, 53, 385-407.
[20] Cox J., Ross S. and Rubenstein M., 1979, ”Option pricing. A simplified approach.”, Journal of
Financial Economics, 7, 229-263.
[21] Dalang R.C., Morton A. and W. Willinger, 1989, ”Equivalent Martingale Measures and no Arbi-
trage in Stochastic Securities Market Models”, Stochastics and Stochastics Reports, 29, 185-202.
[22] DANA, R.-A. et M. JEANBLANC-PIQUE (1994). Marchés Financiers en Temps Continu. Eco-
nomica.
[23] Delbaen F. and W. Schachermayer, 1994a, ”Arbitrage and Free-Lunch with Bounded Risk for Un-
bounded Continuous Processes”, Mathematical Finance, 4, 343-348.
[24] Delbaen F. and W. Schachermayer, 1994b, ”A General Version of the Fundamental Theorem of
Asset Pricing”, Math. Annal., 300, 463-520.
[25] Devroye L., 1986, Non-Uniform Random Variate Generation, Springer-Verlag, New-York.
[26] Doléans-Dade C., 1976, ”On the Existence and Unicity of Solutions of Stochastic Integral Equa-
tions”, Zeitschrift für Wahrscheinlichkeitstheorie und Verwandte Gebiete, 36,93-101.
[27] DOTHAN, M.U. (1990). Prices in Financial Markets. Oxford University Press.
[28] Dothan U.L., 1978, ”On the Term Structure of Interest Rates”, Journal of Financial Economics, 6,
59-69.
[29] Dudley R.M., 1977, ”Wiener Functionals of Itô Integrals”, Annals of Probability, 5, 140-141.
[30] Duffie D., 1992, Dynamic Asset Pricing Theory, Princeton University Press.
[31] Duffie D. and R. Kan, 1993, ”A Yield-Factor Model of Interest Rates”, working paper.
149
[32] Dybvig P.H., J.E. Ingersoll and S.A. Ross, 1986, ”Do Interest Rates Converge?”, working paper.
[33] Dybvig P.H., J.E. Ingersoll and S.A. Ross, 1994, ”Long Forward Rates can Never Fall”, working
paper.
[34] El Karoui N., Geman H. and Rochet J.C., 1995, ”Changes of numéraire, arbitrage and option
prices.”, Journal of Applied Probability, 32, 443-458.
[35] Friedman A., 1975, Stochastic Differential Equations and Applications,Volume 1, Academic Press,
New-York.
[36] Harrison M. and D. Kreps, 1979, ”Martingales and Arbitrage in Multiperiod Securities Markets”,
Journal of Economic Theory, 20, 381-408.
[37] Harrison J.M. and S. Pliska, 1981, ”Martingales and Stochastic Integrals in the Theory of Continu-
ous Trading”, Stochastic Processes and their Applications, 11, 215-260.
[38] Heath D., R. Jarrow and A. Morton, 1992, ”Bond Pricing and The Term Structure of Interest Rates:
A New Methodology for Contingent Claims Valuation”, Econometrica, 60, 77-105.
[39] HULL, J. (1989). Options, Futures and Other Derivative Securities. Prentice-Hall, Englewood
Clifs, New Yersey.
[40] Hull J. and A. White, 1990, ”Pricing Interest Rate Derivative Securities”, Review of Financial
Studies, 3, 573-592.
[41] Hull J. and A. White, 1990, ”Valuing Derivative Securities Using the Explicit Finite Difference
Method”, Journal of Financial and Quantative Analysis, 25, 87-100.
[42] Jamshidian F., 1992, ”A Simple Class of Square-Root Interest Rate Models”, working paper, Fuji
International Finance PLC.
[43] Jamshidian F., 1993, ”Bond, Futures and Option Evaluation in the Quadratic Interest Rate Model”,
Proceedings of the AFFI international conference in finance.
[44] Karatzas I. and S. Shreve, 1991, Brownian Motion and Stochastic Calculus, Second edition,
Springer-Verlag, New-York.
[45] Karlin S. and H. Taylor, 1981, A Second Course in Stochastic Processes,Academic Press, New
York.
[46] Kloeden P.E. and E. Platen, 1992, Numerical Solution of Stochastic Differential Equations,
Springer-Verlag, Berlin, Heidelberg.
[47] LAMBERTON D. and LAPEYRE B., 1991, Introduction au calcul stochastique appliqué à la
finance, Edition Marketing S.A., Ellipses, SMAI, Paris.
[48] Langetieg T.C., 1980, ”A Multivariate Model of the Term Structure”, Journal of Finance, 35, 71-97.
150
[49] Leithner S. and H. Zimmerman, 1993, ”Term Structure Estimation and Bond Valuation in the Swiss
Capital Market”, working paper.
[50] Longstaff F.A., 1989, ”A Nonlinear General Equilibrium Model of the Term Structure of Interest
Rates”, Journal of Financial Economics, 23, 195-224.
[51] Longstaff F.A., 1992, ”Multiple Equilibria and Term Structure Model”, The Journal of Finance, 32,
333-344.
[52] Longstaff F.A. and E.S. Schwartz, 1992, ”Interest Rate Volatility and the Term Structure: A Two-
Factor General Equilibrium Model”, Journal of Financial Economics, 47, 1259-1282.
[53] Longstaff F.A. and E.S. Schwartz, 1993, ”Implementation of the Longstaff-Schwartz Interest Rate
Model”, Journal of Fixed Income, Sept. 1993, 7-14.
[54] Martellini L. et Ph. Priaulet, 2000, Produits de Taux d’intérêt, Economica, Paris.
[55] Merton R.C., 1971, ”Optimum Consumption and Portfolio Rules in a Continuous-Time Model”,
Journal of Economic Theory, 3, 373-413. Erratum: ibid. 6 (1973), 213-214.
[56] Musiela M. et M. Rutkowski, 1998, Martingale Methods in Financial Modelling, Springer.
[57] Parker G., 1994, ”Moments of the present value of a portfolio of policies”, Scandinavian Actuarial
Journal, 1994 (1), 53-67.
[58] Pitman J.W. and M. Yor, 1981, ”Bessel Processes and Infinitely Divisible Laws”,in Stochastic Inte-
grals, Lecture Notes in Mathematics, 851, 285-370, Springer-Verlag, Berlin.
[59] Pitman J.W. and M. Yor, 1982, ”A decomposition of Bessel Bridges”, Zeitschrift für Wahrschein-
lichkeitstheorie und Verwandte Gebiete, 59, 425-457.
[60] Protter P., 1990, Stochastic Integration and Differential Equations, Springer-Verlag, New-York.
[61] Revuz D. and M. Yor, 1991, Continuous Martingales and Brownian Motion, Springer-Verlag,
Berlin-Heidelberg, New-York.
[62] Richard S., 1978, ”An Arbitrage Model of the Term Structure of Interest Rates”, Journal of Finan-
cial Economics, 6, 33-57.
[63] Schaefer S. and E.S. Schwartz, 1984, ”A Two-Factor Model of the Term Structure: An Approximate
Analytical Solution”, Journal of Financial and Quantitative Analysis, 19,413-424.
[64] STEELE, J. M., 2001, Stochastic Calculus and Financial Applications, Springer-Verlag.
[65] Stricker C., 1989, ”Arbitrage et lois de martingale”, Annales Inst. Henri Poincaré, 26, 451-460.
[66] Uhrig M. and U. Walter, 1993, ”Term Structure of Interest Rates, Consistent Risk Attitudes and
Preference-Free Option Prices”, working paper.
151
[67] Uhrig M. and U. Walter, 1994, ”Estimating the Process of the Short-Term Riskless Rate”, working
paper.
[68] Vasicek O., 1977, ”An Equilibrium Characterization of the Term Structure”, Journal of Financial
Economics, 5, 177-188.
152

Stat F 508

Transféré par

Informations du document

Titre original

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

Stat F 508

Transféré par

Droits d'auteur :

Formats disponibles

Modèles financiers en temps continu

2 Modèles en temps continu: Formules de Black et Scholes 39

3.1.1 Prix de la compensation F en cas de franchissement de la barrière du haut H,

3.2.2 Les options avec temps d’occupation. . . . . . . . . . . . . . . . . . . . . . . . 87

4 Généralités de modèles de taux d’intérêt stochastiques 92

5 Le modèle de Heath, Jarrow, Morton. 114

1.1 Martingales en temps continu

Définition 1.1.1 Une collection C des variables aléatoires est équi-intégrable si

IE [|Zn − Z|] → 0 pour n → ∞.

Par le Théorème de la Convergence Dominée (TCD), nous trouvons que:

Lemme 1.1.2 [Equi-intégrabilité et espérance conditionelle]

IE [|IE [Zn |G ] − IE [Z |G ]|] ≤ IE [IE [|Zn − Z| |G ]] = IE [|Zn − Z|] → 0.

Lemme 1.1.3 [Lemme de la Vallée Poussin]

Alors C est équi-intégrable.

1.1.2 Les résultats de Doob en temps continu

Ytτ (ω) = Yt∧τ (ω) (ω) ∀t.

Théorème 1.1.2 (Inégalités maximales de Doob en temps continu) .

et, si MT ∈ Lp (dIP ) pour un p > 1, alors

1.2.1 Définitions: Mouvement brownien et processus gaussiens

Bt2 − Bt1 , Bt3 − Bt2 , ..., Btn − Btn−1

(4) Bt (ω) est une fonction continue de t pour presque tout ω.

Définition 1.2.2 (Processus gaussiens) Si un processus stochastique {Xt : 0 ≤ t < ∞} a la propriété

cov (Bs , Bt ) = IE [(Bt − Bs + Bs ) Bs ] = IE Bs2 = s

=⇒ cov (Bs , Bt ) = min (s, t) 0 ≤ s, t < ∞.

3) exp αBt − α2 t/2 t

IE [Bt − Bs |Fs ] = 0 parce que IE [Bt − Bs ] = 0.

3) IE exp αBt − α2 t/2 |Fs

1.3.1 Définition d’une intégrale d’Itô: les deux premiers pas

β [0, T ] = Borel sets de [0, T ]

{Ft }t la filtration brownienne standard.

H 2 est un sous-espace fermé linéaire de L2 (dIP × dt) .

Si f = 1(a,b] avec (a, b] ⊂ [0, T ], alors l’intégrale est définie par:

Nous allons maintenant étendre la définition pour toutes les fonctions de H 2 .

Lemme 1.3.1 (L’isométrie d’Ito sur H02 ) ∀f ∈ H02 , nous avons

kI (f )kL2 (dIP ) = kf kL2 (dIP ×dt) .

avec ai ∈ Fti , IE a2i < ∞ et 0 = t0 < t1 < ... < tn = T ,

de telle sorte que

Calculons maintenant kI (f )k2L2 (dIP ) :

kf − fn kL2 (dIP ×dt) −→ 0 pour n −→ ∞.

où I (f ) ∈ L2 (dIP ) et la convergence est telle que

kI (f ) − I (fn )kL2 (dIP ) → 0.

Nous allons maintenant vérifier si ceci est une bonne définition:

kI (fn ) − I (fn0 )kL2 (dIP ) → 0.

Théorème 1.3.1 (Isométrie d’Itô sur H 2 [0, T ]) Pour f ∈ H 2 [0, T ], on a que

kI (f )kL2 (dIP ) = kf kL2 (dIP ×dt) .

kfn − f kL2 (dIP ×dt) → 0 pour n → ∞.

L’inégalité triangulaire pour la norme de L2 (dIP × dt) nous dit que

kfn kL2 (dIP ×dt) → kf kL2 (dIP ×dt) .

kI (fn )kL2 (dIP ) → kI (f )kL2 (dIP ) .

Mais on sait que sur H02 :

kI (fn )kL2 (dIP ) = kfn kL2 (dIP ×dt) ,

donc l’unicité de la limite complète la démonstration.

Le processus {Xt , t ∈ [0, T ]} est la version de l’intégrale d’Itô comme processus.

{ω : Xt (ω) = I (mt f ) (ω)}

a une probabilité 1 pour tout t ∈ [0, T ] .

1.3.3 Le signe d’intégrale

IP [Xt = I (mt f )] = 1 pour tout 0 ≤ t ≤ T ,

Proposition 1.3.1 Pour tout b ∈ H 2 et pour tout 0 ≤ s ≤ t, on a que

Ceci est vrai par le Théorème 1.3.1 pour l’intégrand modifié:

Théorème 1.3.3 (interprétation trajectoire par trajectoire de l’intégrale d’Itô sur H 2 ) Si f ∈ H 2

pour presque tout ω ∈ {ω : t ≤ ν} .

sont égales pour presque tout ω ∈ {ω : t ≤ ν} .

Soit f : IR → IR une fonction continue, alors