Académique Documents
Professionnel Documents
Culture Documents
3 octobre 2022
1 Vecteurs Gaussiens
2 Processus stochastiques
Filtration
Processus stochastique
Processus Gaussien
3 Espérance Conditionnelle
Espérance conditionnelle par rapport à une tribu
Propriétés de l’espérance conditionnelle
4 Martingales
5 Temps d’arrêt
Théorème d’arrêt de Doob
6 Mouvement Brownien
Propriétés du Mouvement Brownien
Trajectoires
Propriétés de Martingale
Temps d’atteinte
Propriété de Markov
Pr. Badr-eddine Berrhazi Mouvement Brownien 3 octobre 2022 1 / 46
Vecteurs Gaussiens
7 Equation de la Chaleur
Vecteurs Gaussiens
Vecteurs Gaussiens
1 (x − m)2
N m, σ 2 (x) = √ exp −
.
σ 2π 2σ 2
Vecteurs Gaussiens
1 (x − m)2
N m, σ 2 (x) = √ exp −
.
σ 2π 2σ 2
Définition
T
Un vecteur
Pn X = (X1 , X2 , . . . , Xn ) est gaussien si toute combinaison
linéaire i=1 ai Xi est une variable gaussienne à valeurs réelles.
Vecteurs Gaussiens
Proposition
de loi N m, σ 2 , on a, pour tout λ réel,
Si X est une variable
gaussienne
2 2
E e λX = exp λm + λ 2σ . Réciproquement si pour tout
2 2
2
λ ∈ R, E e λX = exp λm + λ 2σ , la variable X est de loi N m, σ 2
Filtration
Filtration
Processus stochastique
Définition
Un processus stochastique (ou fonction aléatoire) est une famille de
variables aléatoires (Xt ; t ∈ [0, ∞[) définies sur le même espace de
probabilité.
Processus stochastique
Définition
Un processus stochastique (ou fonction aléatoire) est une famille de
variables aléatoires (Xt ; t ∈ [0, ∞[) définies sur le même espace de
probabilité.
Définition
Un processus stochastique X = (Xt , t ≥ 0) est dit adapté (par
rapport à une filtration Ft ) si Xt est Ft -mesurable pour tout t
Un processus est à trajectoires continues (ou est continu) si les
applications t → Xt (ω) sont continues pour presque tout ω.
Processus stochastique
Définition
Un processus stochastique (ou fonction aléatoire) est une famille de
variables aléatoires (Xt ; t ∈ [0, ∞[) définies sur le même espace de
probabilité.
Définition
Un processus stochastique X = (Xt , t ≥ 0) est dit adapté (par
rapport à une filtration Ft ) si Xt est Ft -mesurable pour tout t
Un processus est à trajectoires continues (ou est continu) si les
applications t → Xt (ω) sont continues pour presque tout ω.
Remarque
A un processus stochastique X on associe sa filtration naturelle FtX , c’est
à dire la famille croissante de tribus FtX = σ {Xs , s ≤ t}.
Pr. Badr-eddine Berrhazi Mouvement Brownien 3 octobre 2022 5 / 46
Processus stochastiques Processus Gaussien
Processus Gaussien
Définition
Un processus X est gaussien si toute combinaison linéaire finie de
(Xt , t ≥ 0) est une variable aléatoire gaussienne, c’est-à-dire si
n
X
∀n, ∀ti , 1 ≤ i ≤ n, ∀ai , ai Xti est une v.a.r. gaussienne.
i=1
Espérance Conditionnelle
Espérance Conditionnelle
Remarque
C’est aussi l’unique ( à une égalité p.s près) variable G-mesurable telle que
Espérance Conditionnelle
Propriété
Linéarité. Soit a et b deux constantes.
E(aX + bY | G) = aE(X | G) + bE(Y | G).
Croissance. Soit X et Y deux v. a. telles que X ≤ Y . Alors
E(X | G) ≤ E(Y | G).
E[E(X | G)] = E(X ).
Si X est G-mesurable, E(X | G) = X .
Espérance Conditionnelle
Propriété
Si Y est G-mesurable, E(XY | G) = Y E(X | G).
SiX est indépendante de G, E(X | G) = E(X ).
Si G est la tribu grossière (composée de l’ensemble vide et de
Ω), E(X | G) = E(X ).
SiG et H sont deux tribus telles que H ⊂ G alors
E(X | H) = E(E(X | H) | G) = E(E(X | G) | H). On note souvent
E(E(X | H) | G) = E(X |H|G)
Martingales
E (Xt | Fs ) = Xs , ∀s ≤ t
Martingales
Propriété
Si X est une martingale E (Xt ) = E (X0 ) , ∀t. Si (Xt , t ≤ T ) est une
martingale, le processus est complètement déterminé par sa valeur
terminale : Xt = E (XT | Ft ). Cette dernière propriété est d’un usage très
fréquent en finance.
Martingales
Définition
Une famille de variables aléatoires (Xt , t ∈ [0, ∞[) est une surmartingale
(resp. sousmartingale) par rapport à la filtration (Ft ) si Xt est
Ft -mesurable et intégrable pour tout t
Inégalité de Doob
Proposition
Si X est une martingale continue,
!
sup Xs2 ≤ 4E XT2
E
s≤T
Temps d’arrêt
Remarque
Une constante positive est un temps d’arrêt.
Temps d’arrêt
Proposition
Si pour tout temps d’arrêt borné E (XT ) = E (X0 ), le processus X est une
martingale.
Introduction
Introduction
Mouvement Brownien
Mouvement Brownien
Remarque
La deuxième propriété est la stationarité des accroissements du
mouvement Brownien, la troisième traduit que le mouvement Brownien est
à accroissements indépendants. On peut aussi l’écrire sous la forme
équivalente suivante : Soit s ≤ t. La variable Bt − Bs est indépendante de
la tribu du passé avant s, soit σ (Bu , u ≤ s).
scaling
Proposition
Si (Bt , t ≥ 0) est un mouvement Brownien, alors :
le processus B̂ défini par B̂t = −Bt est un mouvement Brownien.
le processus B̃ défini par B̃t = c1 Bc 2 t est un mouvement Brownien.
(Propriété de scaling)
le processus B̄ défini par B̄t = tB 1 , ∀t > 0, B̄0 = 0 est un mouvement
t
Brownien.
Trajectoires
Trajectoires
Proposition
Soit σ une subdivision de l’intervalle [0, t] caractérisée par
0 = t0 ≤ t1 · · · ≤ tn = t. Soit Vt laPvariation de la trajectoire du Brownien
sur [0, t] définie par Vt (ω) = supσ i | Bti+1 (ω)− Bti (ω) |. Alors
Vt (ω) = ∞ p.s.
Propriétés de Martingale
Proposition
Le processus B est une martingale. Le processus Bt2 − t, t ≥ 0 est une
Propriétés de Martingale
Proposition
Le processus B est une martingale. Le processus Bt2 − t, t ≥ 0 est une
Proposition
Soit B1 et B2 deux MB indépendants. Le produit B1 B2 est une martingale.
Propriétés de Martingale
Définition
On dit que B est un (Gt )-mouvement Brownien si B et Bt2 − t, t ≥ 0
Remarque
Si SiB est un (Gt )-mouvement Brownien, c’est bien sûr un MB pour sa
propre filtration.
Propriétés de Martingale
Proposition
Pour tout λ réel, le processus exp λBt − 12 λ2 t , t ≥ 0 est une
martingale. Réciproquement,
si X est un processus continu tel que
exp λXt − 21 λ2 t , t ≥ 0 est une martingale, pour tout λ réel, le
Propriétés de Martingale
Proposition
Soit (Ω, F, Ft , P) et B un (Ft )-brownien sur cet espace.
Si Xt = µt + σBt ,
alors, pour tout β réel, exp βXt − µβ + 21 σ 2 β 2 t , t ≥ 0 est une
(Ft )-martingale. Réciproquement, si X est un processus continu tel que
1 2 2
exp βXt − µβ + 2 σ β t , t ≥ 0 est une Ft -martingale, il existe un
Ft -brownien B tel que Xt = µt + σBt .
Temps d’atteinte
Proposition
Soit (Bt , t ≥ 0) un mouvement Brownien et a un nombre réel. Soit
Ta = inf {t ≥ 0; Bt = a} .
Alors Ta est un temps d’arrêt fini p.s. tel que E (Ta ) = ∞ et pour λ ≥ 0
√
E (exp −λTa ) = exp(−|a| 2λ)
Propriété de Markov
Propriété de Markov
Propriété de Markov
Proposition
Propriété de Markov forte : Soit T un temps d’arrêt à valeurs finies. On
a alors E (f (BT +s ) | FT ) = E (f (BT +s ) | σ (BT )). En particulier, pour
tout temps d’arrêt fini T , le processus (Wt , t ≥ 0) défini par
def
Wt = Bt+T − BT est un mouvement Brownien indépendant de FT .
Equation de la Chaleur
1 (y − x)2
q(t, x, y ) = √ exp − = g (t, x − y )
2πt 2t
Equation de la Chaleur
∂q 1 ∂2q
(t, x, y ) = (t, x, y )
∂t 2 ∂y 2
et l’équation ”backward”
∂q 1 ∂2q
(t, x, y ) = (t, x, y )
∂t 2 ∂x 2
Equation de la Chaleur
Equation de la Chaleur
Equation de la Chaleur
Z T
∂u
E (f (BT + x)) − f (x) = u(T , x; f ) − u(0, x; f ) = (s, x; f )ds
0 ∂t
1 T ∂2u
Z
= (s, x; f )ds.
2 0 ∂x 2
Equation de la Chaleur
on obtient
Z T
1
E f ′′ (Bs + x) ds.
E (f (BT + x)) = f (x) +
2 0
Equation de la Chaleur
Proposition
Si f est une fonction de classe Cb1 en temps et Cb2 en espace,
Z t
1 ′′
E (f (t, x + Bt )) = f (0, x) + E fxx (s, x + Bs ) + ft′ (s, x + Bs ) ds
0 2
Preuve
du 1
(t, x; f ) = σ 2 u (t, x; ∂xx f ) + µu (t, x; ∂x f ) + u (t, x; ∂t f )
dt 2
et u(0, x; f ) = f (x). On définit L le générateur du processus par
l’opérateur
1
L(f ) = σ 2 ∂xx f + µ∂x f
2
Proposition
Si f est une fonction de classe Cb1 en temps et Cb2 en espace,
Z t
E (f (t, x + µt + σBt )) = f (0, x) + E [Lf (s, x + µs + σBs )] ds
0
Z t
+ E [∂t f (s, x + µs + σBs )] ds
0
Theorem
Si u est telle que Lu = 0 alors u (t, Bt ) est une martingale.
Preuve
Preuve
Preuve