CentraleSupélec, campus Paris-Saclay 3e année - MDS

Travaux dirigés & homework sur le cours de calcul stochastique

Par HANA BAILI

Temps d’arrêt
Exercice 1
Montrer que τ est  optional time  par rapport à F = (Ft , t ∈ R+ ) si et
seulement s’il est  stopping time  par rapport à F+ = (Ft+ , t ∈ R+ ).

Exercice 2
a) Soient t1 < t2 deux instants appartenant à un ensemble T ; et A un
évènement appartenant à Ft1 . On définit

t1 si ω ∈ A
τ (ω) =
t2 sinon

τ est-il un temps d’arrêt par rapport à (Ft , t ∈ T ) ?

b) Soit τ un temps d’arrêt par rapport à (Ft , t ∈ [0, ∞[ ) ; la variable aléatoire

σ = τ2 est-elle un temps d’arrêt ?

Exercice 3
Soient E un ensemble muni d’une métrique d et E la tribu borélienne sur E.
Soit (Xt , t ∈ [0, ∞[) un processus à valeurs dans E et D ∈ E.

a) Supposons que D est un ensemble fermé et X est càdlàg F-adapté. On

définit
H̃D = inf{t ≥ 0 : Xt− ∈ D ou Xt ∈ D}
Montrer que H̃D est un F-temps d’arrêt.

b) Supposons que D est fermé et X est continu F-adapté. Montrer que le

temps d’atteinte HD défini par

HD = inf{t ≥ 0 : Xt ∈ D}

est un F-temps d’arrêt.

1
 Martingale
Exercice 4
Soit X un processus intégrable et à accroissements indépendants. Le processus
(Xt − E[Xt ], t ≥ 0)
est-il une martingale ?

Exercice 5
Soit X un processus à accroissements indépendants, c’est-à-dire tel que, pour
t > s, la v.a. Xt − Xs est indépendante de σ(Xu , u ≤ s).
— Si pour tout t la v.a. Xt est intégrable, quelle est la condition nécessaire
et suffisante pour que X soit une martingale ?

— Sous cette condition, montrer que si X est de carré intégrable, Xt2 −E(Xt2 )
est une martingale.

eλXt
— Montrer que si eλXt est intégrable, Zt = E(eλXt )
est une martingale.

Exercice 6
Soit X une variable aléatoire intégrable. Montrer que (E(X|Ft ), t ≥ 0) est une
martingale.

Exercice 7
Soit A0 , A1 , . . . une suite de variables aléatoires iid de Bernoulli à valeurs dans
{−1, 1} avec P {Ai = 1} = p. Soient les processus à temps discret, n ∈ N,
n
X
Xn = Ai , Yn = eλXn .
i=0

a) Déterminer la condition sur λ pour que Yn soit une martingale par rap-
port à la filtration naturelle de Xn .

Pour a ∈ Z, a > 1, soit

T−a,a = inf {n ∈ N : Xn = −a ou Xn = a} .
C’est bien un temps d’arrêt par rapport à la filtration naturelle de X. En effet,
\ n−1
\
{T−a,a = n} = ({Xn = a} ∪ {Xn = −a}) ({Xi ≤ a − 1} ∩ {Xi ≥ −a + 1})
i=0

{Xi ≤ a − 1} et {Xi ≥ −a + 1} sont dans Fi (Xi est Fi -mesurable car X est

adapté à sa filtration naturelle) et Fi ⊂ Fn . {Xn = a} et {Xn = −a} sont dans
Fn (Xn est Fn -mesurable). Ainsi {T−a,a = n} ∈ Fn ∀n ∈ N.

2
 b) Supposer que T−a,a est borné et que la condition de la question a) est
verifiée et calculer P {X(T−a,a ) = a}.

Mouvement brownien
Exercice 8
Soit Z une variable
√ aléatoire de loi normale centrée réduite. Pour t ≥ 0, nous
posons Xt = t Z. Xt est-il un mouvement brownien ?

Exercice 9
Soit W un mouvement brownien standard monodimensionnel issu de l’origine.
Le théorème suivant annonce la propriété de Markov forte du mouvement brow-
nien.

Théorème Soit T un temps d’arrêt fini presque sûrement. Le processus (WT +t −

WT , t ≥ 0) est un mouvement brownien par rapport à la filtration (FT +t , t ≥ 0) ;
de plus, il est indépendant de la tribu FT .

Hx = inf{t ≥ 0 : Wt = x} x>0
a) Que peut on dire du processus W̃t = WHx +t − x ?

b) Pour y > x > 0, exprimer Hy en fonction de Hx et W̃ .

c) En déduire que le processus (Hx , x > 0) est à accroissements indépendants

et stationnaires, c’est-à-dire, pour y > x la variable aléatoire Hy − Hx est
indépendante de la tribu FHx et la loi de Hy − Hx est identique à celle
de Hy−x .

d) Le processus (Hx , x > 0) peut-il être un mouvement brownien ?

Exercice 10
Soit (Bt , t ≥ 0) un mouvement brownian ; on note Ft sa filtration naturelle.
— Calculer pour tout couple (s, t) les quantités E(Bs Bt2 ), E(Bt |Fs ), E(Bt |Bs )
et E(eλBt |Fs ).
Rt Rt
— Caluler pour t > s E( 0 Bu du|Fs ) et E( 0 Bu du|Bs ).
— Si Z est une v.a. gaussienne centrée de variance σ 2 , alors E(Z 4 ) = 3σ 4 .
En déduire E(Bt2 Bs2 ).
— Quelle est la loi de Bt + Bs ?
— Soit θs une variable aléatoire bornée Fs -mesurable. Calculer pour t ≥ s
E(θs (Bt − Bs )) et E(θs (Bt − Bs )2 ).

3
Exercice 11
Soient B un mouvement brownien standard monodimensionnel issu de l’origine
dx
et I = −infs≤T1 Bs . Montrer que P (I ∈ dx) = (1+x) 2 . Le temps d’arrêt Ta est

défini par Ta = inf{t : Bt = a} pour a ∈ R.

Formule d’Itô
Exercice 12
Soit W un mouvement brownien standard dans R issu de 0.

a) Montrer que
Z t Z t
1
(Ws ) dWs = (Wt )3 −
2
Ws ds
0 3 0

b) Montrer que
Xt = Wt − tW1 0≤t≤1
est un processus gaussien de moyenne nulle et de fonction d’autocova-
riance 
t(1 − s) t ≤ s
KX (t, s) =
s(1 − t) t > s

Exercice 13
Écrire les processus suivants comme des processus d’Itô en précisant leur drift
et leur coefficient de diffusion :
— Xt = Bt2
— Xt = t + eBt
— Xt = Bt3 − 3tBt
— Xt = exp(t/2) sin(Bt )

Exercice 14
Soit Y (t) = tX1 (t)X2 (t) avec

dX1 (t) = f (t)dt + σ1 (t)dB(t),

dX2 (t) = σ2 (t)dB(t).

Calculer dY (t).

4
Exercice 15
On admet que le système suivant admet une solution :
Z t
Xt = x + Ys dBs ,
0
Z t
Yt = y − Xs dBs .
0

Montrer que Xt2 + Yt2 2 2

= (x + y )e . t

Intégrale stochastique
Exercice 16
Soit un processus de Wiener de dimension 1 :
Wt , t ≥ a Wa = x0 = cte
Pour b > a soit T une partition de l’intervalle [a, b] :
a = t0 < t1 < . . . < tn−1 < tn = b
(les intervalles [ti−1 , ti ] n’étant pas nécessairement de même longueur). Considérer
la somme des carrés des accroissements du processus de Wiener :
n
X X
2
= Wti − Wti−1
T i=1
P
a) Montrer que la somme T converge en moyenne quadratique vers b − a
quand la longueur maximale des intervalles de la partition tend vers 0.

b) En déduire une expression de l’intégrale stochastique

Z b
Wt dWt
a

Exercice 17
Soit W un mouvement brownien standard dans R.
Rt
a) Montrer que le processus Xt = ( 0 (sin s) dWs , t ≥ 0) est bien défini.

b) Calculer son espérance et sa fonction d’autocorrélation.

c) Calculer E(Xt |Fs ) pour s < t.

d) Montrer que
Z t
Xt = (sin t)Wt − (cos s)Ws ds
0

5
Exercice 18
Soit {Xn } une suite de variables aléatoires réelles gaussiennes convergeant en
loi vers X quand n → ∞.

a) Montrer que X est gausienne.

b) Déduire que l’intégrale d’Itô d’une fonction déterministe est une v.a.
gausienne.

Exercice 19
Montrer que si l’intégrande f (s, ω) est une fonction déterministe, alors l’intégrale
d’Itô lorsqu’elle est bien définie sur tout intervalle [0, t], t ≥ 0, est une martingale
gaussienne de carré intégrable à accroissements indépendants.

Équation différentielle stochastique

Exercice 20
Soit l’EDS
dXt = m(Xt ) dt + cXt dWt (1)
a) Poser  
1
Ft = exp −cWt + c2 t
2
et montrer que (1) est équivalente à l’équation suivante :
d (Ft Xt ) = Ft m(Xt ) dt (2)

En posant Yt = Ft Xt , (2) prend la forme

 
dYt Yt
= Ft m (3)
dt Ft
(3) est une équation différentielle ordinaire qui peut être résolue en Yt (ω), pour
chaque ω ∈ Ω. On obtient alors Xt puisque Xt = Yt /Ft .

1
b) Appliquer cette méthode pour résoudre l’EDS (1) avec m(x) = x et
X0 > 0.

Exercice 21
Calculer la solution de
dXt = −aXt dt + ebt dBt , X0 = x0 .
Calculer E(Xt ) et Var(Xt ).

6
Exercice 22
Soit l’EDS
dXt = bXt dt + dBt , X0 = x0 .
−bt
1. On pose Yt = e XRt . Quelle est l’EDS vérifiée par Yt ? Exprimer Yt sous
t
la forme Yt = y0 + 0 f (s)dBs où l’on explicitera la fonction f .

2. Calculer E(Yt ) et E(Yt2 ).

Rt Rt
3. Justifier pourquoi 0
Ys ds est un processus gaussien. Calculer E(exp[ 0
Ys ds]).
Rt
4. Exprimer Yt pour t > s sous la forme Yt = Ys + s g(u)dBu où l’on ex-
plicitera la fonction g. Calculer pour t > s E(Yt |Fs ) et Var(Yt |Fs ).

5. Calculer E(Xt |Fs ) et Var(Xt |Fs ).

Exercice 23
On s’intéresse à la solution Xt de l’EDS

dXt = (µXt + µ0 ) dt + (σXt + σ 0 )dWt ,

X0 = 0.
 
On pose St = exp (µ − σ 2 /2)t + σWt .
1. Écrire l’EDS vérifiée par St−1 .

2. Montrer que

d(Xt St−1 ) = St−1 ((µ0 − σσ 0 )dt + σ 0 dWt ).

3. En déduire une expression pour Xt .