Transparents SDE

Introduction aux
Equations Différentielles
Stochastiques (EDS)
TELECOM Bretagne, filière IV
thierry.chonavel@telecom-bretagne.eu
Brest, octobre 2014

Sommaire
Introduction
1 Introduction
2 Rappels et compléments de probabilités
3 Intégrale d’Itô
4 Intégration des EDS
5 Intégration numérique des EDS
6 Estimation des paramètres des EDS
7 EDS à sauts
8 Exercices
2/56 Cours SDE Filière IV - octobre 2014

Introduction
Introduction ◮ Contexte

Equation différentielles : modélisation de phénomènes évolutifs

Erreurs de modélisation : fluctuation des paramètres, bruit d’observation, ...

Approche probabiliste → terme aléatoire

Problème de l’adaptation EDO (Equations Differentielles Ordinaires) → EDS
(Equations Differentielles stochastiques)

Introduction du calcul d’Itô : utile pour la résolution analytique et numérique
des EDS

Problème de l’estimation des paramètres des EDS
Cas des EDS présentant des sauts.

Objectifs du cours
Introduction ◮ objectifs

Comprendre la notion d’équation différentielle stochastique (EDS)

Acquérir quelques connaissances complémentaires de probabilités

Savoir ce qu’est un mouvement brownien et en connaı̂tre les propriétés
élémentaires

Connaı̂tre la formule d’Itô et l’isométrie d’Itô

Etre capable d’appliquer la formule d’Itô pour résoudre des EDS simples

Posséder des notions sur les méthodes numériques de résolution des EDS

Etre capable d’implémenter des méthodes numériques de résolution des EDS

Avoir des notions sur les techniques paramétriques et non paramétriques
d’estimation des paramètres des EDS

Etre capable de mettre en oeuvre des méthodes d’estimation paramétrique et
non paramétrique génériques

Avoir des notions sur les EDS présentant des sauts.

Organisation du cours
Introduction ◮ organisation
Les 12 heures programmées seront sensiblement organisées comme suit :

6h00 de cours

1h30 d’exercices (résolution d’EDS et calculs sur le mouvement brownien)

4h30 de travaux pratiques (avec Python)
•
introduction au langage python et aux notebooks ipython
•
intégration numérique des EDS
•
estimation paramétrique et non paramétrique des EDS

Sommaire
Introduction ◮ organisation
1 Introduction
7 EDS à sauts
8 Exercices

Sommaire
Rappels et compléments de probabilités
1 Introduction
7 EDS à sauts
8 Exercices

Espace L2 (Ω, A , P)
Rappels et compléments de probabilités ◮ Espaces probabilisés

L2 (Ω, A , P) : espace de Hilbert des variables X de (Ω, A , P) de variance finie.

Produit scalaire : < X, Y >= E[XY] (norme k X k=< X, X >1/2 )

Théorème de projection : h(Y) = E[X|Y] est solution de
min k X − g(Y) k2 .
g(Y)∈L2 (Ω,A ,P)

h(Y) = E[X|Y] est caractérisé par les relations
Z Z
∀g(Y) ∈ L2 (Ω, A , P), g(y)h(y)dPXY (x, y) = g(y)xdPXY (x, y),
soit E [g(Y)(E[X|Y] − X)] = 0.

Tribus et espace L1 (Ω, A , P)

Tribu engendrée par un ensemble de parties de Ω ; tribu σ({Yi }i∈I ).

Espérance conditionnelle
Z dans L1 (Ω,
Z A , P) : E[X|B ] est la v.a. B -mesurable
telle que ∀B ∈ B , E[X|B ]dP = XdP, soit E[1IB (E[X|B ] − X)] = 0.
B B
Théorème (Doob-Dynkin)
E[X|{Yi }i∈I ] = E[X|σ({Yi }i∈I )] est une fonction des variables {Yi }i∈I .
Définition
Une Filtration est une famille F = (Ft )t≥0 de sous-tribus de A telle que Fs ⊂ Ft
pour s < t.
Définition
X = (Xt )t≥0 est adapté à F = (Ft )t≥0 (ou F -adapté) si Xt est Ft -mesurable.

Filtration canonique du processus X : Ft = σ({Xu }u≤t ).

Régression linéaire
Théorème (conditionnement gaussien)

Si
X mX ΓX ΓXY
∼N ,
Y mY ΓXY ΓY
alors, E[X|Y] = mX + ΓXY Γ−1
Y (Y − mY ), et la loi conditionnelle de X sachant Y = y
est de la forme

X|Y = y ∼ N mX + ΓXY Γ−1 −1 T
Y (y − mY ), ΓX − ΓXY ΓY ΓXY .

Martingales et filtrations
Rappels et compléments de probabilités ◮ Martingales et filtrations
Définition
M = (Mt )t≥0 est une F -martingale si, pour tout t ≥ 0,
1. Mt est Ft -mesurable (M est F -adapté)
2. E[|Mt | |Ft ] < ∞
3. E[Mt |Ms ] = Ms pour s ≤ t.
Exemples

le mouvement brownien, Ñ = (Ñt = Nt − λt)t≥0 où N = (Nt )t≥0 est un
procesus de Poisson (Nt ∼ P (λt), sont des martingales

F filtration, Y variable aléatoire ⇒ Mt = E[Y|Ft ] martingale (dite fermée).
Sur-martingales et sous-martingales

M martingale et φ convexe s ≤ t ⇒ φ(Ms ) = φ(E[Mt |Ms ]) ≤ E[φ(Mt )|Ms ].

M est une sous-martingale (resp. sur-martingale) si E[|Mt | |Ft ] < ∞ et
E[Mt |Ms ] ≥ Ms (resp. E[Mt |Ms ] ≤ Ms ) pour s ≤ t.

Temps d’arrêt
Rappels et compléments de probabilités ◮ Mouvement brownien
Définition
Une variable aléatoire τ à valeurs dans R+ = R+ ∪ {∞} est un temps d’arrêt pour la
filtration F si, pour tout t ≥ 0, {τ ≤ t} ∈ Ft .
Ex.
/ = +∞. Si X est à trajectoires continues dans R,
on note inf(0)
Ta = inf{t > 0; Xt > a} est un temps d’arrêt pour la filtration canonique F de
X. (Ta ∈ R+ et {Ta ≤ t} = ∪s∈Q∩]0,t] {Xs ∈]a, ∞[} ∈ Ft ).

un instant déterministe fixé t est un temps d’arrêt pour toute filtration F

si τ est un temps d’arrêt, {τ > t} et {τ = t} appartiennent à Ft

si τ1 et τ2 sont des temps d’arrêt, τ1 ∧ τ2 = min(τ1 , τ2 ) et τ1 ∨ τ2 = max(τ1 , τ2 )
sont des temps d’arrêt.

si les trajectoires de X sont continues, inf{t > 0; Xt ≥ a} est un temps d’arrêt

Mouvement brownien : définition
Définition
B = (Bt )t∈R+ à valeurs réelles est un mouvement brownien (ou processus de
Wiener) issu de x si
1. B0 = x
2. 0 ≤ ti ≤ tj ⇒ Btj − Bti ∼ N (0, σ2 (tj − ti ))
3. 0 ≤ ti ≤ tj ≤ tk ≤ tl ⇒ E[(Btj − Bti )(Btl − Btk )] = 0

Dans la suite on supposera en général que x = 0 et σ2 = 1.

Il existe d’autres processus à accroissements orthogonaux stationnaires :
processus de Poisson et plus généralement les processus de Lévy.

Mouvement brownien : continuité des
trajectoires

Définition Y est une modification du processus X si
∀t ∈ T, P({ω; Xt (ω) = Yt (ω)}) = 1.
Théorème (de continuité de Kolmogororov)

Etant donné X = (Xt )t≥0 un processus stochastique, s’il existe des constantes
positives α, β et C telles que
∀t > 0 ∀t1 , t2 ∈ [0, t], E[|Xt2 − Xt1 |α ] ≤ C|t2 − t1 |β
alors X admet une modification continue.

Conséquence : le mouvement brownien admet une modification continue.

Mouvement brownien : exemple
F IGURE : Trajectoires d’un mouvement brownien.

Mouvement brownien : exemple
Trajectoires d’un mouvement brownien 2D (à gauche) et 3D (à droite).

Mouvement brownien : construction
Théorème (Donsker)
V1 , V2 , . . . suite IID de variables aléatoires telles que (E[Vk ] = 0 et E[Vk2 ] = 1) alors la
suite (Xn )n≥1 de processus à trajectoires continues définis par
[nt]
!
1
Xn,t = √
n k=1 ∑ Vk + (nt − [nt])V[nt]+1 (1)
([.] = partie entière) converge en loi vers un mouvement brownien lorsque n → ∞

Autres constructions

Pont brownien

Problème : étendre la trajectoire d’un mouvement brownien entre les points
(ti , Bti = bi ) et (ti+1 , Bti+1 = bi+1 )

Solution :

bi (ti+1 − t) + bi+1 (t − ti ) (ti+1 − t)(t − ti )
Bt |Bti = bi , Bti+1 = bi+1 ∼ N , .
ti+1 − ti ti+1 − ti

ti+1 + ti
Remarque : pour t = → méthode du point milieu (Paul Lévy, 1939)
2

Pont brownien : exemple
F IGURE : Trajectoires de ponts browniens sur les intervalles [0.3, 0.8],

[1.1, 1.5] et [1.8, 2.4].

Sommaire
Intégrale d’Itô
1 Introduction
7 EDS à sauts
8 Exercices

EDS : généralités
Intégrale d’Itô ◮ Introduction

EDS
dXt
= bt (Xt ) + σt (Xt )Wt
dt
→ dXt = bt (Xt )dt + σt (Xt )Wt dt

W : bruit blanc. Difficultés liées à la notion de bruit blanc.

Wt dt peut être vu comme l’accroissement élémentaire d’un procesus à
accroissements orthogonaux centrés, stationnaires et à trajectoires continues ⇒
Wt dt = Bt+dt − Bt avec B mouvement brownien.
Discrétisation : on note Xtk = Xk
Xk+1 = Xk + bk (Xk )∆k + σk (Xk )Wk ∆k
= Xk + bk (Xk )∆k + σk (Xk )(Bk+1 − Bk )

Notation : Bk+1 − Bk = ∆Bk .

EDS : intégration
Intégrale d’Itô ◮ Intégration

Propagation de l’équation discrétisée Xk+1 = Xk + bk (Xk )∆k + σk (Xk )∆Bk :
k k
Xk+1 = X0 + ∑ bj (Xj )∆j + ∑ σj (Xj )∆Bj . (2)
j=0 j=0

Passage à la limite lorsque maxj ∆j → 0 avec Xk+1 = Xt :
Z t Z t
Xt = X0 + bu (Xu )du + σu (Xu )dBu . (3)
0 0
k Z t
L2 (Ω,A ,P)

1er terme : ∑ bj (Xj )∆j −→ bu (Xu )du quand maxj ∆j → 0.
j=0 0
Cette intégrale existe si
Z
E[bu (Xu )bv (Xv )]dudv < ∞ (Théorème de Loeve)
[0,t]×[0,t]

Rb
Intégrale d’Itô a σu (Xu )dBu
(n)
Subdivisions (tk )k de [a, b] :
(n)
tk = a1Ik2−n <a + k2−n 1Ia≤k2−n ≤b + b1Ib<k2−n . (4)

Fonctions, ou processus, élémentaires :
(n) (n)
φt (ω) = ∑ ek (ω)1I[t(n) ,t(n) [ (t)
k k+1
(5)
k≥0
Z b
(n) (n)

Définition : φt dBt = ∑ ek ∆Bk .
a k
(n) (n) (n)
En pratique, ek = Xt avec t ∈ [tk , tk+1 [.
✞ ☎

Importance du choix du point de discrétisation
✝ ✆
(n) (n)
Exemple : si Xt = Bt , pour ek = Bk et ek = Bk+1 on obtient des intégrales
différentes !...

Notion d’intégrales d’Itô et de Stratonovich

Intégrale d’Itô : Espace V ([a, b])
Notation : F = (Ft )t≥0 est la filtration canonique de B.

Définition On définit la famille V ([a, b]) des processus aléatoires X = (Xt )t≥0
qui vérifient
1. Les trajectoires de X sont p.s. mesurables sur la tribu borélienne
B ([a, b]) de [a, b].
2. X est F -adapté
Z b
3. E[ Xt2 dt] < ∞
a

φt = ∑k≥0 ek 1I[tk ,tk+1 [ (t) ∈ V ([a, b]) si ek est Ftk -mesurable.
Théorème
(Isométrie d’Itô pour les fonctions élémentaires) Pour φt fonction élémentaire φt
de V ([a, b]),
Z b Z b
E[( φt dBt )2 ] = E[ φ2t dt].
a a

Intégrale d’Itô : définition
Théorème
(Intégrale d’Itô) Pour tout processus X = (Xt )t≥0 de V ([a, b]), il existe une suite
(n)
(φt )t≥0 de fonctions élémentaires de V ([a, b]) pour laquelle
Z b
(n)
lim E |Xt − φt |2 dt = 0. (6)
n→∞ a

On définit alors Z b Z b
L2 (Ω,A ,P) (n)
Xt dBt = lim φt dBt (7)
a n→∞ a
Théorème
Z b Z b
(Isométrie d’Itô) Pour X = (Xt )t≥0 ∈ V ([a, b]), E[( Xt dBt )2 ] = E[ Xt2 dt].
a a
Z b Z b Z b
(n) L2 (Ω,A ,P) (n)

Donc, si lim |Xt − Xt |2 dt = 0, Xt dBt = lim Xt dBt .
n→∞ a a n→∞ a

Intégrale d’Itô : exemple
Intégrale d’Itô ◮ Exemple

Calculer Z t
Bu dBu
0

Sommaire
Intégration des EDS
1 Introduction
7 EDS à sauts
8 Exercices

Processus d’Itô
Intégration des EDS ◮ Problème
Définition (Processus d’Itô)

Z t Z t
Xt = X0 + bs (Xs )ds + σs (Xs )dBs ,
0 0
Z t
où σ ∈ V et b est F -adapté, avec |bs |ds < ∞ (p.s.).
0
On écrira encore dXt = bt dt + σt dBt .

On voudrait pouvoir résoudre dXt = bt dt + σt dBt .

La formule d’Itô constitue un outil essentiel pour ce genre de problème.

Formule d’Itô
Intégration des EDS ◮ Formule d’Itô
Théorème (Formule d’Itô)

X processus d’Itô, avec dXt = bt dt + σt dBt , et g ∈ C2 (R+ × R). Alors, Yt = g(t, Xt )
est un processus d’Itô et
∂g(t, Xt ) ∂g(t, Xt ) 1 ∂2 g(t, Xt )

dYt = dt + dXt + (dXt )2
∂t ∂Xt 2 ∂Xt2
avec (dXt )2 = dXt .dXt , dt.dt = 0, dt.dBt = dBt .dt = 0, et dBt .dBt = dt.
On peut encore écrire
1 ∂2 g(t, Xt ) 2

∂g(t, Xt ) ∂g(t, Xt ) ∂g(t, Xt )
dYt = + bt + σt dt + σt dBt
∂t ∂Xt 2 ∂Xt2 ∂Xt

Exemples
Intégration des EDS ◮ Exemples
Z t

Exemple 1 : Calculer Bu dBu .
0
Indication : utiliser la formule d’Itô avec Xt = Bt et g(t, x) = x2 /2.
Z t

Exemple 2 : Calculer uBu .
0
Indication : Xt = Bt et g(t, Bt ) = tBt .
Intégration par partie : vérifiez que si ft est déterministe et intégrable,
Z t Z t
fu dBu = ft Bt − Bu dfu .
0 0

Exemples
Exemple 4 (modèle de Black-Scholes) : dXt = rXt dt + αXt dBt .

Comme Z t
dXt
= rt + αBt .
0 Xt
on prend g(t, x) = ln(x) et on obtient
dXt 1 2
d(ln Xt ) = − α dt
Xt 2
1
= (r − α2 )dt + αdBt
2

soit Xt = X0 exp (r − 12 α2 )t + αBt ( mouvement brownien géométrique)

Exemples
Exemple 5 (équation de Langevin) : dXt = −bXt dt + σdBt (b > 0)
ebt dXt = −bebt Xt dt + σebt dBt .

On applique la formule d’Itô avec Yt = g(t, Xt ) = ebt Xt :
d(ebt Xt ) = bebt Xt dt + ebt dXt = σebt dBt .

Z t
Donc, Yt = Y0 + σebu dBu et
0
Z t
Xt = e−bt X0 + σe−b(t−u) dBu .
0
(processus d’Ornstein-Ulhenbeck)

Formule d’Itô vectorielles
Intégration des EDS ◮ formule d’Itô
Théorème (formule d’Itô vectorielle)

Bt = [B1,t , . . . , Bm,t ]T mouvement brownien de dimension m et Xt = [X1,t , . . . , Xn,t ]T
processus d’Itô de dimension n :
σ11,t . . . σ1m,t
     
b1,t dB1,t
dXt = bt dt + σt dBt =  ...  dt +  ..   . 
 ×  .. 
  
.
bn,t σn1,t . . . σnm,t dBm,t
et Yt = g(t, Xt ) = [g1 (t, Xt ), . . . , gp (t, Xt )]T = [Y1,t , . . . , Yp,t ]T avec g ∈ C2 (R+ × Rn ).

Alors, Y est un processus d’Itô et
∂gk (t, Xt ) 1
dYk,t = dt + [∇x gk (t, Xt )]T dXt + dXtT ∇2x gk (t, Xt ) dXt
∂t 2
∂gk (t, Xt ) ∂2 gk (t, Xt )

avec [∇x gk (t, Xt )]i = et [∇2x gk (t, Xt )]ij =
∂xi ∂xi ∂xj
dBi,t .dt = dt.dBi,t = 0 etdBi,t .dBj,t = δij dt.
Exemple
Intégration des EDS ◮ formule d’Itô

Pour Xt = Bt , on définit Yt = g(t, Xt ) = [cos Xt , sin Xt ]T .

La formule d’Itô vectorielle donne

1 cos(Bt ) − sin(Bt )
dYt = − dt + dBt
2 sin(Bt ) cos(Bt )

Sommaire
Intégration numérique des EDS
1 Introduction
7 EDS à sauts
8 Exercices

Méthode d’Euler
Intégration numérique des EDS ◮ Intégration numérique

Equation
dXt = bt (Xt )dt + σt (Xt )dBt

Approximation d’Euler
X̂t+h = X̂t + bt (X̂t )h + σt (X̂t )∆Bt
avec ∆Bt = Bt+h − Bt .

Exemple : l’équation
dXt = rXt dt + αXt dBt
conduit à la discrétisation
X̂t+h = X̂t + rhX̂t + αX̂t ∆Bt . (8)

Méthode de Milstein

Equation
dXt = bt (Xt )dt + σt (Xt )dBt

Approximation de Milstein
1 dσt
(X̂t ) (∆Bt )2 − h

Xt+h = X̂t + hbt (X̂t ) + σt (X̂t )∆Bt + σt (X̂t )
2 dx

Explication :
Z t+h
dσt
Xt+h ≈ Xt + hbt (Xt ) + [σt (Xt ) + (Xt )σt (Xt )(Bu − Bt )]dBu
t dx
1 dσt
≈ Xt + hbt (Xt ) + σt (Xt )∆Bt + (Xt )σt (Xt )[(∆Bt )2 − h]
2 dx
car d( 12 B2t ) = Bt dBt + 12 dt et donc
Z t+h
1 1
(Bu − Bt )dBu = [ (B2t+h − B2t ) − h] − Bt (Bt+h − Bt )
t 2 2
1 2
= [(Bt+h − Bt ) − h].
2
Ordre des méthodes numériques

Erreur moyenne absolue :
ET,h = E[|XT − X̂T |]

Si limh→0 ET,h = 0 on dira que le schéma de discrétisation envisagé converge
fortement

Cette convergence forte sera dite d’ordre γ si
ET,h ≤ Chγ
pour un certain C > 0 et tout h d’un certain intervalle ]0, h0 ]

La méthode d’Euler est d’ordre 1/2

La méthode de Milstein est d’ordre 1

Méthode de Runge-Kutta d’ordre 1,5

Méthodes de Taylor ⇒ dérivées des termes de dérive et de diffusion bt et σt .

Méthodes de type Runge-Kutta : pas de dérivations.

Méthode de Runge-Kutta d’ordre 1,5 :
1 [(∆Bt )2 − h]
Xt+h = Xt + bt (Xt )h + σt (Xt )∆Bt + (σt (Xt′ ) − σt (Xt )) √
2 h
avec
√
Xt′ = Xt + bt (Xt )h + σt (Xt ) h.

Exemple I
Equation
1 1/3 2/3
dXt = Xt dt + Xt dBt ,
3
avec X0 fixé.

Intégration exacte : formule d’Itô pour Yt = g(Xt ) = Xta :
1
dYt = aXta−1 dXt + a(a − 1)Xta−2 (dXt )2
2
1 a−1+1/3 1 a−2+4/3 a−1+2/3
= ( aXt + a(a − 1)Xt )dt + aXt dBt .
3 2

Pour a = 1/3,
1/3 1
Xt = (X0 + B t )3 .
3

Exemple I
F IGURE : Méthodes d’Euler, Milstein et RK 1,5

Exemple II
dXt = rXt dt + αXt dBt → solution Xt = X0 exp (r − 12 α2 )t + αBt .

F IGURE : Méthodes d’Euler, Milstein et RK 1,5

Sommaire
Estimation des paramètres des EDS
1 Introduction
7 EDS à sauts
8 Exercices

Estimation paramétrique

Equation paramétrée :
dXt = bt (Xt , θ)dt + σt (Xt , θ)dBt
Maximum de vraisemblance θ̂MV = arg maxθ pθ (x0 , . . . , xn )
L(θ) = Πn−1
i=0 pθ (xi+1 |xi )pθ (x0 )
l(θ) = ∑n−1
i=0 log pθ (xi+1 |xi ) + log pθ (x0 )

Difficulté de calcul de ∇θ pθ (x0 , . . . , xn ) = 0. → algorithmes d’optimisation
déterministes (BFGS,...) ou stochastiques (recuit simulé, ...)

Vraisemblance approchée

Approximation d’Euler : Xi+1 = Xi + b(Xi , θ)∆ + σ(Xi , θ)(Wi+1 − Wi )

On en tire pθ (xi+1 |xi ) ∼ N (xi + b(xi , θ)∆, σ2 (xi , θ)∆) et
( )
1 n−1 (xi+1 − xi − b(xi , θ)∆)2 2
l(θ) = −
2 i=0 ∑ σ2 (xi , θ)∆
+ log(2π∆σ (xi , θ)) (9)

Cas particulier : si σ = cte,
= arg maxθ ∑n−1 2

θ̂ i=0 b (xi , θ)∆ − 2(xi+1 − xi )b(xi , θ)
1 n−1
et σ̂2 = ∑ (xi+1 − xi )2
n∆ i=0
car (dXt )2 = σ2 (Xt , θ)dt et donc
Z n∆ n−1
σ2 (Xt , θ)dt ≈ ∑ (Xi+1 − Xi )2 .
0 i=0

Amélioration de l’estimation
Imprécision de la méthode d’Euler.

Solution : simuler un échantillonnage augmenté.

(xi )i=0,...,n−1 → x̃i = (xi,1 , . . . , xi,N ), avec xi,k à t = ti−1 + k∆/(N + 1).

θ̂ = arg max pθ (x0 , x̃1 , . . . , x̃n , xn )

Création des xi,k par simulation MCMC → algorithme de Gibbs
(k)
1. Echantillonner x̃i ∼ p(x̃i |xi−1 , xi , θ(k−1) ), pour i = 1, . . . , n.
(k)
2. Echantillonner θ(k) ∼ p(θ|{x̃i }i=1,n , {xi }i=0,n ).

On utilise l’approximation gaussienne pour la simulation des x̃i
Estimation de θ :
1 K
θ̂ = ∑ θ(k) . (10)
K − K0 k=K0 +1

Simulation des ponts de diffusion x̃i au moyen de trajectoires indépendantes.

Estimation non paramétrique
Approche basée sur les moments infinitésimaux :

Z t+h Z t+h
Xt+h − Xt = bu (Xu )du + σu (Xu )dBu .
t t
Donc,
1
bt (x) = lim E [(Xt+h − Xt )| Xt = x] .
h→0 h
Par ailleurs,
"Z Z t+h 2 #
t+h
)2 | X

E (Xt+h − Xt t =x =E bu (Xu )du + σu (Xu )dBu | Xt = x
t t
= σ2t (x)h + o(h).
Donc,
1 h i
σ2t (x) = lim E (Xt+h − Xt )2 | Xt = x .
h→0 h

Estimation non paramétrique à noyau

Estimateurs à noyau
•
R
K(x) avec K(x)dx. Par exemple, noyau gaussien.
•
On note Kh (x) = h−1 K(x/h) et on estime p à partir de x1 , . . . , xn
par
1 n
p̂h (x) = ∑ Kh (x − xi ). (11)
n i=1
• En pratique, on peut prendre hn = σ̂n n−1/5.
Application à l’estimation de b(x) et σ2 (x) :
∑n−1
i=1 Khn (x − xi ) (xi+1 − xi )
b̂(x) =
∆n ∑ni=1 Khn (x − xi )
(12)
2
∑ni=1 Khn (x − xi ) (xi+1 − xi )
σ̂2 (x) = n
∆n ∑i=1 Khn (x − xi )

Sommaire
EDS à sauts
1 Introduction
7 EDS à sauts
8 Exercices

Processus à sauts
EDS à sauts
Processus de Poisson et processus de Poisson compensé :

Nt
Yt = ∑ ξk .
k=1

Mouvement brownien avec dérive + processus de Poisson compensé :
dXt = bdt + σdBt + ∑ ξk δτk

Fonction caractéristique :
Z
1
ΦXt (u) = exp t[iub − σ2 u2 + (eiuy − 1)λpξ (y)dy] = [ΦX1 (u)]t .
2
Cas particulier de processus de Lévy (processus à accroı̂ssements stationnaires
indépendants et à trajectoires càdlàg)

Mesure aléatoire de Poisson A → Ñt (A) = #{0 ≤ s ≤ t; ∆Xs ∈ A}

Mesure d’intensité de Poisson : µ(A) = E[Ñ1 (, A)]

EDS à sauts
EDS à sauts

R
EDS à sauts : dXt = bt (Xt )dt + σt (Xt )dBt + R∗ ct (Xt− , u)Ñt (du)

Solution :
Z t Z t Ñt (R∗ )
Xt = X0 +
0
bs (Xs )ds +
0
σs (Xs )dBs + ∑ cτk (Xτk − , ξk )
k=1
où les (τk , ξk )k=1,Ñt (R∗ ) représentent les paires position-amplitude des sauts.

Exemple : modèle de Black-Sholes avec sauts :
Z
dXt = bXt dt + σXt dBt + Xt− uÑt (du)
R∗

Solution :
Ñt (R∗ )
1
Xt = X0 exp (b − σ2 )t + σBt ∏ (ξk + 1)
2 k=1
(Remarque : ξk > −1)

Conclusion
EDS à sauts

On a étudié quelques notions relatives aux EDS et à leur intégration exacte
(formule d’Itô) ou approchée (méthodes numériques) en fonction de B.

Cette approche est utile en particulier pour étudier le comportement moyen des
équations, par exemple par simulation de Monte-Carlo.

On s’est également au problème de l’estimation des paramètres des EDS à
partir de leurs trajectoires.

Il existe d’autres problèmes pratiques non abordés ici :
•
souvent on observe X et on voudrait prédire ses valeurs futures
• ou on observe une fonction aléatoire de X et on voudrait retrouver
X (filtrage)
•
le processus générateur peut ne pas être un simple mouvement
brownien mais présenter des sauts
•
...

Merci de faire un retour sur le cours (durée, mise à niveau sur les bases de
probabilités, notions complémentaires qui seraient utiles pour aborder les cours
suivants, ...)

Sommaire
Exercices
1 Introduction
7 EDS à sauts
8 Exercices

Exercices (I)
Exercices
1) Trouvez l’EDS satisfaite par Xt = eBt .

2) vérifiez que Xt = a−1 Ba2 t (a 6= 0) est un mouvement brownien standard.

3) Si B1 , . . . , Bn sont desqmouvements browniens indépendants, indiquez l’EDS
dont le processus Xt = B21,t + . . . + B2n,t est la solution.

4) Résolvez dXt = Xt dt + e−t dBt avec X0 = x.

5) En utilisant la formule d’Itô vectorielle calculez d(Xt Yt ), où X et Y sont des
processus d’Itô définis à partir du même mouvement brownien.

Exercices (II)
Exercices

6) Pour intégrer l’équation
dXt = ft (Xt )dt + ct Xt dBt , (13)
avec X0 = x et ct une fonction déterministe continue, on multiplie chaque
terme par la fonction
Z t Z
1 t 2

Ft = exp − cu dBu + c du . (14)
0 2 0 u
On pose Yt = Ft Xt . Exprimez l’EDS satisfaite par Yt . En adoptant cette
approche, intégrez l’équation
dXt = Xt−1 dt + αXt dBt . (15)

7) Intégrez l’équation
b − Yt
dYt = dt + dBt (16)
1−t
avec Y0 = a et 0 ≤ t < 1 (Indication : divisez les deux membres par 1-t).
Vérifiez que Yt est un pont brownien sur [0, 1] dont on précisera les paramètres.

Exercices (III)
Exercices

8) Donnez l’expression du courant dans un circuit RLC série lorsqu’on place à
ses bornes une source de tension variable donnée ft que l’on suppose perturbée
par un bruit de la forme αBt .
9) Résoudre
dXt = λ(b − log Xt )Xt dt + σXt dBt (17)
avec X0 > 0 fixé, en considérant la transformation Yt = log Xt .

Transparents SDE

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

Transparents SDE

Transféré par

Droits d'auteur :

Formats disponibles

Introduction aux

Brest, octobre 2014

2/56 Cours SDE Filière IV - octobre 2014

3/56 Cours SDE Filière IV - octobre 2014

4/56 Cours SDE Filière IV - octobre 2014

Les 12 heures programmées seront sensiblement organisées comme suit :

5/56 Cours SDE Filière IV - octobre 2014

6/56 Cours SDE Filière IV - octobre 2014

7/56 Cours SDE Filière IV - octobre 2014

soit E [g(Y)(E[X|Y] − X)] = 0.

8/56 Cours SDE Filière IV - octobre 2014

9/56 Cours SDE Filière IV - octobre 2014

Théorème (conditionnement gaussien)

10/56 Cours SDE Filière IV - octobre 2014

11/56 Cours SDE Filière IV - octobre 2014

12/56 Cours SDE Filière IV - octobre 2014

13/56 Cours SDE Filière IV - octobre 2014

∀t ∈ T, P({ω; Xt (ω) = Yt (ω)}) = 1.

Théorème (de continuité de Kolmogororov)

∀t > 0 ∀t1 , t2 ∈ [0, t], E[|Xt2 − Xt1 |α ] ≤ C|t2 − t1 |β

alors X admet une modification continue.

14/56 Cours SDE Filière IV - octobre 2014

F IGURE : Trajectoires d’un mouvement brownien.

15/56 Cours SDE Filière IV - octobre 2014

Trajectoires d’un mouvement brownien 2D (à gauche) et 3D (à droite).

16/56 Cours SDE Filière IV - octobre 2014

([.] = partie entière) converge en loi vers un mouvement brownien lorsque n → ∞

17/56 Cours SDE Filière IV - octobre 2014

18/56 Cours SDE Filière IV - octobre 2014

F IGURE : Trajectoires de ponts browniens sur les intervalles [0.3, 0.8],

19/56 Cours SDE Filière IV - octobre 2014

20/56 Cours SDE Filière IV - octobre 2014

→ dXt = bt (Xt )dt + σt (Xt )Wt dt

Xk+1 = Xk + bk (Xk )∆k + σk (Xk )Wk ∆k

= Xk + bk (Xk )∆k + σk (Xk )(Bk+1 − Bk )

21/56 Cours SDE Filière IV - octobre 2014

22/56 Cours SDE Filière IV - octobre 2014

23/56 Cours SDE Filière IV - octobre 2014

Notation : F = (Ft )t≥0 est la filtration canonique de B.

24/56 Cours SDE Filière IV - octobre 2014

25/56 Cours SDE Filière IV - octobre 2014

26/56 Cours SDE Filière IV - octobre 2014

27/56 Cours SDE Filière IV - octobre 2014

Définition (Processus d’Itô)

On écrira encore dXt = bt dt + σt dBt .

28/56 Cours SDE Filière IV - octobre 2014

Théorème (Formule d’Itô)

∂g(t, Xt ) ∂g(t, Xt ) 1 ∂2 g(t, Xt )

On peut encore écrire

29/56 Cours SDE Filière IV - octobre 2014

30/56 Cours SDE Filière IV - octobre 2014

Exemple 4 (modèle de Black-Scholes) : dXt = rXt dt + αXt dBt .

31/56 Cours SDE Filière IV - octobre 2014

Exemple 5 (équation de Langevin) : dXt = −bXt dt + σdBt (b > 0)

ebt dXt = −bebt Xt dt + σebt dBt .

d(ebt Xt ) = bebt Xt dt + ebt dXt = σebt dBt .

32/56 Cours SDE Filière IV - octobre 2014

Théorème (formule d’Itô vectorielle)

et Yt = g(t, Xt ) = [g1 (t, Xt ), . . . , gp (t, Xt )]T = [Y1,t , . . . , Yp,t ]T avec g ∈ C2 (R+ × Rn ).

∂gk (t, Xt ) ∂2 gk (t, Xt )

34/56 Cours SDE Filière IV - octobre 2014

35/56 Cours SDE Filière IV - octobre 2014

X̂t+h = X̂t + bt (X̂t )h + σt (X̂t )∆Bt