Académique Documents
Professionnel Documents
Culture Documents
Equations Différentielles
Stochastiques (EDS)
TELECOM Bretagne, filière IV
thierry.chonavel@telecom-bretagne.eu
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
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.
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.
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
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
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),
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 ).
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.
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
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.
Définition Y est une modification du processus X si
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)
Autres constructions
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
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
EDS
dXt
= bt (Xt ) + σt (Xt )Wt
dt
Notation : Bk+1 − Bk = ∆Bk .
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]
(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
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
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
Calculer Z t
Bu dBu
0
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
avec (dXt )2 = dXt .dXt , dt.dt = 0, dt.dBt = dBt .dt = 0, et dBt .dBt = dt.
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
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
(processus d’Ornstein-Ulhenbeck)
σ11,t . . . σ1m,t
b1,t dB1,t
dXt = bt dt + σt dBt = ... dt + .. .
× ..
.
bn,t σn1,t . . . σnm,t dBm,t
∂gk (t, Xt ) 1
dYk,t = dt + [∇x gk (t, Xt )]T dXt + dXtT ∇2x gk (t, Xt ) dXt
∂t 2
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 )
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
Equation
dXt = bt (Xt )dt + σt (Xt )dBt
Approximation d’Euler
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
37/56 Cours SDE Filière IV - octobre 2014
Ordre des méthodes numériques
Intégration numérique des EDS ◮ Intégration numérique
Erreur moyenne absolue :
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
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.
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
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
Equation paramétrée :
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, ...)
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,
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
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
Donc,
1 h i
σ2t (x) = lim E (Xt+h − Xt )2 | Xt = x .
h→0 h
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 )
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
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)]
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)
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, ...)
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
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.
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 .