Académique Documents
Professionnel Documents
Culture Documents
Mémoire
Pour l’obtention du diplôme de Magister en Mathématiques
de l’école doctorale
Intitulé :
FONCTIONNELLES EXPONENTIELLES
DU MOUVEMENT BROWNIEN
Chalabi El
El-Hacène Pr. Boutabia Hacène
Soutenu devant le jury composé de :
0 Introduction 6
1.1 Opérateurs 10
1.3.5 Martingales 21
3.2 Lois des fonctionnelles exponentielles et équations aux dérivées partielles associées 75
4 Chapitre 4 . Applications 87
4.1.1 Motivation 88
- Conclusion 101
- Références 102
4
Abstract
This paper is organized around two themes. The …rst concerns the study of Pit-
man theorem and its versions extended to the geometric Brownian motions. The
tial functionals of the Brownian motion which intervene into various physical and
Résumé
et mathématiques …nancières.
Mots-clés
Introduction
( )
où Bt est un mouvement brownien unidimensionnel de drift constant ,
t 0
( )
puis on va généraliser dans le cas où Bt est un mouvement brownien multidi-
t 0
plus de précision.
- Dans le premier chapitre on présente brièvement les principaux résultats sur les
opérateurs, les fonctions spéciales et les processus stochastiques dont on aura besoin
loi de A1 :
Pour cela, on établira une équation di¤érentielle aux dérivées partielles de type
Z t
Ait = exp 2 i Bs( )
ds; i = 1; 2; : : : ; d
0
( )
moyenne E ln At ; en relation avec d’ autres interprétations physiques inspirées
par la mécanique statistique des systèmes désordonnés. Dans ces systèmes, la fonction
de répartition Z est une fonctionnelle qui dépend d’un ensemble de couples aléatoires
Chapitre 01
Notions générales
10
Chapitre 01
Notions générales
opérateurs , les fonctions spéciales et les processus stochastiques, dont nous aurons
1.1 Opérateurs.
1.1.1 Semi-groupes.
On note par E un espace de Banach sur le corps des nombres complexes C, par
B (E) l’algèbre de Banach des opérateurs linéaires bornés dans E et par I l’unité
de B (E)
Dé…nition 1.1
fT (t)gt 0 B (E)
(i) T (o) = I
T (t) x x
D (A) = x 2 E jlim existe
t&0 t
par
T (t) x x
Ax = lim ; 8x 2 D (A)
t&0 t
Soit
SG (M; !)
fT (t)gt 0 B (E)
bornné.
! = f 2 C jRe > 0g
Soit
2 ! et fT (t)gt 0 2 SG (M; !)
Dé…nissons l’application
R :E !E
12
par
Z 1
t
R x= e T (t) xdt
0
Z 1
t M
jjR xjj e T (t) x dt jjxjj ; 8x 2 E
0 Re !
Dé…nition 1.3
L’opérateur
Z 1
t
R :E !E tel que R ( ) = e T (t) dt
0
fT (t)gt 0 2 SG (M; !)
P
r
P = Xj2 + X0 + c (1:1)
j=1
Dé…nition 1.4
- pour tout X; Y; Z dans V; [X; [Y; Z]] + [Y; [Z; X]] + [Z; [X; Y ]] = 0 (identité de
Jacobi)
Notons qu’il résulte de la propriété d’alternance que [X; Y ] = [Y; X] pour tout
X et Y dans V:
Dé…nition 1.5
Dé…nition 1.6
Toute distribution ' dans est une fonction indé…niment di¤érentiable dans
P1 ( ) zk
k
( ; ; z) = (1.2)
k=0 ( )k k!
14
- Représentation intégrale de
Z 1
( ) 1
( ; ; z) = ezu u 1
(1 u) du; Re ( ) > Re ( ) > 0
( ) ( ) 0
(1.3)
- Transformation de Kummer
( ; ; x) = ex ( ; ; x) ; 2
=N
(1 ) ( 1) 1
( ; ; z) = ( ; ; z) + z (1 + ;2 ; z) (1.4)
(1 + ) ( )
( + k)
( )k = = ( + 1) : : : ( + k 1) ; k = 1; 2; : : : (1.5)
( )
- Représentation intégrale de
Z 1
1 zt 1 1
( ; ; z) = e t (1 + t) dt; > 0; z > 0 (1.6)
( ) 0
- Wronskien de et :
0 0 ( ) z
( ; ; z) ( ; ; z) ( ; ; z) ( ; ; z) = z e (1.7)
( )
zu00 + ( z) u0 + u = 0
15
- Polynôme d’Hermite
1 1
2 1 1 2 2 1 3
H (z) = 1
2
; ;z + 1
2
z (1 ) ; ; z 2 (1.8)
2
(1 ) 2 2 2
2 2
; z 2 C:
- Polynômes de Laguere.
x dn
Ln (x) = ex n xn+a e x
; n = 0; 1; 2; : : :
n! dx
Z 1
1 + 2
1
K ( )= e 4 d (1.11)
2 2 0
et
Z 1
1 (x2 + y 2 ) xy d
I (x) K (y) = exp I ; 0<x y (1.14)
2 0 2 2
- Fonction de Whittaker
x Z 1 +k 1
xk e 2
t k 1 t 2
Wk; (x) = 1
e t 2 1+ dt (1.15)
2
+ k 0 x
Dé…nition 1.7
Une …ltration est une famille croissante de sous tribus de F, c’est-à-dire, telle que
Fs Ft pour tout s t:
Dé…nition 1.8
On appelle tribu des ensembles prévisibles, la tribu sur ]0; +1[ engendrée
]s; t[ A; 0 s t; A 2 Fs
17
Dé…nition 1.9
Remarque 1.1.
Ft = (Xs ; s t) ; t 0
Dé…nition 1.10
Un processus stochastique (Xt )t 0 est dit adapté par rapport à une …ltration Ft
Il est inutile de dire qu’un processus est toujours adapté par rapport à sa …ltration
naturelle.
Dé…nition 1.11
On dit que le processus (Xt )t 0 est continu (ou à trajectoires continues ) si les
Dé…nition 1.12
- Un processus est dit càdlàg (continu à droite et pourvu de limite à gauche) si ses
trajectoires sont continues à droite et pourvues de limites à gauche pour presque tout
18
!:
- Un processus est dit càglàd (continu à gauche et pourvu de limite à droite) si ses
trajectoires sont continues à gauche et pourvues de limites à droite pour presque tout
!:
Dé…nition 1.13
- On dit que deux processus (X)t 0 et (Yt )t 0 sont égaux à une modi…cation
Soit T > 0: Une fonction continue a : [0; T ] ! R telle que a (0) = 0 est
dite à variation …nie s’il existe une mesure signée ( i e. di¤érence de deux mesures
positives …nies ) telle que a (t) = ([0; t]) pour tout t 2 [0; T ] :
Un processus à variation …nie (Xt )t 0 est un processus adapté dont toutes les
Le processus (Xt )t 0 est appelé processus croissant si de plus ces trajectoires sont
croissantes.
19
Dé…nition 1.16
i) E (X jG ) est G -mesurable.
ii)
Z Z
E (X j G) dP = XdP; 8A 2 G
A A
C’est aussi l’unique ( à une égalité presque sûrement près) variable G-mesurable
telle que
E (E (X j G) Y ) = E (XY )
aléatoires G-mesurable.
- Propriétés
1) E (E (X j G)) = E (X) ;
2) E (X j G) = X, si X est G -mesurable;
5) si X 0; alors E (X j G) 0;
Alors on a:
On note F1 = ([t Ft ) :
Dé…nition 1.17
Un temps d’arrêt est une variable aléatoire à valeurs dans R telle que
f tg 2 Ft ; 8t 2 R+
, dé…nie par
F = fA 2 F1 jA \ f tg 2 Ft ; 8t 2 R+ g
Un temps d’arrêt est donc un temps aléatoire, tel que sur chaque ensemble f! : T (!) tg,
- Propriétés
est FT -mesurable.
1.3.5 Martingales
Dé…nition 1.18
Un processus (Mt )t 0 est une martingale ( resp. sur martingale, sous martingale
- Propriétés
E (Mt ) = E (M0 ) ; 8t
Mt = E (MT j Ft )
- Martingales locales
Dé…nition 1.19
Le processus (Mt )t 0 est dit martingale locale s’il existe une suite de temps d’arrêt
(Tn ) croissante et
lim Tn = +1
n!1
telle que
(MTn ^t )
- Semi-martingale
Dé…nition 1.20
locale, ces deux deniers processus étant issus de 0. Une semi-martingale est donc un
- Temps local
Z t
jXt xj = jX0 xj + Sgn (Xs x) dXs + Lxt
0
valeurs réelles.
Dé…nition 1.22
(iii) 8n; 8ti ; 0 t0 t1 ::: tn ; les variables Btn Btn 1 ; : : : ; Bt1 Bt0 ; Bt0
Dé…nition 1.23
T
(1) (2) (n)
Soit Bt = Bt ; Bt ; : : : ; Bt un processus n -dimensionnel On dit que B
- Temps d’atteinte
dé…nition 1.24
a:
24
Dé…nition 1.25
processus
1 2
Xt = X0 exp t + Bt
2
1 2
log Xt = t + Bt + log X0
2
- Propriétés
Proposition 1.5
e dé…ni par B
i) le processus B et = Bt est un mouvement brownien
b dé…ni par B
ii) le processus B bt = 1 Bc2 t est un mouvement brownien ( Propriété
c
de scaling ).
brownien .
ment si la distribution conditionnelle de probabilité des états futurs, étant donné les
25
états passés et l’état présent, ne dépend en fait que de l’état présent et non pas des
est appelé processus de Markov. Pour de tels processus, la meilleure prévision qu’on
Markov, s’il existe un semi-groupe de transitions (Pt )t 0 tel que pour tout s; t > 0
0:
(Pt )t 0 . On dit que (Xt )t 0 est un processus fortement markovien si pour chaque
- Processus semi-stable
Dé…nition 1.27
Le processus (Xt )t 0 est dit semi-stable d’ordre si pour tout c > 0 les proces-
- Processus de di¤usion
telles que.
pour tout 2 Rd on a :
P
d
ha ; i = aij i j 0
i;j
1 P d Pd
Lf (x) = aij (x) @ij2 f (x) + b (x) @i f (x)
2 i;j=1 i=1
@2 @
où @ij2 = @xi @xj
et @i = @xi
27
Dé…nition 1.28
1
où Ex est l’espérance sous Px et CK est l’espace vectoriél des fonctions
On dira dans ce cas que (Xt )t 0 admet a pour matrice de di¤usion et b pour
Dans cette partie, on considère l’espace de Hilbert L2 (R+ ; dt) muni de la norme
Z 1 !
+1 2
jjf jj2 = f 2 (s) ds
0
P
i=n
f (x) = fi 1 1]ti 1 ;ti [
;
i=1
On pose
Z +1
P
i=n
f (s) dBs = fi 1 (B (ti ) B (ti 1 ))
0 i=1
La variable
Z +1
def
I (f ) = f (s) dBs
0
28
Z +1
f 2 (s) ds
0
- Propriétés
I (f + g) = I (f ) + I (g)
Z 1
E (I (f ) I (g)) = f (s) g (s) ds
0
- Cas général.
fonctions en escalier qui converge (dans L2 (R+ ; dt)) vers f , c’est-à-dire qui véri…e
que
Z 1
jfn f j2 (x) dx !0
0 n!1
Z +1
Fn = fn (s) dBs
0
(en e¤et jjFn Fm jj2 = jjfn fm jj2 ! 0), donc convergente. Notons que la
n;m!1
On pose
Z +1 Z +1
def
f (s) dBs = lim fn (s) dBs
0 n!1 0
f par rapport à B:
Z t Z t
0
f (s) dBs = f (t) B (t) f (s) Bs ds
0 0
Z 1
s dBs
0
Dé…nition 1.29
On dit q’un processus est étagé (ou élémentaire) s’il existe une subdivision de
réel
tj ; 0 t0 t1 ::: tn :::
nP1
s (!) = j (!) 1[tj ;tj+1 [ (s)
j=0
On dé…nit alors
Z 1 nP1
s dBs = j Btj+1 Btj
0 j=0
On a
Z 1 Z 1 Z 1
2
E s dBs =0 et V ar s dBs =E s ds
0 0 0
- Conséquence.
lim Tn = +1
n!1
et si
nP1
s = j 1[Tj ;Tj+1 [ (s)
j=0
- Cas général.
Z 1
2 def 2
jj jj = E s dBs <1
0
suivante:
= lim n
n!1
où
P
k(n)
n
n = j 1[tj ;tj+1 [
j=1
P
k(n)
n
j Btj+1 ^t Btj ^t
j=1
On note
Z t Z 1
def
s dBs = s 1]0;t[ (s) dBs
0 0
Si est étagé
Z t
P
s dBs = j Btj+1 ^t Btj ^t
0 j
Plus généralement, si est un temps d’arrêt, le processus 1]0; [ (t) est adapté
et on dé…nit
Z ^t Z t
s dBs = s 1]0; [ (s) dBs
0 0
- Propriétés
1 : Linéarité.
i
Soit a et b des constantes et ( ; i = 1; 2 ) deux processus de . On a
Z t Z t Z t
1 2 1 2
a s +b s dBs = a s dBs +b s dBs
0 0 0
2 : Propriétés de martingale.
Z t
Mt = s dBs
0
où 2 :
ii) Soit
Z t 2 Z t
2
Nt = s dBs s dBs
0 0
Remarque 1.1
On peut dé…nir
Z t
s dBs
0
Z t
2
E s ds < 1 p:s
0
Dans ce cas (Mt )t 0 n’est pas nécessairement une martingale mais une martingale
Soit 2
Z ! Z 2
! Z
s 2 T T
2
E sup u dBu 4E u dBu =4 E u du
s T 0 0 0
Dé…nition 1.30
Z t Z t
Xt = x + s ds + s dBs
0 0
Rt
où est un processus adapté tel que 0
j s j ds existe (au sens de Lebesgue)
dXt = t dt + t dBt
Z t Z t Z t
def
s dXs = s s ds + s s dBs
0 0 0
Zt2 At ; t 0
Dé…nition 1.31
très souvent
At = hZ; Zit
ou encore hZit :
35
est
Z t
2
s ds
0
Dé…nition 1.32
1
hM; N it = hM + N; M + N it hM; M it hN; N it
2
C’est l’unique processus à variation …nie telle que le processus M N hM; N i est
Dé…nition 1.33
est
Z t
hX; Y it = Hs Ks ds
0
- Lemmes d’Itô.
- Première forme.
dXt = t dt + t dBt
36
a:
Z t Z t
0 1
f (Xt ) = f (X0 ) + f (Xs ) dXs + f 00 (Xs ) 2
s ds
0 2 0
ou encore
1
df (Xt ) = f 0 (Xt ) dXt + f 00 (Xt ) 2
t dt
2
- Règles de multiplication
On convient que:
- Cas bidimensionnel.
Théorème 1.9
df (X1 (t) ; X2 (t)) = f 01 (X1 (t) ; X2 (t)) dX1 (t) + f 02 (X1 (t) ; X2 (t)) dX2 (t)
1 00 2 00 00 2
+ f (t) + 2f12 1 (t) 2 (t) + f22 (t) (X1 (t) ; X2 (t)) dt
2 11 1 2
rapport à xi ; xj :
P
2 1 P 00
df (X1 (t) ; X2 (t)) = fi0 (X1 (t) ; X2 (t)) dXi (t) + f (X1 (t) ; X2 (t)) i j dt
i=1 2 i;j ij
37
d [X1 X2 ] (t) = X1 (t) dX2 (t) + X2 (t) dX1 (t) + 1 (t) 2 (t) dt
- Cas vectoriel.
tel que
dXt = ut dt + vt dBt ;
Soit
0 1 0 1 0 10 1
1
B dXt C B u1 C B v11 v12 v1p C B dBt1 C
B C B C B CB C
B C B C B CB C
B dX 2 C B u C B v21 v22 v2p C B dBt2 C
B t C B 2 C B CB C
B C=B C dt + B CB C
B . C B . C B .. .. .. C B C
B .. C B .. C B . . . C B ::: C
B C B C B CB C
B C B C B CB C
@ A @ A @ A@ A
n p
dXt un vp1 vp2 vnp dBt
P
n 1 P n
df (t; Xt ) = ft0 (t; Xt ) dt + fi0 (t; Xt ) dXi (t) + f 00 (t; Xt ) dXi (t) dXj (t)
i=1 2 i;j=1 ij
Plus précisément
Dé…nitions 1.34
dBt est la di¤érentielle d’un mouvement brownien (Bt )t 0 ; .et . sont les
- L’inconnu est le processus (Xt )t 0 . Le problème est , comme pour une équation
di¤érentielle ordinaire, de montrer que sous certaines conditions sur les coe¢ cients
données.
- Une solution de (1:17) est un processus (X t )t 0 continu (Ft )-adapté tel que
les intégrales
Z t Z t
(s; Xs ) ds et (s; Xs ) dBs
0 0
39
Z t Z t
Xt = x + (s; Xs ) ds + (s; Xs ) dBs
0 0
On suppose que
2 2
avec ; sont lipschitziennes et + A (1 + x2 ) pour A constante, alors
Z t
u (t; x) = E f (x + Xt ) exp q (x + Xs ) ds
0
40
avec 8
>
>
< X0 = 0
>
>
: dXt = (Xt ) dt + (Xt ) dBt
Considérons une barre métallique in…nie, assimilée à l’axe réel. Cette barre est
x. Avec un choix approprié d’unités, on sait que la fonction u est solution d’une
@u 1 @2u
= (1.19)
@t 2 @x2
1 Si u est une fonction continue sur [0; +1[ R, de classe C 1;2 sur
Z +1
u (t; x) = Ex (f (Bt )) = f (y) p (t; x; y) dy; 8 (t; x) 2 [0; +1[ R (1.20)
1
x au temps t.
1
0<t< 2a
et pour tout x 2 R; la fonction u dé…nie par (1:20) est dérivable à
Cette fonction u est donc l’unique solution de l’équation (1:19), qui soit une
fonction continue sur [0; +1[ R et de classe C 1;2 sur ]0; +1[ R:
…nancières.
8
>
>
< @v
+ kv = 12 4v + g; (t; x) 2 [0; T [ Rd
@t
(1.21)
>
>
: v (T; x) = f (x) ; x2R d
Une solution v est dite solution du problème de Cauchy pour l’équation rétrograde
suivante:
Supposons que v soit une fonction de classe C 1;2 sur [0; T [ Rd , solution de
42
0 t T; x 2 Rd
de x:
- Corollaire 1.1
Supposons que
sont continues bornées et que la fonction u de classe C 1;2 sur ]0; +1[ Rd ; est
solution de
8
>
>
< @u
+ ku = 12 4u + g : (t; x) 2 ]0; +1[ Rd
@t
>
>
: u (0; x) = f (x) ; x 2 Rd
0 t < 1; x 2 Rd
Remarque 1.2
en un point x d’un milieu qui n’est pas un parfait conducteur, et qui dissipe de la
On regarde ici la situation la plus générale que l’on peut obtenir par cette approche.
0 t T
P
d 1 P d
At f (x) = bi (t; x) fi0 (x) + i;j 00
(t; x) fi;j (x)
i=1 2 i;j=1
di¤érentielle stochastique
Z t Z t
P
q
Xti = X0i + i
b (s; Xs ) ds + i;j
(s; Xs ) dWsi ; i = 1; 2; : : : ; d
0 j=1 0
Sous les hypothèses précédentes, soit v une fonction de classe C 1;2 sur [0; T [ Rd ;
h RT
v (t; x) = Et;x f (Xt ) exp t
k (s; Xs ) ds
RT Ru i
+ 0
g (u; Xu ) exp t
k (s; Xs ) ds du ; 0 t T; x 2 Rd
- Cas unidimensionnel
P << Q et Q << P:
Alors il existe (Lt )t T ; une P -(Ft ) martingale strictement positive telle que
EQ (X) = EP (LT X)
De plus,
L0 = 1 et EP (LT ) = 1:
naturelle.
Soit
Z t Z t
1 2
Lt = exp s dBs s ds ; t T
0 2 0
où est un processus (Ft )-adapté ( autrement dit dLt = Lt t dBt :). On suppose
E (LT ) = 1
Soit
def
dQ jFT = LT dP jFT
Z t
et +
Bt = B s ds
0
Z T
1 2
EP exp ds <1
2 0
martingale.
46
1
dQ = exp Zt hZit dP = Lt dP
2
On suppose que Q est une probabilité. Si (Nt )t 0 est une P -martingale locale
continue, le processus
1
Nt hN; Zit = Nt hN; Lit ; t 0
Lt
- Cas vectoriel.
Z t Z t
(i) 1 (i)
2
Lit = exp (i)
s dBs s ds ; i = 1; 2
0 2 0
alors
(1) (1) (2) (2)
dLt = Lt t dBt + t dBt
et
Z t
e (i) = Bt(i)
B (i)
s ds
0
47
on donne le vecteur
( 1; 2; : : : ; n) 2 Rn
P
n 1P n
2
Q (dw) = exp i zi P [z1 2 dz1 ; : : : ; zn 2 dzn ]
i=1 2 i=1 i
1 1P n
2
= n exp (zi i) dZ1 dZ2 : : : dZn
(2 ) 2 2 i=1
Q avec
2
EQ (Zi ) = i et EQ (Zi i) =1
Z t Z t
P
d 1
Zt (X) = exp Xs(i) dBs(i) jjXs jj2 ds
i=1 0 2 0
et soit le processus
n o
e= B
B et = B
et(1) ; : : : ; B
et(d) ; Ft ; 0 t<1
dé…ni par
Z t
et(i)
B = Wt
(i)
Xs(i) ds; 1 i d; 0 t<1
0
Chapitre 02
Théorème de Pitman.
50
Chapitre 02
Théorème de Pitman.
Dé…nition 2.1
Dé…nition 2.2
naires.
a)
2
t nt t 0
d’ordre n:
Alors
Y =S B
Preuve
comme
Yt = S t Bt
dY 2 = 2Y dY + dt
52
alors
Z t
2
Y = 2 Ys dYs + t
0
Z t
= 2 Ys dBs + t
0
Ht = minBs
s t
Alors
(Yt ) = (Bt Ht )
Langevin
8
>
>
< dXt = dBt Xt dt
>
>
: X0 = x
Z t
Xt = exp ( t) x + exp ( s) dBs ; t 0 (2.1)
0
53
qui reste toujours valable si l’on remplace dans (2:1) les processus (Bs )s 0 et
Le processus
Z t
Xt = exp ( t) x+ exp ( s ) dCs ; t 0
0
f(Ct ; t ) ; t 0g
( )
On s’ intéresse en particulier au cas où t = aBt , multiple du mouvement
est une di¤usion par rapport à la …ltration naturelle . La réponse est a¢ rmative
seulement pour a = b:
cas où b = 2a, la …ltration naturelle de Yta;2a étant alors strictement contenue dans
( )
celle de Bt :
( )
B( )
= Bt
t 0
54
( )
Bt = Bt + t
On pose
( )
St = supBs ; et St = supBs( )
s t s t
( )
et on note par Lt le temps local de B ( )
en 0:
n o n o
( ) ( ) ( ) loi ( ) ( )
St Bt ; St ; t 0 = Xt ; `t ; t 0
( )
avec X ( )
= Xt est le processus de di¤usion avec paramètre , ayant
t 0
1 d2 d
sgn (x)
2 dx2 dx
n o
( ) ( )
St Bt ; t 0
1 d2 d
coth ( x)
2 dx2 dx
55
et
( )
Jt = inf s
s t
Alors on a:
i ) L’identité en loi
n o n o
( ) ( ) ( ) loi ( ) ( )
2St Bt ; St ; t 0 = t ; Jt ; t 0
n o
( ) ( )
2St Bt ; t 0
n o n o
( ) ( ) ( ) ( )
2St Bt ; t 0 et 2St Bt ; t 0
Remarque 2.1
(0) (0)
Xt et t sont respectivement mouvement brownien et processus
t 0 t 0
de Bessel d’ordre 3.
est
( ) ( ) ( ) ( ) cosh ( x)
P Bt 2 dx j Gt ; 2St Bt =r = I[ r;r] (x) dx
2 sinh ( r)
56
Au mouvement brownien
( )
B( )
= Bt
t 0
par
( ) ( )
et = exp Bt
Z t
( ) ) 2
At = e(s ds
0
2 1
( ) ( ) ( ) ( ) ( ) ( )
t = et At ; Zt = et At
et
Z t
a;b ( )
t = exp aB t 0 + exp bB (s )
ds
0
pour ; 0 ; a; b 2 R:
Z t Z t Z t
a;b a;b ( ) a2 a;b
t = 0 a t dBs + t ds + (b a) Bs( ) ds
0 2 0 0
En particulier,
a;b
Si a = b; t est une di¤usion sur R+ ; engendrée par l’opérateur
t 0
a2 2 d2 a2 d
x + a x+1 (2.2)
2 dx2 2 dx
Soit 2 R: Alors
( )
i) t est un processus de di¤usion sa …ltration naturelle est la même que
t 0
2;2 ( )
t = t ; t 0
ii)
Z t Z t
( ) loi loi
t = exp 2B (s ) ds = exp 2B (s )
ds
0 0
i) Z ( )
est un processus de di¤usion dont la …ltration naturelle est strictement
Z t
2 ( ) ( )
c log exp B ds + Bt c log c2 ; t > 0
0 c s
1 d2 d
L( );c
= + b( );c
(x)
2 dx2 dx
ou le drift b( );c
est donné par
1 x K1+ c x d x
b( );c
= + e c e c = log K c e c
c K c dx
Z t
( ) 2B ( ) (s)
Bt + log e ds ; t 0
0
1 d2 d x d
+ log K e
2 dx2 dx x
Chapitre 03
Chapitre 03
drift, on commence par des cas simples = 0 ou 1; puis le cas ou entier positif,
Notons que la relation de Lemperti suggère une relation entre les processus de
Z t
exp ( t ) = X exp (2 s ) ds
0
En particulier on a
Z t
exp [ (Bt + t)] = R exp [ 2 (Bs + s)] ds (3.1)
0
61
réel satisfait
( )
exp (Bt + t) = R ( ) ; t 0 (3.2)
At
( )
Quand < 0, on voit que A1 est …ni et de la formule (3:2) que
( )
A1 = inf s; Rs( ) = 0 < 1
2)
pour 0 et x > 0
2 Z t
Rt ds
Px( ) jRt = exp Px(0) jRt (3.3)
x 2 0 (Rs )2
0 1
2 Z t
Rt B ds C (0)
Px( )
Rt \ft< 0 (R)g = exp @ 2 A Px jRt (3.4)
x 2 0 ( )
Rs
3)
1 x2
E exp ( ) (Rt )2 = exp ; 0 (3.5)
(1 + 2 t) 1+2 t
62
( )
3.1.2 La densité de probabilité de At
1
Soit f (x; t) la densité de ( ) , et soient
2At
2
t
p (x; t) = exp f (x; t)
2
et
!
2
;r t ( )
r s
h (s; t) = h (s; t) = exp E 2At exp ( )
2 2At
!
(0)
r s
= E exp ( Bt ) 2At exp (0)
2At
;r r
h (s; t) = (1 s) h2r ;r
(s; t)
Théorème 3.3
Pour t; x > 0, on a:
Z
1
P0 (x; t) = x 2 esx k (s; t) ds (3.7)
4
Z 1
1 y
= 2x 2 exp x cosh2 y q (y; t) cos dy
0 2t
Z
1 p
P1 (x; t) = x 2 esx k (s; t) 1 + sds (3.8)
4
Z 1
1 y
2x 2 exp x cosh2 y q (y; t) sinh y sin dy
0 2t
63
où p
arcsin h2 s 2 y2
exp 2t
exp 8t 2t
k (s; t) = p ; q (y; t) = p cosh y
2 i 2t (1 + s) 2t
Preuve
i i
4 ;" = 1+ e ; 1+ e ; 1 + ei ; " < 1; < <
1
avec 2
< < ; " > 0: On a alors croît vers et " décroît vers 0: Dans
la limite la contribution d’intégral sur le long de cercle autour 1 est nulle, comme
on sait que
p p p
arcsin h "ei 1 = log( "ei 1+ "ei
1
tend vers 2
i quand " décroît vers 0; selon le signe de 2] ; [ : On a
Z 1
1
ux i
x P0 (x; t) =
2 e K ue ;t K uei ; t du
1
Z 1
(v+1)x i
= e K (v + 1) e ;t K (v + 1) ei ; t dv
1
1 1
i
Maintenant (1 + (v + 1) e )2 = iv 2 et
p p p
arcsin h (v + 1) e i = log (v + 1) e i + 1 + (v + 1) e i
p p i
= log (v + 1) + v
2
64
par conséquent
2 Z 1
e 8t 1 1 p 2
P0 (x; t) = p p exp (v + 1) x arcsin h v
2tx 0 v 2t
1 i p i p
exp arcsin h v + exp arcsin h v dv
2 2 2
2 Z 1
e 8t 1 1 p 2 p
= p p exp (v + 1) x arcsin h v cos arcsin h v dv
2tx 0 v 2t
2 Z 1
e 8t 1 y2 y
= p p exp x cosh2 y cosh y cos dy:
2tx 0 v 2t 2t
1 1 1
i
(1 + s) 2 = 1 + (v + 1) e 2
= iv 2 = i sinh y
y y
lequel a l’e¤et de remplacer cos 2t
par sin 2t
dans la dernière intégrale.
Remarque 3.1
Théorème 3.4
Cas où = 2n; (n 2 N) on a:
Z 1
1
n
P2n (x; t) = x 2 k (s; t) esx n!Ln 2 ( (1 + s) x) ds
Z4 1
1 y 1
= 2x n 2 exp x cosh2 y q (y; t) cos n!Ln 2 x sinh2 y dy
0 2t
Z +1
1 y 1
= x n 2 exp x cosh2 y q (y; t) exp i n!Ln 2 x sinh2 y dy
1 2t
Cas où = 2n + 1; (n 2 N) on a:
Z
n 1 p 1
P2n+1 (x; t) = x 2 k (s; t) esx 1 + sn!Ln2 ( (1 + s) x) ds
Z4 1
1 p y 1
P2n+1 (x; t) = 2x n 2 exp x cosh2 y q (y; t) x sinh y sin n!Ln2 x sinh2 y dy
2t
Z 0+1
1 p y 1
= ix n 2 exp x cosh2 y q (y; t) x sinh y exp i n!Ln2 x sinh2 y dy
1 2t
65
Les relations entre les polynômes de Laguere et d’Hermite données par (1:5)
rendent possible de réécrire les expressions précédentes pour P2n et P2n+1 en une
Z +1
m m+1 y p
Pm (x; t) = (2i) x 2 exp x cosh2 y q (x; y) exp i Hm x sinh y dy
1 2t
m = 0; 1; : : : (3.9)
Le théorème suivant montre que la même formule reste valable pour m 2 N est
remplacé par 2 R: Les polynômes d’Hermite donnés par (1:8) sont alors remplacés
Théorème 3.5
Soient 2 R; t; x > 0 et
2 y2
exp 8t 2t
q (y; t) = p cosh y
2t
1
la fonction de densité de ( ) est donnée par la formule:
2At
Z +1
( +1) y p
P (x; t) = 2 x 2 exp ( x cosh y) q (y; t) cos H x sinh y dy
1 2 t
(3.10)
a) Si 6= 1; 3; : : :
1
( +1)
x 2
( + 1)
P (x; t) = 2x 2 e 1
2
Z 1
y 1 1
q (y; t) cos ( + 1) ; ; x sinh2 y dy (3.11)
0 2t 2 2
1
( +1)
x 2
( + 1)
= 2x 2 e 1
2
Z 1
y 1 1
exp x cosh2 y q (y; t) cos ; ; x sinh2 y (3.12)
dy
0 2t 2 2
b) Si 6= 2; 4; : : :
1
x 2
+1
P (x; t) = 2x 2 e 3
2
Z 1
y 1 3
q (y; t) sinh y sin + 1; ; x sinh2 y dy (3.13)
0 2t 2 2
1
x 2
+1
= 2x 2 e 3
2
Z 1
y 1 3
exp x cosh2 y q (y; t) sinh y sin (1 ) ; ; x sinh2 (3.14)
y dy
0 2t 2 2
Preuve
n
; n+ n+
h 2 (s; t) = (1 s) 2 hn; 2 (s; t)
et donc
n+
x Z x
x 2 e n
1 n+
P (x; t) = 1
(x y) 2 y 2 ey pn (y; t) dy (3.15)
2
(n ) 0
formule (3:9) ; pex;t ( ) est analytique sur fRe ( ) < ng ; pour tout n 2 N; il
résulte alors que pex;t ( ) est une fonction entière de et coincide avec px;t ( )
pour 2 R:
67
Z +1
1 u
P0 (y; t) = y 2 exp y cosh2 u exp i q (u; t) du
1 2t
où
Z +1
1 u
P1 (y; t) = iy 2 exp y cosh2 u sinh u exp i q (u; t) du
1 2t
x 2 ex p (x; t)
Z x Z +1
1 1 1 u
= 1
(x y) 2 y 2
y
e exp y cosh2 u exp i q (u; t) dudy
2 0 1 2t
Z +1 Z x
1 u 1 1
= 1
exp i q (u; t) (x y) 2 y 2 exp y sinh2 u dydu
2 1 2t 0
1 Z +1 1 Z
x 2 u 1
= 1
exp i q (u; t) (1 v) 2 1 v 2 exp vx sinh2 u dvdu
2 1 2t 0
1 1 Z +1
x 2 ( + 1) u 1 1
= 2
1
exp i q (u; t) ( + 1) ; ; x sinh2 u du (3.16)
2 1 2t 2 2
1 1 Z +1
x 2 ( + 1) u 1 1
= 2
1
exp i q (u; t) exp x sinh2 u ; ; x sinh2 u
(3.17)
du
2 1 2t 2 2
ble. Ces deux dernières égalités résultent des propriétés usuelles de la fonction
hpergéométrique (1:3)
On a également pour
68
+1
xex p (x; t)
2
Z x
1 ( +1) ( +1)
= 1
(x y) 2 y 2 ey p1 (y; t) dy
2
(1 ) 0
Z x Z +1
i ( +1)
y 2 u
= 1
(x y) 2 y 2e exp y cosh u sinh u exp i q (u; t) dudy
2
(1 ) 0 1 2t
Z +1 Z x
i u ( +1)
= 1
sinh u exp i q (u; t) (x y) 2 y 2 exp y sinh2 u dydu
2
(1 ) 1 2t 0
1 Z +1 Z 1
ix 2 u ( +1)
= 1
sinh u exp i q (u; t) (1 v) 2 v 2 exp vx sinh2 u dvdu
2
(1 ) 1 2t 0
1 1 Z +1
x 2 2 ( + 1) u 1 3
= 3
sinh u exp i q (u; t) + 1; ; x sinh2 u du (3.18)
2 1 2t 2 2
1 1
x 2
2
( + 1)
= 3
2
Z +1
u 1 3
sinh u exp i q (u; t) exp x sinh2 u (1 ) ; ; x sinh2 u du (3.19)
1 2t 2 2
Les équations (3:16), (3:19) sont deux expressions di¤érentes pour la même
1 1
1 + ei ; 1 ei :
2 2
On déduit alors
Z +1
( +1) i u
x cosh2 u
x 2 p (x; t) = e e (2t) q (u; t) z 2 du; 1< <0
1
p
où z = x sinh u; et en utilisant la formule
(!) =
sin ( !) (1 !)
69
on obtient
1
1 ( + 1) 1 1 2
z2 = 1+e i 2
1
; ;z
2 2
2 2
1
i i ( + 1) 1 3
1 e 2
3
z (1 ) ; ; z2
2 2
2 2
1
1+e i 2 1 1 2
= 1 1
; ;z
2 sin 2
( + 1) 2
(1 ) 2 2
i 1
i (1 e ) 1 3
+ 1 1
2
z (1 ) ; ; z2
2 sin 2
( + 1) 2
2 2
i 1
1+e 2 1 1 2
= i i 1
; ;z
e 2 +e 2
2
(1 ) 2 2
i 1
1 e 1 3
+ i i 1
2
z (1 ) ; ; z2
e 2 e 2
2
2 2
1
i
2 1 1 2
= e 2
1
; ;z
2
(1 ) 2 2
1
i 1 3
+e 2
1
2
z (1 ) ; ; z2
2
2 2
i
= 2 e 2 H (z)
d’où (3:10) pour 1 < < 0 . Mais le second membre pe (x; t) de (3:10)
est une fonction entière de , comme il est montré par la représentation intégrale de
H donnée par (1:15). L’équation (3:10) tient pour tout 2 R par continuité
Les formules (3:11) et (3:12) sont obtenues en notant que les expressions (3:16)
1
et (3:17) sont des fonctions entières de , et sont divisées par 2
( + 1) . La
même discussion s’applique pour les formules (3:18) et (3:19), pour avoir (3:13) et
(3:14).
70
et
p 1 1
lim 2 tP (At 2 dt) = exp du; u > 0
t!1 u 2u
Théorème 3.7
Preuve
n o
( )
Soient ex (t) le processus de di¤usion dé…ni par
( )
e(x ) (t) = x exp Bt
2 Z z
2
vz (x; ) = E exp e(x ) (t) dt
2 0
De plus on a:
2 Z 1 ( )
2Bt
lim vz (x; ) = E exp e dt
z!1 2x2 0
2
x
= E exp A(1 )
= ve (3.20)
2x2
71
où
1 ( )
ve (z) = E exp A
2z 2 1
x x
= et ve = ( )
donnent:
2
00 1 0
( )+ ( ) 1+ 2 ( )=0
z K ( )
( )=
K z
et par conséquent
x z K x
ve =
K z
1
K ( )=2 ( ) (1 + O (1)) quand !0
1 2 2
E exp A(1 )
= K ( )
2 ( ) 2
(1:11)
démonstration
72
( )
3.1.3 La loi de At à temps exponentiels
( ) ( )
Le théorème suivant exprime la distribution de At ; Bt
Théorème 3.8
2
( ) ( ) t 1 + e2u ex dudx
P At 2 du; Bt 2 dx = exp x exp ;t
2 2u u u
(3.21)
2 Z 1
r y2 y
(r; t) = 1 exp exp exp ( r cosh (y)) sinh (y) sin dy
(2 3 ) 2 2t 0 2t t
Preuve
2 2
G x; y; = H + (x; y) ; >0
2 2
2
G x; y; = 2I ( ex ) K ( ey ) = 2F ( ex ; ey ) ; x y
2
1 2 2x 1 (y x)2
q (t; x; y) = E exp e At j Bt = y x p exp (3.22)
2 2 t 2t
Z 1 2 2
t
= exp q (t; x; y) dt = G x; y;
0 2 2
1 y2 1 + e2y ey du
P (At 2 du j Bt = y) p exp = exp ;t
2 t 2t 2u u u
Remarque 3.2
On peut présenter le noyau de la chaleur obtenu dans (3:22) sous la forme explicite
suivante:
Z 1 2 2 x+y
(e2x + e2y ) e d
q (t; x; y) = exp ;t
0 2 2
Théorème 3.9
( ) loi Z1;a
AT = (3.23)
2 b
où
p p
2 + 2 + 2 + 2
a= et b=
2 2
Preuve
où
Z u
( ) 1
u = 2 dv
0 ( )
Rv
De plus d’aprés les relations (3:3) et (3:4) on a:
2
( ) ( + )
E exp u = E Ru(0) exp (0)
u
2
h 2b
i
= E Ru(0)
(0) (v)
où R0 = R0 = 1
tielles associées
Dans cette partie, on établira une équation aux dérivées partielles de type Schrödinger
liant les lois conditionnelles des fonctionnelles exponentielles qui apparaîtront dans la
suite.
Soient 1; 2 ; :::; d une collection de vecteurs distincts non nuls de Rn telle que
= fx 2 Rn : i (x) > 0; i = 1; 2; : : : ; dg
Soit B ( )
le mouvement Brownien standart sur Rn de drift 2 : Pour
0 t 1; on pose:
Z t ( )
2 Bs
Ait = e i
ds i = 1; 2; :::; d
0
Le processus
( )
Bt ; At
t 0
1 X d
@
2 i (x)
4x + ( ; rx ) e
2 i=1
@ai
76
Proposition 3.10
L’opérateur
1 X d
@
2 i (x)
4x + ( ; rx ) e
2 i=1
@ai
est hypoélliptique sur Rn+d et par conséquent pour t > 0 la variable aléatoire
( )
Bt ; At
Preuve.
X
n
@
V = vi
i=1
@xi
et
X
d
@
2 i (x)
T = e
i=1
@ai
X
d
@
2 i (x)
LV T = [V; T ] = 2 i (v) e
i=1
@ai
X
d
@
L2V T =22
i (v)2 e 2 i (x)
i=1
@ai
77
k
X
d
@
LkV T = ( 1) 2 k
i (v)k e 2 i (x)
i=1
@ai
Comme les i, sont deux à deux di¤érentes et non nulles, alors on en déduit à
LkV T ; 1 k d
est une base de Rd : Ceci sous-entend que la condition de Hörmonder est satisfaite
1 X d
@
2 i (x)
4x + ( ; rx ) e
2 i=1
@ai
est hypoélliptique.
et
!!
P
d
2 2 j
j (x)A1
J (t; x) = E exp je
j=1
Proposition 3.11
1 X d
@
2 2ai (x)
4 + ( ; r) e
2 i=1
@ai
q (t; x; y)
78
et on a
Z
g (t; x) = q (t; x; y) dy
Rn
lim J (x) = 1
x!1;x2
Preuve.
j=1 (2 t) 2
Z
g (t; x) = q (t; x; y) dy
Rn
2) C’est encore une conséquence directe des formules de Feyman-Kac que J résout
l’équation aux dérivées partielles, et la condition aux limite est facilement véri…ée.
Maintenant prouvons l’unicité. Nous devons montrer que si est une solution de
lim (x) = 0
x!1;x2
alors = 0:
79
Pour cela, observons que sous les conditions mentionnées ci dessus, pour x 2 Rn ,
le processus
!
( )
X
d
2 2 i (x)
Bt + x exp ie Ait
i=1
est une martingale avec limite nulle quand t ! +1: Il s’ensuit que cette mar-
tingale est de la même manière nulle presque sûrement, ce qui implique que = 0:
Pour une utilisation ultérieure, peut être que nous reformulons la seconde partie
Corollaire 3.1
La fonction
(x)
h (x) = e J (x)
1 X
d
1
4h (x) 2
ie
2 i (x)
h (x) = jj jj2 h (x)
2 i=1
2
(x)
telle que e h (x) est bornée et
(x)
lim e h (x) = 1
x!1;x2
Exemple 3.1
2 1
n = d = 1; 1 = et 1 (x) = x
2
Alors
Z 1
2(Bt + t)
A1 = e dt; >0
0
80
1 2x
J (x) = E exp e A1 ; x2R
2
Dans ce cas,
(x)
h (x) = e J (x)
résout l’équation
d2 2x 2
e h = h
dx2
21 x x
J (x) = e K e
( )
Observons que cette formule peut aussi être dérivée en utilisant le fait que A1 a
2
même loi que ; où est une variable aléatoire Gamma distribuée de paramètre
Exemple 3.2
On suppose que
2 2 1 x
n = 1; d = 2; 1 = 2 = ; 1 (x) = x et 2 (x) =
2 2
Alors
Z 1 Z 1
A11 = e 2(Bt + t)
dt; A21 = e (Bt + t)
dt; >0
0 0
1 2x 1 x 2
J (x) = E exp e A11 e A1 ; x2R
2 2
81
Dans ce cas,
h (x) = e x J (x)
résout l’équation
d2 x 2x 2
e e h = h
dx2
c’est une équation de Schördinger avec le fameux potentiel de Morse. Elle est
soluble grâce aux fonction de Whittaker Wk; dé…nie par (1:15), et prenant en compte
1 (1 + ) ( + 21 )x x
J (x) = 2 2 e W 1
; 2e
(2 ) 2
L’objet de cette partie est de prouver que la variable A1 a une densité régulière
par rapport à la mesure de Lebesgue sur Rd et on donne une expression des densités
conditionnelles.
Proposition 3.12
de Rd et on a pour t 0
P
d
( )
P (A1 2 dy j Ft ) = exp 2 i Bi
i=1
( ) ( )
2 Bt 2 Bt
P e 1
y1 A1t ; :::; e d
yd Adt (3.22)
Preuve.
alors
P
d
i
E exp i A1 j Ft
i=1
P
d
i
P
d
= exp i At E exp i Ai1 Ait j Ft
i=1 i=1
( ) ( )
2 1 Bt 2 d Bt
= exp f ( ; At )g 1e ; ::; de
( ) ( )
2 1 Bt 2 d Bt
exp f ( ; At )g 1e ; ::; de
2 1 (x) 2 d (x)
exp f ( ; a)g 1e ; ::; de
1 X d
@
2 i (x)
4x + ( ; rx ) + e
2 i=1
@ai
Cet opérateur étant hypoélliptique, ceci implique que A1 a une densité régulière
pose
P
d
q (x; a; y) = exp 2 i (x) P e2 1 (x)
(y1 a1 ) ; :::; e2 d (x)
(yd ad ) ;
i=1
o < ai < yi ; x 2 Rd
83
alors le processus
( )
q Bt ; At ; y 1(0;y1 ) ::: (0;y1 ) (At )
est une martingale. Il en résulte que pour tout y 2 Rd+ , q (x; a; y) satisfait
1 X d
@q
2ai (x)
4x q + ( ; rx q) + e =0
2 i=1
@ai
On peut aussi observer que ceci implique que P est solution de l’équation aux
dérivées partielles
X
d
@2p
(ai ; aj ) yi yj +
i;j=1
@yi @yj
! !
X
d X
d
1 @p
+ ai ( ) + jjai jj2 + 2 (ai ; aj ) yi
i=1 j=1
2 @yi
!
X
d X
d
= (ai ; aj ) + ai ( ) p ( )
i;j=1 i=1
Exemple 3.3
On suppose que
2 1
n=d=1; 1 = et 1 (x) = x
2
2
Alors A1 est distribuée comme , où est une variable aléatoire gamma
1 1
P (y) = exp 1R>0 (y)
2 ( ) y 1+ 2y
et on a
1 e 2x
1 e 2 x 2 y a
q (x; a; y) = 1R>0 (y a) ; >0
2 ( ) (y a)1+
84
Exemple 3.4.
On suppose que
x
n = 1; ; d = 2 et 1 (x) = x et 2 (x) =
2
et pour 1; 2 > 0,
2
1 1 1 1 + 21 + 2
2
1
2 1 2 2
E exp 1 A1 2 A1 = 2 2
1
2
W 2 (2 1 )
2 2 (2 ) 2 ;
2 1
1 Z +1 2 2
exp 1 +2 2 1 2 1
2
e tt 1 2
(2 1 + t)
2 1 2
dt
(2 ) 0
2 1
t= 2
e 1 1
1 2 1
E exp 1 A1 A21 = s P A21 2 ds
2
2 +1 1s
1 exp 1 cot anh 2
= 2 +1 ds; s > 0
2 (2 ) sinh 1s
2
formule pour P
22 X
+1
( 1)j 2j (j + 2 + 1 + k) 1
P (y1 ; y2 ) = p j
(2 ) 2 i;j=0 j! k! (j + 2 + 1) y 2 + 32
+
1
( ) !
1 1
1 + y2 k + + j + 2 1 + y2 k + j + + 2
exp Dj+2 +1 p
4y1 y1
85
Z +1
e t a2 a p 1
v
p
e 4t D2 +1 p dt = 2v+ 2 e a 2
0 t1+ t
qui est
p Z +1
2 x2 t2
D (x) = p e 4 tv e 2 cos xt dt; v> 1
0 2
86
Chapitre 04
Applications
87
Chapitre 04
Applications
mathématiques …nancières.
exponentielle
Z t
( )
At = exp [ 2 (Bs + s)] ds
0
ronnement aléatoire.
( )
En fait, la variable aléatoire A1 peut être interprétée comme un temps du
( )
tamment sur la valeur moyenne E ln At ; en relation avec une autre interprétation
physique inspirée par la mécanique statistique de systèmes désordonnés. Dans ces sys-
E (F ) = E ( KT ln Z)
4.1.1 Motivation
une force aléatoire F (x), que l’on supposera gaussienne distribuée de moyenne f0 :
drift, qui peut être écrit en terme de processus de Wiener x comme suit:
Z x
def p
U (x) = F (y) dy = f0 x + x
0
Z par:
Z t
U (x)
ZL = e dx
0
Z L h p i
( )
ZL = exp x+ 2 x dx (4.1)
0
89
( ) ( )
Par conséquent, pour = 2, ZL et AL coïncident. Pour 6= 2, on utilise
obtient
Z L
( ) loi 2 2
ZL = exp [ 2 ( x + x )] dx
0
d’où
( ) loi 2 ( )
ZL = A L
2
1 1 @ ( ) 1 @ ( )
x= Z = ln ZL
ZL
( ) @ L @
1 @2 ( )
x2 (x)2 = 2@ 2
ln ZL
h i +p)
( ( )
ln exp ( px) = ln ZL ln ZL
( ) 1 ( )
FL = ln ZL
( ) 1 ( )
E FL = E ln ZL
ciée
Dans cette partie, on considère le cas de potentiel aléatoire avec drift nul =
( cf [4] ; [2])
On a
Z 1
r
pZL
(0) 2 k p L
E e = cosh Kik 2 exp k2 dk (4.2)
0 2 4
où
r Z 1
r
p p
Kik 2 = cos kt exp 2 cosh t dt
0
2 Z 1
r
(0)
pZL 2 t t2 p
E e =p exp cos exp exp 2 cosh t dt
L 4 L 0 L L
(4.3)
91
r Z
p cosh t 1
1 pZ cosh2 t
exp 2 cosh t = p 3 e exp dz
0 Z2 Z
Z 1
(0)
pZL pZ (0)
E e = e L (Z) dZ
0
où
2
2 exp 4 L 1
(0)
L (Z) = p 3
L Z2
Z 1
t t2 cosh2 t
cosh t cos exp exp dt
0 L L Z
(0)
Un simple changement de variables donne la distribution de probabilité PL (F )
(0) 1 (0)
de l’énergie libre FL = ln ZL comme suit
2
2 exp 4 L
(0)
PL (F ) = p exp F
L 2
Z 1
t t2 cosh2 t F
cosh t cos exp exp e dt
0 L L
p
=( F ln ) 2 L
2
1
XL ( ) ! p exp
L!1 2 2
92
(4:1)
Z L p Z 1 p
(0) loi
ZL = exp 2 x dx = L exp 2 s ds
0 0
d’où
Z 1 p
1
p
1 ln L l
p ln ZL(0) = p + ln exp 2 L s ds
L L 0
de
Z 1 p
1
p
l p p
loi
ln exp 2 L s ds ! ln exp 2 supBs = 2 jN j
0 L!1 s 1
1 (0)
p ln ZL converge en loi vers jN j quand L ! 1
2 L
(0)
4.1.3 Une expression de E ln ZL
L’identité de Frullani
Z 1
(0) p pZL
(0) dp
ln ZL = e e
0 p
(0)
peut être utilisée pour calculer la moyenne du logarithme de ZL , de la fonction
on obtient
Z 1 h i dk
(0) 2 Lk2
E ln ZL = 1 e k coth ( k) 2 + C ln
0 k
0
où C = (1) est la constante d’Euler.
93
L’identité de Burgerol est une identité en loi qui relie deux fonctionnelles exponen-
loi
sinh (Bt ) = At
où
Z t
2Bs (0)
At = e ds = At
0
Z 1 p
1
2
loi 2 tBu
sinh (Bt ) = e du t
0
1
loi At 2
= t
t
s’ensuit que
!
2
sinh (Bt )
E (ln At ) = E ln + ln t
Bt
Z +1 2
1 x2 sinh (x)
= p exp ln dx + ln t
1 2 t 2t x
(0) loi 2
ZL = A L
2
Z +1 2
(0) 1 x2 sinh (x)
E ln ZL = p exp ln dx + ln (L)
1 L L x
un actif sans risque b = (bt )t 0 avec un taux d’intérêt constant r et un prix risqué
que r > 0; 2 R et > 0; b et S sont alors données par les équations di¤érentielles
stochastiques suivantes:
dbt dSt
= rdt; = dt + dBt
bt St
2
bt = exp (rt) ; et St = S0 exp Bt + t
2
par
2
Set = e rt
St = S0 exp Bt + r t
2
95
absolument continue par rapport à P et sous laquelle Se est ’une martingale. Q est
où
FT = fBs ; s Tg
et T est l’échéance.
On pose:
e=B
et = r
B Bt + t
t 0
On considère les options call Européenne et Asiatique, avec le capital initial k > 0
et l’échéance T:
où
x+ = max fx; 0g
et
Z t
1
A (t) = Su du; 0<t T
t 0
on peut démontrer que les prix théoriques d’options call à la date t = 0 sont donnés
96
par
rT
CE (k; T ) = e EQ (ST K)+
et
rT
CA (k; T ) = e EQ (A (T ) K)+
Proposition 4.1
Si r 0, on a
CA (k; T ) CE (k; T )
preuve
On a:
Z T
rT Q 1
CA (k; T ) = e E St dt k
T 0 +
Z T
rT 1
CA (k; T ) e EQ (St k)+ dt
T 0
h i
et comme pour r 0; alors St = S0 exp et + r
B
2
t est une sous-
2
martingale sous Q:
Par conséquent en utilisant une autre fois l’inégalité de Jensen, on voit que
97
Z
rT 1 T Q
CA (k; T ) e E (St k)+ dt
T 0
Z T
rT 1
e EQ (ST k)+ dt
T 0
rT
= e EQ (ST k)+ = CE (k; T )
Théorème 4.2
Z 1
t ( )
e E At k dt
0 +
Z 1
1 2k
= e t tb 2
(1 2kt)a+1 dt
( 2 (1 + )) (b 1) 0
avec
+ p
a= ; b= ; = 2 + 2
2 2
Preuve
( )
Y ( ) (x) = Yt (x)
dé…ni par
Z t
( ) ( )
Yt (x) = exp 2Bt x+ exp 2Bs( )
ds
0
d2 d
L( )
= 2x2 2
+ (2 (1 + ) x + 1)
dx dx
1 d 1 d
= 2x1 e 2x x1+ e 2x
dx dx
98
h i
( )
E Yt (0) k
+
zu00 + ( z) u0 + u = 0
( + ) + 1
u1 (x) = x 2 ;1 + ; (4.5)
2 2x
et
( + ) + 1
u2 (x) = x 2 ;1 + ; (4.6)
2 2x
L( ) ui = ui ; i = 1; 2:
De plus, u2 (x) est monotone décroissante sur ]0; +1[ et on utilise la représen-
on peut montrer que u1 (x) est monotone croissante. En e¤et nous avons
Z 1
1 +
1
( )
u1 (x) = e 2 2 (1 + x ) 2 d ; x 0
( + )
0
2
on a
1 2 (1 + )
1 (u01 (x) u2 (x) u1 (x) u02 (x)) =
x (1+ ) e 2x ( + )
2
1
(1+ )
Ici la fonction x e 2x est la dérivée de la fonction en escalier pour Y ( ) (x)
Proposition 4.3
Soient u1 (x) et u2 (x) les deux fonctions dé…nies par (4:5) et (4:6) : Alors la
donnée par
( + )
( ) 2 1 1
G (x; y; ) = y e 2y u1 (x) u2 (x) ; 0 x y
21+
[35]
Z 1
1
( ) 1 + 1
( a) 2 e ;1 + ; d
0 2
( )
2
1 ( ) 1 + 1
= a1 2 e a + 2; 1 + ;
( )
+1 2 a
2
lequel peut être prouvé par la transformée de Kummer donnée par (1:3) et le
( )
En posant u1 (0) = 2 2 ; on obtient:
Z 1 Z 1
t ( )
e E At k dt = (y k) G( ) (0; y; ) dy
0 + k
( )
2
1
= ( ) ( )
21+ 2 (1 + ) 2
+1
( ) 1 + 1
k1 2 e 2k + 2; 1 + ;
2 2k
Z 1
t ( )
e E At k dt
0 +
( + ) Z 1
2 2k
= e u b 2
b (1 2ku)a+1 du
( ) ( + )
4 2
+1 : 2
+2 0
( + )
2 1
=
4 ( )
+1 : ( + )
+2 ( 2 (1 + )) (b 1)
2 2
et le théorème (4:2)
101
Conclusion
tique est une di¤usion, dans l’intention d’établir des théorèmes reliant les processus
Comme, il a été procédé à l’extension des théorèmes dits théorèmes de Lévy et Pit-
Par ailleurs notre étude a porté sur les fonctionnelles exponentielles du mouve-
brownien.
plicatif pour étayer davantage notre démarche dans ce domaine dont la perspective
Références
[4] Broderix, K. And Kree, R. Thermal equilibrium with the Wiener potential:
[7] C. Mouthus. And A.Comtet. one the ‡ux in a one dimensional disordered
[8] Daniel Dufresne. Bessel process and Asian options. Chap.02 p. 34-57.
[9] Daniel Dufresne. Bessel process and functional of Brownian motion. Centre
[11] Daniel Dufresne. The integral of geometric Brownian motion. Adv. appl.
rem.Elect.Comm.un Probab.7(2002)37-46.
1515-1523.
p.01-73.
[17] H. Matsumoto and M.Yor. A version of Pitman’s 2M-X théorem for geometric
brownian motion. C.R. A Cad. Sci. Paris 328. Série 1 (1999) 1067-1074.
[20] Ioannis Karatzas Steven E. Shreve. Brownian motion and stochastic calculus.
[22] José-Marcos Carballo. Groupes et algèbres de Lie. Projet de semestre (été 2005).Pr
Newyok (1980).
22(1972) 205-225.
[25] Lebdev, N, N. (1972) : Special functions and their Applications, Dover, Newyork
MR 350075.
[27] Makhlouf Derridji. Un probleme aux limite pour une classe d’opérateur.An.In.Fr.tome
[28] Monique Jeanblanc. Cours de calcul stochastique. Master 2IF EVRY (sep-
tembre 2006).
[29] Opper, M. Exact solution to a teory random …eld model. J. Phys. A; Math.
[30] Peter Tankov. Lévy process in …nance: Inverse Problem and Dependence Mod-
2001).
[32] Pitman, J.W., One dimensional brownian motion and the thrée-dimensional
[33] Revuz, D, and Yor, M. Continuous martingales and brownian motion, 3rd.
105
[34] Rogers L.C.G., Pitman J.W., Markov functions. Ann.Probab. 9(1982) 573-
582.