Académique Documents
Professionnel Documents
Culture Documents
Monique Jeanblanc
Université d’EVRY
Octobre 2005
2
Contents
1 Rappels 7
1.1 Tribu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2 Variables gaussiennes . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3 Espérance conditionnelle . . . . . . . . . . . . . . . . . . . . . . . 9
1.4 Martingales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.5 Temps d’arrêt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.6 Temps discret . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.7 Algèbre béta-Gamma . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.8 Divers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2 Mouvement Brownien 17
2.1 Propriétés élémentaires . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2 Processus Gaussiens . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.3 Multidimensionnel . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.4 Temps d’atteinte . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.5 Scaling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.6 Compléments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.7 Finance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.8 Problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.8.1 Partie I : Résultats préliminaires . . . . . . . . . . . . . 29
2.8.2 Partie II . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.8.3 Partie III . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3 Intégrale d’Itô 33
3.1 Intégrale de Wiener . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2 Formule d’Itô . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.3 Cas multidimensionnel . . . . . . . . . . . . . . . . . . . . . . . . 39
3.4 Compléments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.5 Brownien géométrique et extensions. . . . . . . . . . . . . . . . . 42
3.6 Le crochet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.7 Finance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3
4 CONTENTS
5 Exemples 59
5.1 Processus de Bessel . . . . . . . . . . . . . . . . . . . . . . . . . . 59
5.2 Processus de Bessel carré . . . . . . . . . . . . . . . . . . . . . . 61
5.3 Autres processus. . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
5.4 Des calculs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
6 Girsanov 67
6.1 Résultats élémentaires. . . . . . . . . . . . . . . . . . . . . . . . . 67
6.2 Crochet. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
6.3 Processus. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
6.4 Cas multidimensionel . . . . . . . . . . . . . . . . . . . . . . . . . 75
6.5 Temps d’arrêt. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
6.6 Finance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
7 Compléments 87
7.1 Théorème de Lévy. . . . . . . . . . . . . . . . . . . . . . . . . . . 87
7.2 Equations rétrogrades . . . . . . . . . . . . . . . . . . . . . . . . 88
7.3 Théorèmes de représentation . . . . . . . . . . . . . . . . . . . . 92
7.4 Temps local. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
7.5 Lois . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
7.6 Filtrations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
7.7 Options barrières . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
7.8 Méandres, ponts, excursions . . . . . . . . . . . . . . . . . . . . . 96
7.9 Divers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
8 Processus à sauts 99
8.1 Processus de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . 99
8.2 Poisson composé . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
8.3 Formule d’Itô . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
8.4 Défaut . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
8.5 Marché complets, incomplets . . . . . . . . . . . . . . . . . . . . 103
Rappels
1.1 Tribu
Exercice 1.1.1 Ensembles appartenant à une tribu.
1. Montrer que si F est une tribu, et si A et B appartiennent à F avec
A ⊂ B, alors B − A ∈ F où B − A est l’ensemble des éléments de B qui
ne sont pas dans A.
2. Montrer que 11B−A = 11B − 11A .
def
3. Montrer que si C et D appartiennent à F, alors C∆D = {C ∩ Dc } ∪
{C c ∩ D} aussi.
Exercice 1.1.2 Exemples de tribus.
1. Décrire la tribu engendrée par un ensemble A.
2. Décrire la tribu engendrée par deux ensembles A et B disjoints.
Exercice 1.1.3 Fonctions indicatrices.
On note 11A la v.a. qui vaut 1 pour ω ∈ A et 0 sinon.
1. Montrer que 11A∩B = 11A 11B .
2. Montrer que, si A ∩ B = ∅, on a 11A∪B = 11A + 11B .
3. Montrer que 11A∪B = 11A + 11B − 11A∩B .
Exercice 1.1.4 Union et intersection.
Soit F1 et F2 deux tribus. Montrer que F1 ∩ F2 est une tribu. Montrer qu’en
général F1 ∪ F2 n’est pas une tribu.
Exercice 1.1.5 Tribu grossie par un ensemble.(*)
Soit F une tribu et A n’appartenant pas à F. Montrer que la tribu engendrée
par F et A est composée des ensembles B tels que il existe C et D appartenant
à F vérifiant B = (C ∩ A) ∪ (D ∩ Ac ).
7
8 Rappels
Exercice 1.2.3 Exponentielles. Soit N une v.a. de loi N (0, 1). Calculer
2
E(exp(aN 2 + bN )). Montrer que E(exp a2 N 2 ) = E(exp aN N 0 ) avec N et N 0
i.i.d.
2 2
5. Montrer que E(eθX f (X)) = emθ+σ θ /2
E(f (X + θσ 2 ) pour f continue
bornée.
6. Montrer que, si f est ”régulière” E(f (X)(X − m)) = σ 2 E(f 0 (X)).
7. Montrer que si G est une va de loi N (0, 1)
2 c + ab
E(eaG N (bG + c)) = ea /2
N(√
1 + b2
Montrer que
Cov(Z1 , Z2 |G) = E[ (Z1 − E(Z1 |G)) Z2 |G ].
1. Montrer que toute v.a. G mesurable s’écrit h(τ ∧ 1) où h est borélienne.
Enoncés. 2005-06 11
EQ (X|G) = EP (X|G), ∀X ∈ F
Exercice 1.3.15 Soit f et g deux densités strictement positives sur IR. Soit X
une v.a. de densité f sur un espace (Ω, P ). Montrer qu’il existe une probabilité
Q sur cet espace telle que X soit de densité g.
1. Montrer que les propriétés suivantes sont équivalentes. (H1) for any t,
the σ-algebras F∞ and Gt are conditionally independent given Ft .
(H2) ∀F ∈ F∞ , ∀Gt ∈ Gt , E(F Gt |Ft ) = E(F |Ft ) E(Gt |Ft )
(H3) ∀t, ∀Gt ∈ Gt , E(Gt |F∞ ) = E(Gt |Ft )
(H4) ∀t, ∀F ∈ F∞ , E(F |Gt ) = E(F |Ft ).
1.4 Martingales
L’espace Ω est muni d’une filtration (Ft ).
Exercice 1.4.1 Exemple de base. Soit X une v.a. intégrable. Montrer que
(E(X |Ft ), t ≥ 0) est une martingale.
12 Rappels
Exercice 1.4.8 Une sousmartingale. Soit τ une v.a. positive. Montrer que
Zt = P (τ ≤ t|Ft ) est une sousmartingale.
Enoncés. 2005-06 13
Exercice 1.5.9 Opérations sur les temps d’arrêt. Montrer que l’inf (resp.
le sup) de deux temps d’arrêt est un temps d’arrêt.
2. Montrer que si E(XT ) = E(X0 ) pour tout temps d’arrêt T , alors le pro-
cessus X est une martingale.
(Mn Nn − M0 N0 − [M, N ]n ; n ≥ 0)
1.8 Divers
Exercice 1.8.1 Soit X un processus at Mt = sup0≤s≤t Xs . On note τ une v.a.
de loi exponentielle de paramètre θ indépendante de X. Montrer que
µZ ∞ ¶
−λu −θTu
E (exp(−λMτ )) = 1 − λE due e
0
Mouvement Brownien
Dans tout ce qui suit, (Bt , t ≥ 0) (ou (Wt , t ≥ 0)) est un mouvement Brownien
réel (un processus à accroissements indépendants issu de 0, tel que pour t > s,
Bt − Bs est une v.a. gaussienne centré de variance t − s) et on note (Ft ) sa
filtration naturelle.
Dans certains exercices, il sera précisé que B est issu de x. On rappelle que B
et (Bt2 − t, t ≥ 0) sont des martinales.
1. Calculer pour tout couple (s, t) les quantités E(Bs Bt2 ), E(Bt |Fs ) et E(Bt |Bs ).
2. On a vu, dans Exercice 1.2.1, que si Z est une v.a. gaussienne centrée de
variance σ 2 , on a E(Z 4 ) = 3σ 4 . Calculer E(Bt2 Bs2 ).
5. Calculer E(11Bt ≤a ) et E(Bt 11Bt ≤a ) où 11A (ω) est la v.a. égale à 1 si ω ∈ A
et 0 sinon.
Rt Rt
6. Calculer E( 0 exp(Bs )ds) et E(exp(αBt ) 0 exp(γBs )ds).
17
18 Brownien.
√
Exercice 2.1.3 Lois. Montrer que E(f (Bt )) = E(f (G u + Bt−u )) avec G
v.a. indépendante de Bt−u et de loi gaussienne centré réduite.
Exercice 2.1.5 Des martingales. Parmi les processus suivants, quels sont
ceux qui sont des martingales. ( On pourra utiliser, sans démonstration, que
Z t Z t
E[ Bu du|Fs ] = E[Bu |Fs ] du.)
0 0
Rt
1. Mt = Bt3 −3 0
Bs ds.
2. Zt = Bt3 − 3tBt .
Rt
3. Xt = tBt − 0 Bs ds.
Z t
4. Ut = sin Bt − Bs (cos s) ds.
0
Z
1 t
5. Ut = sin Bt + sin(Bs ) ds.
2 0
Rt
6. Yt = t2 Bt − 2 0 Bs ds.
que Z.
loi
4. Montrer que (Zt = (Bt |B1 = 0)).
Z t
Bs
Exercice 2.2.5 Un exemple surprenant. Montrer que Zt = Bt − ds
0 s
est un processus gaussien. Calculer sa variance et sa covariance. En déduire que
Z est un mouvement Brownien. Montrer que Z n’est pas une (FtB )-martingale,
où (FtB ) est la filtration naturelle de B.
Enoncés. 2002-03 21
1. Montrer que
1
avec λ = ( )1/(p−1) .
µ
2. Montrer que E(|BT |) ≤ E(supt (|Bt | − µtp/2 )) + µE(T p/2 ).
3. Montrer que
2.3 Multidimensionnel
Exercice 2.3.1 Soit deux mouvements Browniens B (1) et B (2) corrélés de co-
efficient de corrélation ρ. Montrer, sans utiliser la formule d’Itô pour des pro-
qu’il existe un Brownien B (3) , indépendant de B (2) tel que
cessus corrélés, p
B = ρB + 1 − ρ2 B (3) .
(1) (2)
est une martingale pour tout couple (a, b), W1 et W2 sont des MB. Calculer
E[exp(aW1 (t) + bW2 (t))].
Exercice 2.4.2 Montrer (sans calculs) que pour b > a > 0, la v.a. Tb − Ta est
indépendante de Ta . Quelle est la loi de Tb − Ta ? Que peut-on dire du processus
(Ta , a > 0)?
loi
Exercice 2.4.7 Self decomposable Montrer qu’il existe c tel que Tr = cTr +
X avec X indépendante de c.
Exercice 2.4.8 Soit Tea et Tba deux v.a. indépendantes de même loi que Ta .
Tea
Quelle est la loi de (Sans faire de calculs).
Tea + Tba
Exercice 2.4.9 Loi de l’inf. Soit I = − inf s≤T1 Bs . Montrer que P (I ∈ dx) =
dx
.
1 + x2
1 00 θ2
u = ( + f )u, u(0) = 1
2 2
Exercice 2.4.14 Soient a, d deux nombres réels positifs.
√
1. Calculer E(e−|Bd | 2λ
11Bd ≤−a ).
24 Brownien.
Exercice 2.4.15 On trouve parfois (voir exercice précédent, ou les temps d’atteinte
d’un niveau) des temps d’arrêt τ tels que τ et Bτ sont indépendants. Ceci n’est
cependant pas très courant. Dans ce qui suit on admettra le résultat (non triv-
ial) suivant (Cramer) Si X et Y sont deux v.a. indépendantes telles que X + Y
est une v.a. gaussienne, alors X et Y sont des gaussiennes.
Le but de cet exercice est de montrer : si τ est borné par K et si τ et Bτ
sont indépendants, alors τ est une constante.
1. Montrer que si s > K,
bs−τ
Bs = Bτ + B
b un mouvement Brownien indépendant de Fτ .
avec B
bs−τ sont des v.a. indépendantes.
2. Montrer que Bτ et B
3. Calculer l’espérance et la variance de Bτ . (Attention, ce n’est pas trivial.
Penser au cas où τ = Ta .)
6. Conclure.
4. Montrer que
exp(λXt + βt), t ≥ 0
2.5 Scaling
Z t
Exercice 2.5.1 Montrer que le calcul de E( exp(νs + σBs ) ds) se déduit de
Z T 0
loi 1
1. T1 = avec S1 = sup(Bu , u ≤ 1)
S12
loi
2. Ta = a2 T1 avec Ta = inf{t : Bt = a}.
loi loi
3. gt = tg1 , dt = td1 où gt = sup{s ≤ t : Bs = 0} et dt = inf{s ≥ t : Bs = 0}.
loi t loi 1
Montrer que {gt < u} = {du > t}. En déduire gt = d1 = d(1/t) .
26 Brownien.
4. On suppose que A est un processus croissant continu tel que, pout tout c
loi √
(Bct , Act , t ≥ 0) = ( cBt , cAt ; t ≥ 0)
loi
On note ∆a = inf{t : At ≥ a}. Montrer que d∆a = ad∆1 . En déduire
loi
Ag = 1/d∆1 .
loi 1
sup |Wt | = p ∗
0≤t≤1 T1
2.6 Compléments
Exercice 2.6.1 Projection d’un Brownien. Soit B un MB dans sa filtration
bt
(Ft ) et (Gt ) une filtration plus petite que (Ft ). On suppose que E(Bt |Gt ) = B
b
est un MB. Montrer que Bt = Bt .
Exercice 2.6.4 Ponts, suite de ex. 2.2.6 Pour chaque t on définit la tribu
s
Ftβ = σ{(Bs − Bt , s ≤ t}
t
3. F = BT2 ,
4. F = exp BT .
Exercice 2.6.8 Le mouvement Brownien B est issu de 0. Soit W un second
mouvement Brownien issu de 0 indépendant de B et
Z t Z t
Ws 1
Xt = (1 − t) 2
ds + (1 − t) dBs .
0 (1 − s) 0 1 − s
Z t Z t Z s Z t
Ws Wu Ws
1. Montrer que ds − ds 2
du = (1 − t) ds.
0 1 − s 0 0 (1 − u) 0 (1 − s)2
2. En admettant que si f et g sont deux Z t fonctions
Z s déterministes on peut
intervertir le sens des intégrales dans dsf (s) g(u)dBu , montrer que
0 0
Z t Z s Z t
1 1
Bt − ds dBu = (1 − t) dBs
0 0 1−u 0 1−s
28 Brownien.
Exercice 2.6.10 Let X be a Brownian motion with drift µ and MtX = sup{ s ≤
t}Xt . Prove that
Z ∞
E(MTX |Ft ) = MtX + (1 − F (T − t, u)du
MtX −Xt
where F (T − t, u) = P (MTX−t ≤ u)
2.7 Finance
Exercice 2.7.1 Black et Scholes. Calculer E(e−at (St − K)+ ) quand
σ2
St = xebt exp(σWt − t)
2
Ecrire la formule obtenue quand a = b = r et quand a = r, b = r − δ. Calculer
E(e−rt (St − K)+ |Fs ) pour s < t.
Exercice 2.7.2 Options reset Une option reset est caractérisée par une suite
de dates t1 , t2 , . . . , tn . Le payoff de cette option est
X
A= (ST − Sti )+ 11Sti =inf{K,St1 ,St2 ,...,Stn } + (ST − K)+ 11K=inf{K,St1 ,St2 ,...,Stn }
i
2.8 Problème
2.8.1 Partie I : Résultats préliminaires
Soit (Bt )t≥0 un mouvement Brownien standard sur un espace de probabilit
(Ω, F, P ). On note (Ft )t≥0 la filtration naturelle de B.
Etant donné un processus continu (Xt )t≥0 à valeurs réelles, on pose pour
t > 0,
MtX = sup Xs ,
s≤t
mX
t = inf Xs .
s≤t
Il a été démontré en cours que TaB est un temps d’arrêt relativement à (Ft )t≥0 ,
fini p.s. , tel que E(TaB ) = ∞ et pour λ ≥ 0 ,
£ ¤ ³ √ ´
E exp(−λTaB ) = exp −a 2λ .
6. En-déduire que pour chaque t > 0 , les variables aléatoires MtB et |Bt | ont
la même loi.
30 Brownien.
7. Vérifier que pour chaque t > 0 , la densité de la loi du couple (Bt , MtB )
est donnée par
µ ¶
2(2c − b) (2c − b)2
√ exp − 1{0≤c} 1{b≤c} .
2πt3 2t
2.8.2 Partie II
On considère le processus (Yt )t≥0 défini par : ∀t ≥ 0 , Yt = µ t + Bt , où µ ∈ IR .
1. Montrer qu’il existe une mesure de probabilité P µ sous laquelle (Yt )t≥0
est un mouvement Brownien standard.
3. Montrer que
µ ¶(2r/σ2 )−1
£ ¤ H
P St ≤ K , MtS ≤ H = N (d1 ) − N (d2 ) ,
x
avec µ µ ¶ µ ¶ ¶
K 1 √
d1 = log − r − σ 2 t /σ t ,
x 2
µ µ ¶ µ ¶ ¶
Kx 1 2 √
d2 = log 2
− r − σ t /σ t .
H 2
Enoncés. 2002-03 31
4. Montrer que
µ ¶(2r/σ2 )−1
£ ¤ H
P St ≥ K , mSt ≥ H = N (d3 ) − N (d4 ) ,
x
avec µ ³ ´ µ ¶ ¶
x 1 √
d3 = log + r − σ 2 t /σ t ,
K 2
µ µ 2¶ µ ¶ ¶
H 1 2 √
d4 = log + r− σ t /σ t .
xK 2
avec µ µ ¶ µ ¶ ¶
K 1 √
d5 = log − r + σ 2 t /σ t ,
x 2
µ µ ¶ µ ¶ ¶
Kx 1 2 √
d6 = log 2
− r + σ t /σ t .
H 2
avec µ ³ ´ µ ¶ ¶
x 1 2 √
d7 = log + r+ σ t /σ t ,
K 2
µ µ 2¶ µ ¶ ¶
H 1 √
d8 = log + r + σ 2 t /σ t .
Kx 2
h i
7. On pose v1 (x, T ) = E e−rT (ST − K)+ 1{mST ≥H} .
Montrer que
" µ ¶(2r/σ2 )+1 # " µ ¶(2r/σ2 )−1 #
H −rT H
v1 (x, T ) = x N (d7 ) − N (d8 ) −e K N (d3 ) − N (d4 ) .
x x
∂
Déterminer la quantité ∂x v1 (x, T − t) .
h i
8. On pose v2 (x, T ) = E e−rT (ST − K)+ 1{MTS ≤H} . Donner une formule
∂
explicite pour v2 (x, T ) et ∂x v2 (x, T − t) .
32 Itô.
9. On pose h i
v3 (x, T ) = E e−rT (ST − K)+ 1{MTS ≥H} ,
h i
v4 (x, T ) = E e−rT (ST − K)+ 1{mST ≤H} ,
£ ¤
v(x, T ) = E e−rT (ST − K)+ .
Donner une relation entre v2 (x, T ) ,v3 (x, T ) et v(x, T ) d’une part et entre
v1 (x, T ) ,v4 (x, T ) et v(x, T ) d’autre part.
Chapter 3
Intégrale d’Itô
33
34 Itô.
1. Montrer que Z t
dBs
Xt = (1 − t) ; 0 ≤ t < 1.
0 1−s
Exercice 3.1.5 Montrer que, si f est une fonction déterministe de carré intégrable
Z ∞ Z t
E(Bt f (s) dBs ) = f (s) ds .
0 0
Exercice 3.2.3 Intégration par parties. Soit Yt = tX1 (t)X2 (t) avec
Calculer dYt .
Rt
Exercice 3.2.4 Montrer que (Yt = sin(Bt ) + 12 0 sin(Bs ) ds, t ≥ 0) est une
martingale. Calculer son espérance et sa variance.
Z t Z t
s
Exercice 3.2.6 Formule d’Itô. Soit Yt = e dBs et Zt = Ys dBs .
0 0
Calculer dVt et d ln Xt .
def p
2. Soit S4 (t) = S1 (t)S2 (t). Ecrire l’équation différentielle stochastique
vérifiée par S4 .
40 Itô.
où (θi (t), i = 1, 2) sont des processus adaptés continus bornés. Soit Zt =
L1 (t)L2 (t). Ecrire dZt .
Montrer que L1 (t)L2 (t) est une martingale.
Exercice 3.3.3 Soit (B1 (t), t ≥ 0) et (B2 (t), t ≥ 0) deux mouvements Brown-
iens indépendants et ρ une constante telle que |ρ| ≤ 1.
p
1. Montrer que le processus (Wt , t ≥ 0) défini par Wt = ρB1 (t)+ 1 − ρ2 B2 (t)
est un mouvement Brownien.
2. Soit (φi (t), t ≥ 0; i = 1, 2) deux processus continus adaptés de carré
RT
intégrable (tels que ∀T ≥ 0, E( 0 φ2i (t) dt) < ∞).
(a) On définit (Zt , t ≥ 0) par dZt = φ1 (t)dB1 (t) + φ2 (t)dB2 (t) et Z0 = z.
Montrer que Z est une martingale.
(b) Soit Ψ(t) = φ21 (t) + φ22 (t). On suppose que Ψ(t) > 0. On définit
(Yt , t ≥ 0) par
φ1 (t) φ2 (t)
dYt = p dB1 (t) + p dB2 (t) , Y0 = y .
Ψ(t) Ψ(t)
3.4 Compléments
Exercice 3.4.1 Formule de Tanaka. Soit f une fonction et F définie par
Z x Z z
F (x) = dz f (y) dy
−∞ −∞
Enoncés. 2005-06 41
Vérifier que Z ∞
F (x) = (x − y)+ f (y)dy
−∞
Z x Z ∞
0
et que F (x) = f (y) dy = f (y) 11x>y dy.
−∞ −∞
Montrer, en appliquant la formule d’Itô à F que
Z t Z ∞ µ Z t ¶
f (Bs )ds = 2 f (y) (Bt − y)+ − (B0 − y)+ − 11Bs >y dBs dy .
0 −∞ 0
Z t Z t
2. Montrer que dZt = φ(Zs )dW1 (s) + ψ(Zs )ds.
0 0
Z t
def
3. Vérifier que Mt = W2 (t) + Xs dW1 (s) est une martingale. Calculer
Z t 0
2
E(Mt ). En admettant que Mt = γs dW3 (s), où W3 est un mouvement
0
brownien, identifier γ.
1. Quelle condition doit vérifier la fonction s pour que s(rt ) soit une martin-
gale ?
2. Quelle condition doit vérifier la fonction f pour que f (t, rt ) soit une mar-
tingale ?
√
3. Soit Zt = rt2 et ρt = rt . Ecrire les EDS vérifiées par Zt et par ρt .
√ √
4. Soit drt1 = µ1 dt + 2 rt dBt1 et drt2 = µ2 dt + 2 rt dBt2 deux processus, avec
B 1 et B 2 deux browniens indépendants. On admettra que r1 et r2 sont
indépendants. On note R le processus défini par Rt = rt1 + rt2 . Montrer
que R s’écrit sous la forme (5.1).
Quelle est la solution de dZt = dYt + Zt dXt lorsque dXt = Ht dWt1 , dYt =
Kt dWt2 où W 1 et W 2 sont deux MB éventuellement corrélés?
4. Soit dLt = −Lt θt dWt où θt est un processus adapté continu de L2 (Ω × IR)
. On pose Yt = St Lt . Calculer dYt .
σ2
1. Montrer que ln Ss = ln St + (b − 2 )(s − t) + σ(Bs − Bt ) pour s ≥ t.
t t 1 σ2
AT = At + (1 − )[ln St + (b − )(T − t)] + σG(t, T )
T T 2 2
Enoncés. 2005-06 43
Les questions qui suivent peuvent être traitées dans un ordre différent.
Rt
1. Montrer que e−rt St + 0 δ(s)e−rs Ss ds est une martingale locale.
2. Ecrire explicitement la solution S en fonction de S0 , r, σ, δ et W .
3. Calculer espérance et variance de S.
4. Calculer avec le minimum de calculs (on peut utiliser des résultats connus),
E((ST − K)+ ) dans le cas δ constant.
3.6 Le crochet
Soit M une martingale continue de carré intégrable. On admet qu’il existe
un processus croissant A tel que Mt2 − At est une martingale. On note At =
hM, M it = hM it ce processus que l’on appelle le crochet de M .
1. Calculer hM i pour M = B.
Z t
2. Calculer hM i pour Mt = σs dBs
0
3.7 Finance
Exercice 3.7.1 Dans un marché incomplet, il existe des actifs contingents du-
Z T
plicables. En particulier, montrer que (aSs + b)ds est duplicable lorsque S
0
est un processus d’Itô.
Exercice 3.7.2 Equation d’évaluation. Soit dSt = rSt dt + St σ(t, St )dBt ,
où r est une constante.
1. Montrer que E(Φ(ST )|Ft ) est une martingale pour toute fonction Φ borélienne
bornée.
2. Justifier que E(Φ(ST )|Ft ) = E(Φ(ST )|St )
3. Soit ϕ(t, x) la fonction définie par ϕ(t, St ) = E(Φ(ST )|St ). Ecrire dZt avec
Zt = ϕ(t, St ).
4. En utilisant que ϕ(t, St ) est une martingale, et en admettant que ϕ est
C 1,2 , montrer que pour tout t > 0 et tout x > 0:
∂ϕ ∂ϕ 1 ∂2ϕ
(t, x) + rx (t, x) + σ 2 (t, x)x2 2 (t, x) = 0 .
∂t ∂x 2 ∂x
Quelle est la valeur de ϕ(T, x)?
Exercice 3.7.3 Options Européennes et Américaines. On rappelle l’inégalité
de Jensen : si Φ est une fonction convexe et G une tribu, E(Φ(X)|G) ≥
Φ(E(X|G)).
On admettra que si τ est un temps d’arrêt borné par T et Z une sous-martingale,
E(ZT ) ≥ E(Zτ ). On note dSt = St (rdt + σt dWt ) le prix d’un actif où σ
est un processus adapté borné. Soit C = E(e−rT (ST − K)+ ) le prix d’un
call Européen et C Am = supτ E(e−rτ (Sτ − K)+ ) le prix d’un call Américain,
le sup étant pris sur tous les temps d’arrêt à valeurs dans [0, T ]. On note
P = E(e−rT (KerT − ST )+ ) et P Am = supτ E(e−rτ (Kerτ − Sτ )+ ) les prix de
puts à strike actualisés.
Enoncés. 2005-06 45
2. Soit g une fonction convexe de classe C 2 telle que g(0) = 0. Montrer que
1
∀x, ∀α ≥ 1, g(x) ≤ g(αx)
α
En déduire que
3. Montrer que P = P Am .
1. On note V1 la fonction V1 (t, x) définie par V1 (t, x) = e−r(T −t) E(h(XT )|Xt =
x) lorsque dX(t) = X(t)(rdt + σ1 dBt ). Montrer que e−rt V1 (t, Xt ) est une
martingale.
3. Soit dS1 (t) = S1 (t)(rdt+σt dWt ). Ecrire la formule d’Itô pour e−rt V1 (t, St ).
En déduire e−rT V1 (t, ST ) en fonction de e−rt V1 (t, St ), d’une intégrale en
dt dont on donnera le signe et d’une intégrale stochastique.
∂
où Σ(t, T ) = σ(t, T ) .
∂T
Z T +a
1. On pose Xt = r(t, u)du. Montrer que l’on peut écrire
T
Z t Z t
Xt = X0 + µs ds + φs dWs
0 0
où on explicitera µ et φ.
Vt = αt St0 + βt St .
1 1 1
Xt d( )+ dXt + dhX, it = 0 .
Xt Xt X
On considère un marché comportant deux actifs dont les prix sont des processus
d’Itô S 1 et S 2 tels que S 1 est strictement positif. Un portefeuille de valeur
Vt = πt1 St1 + πt2 St2 est autofinancant si
On choisit comme numéraire le premier actif et on note Vet = Vt /St1 , Set2 = St2 /St1 ,
d’où
Vet = Vt /St1 = πt1 + πt2 Set2 .
Le but de cet exercice est de montrer que la notion d’autofinancement ne dépend
pas du choix de numéraire, c’est-à-dire que
implique
dVet = πt2 dSet2 . (3.5)
48 Equa. Diff.
1 1 1
1. Calculer dhV, it en fonction de dhS (1) , itit et dhS (2) ,
S (1) S (1)
S (1)
à !
1 2 (2) 1 1 (2) (2) 1
2. Montrer que dVt = πt St d (1) + (1) dSt + dhS , (1) it
St St S
à !
(2)
1 2 St
3. Montrer que dVt = πt d (1)
.
St
Exercice 3.7.12 On considère un marché dans lequel sont négociés trois actifs
Un actif sans risque dont la dynamique est dSt0 = St0 rdt et DEUX actifs risqués
Equations différentielles
stochastiques
49
50 Equa. Diff.
x∗
On définit x∗ comme solution de x∗ u0 (x∗ ) = u(x∗ ) et v(x) = u(x). On
u(x∗ )
admettra que v 00 (x) ≥ 0.
Soit enfin V définie par
½
V (x) = v(x), 0 ≤ x ≤ x∗
= x, x > x∗
y 0 − αy = a (4.2)
y(0) = x
(b) Ecrire la formule d’Itô pour Xt2 où Xt est solution de (4.1).
(c) En déduire que M (t) est l’unique solution de l’équation différentielle
ordinaire
Montrer que (Zt )t≥0 est un processus d’Itô. Calculer < Y, Z >t .
En déduire que la solution Xt de (4.1) peut s’écrire Xt = Yt Zt .
Ψ(t, x) = x2 a(t) + b(t), avec a0 (t) = −a(t)(2α + b2 a(t)), b0 (t) = −b2 a(t) .
1 b + βy
h(y) = ln | |
β b + βx
pour y 6= − βb
b β2 b
Xt = (x + ) exp(− t + βBt ) −
β 2 β
et Y la solution de
1. Expliciter Y .
2. Soit Z défini par
Z t Z t
Zt = x + Ys−1 [f (s) − G(s)g(s)]ds + Ys−1 g(s)dWs .
0 0
Montrer que X = Y Z.
Enoncés. 2005-06 53
0
cRs ds) sont des martingale. Vérifier que leur difference est une martingale.
4.2 Finance
Exercice 4.2.1 Options Asiatiques. Soit St solution de
dSt = St (r dt + σ dBt )
ZÃ ! Ã Z !
1 T Su + 1 T Su +
3. Soit Φ(t, x) = E [ du − x] . Montrer que Φ(t, x) = E [ du − x] |Ft
T t St T t St
et que Mt = St Φ(t, ζt ).
1. Montrer que
µ Z t Z ¶
1 t 2
St = S0 exp rt + σ(s) dBs − σ (s) ds
0 2 0
Z t Z
1 t 2
2. Montrer que σ(s) dBs − σ (s) ds est une variable gaussienne dont
0 2 0
on calculera l’espérance et la variance.
3. On rappelle que dans le cas σ constant, le prix d’un call est donné par
avec µ ¶
1 x σ2 √
d1 = √ ln( ) + T (r + ) , d2 = d1 − σ T
σ T K 2
En déduire (sans faire de calculs) que, dans le cas de volatilité déterministe,
la formule de Black et Scholes s’écrit
Exprimer D1 et D2 .
56 Equa. Diff.
où σ est une fonction de IR+ × IR+ dans IR et f (t, x) la densité de St , soit
f (t, x) = P (St ∈ dx). ON admettra que
1 £ ¤
∂t f − ∂xx x2 σ 2 (t, x)f (t, x) + ∂x [rxf ] = 0
2
On note C(K, T ) le prix en zéro d’un call Européen de strike K et de maturité
T . On note ∂1 C, ∂2 C, ∂11 C les dérivées partielles de C par rapport à la première
variable, seconde variable, dérivée seconde par rapport à la premiere variable.
1. Montrer que ∂11 C(K, T ) = e−rT f (T, K).
2. Montrer que
1 ∂2 £ 2 2 ¤ ∂2 ∂ ∂ 2 ∂C
2
x σ (t, x)f (t, x) = ert 2 (rx C) + ert 2
2 ∂x ∂x ∂x ∂x ∂t
3. En déduire
1 2 2 ∂2C ∂C ∂C
x σ (t, x) 2 (t, x) = rx (x, t) + (t, x)
2 ∂x ∂x ∂t
la condition initiale étant X0 = x avec x ∈]0, 1[. On admet que X prend ses
Xt
valeurs dans l’intervalle ]0, 1[. On pose Yt = .
1 − Xt
1. Quelle est l’équation différentielle stochastique vérifiée par Y ?
x exp(αWt − α2 t/2)
2. En déduire que Xt = .
x exp(αWt − α2 t/2) + 1 − x
Exercice 4.3.2 Produit d’exponentielle. Soit W un MB et h un pro-
def
cessus adapté borné. On note E(hW )t = Lt l’unique solution de dLt =
Lt ht dWt , L0 = 1. Etablir une formule du type E(h1 W1 +h2 W2 )t = Xt E(h1 W1 )t E(h2 W2 )t
où X est à déterminer.
Exemples
1. Soit f (t, x) une fonction de Cb1,2 . Quelle condition doit vérifier la fonction
f pour que f (t, rt ) soit une martingale ?
√
2. Soit Zt = rt2 et ρt = rt . Ecrire les EDS vérifiées par Zt et par ρt .
√ √
3. Soit drt1 = µ1 dt + 2 rt dBt1 et drt2 = µ2 dt + 2 rt dBt2 deux processus, avec
B 1 et B 2 deux browniens indépendants. On admettra que r1 et r2 sont
indépendants. On note R le processus défini par Rt = rt1 + rt2 . Montrer
que R s’écrit sous la forme (5.1).
59
60 Exemples. Enoncés
Xn
Xi (t)dWi (t)
3. Montrer que le processus B défini par B(0) = 0 et dB(t) = √
i=1
rt
est un mouvement Brownien.
√
4. Montrer que drt = (a − brt ) dt + σ rt dBt
(ν)
p (ν)
dRt = νdt + 2 Rt (ν)dWt1 , R0 = y (5.3)
(µ) (ν)
On notera simplement Rt et Rt ces deux processus. On supposera que
(µ) (ν)
les processus Rt et Rt ne s’annulent pas et on admettra qu’ils sont
indépendants.
(µ) (ν)
(a) Soit Xt = Rt + Rt . Calculer dXt .
62 Exemples. Enoncés
On explicitera β en fonction de µ et ν.
(µ) (µ)
5. (a) On suppose que l’on connaı̂t E(Rt ) = m(µ) et Var(Rt ) = v(µ)
pour tout µ. Exprimer E(Xt ) et Var(Xt ) en fonction de m et v.
√
(b) On admet que, si W est un brownien issu de x (voir exo 2.1.11)
1 λx
E(exp −λ(Wt )2 ) = √ exp(− ) (5.4)
1 + 2λt 1 + 2λt
(1) (1) (2)
Comment calculer E(exp −λ[ρt ]2 ), E(exp −λRt (x)) et E(exp −λRt (x)) ?.
(µ) (ν)
On utilisera la question (d) et l’indépendance de Rt et Rt .
6. Montrer que
³ ´µ−1
(µ) (1) (1)
E(exp −λRt (x)) = E(exp −λRt (x)) E(exp −λRt (0))
(µ)
Calculer E(exp −λRt (x)).
(µ) (ν)
7. Comment démontrer l’indépendance de Rt et Rt ?
Comment démontrer (5.4) ?
4. Soit Φ solution de
Montrer que
à à Z !! µ ¶ à Z !
T
1 ∂u ϕ(t, T ) 1 T ∂u ϕ(s, T )
Et,x exp − Xu m(u)du = exp x exp δ(u)du
2 t 2ϕ(t, T ) 2 t ϕ(s, T )
1. Calculer d(Zt−1 ).
def Zt − a
2. soit ζt = . Calculer dζt puis d(ln ζt ).
b − Zt
3. Soit Xt = (b − Zt )g(t, ζt ). Donner une condition sur g pour que X soit
une martingale. Sauriez vous résoudre l’équation obtenue ?
4. Soit Y solution de
Montrer qu’il existe une probabilité Q que l’on déterminera telle que, sous
Q Y ait même loi que Z sous P .
1. Explicitez Xt .
Φ(a, T ) = P (Wt ≤ at , ∀t ≤ T )
2005-06 65
où on explicitera a et b.
Girsanov
67
68 Girsanov. Enoncés
Exercice 6.1.4 Itô+ Girsanov. Soit Γ le processus solution de dΓt = Γt (βt dt+
γt dWt ), Γ0 = 1 où β et γ sont des processus F adaptés bornés.
µ Z t ¶
1. Montrer que Γt exp − βs ds est une martingale locale.
0
Exercice 6.1.5 Longstaff ’s Model. Soit rt = Yt2 avec dYt = dWt − (λYt +
α
2 )dt.
1. Donner la dynamique de r.
P (Bt + νt ∈ dy|Bs + νs = x)
ne dépend pas de ν.
Exercice 6.1.7 Loi du sup. On supposera que l’on connait la loi du couple
(Bt∗ , Bt ) où pour un processus X on note
Xt∗ = sup Xs .
s≤t
α2
Montrer comment calculer la loi de (L∗t , Lt ) pour Lt = exp(αBt − t).
2
1. Soit F et G deux fonctionnelles définies sur C([0, 1], IR). Montrer que l’on
a équivalence entre
loi
(i) ∀t, ∀µ ∈ IR, F (Xs , s ≤ t) = G(Xs , s ≤ t) le processus X étant un
Brownien de drift µ
loi
(ii) ∀t, F (Xs , s ≤ t) = G(Xs , s ≤ t) le processus X étant un Brownien.
Z t
2. Soit At = ds11Xs ≥0 et θt = sup{s ≤ t : supu≤s Xu = Xs }. Montrer
0
que
loi
At = θt , lorsque le processus Xest un mouvement Brownien de drift µ
équivaut à
loi
A1 = θ1 , lorsque le processus Xest un mouvement Brownien
6.2 Crochet.
1
Exercice 6.2.1 Girsanov Soit M une P -martingale et dQ = exp(Mt − hM it ) dP .
2
Montrer que si N est une P martingale, N − < N, M > est une Q martingale.
6.3 Processus.
Exercice 6.3.1 Processus de Bessel. Soit P la probabilité historique, θ et
µ deux processus.Z On note P θ la probabilité telle que le processus W θ défini
t
def
par Wtθ = Wt − θ(s)ds soit un mouvement Brownien et P µ la probabilité
0 Z t
µ def
telle que W = Wt − µ(s)ds soit un mouvement Brownien.
0
dP θ dP µ
1. Quelles sont les densités Lθ = et Lµ = ?
dP dP
70 Girsanov. Enoncés
Lθ
2. Soit L = µ . Expliciter L en fonction de W puis en fonction de W µ . A
L
quel changement de probabilité type Girsanov correspond L?
δ−1
dRt = dt + dWt , R0 = 1
Rt
1
dRt = dt + dW̃t
Rt
1
dρt = dt + dW̃t , ρ0 = 1 .
ρt
1. On définit µ Z t Z ¶
λ2 t 2
Lt = exp λ Xs dBs − X ds
0 2 0 s
. Vérifier que L est une martingale locale. On admet pour la suite que
c’est une martingale.
3. Montrer que
Z t Z t
1
Lt = exp( λXs dXs + λ2 Xs2 ds)
0 2 0
4. Calculer µ Z ¶
b2 t 2
EP exp(− X ds) .
2 0 s
5.
Z t Z t
6. Montrer que le calcul de E(exp Xs2 ds) se déduit de celui de E(exp(a Bs dBs −
Z t 0 0
Rt
(a) Justifier que, sous P b le processus (Wt = Bt + b 0
Bs ds , t ≤ T ) est
un brownien.
(b) En déduire que sous P b , le processus (Bt , t ≥ 0) est un processus
d’Ornstein-Uhlenbeck, et que Bt est une variable gaussienne dont on
précisera, en s’appuyant sur le cours, l’espérance et la variance.
(c) Montrer que, sous P , on a
Z t
1 2
Bs dBs = (B − t).
0 2 t
avec x = a2 .
dSt = St (µ dt + σ dBt ) , S0 = s ,
σ2
1. Montrer que St = S0 exp(µt + σBt − t).
2
µ−r
2. On pose θ = − . Soit Q définie sur Ft par dQ = Lt dP avec Lt =
σ
1
exp(θBt − θ2 t). Montrer que (Wt = Bt + θt, t ≥ 0) est un Q-mouvement
2
brownien.
σ2
3. Soit P̃ définie sur Ft par dP̃ = Zt dQ avec Zt = exp(σWt − t).
2
Montrer que
dSt = St ((r + σ 2 ) dt + σ dB̃t )
où B̃ est un P̃ -mouvement brownien.
µ ¶
rt St
4. Soit Pt = P0 e . Montrer que , t ≥ 0 est une Q-martingale.
Pt
Pt
Montrer que est une P̃ -martingale.
St
2005-06 73
µZ t ¶
5. Soit Ft = e−λt Su du + sA où A, λ sont des constantes
0
Ft eλt
Soit Ψt = . Ecrire l’équation différentielle stochastique vérifiée par
St
Ψt en utilisant le Brownien B̃.
1. Vérifier que
µ Z t Z t ¶
rt = exp(−b(t)) r0 + exp(b(u)) α(u) du + exp(b(u)) σ(u) dWu .
0 0
β(t)
dZt = Zt rt dWt1 , Z0 = 1
σ(t)
Exercice 6.3.7 Drift non observable Soit BtY = Y t + Bt où Y est une
variable aléatoire de loi ν, indépendante de B. Soit F une fonctionnelle sur
C([0, t], IR). Montrer que
est une martingale sous P h avec P h |Ft = h(Xt , t)W |Ft . Montrer que BtY =
Z tZ t
e h0 eth est un Brownien.
h
Bt + ds x (BsY , s) où B
0 0 h
1 2
Soit Q définie par dQ = e−Y Bt − 2 Y t dP . Montrer que sous Q, BtY est indépendant
de Y .
Exercice 6.3.10 Soit dQ|Ft = h(t, Xt )dP |Ft . Sous quelles conditions sur h Q
est-elle une probabilité sur FT ? Montrer que
Z t
Bt − ∂x h(s, Bs )ds
0
1. Vérifier que
Z t Z t
1
Li (t) = exp( θi (s)dBi (s) − θi2 (s) ds) .
0 2 0
θ1 (s)φs ds.
0
3. Soit Zt = L1 (t)L2 (t). Ecrire dZt . Montrer que Z est une P -martingale.
Exercice 6.5.2 Let W be a Brownian motion and T = inf{t : eBt −t/2 > a},
where a > 1. Prove that, ∀λ ≥ 1/2,
λ2
E(11T <∞ exp(λBT − T )) = 1
2
Exercice 6.5.3 Temps d’atteinte. Soit X un processus tel que
où µ et ν sont des constantes telles que ν > 0. Soit r une constante.
1. Montrer qu’il existe θ tel que
def
Mt = exp(−rt + θXt )
τ = inf{t ≥ 0 | Xt = b}
St
et Yt = ln . Ecrire dYt .
s
2005-06 77
f 0 (t) 0
u00 (t) − 2 u (t) − 2λg(t)f 2 (t)u(t) = 0
f (t)
avec u0 (T ) = −2aλu(T )f 2 (T ). Le but de cet exercice est de montrer que
à à " Z T #!! µ ¶2
2 2 u(T )
E exp −λ aFT + g(t)Ft dt =
0 u(0)
1. Montrer que, pour toute fonction h continue, le processus L défini par
µZ t Z ¶
1 t 2
Lt = exp h(s)Fs dWs − h (s)Fs2 ds
0 2 0
est une martingale.
2. En déduire que
à ÃZ Z t !!
T
h(s) 1
1 = E exp dFs2 − (h(s)f (s) + h2 (s)Fs2 )ds
0 2f (s) 2 0
à à Z T µ 0 ¶ Z t !!
1 h(T ) 2 2 h (t)f (t) − f 0 (t)h(t) 2 2
= E exp F − Ft dt − (h(s)f (s) + h (s)Fs )ds
2 f (T ) T 0 f 2 (t) 0
3. Montrer que
à " µ ¶ Z T µ 00 ¶ #! µ ¶1/2
1 u0 (T ) 2 2 u (t) − 2u0 (t)f 0 (t)/f (t) u(T )
E exp FT − Ft dt =
2 u(T )f 2 (T ) 0 u(t)f 2 (t) u(0)
6.6 Finance
Exercice 6.6.1 Moyenne. Soit dSt = St (rdt + σdBt ), S0 = 1, r et σ
étant des constantes. On souhaite calculer C = E[(ZT − ST )+ ] quand ZT =
µ Z T ¶
1
exp ln St dt .
T 0
1. Soit Q la probabilité définie sur FT par dQ = exp(σBT − σ 2 T /2)dP .
Montrer que
ZT
e−rT EP [(ZT − ST )+ ] = EQ [( − 1)+ ] .
ST
Z T
2. Soit B̃t = Bt − σt. Ecrire ZT /ST sous la forme exp(αT − β(t)dB̃t ).
0
où r et σ sont des constantes. Montrer qu’il existe γ tel que St = s(Mt )γ
où M est une martingale de la forme précédente. Expliciter Ψ en fonction
de r et σ. A quel choix de r et σ correspond la valeur γ = 1?
5. Soit K un nombre réel positif et M une martingale telle que dMt =
Mt σdWt où σ est une constante et M0 = 1. Montrer que
dZt = Zt θt dWt1 , Z0 = 1
Exercice 6.6.5 Symétrie put-call. Soit M une (Ft )-martingale telle que
dMt = Mt σdWt où σ est une constante et M0 = 1.
1. Vérifier que M est à valeurs strictement positives.
2. Calculer dYt quand Yt = (Mt )−1 .
3. Soit Q telle que dQ = Mt dP sur Ft . Déterminer la loi de Y sous Q.
4. Montrer que EP ((MT − K)+ ) = KEP ((K −1 − MT )+ ).
avec
1 1 √ √
d1 (α) = √ ln(α) + σ T , d0 (α) = d1 (α) − σ T
σ T 2
x
et que le delta du call est DeltaC∗ (x, K) = N (d1 ( )).
K
1. Montrer, en utilisant les résultats de l’exercice 3.3 que C(x, K, r, q) =
C ∗ (xe−qT , Ke−rT ).
5. Le payoff d’une option power sur le sous-jacent Y est YTα (YT − K)+ . Mon-
trez que son prix C pow (y, K, ν, α) peut s’obtenir facilement à partir de call
européens portant sur les sous jacents Y α et Y α+1 .
Quelle est la valeur de cet actif dans le cas h(x) = (xα −K)+ ? (On utilisera
sans modération les formules classiques sur l’évaluation de produits étudiés
dans le poly ou dans tout ouvrage de référence.)
82 Girsanov. Enoncés
Montrer que
λft − λdt = −σtX
Z t
d f
Wt − Wt = σsX ds
0
4. On souhaite valoriser une option quanto, c’est à dire une option sur pro-
duit étranger faisant intervenir le taux de change. Comment évaluer en
monnaie domestique un flux étranger de (SfT − K)+ ? Comment évaluer
une option d’achat sur action étrangère avec strike en monnaie domes-
tique ?
1. Montrer qu’il existe une probabilité Q telle que dS1 (t) = S1 (t)(r(t)dt +
ft ) où W
σ(t)dW f est un Q mouvement Brownien.
b(t) − r(t)
3. Soit θ(t) = et H solution de l’équation dHt = −Ht (r(t)dt +
σ(t)
θ(t)dWt ), H0 = 1. Montrer que le processus (Ht Xt , t ≥ 0) est une P -
martingale locale.
Les processus µt , rt sont Ft -adaptés bornés, σ est une constante non nulle.
µ Z t ¶
1. Montrer que St exp − µs ds est une P -martingale.
0
µt − rt
2. On pose θt = .
σ Z t
Déterminer Q telle que, sous Q le processus B̃t = Bt + θs ds soit un
0
mouvement Brownien.
Ecrire l’équation vérifiée par St en utilisant B̃t .
3. Un agent de richesse initiale x investit sa richesse Xt suivant l’actif sans
risque et l’actif risqué de prix St suivant Xt = n0 (t)S0 (t) + n1 (t)St . On
suppose que dXt = n0 (t)dS0 (t) + n1 (t)dSt .
(a) Montrer que dXt = rt Xt dt + n1 (t)(dSt − St rt dt).
Z t
(b) On note πt = n1 (t)St et Rt = exp − rs ds.
0
Ecrire dXt en fonction de πt , rt , et Bt .
(c) Montrer que, sous Q, le processus Xt Rt est une martingale.
(d) Soit ζ = XT . Ecrire Xt sous forme d’une espérance conditionnelle
faisant intervenir ζ et le processus r.
4. On se donne un processus (ct , t ≥ 0) à valeurs positives adapté et un
processus (πt , t ≥ 0) de carré intégrable Ft - adapté.
Soit (Xt , t ≥ 0) un processus tel que
Exercice 6.6.14 Montrer que le prix d’une option Asiatique dont le strike est
le sous jacent est le prix d’un call sur un sous jacent de dynamique dZt =
(1 − rUt )dt − Zt σdWt . Comment faire le calcul?
1. Exprimer dr.
µZ t Z ¶
1 t 2
2. Soit LH
t = exp H(s)dWs − H (s)ds . Justifier que E(LH
T )=1
0 2 0
pour toute fonction H continue. En déduire que
à " Z T Z #!
0 1 T 2
E exp H(T )WT − F (s)Ws ds − H (s)ds = 1.
0 2 0
Exercice 6.6.17 On se place dans le cas où St = e2(Wt +νt) Montrer en util-
isant la formule d’Itô que S est une sousmartingale pour ν + 1 ≥ 0 et une
surmartingale sinon. En déduire que le prix d’une option asiatique est plus pe-
tit que le prix d’une option plain vanilla. Montrer par une minoration simple
Z
1 T
que E( exp(2(Ws + νs))ds) ≥ E(e2(WT +νT ) )
T 0
Chapter 7
Compléments
ENONCES
where θ (resp. σ) is the time of the absolute maximum (resp. minimum) of the
Brownian motion over [0, 1], (i.e., ).
loi
1. Prove that D = sup0≤t≤1 |Wt |.
2. En déduire la loi de D.
loi
3. Prove that D1 = supg≤t≤1 |Wt | where g = sup{t ≤ 1 : Wt = 0}.
87
88 Compléments. Enoncés
Hs
On notera Ht,s = pour t < s.
Ht
1. Soit t fixé. Quelle est l’EDS suivie par (Ht,s , s ≥ t).
2000-01 89
def
2. Soit ζ une v.a. de FT et Xt = ln E(Ht,T eζ |Ft ). Montrer que Yt =
exp(Xt )Ht est une martingale que l’on peut écrire sous la forme z +
Z t
zs dWs .
0
1
6. Soit a un nombre réel. En considérant ln (E [exp (2aζ) |Ft ]), montrer
2a
b de processus (Ft )-adaptés tels que
qu’il existe un couple (X, X)
bt2 dt + X
dXt = −X bt dWt , X
bT = ζ (7.2)
90 Compléments. Enoncés
1 ³ h i´
7. Montrer que ln E Γ2ac,b
t,T exp (2aζ) |F t est solution de
2a
bt2 − bX
dXt = −(aX b − c)dt + X
bt dWt , X
bT = ζ
4. On introduit le processus
Z t
Wt = sign(Ws ) dWs ,
0
−dY t = (W t + γZ t ) dt − Z t dW t , Y T = 0,
vérifie
Y 0 = γT 2 /2. (7.5)
vérifie Z Z
T ¡ ¢ T ¡ ¢
Y0 = E MT W t dt = E Mt W t dt.
0 0
2000-01 91
7. Supposons que Y0 représente l’utilité (mesure le bien être que l’on éprouve
quand on consomme c) associée à un plan de consommation (ct = exp(W (t)))
et une information F et que Y 0 représente l’utilité associée au même plan
de consommation mais avec l’information F. Interprétez alors le résultat
trouvé en (7.5) et en (7.7) selon que γ > 0 ou que γ < 0.
Exercice 7.2.4 facts on quadratic BSDE The solution of the BSDE −dyt =
1
azt2 − zt dWt , yT = ζ is yt = 2a ln E(e2aζ |Ft ). The solution of
obtained by Girsanov.
ct )
−dy = (az 2 + bz)dt − zdWt = az 2 dt − z(dWt − bdt) = az 2 dt − zt dW
leads to
1 b 2aζ |Ft )
yt = ln E(e
2a
1 1 2 1 2
= ln E(ebWT − 2 b T e2aζ |Ft )ebWt − 2 b t
2a µ ¶
1 bWT − 12 b2 T 2aζ 1 2
= ln E(e e |Ft ) + bWt − b t
2a 2
The solution of
−dy = (az 2 + bz + ct )dt − zdWt
Rt
follows setting ỹt = yt + 0 cs ds. The process ỹ satisfies
Z T
2
−dỹ = (az + bz)dt − zdWt , ỹT = ζ + cs ds
0
therefore
µ RT
¶ Z t
1 1 2 1
ln E(ebWT − 2 b T e2a(ζ+ 0 cs ds) |Ft ) + bWt − b2 t − cs ds
2a 2 0
92 Compléments. Enoncés
2. Trouver un processus (At , t ≥ 0) croissant tel que Mt2 − At est une (Ft )-
martingale.
Exercice 7.4.3 Temps aléatoire. Soit B un MB, S son maximum sur [0, 1]
(soit S = sup{Bs , s ≤ 1} et θ = inf{t ≤ 1 : Bt = S}. La v.a. θ est-elle un
temps d’arrêt? Quelle est la loi de θ? On calculera P (θ ≤ u) et on utilisera le
loi
principe de réflexion et l’identité de Lévy (St − Bt , t ≥ 0) = (|Bt |, t ≥ 0).
Calculer P (θ ≤ t|Ft ).
2000-01 93
On utilisera Z Z
λ2 t t
loi
f (Bs )ds = λ2 f (λBu )du
0 0
Exercice 7.4.8 Let φ be a non negative process indexed by IR+ × IR. Prove
that Z ∞ Z t Z t
y
dy ds Ls φ(s, y) = ds hY is φ(s, Ys ) .
−∞ 0 0
7.5 Lois
Exercice 7.5.1 Temps d’atteinte. Soit X solution de
7.6 Filtrations
Exercice 7.6.1 Agent initié L’agent initié connait la valeur terminale du
Brownien. Le problème
Z t est de savoir comment se transforment les martingales.
def WT − Wu
Soit Zt = Wt − du
0 T −u
1. Soit f une fonction déterministe. Montrer que
Z T Z u Z u Z T
1
E[Zu f (v)dWv ] = f (v)dv − ds dvf (v)
0 0 0 T −s s
Z T
En déduire que si, pour tout u, E[Zu f (v)dWv ] = 0 , alors f vérifie
Z T 0
1
f (u) = dvf (v) et montrer que f est une constante.
T −u u
2000-01 95
2. Soit t < T . On admet que E(Wt |WT ) = aWT + b où a et b sont des
t
constantes. Montrer que b = 0 et que a = . (On pourra prendre
T
l’espérance des deux membres et calculer E(Wt WT ))
3. Soit s < t < T . On admet que E(Wt |Ws , WT ) = aWs + bWT + c où a, b
T −t t−s
et c sont des constantes. Montrer que a = ,b= , c = 0.
T −s T −s
4. On note Ft∗ = Ft ∨ σ(WT ) la tribu engendrée par (Wu , u ≤ t) et par WT .
On admet que pour s < t, E(Wt |WT , Ws ) = E(Wt |Fs∗ ). Montrer que Z
est une (Ft∗ )- martingale. On pourrait montrer que c’est un MB.
En déduire que
x x − 2y
P (Bt ≤ x, Mt < y) = N ( √ ) − N ( √ )
t t
7.9 Divers
K
Exercice 7.9.1 Soit dSt = St (µdt + σdWt ) et S̃t = St max(1, max0≤s≤t Ss ).
Calculer e−rT E(S̃T )
Rt
2. Soit Xt = e2(Wt +νt) (x + 0
e2(Ws +νs) ds). Montrer que
and that Z Ta
−λ2 Ta /2 −λa 2
e =e +λ e−λ(a−Bu )−λ u/2
du
0
4. Deduce that
Z Ta ∧t
11Ta <t = P (Ta < t) + 2 ϕ(T − t, Bt − a)dBt
0
98 Sauts. Enoncés
Chapter 8
Processus à sauts
99
100 Sauts. Enoncés
∂
quand h tend vers 0. Montrer que ψ(z, t) = ν(z − 1)ψ(z, t). Quel est le
∂t
processus X?
2. Montrer que
Z t
e−ct x + e−c(t−s) dNs
0
Rt ¡R s ¢ Rt ¡R s Ru ¢
Calculer 0
dNs 0
dNu et 0 dNs 0 dNu 0 dNv
2005-06 101
where N is a Poisson process with intensity λ > 0 and (Yk , k ∈ IN ) are non-
negative i.i.d. random variables with law µ, independent of N . It differs from a
Poisson process since the sizes of the jump are random variables, independent
of the Poisson process.
Exercice 8.2.1 We denote by Y a random variable with law µ. Prove that a
compound Poisson process is with independent increments, and
E(Xt ) = λtE(Y )
Exercice 8.2.2 Let X be a (λ, µ) componud Poisson process. Prove that the
process X
Mtf = f (∆Xs )11∆Xs 6=0 − tλµ(f )
s≤t
(Mtf )2 − tλµ(f 2 )
is a martingale.
Suppose that X is a pure jump process and that there exists a finite positive
measure σ such that X
f (∆Xs )11∆Xs 6=0 − tσ(f )
s≤t
is a martingale.
102 Sauts. Enoncés
8.4 Défaut
Exercice 8.4.1 Soit τ un temps aléatoire sur un espace (Ω, Gt , P ). On suppose
Z t∧τ
qu’il existe un processus positif, G-adapté (λs , s ≥ 0) tel que 11τ ≤t − λu du
0
soit une Gt martingale. Soit h une fonction borélienne, X une variable aléatoire
GT mesurable et
Z T Z T Z u
¡ ¢
Vt = E(X exp − λs ds + du hu λu exp − λs ds |Gt ) .
t t t
Montrer que
³ ¯ ´
¯
11{t<τ } Vt = E (∆Vτ )11{t<τ ≤T } + X11{T <τ } ¯ Gt .
Z t Z t Z u
¡ ¢
(Appliquer Ito à Vt exp − λs ds + du hu λu exp − λs ds = Ut et à
0 0 0
Ut (1 − 11τ ≤t ).
On admettra que V est une surmartingale pour tout Q et que toute sur-
matingale s’écrit comme une martingale moins un processus croissant.
104 Sauts. Enoncés
Z t
Montrer qu’il existe AQ processus croissant, µ, ν tels que Vt = v+ µs dWsQ +
Z t 0
Q Q Q Q Q
dMs − At , où W et M sont des Q-martingales et W un MB..
0
Préciser le lien entre AP et AQ .
φ
5. Montrer que µt − νt ≥ 0
σ
Z t
P φ
6. Montrer que A − λ(µs − νs ) est un processus croissant.
0 σ
7. En déduire que V est la valeur d’un portefeuille X dont on explicitera le
processus de consommation.
4. On pose dQ = St e−rt /S0 dP . Vérifier que X/S est une martingale sous
Q.
Corrigés. 2005-06 105
s
CORRIGES
106 Rappels
Chapter 1
Rappels, Corrigés
1.1 Tribu
Exercice 1.1.1: L’ensemble B − A s’écrit B ∩ Ac . Si F est une tribu, elle est
stable par passage au complémentaire et par intersection, d’où le résultat.
Exercice 1.1.2 : 1) La tribu engendrée par A est constituée des quatre ensem-
bles A, Ac , ∅, Ω.
2) Cette tribu doit contenir A et B, l’ensemble vide et Ω. Puis les complémentaires,
soit Ac et B c (les complémentaires de Ω et de l’ensemble vide égaux à l’ensemble
vide et à Ω sont déjà dans la liste). Puis les unions d’ensembles soit A ∪ B, les
autres unions A ∪ Ω = Ω, A ∪ B c = B c ,... sont déja dans la liste. Puis les
intersections Ac ∩ B c . On a terminé car les autres ensembles formés à partir
d’opérations de passage au complémentaire, d’intersection et d’union sont dans
la liste par exemple (Ac ∩ B c ) ∪ B c = B c .
107
108 Rappels
et éléments. Par exemple, un intervalle est un sous ensemble de IR, et n’est pas
un élément de IR.
Exercice 1.1.7 : Les diverses quantités que l’on veut comparer sont égales.
Les espérances E(f (X)) et E(f (Z)) sont égales parce que X et Z ont même
loi, et E(f (X, Y )) = E(f (Z, T )) car le couple (X, Y ) a même loi que le couple
(Z, T ). Si l’hypothèse (Z, T ) sont indépendantes n’était pas faite, l’égalité en loi
des variables X et Z et celle des variables Y et T ne suffirait pas. Par exemple,
loi
on peut prendre X = Y de loi gaussienne N (0, 1), X et Y indépendantes et
Z = T = X. On aurait alors E(X 2 Y 2 ) = 1 et E(Z 2 T 2 ) = E(X 4 ) = 3. (contre
exemple pour la question 3)
¡ ¢ λ2
E exp(λ(X+Y )) = E(exp(λ(X))E(exp(λ(Y )) = exp[λ(m(X)+m(Y ))+ (σ 2 (X)+σ 2 (Y ))]
2
Corrigés. 2005-06 109
ce qui montre que la somme a une loi gausienne d’espérance m(X) + m(Y ) et
de variance σ 2 (X) + σ 2 (Y ).
Exercice 1.2.5 :
1 (x − m)2
1. Si X est N (m, σ 2 ),sa densité est f (x) = √ exp − et la v.a.
σ 2π 2σ 2
X −m
Y = est N (0, 1). On peut le vérifier de plusieurs façons.
σ
• En calculant la fonction de répartition de Y : Soit FY la fonction de
répartition de Y . On a FY (y) = P (Y ≤ y) = P (X ≤ m + yσ) =
FX (m+yσ). Il reste à dériver par rapport à y pour obtenir la densité
1 y2
de Y qui est σf (m + yσ) = √ exp − .
2π 2
• On peut utiliser les fonctions caractéristiques. Soit φ(t) = E(eitX ) =
t2 σ 2
eitm− 2 la fonction caractéristique de X; la fontion caractéristique
de Y est
X−m itm t t2
E(eitY ) = E(eit σ ) = e− σ φ( ) = e− 2
σ
Cette remarque permet de ramener des calculs sur N (m, σ 2 ) à des
calculs sur N (0, 1).
On montre que
1 1 ³ m 2 ´2 Σ2 m 2 m2
λu2 +µu− (u−m)2
= − u − (µ + )Σ + (µ+ ) − 2
2σ 2 2Σ2 σ2 2 σ2 2σ
110 Rappels
σ2
avec Σ2 = 1−2λσ 2 .
Il vient
µ ¶
2 Σ Σ2 m m2
E(exp{λU + µU }) = exp (µ + 2 )2 − 2 .
σ 2 σ 2σ
En particulier
1 m2 λ
E(exp λU 2 ) = √ exp
1 − 2λσ 2 1 − 2λσ 2
2 2
4. Il est facile, par changement de variable, d’obtenir E(eθX f (X)) = emθ+σ θ /2
E(f (X+
θσ 2 ) pour f continue bornée.
5. Par dérivation par rapport à θ, on obtient pour f ”régulière” E(f (X)(X −
m)) = σ 2 E(f 0 (X)).
6. En dérivant E(eaG N (bG + c)) par rapport à b, on obtient le résultat.
Exercice 1.2.6 : Rappels:
la convergence L2 implique la convergence L1 : ||X R n − X||2 converge vers 0
implique ||Xn − X||1 converge vers 0, avec ||X||1 = Ω |X|dP . Ce résultat est
évident compte tenu de l’inégalité ||X||1 ≤ ||X||2 qui résulte de la positivité de
la variance Var (|X| ) = ||X||22 − ||X||21 .
Si Xn converge vers X dans L2 (resp. L1 ), on a E(Xn2 ) converge vers E(X 2 )
(resp E(Xn ) converge vers E(X)). (La réciproque est fausse)
Si Xn converge dans L2 vers X, on a en particulier mn converge vers m et σn2
t 2 σn
2
converge vers σ . La suite de fonctions caractéristiques eitmn − 2 converge vers
t2 σ 2
eitm− 2 et la loi de X est gaussienne.
λ2 2
E(exp(λX)) = E[E(exp(λX)|Y )] = E[exp(λ(aY + b) + σ )]
2
λ2 a2 2 λ2
= exp[λaE(Y ) + σ (Y )] exp[λb + σ 2 ]
2 2
donc, la v.a. X est gaussienne d’espérance b+aE(Y ) et de variance σ 2 +a2 σ 2 (Y ).
λ2 2
On calcule de la même façon E(Y eλX ) = E(Y exp(λ(aY + b) + σ )] et en
2
2
dérivant par rapport à λ, on trouve E(XY ) = aE(Y ) + bE(Y ).
D’autre part
E(X|Y ) = P r X.
Si n = 1, E(X|Y ) = P r X appartient à l’espace engendré par Y donc s’écrit
αY , et on déduit de E(X|Y ) = αY , après multiplication par Y et intégration
E(XY )
α= .
E(Y 2 )
Exercice 1.3.7 : Soit X = X1 + X2 . On a E(X|G) = E(X1 |G) + E(X2 |G) =
E(X1 ) + X2 . Puis E(X 2 |G) = E(X12 ) + X22 + 2X2 E(X1 ) et
et
E(11F 11G E(X|F)) = E(11F E(X|F))E(11G )
donc E(X11F 11G ) = E(11F 11G E(X|F)). Nous avons donc montré que E(X11H ) =
E(11H E(X|F)) pour tout H ∈ G ∨ F de la forme H = F ∩ G. Ces en-
sembles engendrent la tribu G ∨ F et forment une famille stable par intersec-
tion. L’application qui à H associe E(X11H ) (resp. E(11H E(X|F))) définit une
mesure positive sur cette tribu, les deux mesures, après normalisation par E(X)
sont des probabilités (c’est-à-dire l’application qui à H associe E(X11H )/E(X)
est une probabilité) qui coincident sur les ensembles de la forme F ∩ G, donc,
par théorème de classe monotone, elles coincident sur la tribu engendrée.
1.4 Martingales
Exercice 1.4.1 : Soit s ≥ t et Xt = E(X|Ft ). On a, en utilisant Ft ⊂ Fs
Ac ∩ (τ ≤ t) = (τ ≤ t) − (A ∩ (τ ≤ t) ∈ Ft
A ∩ (T ≤ t) = A ∩ (S ≤ t) ∩ (T ≤ t)
et donc, si A ∈ FS on a A ∩ (T ≤ t) ∈ Ft .
(S ≤ a) ∩ (S ≤ t) = (S ≤ (a ∧ t)) ∈ Fa∧t
(S ≤ T ) ∩ (T ≤ t) = (S ∧ t ≤ T ∧ t) ∩ (T ≤ t) ∩ (S ≤ t)
et chacu des trois ensembles du membre de droite est dans Ft (car S ∧ t est plus
petit que t donc Ft mesurable.
Corrigés. 2005-06 115
Exercice 1.5.7 : Soit ω fixé. La fonction t → Zt (ω) vaut 1 pour t ∈ [S(ω), T (ω[
et 0 sinon. Elle est continue sur les trois intervalles [0, S(ω)[, ]S(ω), T (ω)[, ]T (ω), ∞[.
Elle est continue à droite en S(ω) car si t → S(ω) ”par la droite” (soit t > S(ω)),
Zt (ω) = 1 tend vers ZS(ω) (ω) = 1.
Exercice 1.8.2 : La partie directe est évidente, car e et eλY sont indépendantes.
λX
La réciproque n’est pas vraie, comme le montre le contre exemple suivant: Soit
X, Y telles que P (X = i, Y = j) = ai,j où les ai,j sont donnés pas les coefficients
de la matrice
1/9 1/6 1/18
1/18 1/9 1/6
1/6 1/18 1/9
La loi de X est égale à celle de Y et P (X = i) = 1/3 = P (Y = j). On vérifie
que X et Y ne sont pas indépendantes (par exemple P (X = 1, Y = 3) 6= 1/9.
La loi de X + Y est égale à la loi de X1 + Y1 où X1 a même loi que X, Y1 a
même loi que Y et X1 et Y1 sont indépendantes.
Cet exercice montre que la loi de la somme de deux v.a. dépend très forte-
ment de la loi du COUPLE. Rappellons à ce sujet que si Z1 et Z2 sont gaussi-
ennes, cela n’implique pas que Z1 +Z2 est gaussienne: Le contre exemple suivant
du à Nelson le prouve: Soit n la densité gaussienne réduite centrée et u une fonc-
tion impaire continue, nulle hors de [−1, +1] telle que |u(x)| < (2πe)−1/2 . On
vérifie que f (x, y) = n(x)n(y) + u(x)u(y) est une densité, que les lois marginales
sont normales, et la loi de la somme n’est pas normale.
Par contre, si le vecteur (X, Y ) est gaussien, la somme X + Y est gaussienne.
Pour que le vecteur (X, Y ) soit gaussien, il faut et il suffit que X soit gaussien
et que la loi conditionnelle de Y à X soit gaussienne.
Chapter 2
Mouvement Brownien,
Corrigés
Exercice 2.1.2 :
1. On a E(Bs Bt2 ) = E( E(Bs Bt2 |Fs )). La variable Bs est Fs -mesurable,
d’où, si t > s, E(Bs Bt2 ) = E(Bs E(Bt2 |Fs )).
On sait que Bt2 − t est une martingale, d’où E(Bt2 |Fs ) = Bs2 − s + t. En
utilisant que Bt est centré et que E(Bt3 ) = 0, on obtient que
Si s > t, on a E(Bs Bt2 ) = E( E(Bs Bt2 |Ft )) = E(Bt2 E(Bs |Ft )) = E(Bt3 ) =
0.
117
118 Brownien.
De même
E(θs (Bt −Bs )2 ) = E(E(θs (Bt −Bs )2 |Fs )) = E(θs E((Bt −Bs )2 |Fs )) = (t−s)E(θs ).
Z Z Z √
a a/ t
1 x2 1 y2
5. E(11Bt ≤a ) = 11Bt ≤a dP = √ exp(− ) dx = √ exp(− ) dy =
Ω −∞ 2πt 2t −∞ 2π 2
a
N ( √ ). On peut aussi écrire
t
√ √
E(11Bt ≤a ) = P (Bt ≤ a) = P ( tU ≤ a) = P (U ≤ a/ t) où U est une v.a.
de loi N (0, 1).
Z a Z a/√t
1 x2 √ 1 y2
E(Bt 11Bt ≤a ) = x√ exp(− ) dx = t y √ exp(− ) dy
−∞ 2πt 2t −∞ 2π 2
et la dernière intégrale se calcule facilement.
Exercice 2.1.3 :
Pour t > u, la propriété d’indépendance et de stationarité des accroissements
conduit à
loi √
bt−u + Bu )) loi
f (Bt ) = f (Bt − Bu + Bu ) = f (B bt−u + uG))
= f (B
bs = Bs+u − Bu est un MB indépendant de Fu .
où B
Exercice 2.1.4 :
On peut calculer la densité de BΘ
Z Z ∞
1 x2
P (BΘ ∈ dx) = P (Bt ∈ dx)θe−θt 11t>0 dt = √ exp(− )θe−θt dt
0 2πt 2t
On trouve √
2θ −|x|√2θ
P (BΘ ∈ dx) = e dx
2
mais ce calcul d’intégrale n’est pas trivial. Cependant, on peut y arriver sans
utiliser un attirail lourd de changement de variables. On sait que la transformée
de Laplace du temps d’atteinte du niveau a par un mouvement Brownien est
√ |a| 2
e−|a| 2λ et que la densité de ce temps d’atteinte est √ e−a /2u . Ce qui
2πu3
s’écrit Z ∞
√ |a| −a2 /2t
−|a| 2λ
= E(e−λTa ) = e−λt √ e dt .
0 2πt3
Corrigés. 2002-03 119
3
3
1. Le processus M est F-mesurable. Mt est intégrable: E(|B |) = Ct 2 où C
Z t Z t Z t rt
2s
est une constante et E| Bs ds| ≤ E(|Bs |) ds = ds < ∞.
0 0 0 π
En utilisant que, pour t > s, la v.a. Bt − Bs est indépendante de Fs , on
obtient
E(Bt3 |Fs ) = E((Bt −Bs +Bs )3 |Fs ) = E((Bt −Bs )3 )+3Bs E(Bt −Bs )2 +3Bs2 E(Bt −Bs )+Bs3
d’où E(Bt3 |Fs ) = 3Bs (t − s) + Bs3 .
D’autre part
Z t Z t Z s Z t Z s
E( Bu du|Fs ) = E(Bu |Fs ) du = E(Bu |Fs ) du+ E(Bu |Fs ) du = Bu du+Bs (t−s)
0 0 0 s 0
de Wiener sdBs est une martingale. On peut aussi remarquer que, par
0 Z t
intégration par parties, Xt = sdBs .
0
4. On verra plus tard que U n’est pas une martingale. On peut remarquer
que E(Ut ) n’est sans doute pas constant.
Z t Z t
5. Soit t > s. E(Yt |Fs ) = E(t2 Bt −2 Bu du|Fs ) = t2 E(Bt |Fs )−2 E(Bu |Fs )du =
Z s Z t 0 Z s 0
t2 Bs − 2 Bu du − 2 Bs du = t2 Bs − 2 Bu du − 2Bs (t − s) = Ys +
0 s 0
(t2 − s2 )Bs − 2Bs (t − s) Pour que Y soit une martingale, il faudrait que
0 = (t2 − s2 )Bs − 2Bs (t − s) = (t − s)Bs (t + s − 2), ce qui n’est pas.
Exercice 2.1.6 : En écrivant Mt = −(Bt2 − t) + (a + b)Bt − ab et en utilisant
que B et (Bt2 − t, t ≥ 0) sont des martingales, le caractère martingale de M
provient de la structure espace vectoriel de l’ensemble des martingales. Le pro-
cessus Mt∧Ta,b est une martingale de valeur initiale −ab, donc E[Mt∧Ta,b ] = −ab.
Le temps d’arrêt Ta,b , majoré par Ta est fini. Lorsque t converge vers l’infini
Mt∧Ta,b = (a−Bt∧Ta,b )(Bt∧Ta,b −b)+t ∧ Ta,b converge vers (a−BTa,b )(BTa,b −b)+
Ta,b = Ta,b , car (a − BTa,b )(BTa,b − b) = 0. La quantité (a − Bt∧Ta,b )(Bt∧Ta,b − b)
est majorée par (a − b)2 et la quantité t ∧ Ta,b converge en croissant vers Ta,b
dont on ne sait pas qu’elle est intégrable. On peut conclure en appliquant le
théorème de Lebesgue dominé pour la partie E(a − Bt∧Ta,b )(Bt∧Ta,b − b) et le
théorème de convergence monotone pour la partie portant sur le temps d’arrêt.
On en déduit E(Ta,b ) = −ab.
Exercice
·Z 2.1.9 :Soit t ≥ s.¸ Ex (f (Bt )g(Bs )) = Ex (f (B̂t−s
Z + Bs )g(Bs )) =
E dyf (y)pt−s (Bs , y)g(Bs ) = E(Ψ(Xs )) avec Ψ(z) = g(z) f (y)pt−s (z, y)dy.
Z
D’où Ex (f (Bt )g(Bs )) = ps (x, z)Ψ(z)dz.
Ex (f (Bt )g(Bs )) = Ex (g(Bs )E((f (Bt )|Fs )) = Ex (g(Bs )E((f (Bt )|Bs )) = Ex (g(Bs )ϕ(Bs ))
R
avec ϕ(z) = Ez (f (Bt−s )) = f (y)pt−s (z, y)dy.
Exercice 2.1.11 :
1 λx2
Ex (exp −λ(Wt )2 ) = √ exp(− )
1 + 2λt 1 + 2λt
Corrigés. 2002-03 121
Z 1 Z 1 Z 1
Bs Bs 1
Exercice 2.1.13 : E| ds| ≤ E| |ds = c √ ds < ∞.
0 s 0 s 0 s
Exercice 2.1.14 Utiliser que {Bt < 0} ⊂ {τ ≤ t}.
Exercice 2.1.16 La quantité e−λt u(Bt ) est majorée par e−λt M , qui est intégrable
sur [0, ∞], d’où l’existence de f et g.
La suite d’égalités
µZ ∞ ¶ µ ·Z ∞ ¸¶
−λt −λt
Ex dte u(Bt ) = Ex Ex dte u(Bt ) |Fτ
·Z ∞ τ ¸ ·Z τ∞ ¸
−λt −λτ −λt
Ex dte u(Bt )|Fτ = e Ex dte u(Bt+τ − Bτ + Bτ )|Fτ
τ 0
·Z ∞ ¸ Z ∞
Ex dte−λt u(Bt+τ − Bτ + Bτ )|Fτ = dte−λt Ex (u(Bt+τ − Bτ + Bτ )|Fτ )
0 0
Ex (u(Bt+τ − Bτ + Bτ )|Fτ ) bt )]
= EBτ [u(B
b étant le Brownien
où la dernière égalité résulte de la propriété forte de Markov, B
(Bt+τ − Bτ , t ≥ 0), indépendant de Fτ , conduisent à
µZ ∞ ¶
Ex dte u(Bt ) = Ex (e−λτ ψ(Bτ ))
−λt
τ
Z ∞
avec ψ(x) = bt )] = f (x) ce qui est le résultat souhaité.
dte−λt Ex [u(B
0
s2
Tous calculs faits, pour s < t: E(Yt Ys ) = (3t − s).
6
Exercice 2.2.2
La solution est Z t
Xt = e−at x + e−at e(a+b)t dBt
0
d’ou e−at dCt = ebt dBt soit dCt = e(b+a)t dBt . Il resterait à vérifier que l’on a
bien trouvé une solution, car on ne dispose pas du lemme d’Itô et on ne sait pas
justifier que la dérivée de Ct e−at est −aCt e−at dt + e−at dCt .
Exercice 2.2.4 :
On a ici l’exemple d’un processus qui est un MB (et une martingale par rapport
à sa propre filtration), mais qui n’est pas un brownien, ni même une martingale
par rapport à une filtration plus grosse. Le problème est connu sous le nom de
grossissement de filtration. (Voir l’exercice sur l’agent initié, dans le chapitre
compléments)
124 Brownien.
u u u t
Exercice 2.2.6 : Bu − Bt = (Bu − Bt+h ) − (Bt − Bt+h ) montre
t t+h t t+h
u
la croissance et Bt est orthogonal à Bu − Bt .
t
Exercice 2.2.7 : Rappel : soit X est une v.a. de loi N (m; σ 2 ) et Y =
exp{λ(X − m) − 12 λ2 σ 2 }. Soit dQ = Y dP . Sous Q, X est une v.a. de densité
N (m + λσ 2 , σ 2 ).
On montre alors que B̃t = Bt − mt a une loi gaussienne sous Q.
On vérifie ensuite l’indépendance des accroissements: il s’agit de montrer que
1 1
A = EP [exp(mBt − m2 t)φ(Bt − mt)] EP [exp(mBs − m2 s)ψ(B̃s )]
2 2
1 1
= EP [exp(mBt − m2 t)φ(B̃t )] EP [exp(mBs − m2 s)ψ(B̃s )]
2 2
ce qui conduit à
A = EQ (φ(B̃t )) EQ (ψ(B̃s )) .
Exercice 2.2.8 :
loi
sup(|Bt |−µtp/2 )| = sup(|Bλ2 s )|−µ(λ2 s)p/2 ) = sup(λ|Bs |−µ(λ2 s)p/2 ) = λ sup(|Bs |−sp/2 )
t s s s
E(|BT |) ≤ E((|BT | − µT p/2 )) + µE(T p/2 ) ≤ E(supt (|Bt | − µtp/2 )) + µE(T p/2 )
2.3 Multidimensionnel
Exercice 2.3.2 : Si les coefficients σi sont des constantes, il suffit de définir
B3 (t) = √ 21 2 (σ1 B1 (t) + σ2 B2 (t)). Ce processus est un Brownien car c’est
σ1 +σ2
une martingale telle que (B32 (t) − t; t ≥ 0) est une martingale. Si les σ sont
Corrigés. 2002-03 125
1
déterministes, on pose dB3 = √ (σ1 (t)dB1 (t) + σ2 (t)dB2 (t)).
σ12 (t)+σ22 (t)
Le processus
1
B(3) (t) = p (B(2) (t) − ρB(1) (t))
1 − ρ2
2 1
B(3) (t) = (B 2 + ρ2 B(1)
2
(t) − 2ρB(1) (t)B(2) (t)
1 − ρ2 (2)
Par définition de la corrélation, B(1) (t)B(2) (t) − ρt est une martingale. Il s’en
2
suit que B(3) (t) − t est une martingale, donc B(3) est un MB. Il reste à montrer
que B(3) est indépendant de B(1) . On peut utiliser le théorème de RP pour
établir que si le coefficient de corrélation de deux MB est nul, ces processus sont
indépendants.
Exercice 2.4.2 : La propriété de Markov fort montre que B̂t = BTa +t − BTa =
BTa +t − a est indépendant de FTa , donc de Ta . Comme b > a, on a
loi
On en déduit que la v.a. Tb − Ta est indépendante de Ta et que Tb − Ta = Tb−a .
Le processus Ta est donc à accroissements indépendants et stationnaires. C’est
donc un processus de Lévy.
P (τ > T |Ft ) = P (ST < a|Ft ) = 11St <a P ( max Ws − Wt < a − Wt |Ft )
t<s<T
126 Brownien.
Exercice 2.4.18 : On sait que (poly, Lamberton et Lapeyre 2nd edition, page
96, Musiela et Rutkowski p. 49, Voir aussi Karatzas et Shreve, page 95) si
Mt = sups≤t Ws
P (Wt ≤ x , Mt ≤ y) = P (Wt ≤ x) − P (Wt ≥ 2y − x)
Corrigés. 2002-03 127
2.5 Scaling
Exercice 2.5.2 : La partie a) résulte de
loi √ 1
(T1 > t) = (1 > St ) = (1 > tS1 ) = ( > t)
S12
La partie c) résulte de
1 1
d∆a = inf{t ≥ ∆a : Bt = 0} = inf{t : At ≥ 1, √ Bt = 0}
a a
loi
= inf{t : At/a ≥ 1, Bt/a = 0} = ad∆1
et
loi 1
(Ag ≤ a) = (g ≤ ∆1 ) = (1 ≤ d∆a = (1 ≤ ad∆1 ) = ( ≤ a)
d∆1
loi
La partie d) est facile. Dans ce cas ∆1 = T1∗ = inf{t : sups≤t |Bs | ≥ 1}.
Exercice 2.5.3 :
1
P ( sup |Wt | ≤ x) = P ( sup |Wt | ≤ 1) = P (M1 ≥ )
1≤t≤1 1≤t≤(1/x2 ) x2
2.6 Compléments
bt )2 )
Exercice 2.6.1 : On calcule E((Bt − B
bt )2 ) =
E((Bt − B E(Bt2 ) + E(Bbt2 ) − 2E(Bt B
bt )
= 2t − 2E(Bt Bbt )
Il reste à calculer
¡ ¢
bt ) = E[ E (Bt B
E(Bt B bt |Gt ]) = E(B
bt2 ) = t
128 Brownien.
Wt 1
= dt + dBt − Xt dt
1−t 1−t
Le calcul de la covariance du processus Gaussien X s’obtenait en appliquant
plusieurs fois le résultat d’isométrie
Z t Z s Z t∧s
E( f (u)dWu g(u)dWu ) = f (u)g(u)du
0 0 0
Z t Z s
et en remarquant que les v.a. f (u)dWu et g(v)dBv sont indépendantes.
0 0
On trouvait pour s < t
E(Xs Xt ) = s + 2s(1 − t) + (2 − s − t) ln(1 − s)
2.7 Finance
Exercice 2.7.1 : On calcule séparément E(St 11St <K ) et E(11St <K ). On trouve
E(e−rt (St − K)+ ) = xN (d1 (t)) − Ke−rt N (d2 (t))
avec
1 x 1 √
√ (ln( + σ 2 t + rt), d2 (t) = d1 − σ t
d1 (t) =
σ t K 2
En appliquant la propriété de Markov, on en déduit
E(e−r(t−s) (St − K)+ |Fs ) = xN (d1 (t − s)) − Ke−r(t−s) N (d2 (t − s)) .
Exercice 2.7.2 : Nous présentons le calcul pour deux dates. Il s’agit de calculer
l’espérance de
(ST − St1 )+ 11St1 <K + (ST − K)+ 11K<St1
On utilise la formule de BS.
E[(ST − St1 )+ 11St1 <K ] = E[11St1 <K E((ST − St+1 |Ft1 )]
E((ST − St+1 |Ft1 ) = E((ST − St+1 |§t1 )
= St1 N (d1 ) − St1 e−r(T −t1 ) N (d2 )
avec
1 1
d1 = √ ( σ 2 (T − t1 ) + r(T − t1 ))
σ T − t1 2
Il vient
E[(ST − St+1 11St1 <K = aE(St1 11St1 <K
avec
a = N (d1 ) − N (d2 )e−r(T −t1 )
E[(ST − K)+ 11{K<St1 } ] = E[11{K<St1 } (St1 N (d∗1 ) − Ke−r(T −t1 ) N (d∗2 )
1 St 1
d∗1 = √ (ln( 1 + σ 2 (T − t1 ) + r(T − t1 ))
σ T − t1 K 2
130 Itô. Corrigés
Chapter 3
Z t
dBs
Xt = (1 − t) ;0≤t<1
0 1−s
Z t
dBs
En appliquant le Lemme d’Itô (ou une I.P.) à f (t, y) = (1−t)y et Yt =
0 1−s
131
132 Itô. Corrigés
Z t
dBt dBs dBt
(donc dYt = ) il vient dXt = (−dt) + (1 − t) , d’où
1−t 0 1 − s 1 −t
( Xt
dXt = dt + dBt ; 0 ≤ t < 1
t−1
X0 = 0
Z t
dBs
On admet l’unicité de la solution. Le processus X est gaussien car est
0 1−s
une intégrale de Wiener, et on a E(Xt ) = 0 et pour s < t
Z t Z s Z s
dBu dBu du
E(Xs Xt ) = (1−t)(1−s)E( ) = (1−t)(1−s) = (1−t)s
0 1 − u 0 1 − u 0 (1 − u)2
d(Xt2 +Yt2 ) = 2Xt dXt +2Yt dYt +dhXit +dhY it = 2Xt Yt dBt −2xt Yt dBt +(Xt2 +Yt2 )dt
1
dXt = σ(t) dBt − σ 2 (t) dt.
2
Soit Yt = exp Xt . On applique la formule d’Itô avec f (x) = ex .
1
dYt = exp(Xt ) dXt + exp(Xt ) σ 2 (t) dt
2
1 1
= Yt (− σ 2 (t) dt + σ(t)dBt ) + Yt σ 2 (t) dt
2 2
= Yt σ(t) dBt .
Ce critère n’est pas très bon, nous en verrons d’autres par la suite.
Si σ est une constante, Y est un brownien géométrique avec drift nul. En
particulier,
σ2
Yt = exp(σBt − t)
2
est une (vraie) martingale:
Vérifions à titre d’exercice dans ce cas les conditions d’intégrabilité:
1
Yt = exp Xt = exp(σBt − σ 2 t)
2
d’où
Z ∞
σ2 1 1 2 x2
E(|Yt |) = E(Yt ) = E(exp(σBt − t)) = √ eσx− 2 σ t e− 2t dx = 1
2 2πt −∞
1
Soit Zt = Yt . Pour calculer dZt , on peut utiliser la formule d’Itô
Exercice 3.2.11 : Le processus Z est une martingale locale car dZt = cXt Zt dBt .
On a
Exercice 3.2.12 : Pour montrer que Z est une martingale locale, on cal-
cule dZ et on vérifie que son drift est nul. On a Zt = f (t, Bt ) avec f (t, x) =
1 x2
√ exp − Il en résulte que
1−t 2(1 − t)
Bt Bt2
dZt = − exp − dBt
(1 − t)3/2 2(1 − t)
Le processus (Zt , t < 1) est une martingale locale. C’est une vraie martingale
si pour tout T ≤ 1
Z T
Bt2 Bt2
E[ exp − dt] < ∞
0 (1 − t)3 (1 − t)
Z T Z T
Bt2 t
Le terme de gauche est majoré par E[ dt] = dt < ∞.
0 (1 − t)3 0 (1 − t)3
a
Exercice 3.2.13 : Soit Zt = (Lt ) exp(−Γ(a)t). Alors
avec
ψ(t, x) = E(f (x + B1−t )) . (3.1)
D autre part, la formule d’Itô et la propriété de martingale de ψ(t, Bt ) conduisent
Z t
à ψ(t, Bt ) = E(f (B1 )) + ∂x ψ(s, Bs )dBs . On écrit (grace à 3.1)
0
1 1
dS3 (t) = [dS1 (t) + dS2 (t)] = [r(S1 (t) + S2 (t)] dt+σ1 S1 (t)dB1 (t)+σ2 S2 (t)dB2 (t) .
2 2
On peut remarquer que
q
σ12 S12 (t) + σ22 S22 (t) dB 3 (t) = (σ1 S1 (t)dB1 (t) + σ2 S2 (t)dB2 (t))
1 σ1 σ2
dS4 (t) = S4 (t)(r dt − (σ12 + σ22 ) dt + dB1 (t) + dB2 (t)) ,
8 2 2
ce que l’on peut écrire
1
dS4 (t) = S4 (t)(r dt − (σ12 + σ22 ) dt + σdB4 (t)) .
8
Pour vérifier que B3 et B4 sont des browniens, on peut procéder de différentes
façons (voir aussi les exercices sur le Brownien)
a. Bi (t + s) − Bi (t) a même loi que Bi (s), cette loi est N (0, s) et les accroisse-
ments sont indépendants
b. Bi et (Bi2 (t) − t, t ≥ 0) sont des martingales et Bi est un processus continu
2
c. pour tout λ, le processus exp(λBi (t) − λ2 t) est une martingale.
138 Itô. Corrigés
3.4 Compléments
Exercice 3.4.1 : En utilisant le théorème de Fubini pour les intégrales doubles
Z x Z z Z x Z x Z x
F (x) = dz dyf (y) = dyf (y) dz = dyf (y)(x − y)+
−∞ −∞ −∞ y −∞
1
dXt = exp W1 (t)(exp −W1 (t)) dW2 (t) + Ut (exp[W1 (t)]dW1 (t) + exp[W1 (t)]dt)
2
1
= dW2 (t) + Xt dW1 (t) + Xt dt
2
1 1
Soit f (x) = sinh x, alors, f 0 (x) = (ex +e−x ) = cosh x et f 00 (x) = (ex −e−x ) =
2 2
sinh x. O applique le lemme d’Itô:
q
1 1
dZt = cosh(W1 (t)) dW1 (t) + sinh(W1 (t)) dt = 1 + Zt2 dW1 (t) + Zt dt
2 2
Z t
def
Mt = W2 (t) + Xs dW1 (s) est une martingale locale comme somme de deux
0 Z t Z t
2
martingales locales. Son crochet est t + Xs ds = (1 + Xs2 )ds, d’où γs =
0 Z tp 0 Z
p 1 t
1 + Xs2 . En regroupant les résultats Xt = 1 + Xs2 dW3 (t) + Xt dt
0 2 0
Z tp Z t
1
et Zt = 1 + Zs2 dW1 (s) + Zs ds. On obtient donc l’égalité en loi de X
0 2 0
et de Z.
2002-03 139
La solution de dLt = −Lt θt dBt est une martingale locale, qui s’écrit
Z t Z
1 t 2
Lt = L0 exp(− θs dBs − θ ds).
0 2 0 s
On pose Yt = St Lt . On a
σ2
ln St = ln Ss + σ(Bt − Bs ) + (r − )(t − s)
2
Le processus ln St est un processus gaussien, d’où At est une variable gaussi-
enne. RT
Soit G(t, T ) = T1 t (Bs − Bt ) ds. Le processus s → Bs − Bt est gaussien,
d’où G(s, T ) est une variable gaussienne. Le processus (Bs − Bt , s ≥ t) est
RT
indépendant de Ft donc G(t, T ) aussi, d’où E(G(t, T )|Ft ) = T1 t E(Bs −
Bt ) ds = 0.
Z T Z T
21
Var (G(t, T )|Ft ) = E(G (t, T )) = 2 E((Bs − Bt )(Bu − Bt ))ds du .
T t t
on obtient
t t 1 σ2
AT = At + (1 − )[ln St + (r − (T − t)] + σG(t, T ).
T T 2 2
Exercice 3.5.4 : Soit S̃t = e−rt St . On a vu déja plusieurs fois que S̃t est une
martingale (par exemple vérifier, en utilisant le lemme d’Itô, que dS̃t = S̃t σdBt ).
Soit Xt défini par
Z
e−rT T
e−rt Xt = E[ Suσ du |Ft ] .
h T −h
On a, XT = VT et si t ≤ T − h
Z T
−rt −rT 1
e Xt = e E(Su |Ft ) du
h T −h
soit
1 − e−rh
e−rt Xt = Stσ e−rt
rh
et si T − h ≤ t ≤ T
Z T
1
e−rt Xt = e−rT E(Su |Ft ) du
h T −h
Z t Z T Z t
1 1 e−rT 1 − e−r(T −t)
= e−rT E(Su |Ft ) du+ E(Su |Ft ) du = Suσ du+Stσ e−rt .
h T −h h t h T −h rh
½ ¾
dXt σStσ −rh
1 − e−r(T −t)
1−e
= rdt + 1{t<T −h} + 1{T −h<t<T } dWt
Xt Xt rh rh
½ ¾
S σ 1 − e−r(T −t)
= rdt + σ 1t<T −h + 1T −h<t<T t dWt .
Xt rh
Rt
Exercice 3.5.5: Soit Zt = e−rt St + 0 δ(s)e−rs Ss ds. On a alors
Le processus Z est une martingale locale. On peut expliciter S qui est la solution
d’une équation du type dSt = St (a(t)dt + σdWt par
1
St = S0 exp(rt − ∆(t)) exp(σWt − σ 2 t)
2
142 Itô. Corrigés
1
et en utilisant que exp(σWt − σ 2 t) est une martingale d’éspérance 1, on obtient
2
E(St ) = S0 exp(rt − ∆(t)) .
3.6 Le crochet
3.7 Finance
Exercice 3.7.3 : Pour g(x) = (x − K)+
et aussi
e−ru g(Su ) ≤ e−rT g(Su er(T −u) ) = e−rT g(erT E(ST e−rT Fu )) = e−rT g(E(erT ST e−rT Fu ))
= e−rT g(E(ST Fu )) ≤ E(e−rT g(ST )|Ft ))
Soit dV = π1 dS 1 + π 2 dS 2 . On a donc
1 1 1
dhV, i = π1 dhS 1 , 1 i + π 2 dhS 2 , 1 i .
S1 S S
Par suite, si V 1 = V /S 1 , on peut écrire la suite d’égalités (on utilise V =
π1 S 1 + π2 S 2 )
1 1 1
dVt1 = V d( ) + 1 dV + dhV, 1 i
S1 S S
1 1 ¡ ¢ 1 1
= (π 1 S 1 + π 2 S 2 )d( 1 ) + 1 π1 dS 1 + π 2 dS 2 + π1 dhS 1 , 1 i + π 2 dhS 2 , 1 i
µ S S ¶ µ S S ¶
1 1 1 1 1 1 2 2 1 1 2 2 1
= π1 S d( 1 ) + 1 dS + dhS , 1 i + π S d( 1 ) + 1 dS + dhS , 1 i
S S S S S S
2
S
= π 2 d( 1 )
S
Exercice 3.7.12 : On remarque que
Le marché est complet: en effet, toute v.a. FT mesurable s’écrit comme valeur
terminale d’un portefeuille auto-finançant composé des actifs sans risque et de
l’actif 1, donc le marché composé d’un actif supplémentaire (avec les mêmes
actifs contingents) est également complet. La seule probabilité équivalente à la
probabilité P telle que l’actif sans risque et l’actif 1, actualisés, sont des mar-
1 µi − r
tingales est Q définie par dQ|Ft = exp(−θWt − θ2 t)dP |Ft avec θ = .
2 σ
L’actif 2, actualisé n’est pas une martingale sous Q, il n’existe donc pas de prob-
abilité équivalente à la probabilité P telle que TOUS les actifs actualisés soient
des martingales. Le marché présente des opportunités d’arbitrage. Supposons
µ1 > µ2 . Si, à la date 0, on achète une part de l’actif 1 et on vend une part de
l’actif 2 (capital initial investi nul) et que l’on maintient cette position jusqu’en
T , on a un portefeuille de valeur
£ ¤ 1
ST1 − ST2 = exp(µ1 T ) − exp(µ2 T ) exp(σWT − σ 2 T ) > 0
2
ce qui constitue un arbitrage.
144 Equa. Diff.
Chapter 4
Equations différentielles
stochastiques, Corrigés
145
146 Equa. Diff.
soit ½
M 0 (t) − (2α + β 2 )M (t) = 2(a + bβ)m(t) = b2
M (0) = x2
la solution est
2
M (t) = Ce2α+β )t + keαt + c
k(−α − β 2 ) = 2(a + bβ)(x + αa )
c = (b2 − 2(a + bβ) αa ) 2α+β
1
2
2
K +k+c = x
Exercice 4.1.5 : On a dYt = Yt (αdt + βdBt ) dont la solution est (cf brownien
géométrique)
1
Yt = exp[(α − β 2 )t + βBt )]
2
On a (cf propriété de martingale du Brownien)
1 1
E(Yt |Fs ) = exp(αt)E(exp[− β 2 t + βBt ] |Fs ) = exp(αt) exp[− β 2 s + βBs ]
2 2
D’où, si α ≥ 0, on a E(Yt |Fs ) ≥ Ys . Le processus Y est une martingale si on a
égalité soit si α = 0.
c. Le processus Y ne s’annule pas. Le processus Zt est un processus d’Itô car
Yt−1 est de carré intégrable (voir brownien géométrique) et
Exercice 4.1.6: Soit dXt = αXt dt + b dBt . On sait (ex précédents) que
cette équation admet une solution unique. En posant Zt = e−αt Xt on voit que
dZt = e−αt dBt d’où
¯
Z t
Xt = eαt x + eαt e−αs b dBs
0
2 1 λm2 (t)x2
E(eλXt ) = p exp = Φ(t, x)
1− 2λσ 2 (t) 1 − 2λσ 2 (t)
et
2 1 λm2 (t − s)Xs2
E(eλXt |Fs ) = p exp = Φ(t − s, Xs )
1 − 2λσ 2 (t − s) 1 − 2λσ 2 (t − s)
Rt
D’où le résultat en remarquant que exp(− 0 ψ(Ss )ds) est Ft adapté. Pour que
M soit une martingale, il faut que sa partie à variation bornée soit nulle. Il est
facile de voir que
Ce qui conduit à
soit
α0 + β 0 x − ψ(x) + β(µ0 + µ1 x) + β 2 (σ0 + σ1 x) = 0
Cette équation doit être vérifiée pour tout (t, x) d’où (cours élémentaire sur les
ED)
α0 − ψ0 + βµ0 + β 2 σ0 = 0
β 0 − ψ1 + βµ1 + β 2 σ1 = 0
4.2 Finance
Exercice 4.2.1 : Soit St solution de
dSt = St (r dt + σ dBt ) .
On a pour t ≤ u
µ ¶
σ2
Su = St exp r(u − t) + σ(Bu − Bt ) − (u − t) (4.1)
2
Le processus S est à valeurs
à positives (si S0 > 0) et!ne s’annule pas.
Z T
1
1. Le processus Mt = E [ Su du − K]+ |Ft est une martingale, car il
T 0
s’écrit E(Z|Ft ).
+ +
2. En utilisant que s(a − b) Ã =Z(sa − sb) si s > 0!et la Ft -mesurabilité de
T
1 Su K
St , on obtient Mt = St E [ du − ]+ |Ft ce qui s’écrit de façon
T 0 St St
évidente à Z !
1 T Su
St E [ du − ζt ]+ |Ft
T t St
Z
1 t
avec ζt = St−1 (K − Su du), variable Ft -mesurable.
T 0
3. On rappelle que, si X est indépendante de G et Y est G-mesurable,
Su
Les variables ( , u ≥ t) sont indépendantes de Ft (utiliser (4.1)), et ζt est Ft
St
mesurable. Il en résulte
Mt = St Φ(t, ζt )
avec à !+
Z T
1 Su
Φ(t, x) = E du − x .
T t St
Su
4. En utilisant que est indépendant de Ft , on obtient le résultat.
St
1
5. On a (appliquer Itô à f (x) = )
x
1 1 2 σ2 r σ
dSt−1 = − 2 dSt + 3 d < S, S >t = ( − )dt − dBt .
St 2 St St St St
on en déduit les égalités suivantes
Z t
St 1 1
dζt = −St−1 dt + (K − Su du)dSt−1 = − dt + ζt (−σdBt − rdt + σ 2 dt)
T T 0 T
d < ζ, ζ >t = ζt2 σ 2 dt
1
dΦ(t, ζt ) = Φ0t dt + Φ0x dζt + Φ”xx d < ζ, ζ >t = (...) dt − σζt Φ0x dBt
2
d < S, Φ >t = −St σ 2 ζt Φ0x
ce qui s’écrit
1
Φ(t, ζt )dSt + St [Φ0t (t, ζt )dt + Φ0x (t, ζt )dζt + Φxx ”(t, ζt )d < ζ, ζ >t ] + d < S, Φ >t
2
Soit
∂Φ 1 ∂Φ 1 2 2 ∂ 2 Φ
dMt = St (rΦ + − ( + rζ) + σ ζ ) dt + dNt
∂t T ∂x 2 ∂x2
où N est une martingale du type (...) dBt . Le processus M étant une martingale,
on doit avoir la partie processus à variation finie nulle, soit
∂Φ 1 ∂Φ 1 2 2 ∂ 2 Φ
0 = rΦ + − ( + rζ) + σ ζ
∂t T ∂x 2 ∂x2
Exercice 4.2.2 :
µ Z t Z ¶
1 t 2
St = S0 exp rt + σ(s)dBs − σ (s) ds
0 2 0
est solution de l’équation proposée. Il suffit d’appliquer la formule d’Itô.
Corrigés. 2005-06 151
Z t
2. σ(s)dBs est une variable gaussienne (intégrale de Wiener) centrée
0 Z t Z t Z
2 1 t 2
de variance σ (s)ds. Il en résulte que σ(s)dBs − σ (s) ds est une
0 2 0
Z t 0 Z t
1
variable gaussienne car d’espérance − σ 2 (s) ds et de variance σ 2 (s)ds.
2 0 0
3. La formule de valorisation d’une option revient à calculer EQ (ST − K)+ .
Dans le cas où ST = S0 eU où U est une variable d’espérance rT et de variance
V 2 = σ 2 T , on a
C(0, x) = xN (d1 ) − Ke−rT N (d2 )
avec µ ¶
1 x V2
d1 = ln( ) + T r + , d2 = d1 − V
V K 2
Z T
2 2
Il suffit donc de remplacer σ T par Σ = σ 2 (s)ds
0
avec µ ¶
1 x Σ2
d1 = ln( ) + T r + ) , d2 = d1 − Σ
Σ K 2
Exemples, Corrigés
sinh λx cosh λx
f 0 (x) =− +
λx2 x
sinh λx λ cosh λx cosh λx λ sinh λx
f 00 (x) = +2 − − + .
λx3 x2 x2 x
La formule d’Itô conduit à
tλ2
− λ2
dUt = e 2 [− Vt dt + dVt ]
2
et on vérifie que les termes en dt s’annulent.
Il suffit d’appliquer le théorème d’arrêt de Doob à la martingale Ut et au
λ2 Tb sinh λb λ2 Tb
temps d’arrêt Tb . On obtient E(exp(− )( )) = 1, d’où E(exp(− )) =
2 λb 2
λb
.
sinh λb
Exercice 5.1.4 :
1. On applique Itô
1 1 1 1 1 1 1
d(ln Rt ) = dRt − dRt dRt = dWt − dt + dt = dWt .
Rt 2(Rt )2 Rt Rt 2Rt 2(Rt )2 Rt
153
154 Exemples
ν 2 ν−2
= νRtν−1 dWt + R dt
2 t
Z t
ν2 ds
3. On pose Zt = exp(− ) et on applique le lemme d’Itô.
2 0 Rs2
Z t
ν2 ds ν2 1
dZt = d exp(− 2
) = Zt (− ) 2 dt
2 0 Rs 2 Rt
· ¸
1 ν(ν − 1) ν−2 ν2 1 ν
dLt = Zt dRtν + Rtν dZt = Zt νRtν−1 dWt + νRtν−1 dt + Rt dt − R dt
2Rt 2 2 Rt2 t
= Zt νRtν−1 dWt
Exercice 5.1.5 : p
dYt = 2 Yt dWt + δdt
La formule d’Itô conduit á
√
dZt = Zt (−µ Y )dWt
Z tp
√
ft def
Sous Q W = Wt + µ ft + (δ − 2µYt )dt.
Yu du est un MB et dYt = 2 Yt dW
0
on a alors
q
2
dZt = 2Wt dWt +2Wt1 dWt1 +2dt = p (Wt )2 + (Wt1 )2 (Wt dWt +Wt1 dWt1 )
(Wt )2 + (Wt1 )2
p
= 2 Zt dWt3 + 2dt
Avec n Browniens on obtient µ = n.
def √
Si ρt = Rt , la formule d’Itô conduit à
1
dρt =
(µ − 1)dt + dWt
2ρt
q
(µ) (ν) (µ) (ν)
dXt = dRt + dRt = (µ + ν)dt + 2 Rt + Rt dZt
où Z est un MB. On en déduit que la somme de deux Bessels carrés indépendants
est un Bessel carré.
Exercice 5.1.6 : Px (inf s≤t Xs ) = Px (Ta > t) et on connait la transformée de
Corrigés. 2005-06 155
λ2
Laplace de Ta E (ν) (exp − Ta ).
2
¡ Xt∧τ ¢
(3) (3)
Dans le cas du BES(3) Px |Ft = Wx |Ft d’où pour a < x Px (φ(Ta )11Ta <∞ ) =
x
a (3) (3) (3)
Wx (φ(Ta )) D’où Px (Ta > t) = Px (∞ > Ta > t) + (1 − xa ) et Px (∞ >
x √
a a
Ta > t) = P0 (T(x−a) > t) = P0 ((x − a) > |N | t).
x x
Voir Borodin pour l autre cas
ν2
W (ν) |Ft = exp(νWt − t)W |Ft
2
loi
On sait que (Rt ; t ≥ 0) = x exp(BCt + νCt )
Rt ν ν2
W (ν) (F (xBu ), u ≤ Ct ) = W (exp(BCt +νCt )F (xBu ), u ≤ Ct ) = P (0) ( ) exp − F (Rs ), s ≤ t)
x 2Ct
car sous P (0)
exp νBCt = (exp BCt )ν , Rt = x exp BCt
1
−1 + x(1 − x)(µ − x)h0 + x2 (1 − x)2 h00 = 0 .
2
En appliquant le théorème d’arêt de Doob (la fonction h0 est bornée sur [a, b],
la martingale locale h0 (Xt∧τ ) est uniformément intégrable) E(h0 (Xτ )) = h0 (x)
soit
h0 (x) = E(h0 (Xτ )) = h0 (a)P (Xτ = a)+h0 (b)P (Xτ = b) = h0 (a)P (Xτ = a)+h0 (b)(1−P (Xτ = a)) .
156 Exemples
Then, it remains to know the law of the pair Y1 , X1 . This is the reflection
principle in the case µ = 0 (Revuz Yor, page 105 ex. 3.14) and the general
result follows from Girsanov’s theorem. For example Borodin-Salminen, page
198, formula 1.18 in the case where σ = 1
1 µ2 t (|z − y| + y)2
P (Y1 ≥ y, X1 ∈ dz) = √ exp[µy − − ] dz
2πt 2 2t
Corrigés. 2005-06 157
References:
Borodin, A. and Salminen, P.: Handbook of Brownian Motion. Facts and
Formulae, Birkhäuser, 1996.
Exercice 5.4.3 : On écrit dS = D(rdt + σt dW̃t ). Si C̃ est la valeur de C
actualisé, alors dC = CmσdW̃t . Il suffit de résoudre et d’identifier
µ Z Z ¶m
St m−1 t 1 t 2
Ct = C0 exp[− [ rs ds + σs ds]]
S0 m 0 2 0
avec
τ ∗ = inf{t : |Wt | > eλC(t) g(C(t))}
158 Girsanov.
Chapter 6
Girsanov, Corrigés
D’où
Z t Z t
1
EQ (ln HT ) = EQ (− θs dWs − θs2 ds)
0 2 0
Z t Z t
Le processus W̃t = Wt + θs ds est un Q mouvement Brownien, et − θs dWs −
Z t Z t 0 Z t 0
1 1
θ2 ds = − θs dW̃s + θ2 ds, d’où le résultat.
2 0 s 0 2 0 s
Z t Z t Z
1 t 2
Exercice 6.1.4 : On a Γt = exp( βs ds) exp( γs dWs − γ ds), d’où
0 0 2 0 s
Z t
βt
Γt exp(− βs ds) est une martingale. L’écriture dΓt = Γt γt (dWt + dt) mon-
0 γt
βt
tre que sous Q défini par dQ = Lt dP , avec dLt = Lt dWt , le processus W̃t
γt
βt
défini par dW̃t = dWt + dt est un mouvement Brownien.
γt
Le processus Γ vérifiant dΓt = Γt γt dW̃t est une Q-martingale locale. On obtient
γt2 − βt
facilement d(Γ−1 −1
t ) = −Γt γt (dWt − dt) et le choix de R s’en suit.
γt
159
160 Girsanov.
6.2 Crochet
1
Exercice 6.2.1 : Soit Z = N − < N, M > et Lt = exp(Mt − hM it ). On a
2
d(ZL) = ZdL + LdZ + dhZ, Li = mart + dhZ, Li − LdhM, N i = mart
Z t 0
h (Xs )
Exercice 6.2.2 : On vérifie que Zt = h(Xt )Mt − dhM, Xi est une
0 h(Xs )
P -martingale.
6.3 Processus
Exercice 6.3.4 :
1. La question 1 a déja été traitée dans l’exercice 1.2.3.
(sous P et sous Pb ).
On obtient, en posant x = a2
Z
2 b2 t 2 b
EP (exp{−αBt − Bs ds}) = Eb (exp{−αBt2 + (Bt2 − x − t)})
2 0 2
à à Z Z Z !!
T T
λ2 b2 T 2
= E Pλ exp −λ Xs dXs − Xs2 ds − Xs ds
0 2 0 2 0
à à Z !!
T
λ λ + b2 2
= EPλ exp − (XT2 − T ) − Xs2 ds
2 2 0
µ ¶ p
λT λ
= exp Φ( , λ2 + b2 )
2 2
dSt = St (µ dt + σ dBt ) , S0 = s .
σ2
St = S0 exp(µt + σBt − t).
2
1
1. Soit dQ = Lt dP avec Lt = exp(θBt − θ2 t). Le théorème de Girsanov
2
montre que W est un Q-mouvement Brownien.
σ2
2. Soit dP̃ = Zt dQ avec Zt = exp(σWt − t)
2
Le théorème de Girsanov montre que (B̃t = Wt − σt, t ≥ 0) est un P̃ -
mouvement brownien. On a alors
St
3. Soit Pt = P0 ert . Le processus (Yt = , t ≥ 0) est une Q-martingale, car
Pt
2
σ d(St e−rt )
Yt = Y0 exp(σWt − t) (ou parce que (Itô) dYt = = Yt dWt .)
2 P0
Pt σ2
Le processus Zt = est une P̃ -martingale car Zt = Z0 exp(−σ B̃t − t)
St 2
³R ´
t
4. Soit Ft = e−λt 0 Su du + sA où A, λ sont des constantes
Ft λt
Soit Ψt = e . On a dΨt = (1 − rΨt ) dt − σΨt dB̃t
Pt
µ µ2 µ µ2
L−1
t = exp( B t + t) = exp( B̃ t − t)
σ 2σ 2 σ 2σ 2
et pour tout temps d’arrêt T , on a
µ ¶
−λ(T ∧t) µ µ2 + 2λσ 2
EP (exp(−λ(T ∧t)) = EPµ (LT ∧t e ) = EPµ exp( B̃T ∧t − (T ∧t))
σ 2σ 2
On en déduit
µ ¶
µ µ2 + 2λσ 2
EP (exp(−λTa )11Ta <∞ ) = exp a EPµ exp(− Ta ) 1
1 Ta <∞
σ2 2σ 2
Exercice 6.5.2 :
λ2
E(11T <∞ exp(λBT − T )) = P (λ) (T < ∞) =
2
and use that
T = inf{t : Bt − t/2 > ln a} = inf{t : Wt + (λ − 1/2)t > ln a}
2
Exercice 6.5.3 : Le processus (Mt = exp(θB̃t − θ2 t ) , t ≥ 0) est une Pµ -
martingale et si a et θ sont positifs (Mt∧Ta , t ≥ 0) est uniformément intégrable,
car majorée par exp(θa). On en déduit EPµ (MTa ) = 1 d’où
p
−λTa aµ a µ2 + 2λσ 2
EP (e 11Ta <∞ ) = exp( 2 − )
σ σ2
et on vérifie que Ta est fini (faire λ = 0).
et en appliquant Girsanov,
µ ¶1/2 Ã Z T Z T Z t !
u(T ) u(t) f (s)
K= EQ Ψ(A + Bu(T ) dBt + dtφ(t)u(t) dBs )
u(0) 0 f (t) 0 0 u(s)
On peut calculer le membre de droite, car c’est l’exponentielle d’une gausienne.
p σ 0 (t)
Exercice 6.6.16 : On a dr = 2 σ(t)rt dWt + ([2β(t) + ]rt + δσ(t))dt.
σ(t)
L’etude de Z se fait par une IP.
Exercice 6.5.5 :
1. Utiliser Girsanov et Bayes.
2. C’est le théorème de Girsanov appliqué sur l’espace produit.
3. Appliquer Itô. Les termes en dt sont nuls car π est une martingale.
Corrigés. 2005-06 165
6.6 Finance
à !+
Z T
1
Exercice 6.6.14 : Il s’agit de calculer A = E e−rT Su du − ST
T 0
Exercice 6.6.15 :
σ 0 (t)
1. On a drt = rt dt + σ(t)(dWt + h(t)dt).
σ(t)
2. On reconnait une exponentielle de Doleans Dade, et une intégration par
parties donne le résultat.
3. En appliquant Girsanov, et en utilisant que rt = σ(t)Yt
à " Z #! à ÃZ Z Z T !!
T T
1 T 2
E exp − rs ds = E exp h(s)dWs − h (s)ds − σ(s)Ws ds
0 0 2 0 0
se calcule en recherchant une fonction g telle que g 0 (s) = σ(s)+h0 (s), g(T ) =
h(T ). On obtient alors
à " Z #! à Z ! à Z !
T
1 T 2 1 T 2
E exp − rs ds = exp − h (s)ds A = exp (g (s) − h2 (s))ds
0 2 0 2 0
166 Compléments
Exercice 6.6.7 Pour évaluer EP (h(ST )|Ft ) dans le cas h(x) = (xα − K)+ , on
b2
utilise ce qui précède en écrivant STα sous la forme x exp((a − )t + bWt ). IL
2
est facile de vérifier que sous Q,
et comme W̃ donc −W̃ est un MB, Z a même dynamique sous Q que S sous
P . Par suite
∀ϕ, EP (ϕ(ST )) = EQ (ϕ(ZT )) .
Par définition de Q
1 x2 x2
EP (ST f ( )) = EQ (f ( )) .
x ST ST
Par définition de Z,
x2
EQ (ST f ( )) = EQ (f (ZT )) = EP (f (ST )) .
ST
Si S a est une martingale, le même raisonnement conduit à la formule souhaitée.
Un peu d’algèbre permettait décrire xβ (x − K)+ comme
Compléments, Corrigés
loi
(St − Wt , St , Wt ; θ ≤ t ≤ 1) = (|Wt |, Lt , Lt − |Wt |; g ≤ t ≤ 1)
D’où
loi
Wθ , sup (St − Wt − St )) = Lg − |Bg |, sup (|Wt | − Lt ) = (Lg , sup (|Wt | − Lg )
θ≤t≤1 g≤t≤1 g≤t≤1
Thus
loi
D1 = Wθ + sup (St − Wt − St ) = Lg + sup |Wt | − Lg
θ≤t≤1 g≤t≤1
E(f (St+s − Bt+s , St+s |Fs ) = E(f ((Ss − Bs ) ∨ Set − Bet , Bs + (Ss − Bs ) ∨ Set St+s )|Fs )
Z
= µt (da, d`)f (α ∨ ` − (` − a), (λ − α) + α ∨ `)
167
168 Compléments
Exercice 7.3.2 : M est une intégrale stochastique, l’intégrand est borné donc
de carré intégrable, M est une martingale.
Par propriété de l’intégrale stochastique
·Z t ¸2 Z t
11Ws >0 dWs − (11Ws >0 )2 ds
0 0
Su = sup Ws ≥ St = sup Ws
s≤u s≤t
Z t
Exercice 7.4.7 : From the occupation formula and change of time dhM is f (Ms ) =
0
Z t Z hM it Z
dhM is f (βhM is ) = duf (βu ) = dyf (y)LyhM it (β).
0 0
170 Compléments
7.5 Lois
Exercice 7.5.1 : Soit Yt = f (Xt ). On en déduit
Xt 1¡ 1 Xt b0 (Xt ) ¢ 2
dYt = dXt + − 2 b (Xt )dt
b(Xt ) 2 b(Xt ) b (Xt )
¡ a(Xt ) ¢ 1¡ ¢
= Xt dt + dWt + b(Xt ) − Xt b0 (Xt ) dt
b(Xt ) 2
Le résultat souhaité en découle.
Z t Z t
£ a(Xs ) 1 ¡ 0
¢¤
f (Xt ) − f (X0 ) − Xs + b(Xs ) − Xs b (Xs ) ds = Xs dWs
0 b(Xs ) 2 0
7.6 Filtrations
Exercice 7.6.2 : Mt = E(Wt |Ht ) est un processus H-adapté. Pour montrer
que c’est une H-martingale, il suffit d’écrire la suite d’égalités suivantes, pour
Corrigés. 2005-06 171
t≥s
Pour montrer que Z est une FX -martingale, on écrit (en justifiant chaque égalité,
ce que je ne fais pas)
Z t
E(Zt |FsX ) = E(Xt |FsX ) − E( Ybu du|FsX )
0
Z t Z t
= E(Wt + X
Yu du|Fs ) − E( Ybu du|FsX )
0 0
Z s Z t Z s Z t
X
= E(Wt |Fs ) + E( X
Yu du|Fs ) + E( X
Yu du|Fs ) − b
Yu du − E( Ybu du|FsX )
0 s 0 s
Z s Z t Z s Z t
X
= E(Ws |Fs ) + E( X
Yu du|Fs ) + E( X
Yu du|Fs ) − b
Yu du − E( Ybu du|FsX )
0 s 0 s
Z t Z s Z t
= E(Xs |FsX ) + E(Yu |FsX )du − Ybu du − E( Ybu du|FsX )
s 0 s
Z t Z s Z t
= Xs + Ybu du − E(Ybu |FsX )du − E( Ybu du|FsX )
s 0 s
Z s
= Xs − Ybu du)
0
et par indépendance
Z t Z t
∗ ∗
P (T ∈ du)P (Bt−u > y−x) = P (T ∈ du, Bt−u > y−x) = P (T < t, Bt > 2y−x)
0 0
172 Compléments
En tenant compte du fait que si Bt > 2y − x et y > x , alors Bt > y, donc T < t
on en déduit P (T < t, Bt > 2y − x) = P (Bt > 2y − x) d’où
En utilisant
on obtient
x x − 2y
P (Bt ≤ x, Mt < y) = N ( √ ) − N ( √ )
t t
3. La loi de T s’obtient en écrivant P (T < t) = P (Mt < y) et la densité du
couple (Bt , Mt ) en dérivant P (Bt ≤ x, Mt < y).
4. Soit Xt = µt + Bt , Yt = sup (Xs , 0 ≤ s ≤ t}. Soit dQ = ζdP avec ζ =
exp(−µXt + 21 µ2 t). En utilisant le théorème de Girsanov, on a
1
P (Xt < x, Yt < y) = EQ (exp(µXt − µ2 t) 11Xt <x 11Yt <y )
2
que l’on peut calculer car sous Q, X est un mouvement Brownien et on connait
la loi du couple (x, Y ) sous Q.
loi (a − Wt )2
dat (W ) = t + inf {u ≥ 0 : Wu+t − Wt = a − Wt } = t + τba−Wt = t + .
G2
³ a2 ´ ³ kak ´
P > 1 − t = Φ √ .
G2 1−t
Then, the Itô-Tanaka formula combined with the identity xΦ0 (x) + Φ00 (x) = 0
lead to
µ ¶ Z t µ ¶ µ ¶ Z µ ¶
|Wt | 0 |Ws | |Ws | 1 t ds 00 |Ws |
P (g ≤ t|Ft ) = Φ √ = Φ √ d √ + Φ √
1−t 0 1−s 1−s 2 0 1−s 1−s
Z t µ ¶ Z t µ ¶
0 |W s | sgn(W s ) dL s 0 |Ws|
= Φ √ √ dWs + √ Φ √
0 1−s 1−s 0 1−s 1−s
Z t µ ¶ r Z t
|Ws | sgn(Ws ) 2 dL
= Φ0 √ √ dWs + √ s .
0 1 − s 1 − s π 0 1−s
Exercice 7.4.6 : The occupation time formula leads to
Z Ta (X) Z a
E f (Xs ) ds = f (x)E[LxTa ]dx
0 −∞
which gives
1
ν (1 − exp(2ν(x − a))
for 0 ≤ x ≤ a
φ(x) =
1 (1 − exp(−2νa)) exp(2νx) for x ≤ 0
ν
174 Sauts.
Sauts, Corrigés.
Il est bien connu (ou tout au moins facile de vérifier ) que si X et Y sont deux
variables de Poisson, indépendantes, de paramètre µ et ν
µ ¶
n
P (X = k|X + Y = n) = αk (1 − α)n−k
k
µ
avec α = . On en déduit
µ+ν
t−s
E(Nt − Ns |Fs ∧ σ(N1 )) = (N1 − Ns )
1−s
La vérification de la propriété de martingale est alors facile.
λn t n
Exercice 8.1.4 : Si N est un processus de Poisson, P (Nt = n) = e−λt
n!
d’ou
ψ(z, t) = e−λt e−λtz
loi
Si N un processus à accroissements indépendants tel que Nt+s − Nt = Ns
X
ψ(z, t + s) = z n P (Nt+s = n) = E(z Nt+s ) = E(z Nt+s −Nt +Nt )
n
= E(z Nt+s −Nt )E(z Nt ) = E(z Ns )E(z Nt ) = ψ(z, t)ψ(z, s)
On en déduit
ψ(z, t + h) − ψ(z, t) = ψ(z, t)[ψ(z, h) − 1]
ce qui conduit à une EDO en urilisant les propriétés de ψ données dans l’énoncé.
En tenant compte de ψ(z, 0) = 1, on montrait que ψ(z, t) = e−λt e−λtz , ce qui
175
176 Sauts.
avec
n+Nt−s n+k
X X X
Ψ(n) = E( Yi ) = P (Nt−s = k)E( Yi )
i=n+1 i=n+1
X
= P (Nt−s = k)kE(Y1 ) = E(Y1 )E(Nt−s ) = E(Y1 )λ(t − s)
Pour calculer la TL, il suffit d utiliser que pour toute fonction h (ici, pour t fixé
h(s) = −λ(t − s)) si c est l’intensité de N
Z t Z t
E(exp( h(s)dNs ) = exp(−c (1 − eh(s) )ds)
0 0
where ψ(λ, n) = E(λY1 )n . From the independence of N and the r.v. (Yk , k ≥ 1)
and using the Poisson law of Nt , we get
X n
X
P (Xt ≤ x) = P (Nt = n, Yk ≤ x)
n k=1
X n
X
= P (Nt = n)P ( Yk ≤ x)
n k=1
X (λt)n
= e−λt F ∗ (x) .
n
n!
and
∞
X n
X ∞
X
E(Xt ) = E( Yk 11Nt =n ) = nE(Y )P (Nt = n)
n=1 k=1 n=1
∞
X
= E(Y ) nP (Nt = n) = λtE(Y1 ) .
n=1
The computation of the variance can be done with the same method, however,
it is more convenient to use the Laplace transform of Xt and the fact that the
second moment is obtained from the second derivative of the Laplace transform.
Exercice 8.2.2 : From the independence of increments, we obtain that
(Xt − tλE(Y ), t ≥ 0) is a martingale.
R More generally, for any bounded Borel
function f , we denote by µ(f ) = f (x)µ(dx) the expectation E(f (Y )). From
the definition of M f ,
X X
E(Mtf ) = E(f (Yn ))P (Tn < t) − tλµ(f ) = σ(f ) P (Tn < t) − tλµ(f ) = 0
n n
178 Sauts.
The proof of the proposition is now standard and results from the computation
of conditional expectation which lead to, for s > 0
f
X
E(Mt+s − Mtf |Ft ) = E f (∆Xu )11∆Xu 6=0 − sλµ(f )|Ft = 0 .
t<u≤t+s
iux
where f (x) = e − 1. Hence,
Z t+s
E(eiuXt+s |Ft ) = eiuXt + σ(f ) drE(eiuXt+r |Ft )
t
Rs
Setting ϕ(s) = E(eiuXt+s |Ft ) one get ϕ(s) = ϕ(0) + σ(f ) 0 ϕ(r)dr, hence
Z
E(eiuXt+s |Ft ) = es λ µ(dx)(eiux − 1)
dQ
The unique equivalent martingale measure Q is defined by |F = Lt where
dP t
L is the strictly positive martingale
µ ¶Nt
λφ − µ
Lt = exp(tµ/φ)
λφ
µ
which satisfies dLt = −Lt− dMt .
λφ
def
Under the measure Q, M̃t = Mt + tµ/φ is a martingale.
Exercice 8.5.2 : Les m.m.e. sont définies par leur densité L vérifiant
avec
σψ(t) = b − r + λφγ(t) , dP ⊗ dt.p.s.
Elles sont indexées par un processus γ > −1. Sous P γ , le processus W γ défini
par Z t
def
W γ (t) = W (t) − ψ(s) ds
0
Z t
def
est un mouvement Brownien M γ (t) = M (t) − λγ(s)ds est une martingale.
0
On utilisera
Z t Z t
γ(s) γ(s)
W γ (t) = W (t) + tθ + λφ ds = W 0 (t) + λφ ds
0 σ 0 σ
b−r
avec θ = .
σ
180 Sauts.
Bibliography
181