COLE POLYTECHNIQUE

FDRALE DE LAUSANNE
Travail de dipl ome
Absence darbitrage et
martingales
par
Lionel Gomez Sanchez
Sous la responsabilite du professeur Robert C. Dalang
assiste du Dr. Benjamin Berge
Departement de Mathematiques Fevrier 2002
Remerciements
Je tiens ` a remercier ici toutes les personnes qui mont apporte leur soutien
pour laccomplissement de ce travail de dipl ome.
Mes remerciements vont au professeur Robert C. Dalang qui ma accueilli
dans son groupe de recherche pour pouvoir faire mon travail de dipl ome.
Je suis reconnaissant envers mon assistant de projet, M. Benjamin Berge,
pour avoir investi son temps tout au long des semaines et contribue au bon
deroulement de ce travail.
1
Table des mati`eres
Remerciements 1
1 Introduction 3
2 Quelques preliminaires 4
2.1 Esperance conditionnelle . . . . . . . . . . . . . . . . . . . . . 4
2.1.1 Proprietes de lesperance conditionnelle . . . . . . . . . 5
2.2 Martingales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.3 Version reguli`ere de lesperance conditionnelle . . . . . . . . . 7
3 Mod`eles utilises en mathematiques nanci`eres 8
3.1 Quelques denitions sur les actifs . . . . . . . . . . . . . . . . 8
3.2 Quelques denitions sur les strategies . . . . . . . . . . . . . . 8
3.2.1 Strategie previsible . . . . . . . . . . . . . . . . . . . . 9
3.2.2 Strategies auto-nancee . . . . . . . . . . . . . . . . . 9
3.2.3 Strategie admissible . . . . . . . . . . . . . . . . . . . . 11
3.2.4 Strategie darbitrage . . . . . . . . . . . . . . . . . . . 11
3.3 Marche viable . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.4 Marche complet . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.5

Evaluation des options . . . . . . . . . . . . . . . . . . . . . . 17
3.5.1

Evaluation et couverture des actifs conditionnels dans
les marches complets . . . . . . . . . . . . . . . . . . . 17
3.5.2 Un exemple : le mod`ele de Cox-Ross-Rubinstein . . . . 17
3.5.3 Premi`ere approche des options americaines . . . . . . . 20
3.6 Temps darret optimal et options americaines . . . . . . . . . 21
3.6.1 Temps darret . . . . . . . . . . . . . . . . . . . . . . . 21
3.6.2 Enveloppe de Snell . . . . . . . . . . . . . . . . . . . . 23
3.6.3 Decomposition de Doob . . . . . . . . . . . . . . . . . 26
3.6.4 Application aux options americaines . . . . . . . . . . 27
3.6.5 Couverture des options americaines . . . . . . . . . . . 27
3.6.6 Options americaine et europeenne . . . . . . . . . . . . 29
4 Une preuve du theor`eme fondamental de la nance lorsque
Card() = + 31
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.2 Propositions auxiliaires . . . . . . . . . . . . . . . . . . . . . . 32
5 Une autre preuve du theor`eme fondamental de la nance 46
2
1 Introduction
Les banques et les compagnies dasurance ne cessent de prendre de lampleur
par le nombre de services quelles orent. Il est possible dans son portefeuille
dacheter des actions Swissair, Nestle an de chercher ` a faire du prot .
En particulier, le comportement imprevisible du marche des actions semble
avoir un comportement eratique.
Cest pour comprendre ce marche des actions que nous allons nous interesser
aux notions doption (put ou call ) et de portefeuille qui sont des termes
frequemment utilises par les medias.
Nous porterons notre attention aussi sur les notions de part dactifs et de
prix dactifs beaucoup employees pour decrire les mod`eles dun marche.
Nous aimerions savoir comment ces mod`eles sont denis pour decrire le com-
portement dun marche an de pouvoir faire des previsions.
Les outils de mathematiques nanci`eres sont beaucoup utilises pour trouver
des mod`eles qui peuvent decrire le marche de mani`ere satisfaisante.
Cest pour repondre ` a ces questions que nous nous sommes interesses aux
mathematiques nanci`eres.
Nous allons dabord parler dans ce rapport de quelques outils de probabilite
tels que esperance conditionnelle et martingale. Ensuite nous denissons les
outils utilises dans les mod`eles.
Enn nous donnons plusieurs demonstrations du theor`eme fondamental de la
nance qui stipule que dans un marche o` u il nest pas possible de realiser de
prot sans prendre de risque, il existe une probabilite equivalente ` a la proba-
bilite de depart sous laquelle les prix actualises sont des martingales. Ceci
veut dire que nous pouvons utiliser des outils mathematiques an de pou-
voir evaluer le prix des options, se couvrir deventuels risques et de pouvoir
faire des previsions dans le futur. La premi`ere demonstration dans le cas o` u
Card < est issue du livre de Lamberton Lapeyre. La deuxi`eme preuve
dans le cas o` u Card = est d ue ` a Rogers et la troisi`eme preuve dans le
cas o` u Card = est d ue ` a Stricker et Kabanov .
3
2 Quelques preliminaires
Dans toute cette partie, (,T,P) est un espace de probabilite.
2.1 Esperance conditionnelle
Denition 2.1 Soit Q une mesure de probabilite sur T. Nous disons que Q
est absolument continue par rapport ` a P si et seulement si pour tout A T
veriant P(A) = 0 alors Q(A) = 0. Nous notons Q P.
L
1
(,T,P) est lespace des classes dequivalence des fonctions integrables o` u
f et g sont identiees lorsque f = g P-p.p.. Le theor`eme suivant permet
detablir une relation entre deux mesures de probabilite absolument conti-
nues. Le theor`eme se trouve dans [4].
Theor`eme 2.1 (Theor`eme de Radon-Nikodym) Soient P et Q deux me-
sures nies sur T telles que Q P. Alors il existe une fonction h
L
1
(,T,P) telle que Q(A) =
_
A
h dP. Nous notons
dQ
dP
= h.
Dans le theor`eme qui vient, nous verrons la construction dun outil mathe-
matique beaucoup utilise, appele lesperance conditionnelle.
Theor`eme 2.2 (Existence et unicite de lesperance conditionelle)
Soit X: R une variable aleatoire reelle telle que X L
1
(,T,P) et B
une sous-tribu de T.
Il existe une et une seule variable aleatoire Y notee E(X[B) veriant les
proprietes suivantes :
(i) Y est B-mesurable ;
(ii) pour tout A B,
_
A
X dP =
_
A
Y dP.
Preuve 1 cas : X 0
Existence
Sur lespace mesurable (,B), nous considerons les deux mesures P
|B
, res-
triction de P ` a B (i.e. P
|B
(A) = P(A) pour tout A B) et Q denie par
Q(A) =
_
A
X dP avec A B. Alors Q P
|B
. En fait si A B verie
P(A) = 0, alors
_
A
X dP = 0 donc Q(A) = 0.
En appliquant le theor`eme de Radon-Nykodym (avec T = B), il exite une
fonction Y L
1
(,B,P
|B
), (Y est donc B-mesurable i.e.(i)) telle que Q(A) =
_
A
Y dP pour tout A B i.e. (ii). Do` u lexistence de E(X[B).
4
Unicite
Montrons que Y est unique. Si Y et Y

verient (i) et (ii), alors Y Y

est
B-mesurable donc A = Y Y

0 B et par (ii)
_
A
X dP =
_
A
Y dP =
_
A
Y

dP ce qui entrane
_
A
(Y Y

) dP = 0 donc Y Y

= 0 P-p.s..
Le cas quelconque se deduit de la decomposition X = X
+
X

, o` u X
+
=
max(X,0) et X

= max(X,0)
2.1.1 Proprietes de lesperance conditionnelle
Proposition 2.1 Soient X une variable aleatoire ` a valeur reelle, ,

R,
B une tribu et ( une sous-tribu de B. Notons par E lesperance sous P. Alors
nous avons les relations suivantes
(a) E(X +

X[B) = E(X[B) +

E(X[B) Linearite ;
(b) si X 0, alors E(X[B) 0 p.s. positivite. Par consequent si X Y ,
avec (a), alors E(X[B) E(Y [B) p.s. ;
(c) si X est B-mesurable E(X[B) = X p.s. ;
(d) E(E(X[B)) = E(X) ;
(e) E(E(X[B)[() = E(X[().
2.2 Martingales
Nous allons donner quelques denitions qui vont nous servir ` a introduire la
notion de martingale.
Denition 2.2 Une ltration est une famille (T
n
)
0nN
de sous-tribus de
T veriant T
n
T
n+1
pour tout n 0, . . . ,N.
Denition 2.3 Une suite (X
n
)
0nN
est adaptee ` a la ltration (T
n
)
0nN
si pour tout n, X
n
est T
n
-mesurable.
Denition 2.4 Une suite (X
n
)
0nN
de variables aleatoires integrables re-
elles adaptee est :
(i) une martingale si E(X
n+1
[T
n
) = X
n
pour tout n N 1 ;
(ii) une sur-martingale si E(X
n+1
[T
n
) X
n
pour tout n N 1 ;
(iii) une sous-martingale si E(X
n+1
[T
n
) X
n
pour tout n N 1.
5
Remarque 2.1 Si (M
n
)
n
est une martingale, alors E(M
n
) = E(M
0
) pour
tout n.
Ces denitions peuvent etre etendues au cas multidimensionnel, par exemple
une suite (X
n
)
0nN
` a valeurs dans R
d
est une martingale si chaque com-
posante est une martingale. On peut aussi denir les martingales en temps
continu.
Denition 2.5 Une suite (H
n
)
0nN
de variables aleatoires est previsible
par rapport ` a la ltration (T
n
)
0nN
si pour tout 1 n N, H
n
est T
n1
-
mesurable.
La proposition suivante permet de generer des martingales ` a partir dune
martingale et dune suite previsible.
Proposition 2.2 Soit (M
n
)
0nN
une martingale et (H
n
)
0nN
une suite
previsible par rapport ` a la ltration (T
n
)
0nN
. Posons M = M
n
M
n1
.
La suite (X
n
)
0nN
denie pour n 1 par
X
0
= H
0
M
0
X
n
= H
0
M
0
+H
1
M
1
+ +H
n
M
n
est une martingale par rapport ` a (T
n
)
0nN
.
La variable aleatoire (X
n
)
0nN
est appelee la martingale transformee de
(M
n
)
n
par (H
n
)
0nN
.
Preuve
Pour tout n, la variable aleatoire X
n
est une somme et produit de fonctions
au plus T
n
-mesurables, elle est donc T
n
-mesurable, pour 0 n N. De plus
pour tout n, en utilisant le fait que H
n
est T
n1
-mesurable et que M
n
est une
martingale, nous avons
E(X
n+1
X
n
[T
n
) = E(H
n+1
(M
n+1
M
n
)[T
n
)
= H
n+1
E((M
n+1
M
n
)[T
n
)
= 0.
Par consequent E(X
n+1
[T
n
) = E(X
n
[T
n
) = X
n
, ce qui montre que (X
n
)
n
est
une martingale.
La proposition suivante permet de caracteriser les martingales.
Proposition 2.3 Une suite de variables aleatoires reelles adaptees (M
n
)
0nN
est une martingale si et seulement si pour toute suite previsible (H
n
)
0nN
,
6
nous avons
E
_
N

n=1
H
n
M
n
_
= 0.
Preuve
Soit (H
n
)
0nN
une suite previsible. Si (M
n
)
0nN
est une martingale, la suite
(X
n
)
0nN
denie par X
0
= 0 et X
n
=
N

n=1
H
n
M
n
pour 1 n N, est
une martingale par la proposition 2.2. Alors E
_
N

n=1
H
n
M
n
_
= E(X
n
) =
E(X
0
) = 0.
Reciproquement, nous choisissons pour j 1, . . . ,N xe, la suite (H
n
)
0nN
par H
n
= 0 pour n ,= j + 1 et H
j+1
= 1
A
o` u A est T
j
-mesurable.
La variable aleatoire H
n
est T
n1
-mesurable donc la suite (H
n
)
n
previsible.
Par suite
E
_
N

n=1
H
n
M
n
_
= E(1
A
(M
j+1
Mj)) = 0.
Par consequent E(M
j+1
[T
j
) = M
j
.
2.3 Version reguli`ere de lesperance conditionnelle
Denition 2.6 Soient X: (,T) (S,o), o` u (S,o) est un espace mesurable
et ( une sous-tribu de T. Une mesure est appelee la version reguli`ere de
lesperance conditionnelle de X sachant ( si
(i) pour tout A B, (,A) = P(X A[()() = E(1
XA
[()();
(ii) pour tout , A (,A) est une mesure de probabilite sur (S,o).
Le theor`eme suivant permet decrire une integrale de Lebesgue sous forme
desperance conditionnelle. Ce theor`eme se trouve dans [3].
Theor`eme 2.3 Soit f : (S,o) (R,B) et E[f(X)[ < , alors
E(f(X)[() =
_
R
(,dx)f(x) p.s.
7
3 Mod`eles utilises en mathematiques nanci`eres
Le but de cette partie est de denir des outils de mathematiques nanci`eres :
les actifs, le prix des actifs, la notion de strategie darbitrage. Ces notions
seront utilisees pour enoncer le premier theor`eme fondamental de la nance,
dont nous etudierons plusieurs demonstrations se trouvant dans [6], [7], [8].
Ensuite nous etudierons le mod`ele de Cox-Ross-Rubinstein [6] qui est un
exemple concret o` u nous appliquerons le theor`eme cite precedemment.
3.1 Quelques denitions sur les actifs
Dans cette partie (,T,P) est un espace de probabilite ni, i.e. Card() < ,
et soit (T
n
)
(0nN)
une ltration .
La tribu T
n
peut etre interpreter comme linformation dont nous disposons
au temps n.
Dans cette partie nous supposerons que T
0
= ,, T
N
= T = T() et que
pour tout , P() > 0.
Le vecteur des prix S
n
= (S
0
n
,S
1
n
, . . . ,S
d
n
) est tel que S
i
n
est une variable
aleatoire reelle T
n
-mesurable, represente le prix de lactif nancier de type i
dans le marche. Nous denissons les prix actualises par

S
n
=
S
n
S
0
n
.
La variable aleatoire S
0
n
represente lactif sans risque, et est tel que S
0
0
= 1.
Si le taux dinteret pendant une periode est egal ` a r, alors S
0
n
= (1 + r)
n
, le
coecient
n
=
1
S
0
n
est appele le taux dactualisation. En fait, si un montant
egal ` a
n
a ete investi au temps 0, celui-ci va rapporter un montant de 1 franc
au temps n.
Lactif sans risque peut etre compare ` a un compte ` a la banque ` a un taux
dinteret r.
3.2 Quelques denitions sur les strategies
Denition 3.1 Une strategie est denie par une suite = ((
0
n
,
1
n
,..,
d
n
))
0nN
de variables aleatoires ` a valeurs dans R
d+1
, o` u
i
n
represente le nombre de
parts de lactif i dans le portefeuille au temps n.
Nous allons denir la valeur du portefeuille.
Denition 3.2 (i) la valeur du portefeuille au temps n est denie par
V
n
() =
n
.S
n
=
d

i=0

i
n
S
i
n
;
8
(ii) sa valeur actualisee est

V
n
() =
n
(
n
.S
n
) =
n
.

S
n
.
3.2.1 Strategie previsible
Denition 3.3 La strategie est previsible, si pour tout i 0,1,...,N,
_

i
0
est T
0
-mesurable
et, pour n 1,
i
n
est T
n1
-mesurable.
Cela veut dire que (
0
n
,
1
n
,....,
d
n
) est compl`etement determine par rapport ` a
linformation disponible au temps (n1) et garde ces valeurs jusquau temps
n.
3.2.2 Strategies auto-nancee
Denition 3.4 Une strategie est dite auto-nancee si lequation suivante est
veriee pour tout n 0,1,....,N 1

n
.S
n
=
n+1
.S
n
.
Linterpretation est la suivante : une fois que les nouveaux prix S
0
n
,S
1
n
,...,S
d
n
sont connus, nous calculons
n+1
sans consommer et sans apporter de ri-
chesses exterieures.
Remarque 3.1 Si est une strategie auto-nancee legalite suivante est
evidente

n+1
(S
n+1
S
n
) =
n+1
.S
n+1

n
.S
n
;
ce qui revient ` a ecrire
V
n+1
() V
n
() =
n+1
(S
n+1
S
n
).
Au temps n+1, la valeur du portefeuille est egale ` a
n+1
.S
n+1
. Alors
n+1
.S
n+1

n+1
.S
n
est le gain net cause par les changements de prix du temps n au temps
n + 1. Le prot ou la perte sont d us uniquement ` a un changement de prix.
Proposition 3.1 Les points suivants sont equivalents.
(i) La strategie est auto-nancee ;
9
(ii) pour tout n 1,....,N,
V
n
() = V
0
() +
n

j=1

j
.S
j
avec S
j
= S
j
S
j1
,j 1,...,N ;
(iii) pour tout n 1,....,N,

V
n
() = V
0
() +
n

j=1

j
.

S
j
avec

S
j
=

S
j


S
j1
=
j
S
j

j1
S
j1
.
Preuve
Lequivalence entre (i) et (ii) sobtient par la remarque 3.1 et en sommant
de 0 ` a N 1.
Lequivalence entre (i) et (iii) decoule du fait que
n
.S
n
=
n+1
.S
n
si et
seulement si
n
.

S
n
=
n+1
.

S
n
.
Proposition 3.2 Pour toute suite previsible (
1
n
, . . . ,
d
n
)
0nN
et pour toute
variable aleatoire V
0
T
0
-mesurable, il existe une unique suite previsible (
0
n
)
0nN
telle que la strategie = (
0
n
,
1
n
, . . . ,
d
n
) sauto-nance et ait pour valeur ini-
tiale V
0
.
Preuve
La condition dauto-nancement et la proposition 3.1 impliquent

V
n
() = V
0
() +
n

j=1
(
1
j

S
1
j
+ +
d
j

S
d
j
).

V
n
() =
0
n
+
1
n

S
1
n
+ +
d
n

S
d
n
car par denition et

S
0
n
= 1.
Ces deux egalites denissent
0
n
par

0
n
= V
0
+
n

j=1
(
1
j

S
1
j
+ +
d
j

S
d
j
) + (
1
n
(

S
1
n
) + +
d
n
(

S
d
n
))

0
n
= V
0
+
n1

j=1
(
1
j

S
1
j
+ +
d
j

S
d
j
) + (
1
n
(

S
1
n1
) + +
d
n
(

S
d
n1
)).
La variable aleatoire est T
n1
-mesurable en tant que somme et produit de
fonctions au plus T
n1
-mesurables.
10
3.2.3 Strategie admissible
Denition 3.5 Une strategie est dite admissible si elle sauto-nance et
si V
n
() 0 pour tout n 0,...,N.
Remarque 3.2 Nous nobligerons pas
i
n
` a etre positif. Si
0
n
< 0, nous
emprunterons la somme [
0
n
[ dans lactif sans risque et si
i
n
< 0 pour i 1,
nous dirons que nous sommes ` a court dactifs de type i.
Le fait detre ` a court dactif ou demprunter est autorise mais la valeur du
portefeuille doit etre positive en tout temps : linvestisseur doit etre capable
de payer ses dettes en tout temps. La valeur du portefeuille doit etre positive
en tout temps.
3.2.4 Strategie darbitrage
Denition 3.6 Une strategie darbitrage est une strategie telle que
(i) est une strategie admissible ;
(ii) V
0
() = 0 p.s. et P(V
N
() > 0) > 0.
Linterpretation de cette notion est que lorsquil ny a pas de strategies dar-
bitrage nous ne pouvons pas faire de prot sans prendre de risque.
3.3 Marche viable
Denition 3.7 Un marche est viable sil ny a de strategie darbitrage.
Lemme 3.1 Si le marche est viable, alors toute suite previsible, (
1
, . . . ,
d
)
verie

G
N
() /
o` u est le c one convexe des variables aleatoires strictement positives et

G
n
() =
n

j=1
(
1
j

S
1
j
+ +
d
j

S
d
j
).
Preuve
Par labsurde, supposons que

G
N
() . Dabord si

G
n
() 0 pour tout
n 0,...,N alors le marche nest pas viable. En eet en prenant la suite
(
1
,...,
d
) et V
0
= 0, dapr`es la proposition 3.2, il existe une strategie (
0
,...,
d
)
telle que

V
n
() = V
0
() +
n

j=1
_

1
j

S
1
j
+ +
d
j

S
d
j
)
_
.
11
La variable aleatoire

V
n
() =

G
n
() est positive donc est admissible. Par
lhypoth`ese

G
N
() , nous avons

V
N
() ce qui entrane que est une
strategie darbitrage.
Dautre part si les

G
n
() ne sont pas tous positifs, alors nous pouvons denir
n = supk 0, . . . ,N : P(

G
k
() < 0) > 0.
Dapr`es la denition de n, il sensuit que pour n N 1, nous avons
pour tout m > n,

G
m
() 0 et

G
N
() .
Nous pouvons denir une nouvelle suite

j
() =
_
0 si j n
1
A
()
j
() si j > n
o` u A est lev`enement

G
n
() < 0 T
n
.
Si j > n, est previsible car
j
secrit comme un produit de deux variables
aleatoires T
j1
-mesurables. Par suite,

G
j
() =
_
0 car
j
= 0 si j n
1
A
(

G
j
()

G
n
()) si j > n
parce que si j > n, nous avons

G
j
() =
j

k=n
(
1
k

S
1
k
+ +
d
k

S
d
k
)
=
j

k=1
(
1
k

S
1
k
+ +
d
k

S
d
k
)
n

k=1
(
1
k

S
1
k
+ +
d
k

S
d
k
).
Par consequent,

G
j
() 0 pour j 0,1, . . . ,N car

G
j
() 0 si j > n et

G
n
() est positive sur A, ce qui implique que
j
est une strategie admissible
car

V
n
() =

G
n
().
Puisque

V
0
() = 0 (parce que V
0
() = 0) et

G
N
() > 0, alors est une
strategie darbitrage ce qui contredit la viabilite du marche.
Connaissant les prix jusquau temps n, nous aimerions bien predire ou trouver
une relation entre ces prix connus et les prix du futur. Cest avec cette am-
bition que nous allons donner plusieurs demonstrations du theor`eme suivant
appele le theor`eme fondamental de la nance.
Theor`eme 3.1 Le marche est viable si et seulement si il existe une probabi-
lite P

equivalente ` a P sous laquelle les prix actualises sont des martingales.

12
Preuve
Commen cons par supposer quil existe une probabilite P

equivalente ` a P
sous laquelle les prix actualises sont des martingales.
Pour toute strategie auto-nancee (
n
)
n
, la proposition 3.1 implique

V
n
() = V
0
() +
n

j=1

j
.

S
j
.
Dapr`es la proposition 2.3,

V
n
() est une P

-martingale. Donc

V
N
() et

V
0
()
ont la meme esperance sous P

V
N
()) = E

V
0
()),
o` u E

represente lesperance sous P

. Si est admissible et a pour valeur

initiale

V
0
() = 0, alors E

V
N
()) = 0. Ainsi

V
N
() = 0 car

V
N
() 0
pour tout . Il nexiste donc pas de strategies darbitrage, le marche est
viable.
Reciproquement supposons que le marche est viable. Soit L lensemble des
variables aleatoires

G
N
() avec une suite previsible dans R
d
.
L =
_
N

j=1

j
.S
j
, est une suite previsible
_
.
L est un sous-espace vectoriel de lensemble des variables aleatoires reelles
denies sur . Dapr`es le lemme 3.1, L nintersecte pas .
Rappelons que Card() < . Posons K =
_
X /

X() = 1
_
. Mon-
trons que K est un convexe compact inclus dans .
En eet si X,Y K alors pour tout t [0,1],

(tX + (1 t)Y )() =

t + 1 t = 1 donc K est convexe.
Il est evident que lensemble K est borne. De plus K est ferme car si (X
n
)
n

K et X = lim
n+
X
n
alors

X() =

lim
n+
X
n
() = 1
(puisque Card() est ni, on peut permuter somme et limite).
Dans la suite nous allons utiliser le theor`eme suivant, appele le theor`eme de
la separation des convexes. Ce theor`eme se trouve dans [1].
Theor`eme 3.2 Soit K un convexe compact et L un sous-espace vectoriel de
R
n
. Si L et K sont disjoints, il existe une fonctionnelle lineaire T denie sur
R
n
, satisfaisant les conditions suivantes :
(i) pour tout x K, T(x) > 0 ;
13
(ii) pour tout x L, T(x) = 0.
Autrement dit L est inclus dans un hyperplan qui nintersecte pas K.
Puisque K et L denis precedemment verient les hypoth`eses du theor`eme
de la separation des convexes, alors pour tout , il existe () R
d
telle que
T(x) = ().x. Ainsi nous avons
(1) pour tout X K,

()X() > 0 ;
(2) pour tout previsible

()

G
N
()() = 0.
Pour que la probabilite P

denie ci-dessous soit equivalente ` a P i.e. P() >

0 si et seulement si P

() > 0, il faut que () > 0 pour tout , car

) > 0.
P

() =
()

)
.
De plus pour toute suite previsible (
n
)
n
` a valeurs dans R
d
, nous avons
E

_
N

j=1

S
j
_
=

()

G
N
()() = 0
car

()

G
N
()() = 0. En utilisant la proposition 2.3 (

S
1
n
, . . . ,

S
d
n
) est
une P

-martingale.
Remarque 3.3 Si nous ne supposons pas que V
n
() ne sont pas positives,
nous navons pas de strategies admissibles, mais la preuve du theor`eme reste
vraie.
3.4 Marche complet
Nous denirons une option europeenne de maturite N par son prot h 0
T
N
-mesurable.
Un call est une option o` u nous pouvons acheter un actif dans le marche, par
14
exemple au prix S
1
` a lecheance N. Si le prix daccord de lactif est K, alors
le prot sera h = (S
1
N
K)
+
, o` u x
+
= max(x,0).
Tandis que pour un put, nous pouvons vendre un actif de prix S
1
dans
le marche ` a lecheance N. Si le prix daccord est K, alors le prot est
h = (K S
1
N
)
+
.
Loption europeenne ne peut etre exercee qu` a lecheance, nous denissons
aussi loption americaine par son prot h 0, T
N
-mesurable mais elle peut
etre exercee ` a tout temps ` a la dierence de loption europeenne.
Denition 3.8 Un actif conditionnel h est atteignable sil existe une strategie
admissible valant h au temps N.
Remarque 3.4 Dans un marche nancier viable, nous naurons qu` a trou-
ver une strategie auto-nancee valant h ` a la maturite pour dire que h est
atteignable. Puisque le marche est viable alors il existe une probabilite P

equivalente ` a P sous laquelle les prix actualises sont des martingales. est
une strategie auto-nancee, alors

V
n
() est une martingale gr ace ` a la propo-
sition 2.2. Ainsi, pour tout n 0,1,...,N,

V
n
()=E

V
N
()[T
n
).
Si

V
N
() 0 (ici

V
N
() = h 0), alors dapr`es la positivite de lesperance
conditionnelle,

V
n
() 0 et la strategie est admissible.
Denition 3.9 Un marche est complet si tout actif conditionnel est attei-
gnable.
Cette denition permet de construire une theorie simple sur levaluation
du prix et la couverture des options. Le theor`eme suivant donne une ca-
racterisation des marches complets.
Theor`eme 3.3 Un marche viable est complet si et seulement si il existe une
unique probabilite P

equivalente ` a P sous laquelle les prix actualises sont des

martingales.
Preuve
Supposons que le marche est viable et complet. Toute variable aleatoire non-
negative h peut secrire sous la forme h = V
N
(), avec qui est une strategie
admissible. Puisque sauto-nance alors
h
S
0
N
=

V
N
() = V
0
() +
N

j=1

j
.

S
j
.
15
Si P
1
et P
2
sont des mesures de probabilite equivalentes sous laquelle les prix
actualises sont des martingales, alors (

V
n
())
0nN
est une martingale sous
P
1
et P
2
. Il sensuit que pour i = 1 ou 2
E
i
(

V
N
()) = E
i
(

V
0
()) = V
0
()
avec E
i
lesperance sous P
i
.
La derni`ere egalite provient du fait que T
0
= , ce qui entrane que V
0
()
est une constante. Alors
E
1
_
h
S
0
N
_
= E
2
_
h
S
0
N
_
.
Puisque h est quelconque, il sensuit que P
1
= P
2
sur T
N
.
Reciproquement supposons que le marche est viable et incomplet. Montrons
que P

nest pas unique, puisque le marche est complet il existe une va-
riable aleatoire h qui nest pas atteignable. Posons L lensemble des variables
aleatoires de la forme suivante
U
0
+
N

n=1

n
.

S
n
,
o` u U
0
est T
0
-mesurable et (
1
n
, . . . ,
d
n
)
0nN
est une suite previsible dans R
d
qui sauto-nance.
Dapr`es la proposition 3.1, il existe une strategie qui sauto-nance et qui a
pour valeur initiale U
0
. En posant l = U
0
+

N
n=1

n
.

S
n
, l est atteignable
dapr`es la remarque 3.4. Puisque h/S
0
N
nest pas atteignable alors il nest pas
dans L.
Denissons le produit scalaire (,) suivant sur lensemble R

des variables
aleatoires reelles denies sur par (X,Y ) E

(XY ). Puisque L est dierent

de R

, il existe une variable aleatoire Z orthogonale ` a L. Posons

P

=
_
1 +
Z
2[[Z[[

_
P

,
o` u [[X[[

= sup

[X()[. Il est evident que P

et P

sont dierentes et
equivalentes. De plus
E

_
N

j=1

S
j
_
=

G
N
()P

() = E

G
N
()) +
1
2[[Z[[

(Z

G
N
()) = 0
car E

G
N
()) est nulle par la proposition 2.3 et
1
2[[Z[[

(Z

G
N
()) = 0
par orthogonalite, pour toute suite previsible ((
1
n
, . . . ,
d
n
)).
Il sensuit dapr`es la proposition 2.3 que (

S
n
)
0nN
est une P

-martingale
do` u la preuve de la contraposee.
16
3.5

Evaluation des options
3.5.1

Evaluation et couverture des actifs conditionnels dans les
marches complets
Supposons que le marche soit viable et complet et soit P

lunique mesure de
probabilite sous laquelle les prix actualises sont des martingales. Soit h une
variable aleatoire T
N
-mesurable positive et la strategie admissible donnant
h, i.e.
V
N
() = h.
La suite (

V
n
())
0nN
est une P

-martingale, et par consequent

E

V
N
()) = E

V
0
()) = V
0
().
V
0
() = E

(
h
S
0
N
) et plus generalement pour n = 0,1, . . . ,N.
V
n
() = S
0
n
E

_
h
S
0
N
[T
n
_
.
Ainsi, en tout temps, la valeur de la strategie donnant h est enti`erement
determinee par h et le prix des actifs. Nous appelleront V
n
() le prix de
loption, qui est le montant dont nous avons besoin au temps n pour apporter
la richesse h au temps N en suivant la strategie . Si linvestisseur vend au
temps 0 loption ` a
E

_
h
S
0
N
_
il peut suivre la strategie indiquee ci-dessus de fa con ` a generer la somme h
au temps N, alors on dira que linvestisseur est parfaitement couvert.
Remarque 3.5 Il est important de noter que levaluation du prix des options
ne demande seulement que la connaissance de P

et pas celle de P. Lanalyse

du mod`ele de Cox-Ross-Rubinstein montrera comment on peut evaluer le
prix des options et la strategie permettant la couverture dans la pratique.
3.5.2 Un exemple : le mod`ele de Cox-Ross-Rubinstein
Le mod`ele de Cox-Ross-Rubinstein est compose dun actif ` a risque de prix
S
n
au temps n, 0 n N, et un actif sans risque dont le taux est egal ` a r
17
pendant une periode de temps, de prix S
0
n
= (1 +r)
n
.
Lactif risque suit le mod`ele suivant. Entre deux periodes de temps consecutives,
le changement de prix est donne par la relation suivante o` u 1 < a < b
S
n+1
=
_
S
n
(1 +a)
S
n
(1 +b).
Le prix initial S
0
est connu.
Nous supposerons que T
0
= , et T = T().
Pour n = 1,...,N, la tribu T
n
est egale ` a (S
1
,...,S
n
). Il est clair que (T
n
)
0nN
est une ltration.
Denissons les variables aleatoires T
n
=
S
n
S
n1
, pour n = 1,...,N. La tribu
(T
1
,...,T
n
) = T
n
pour n 1.
Quelques resultats concernant ce mod`ele
Montrons que les prix actualises (

S
n
) sont une martingale sous P si et seule-
ment si E(T
n+1
[T
n
) = 1 +r, pour tout n 0, . . . ,N 1.
Supposons que (

S
n
)
n
est une martingale sous P alors E(

S
n+1
[T
n
) =

S
n
et comme

S
n
est T
n
-mesurable alors E
_

S
n+1

S
n
[T
n
_
= 1 ce qui implique
E(T
n+1
[T
n
) = 1 +r.
Montrons si le marche est viable, alors r appartient ` a ]a,b[.
En eet si le marche est viable, il existe une mesure de probabilite P

equivalente
` a P sous laquelle (

S
n
)
n
est une martingale. Dapr`es ce qui precede nous avons
E

(T
n+1
[T
n
) = 1 +r
et donc E

(T
n+1
) = 1 + r, et puisque T
n+1
prend les valeurs 1 + a ou 1 + b
avec une probabilite non nulle alors r ]a,b[.
Nous donnons quelques exemples de strategies darbitrage dans le cas o` u
r / ]a,b[.
Supposons que r a. En empruntant le montant S
0
au temps 0, nous pou-
vons acheter une part de lactif risque. Au temps N, nous remboursons notre
dette, le prot realise est S
N
S
0
(1 + r)
N
qui est toujours positive puisque
S
N
S
0
(1 + a)
N
. Ainsi nous pouvons faire un prot sans prendre de risque
do` u une opportunite darbitrage. Si r b nous pouvons faire un prot
sans risque en etant ` a cours dactif risque, puis acheter des actifs sans risque
pour rembourser les actifs risques ainsi realiser un prot sans risque egal ` a
S
0
(1 +r)
N
S
N
.
Maintenant nous supposerons que r ]a,b[ et nous denissons p =
b r
b a
.
18
Montrons que (

S
n
) est une P-martingale si et seulement les variables aleatoires
T
1
,...,T
N
sont independantes, identiquement distribuees et leur loi est donnee
par P(T
1
= 1 +a) = p = 1 P(T
1
= 1 +b)
Si les variables aleatoires T
1
,...,T
N
sont independantes, identiquement dis-
tribues et leur loi est donnee par P(T
1
= 1 + a) = p = 1 P(T
1
= 1 + b),
puisque T
n+1
est independante de T
n
E(T
n+1
[T
n
) = E(T
n+1
) = p(1 +a) + (1 p)(1 +b) = 1 +r
et par consequent, (

S
n
) est une P-martingale.
Reciproquement supposons que (

S
n
)
n
est une P-martingale. Alors E

(T
n+1
) =
1 +r pour n = 0, . . . ,N 1. Nous pouvons ecrire
(1 +a)E(1
{T
n+1
=1+a}
[T
n
) + (1 +b)E(1
{T
n+1
=1+b}
[T
n
) = 1 +r.
Nous avons aussi
E(1
{T
n+1
=1+a}
[T
n
) +E(1
{T
n+1
=1+b}
[T
n
) = 1.
En resolvant ces deux equations ` a deux inconnues, nous obtenons
E(1
{T
n+1
=1+a}
[T
n
) = p
E(1
{T
n+1
=1+b}
[T
n
) = 1 p.
Nous venons de montrer que les T
n
sont identiquement distribuees pour n =
1, . . . ,N 1. Montrons quelles sont independantes.
Par recurrence nous montrons que pour chaque x
i
1 +a,1 +b,
P(T
1
= x
1
,...,T
n
= x
n
) =
n

i=1
p
i
o` u p
i
= p si x
i
= 1 +a et p
i
= 1 p si x
i
= 1 +b. Il est clair que la relation
est vraie ` a pour n = 1. Supposons quelle est vraie ` a lordre n et demontrons
quelle est vraie ` a lordre n + 1. En utilisant les proprietes sur lesperance
conditionnelle, nous avons
P(T
1
= x
1
,...,T
n
= x
n
,T
n+1
= x
n+1
)
= E
_
E(1
{T
1
=x
1
,...,Tn=xn,T
n+1
=x
n+1
}
[T
n
)
_
= E
_
1
{T
1
=x
1
,...,Tn=xn}
E(1
{T
n+1
=x
n+1
}
[T
n
)
_
= E
_
1
{T
1
=x
1
,...,Tn=xn}
E(1
{T
n+1
=x
n+1
}
[T
n
)
_
.
19
Puisque E(1
{T
n+1
=x
i
}
[T
n
) = p
i
, do` u la preuve ` a lordre n + 1.
Nous venons de montrer lunicite de la loi de probabilite sous laquelle les prix
actualises sont des martingales, puisque cette loi est determinee par celle des
T
i
qui est unique. Alors le marche est complet et il nexiste pas de strategie
darbitrage.
Finalement nous allons determiner la relation de parite entre le put et le call.
E

represente la probabilite sous P

lunique loi de probabilite sous laquelle

les prix sont des martingales,C
n
est la valeur du call, P
n
est la valeur du put,
K est le prix daccord de loption.
C
n
P
n
= (1 +r)
(Nn)
E

((S
N
K)
+
(K S
N
)
+
[T
n
)
= (1 +r)
(Nn)
E

(S
N
K[T
n
)
= S
n
K(1 +r)
(Nn)
3.5.3 Premi`ere approche des options americaines
Puisque loption americaine peut etre exercee ` a nimporte quel temps entre
0 et N, nous denissons la suite (Z
n
)
n
adaptee ` a T
n
, o` u Z
n
est le prot
immediat fait en exer cant loption americaine au temps n. Pour le cas dune
action de prix S
1
au prix dexercice K avons Z
n
= (K S
1
n
)
+
dans le cas
dun call et Z
n
= (S
1
n
K)
+
dans le cas dun put. Maintenant nous aimerions
denir la valeur de loption associee ` a (Z
n
)
0nN
. Pour cela nous allons faire
un raisonnement par recurrence descendante.
Soit (U
n
)
0nN
la valeur de loption americaine. Nous avons U
N
= Z
N
ensuite,
on se pose la question ` a quel prix doit-on vendre loption au temps N 1?
Si le detenteur de loption exerce directement loption au temps N 1 alors
il gagnera la somme Z
N1
sinon il peut lexercer au temps N si lacheteur de
loption est pret ` a payer le montant Z
N
. Donc au temps N 1, lacheteur
devra gagner le maximum entre Z
N1
et la somme necessaire au temps N1
pour generer Z
N
au temps N. Cette somme est S
0
N1
E

Z
N
[T
N1
), alors la
valeur de loption au temps N 1 sera
U
N1
= max
_
Z
N1
,S
0
N1
E

Z
N
[T
N1
)
_
.
Par recurrence nous denirons la valeur de loption americaine par
U
n1
= max
_
Z
n1
,S
0
n1
E

_
U
n
S
0
n
[T
n1
__
, (3.1)
pour tout n 1, . . . ,N. Si nous supposons que le taux dinteret pendant
une periode est egal ` a r alors S
0
n
= (1 +r)
n
et
U
n1
= max
_
Z
n1
,
1
1 +r
E

(U
n
[T
n1
)
_
.
20
pour tout n 1, . . . ,N. Posons

U
n
=
U
n
S
0
n
les prix actualises de loption
americaine.
Proposition 3.3 La suite (

U
n
)
n
est une P

-sur-martingale. Cest la plus

petite sur-martingale qui domine la suite (

Z
n
)
0nN
.
Preuve
De lequation 3.1, nous avons pour n = 1, . . . ,N

U
n1
= max
_

Z
n1
,E

U
n
[T
N1
)
_
,
ce qui implique que (

U
n
)
0nN
est une sur-martingale dominant (

Z
n
)
0nN
.
Montrons quelle est la plus petite. Pour cela considerons une sur-martingale
(

T
n
)
0nN
qui domine (

Z
n
)
0nN
. Nous avons

T
N


U
N
et supposons que

T
n


U
n
. Nous avons

T
n1
E

T
n
[T
n1
_
E

U
n
[T
n1
_
,
et ainsi

T
n1
max
_
E

U
n
[T
n1
),

U
n1
_
.
Donc par une recurrence descendante, nous venons de montrer que (

T
n
)
n
domine (

U
n
)
n
.
3.6 Temps darret optimal et options americaines
Le but de ce paragraphe est detablir le lien entre les temps darret et les
options americaines. Nous denissons lenveloppe de Snell qui est un concept
important pour resoudre ces probl`emes concernant les temps darret.
3.6.1 Temps darret
Denition 3.10 Une variable aleatoire prenant des valeurs dans 0, . . . ,N
est un temps darret si, pour tout n 0, . . . ,N,
= n T
n
.
Remarque 3.6 Comme dans la partie precedente, nous supposons que T =
T() et P() > 0, pour tout . Cette hypoth`ese n est en aucun cas
essentielle. Si elle na pas lieu, les resultats presentes dans ce chapitre seront
vrais p.s.. Nous ne supposons pas que T
0
= , et T
N
= T sauf lorsque
nous utiliserons ces resultats dans la nance.
21
Remarque 3.7 Montrons que est un temps darret si et seulement si pour
tout n 0, . . . ,N,
n T
n
.
En eet si est un temps darret, alors n T
n
=
n
_
i=1
= i T
n
.
Reciproquement si n T
n
, alors le complement de = n est
n 1 > n, lev`enement n 1 T
n
et le complement de
> n est n T
n
, alors = n T
n
.
Maintenant nous allons denir le concept de suite arretee ` a un temps darret.
Denition 3.11 Soit (X
n
)
0nN
une suite adaptee ` a la ltration (T
n
)
0nN
et soit un temps darret. La suite arretee ` a un temps darret est denie
par X

n
() = X
()n
(), i.e. sur lev`enement = i
X

n
=
_
X
j
si j n
X
n
si j > n.
Remarquons que X

N
() = X
()
() = X
j
sur = j).
Proposition 3.4 Soit une suite adaptee (X
n
)
n
et un temps darret. La
suite arretee (X

n
)
0nN
est adaptee. De plus si (X
n
)
n
est une martingale
(respectivement une sur-martingale), alors (X

n
)
n
est une martingale (respec-
tivement une sur-martingale).
Preuve
Nous verions facilement la relation suivante
X

n
() = X
0
() +
n

j=1

j
()(X
j
() X
j1
())
o` u
j
= 1
{j}
, puisque j est le complement de j 1 qui est
T
j1
-mesurable, alors la suite (
n
)
n
est previsible.
La variable aleatoire (X

n
) est alors une somme et produit de variables au
moins T
n
-mesurables. Elle est T
n
-mesurable, et par suite est adaptee.
En outre si (X
n
)
n
est une martingale, (X

n
)
n
est une martingale par rapport
` a (T
n
)
0nN
en utilisant la proposition 2.3.
22
3.6.2 Enveloppe de Snell
Nous considerons une suite adaptee (Z
n
)
0nN
et la suite (U
n
)
n
denie comme
suit
_
U
N
= Z
N
U
n
= max(Z
n
,E(U
n+1
[T
n
)),
pour tout n N 1.
Letude de cette suite est motivee par notre premi`ere approche des options
americaines.
Denition 3.12 Soit la suite (Z
n
)
0nN
, alors lenveloppe de Snell est la
suite (U
n
)
0nN
qui est la plus petite sur-martingale qui domine (Z
n
)
0nN
.
Proposition 3.5 La variable aleatoire denie par

0
= infn 0[U
n
= Z
n

est un temps darret et la suite (U

n
0
)
0nN
est une martingale.
Preuve
Puisque U
N
= Z
N
,
0
0,1, . . . ,N. De plus, nous avons
0
= 0 = U
0
=
Z
0
T
0
, et pour k 1, nous avons

0
= k = U
0
> Z
0
. . . U
k1
> Z
k1
T
k
car U
k1
> Z
k1
a pour complementaire U
k1
Z
k1
qui est T
k1
-
mesurable.
Pour demontrer que (U

0
n
)
n
est une martingale, nous avons
U

0
n
= U
n
0
= U
0
+
n

j=1

j
U
j
,
o` u
j
= 1
{
0
j}
.
Pour n 0,1, . . . ,N, nous avons
U

0
n+1
U

0
n
=
n+1
(U
n+1
U
n
) = 1
{
0
n+1}
(U
n+1
U
n
).
Par denition, nous savons que U
n
= max(Z
n
,E(U
n+1
[T
n
)). Alors sur len-
semble
0
n + 1, nous avons U
n
> Z
n
car
0
est le plus petit entier pour
lequel nous avons legalite, do` u U
n
= E(U
n+1
[T
n
) et nous en deduisons que
U

0
n+1
U

0
n
= 1
{
0
n+1}
(U
n+1
E(U
n+1
[T
n
)) .
23
En prenant lesperance conditionnelle des deux membres de legalite nous
obtenons
E(U

0
n+1
U

0
n
[T
n
) = 1
{
0
n+1
E((U
n+1
E(U
n+1
[T
n
))[T
n
)
parce que n+1
0
a pour complementaire
0
n qui est T
n
-mesurable.
Alors
E(U

0
n+1
[T
n
) = U

0
n
.
Ce qui prouve que U

0
est une martingale.
Dans ce qui suit, nous noterons T
n,N
lensemble des temps darret prenant
leurs valeurs dans n, . . . ,N. La propriete de martingale de la suite (U

0
)
n
permet de voir limportance de lenveloppe de Snell dans les probl`emes des
temps darret.
Corollaire 3.1 Le temps darret
0
satisfait
U
0
= E(Z

0
[T
0
) = sup
T
0,N
E(Z

[T
0
).
Si nous considerons Z
n
comme la somme des gains apr`es un jeu de hasard,
nous constatons que le temps darret
0
maximise le gain sachant T
0
.
Preuve
Puisque (U

0
n
)
n
est une martingale, nous avons
U
0
= U

0
0
= E(U

0
N
[T
0
) = E(U

0
[T
0
) = E(Z

0
[T
0
).
Dautre part si T
0,N
, la suite arretee (U

n
)
n
est une sur-martingale car
(U
n
)
n
est lenveloppe de Snell. Nous avons
U
0
E(U

N
[T
0
) = E(U

[T
0
) E(Z

[T
0
).
En eet si U
n
est une sur-martingale nous pouvons ecrire aussi U
n1

E(U
n
[T
n1
) .
En conditionnant par rapport ` a T
n1
la premi`ere inegalite , nous obtenons
E(U
n
[T
n1
) E(U
n+1
[T
n1
) do` u U
n1
E(U
n+1
[T
n1
), de cette meme fa con
nous demontrons que U
0
E(U
n+1
[T
0
) ce qui demontre le resultat.
Remarque 3.8 Une generalisation du corollaire 3.2 montre precedemment
secrit
U
n
= sup
T
n,N
E(Z

[T
n
) = E(Z
n
[T
n
).
24
Denition 3.13 Un temps darret

est optimal pour la suite (Z

n
)
0nN
si
E(Z

[T
0
) = sup
T
0,N
E(Z

[T
0
).
Alors
0
deni precedemment est optimal, maintenant nous allons montrer
que
0
est le plus petit temps darret optimal.
Theor`eme 3.4 Un temps darret est optimal si et seulement si
_
Z

= U

(U
n
)
0nN
est une martingale .
Preuve
Si la suite arretee U

est une martingale, U

0
= E(Z

[T
0
), loptimalite est
assure par le corollaire 3.1.
Reciproquement, si est un temps darret optimal, nous avons
U
0
= E(Z

[T
0
) E(U

[T
0
).
Puisque (U

n
)
n
est une sur-martingale, nous avons
E(U

[T
0
) U
0
.
Donc
E(U

[T
0
) = E(Z

[T
0
).
Et puisque U

0 alors U

= 0 parce que E(U

[T
0
) = 0, et
puisque (U

n
)
n
est une sur-martingale, alors nous avons
U
0
E(U
n
[T
0
) E(U

[T
0
).
Ce qui implique
E(U
n
[T
0
) = E(U

[T
0
) = E(E(U

[T
n
)[T
0
).
Nous avons E(U

U
n
[T
n
) 0, alors U
n
= E(U

[T
n
), ce qui prouve que
(U

n
)
n
est une martingale.
Nous allons etudier une decomposition utile dite de Doob qui est utilisee
dans les marches viables et complets.
25
3.6.3 Decomposition de Doob
Proposition 3.6 Une sur-martingale (U
n
)
0nN
se decompose de fa con unique
sous la forme
U
n
= M
n
A
n
,
o` u (M
n
)
n
est une martingale et (A
n
)
n
est une suite previsible croissante de
variables aleatoires valant 0 pour n = 0.
Preuve
Pour n = 0 nous navons quun seul choix, ` a savoir M
0
= U
0
et A
0
= 0.
Ensuite, nous avons
U
n+1
U
n
= M
n+1
M
n
(A
n+1
A
n
). (3.2)
En conditionnant par rapport ` a T
n
et en utilisant la propriete de martingale
de M
n
et le fait que A
n
est une suite previsible, nous obtenons
(A
n+1
A
n
) = E(U
n+1
[T
n
) U
n
. (3.3)
En rempla cant (A
n+1
A
n
) dans legalite (3.2), nous obtenons
U
n+1
E(U
n+1
[T
n
) = M
n+1
M
n
.
Par lunicite de M
0
= U
0
et A
0
= 0, M
n
et A
n
sont denies de fa con unique.
En conditionnant par rapport ` a T
n
, nous verions que M
n
est une martingale.
La croissance de A
n
sobtient en utilisant la denition dune sur-martingale
sur legalite (3.3).
Soit (U
n
)
n
l enveloppe de Snell associee ` a la suite (Z
n
)
n
. Dans la suite nous
donnerons une caracterisation du plus grand temps darret optimal, en utili-
sant la decomposition de Doob de (U
n
)
n
.
Proposition 3.7 Soit (U
n
)
n
l enveloppe de Snell associee ` a la suite (Z
n
)
n
.
Soit (U
n
)
n
= M
n
A
n
sa decomposition de Doob.
Le plus grand temps darret est donne par

max
=
_
N si A
N
= 0
infn,A
n+1
,= 0 si A
N
,= 0.
Preuve
La variable aleatoire
max
est un temps darret pour n = 1, . . . ,N 1, parce
que A
n
est previsible.

max
= n = A
1
= 0 ....... A
n
= 0 A
n+1
,= 0 T
n
.
26
Cela est evident pour n = N.
De la decomposition U
n
= M
n
A
n
et parce que A
j
= 0, pour j
max
,
nous avons U
max
= M
max
. Ce qui conclut que U
max
est une martingale par
la proposition 3.4.
Pour montrer loptimalite, il sut de montrer que U
max
= Z
max
. Nous avons
legalite
U
max
=
N1

j=0
1
{
max=j
}
U
j
+ 1
{max=n}
U
N
,
=
N1

j=0
1
{
max=j
}
max (Z
j
,E(U
j+1
[T
j
)) + 1
{
max=n}
Z
N
.
En utilisant la propriete de martingale de M
n
, nous avons E(U
j+1
[T
j
) =
M
j
A
j+1
, sur lensemble
max
= j, A
j
= 0 et A
j+1
> 0, alors U
j
= M
j
et
E(U
j+1
[T
j
) = M
j
A
j+1
< U
j
.
Il sensuit que dapr`es U
j
= max (Z
j
,E(U
j+1
[T
j
)), nous avons U
j
= Z
j
avec

max
= j.
Il reste ` a montrer quil est le plus grand temps darret optimal. En eet si
est un temps darret tel que
max
et P( >
max
) > 0, alors en utilisant
les proprietes sur les martingales et le choix de M
0
= U
0
, alors
E(U

) = E(M

) E(A

) = E(U
0
) E(A

) < E(U
0
).
Ce qui implique que U

ne peut pas etre une martingale.

3.6.4 Application aux options americaines
Ces notions sur les temps darret vues precedemment sappliquent aux op-
tions americaines et permettent la couverture de celles-ci. Dans la suite nous
sommes dans un marche complet.
3.6.5 Couverture des options americaines
Nous avons dej` a deni la valeur dune option americaine U
n
associee ` a Z
n
pour tout n N 1, par
_
_
_
U
N
= Z
N
U
n
= max
_
Z
n
, S
0
n
E

(
U
n+1
S
0
n+1
[T
n
)
_
.
27
Par consequent

U
n
est lenveloppe de Snell sous P

associee ` a

Z
n
, o` u

U
n
=
U
n
S
0
n
.
Nous deduisons de la remarque 3.8 que

U
n
= sup
T
n,N
E(

[T
n
),
alors
U
n
= S
0
n
sup
T
n,N
E
_
Z

S
0

[T
n
_
.
De la decomposition de Doob, nous pouvons ecrire

U
n
=

M
n

A
n
,
o` u

M
n
est une P

-martingale, et

A
n
est une suite previsible croissante nulle
en n = 0. Puisque le marche est complet, il existe une strategie auto-nancee
telle que
V
N
() = S
0
N

M
n
,
alors

V
N
() =

M
n
. La suite

V
N
() est donc une P

-martingale. Nous avons

V
n
() = E

V
N
()[T
n
)
= E

M
N
[T
n
)
=

M
n
.
Par consequent

U
n
=

V
n
()

A
n
ce qui entrane U
n
= V
n
() A
n
o` u A
n
=
S
0
n

A
n
. De legalite precedente, il est evident que le vendeur de loption peut
se couvrir parfaitement : une fois quil a re cu le prix initial de loption U
0
=
V
0
(), il peut generer une richesse egale ` a V
n
() au temps n qui est plus
grande que U
n
donc plus grand que Z
n
.
Maintenant nous nous demandons quelle est la date optimale pour exercer
loption?
La date dexercice est ` a choisir parmi les temps darret. Pour lacheteur de
loption il nest pas question dexercer au temps n lorsque U
n
> Z
n
, parce
quil acheterait un actif valant U
n
(loption) pour une somme Z
n
(en exer cant
loption). Donc une date optimale pour exercer loption est telle que U

=
Z

.
Dautre part il n est pas question dexercer loption apr`es le temps

max
= infj, A
j+1
,= 0
28
parce que vendre loption ` a ce temps fournirait au detenteur une richesse
U
max
= V
max
, en suivant la strategie permettant de fournir cette richesse,
il obtient un portefeuille dont la valeur est strictement plus grande que celle
au temps
max
+ 1 jusqu` a N, alors nous devons avoir
max
, ce qui nous
permet de dire que U

est une martingale.

Comme consequence les dates optimales dexercice sont les temps darret
optimaux pour

Z
n
sous P

. Mettons nous ` a la place du vendeur dans le cas

o` u il se couvre en utilisant la strategie ci-dessus, si lacheteur exerce au
temps ` a qui nest pas optimal, alors U

> Z

o` u A

> 0. Dans tous ces

deux cas le vendeur fera un prot de V

() Z

= U

+ A

, qui est
positif.
3.6.6 Options americaine et europeenne
Proposition 3.8 Soit C
n
la valeur de loption americaine au temps n associe
` a une suite (Z
n
)
0nN
et c
n
la valeur de loption europeenne denie par la
variable aleatoire T
n
-mesurable h = Z
n
. Alors C
n
c
n
.
De plus, Si c
n
Z
n
pour tout n 0,1,...,N, nous avons
c
n
= C
n
.
Linegalite C
n
c
n
a un sens puisque loption americaine donne plus de droit
que loption europeenne.
Preuve
Puisque (

C
n
)
n
est une sur-martingale, alors

C
n
E

C
N
[T
n
) = E

(c
N
[T
n
)
= c
n
do` u C
n
c
n
.
Si c
n
Z
n
pour tout n, alors la suite (c
n
)
n
qui est une martingale sous P

, est
aussi une sur-martingale dominant (

Z
n
)
n
et puisque (

C
n
)
n
est la plus petite
sur-martingale qui domine (

Z
n
)
n
, alors

C
n
c
n
.
Remarque 3.9 On verie aisement que si la relation de la proposition 3.8
na pas lieu, il y aurait des opportunites darbitrage en vendant les options.
Pour illustrer cette derni`ere proposition, considerons le cas dun marche avec
un seul actif risque de prix S
n
au temps n et un actif sans risque de taux
29
constant egal ` a r tel que S
0
n
= (1 +r)
n
.
Avec les notations utilisees ` a la proposition 3.8, si nous posons Z
n
= (S
n

K)
+
, c
n
est le prix au temps n dun call europeen decheance N et de prix
daccord K, C
n
est le prix correspondant au call americain. Nous avons
c
n
= (1 +r)
N
E

((S
N
K)
+
[T
n
)
E

S
N
K(1 +r)
N
)[T
n
)

S
n
K(1 +r)
N
,
en utilisant le fait que (

S
n
)
n
est une martingale sous P

. Il sensuit
c
n
S
n
K(1 +r)
(Nn)
S
n
K pour r 0. Comme c
n
0, nous avons
alors c
n
(S
n
K)
+
et par la proposition 3.8, C
n
= c
n
. Alors le prix des
options americaine et europeenne sont identiques. Cela nest pas vrai pour le
cas dun put.
30
4 Une preuve du theor`eme fondamental de la
nance lorsque Card() = +
Nous allons voir une autre fa con de demontrer le theor`eme fondamental de
la nance dans le cas o` u Card() = . Cette preuve est d ue ` a Rogers, elle
se trouve dans [7].
4.1 Introduction
Nous utiliserons les memes notations que la partie precedente pour le prix
des actifs, les strategies previsibles et auto-nancees. Nous pouvons etre ` a
court dactif, utiliser lactif risque pour payer nos dettes, mais la valeur
du portefeuille doit etre positive en tout temps. La seule dierence avec la
partie precedente S
n
= (S
1
n
, . . . ,S
d
n
) est le vecteur des prix actualises des
actifs risques, alors le vecteur des prix actualises de notre portefeuille est

S
n
= (1,S
1
n
, . . . ,S
d
n
), de memes pour les strategies.
Dans cette partie nous ne parlerons pas de strategies admissibles, (voir re-
marque 3.3). Cela va nous conduire ` a donner une nouvelle denition de la
strategie darbitrage. Nous notons que ces deux denitions de la strategie
darbitrage impliquent quune strategie darbitrage permet de faire du prot
sans prendre de risque.
Nous allons calculer le prot realise par le portefeuille.
Proposition 4.1 Le prot realise par le portefeuille est :
N

n=1

n
(S
n
S
n1
) =
N
.S
N

0
.S
0
.
Preuve
En utilisant le fait que
n
est auto-nancee, nous obtenons que le gain realise
par le portefeuille au temps N est
N

n=1

n
(S
n
S
n1
)
=
1
.S
0
+
1
.S
1

2
.S
1
+
2
.S
2
+
N
.S
N1
+
N
.S
N
=
N
.S
N

1
.S
0
=
N
.S
N

0
.S
0
.
Nous allons donner une nouvelle denition de la strategie darbitrage.
Denition 4.1 Une opportunite darbitrage est une strategie previsible (
n
)
n
31
auto-nancee telle que
(i) (

S)
N
(

S)
0
0 p.s.;
(ii) P((

S)
N
(

S)
0
> 0) > 0.
4.2 Propositions auxiliaires
Proposition 4.2 Les armations suivantes sont equivalentes.
(i) Il existe une opportunite darbitrage ;
(ii) il existe une variable
n
T
n1
-mesurable ` a valeurs dans R
d
, avec n
1, . . . ,N telle que

n
.(S
n
S
n1
) 0 p.s. et P
n
.(S
n
S
n1
) > 0 > 0 ;
(iii) il existe une variable

n
T
n1
-mesurable ` a valeurs dans R
d+1
, avec
n 1, . . . ,N,telle que

n
.(

S
n

S
n1
) 0 p.s. et P

n
.(

S
n

S
n1
) > 0 > 0.
Preuve
(ii) (iii) est evidente car

n
.(

S
n


S
n1
) =
n
.(S
n
S
n1
).
(iii) (i).
Supposons quil existe m 1, . . . ,N tel que nous avons

m
.(

S
m

S
m1
)
0 p.s. et P

m
.(

S
m


S
m
) > 0 > 0. Construisons la strategie

de la fa con
suivante
_

0
= 1

n
= 0 pour 1 n N et n ,= m

n
=
m
si n = m.
Alors, nous avons
(

S)
N
(

S)
0
=
N

n=1

n
.(

S
n


S
n1
)
=
m
.(

S
m


S
m1
) 0 p.s.
Et P
_
(

S)
N
(

S)
0
> 0
_
= P
_

m
.(

S
m


S
m1
) > 0
_
> 0.
(i) (iii).
Soit (

)
n
une strategie darbitrage, supposons que (

S)
0
= 0, nous denissons
m = inf
_
n : (

S)
n
0 p.s. et P(

S)
n
> 0 > 0
_
.
32
Un tel m existe toujours, en particulier pour n = N, (

S)
n
0 p.s. et
P
_
(

S)
n
> 0
_
> 0, alors n N.
Nous avons m 1 car (

S)
0
= 0, donc deux cas se distinguent : ou bien
P(A) > 0 o` u A = (

S)
m1
< 0 ou bien (

S)
m1
= 0 p.s..
Si le premier cas a lieu, alors sur lev`enement A, nous avons

m
.(

S
m

S
m1
) = (

S)
m
(

S)
m1
(

S)
m1
> 0.
Si nous posons

m
= 1
A

m
, alors

m
.(

S
m


S
m1
) = 1
A

m
.(

S
m

S
m1
) 0
P(

m
.(

S
m


S
m1
) > 0 = P(A) > 0.
Nous avons trouve une strategie qui verie (iii).
Dans le deuxi`eme cas nous avons (

S)
m
= (

S)
m
(

S)
m1
0 p.s. et
P(

m
.(

S
m


S
m1
)) > 0 = P(

m
.

S
m
) > 0 = P(A) > 0.
Alors dans tous les deux cas, nous avons trouve une strat gie qui verie (iii)

Nous donnons quelques rappels sur les fonctions convexes qui se trouvent
dans [9].
Theor`eme 4.1 Soit une fonction convexe f : I R, alors f est continue
sur I, o` u I est un sous-ensemble convexe de R
d
.
Proposition 4.3 Soit une fonction : R
d
R
+
veriant les propietes
suivantes
(i) la fonction(,) est strictement convexe pour chaque ;
(ii) la fonction (,a) est (-mesurable pour chaque a, o` u ( est une sous-
tribu de T. Alors les ev`enements suivants sont les memes et sont (-
mesurables .
A
0
= / il existe a

telle que (,a

) (,a) pour tout a R

d

A
1
= / pour chaque a R
d
0, lim
t+
(,ta) = +.
Si de plus nous supposons que F() = a S
d1
/ lim
t+
(,ta) < + est
ferme pour tout , alors il est possible de faire un choix () F() qui est
(-mesurable du moment que F() ,= .
33
Preuve
Montrons que A
0
A
1
.
Soit A
0
. Par all`egement des notations, nous poserons (a) = (w,a). Il
existe un a

tel que (a

) (a) pour tout a R

d
, et supposons par labsurde
quil existe un b R
d
0 tel que liminf
t
(tb) < . Par consequent, il
existe t
j
tel que (t
j
b) converge.
Nous posons

j
= 1
1
[[a

t
j
b[[
.
Montrons que 0
j
1 et
j
1 lorsque t
j
, avec ce choix de
j
,
nous avons a
j
se trouve sur la sph`ere unite centree en a

.
En choisisant un t
j
assez grand, on obtient 0
j
1 et
j
1 lorsque
t
j
.
Soit la combinaison convexe a
j
=
j
a

+ (1
j
)t
j
b. Nous avons
[[a
j
a

[[ = [[
j
a

+ (1
j
)t
j
b a

[[ = [[(
j
1)a

+ (1
j
)t
j
b[[ = 1.
Ce qui montre lexistence dun tel
j
.
La convexite implique
(a
j
)
j
(a

) + (1
j
)(t
j
b).
En utilisant linegalite triangulaire inverse [[a
j
[[ [[a

[[ [[a
j
a

[[ = 1,
la suite (a
j
)
j
est donc bornee, il existe une sous-suite qui converge vers a

,
notons cette sous-suite (a
j
)
j
.
Lorsque j , nous obtenons lim
t
(a
j
) (a

), alors (a

) (a

).
Puisque (a

) (a

), alors (a

) = (a

) , est strictement convexe

alors a

= a

ce qui est absurde car [[a

[[ = 1, do` u A
0
A
1
.
Reciproquement, montrons A
1
A
0
. Soit A
1
, posons
F
n
= x S
d1
: (nx) (0) + 1
Montrons que F
n
F
n+1
. Soit la combinaison convexe
nx =
n
n + 1
(n + 1)x +
1
n + 1
0, puisque est convexe, alors
(nx)
n
n + 1
((n + 1)x) +
1
n + 1
(0).
Si x F
n+1
, alors ((n + 1)x) (0) + 1, donc
(nx) (0) +
_
n
n + 1
_
(0) + 1.
34
Ce qui implique x F
n
.
Puisque A
1
, alors pour chaque a R
d
0, lim
t+
(,ta) = +, en
particulier si x S
d1
, alors lim
t
(tx) = +, alors il existe un M tel que
pour tout n > M nous avons (nx) > (0) + 1, en choisissant M + 1, nous
avons ((M + 1)x) > (0) + 1, alors nous avons
nN
F
n
= . Puisque S
d1
est un compact, dapr`es la propriete de lintersection nie, il existe un N tel
que
nN
F
n
= . Puisque F
n+1
F
n
, alors F
N
= .
Montrons que A =
_
x R
d
/(x) (0) +
1
2
_
est compact.
A =
1
__
, (0) +
1
2
__
est ferme car est une fonction convexe donc continue. Si A nest pas
borne, alors pour tout M, il existe x A tel que |x| M, nous avons

_
N
x
|x|
_
> (0) + 1. Pour ce N, il existe y A tel que |y| > N, alors

_
y
|y|
|y|
_
> (0) + 1 ce qui entrane que (y) > (0) + 1 ce qui est
contradictoire, donc A est borne.
A est un compact, donc atteint son minimum sur A en a

qui est le mini-

mum cherche, donc A
1
A
0
.
Montrons la derni`ere partie de la preuve.
A
1
= / pour tout b R
d
0, lim
t
(,tb) = .
En faisant le changement de variables y = tb, lorsque t +, alors |y|
+, nous avons
b R
d
0, n N, M / y R
d
, |y| > M, (,y) > n.
Alors, nous avons
b R
d
0, n N, M / q Q
d
, |q| > M, (,y) > n.
Donc A
1
peut secrire
A
1
=

nN
_
mM

{|q|>m}
(,q) > n.
A
1
est (-mesurable, parce que A
1
secrit comme une reunion et une intersec-
tion denombrables delements de (.
35
Montrons que a

est (-mesurable. Pour toute boule ouverte B R

d
, mon-
trons
a

B =
_
qQ
d
B

Q
d
\B
(,q) < (,q

).
Soit a

B. Alors pour tout q

Q
d
B, nous avons (a

) < (q

) par
denition de a

, Q
d
est dense dans R
d
, on peut trouver une suite dans Q
d
B
qui converge vers a

, est continue alors on peut trouver un q Q

d
B tel
que (q) (a

) < , en choisissant =
(q

) (a

)
2
, nous avons (q) <
(q

)
2
+
(a

)
2
< (q

) do` u linclusion.
Reciproquement si

_
qQ
d
B

Q
d
\B
(

,q) < (

,q

).
Alors il existe q Q
d
B tel (q) (q

) pour tout q

Q
d
B. Si a

, B alors
a

R
d
B, donc il existe une suite dans Q
d
B qui converge vers a

. Alors on
peut trouver un q

tel que (a

) > (q

) , en choisissant = (q

) (q),
nous obtenons (a

) > (q) ce qui contredit la denition de a

.
Donc a

B secrit comme une reunion d intersection densembles (.

a

est (-mesurable.
Nous allons montrer lexistence dun () appartenant ` a F() du moment
F() ,= , qui est (-mesurable.
Soit une suite dense D dans S
d1
. Soit K une boule fermee de rayon positif.
Montrons dans lorsque F

K ,= , alors montrons que les deux suivantes

armations sont equivalentes
(i) F K ,= ;
(ii) il existe M tel que pour tout k N, il existe x D K / (kx) M.
(i) (ii). Soit x S
d1
. Puisque D est dense dans S
d1
, il existe une suite
(x
l
)
lN
D telle que lim
l
x
l
= x, puisque est continue.
Alors pour tout > 0, il existe

, pour tout x tel que |x x

l
| <

, alors
[(kx) (kx
l
)[ < . (4.1)
Soit x F, alors lim
t
(tx) = c < .
Alors > 0, il existe k

, tel que pour toutk > k

, alors
[(kx) c[ < . (4.2)
36
En faisant la dierence entre (4.1) et (4.2), nous obtenons (kx
l
) < c, il faut
bien noter que x
l
depend de k. En xant une valeur de (par exemple = 1),
en prenant M = max ((x
l
),(2x
l
), . . . ,((k

1)x
l
),c).
Alors il existe M tel que pour tout k N, il existe x
l
D K tel que
(kx
l
) M.
(ii) (i). Nous allons supposer quil existe x
k
DK telle que (kx
k
) M.
Puisque la suite (x
k
)
kN
est bornee, nous pouvons extraire une sous suite
x
k
l
x

.
Montrons x

F. Sil existe un m tel que (mx

) > max((0),M), pour

k > m parce que est convexe, nous avons
(mx
k
)
m
k
(kx
k
) +
k m
k
(0) max((0),M)
et puisque est continue, alors (mx
k
) (mx

) lorsque k , ce qui
est contradictoire donc un tel m nexiste pas, do` u x

F.
Par consequent en rempla cant les quanticateurs par la reunion ou linter-
section, nous obtenons
tel que F K ,= =
_
M

k1
_
xDK
(,kx) M
est dans (. De meme pour tout ouvert V , nous avons tel que FV ,=
est dans (.
Soit une base orthonomale de R
d
e
1
,e
2
,....,e
d
, nous denissons les ev`enements
B
j
= / x F() avec e
j
.x > 0.
Montrons que
d
j=1
(B
j+
B
j
) = : F() ,= est dans (.
Si
d
j=1
(B
j+
B
j
), alors il existe au moins un j tel que B
j+
ou
B
j
, donc il existe un tel que x F().
Reciproquement si est tel que F() ,= , alors nous avons lexistence dun
x S
d1
, alors il existe un j tel que e
j
.x > 0 ou e
j
.x < 0 sinon x serait nul.
Montrons que B
j+
(. Soit la fonction
j
(x) = e
j
.x, il est clair que
j
est
continue, alors B
j+
=
1
j
(]0, +[) F (. Ce qui impique que
d
j=1
(B
j+

B
j
) (.
Puisque
1
(x) = e
1
.x, est continue et puisque F() est un ferme borne alors
h atteint son maximum et ce maximum est unique.
Soit un compact K. Montrons
, K =
_
sup
xF
e
1
.x > sup
xFK
e
1
.x
_
_
sup
xF
e
1
.x > sup
xFK
e
1
.x
_
=
_
qQ
_
q sup
xF
e
1
.x
_

_
sup
xFK
e
1
.x < q
_
(.
37
Nous avons, la deuxi`eme egalite est evidente, car on peut toujours trouver
un rationnel entre deux reels distincts.
Montrons que la premi`ere egalite, si , K alors sup
xF
e
1
.x > sup
xFK
e
1
.x car
se trouve dans F mais pas dans F K et que le maximum est unique, dautre
part si sup
xF
e
1
.x > sup
xFK
e
1
.x ne peut etre dans K, sinon cela contredit
linegalite sup
xF
e
1
.x > sup
xFK
e
1
.x. Ce qui montre les deux egalites prc

dentes.
Alors , K (.
Sur B
1+
nous pouvons trouver , ensuite sur B
1
B
1+
. Ensuite sur B
2+

(B
1+
B
1
), ainsi de suite, d` ou lexistence dun () appartenant ` a F()
du moment F() ,= , qui est (-mesurable.
38
Soit U une fonction concave croissante ` a valeurs negatives, nous choisirons U
de telle fa con quil existe un > 0, tel que pour tout x R
U

(x) (1 +[U(x)[). (4.3)

Soit la fonction U : R R

telle que
U(x) = e
x
x 0
U(x) = x 1 x 0.
Nous avons U

(x) = e
x
si x 0 et U

(x) = 1 si x 0, donc U

(x) 1 et
= 1 est tel que linegalite (4.3) est veriee.
Proposition 4.4 Il existe une fonction bornee croissante strictement posi-
tive g : R
+
R

+
telle que pour tout a R
d
, nous avons
sup
xR
d
[U(a.x)[[g([x[) < .
Preuve
Soit (t) = 1 [U(t)[ avec t 0.
est croissante. Montrons linegalite suivante
[U(a.x)[ ([a[[x[). (4.4)
Par la denition de (t), (t) U(t), en posant t = [a[[x[, nous avons
([a[[x[) U([a[[x[), puisque a.x [a[[x[, alors a.x [a[[x[, donc
U(a.x) U([a[[x[), alors
([a[[x[) U(a.x) = [U(a.x)[.
Soient deux reels a, b 0, montrons que
(ab) (a
2
)(b
2
). (4.5)
Nous pouvons prendre a b, ce qui implique ab b
2
, puisque est croissante
et que (a
2
) 1, alors (ab) (a
2
)(b
2
).
Finalement en utilisant (4.4) et (4.5), nous avons pour tout x
[U(a.x)[g([x[) (a
2
)(x
2
)(x
2
)
1
(a
2
) < .
Do` u linegalite recherche. Pour t 0 nous posons g(t) = (t
2
)
1
, alors
0 g(t) 1, donc g est bornee, g est decroissante.
Proposition 4.5 Soit lespace metrique compact des matrices de dimen-
sion d d de projections orthogonales. Il existe une variable aleatoire T
n1
-
mesurable R : : telle que pour presque tout , nous avons
ker R() = lin(supp((,)))
39
Preuve
Nous avons est un espace metrique compact, voir ([11]), =
d
r=0

r
, o` u

r
est le sous-ensemble des matrices de projection de rang r. Nous posons

r
= infE[[RS
n
[
2
[T
n1
] : R
r

Nous denissons
= supr 0 :
r
= 0
Le support de P([T
n1
) a pour dimension (d) parce qu il existe un unique
R

se touvant dans le complement orthogonal ` a

que P([T
n1
) charge. Ce
qui implique que le support de P([T
n1
) est de dimension d .
Maintenant nous allons demontrer le theor`eme suivant.
Theor`eme 4.2 Les armations suivantes sont equivalentes
(i) Il existe une probabilite P

equivalente ` a P telle que (S

n
)
0nN
est une
(T
n
)
N
n=0
-martingale sous P

;
(ii) il ny a pas dopportunite darbitrage.
De plus si ces conditions sont veriees, alors nous pouvons trouver P

de telle
fa con que dP

/ dP est bornee.
Montrons que (i) implique (ii).
Nous supposons lexistence dune probabilite P

equivalente ` a P tel que

(S
n
)
0nN
est une martingale sous P

. Sil existe une opportunite darbitrage,

alors par la proposition 4.2, il existe une variable aleatoire T
n1
-mesurable

n1
telle que

n
.(S
n
S
n1
) 0 p.s. et P
n
.(S
n
S
n1
) > 0 > 0. (4.6)
Si nous normalisons
n
par
n
[
n
[
1
1
{|n>0}
, nous pouvons supposer que
n
est bornee. Montrons que lesperance sous P

de
n
.(S
n
S
n1
) est nulle,
nous designerons par E

lesperance sous P

, puisque
n
est T
n1
-mesurable,
et S
n
est une martingale, alors
E

(
n
.(S
n
S
n1
)[T
n1
) =
n
(E

(S
n
S
n1
)
= E

(S
n
S
n1
)
= 0,
ce qui contredit linegalite (4.6)
Montrons maintenant (ii) implique (i), supposons quil nexiste pas doppor-
tunite darbitrage, nous allons construire une mesure equivalente ` a P sous
40
laquelle les prix sont des martingales.
Soit P

tel que dP

n
j=1
g([S
j
[) dP o` u veut dire proportionnel. Dabord
montrons que E(

n
j=1
g([S
j
[)) est nie. Puisque g est bornee (appelons C
la borne), nous avons
E(
n

j=1
g([S
j
[)) =
_

j=1
g([S
j
[) dP
C
n
_

dP
C
n
.
En posant P

n
j=1
g([S
j
[)
E(

n
j=1
g([S
j
[))
P, alors il est evident que P

est une mesure

de probabilite, P

est equivalente ` a P car si P(A) = 0 alors P

(A) = 0 et si
P

(A) = 0, alors P(A) = 0 car g est strictement positive.

Nous denissons P
N
= P

et P
n
pour n allant de N 1 jusqu` a 0, par la
relation
dP
n
= c
n
N

k=n+1
U

(
k
S
k
) dP

,
o` u
k
est T
k1
-mesurable, et c
n
la constante de normalisation appropriee.
Nous allons montrer ces relations suivantes par la m`ethode de recurrence
descendante. Les hypotheses de recurrence ` a l ordre n sont
_
Pour tout k n, pour tout a R
d
, U(a S
k
) L
1
(P
n
);
(S
k
)
nkN
est une
_
(T
k
)
N
k=n
, P
n
_
-martingale.
Il est clair que lorsque ces relations seront demontrees, P
0
sera la mesure
recherchee, et la densite sera bornee puisque U

est bornee, (voir 4.3).

Verions que la relation de recurrence est vraie ` a lordre N.
Dune part puisque g est bornee et sup
xR
d
[U(a.x)[[g([x[) < par la proposition
4.4, alors pour k n 1, et pour tout a R
d
_

U(a.S
k
) dP
N
=
_

U(a.S
k
) dP

=
_

U(a.S
k
)

N
j=1
g([S
j
[)
E(

N
j=1
g([S
j
[))
dP

(C)
N1
E(

N
j=1
g([S
j
[))
sup
xR
d
[U(a.x)[[g([x[)[
< .
41
Dautre part, il est evident que S
N
est une (T
N
, P
N
)-martingale.
Supposons que la relation est veriee ` a lordre n et demontrons quelle est
vraie ` a lordre n1, i.e. pour tout k n1, pour tout a R
d
, U(a S
k
)
L
1
(P
n1
)
Montrons que (S
k
)
n1kN
est une ((T
k
)
n1kN
, P
n1
)-martingale.
Par la suite nous noterons X = S
n
S
n1
et est la version reguli`ere de la
probabilite conditionnelle de X sachant T
n1
, R: veriant la propo-
sition 4.5, o` u est lensemble des matrices de dimension dd de projections
orthogonales.
Soit la fonction (,a) =
_
R
d
U(a.x)(,dx) + [R()a[
2
. Alors dapres les
resultats sur lesperance conditionnelle, puisque U(a,S
n
) est dans L
1
(P
n
),
en appliquant le theor`eme sur la version reguliere de lesperance condition-
nelle, nous avons
(,a) = E
n
[U(a.S
n
)[T
n1
] +[R()a[
2
.
Montrons que satisfait les hypoytheses de la proposition 4.3. Montrons que
est convexe. Soit a
1
, a
2
R
d
,
1
et
2
positifs tels que
1
+
2
= 1, puisque
U est convexe, nous avons
(,
1
a
1
+
2
a
2
)
1
(,a
1
) +
2
(,a
2
).
Il est clair que (,a) est T
n1
-mesurable par denition.
Considerons quil existe un a deni ` a la proposition 4.3, cest ` a dire tel que
lim
t
(,ta) < . Alors R()(a) = 0 sinon R()(ta) tendrait vers . Dapr`es
la proposition 4.5, nous posons A = x : a x < 0, nous avons
(,x : a x < 0) = 0. (4.7)
Sinon (,A) > 0, nous aurions
_
R
d
U(a.x)(,dx) =
_
A
U(a.x)(,dx) +
_
R
d
\A
U(a.x)(,dx).
Et
_
R
d
U(a.x)(,dx) tendrait vers .
Montrons que lensemble des a tel que (4.7) est veriee, est ferme pour un
xe. Soit (a
n
)
nN
S
d1
telle que (,x : a
n
.x < 0) = 0, a
n
converge vers
a. Montrons (,x : a.x < 0) = 0, nous posons
A
n
= x : a
n
.x < 0 et A = x : a.x < 0.
42
Montrons que A liminf
n
A
n
=
_
nN

mn
A
m
Si x A, alors a.x < 0, nous avons [a.x a
n
x[ |a a
n
||x|, ainsi nous
pouvons ecrire (a.x + a
n
x) [[a a
n
[[[[x[[, puisque [[a a
n
[[ 0, alors ,
il existe n
a
tel que pour tout n n
a
[[a
n
a[[
a.x
2[[x[[
, alors
pour tout n n
a
a
n
.x
2
< 0,
donc x
nna
A
n
, ce qui implique x liminf
n
A
n
, par laxiome de la
continuite, nous avons
lim
n
(,
mn
A
m
) = (, liminf
n
A
n
) = 0
donc (,A) = 0, do` u le resultat souhaite.
Alors en appliquant la proposition 4.3, il existe () T
n1
-mesurable du
moment que F() ,= . Nous devons avoir
(, x : .x < 0) > 0.
Sinon (, x : .x = 0) = 1, puisque . = 1, alors (, ) = 0. Ce qui
implique que ne se trouve pas dans lin(supp((,))). Or R()() = 0 car
() F(), ce qui contredit la proposition 4.5.
Ce choix de est une opportunite darbitrage. Puisquil nexiste pas dop-
portunite darbitrage alors F doit etre vide. Ce qui entrane lexistence de
a

() qui minimise (,). Nous devons avoir R()a

() = 0.
Soit h > 0, pour tout v R
d
, puisque a

minimise , nous avons

0
1
h
_
{v.x<0}
[U(a

().x) U(a

().x +hv.x)] (,dx)

+[R()(a

+hv)[
2
[R()a

[
2

1
h
_
{v.x<0}
[U(a

().x) U(a

().x +hv.x)] (,dx)

+[R()hv[
2

1
h
_
{v.x>0}
[U(a

().x) U(a

().x +hv.x)] (,dx)

+[R()hv[
2
.
En fait, la separation a ete faite pour quon puisse appliquer le theor`eme de
la convergence monotone deux fois. En faisant tendre h vers 0, nous obtenons
0 =
_
R
d
v.xU

(a

().x)(,dx),
43
et puisque v est quelconque, alors
0 =
_
R
d
xU

(a

().x)(,dx).
Nous choisissons
n
= a

et S
n
= X, nous avons dP
n1
= U

(
n
.S
n
) dP
n
,
nous allons montrer que P
n1
est bien denie. En utilisant la relation (4.3),
nous avons
_

(
n
.S
n
) dP
n
+
_

U(
n
.S
n
) dP
n
U(0).
Maintenant nous pouvons denir P
n1
par la formule de recurrence, pour
k n 1, a R
d
, nous avons
_

[U(a.S
k
)[ dP
n1
= c
n1
_

[U(a.S
k
)[U

(
n
.S
n
) dP
n
c
n1
_

[U(a.S
k
)[(1 U(
n
.S
n
)) dP
n
(1 U(0))
_

[U(a.S
k
)[ dP
n
.
Ce qui demontre que la premi`ere relation de recurrence est bien veriee ` a
lordre n 1.
Montrons la propriete de martingale sous P
n1
` a lordre n 1.
Nous avons montre
_
R
d
xU

(a

.x)(,dx) = 0
donc en utilisant le theor`eme sur la version reguli`ere de lesperance condi-
tionnelle
E
n
(XU

(a

.X)[T
n1
) = 0.p.s.
Alors pour tout A T
n
,
_
A
X()U

(a

.X()) dP
n
=
_
A
E
n
(X()U

(a

.X()) [T
n1
) dP
n
,
ce qui implique
_
A
X()U

(a

.X()) dP
n
() = 0,
44
ainsi
_
A
X() dP
n1
() = 0,
et par suite
_
A
E
n1
(X()[T
n1
) dP
n1
= 0,
enn
E
n1
(S
n
[T
n1
) = S
n1
p.s.
Nous allons montrer que de N ` a n dans lhypoth`ese de recurrence, nous
pouvons remplacer P
n
par P
n1
. Nous avons E
n
(S
k
[T
n
) = S
n
pour n + 1
k N, puisque U

(
n
.S
n
) est T
n
-mesurable, alors pour tout A T
n
E
n
(U

(
n
.S
n
)S
k
[T
n
) = S
n
(U

(
n
.S
n
)
_
A
U

(
n
.S
n
)S
k
dP
n
=
_
A
U

(
n
.S
n
)S
n
dP
n
_
A
S
k
dP
n1
=
_
A
S
n
dP
n1
donc E
n1
(S
k
S
n
[T
n
) = 0 donc nous pouvons bien remplacer P
n
par P
n1
.

45
5 Une autre preuve du theor`eme fondamen-
tal de la nance
Dans la premi`ere partie du rapport, nous avons donne une demonstration du
theor`eme 3.3 : il existe une probablite P

equivalente ` a P sous laquelle les prix

actualises sont des martingales, dans le cas o` u Card() < +.
Dans ce qui suit nous allons etudier une demonstration dans le cas o` u Card() =
+ d ue ` a Stricker et Kabanov dans [8].
Lentier N est la date decheance, nous denissons R
N
= : =

N
n=1

n
S
n
,
T, o` u T est lensemble des strategies previsibles ` a valeurs dans R
d
.
Nous posons A
N
= R
N
L
0
+
i.e. si x A
N
, il existe y R
N
, z L
0
+
veriant
x = yz. A
N
est la fermeture de A
N
en probabilite i.e. si x A
N
, il existe une
suite (x
n
)
n
dans A
N
veriant pour tout > 0, lim
n+
P([x
n
x[ > ) = 0.
L
0
+
est lensemble des variables aleatoires mesurables positives ou nulles ` a
valeurs dans R.
Nous allons enoncer un theor`eme utilisant ces quelques outils denis prece-
demment pour obtenir le resultat souhaite.
Il faut remarquer que cette demonstration est proche de celle donnee dans le
debut de larticle, ` a la seule dierence que Card() = + et cela demande
lutilisation doutils plus sophistiques.
Theor`eme 5.1 Les conditions suivantes sont equivalentes :
(i) A
N
L
0
+
= 0 ;
(ii) A
N
L
0
+
= 0 et A
N
= A
N
;
(iii) A
N
L
0
+
= 0 ;
(iv) il existe une probabilite P

equivalente ` a P sous laquelle (S

n
)
n
est une
martingale.
Remarque 5.1 Nous avons A
N
L
0
+
= 0 est equivalente ` a R
N
L
0
+
= 0.
Montrons que A
N
L
0
+
= 0 alors R
N
L
0
+
= 0. 0 R
N
L
0
+
. Si
x R
N
L
0
+
, alors x R
N
et x peut secrire sous la forme x0 avec x R
N
et 0 L
0
+
donc x A
N
, puisque x L
0
+
, alors x A
N
L
0
+
, ce qui implique
x = 0, donc R
N
L
0
+
= 0.
Montrons que R
N
L
0
+
= 0 alors A
N
L
0
+
= 0. 0 A
N
L
0
+
. Soit
x A
N
L
0
+
, alors x A
N
, donc x secrit sous la forme x = y z o` u y R
N
et z L
0
+
. Puisque x L
0
+
, alors y z 0 donc y z or z L
0
+
, alors
y L
0
+
donc y R
N
L
0
+
, ce qui entrane y = 0 et z = 0, alors x = 0 et par
consequent A
N
L
0
+
= 0.
La condition (i) peut etre interpreter comme une absence darbitrage. Si la
condition (i) a lieu, alors par la remarque ci-dessus, R
N
L
0
+
= 0. Si R
N
,
46
alors secrit sous la forme suivante =

N
n=1

n
S
n
avec T, dapr`es
la propostion 4.1, = (.S)
N
(.S)
0
. Si L
0
+
, alors (.S)
N
(.S)
0
= 0
p.s., puisque R
N
L
0
+
= 0, ce qui prouve labsence darbitrage.
Nous allons demontrer quelques resultats utiles qui vont nous servir dans la
demonstration du theor`eme 5.3.
L
0
(R
d
) est lespace des fonctions mesurables ` a valeurs dans R
d
.
Lemme 5.1 Soit (y
n
)
n
une suite dans L
0
(R
d
) telle que y = liminf
n
[y
n
[ < .
Alors il existe une sous-suite ( y
k
)
k
L
0
(R
d
) telle que pour tout , la
suite ( y
k
())
k
est une suite convergente de y
n
().
Remarque 5.2 Soit (y
n
)
n
une suite de variables aleatoires dans L
0
(R
d
)
telle que y = liminf
n
[y
n
[ < . il sagit de trouver une sous-suite de (y
n
)
n
qui converge pour tout . Dans le cas o` u Card() = m, nous pou-
vons construire la sous-suite de la mani`ere suivante. Dabord nous xons
1
,
et nous extrayons une sous suite de (y
n
(
1
))
n
, ce qui est possible puisque
liminf
n
[y
n
(
1
)[ < . Notons cette sous-suite (y
1
n
(
1
))
n
. Pour
2
, nous extra-
yons une sous-suite de (y
1
n
(
2
))
n
, ce qui est possible pour la meme raison que
precedemment, nous notons cette sous-suite (y
2
n
(
2
))
n
, il faut remarquer que
cette sous-suite converge lorsque nous rempla cons
2
par
1
. En procedant
de cette fa con jusqu` a lordre m, nous avons une sous-suite qui converge pour
tout . Dans le cas o` u Card() = +, nous ne pouvons pas appliquer
cette methode dextraction, le probl`eme est resolu par le lemme suivant.
Preuve
Soit
0
() = 0, denissons les variables aleatoires
k
par
k
() = infn >

k1
() : [[y
n
()[ y()[ k
1
.
Alors la suite y
0
k
() = y

k
()
(), lindice du haut represente letape diteration.
Nous avons sup
k
[ y
0
k
()[ < . Nous appliquons cette procedure ` a la premi`ere
composante de la suite y
0
k
(), la suite obtenue est y
1
k
() converge pour la
premi`ere composante, en appliquant cette meme procedure ` a toutes les com-
posantes, nous obtenons nalement une sous-suite qui converge pour tout .
Nous allons enoncer le ther`eme de Halmos-Savage, il permet dune famille
quelconque de mesures de probabilite absolument continues par rapport ` a P,
de trouver une mesure de probabilite equivalente ` a P.
Denition 5.1 Soit M une famille de mesures Q sur T.
Nous disons que lensemble M est ferme sous une combinaison convexe de-
nombrable si pour (Q
n
)
n
M et c
n
0 avec

n=1
c
n
= 1, nous avons

n=1
c
n
Q
n
M.
47
Ce theor`eme se trouve dans [5]
Theor`eme 5.2 Soit un ensemble M de mesures sur T absolument continues
par rapport ` a P, ferme sous combinaison convexe denombrable. Supposons,
que pour tout A T veriant P(A) > 0, il existe Q M telle que Q(A) > 0.
Alors il existe Q
0
M telle que pour tout A T avec P(A) > 0, nous avons
que Q
0
(A) > 0.
Remarque 5.3 Il faut noter que Q
0
ne depend pas de A dans T. Les pro-
babilites P et Q
0
sont equivalentes.
Nous allons donner une demonstration dun lemme assez utile pour la preuve
du theor`eme , nous designons E

lesperance sous P

.
Lemme 5.2 Soit K un c one convexe dans L
1
contenant L
1
+
et tel que
KL
1
+
= 0. Il existe une probabilite P

equivalente ` a P avec dP

/ dP L

telle que E

() 0 pour tout K.
Preuve
Lensemble K est un c one convexe dans L
1
. Soit x L
1
+
0, alors x est un
compact dans L
1
, Kx = , par le theor`eme de Hann-Banach [1], il existe
une application lineaire continue T
x
: L
1
R telle que T
x
() < T
x
(x) pour
tout K. Il existe z
x
L

telle que T
x
() est egale ` a
_

z
x
()() dP()
ce qui implique pour tout K, nous avons
E(z
x
) < E(z
x
x). (5.1)
Montrons que E(z
x
) 0 pour tout K.
Sil existe telle que E(z
x
) > 0 alors E(z
x
x) > 0. Posons d = E(z
x
) et
c = E(z
x
x). Alors

=
2c
d
K car K est un c one. E(z
x

) =
2c
d
E(z
x
) =
2E(z
x
x) > E(z
x
x) ce qui contredit (5.1).
En particulier pour = 0, E(z
x
) = 0, ce qui entrane E(z
x
x) > 0.
Nous venons de montrer E(z
x
x) > 0 pour tout x L
1
+
0, montrons main-
tenant que z
x
0 p.s.
Soit A = tel que z
x
() < 0. Supposons que P(A) > 0, nous posons
y() = 1
A
(), alors il est clair que y K et
_

z
x
y dP =
_
A
z
x
dP > 0.
Ce qui est contradictoire avec E(z
x
) 0 pour K, donc P(A) = 0 et
z
x
() 0 p.s..
Puisque z
x
L

, nous pouvons normaliser z

x
.
48
Dans la suite nous nutiliserons que des z
x
telle que |z
x
|

= 1.
Appliquons le theor`eme de Halmos-Savage ` a la famille
M =
_
+

i=0
c
i
z
x
i

i=0
c
i
E(z
x
i
)
dP / (x
i
)
i
L
1
+
0,
+

i=1
c
i
= 1
_
.
Il est clair que tout element de M est une mesure de probabilite et est ab-
solument continue par rapport ` a P. M est ferme sous combinaison convexe
denombrable. Montrons que pour tout A T, veriant P(A) > 0, alors il
existe Q M telle que Q(A) > 0. En choisissant x = 1
A
, x L
1
+
0, nous
posons
Q =
z
x
E(z
x
)
dP.
Il est clair que Q est un element de M. Nous avons
Q(A) =
_
A
dQ
=
1
E(z
x
)
_

z
x
1
A
dP
=
1
E(z
x
)
_

z
x
xdP > 0.
Alors le theor`eme de Halmos-Savage prouve lexistence de Q
0
telle que Q
0
est equivalente ` a P, Q
0
est un element de M, alors il existe (x
i
)
i
L
0
+
0
telle que Q
0
=
+

i=0
c
i
z
x
i

i=0
c
i
E(z
x
i
)
P. Nous posons P

= Q
0
Nous posons
=

i=0
c
i
E(z
x
i
).
Il est clair que 1, car E(z
x
i
) 1. Montrons que
dP

dP
L

, nous avons
dP

dP
=
+

i=0
c
i
z
x
i

i=0
c
i
E(z
x
i
)
.
49
|
dP

dP
|

= |
+

i=0
c
i
z
x
i

i=1
c
i
|z
x
i

.
Nous obtenons le resultat recherche.
Montrons que E

() 0. Nous avons
E

() =
_

i=0
c
i
z
x
i

i=0
c
i
E(z
x
i
)
dP.
Alors par le theor`eme de la convergence dominee
E

() =
+

i=0
c
i

i=0
c
i
E(z
x
i
)
_

z
x
i
dP.
E

() =
+

i=0
c
i

i=0
c
i
E(z
x
i
)
E(z
x
i
).
Puisque E(z
x
i
) 0, ce qui entrane que E

() 0.
Rappelons le theor`eme que nous souhaitons demontrer.
Theor`eme 5.3 Les conditions suivantes sont equivalentes :
(i) A
N
L
0
+
= 0 ;
(ii) A
N
L
0
+
= 0 et A
N
= A
N
;
(iii) A
N
L
0
+
= 0 ;
(iv) il existe une probabilite P

equivalente ` a P sous laquelle (S

n
)
n
est une
martingale.
Preuve
Montrons (i) (ii). Utilisons la methode de recurrence pour montrer que
A
N
est ferme.
Supposons pour N = 1 que
n
1
S
1
r
n
p.s. avec
n
1
une variable aleatoire
T
0
-mesurable et r
n
L
0
+
. Rappelons que la convergence presque s urement
entrane la convergence en probabilite.
Si nous arrivons ` a trouver une sous-suite

k
1
qui converge, alors r
k
L
0
+
va
50
converger aussi parce que

k
1
r
k
p.s.
Appelons

1
= lim
k

k
1
et r, la limite de r
k
, alors =

1
+ r, ce qui entrane
A
N
est ferme pour N = 1.
Montrons lexistence dune sous-suite qui converge. Pour cela nous ferons une
partition de , de telle fa con que nous puissions appliquer le lemme 5.1
Appelons = liminf
n

n
1
, posons
1
= < , puisque les hypoth`eses
du lemme 5.1 sont veriees alors il existe une sous-suite

k
1
() de

k
1
() qui
converge pour chaque .
Dans le cas o` u
1
est de pleine mesure, le probl`eme est resolu, sinon on
construit lev`enement
2
= = . Maintenant nous allons changer

n
1
et
r
n
1
par

G
n
1
=

n
1
[

n
1
[
et

h
n
1
=
r
n
[

n
1
[
de fa con ` a pouvoir appliquer le lemme 5.1.
Nous avons liminf
n

G
n
1
= 1 < . Ansi nous avons

G
n
1
S
1

h
n
1
0.
Notons

G
1
la limite de

G
n
1
par le lemme 5.1, et

h
1
la limite de

h
n
1
,

h
n
1
converge
pour la meme raison que toute ` a lheure, et nous avons

G
1
S
1
=

h
1
.
La variable aleatoire

h
1
L
0
+
car L
0
+
est un ensemble ferme, et

G
1
S
1
R
N
,
par (i) puisque A
N
L
0
+
= 0, alors dapr`es la remarque 5.1

G
1
S
1
= 0.
Nous allons construire une partition
i
2
, i = 1, . . . ,d de
2
, o` u
i
2
=

2
,
i
est la projection dun element de R
d
sur e
i
, avec (e
1
, . . . ,e
d
) la base
canonique de R
d
.
Nous posons

n
1
=
n
1


i

n
1

G
1

G
1
.
Dabord, nous avons

n
1
S
1
=
n
1
S
1


i

n
1

G
1

G
1
S
1
=
n
1
S
1
.
Dautre part, nous avons

n
1
=
i

n
1


i

n
1

G
1

G
1
= 0.
51
En repetant ce processus sur tous les
i
, nous obtenons une nouvelle suite
n
1
qui est nulle sur
2
et valant
n
1
sur
1
, donc admet une sous-suite convergente
pour tout .
Maintenant supposons que la relation est vraie ` a lordre N1, montrons que
la relation est vraie ` a lordre N.
Soit la suite T
n1
-mesurable
j
n
et r
j
L
0
+
telle que
N

n=1

j
n
S
n
r
j
converge
vers p.s., car en utilisant le fait que la relation est vraie pour la somme
jusqu` a lordre N1, et en appliquant la meme procedure que precedemment
pour le dernier terme, nous avons la relation qui est vraie ` a lordre N.
Il est clair que (ii) (iii).
Montrons que (iii) (iv), nous supposons que S
n
est integrable, si cela
nest pas le cas nous construirons P

= Ce
|Sn|
P, o` u C est une constante,
equivalente ` a P telle S
n
soit integrable par rapport ` a P

.
Posons A
1
N
= A
N
L
1
. Il est clair A
1
N
est un c one convexe ferme.
Puisque A
N
L
0
+
= 0 et puisque A
1
N
A
N
et L
1
+
L
0
+
, et que 0
A
1
N
L
1
+
, alors A
1
N
L
1
+
= 0.
Puisque A
1
N
est un c one convexe ferme, nous pouvons alors appliquer le lemme
5.2 qui implique lexistence de P

equivalente ` a P de densite bornee telle que

E

0 pour tout A
1
N
, en particulier pour =
n
S
n
o` u
n
est
T
n1
-mesurable, nous avons alors
E

(S
n
[T
n1
) = 0.
Ce qui implique S
n
est une P

-martingale.
Montrons (iv) (i), soit A
N
L
0
+
, alors R
N
L
0
+
et L
0
+
, alors
0 .S
N
, puisque E

(
n
S
n
[T
n1
) = 0, alors E

(
n
S
n
) = 0 pour tout
n 1,2, . . . ,N. Donc par linearite nous avons
E

(.S
N
) = 0.
Alors = 0. Ce qui prouve quil nexiste pas dopportunite darbitrage.
52
References bibliographiques.
[1] Brezis P. Analyse fonctionelle, theorie et applications. Masson, 1990.
[2] Dalang R. C., Morton A., Willinger W. Equivalent martingale
measures and no-arbitrage in stochastic securities market model. Stoch.
Stoch. Rep., 29:185201, 1990.
[3] Durrett R. Probability Theory and Examples. Duxbury Press, 1996.
[4] Halmos P. Measure theory. D. Van Nostrand Company, 1950.
[5] Klein I., Schachermayer W. A quantitative and a dual version of
the Halmos-Savage theorem with applications to mathematical nance.
Ann Prob, 24:867881, 1996.
[6] Lamberton D., Lapeyre B. Introduction to stochastic calculus applied
to nance. Chapman Hall, 1996.
[7] Rogers L. C. G. Equivalent martingale measures and no-arbitrage.
Stoch. Stoch. Rep., 51:4149, 1994.
[8] Stricker C., Kabanov Y. A teachers note on no-arbitrage. Seminaire
de probabilites, XXXV:149152, 1991.
[9] Webster R. Convexity. Oxford Science publications, 1994.
[10] Yan J. Caracterisation dune classe densembles convexes de l
1
ou h
1
.
Seminaire de probabilite XIV. Lect. Notes Math., 784:260280, 1980.
[11] Zuily C., Queffelec H. Elements danalyse pour lagregation. Masson,
1990.
53