Académique Documents
Professionnel Documents
Culture Documents
Philippe Bich
April 8, 2017
But du cours
But du cours
Fonctionnement du cours:
12 cours de 3 heures
Important de s’exercer (exercices).
Exercices, cours, examens années précédentes:
communication diverses: voir site
bichgame.wordpress.com
2) Black et Scholes
∂f ∂f 1 ∂f 2
+ µ.S. + σ 2 .S 2 2 = µ.f .
∂t ∂S 2 ∂S
3) Modèle à la Cox-Ross-Rubinstein
On commence
A ⊂ B si ∀a ∈ A, a ∈ B.
Si A ∩ C ⊂ B ∩ C et A ∪ C ⊂ B ∪ C, montrer que A ⊂ B.
∅ ensemble vide.
N: ensemble des entiers naturels.
Z: ensemble des entiers relatifs.
R: ensemble des réels.
[a, b] = {x ∈ R, a ≤ x ≤ b};
]a, b] = {x ∈ R, a < x ≤ b}.
A × B = {(a, b) | a ∈ A and b ∈ B}
1) Univers
1) Univers
1) Univers
2) Evenement; vocabulaire
On notera Ω l’univers.
3) Partition
∪i∈I Ai = E
Ai ∩ Aj = ∅.
Lemme Soit Ω l’univers, soit une famille non vide (Ai )i∈N de
sous-ensembles de Ω. Alors il existe une famille (Bi )i∈N de
sous-ensembles de Ω qui est une partition de ∪i∈N Ai , et avec
∪ni=0 Ai = ∪ni=0 Bi pour tout n ≥ 0.
3) Partition
4) Tribu
4) Tribu: exemples
Exemples de tribus sur Ω:
Tribu grossière: {∅, Ω}. Représente la situation où vous
n’avez ... aucune information.
Tribu discrète: 2Ω . Représente la situation où vous avez ...
toute l’information.
Tribu engendrée:
Definition on appelle tribu engendrée par C ⊂ 2Ω (on dira
aussi tribu engendrée par les C ∈ C), notée σ(C) , la plus
petite tribu contenant C, formellement:
4) Tribu
Soit Ω = {111, 121, 222, 333, 444, 462}. C’est un ensemble de codes
(à trois chiffres) possibles pour ouvrir un cadenas. 1) Vous n’avez
aucune information sur le bon code. Quelle est votre partition
d’information ? votre tribu d’information ?
2) On vous donne maintenant les trois informations suivantes,
successivement, i.e. vous accumulez au fur et à mesure de
l’information
a) On commence par vous dire si le code est impair ou pair. Quelle
est votre nouvelle partition d’information ? votre nouvelle tribu
d’information ?
b) On vous donne l’information précédentes et on vous dit en plus si
le code commence par 4 ou non. Quelle est votre nouvelle partition
d’information ? votre tribu d’information ?
c) On vous donne les deux informations précédentes, et on vous dit
en plus si le code est 444 ou non. Quelle est votre partition
d’information ? votre tribu d’information ?
5) Mesure, Probabilité
5) Mesure, Probabilité
Definition (Probabilité)
On appelle probabilité P sur un espace mesuré (Ω, A) une
mesure P telle que P(Ω) = 1. Le triplet (Ω, A, P) est alors
appelé espace probabilisé.
5) Mesure, Probabilité
6) Probabilité discrète
6) Probabilité discrète
Réciproquement,
Pn la donnée de réels ai dans [0, 1] tels que
a
i=1 i = 1 défini parfaitement une probabilité finie P sur
D en posant ai = P({wi }) pour tout i.
Card(E)
P(E) = .
Card(Ω)
Il faut savoir aussi que le nombre de parties d’un ensemble à n éléments est
2n .
Philippe Bich Probabilités appliquées à la finance.
Bibliographie
«Vous êtes dans une pièce sombre, sans lumière. Vous avez
besoin de chaussettes assorties pour votre entretien
d’embauche et vous avez 19 chaussettes grises et 25
chaussettes noires. Quelles sont vos chances d’avoir une paire
assortie?»
Philippe Bich Probabilités appliquées à la finance.
Bibliographie
P(A ∩ B)
P(A | B) = .
P(B)
P(A | Ai )P(Ai )
P(Ai | A) = P .
j∈I P(A | Aj )P(Aj )
P(A1 ∩A2 ...∩An ) = P(A1 )P(A2 | A1 )P(A3 | A1 ∩A2 )....P(An | A1 ∩A2 ...∩An−1 ))
λk
∀k ∈ IN, P(X = k ) = e−λ
k!
Espérance et variance: E(X ) = λ et V (X ) = λ.
c’est à dire
V (X ) = E((X − E(X ))2 )
p
Le nombre positif σX = V (X ) est l’écart type de X .
Si X et Y sont des variables aléatoires de Ω, alors on appelle
covariance de X et Y :
Soit Y une variable aléatoire sur (Ω, F). Prouver que pour tout
x ∈ IR,
E((Y − x)2 ) = Var (Y ) + (E(Y ) − x)2 .
En déduire le minimum de l’application f (x) = E((Y − x)2 )
quand x varie dans IR.
Philippe Bich Probabilités appliquées à la finance.
Bibliographie
21 7
E(X ) = = .
6 2
On peux montrer que x = E(X ) est la solution de
minx∈R E((x − X )2 ).
E(X 1IA )
E(X | A) = .
P(A)
C’est aussi l’espérance de X par rapport à la probabilité
P(. | A).
k
X
E(X | Y ) = E(X | Y = yi )1IY =yi .
i=1
C’est aussi
E(X | Y ) = E(X | σ(Y )).
où σ(Y ) est la tribu engendrée par Y .
φ(E(X )) ≤ E(φ(X )) .
Théorème (Admis):
Une fonction F : IR → IR est une fonction de répartition d’une
certaine probabilité sur (R, B(R)) si et seulement si on a les
trois propriétés suivantes:
(i) F est croissante.
(ii) F est continue à droite.
(iii) limx→−∞ F (x) = 0 et limx→+∞ F (x) = 1.
pour tout x ∈ R.
On appelera probabilité à densité de telles probabilités.
Interprétation graphique.
Propriété
Si X a pour pour densité f , on a aussi
Z b
P(X ∈ [a, b]) = f (x)dx.
a
{w ∈ Ω : P(w) vraie}
est égale à 1.
X = X+ − X−
On a 0 ≤ X + ≤| X | et 0 ≤ X− ≤| X |
Si X integrable et A ∈ A, on définit
Z Z
Xdµ = X 1IA dµ.
A Ω
Si X integrable, et µ1 , ..., µn sont des mesures, et a1 , ..., an
des réels, on peux integrer X par rapport à la mesure
ν = a1 µ1 + ... + an µn ainsi:
Z Z Z
Xdν = a1 Xdµ1 + ... + an Xdµn
A Ω Ω
1
f (x) = b−a sur [a, b] et 0 sinon.
Espérance, variance
b+a (b−a)2
E(X ) = 2 , V (X ) = 12 .
Espérance, variance
C’est une loi souvent utilisée pour les durée de vie (si le devenir
d’un individu ne dépend pas de son age: lampe néon) c’est à
dire
(x−µ)2
−
e 2σ 2
f (x) = √ .
σ 2π
X −m
Proposition 1 Si X loi normale de paramètre (µ, σ) alors σ
loi normale de parametre (0, 1), dite centrée réduite.
Lecture de table
Exemple: si X suit N (11; 2), calculez P(X ≤ 14).
On centre et on réduit: P(Z ≤ 1.5) avec Z = X −11
2 .
On cherche a tel que P(Z ≤ a) = 1.5 dans la table...ce qui
donne environ a = 0.93.
La formule
S(t) = S(0)eµ.t
ressemble à la formule
S(n) = S(0)(1 + r )n
où r taux discret sur une période (1 année par exemple) et S(n)
valeur du placement (au taux discret r ) après n périodes
Lien entre les deux ?
S(t) = S(0)eµ.t
où µ = limn→+∞ µn
ce qui donne l’interprétation de µ.
Philippe Bich Probabilités appliquées à la finance.
Bibliographie
Planche de Galton
s ≤ t ⇒ Fs ⊂ Ft .
Par exemple, si on écrit d(x 2 ) = 2xdx (ici f (x) = x 2 ), cela doit être
compris proprement (en intégrant) par
Z x
x 2 − (x0 )2 = 2ydy
x0
ce qui est vrai.
Ainsi, une notation avec des "différentielle" est une égalité intégrale
déguisée, mais elle est souvent plus intuitive sous la forme de
différentielle (en économie, en physique, ...)
Philippe Bich Probabilités appliquées à la finance.
Bibliographie
Z t
f (t)dt
0
peux être définie ainsi:
Si 0 = t0n < t1n < ... < tnn = t est une subdivision de
l’intervalle [0, t], avec maxk | tkn+1 − tkn+1 |→ 0 quand
n → +∞,
Alors
Z t n−1
X
f (t)dt = lim f (tkn ).(tkn+1 − tkn )
0 n→+∞
k =0
Z t
f (t)dBt
0
peux être (on passe les conditions techniques) définie
ainsi:
Si 0 = t0n < t1n < ... < tnn = t est une subdivision de
l’intervalle [0, t], avec maxk | tkn+1 − tkn+1 |→ 0 quand
n → +∞,
Alors
Z t n−1
X
f (s)dBs = lim f (tkn ).(Btkn+1 − Btkn )
0 n→+∞
k =0
toujours avec 0 = < < ... < tnn = t est une subdivision de
t0n t1n
l’intervalle [0, t]., et la limite au sens de L2 .
Mais on peux montrer que ce calcul aboutit à un limite égale à t.
Cela donne le même résultat si on calculait
n−1
X Z t
lim (tkn+1 − tkn ) = ds
n→+∞ o
k =0
2
Donc c’est comme si (dBt ) se comportait comme dt, ce qu’on peux
intuiter en vérifiant E(δBt )2 = δt.
DONC RETENIR QUE TOUT SE PASSE COMME SI (dBt )2 = dt (on
verra que c’est un moyen mémotechnique pratique).
Philippe Bich Probabilités appliquées à la finance.
Bibliographie
Ito
Kiyosi Ito, Tokyo, 1915-2008. Awarded Gauss prize for his work
on stochastic integral.
Philippe Bich Probabilités appliquées à la finance.
Bibliographie
Xt = X0 + at + bBt
∂G(Xt , t)
+[ b(Xt , t)]dBt .
∂X
Ceci prouve aussi que G(Xt , t) est un processus d’Ito.
∂f ∂f 1 ∂2f ∂f
df = ( µS + + ( 2 S 2 σ 2 ))dt + σSdBt (2)
∂S ∂t 2 ∂S ∂S
On se constitue à la date t un portefeuille de valeur Π en vendant une
∂f
unité de l’option f , et en achetant ∂S unité de l’action S.
on a donc
∂f
Π = −f + S (3)
∂S
on admet qu’on peux écrire en différentiant
∂f
dΠ = −df + dS (4)
∂S
Philippe Bich Probabilités appliquées à la finance.
Bibliographie
On a vu
dSt = µ.St .dt + σ.St .dBt (1)
∂f ∂f 1 ∂2f ∂f
df = ( µS + + ( 2 S 2 σ 2 ))dt + σSdBt (2)
∂S ∂t 2 ∂S ∂S
∂f
Π = −f + S (3)
∂S
et
∂f
dΠ = −df + dS (4)
∂S
Par substitution on trouve
∂f 1 ∂2f
dΠ = (− − ( 2 S 2 σ 2 ))dt (5)
∂t 2 ∂S
On a trouvé
∂f 1 ∂2f
dΠ = (− − ( 2 S 2 σ 2 ))dt (5)
∂t 2 ∂S
On rappelle que si At est un placement au taux continu sans risque r ,
on a dAt = rAt dt, i.e. de rendement dA
At
t
= rdt.
Π est sur un instant très petit dt équivalent à un placement dont le
rendement pendant dt est
22 2
dΠ (− ∂f
∂t
− 12 ( ∂S
∂ f
2 S σ ))
= dt
Π Π
Par hypothèse d’absence d’arbitrage, les deux rendements doivent
être les même, i.e.
∂f 1 ∂2f
(− − ( 2 S 2 σ 2 ))dt = r Πdt (6)
∂t 2 ∂S
On a trouvé
∂f 1 ∂2f
(− − ( 2 S 2 σ 2 ))dt = r Πdt (6)
∂t 2 ∂S
en remplacant Π par sa valeur
∂f
Π = −f + S (3)
∂S
on trouve finalement l’équation de Black and Scholes: