Académique Documents
Professionnel Documents
Culture Documents
Exposé
Option : Actuariat
Par
Souici Abir chiheb Khaoula Khemissi Abir
Khoualdi Rim Louadj Narimene
Année:2024
Table des matières
1 Introduction 1
1.1 Dé…nition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Propriétés du mouvement Brownien fractionnaire . . . . . . . . . . . . . . 4
1.2.1 Auto-similarité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.2 Continuité de Hölder . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.3 Non-Di¤érentiabilité . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.4 variation quadratique . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.5 Semimartingale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2.6 Propriété de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3 Représentation de mouvement brownien fractionnaire . . . . . . . . . . . . 10
1.3.1 Moyenne mobile . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.2 Harmonisable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3.3 Levy-Hida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4 Méthodes de simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4.1 Méthode exacte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4.2 Méthode d’approximation . . . . . . . . . . . . . . . . . . . . . . . 15
1
1
CHAPITRE
Introduction
1
1. Introduction
pas être adéquatement représentés par les modèles traditionnels basés sur le mouvement
brownien standard.
En résumé, le mouvement brownien fractionnaire constitue une extension importante
du mouvement brownien classique, o¤rant une ‡exibilité accrue dans la modélisation des
phénomènes aléatoires complexes avec une persistance à long terme. Cette extension a
des implications signi…catives dans plusieurs domaines scienti…ques et appliqués.
2
1. Introduction
historique
Le mouvement brownien fractionnaire (mBf) a été introduit par Kolmogorov en 1940
comme moyen d’engendrer des "spirales" gaussiennes dans des espaces de Hilbert. En
1968, Mandelbrot et Van Ness l’ont rendu célèbre en l’introduisant dans des modèles
…nanciers et en étudiant ses propriétés. Le mBf est l’une des généralisations les plus na-
turelles du mouvement brownien. Il sert à recréer certains paysages naturels, notamment
des montagnes, mais également en hydrologie, télécommunications, économie, physique,
etc. Le mBf est un processus gaussien centré, nul en zéro et continu, dont la covariance est
donnée par une constante positive qui ne dépend que de l’indice de Hurst. Deux représen-
tations équivalentes du mBf sont la représentation par moyenne mobile et la représentation
harmonisable. Le mouvement brownien fractionnaire est un modèle non stationnaire de
signaux fractals nommés bruits gaussiens fractionnaires (fGn pour fractional Gaussian
noises), sont stationnaires. Ces deux modèles ont tout d’abord été utilisés pour modéliser
des signaux issus de phénomènes.
1
1.1. Dé…nition
1.1 Dé…nition
On a ( ; F; P ) un espace de probabilité, le mouvement brownien fractionnaire de paramètre
H 2 [0; 1] est un processusgaussien réel centré noté B H = (BtH )t 0 qui véri…ant :
1. B0H = 0 P p s.
2. E[(BtH )2 ] = jtj 2H
8t 0.
Proposition 1
Mouement brownien fractionnaire admet la fonction de covariance dé…nie par :
1
E[BtH BsH ] = t2H + s2H jt sj2H
2
Preuve On a:
Et comme
L
BtH BsH = BtH s
Finalement, on a
1
E[BtH BsH ] = (E[(BtH )2 ] + E[(BsH )2 ] E[(BtH BsH )2 ])
2
1
= (E[(BtH )2 ] + E[(BsH )2 ] E[(BtH s )2 ])
2
1
= (E[(B1H )2 ](t2H + s2H jt sj2H )
2
1 2H
= (t + s2H jt sj2H )
2
1
1.1. Dé…nition
1
1. Si H = 2
alors mouvement brownien fractionnaire est un mouvement brownien
classique .
Preuve
1 1
1. On voit tout de suit que la covariance de B 2 réduit à (s; t) 7! s ^ t donc B 2 est un
mouvement brownien classique
= t2 + t2 t(t2 + 1 (1 t)2 )
= 0
H H L
1. Pour tout a > 0 , (a Bat )t 0 = (BtH )t 0 (est un autosimilarité)
(L)
(Xat ; t 0) = (b(a)Xt + c(a); t 0)
Les valeurs b(a) et c(a) sont déterminées de manière unique et ont des formes
explicites .
L
2. (t2H B H1 )t 0 = (BtH )t 0 (est une inversion de temps)
T
2
1.1. Dé…nition
H L
3. 8h > 0 ,(Bt+H BhH )t 0 = (BtH )t 0 (est un stationarité de incréments)
Preuve
1.
1 2H
H H
E[Bat Bas ] = (at + as2H jat asj2H
2
1 2H 2H
= a (t + s2H jt sj2H )
2
Donc
H H H H 1 2H H H
E[a Bat a Bas ] = a E[Bat Bas ]
2
1 2H 2H 2H
= a a (t + s2H jt sj2H )
2
1 2H
= (t + s2H jt sj2H )
2
2.
1 2H 2H
E[t2H B H
1 s
2H H
B1 ] = t s E[B H H
1 B1 ]
t s 2 t s
2H 2H
1 2H 2H 1 1 2H 1 1
= t s ( + )
2 t s t s
1 2H
= (t + s2H jt sj2H
2
3.
H
E[(Bt+h BhH )(Bs+h
H
BhH )] = E[Bt+h
H H
Bs+h ] H
E[Bt+h BhH ] H
E[Bs+h BhH ] + E[(BhH )2 ]
1
= [((t + h)2H + (s + h)2H jt sj2H ) ((t + h)2H + (h)2H jtj2H )
2
((s + h)2H + (h)2H jsj2H ) + 2h2H ]
1 2H
= (t + s2H jt sj2H
2
= E[BtH BsH ]
3
1.2. Propriétés du mouvement Brownien fractionnaire
1.2.1 Auto-similarité
Dé…nition 1.2.1 Un processus fXt : t 2 Rg est dit auto-similarité d’indice > 0 tel que:
fX t : t 2 Rg et Xt : t 2 R
Démonstration:
On …xe > 0 ; il évidente que B Ht : t 2 R et H
BtH : t 2 R sont deux processus
Gaussiens centrés, il su¢ t donc de montrer qu’ils ont la même fonction de covariance.
D’une part on a :
Cov(B Ht ; B Hs ) = E(B Ht B Hs )
1
= j sj2H + j tj2H j t sj2H
2
1 2H
= jsj2H + jtj2H jt sj2H
2
H
Cov BtH ; H
BsH = E( H
BtH H
BsH )
2H
= E(BtH BsH )
1
= 2H
jsj2H + jtj2H jt sj2H
2
donc B Ht = H
BtH
4
1.2. Propriétés du mouvement Brownien fractionnaire
Dé…nition 1.2.2 f est Hölder Continu de paramétre 2 [0; 1] s’il existe c > 0 et f :
I ! R tel que :
jf (t) f (s)j c jt sj s; t 2 I
Théorème 1.2.2 Tout Mouvement Brownien fractionnaire admet une modi…cation dont
les trajectoires ont une Continuité de Hölder D’ordre < H sur tout intervalle [0; p] avec
p > 0:
E (jXt Xs j ) jt sjc+"
5
1.2. Propriétés du mouvement Brownien fractionnaire
1.2.3 Non-Di¤érentiabilité
BtH BtH0
8t0 2 R+ ; P lim sup = +1 =1
t !t0 t t0
Démonstration:
On se ramène au cas t0 = 0 grâce à la stationnarité.
BtH
on va donc étudier le comportement de t
quand t tend vers t0 :
En fait on va démontrer la non-di¤érentiabilité à droite :
On pose :
BtH
A(t) = sup M avec M > 0
0 s t t
Alors
BtH
P [A(t)] P M
t
tH H
P B1 M par auto-similarité
t
P B1H M:t1 H !t!0 P B1H 0
BtH
lim = +1 P p:s
t!0+
t
H et 0 = t0 < t1 < :::: < tn = t est une subdivision de [0; t] le pas h = maxi=1;:::;n (ti
ti 1 )
donc :
X
lim (BtHi BtHi 1 )2 = hB H it
n!+1
(ti 1 ;ti )2h
on a :
6
1.2. Propriétés du mouvement Brownien fractionnaire
1
hB H it = 0; 8t 2 R pour H >
2
1
hB H it = t; 8t 2 R pour H =
2
1
hB H it = +1; 8t 2 R+ pour H <
2
Démonstration
Soient t 2 R+ ; et fMn : 0 = t0 < t1 < ::: < tn = t; n 2 N g une suite de subdivision de
[0; t] dont le pas jMn j !n!+1 0
P
Considérons TtMn = nk=01 (BtHk+1 BtHk )2
1
1er cas : H > 2
Nous allons donc montrer la convergence dans L1 de TtMn vers 0. Par la stationnarité
des accroissements, on a :
"n 1 #
X
E [TtMn ] = E (BtHk+1 BtHk )2
k=0
X
n 1 h i
= E (BtHk+1 BtHk )2
k=0
X
n 1
= var(BtHk+1 BtHk )
k=0
X1
n
= var(BtHk+1 tk )
k=0
X1
n
= jtk+1 tk j2H
k=0
X1
n
= jtk+1 tk j jtk+1 tk j2H 1
k=0
2H 1
X
n 1
jMn j jtk+1 tk j
k=0
jMn j2H 1
t
Comme H > 1
2
) 2H 1 > 0; on a donc : limn!+1 jMn j2H 1
t=0
7
1.2. Propriétés du mouvement Brownien fractionnaire
Alors:
TtMn !Ln!+1 0
1
d’où le résultat.
1
2eme cas: H < 2
on a donc :
" #
X
2n
Dn E (B Hi B Hi 1 )2
i=0
X
2n
E (B Hi B Hi 1 )2
i=0
X2n
var (B Hi B Hi 1 )
i=0
X2n
var(B Hi i 1
)
i=0
X2n
2H
j i i 1j
i=0
X2n
it (i 1)t
2H
i=0
2n 2n
X2n
t
2H
i=0
2n
2H
n t
(2 + 1) n
2
1 1
(t)2H ( n(2H 1)
+ )
2 22nH
1
Comme H < 2
alors 2H 1 < 0 et 2H > 0 on a donc :
1
lim = +1
n!+1 2n(2H 1)
8
1.2. Propriétés du mouvement Brownien fractionnaire
et
1
lim =0
n!+1 22nH
1.2.5 Semimartingale
Démonstration
1
supposons que B H = M + V est un semimartingale H > 2
on a hM it = hB H it =
08t 2 R donc en vertu de la décomposition de Doob Meyer, M 2 hM it est une martingale
locale continue nulle en 0 c’est à dire qu’il existe une suit TN : n 2 N croissante de tempe
d’arrêt telle que:
lim Tn = +1 P ^ p:s
n!+1
et
2 2
8n; 8t; E Mt^Tn
= E M0^Tn
=0
2
8n; 8t; E Mt^Tn
= 0 P ^ p:s
9
1.3. Représentation de mouvement brownien fractionnaire
1
(1; 3) (2; 2) = (1 + 32H 22H )
2
= 3 + 32H 3(22H )
et
1 1
(1; 2) (2; 3) = (1 + 22H 1) (22H + 32H 1)
2 2
= 0
Théorème 1.3.1 Soit 0 < M < 1, M une mesure aléatoire gaussienne de mesure de
contrôle la mesure Lebesgue et Bt un mouvement brownien ordinaire.
10
1.3. Représentation de mouvement brownien fractionnaire
Z +1 h i
1 1 1
f ((t s)+ )H 2 (( s)+ )H 2 M (ds) : t 2 R+ g
C1 (H) 1
Z 0 h i Z 0
1 1 1 1
f (t s)H 2 ( s)H 2 dBs + (t s)H 2 : t 2 R+ g
C1 (H) 1 1
avec
sZ
+1 h 1 1
i2
C1 (H) = ((t s)+ )H 2 (( s)+ )H 2 ds
1
preuve
2
soit (s; t) 2 (R+ ) , on a :
Z +1 h i
1 1 1
BtH BsH = ((t u)+ )H 2 ((s u)+ )H 2 M (du)
C1 (H) 1
h i Z +1 h i2
2 1 1 1
E BtH BsH = ((t u)+ ) H 2 ((s u)+ ) H 2 du
C12 (H) 1
h i Z +1 h i2
2 1 1 1
E BtH BsH = 2
(((jt sj(1 v))+ )H 2 (( jt sjv)+ )H 2 jt sjdv
C1 (H) 1
Z +1 2
1 2H
H 1
2 H 1
2
= 2
jt sj ((1 v)+ ) (( v)+ ) dv
C1 (H) 1
= jt sj2H
1.3.2 Harmonisable
Théorème 1.3.2 Soit 0 < H < 1, M une mesure aléatoire gaussienne complexe de
mesure de contrôle 2
.
11
1.3. Représentation de mouvement brownien fractionnaire
Z +1
1 ei t
fXt = M (d ) : t 2 R+ g
C2 (H) 1 i j jH 21
s
(2 2H) cos( H)
AvecC2 (H) =
H(1 2H)
1.3.3 Levy-Hida
1 1 t
KH (t; s) = dH (t s)H 2 + sH 2 F1 ( )
s
Z z 1
1 3 1
F1 = dH H H 2 1 ( + 1)H 2 d
2 0
Z t
t 1 1 1 1 1 3
KH (t; s) = bH ( )H 2 (t s) H 2 H s2 H
(u s)H 2 uH 2 du
s 2 s
! 21
2H
bH = 1
1 2H 1 2H; H + 2
12
1.4. Méthodes de simulation
si H 2 ( 12 ; 1) :
Le noyau a la simple expression suivante:
Z t
1 3 1
H
KH (t; s) = cH s 2 ju sjH 2 uH 2 du: t > s
s
Où
! 21
H (2H 1)
cH = 1
2 2H; H 2
Z t
BtH = KH (t; s) dBs ; 0 < S < T < 1:
0
13
1.4. Méthodes de simulation
ment est simulé, une réalisation sur une autre grille équidistante est obtenue en utilisant
l’auto-similarité propriété.
Méthode de Choleski
i j cov B i ; B j si i 6= j
N N
( )i;j = ; =
N N var B i si i = j
N
Il est claire que est une matrice symétrique dé…nie positive ou semi-dé…nie positive,
donc elle admet une décomposition de Choleski.
On simule la trajectoire du F BM aux instants 1; :::; N 1, car par dé…nition,le F BM
est issu de 0(B0 = 0). On prend la matrice N;N privée de sa première ligne et de sa
première colonne, et on la note N 1;N 1 , E(BH(t)BH(0)) = 0,8t 2 R+ :Simuler une
trajectoire discrétisée d’un F BM aux instants i=N pour i = 1; :::; N 1 revient alors à
générer un vecteur Z de (N 1) variables aléatoires indépendantes Gaussiennes standards.
D’après On écrit la matrice de covariance sous la factorisation de Choleski : =
LLt où L est une matrice triangulaire inférieure (la racine carrée de la matrice de covariance
).
–Le vecteur X = m + LZ suit une loi normale multidimensionnelle (de taille N ) de
moyenne m et de variance-covariance :LZ est un vecteur Gaussien centré, et E[(LZ)(LZ)t ] =
.
on voit clairement que le vecteur LZ est un vecteur Gaussien centré, et représente
la trajectoire du F BM aux instants 1; :::; N 1, tel que L est une matrice triangulaire
inférieure (la racine carrée de la matrice de covariance ). Le vecteur BH = (0; (LZ)t )t
dé…nit la trajectoire du F BM , simulée par la méthode de Choleski.
14
1.4. Méthodes de simulation
Cette méthode se base sur la simulation d’un vecteur X qui désigne les composantes d’un
F GN simulé aux instants i=N; i = 0; :::; N 1. On note par G la matrice de covariance
de processus X, c’est-à-dire,
la matrice d’autocovariance du F BM BH , telle que :
j i
(G)i;j = E(X (i=N ) X (j=N )) = ; i; j = 0; :::; N 1:
N
Ceci implique que :
X
N X
N X
N X
N
j i
E(B (i=N ) B (j=N )) = (G)i;j = ; i; j = 0; :::; N 1:
i=0 j=0 i=0 j=0
N
0 1
c0 c1 c2 cm 1
B C
B C
B cm 1 c0 c1 cm 2 C
B C i
si 0 j< m
B C N 2
C = B cm 12 cm 1 c0 cm 3 C ou cj = m j
B C si m
j<m 1
B .. .. .. C N 2
B . . . C
@ A
c1 c2 c3 : : : c0
15
1.4. Méthodes de simulation
t L
Générer le vecteur X = (X0 ; :::; XN 1) = N (0; G) revient à la génération du vecteur
L
X0 = (X0 ; :::; Xm 1 )t = N (0; C):La matrice C est diagonalisable dans la base de Fourier,
c’est-à-dire, il existe
1
une matrice D, telle que C = P DP , où D est une matrice diagonale (de valeurs
propres dj ), et P est la matrice unitaire des vecteurs propres à valeurs complexes. On
peut dire que C = P D1=2 D1=2 P 1
telle que 0 p 1
d1 0 ::: 0
B p C
B C
B 0 d2 0 C
D1=2 =B
B .. .. ..
C
C
B . . . C
@ p A
0 0 ::: dm
La matrice de la racine carrée de C est donc la matrice L = P D1=2 P 1
L
Le vecteur du FGN (recherché) est le vecteur X 0 = LZ = P D1=2 P 1
Z,tel que X 0 =
L
N (0; C), et Z est un vecteur aléatoire simulé au hasard : Z = N (0; Im ). Les N premières
composantes du vecteur X 0 constituent le vecteur du F GN X.
Sur le plan algorithmique, on suit les procédures suivantes pour construire le processus
du F GN :
1
2. On simule la partie P Z = W (Gaussienne) de X 0 , en la décomposant en partie
réelle et imaginaire, par les deux sous-étapes suivantes :
16
1.4. Méthodes de simulation
1
Wm j = p (Uj iVj )
2
1 Xp
m 1
0 k jk
X = p dj Wj exp 2i ; pour k = 0; ::m 1:
N m j=0 m
4. On utilise, encore une fois, la transformée de Fourier rapide inverse pour trouver le
vecteur X 0 , et ses N premières composantes constituent le vecteur X.
17
1.4. Méthodes de simulation
Conclusion
Le mouvement brownien fractionnaire (fBm) est un processus stochastique qui généralise
le mouvement brownien ordinaire. Il est caractérisé par un paramètre de Hurst, noté H, tel
que 0 < H < 1. Ce processus est utilisé pour modéliser des phénomènes non stationnaires
et des signaux fractals. Il a des applications dans divers domaines, tels que la …nance, la
géophysique et le traitement du signal. Les études sur le mouvement brownien fraction-
naire portent sur des sujets tels que l’analyse stochastique, l’estimation de paramètres, la
synthèse du mouvement brownien fractionnaire, et le calcul stochastique par rapport à un
mouvement brownien fractionnaire. Les travaux de recherche ont abouti à des méthodes
d’analyse, des algorithmes de synthèse, et des applications dans des domaines spéci…ques.
1
Bibliographie
[1] https://www.researchgate.net/publication/324965794
[4] https://theses.hal.science/tel-00003407