Vous êtes sur la page 1sur 36

Deuxi`me anne F4 e e Anne universitaire 2005/2006 e

Modlisation des processus alatoires e e


Introduction aux quations direntielles e e stochastiques

Vincent Barra

Institut Suprieur dInformatique, de Modlisation et de leurs e e Applications Campus des Czeaux - B.P. 1025 - 63173 AUBIERE CEDEX e

Table des mati`res e


1 Introduction 1.1 Motivations . . . . . 1.2 Avec les mains... . . 1.3 Des faux semblants . 1.3.1 Formule dIt o 1.3.2 Exemple . . . 1 1 2 3 3 3 5 5 6 6 9 9 10 11 12 14 15 15 17 18 19 19 19 21 22 22 23 23 25

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

2 Equations direntielles stochastiques e 2.1 Dnitions et exemples . . . . . . . . . . . . . . . e 2.1.1 Dnition . . . . . . . . . . . . . . . . . . e 2.1.2 Exemples . . . . . . . . . . . . . . . . . . 2.2 Existence et unicit de solutions . . . . . . . . . . e 2.2.1 Un exemple en dimension 1 . . . . . . . . 2.2.2 Rsolution par changement de variable . . e 2.2.3 Thor`me dexistence et dunicit . . . . . e e e 2.3 Equations direntielles stochastiques linaires . . e e 2.4 Simulation dquations direntielles stochastiques e e 2.4.1 A propos de convergence . . . . . . . . . . 2.4.2 Schma dEuler-Maruyama . . . . . . . . . e 2.4.3 Schma de Milstein . . . . . . . . . . . . . e 2.4.4 Mthode de Romberg . . . . . . . . . . . . e

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

3 Applications 3.1 Temps darrt . . . . . . . . . . . . . . . . . . . . . . . . . . e 3.1.1 Dnitions . . . . . . . . . . . . . . . . . . . . . . . . e 3.1.2 Intgrales stochastiques et temps darrt . . . . . . . e e 3.1.3 Formule dIt avec temps darrt . . . . . . . . . . . o e 3.1.4 Mouvement brownien et laplacien . . . . . . . . . . . 3.2 Interprtation probabiliste dquations aux drives partielles e e e e 3.2.1 Interprtation probabiliste . . . . . . . . . . . . . . . e 3.2.2 Formule de Feynman-Kac . . . . . . . . . . . . . . .

. . . . . . . .

ii 3.3

` TABLE DES MATIERES Arrt optimal . . . . . . . . . . . . . . . . . . . . . . e 3.3.1 Arrt dune quation direntielle stochastique e e e 3.3.2 Arrt optimal . . . . . . . . . . . . . . . . . . e 3.3.3 Conditions doptimalit . . . . . . . . . . . . . e 3.3.4 Rsolution . . . . . . . . . . . . . . . . . . . . e 3.3.5 Construction dune politique optimale darrt e Applications en nance . . . . . . . . . . . . . . . . . 3.4.1 Probl`me de base . . . . . . . . . . . . . . . . e 3.4.2 Arbitrage et couverture . . . . . . . . . . . . . 3.4.3 Modlisation . . . . . . . . . . . . . . . . . . e . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 26 27 27 28 29 29 29 30 30

3.4

Chapitre 1

Introduction

Sommaire
1.1 1.2 1.3 Motivations . . . . . Avec les mains... . . Des faux semblants 1.3.1 Formule dIt . . o 1.3.2 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 2 3 3 3

1.1

Motivations

Soit x0 Rn . Considrons, pour b : Rn Rn champ vectoriel rgulier, e e lquation direntielle ordinaire (EDO) : e e
dx (t) dt

x(0)

= b(x(t)), t > 0 = x0

(1.1)

La solution, si elle est unique, est reprsente par une trajectoire e e x : R+ R n Dans la plupart des applications o` une telle EDO intervient, les trajectoires u mesures exprimentalement ne sont que rarement conformes aux solutions e e analytiques de lquation. Des eets alatoires viennent se superposer ` la e e a trajectoire idale, et il semble donc raisonnable de modier (1.1) en y ine troduisant un processus alatoire perturbant le syst`me. Formellement, la e e modication scrit : e
dX (t) dt

X0

= b(Xt ) + B(Xt )(t), t > 0 = x0

(1.2)

Introduction

o` B : Rn Mn,m (R), et : R+ Rm est un bruit blanc mu dimensionnel. Cette approche soul`ve les probl`mes suivants : e e dnir de mani`re rigoureuse e e en dduire linuence de dans la rsolution de (1.1) e e montrer que (1.1) a une solution, discuter de lunicit, du comportement e asymptotique, du rle de B, de x0 ... o

1.2

Avec les mains...

Considrons tout dabord le cas m = n, x0 = 0, b = 0 et B = I. La solution e de (1.1) est le processus de Wiener n-dimensionnel ou mouvement brownien, not W (.). (1.1) implique alors que e dW (t) = (t) dt et le bruit blanc est alors la drive temporelle du processus de Wiener. e e Dans le cas gnral, (1.1) peut alors se recrire : e e e dXt = b(Xt )dt + B(Xt )dWt , t > 0 X0 = x0 (1.3)

et lquation obtenue alors est une quation direntielle stochastique. e e e X est solution de (1.2) si et seulement si
t t

Xt = x0 +
0

b(Xs )ds +
0

B(Xs )dWs , t > 0

(1.4)

X est donc dni ` laide dintgrales dites intgrales stochastiques qui e a e e nous permettent dintroduire le plan de ce cours : rappels de probabilit (chapitre 2) et introduction aux martingales (chae pitre 3) construction de W : chapitre 4 dnition de lintgrale stochastique : chapitre 5 e e existence et construction des solutions de (1.2) : chapitre 6 Une fois dveloppes ces grandes parties, il restera ` rpondre ` des quese e a e a tions concernant la modlisation, et traites dans le chapitre 7 : e e (1.2) modlise-t-elle correctement une situation physique observe e e le terme est-il rellement un bruit blanc, ou est-il dune autre nature e

1.3. Des faux semblants

1.3

Des faux semblants

Les questions souleves dans le paragraphe prcdent sont loin dtre trie e e e viales, et direntes rponses peuvent y tre apportes, amenant des solutions e e e e de (1.2) bien direntes. Comme nous le verrons, ceci est d aux subtilits e u e introduites dans le calcul stochastique, et nous introduisons ici rapidement un exemple pour illustrer ce propos.

1.3.1

Formule dIt o

Si n = 1 et si X verie : dX = b(X)dt + dW on se pose la question suivante : pour u : R R susamment rguli`re, e e quelle quation direntielle stochastique satisfait Y (t) = u(X(t)), t > 0 ? e e Si lon drive suivant la mthode dterministe classique, on sattend ` crire e e e ae dY = u dX = u bdt + u dW ce qui am`ne un rsultat faux, puisque nous verrons quen fait dW (dt) 2 , e e dans un certain sens. La drivation de Y am`ne alors ` un rsultat, connu e e a e sous le nom de formule dIt : o dY = 1 ub+ u 2 dt + u dW
1

1.3.2

Exemple

La solution de lquation direntielle stochastique e e dY = Y dW, t > 0 Y (0) = 1 est et non pas Yt = eWt Yt = eWt 2
t

(1.5)

Introduction

Chapitre 2

Equations direntielles e stochastiques

Sommaire
2.1 Dnitions et exemples . . . . . . . . . . . . . . . e 2.1.1 2.1.2 2.2 2.2.1 2.2.2 2.2.3 2.3 2.4 Dnition . . . . . . . . . . . . . . . . . . . . . . . e Exemples . . . . . . . . . . . . . . . . . . . . . . . Un exemple en dimension 1 . . . . . . . . . . . . . 5 6 6 9 9

Existence et unicit de solutions . . . . . . . . . e

Rsolution par changement de variable . . . . . . . 10 e Thor`me dexistence et dunicit . . . . . . . . . . 11 e e e 12

Equations direntielles stochastiques linaires e e 2.4.1 2.4.2 2.4.3 2.4.4

Simulation dquations direntielles stochastiques 14 e e A propos de convergence . . . . . . . . . . . . . . . 15 Schma dEuler-Maruyama . . . . . . . . . . . . . 15 e Schma de Milstein . . . . . . . . . . . . . . . . . . 17 e Mthode de Romberg . . . . . . . . . . . . . . . . 18 e

2.1

Dnitions et exemples e

Dans la suite, on note pour tout t 0 Ft = U(X0 , Ws , 0 s t)) la alg`bre gnre par la variable alatoire n-dimensionnelle X0 et lhistorique e e ee e du processus brownien m-dimensionnel W jusqu` linstant t. X0 et W sont a supposs indpendants. e e

6 Soient de plus b : Rn [0, T ] Rn B : Rn [0, T ] Mn,m (R)

Equations direntielles stochastiques e

deux fonctions, donnes pour T > 0. e

2.1.1

Dnition e

Dnition 2.1. Un processus stochastique X = (Xt )0tT ` valeurs dans e a Rn est solution de lquation direntielle stochastique dIt e e o dX = b(X, t)dt + B(X, t)dW X0 si, pour 0 t T : 1. X est progressivement mesurable par rapport ` (Ft ) a 2. F = b(X, t) L1 (0, T ) n 3. G = B(X, t) L2 (0, T ) nm 4. Xt = X0 + 0tT
t 0

b(Xs , s)ds +

t 0

B(Xs , s)dW presque srement pour tout u

2.1.2

Exemples

Exemple 1 Si m = n = 1, et si f, g sont deux fonctions continues, lunique solution de dX = f Xdt + gXdW X0 = 1


t 1 2 est : (0 t T ) Xt = e 0 (f 2 g )ds+

Rt
0

gdW

Exemple 2 : prix daction Si Pt est le prix dune action ` linstant t, il est possible (cf. chapitre 7) de a modliser son volution en supposant que dP , la variation relative du prix, e e P volue selon lquation direntielle stochastique e e e dP = dt + dW P

2.1. Dnitions et exemples e

o` et sont deux constantes appeles drive et volatilit de laction. Alors u e e e dP = P dt + P dW et par la formule dIt : o d(log(P )) = dP 1 2 P 2 dt P 2 P2 2 = dt + dW 2
Wt + 2

soit Pt = P0 e Exemple 3 : pont brownien La solution de


X dX = 1t dt + dW X0 = 0

est (0 t < 1) Xt = (1 t)
0

1 dW 1s

et est appele le pont brownien entre lorigine au temps 0 et au temps 1. e Exemple 4 : quation de Langevin e Une amlioration possible du mouvement brownien consiste ` prendre en e a compte dans le mouvement des particules une force de frottement. Dans le cas monodimensionnel : dX = bXdt + dW o` b > 0 est le coecient de frottement, et est le coecient de diuu sion. X est alors la vitesse de la particule brownienne. La solution, pour X0 indpendant du mouvement brownien, est : e
t

(t 0) Xt = X0 ebt +
0

eb(ts) dW

On remarque alors que E(Xt ) = ebt E(X0 )

8 et que

Equations direntielles stochastiques e

t 2 E(Xt2 ) = E e2bt X0 + 2ebt X0 0 t

eb(ts) dW + 2
0

eb(ts) dW
t

=e

2bt

2 E(X0 )

+ 2e
2

bt

E(X0 )E
0

b(ts)

dW

2 0

e2b(ts) ds

2 = e2bt E(X0 ) +

(1 e2bt ) 2b

et la variance V(Xt ) est donne par : e 2 (1 e2bt ) 2b En supposant V(X0 ) < , il sen suit que lorsque t V(Xt ) = e2bt V(X0 ) + E(Xt ) 0 2 V(Xt ) 2b La distribution de Xt approche N 0, lorsque t . Ainsi, quelque2b soit la distribution initiale, la solution de lquation direntielle stochastique e e pour des temps tr`s grands suit approximativement une loi gausienne centre e e 2 e e e et de variance , qui reprsente un quilibre entre la force alatoire de per2b turbation dW (que nous avons appel dans lintroduction un bruit blanc) et e la force de frottement bX. Exemple 5 : Processus dOrnstein-Uhlenbeck Le mouvement brownien a t construit pour modliser le dplacement ee e e dune particule microscopique en suspension dans un liquide, soumise ` lagia tation thermique. Une critique de cette modlisation est que les accroissee ments sont indpendants et ne dpendent pas de la vitesse de la particule e e au dbut de chaque priode. Un mod`le plus appropri est alors donn par e e e e e lquation dOrnstein-Uhlenbeck : e d2 Y Y0 = bdY + dW = y0 , dY0 = y1
2

o` Yt est la position de la particule ` linstant t, y0 et y1 sont des variables u a alatoires gaussiennes donnes. Si X = dY , le processus de vitesse satisfait e e lquation de Langevin : e dX = bXdt + dW X0 = y1

2.2. Existence et unicit de solutions e et la solution est alors


t

(t 0) Xt = ebt X0 +
0

eb(ts) dW

La position Yt satisfait alors


t

(t 0) Yt = Y0 +
0

Xds

et on montre qualors : E(Yt ) = E(Y0 ) + et V(Yt ) = V(Y0 ) + 1 ebt b E(Y1 )

2 2 t + 3 3 + 4ebt e2bt b2 2b

2.2
2.2.1

Existence et unicit de solutions e


Un exemple en dimension 1

Soient b : R R une fonction de classe C 1 , avec |b | L, et lquation e direntielle stochastique e dX = b(X)dt + dW X0 = x Dnissons Xt0 = x et e
t

(t 0)(n 0) Xtn+1 = x +
0

n b(Xs )ds + Wt

En posant
n n+1 n (t 0)(n 0) Dt = max Xs Xs 0st n on montre par rcurrence que (0 t T ) Dt C L tn . En eet : e n! s n Dt
n

= max L
0

0st t

n n1 b(Xr ) b(Xr dr 0 n1 Ds ds

L
0

Ln1 n1 t ds par induction (n 1)!

Ln C tn n!

10 Ainsi, pour m n :
0tT

Equations direntielles stochastiques e

max |Xtm Xtn | C


k=n

Lk k T 0 lorsque n k!

et pour presque tout , X n () converge uniformment pour 0 t T vers e un processus limite X, qui est solution du probl`me pos. e e

2.2.2

Rsolution par changement de variable e

Soit lquation direntielle stochastique e e dX = b(X)dt + (X)dW X0 = x (2.1)

Cherchons ` rsoudre, pour f prcise plus bas, lquation direntielle stoa e e e e e chastique dY Y0 = f (Y )dt + dW =y (2.2)

et trouvons une fonction u telle que X = u(Y ). En principe, (2.2) peut tre rsolue par lapproche du paragraphe prcdent. e e e e En supposant que f et u sont connues, la formule dIt donne o 1 dX = u (Y )dY + u (Y )dt 2 1 = u f + u dt + u dW 2 Ainsi, X rsout (2.1) ` condition que e a = (X) = (u(Y )) u (Y ) 1 u (Y )f (Y ) + 2 u (Y ) = b(X) = b(u(Y )) u(y) =x On rsout donc lquation direntielle ordinaire pour z R : e e e
du (z) dz

u(y)

= (u(z)) =x
1 (u(z))

et une fois que u est connue, on rsout (2.2) pour f (z) = e

b(u(z)) 1 u (z) 2

2.2. Existence et unicit de solutions e

11

2.2.3

Thor`me dexistence et dunicit e e e

De la mme mani`re que pour les quations direntielles ordinaires, il est e e e e possible dnoncer un thor`me dexistence et dunicit de la solution dune e e e e quation direntielle stochastique. e e Thor`me 2.1. Soient T > 0 et e e b : Rn [0, T ] Rn B : Rn [0, T ] Mn,m (R)

deux fonctions continues satisfaisant pour L > 0, 0 t T et x, y Rn : (a) |b(x, t) b(y, t)| L|x y| |B(x, t) B(y, t)| L|x y| |b(x, t)| L(|x| + 1) |B(x, t)| L(|x| + 1)

(b)

Soit X0 une variable alatoire ` valeurs dans Rn telle que e a (c)E(|X0 |2 ) <
+ (d)X0 indpendant de W0 e

o` W est un mouvement brownien de dimension m donn. u e Alors, il existe une unique solution X L2 (0, T ) ` lquation direntielle a e e stochastique dX = b(X, t)dt + B(X, t)dW X0 Cette solution, appele solution forte, est de la forme e
t i (i {1 n}) Xti = X0 + 0 m t

(2.3)

bi (Xs , s)ds +
j=1 0

B ij (Xs , s)dWsi

Remarque : le terme unique signie que si X, Y L2 (0, T ) ` trajectoires a continues presque srement satisfont (2.3), alors P (Xt = Yt , 0 t T ) = 1 u Notons que les conditions (a) et (b) traduisent le fait que b et B sont localement lipschitziennes par rapport ` leur premi`re variable. a e Nous nonons enn une proprit des solutions de lquation (2.3) e c ee e

12

Equations direntielles stochastiques e

Thor`me 2.2. Sous les hypoth`ses du thor`me prcedent pour b, B, X0 , et e e e e e e si de plus E(|X0 |2p ) pour p > 1, alors la solution X de dX = b(X, t)dt + B(X, t)dW X0 satisfait 1. E(|Xt |2p ) C2 (1 + E(|X0 |2p ))eC1 t 2. E(|Xt X0 |2p ) C2 (1 + E(|X0 |2p ))tp eC1 t avec C1 , C2 constantes ne dpendant que de T, L, m, n. e Si ces estimations des moments de X semblent complexes, elles peuvent se rveler parfois utiles, par exemple dans le cas suivant : si B = 0, la soe lution de lquation direntielle stochastique devient solution de lquation e e e direntielle ordinaire e dX = b(X, t) dt avec condition initiale potentiellement alatoire. Dans ce cas, la fonction e t Xt est rguli`re si b lest, et dans le cas contraire, si pour un i {1 n} : e e
m

(x Rn )(0 t T )
l=1

|bil (x, t)|2 > 0

e alors presque toutes les trajectoires t Xti sont nulle part direntiables pour presque tout . Il est cependant possible dutiliser les estimations prcdentes pour armer que presque toutes les trajectoires t Xt sont e e continues au sens de Hlder, avec pour chacune un exposant 0 < < 1/2, ` o a 2p condition que pour tout p > 1, E(|X0 | ) , ou en dautres termes (s, t [0, T ])(K > 0) |Xt Xs | K|t s|

2.3

Equations direntielles stochastiques linaires e e

Dans le cas dquations direntielles stochastiques linaires, il est possible e e e dans certains cas de donner des solutions explicites ` (2.3). a Dnition 2.2. Lquation direntielle stochastique e e e dX = b(X, t)dt + B(X, t)dW

2.3. Equations direntielles stochastiques linaires e e est linaire si b et B sont de la forme e b(x, t) = c(t) + D(t)x, avec c : [0, T ] Rn et D : [0, T ] Mn,n (R)

13

B(x, t) = E(t)+F (t)x, avec E : [0, T ] Mn,m (R) et F : [0, T ] L(Rn , Mn,m (R)) o` L(Rn , Mn,m (R)) est lespace des fonctions linaires continues de Rn dans u e Mn,m . Dnition 2.3. Une quation direntielle stochastique linaire est dite hoe e e e mog`ne si c = E = 0. Elle est dite linaire au sens faible si F = 0. e e Examinons tout dabord le cas des quations direntielles stochastiques e e faiblement linaires, et supposons tout dabord D constante. La solution de e dX = (c(t) + DX)dt + E(t)dW X0 est
t

(2.4)

Xt = eDt X0 +
0

eD(ts) (c(s)ds + E(s)dW )

(2.5)

avec eDt =

k=0

Dk tk k!

Plus gnralement, la solution de e e dX = (c(t) + D(t)X)dt + E(t)dW X0 est


t

(2.6)

Xt = (t) X0 +
0

1 (s)(c(s)ds + E(s)dW )

(2.7)

o` est la matrice fondamentale du syst`me dquations direntielles u e e e d ordinaires dt = D(t), (0) = 1. Remarquons au passage que (2.7) assure que Xt est gaussien, si X0 lest. Si maintenant, n = 1, m 1, on sintresse au cas des quations linaires e e e scalaires, et la solution de m dX = (c(t) + d(t)X)dt + (ej (t) + f j (t)X)dW j (2.8) j=1 X0

14 est
t

Equations direntielles stochastiques e

t m

Xt = (t) X0 +
0

(s) c(s)ds
j=1

e (s)f (s) ds +
0 j=1

1 (s)ej (s)dW j

o` u
t m

(t) = exp
0

d
j=1

(f j )2 2

t m

ds +
0 j=1

f j dW j

2.4

Simulation dquations direntielles stoe e chastiques

Lintrt pratique de la simulation dquations direntielles stochastiques ee e e sera illustr dans le chapitre suivant. Nous en donnons nanmoins un aperu e e c rapide ici. Nous verrons quil est possible de reprsenter la solution u dune e EDP classique ` laide de la solution dune quation direntielle stochasa e e tique, au moyen dune formule du type u(x, t) = E(h(XT )) Pour simuler numriquement u, dont on ne peut conna lexpression anae tre lytique, il existe donc deux possibilits : soit utiliser des mthodes classiques e e sans passer par la reprsentation ci-dessus, soit simuler numriquement Xt e e jusquau temps T , puis approcher lesprance ` laide de la loi des grands e a nombres (moyenne de M trajectoires indpendantes de (Xt )). Cette derni`re e e technique prsente un certain intrt, surtout lorsque la dimension de X est e ee grande. En eet, les mthodes classiques (lments nis, lments fronti`re,...) e ee ee e deviennent dans ce cas vite lourdes ` mettre en oeuvre, et lordre de convera gence des mthodes dterministes diminue fortement lorsque la dimension e e augmente, alors quil est possible de montrer que celui obtenu avec des mthodes stochastiques est indpendant de cette dimension. e e Il sagit donc dans la suite dapprocher numriquement e dXt = b(X, t)dt + B(X, t)dWt partant de X0 = x. Pour la suite, on suppose que b et B sont homog`nes, e et sans resteindre le propos, que Xt est un processus ` valeurs relles. Les a e schmas de simulation sont alors des extensions du cas dterministe (B=0) e e

2.4. Simulation dquations direntielles stochastiques e e

15

2.4.1

A propos de convergence

Deux mesures de vitesse de convergence sont habituellement utilises sur les e schmas dcrits dans la suite. Si Yn Xnh est une approximation dune trae e jectoire du processus solution de lquation direntielle stochastique prcde e e e ente : la vitesse de convergence forte est donne par le plus grand tel que e E(|XT YN |) = o(h ) la vitesse de convergence faible concerne la convergence des moments et est donne par le plus grand tel que |E(f (Xt ) E(f (YN ))| = o(h ), e pour f polynme ou fonction rguli`re ` support compact. o e e a Pour chaque schma, des conditions de rgularit spciques devront tre e e e e e imposes ` b et B pour que la vitesse propre ` la mthode soit eectivement e a a e atteinte.

2.4.2

Schma dEuler-Maruyama e

On approche
t+h t+h

Xt+h = Xt +
t

b(Xs )ds +
t

B(Xs )dWs

par Xt+h Xt + hb(Xt ) + B(Xt )(Wnh+h Wnh ) Ici, le schma dEuler suppose les intgrands constants sur lintervalle dintgration. e e e Puisque les variables Wnh+h Wnh sont normales et indpendantes de vae riance h, on obtient le schma : e Yn+1 = Yn + hb(Yn ) + B(Yn ) hn o` les n sont des variables i.i.d. de loi N (0, 1). Si b et B dpendent de t, u e ils sont remplacs dans le schma par b(nh, Yn ) et B(nh, Yn ). La gure 2.1 e e donne le code Matlab de rsolution de dXt = Xt dt + XdW, X0 = 1 par ce e schma. La solution analytique de ce probl`me est connue : e e Xt = X0 + e( 2
1 2 )t+W t

et permet donc de calculer une erreur emerr commise par le schma. La e gure 2.2 montre le trac dune trajectoire de la solution exacte (trait plein), e et lapproximation correspondante donne par le schma (trait pointill). e e e

16
randn(state,500) lambda = 2; mu = 1; Xzero = 1; T = 1; N = 2^8; dt = T/N; dW = sqrt(dt)*randn(1,N); W = cumsum(dW);

Equations direntielles stochastiques e

Xtrue = Xzero*exp((lambda-0.5*mu^2)*([dt:dt:T])+mu*W); R = 4; Dt = R*dt; L = N/R; Xem = zeros(1,L); Xtemp = Xzero; for j = 1:L Winc = sum(dW(R*(j-1)+1:R*j)); Xtemp = Xtemp + Dt*lambda*Xtemp + mu*Xtemp*Winc; Xem(j) = Xtemp; end emerr = abs(Xem(end)-Xtrue(end))

Fig. 2.1 Schma dEuler-Maruyama pour la rsolution de dXt = Xt dt + e e XdW : code MATLAB

Fig. 2.2 Comparaison de lapproximation dEuler-Maruyama et dune trajectoire de lEDS prcdente e e

2.4. Simulation dquations direntielles stochastiques e e

17

2.4.3

Schma de Milstein e

En raison du terme brownien, dordre h, le schma dEuler na une vitesse e de convergence forte que de 0.5 (alors que dans le cas dterministe, = 1). Il e est possible damliorer cet ordre en avanant plus loin dans le dveloppement e c e de sorte ` arriver jusqu` lordre h. Ceci am`ne naturellement ` une estimaa a e a tion plus ne de Xs dans la seconde intgrale, et e

t+h

Xt+h Xt + hb(Xt ) +
t t+h

B(Xt + B(Xt )(Ws Wt ))dWs B(Xt ) + B (Xt )B(Xt )(Ws Wt )dWs


t t+h

Xt + hb(Xt ) +

Xt + hb(Xt ) + B(Xt )(Wt+h Wt ) + B (Xt )B(Xt )


t

(Ws Wt )dWs

Xt + hb(Xt ) +

B(Xt )(Wt+h Wt ) + B (Xt )B(Xt )((Wt+h Wt )2 h) 2

do` u

2 B(Yn )B (Yn )(n 1)h Yn+1 = Yn + b(Yn )h + B(Yn ) hn + 2

Ce schma est uniquement valide en dimension 1, car en dimension suprieure e e t+h des termes de la forme t (Ws Wt )dWs inconnus vont intervenir, o` W u est un mouvement brownien indpendant de W . e La gure 2.3 donne un exemple de simulation dune trajectoire du processus solution de dXt = rXt (K Xt )dt + Xt dWt , qui intervient dans ltude de e la dynamique des populations.

18

Equations direntielles stochastiques e

randn(state,100) r = 2; K = 1; beta = 0.25; Xzero = 0.5; T = 1; N = 2^(11); dt = T/N; R = 32; dW = sqrt(dt)*randn(N); Dt = R*dt; L = N/R; Xtemp = Xzero; for j = 1:L Winc = sum(dW(:,R*(j-1)+1:R*j),2); Xtemp = Xtemp + Dt*r*Xtemp.*(K-Xtemp) + beta*Xtemp.*Winc ... + 0.5*beta^2*Xtemp.*(Winc.^2 - Dt); end Xmil = Xtemp; end

Fig. 2.3 Schma de Milstein pour dXt = rXt (K Xt )dt + Xt dWt : code e MATLAB

2.4.4

Mthode de Romberg e

Contrairement au cas dterministe, les schmas deviennent tr`s rapidement e e e extrmement compliqus. Si lon cherche un bon ordre de loi, une alternative e e est dutiliser la mthode de Romberg : partir dun schma simple (Eulere e Maruyama par exemple), et le faire fonctionner pour direntes valeurs de h e (et donc obtenir des trajectoires simules Xtk,h ), puis extrapoler polynomiae lement (en h) les esprances obtenues pour trouver la valeur en h = 0. e

Chapitre 3

Applications

Sommaire
3.1 Temps darrt e 3.1.1 3.1.2 3.1.3 3.1.4 3.2 . . . . . . . . . . . . . . . . . . . . 19 Dnitions . . . . . . . . . . . . . . . . . . . . . . 19 e Intgrales stochastiques et temps darrt . . . . . . 21 e e Formule dIt avec temps darrt . . . . . . . . . . 22 o e Mouvement brownien et laplacien . . . . . . . . . . 22

Interprtation probabiliste dquations aux drives e e e e 23 partielles . . . . . . . . . . . . . . . . . . . . . . . . 3.2.1 3.2.2 Interprtation probabiliste . . . . . . . . . . . . . . 23 e Formule de Feynman-Kac . . . . . . . . . . . . . . 25 26

3.3

Arrt optimal . . . . . . . . . . . . . . . . . . . . . e 3.3.1 3.3.2 3.3.3 3.3.4 3.3.5

Arrt dune quation direntielle stochastique . . 26 e e e Arrt optimal . . . . . . . . . . . . . . . . . . . . . 27 e Conditions doptimalit . . . . . . . . . . . . . . . 27 e Rsolution . . . . . . . . . . . . . . . . . . . . . . . 28 e Construction dune politique optimale darrt . . . 29 e 29

3.4

Applications en nance . . . . . . . . . . . . . . . 3.4.1 3.4.2 3.4.3

Probl`me de base . . . . . . . . . . . . . . . . . . . 29 e Arbitrage et couverture . . . . . . . . . . . . . . . 30 Modlisation . . . . . . . . . . . . . . . . . . . . . 30 e

20

Applications

3.1
3.1.1

Temps darrt e
Dnitions e

Soit (, U, P ) un espace probabilis, et F une ltration de -alg`bres. Nous e e rappelons ici quelques dnitions et proprits qui seront utiles dans la suite e ee de ce paragraphe. Dnition 3.1. Une variable alatoire : R est un temps darrt e e e par rapport ` F si pour tout t 0 { t} Ft a En dautres termes, lensemble des tels que () t est un ensemble Ft -mesurable. Thor`me 3.1. Si 1 et 2 sont deux temps darrt par rapport ` F, alors : e e e a 1. 1 2 = min(1 , 2 ) est un temps darrt e 2. 1 2 = max(1 , 2 ) est un temps darrt e Dmonstration e En remarquant que { < t} = 1 { t }, on a : k k=1
F t1 Ft
k

{1 2 < t} = {1 < t} {2 < t} Ft et {1 2 < t} = {1 < t} {2 < t} Ft La notion de temps darrt vient naturellement ` lesprit lors de ltude e a e dquations direntielles stochastiques, lorsquil sagit dtudier des phnoe e e e m`nes intervenant ` des intervalles de temps alatoires. e a e Exemple : Soit X la solution de lquation direntielle stochastique e e dX = b(X, t)dt + B(X, t)dW X0 o` B, b et X0 satisfont les proprits du thor`me dexistence et dunicit de u ee e e e X. Thor`me 3.2. Soit E un ensemble ouvert ou ferm non vide de Rn . Alors e e e = inf {t 0, Xt E} est un temps darrt, en posant = + pour les trajectoires de X natteie gnant jamais E

3.1. Temps darrt e

21

Dmonstration e Soit t 0. Il sagit de montrer que { t} Ft . Soit pour cela (ti )i>0 un sous-ensemble dense dnombrable de Rn+ . En supposant tout dabord que E e est ouvert, lvnement e e { t} =
ti t

{Xti E}
Fti Ft

appartient ` Ft . a En supposant maintenant que E est ferm. Soit d(x, E) la distance entre un e 1 point x et E, dnissons En = {x, d(x, E) < n }. Alors lvnement e e e

{ t} =
n=1 ti t

{Xti En }
Fti Ft

appartient ` Ft . a Remarque : 1. la variable alatoire = sup{t 0, Xt E}, nest en gnral pas un e e e temps darrt. La justication heuristique vient du fait que lvenement e e { t} dpend du futur de X, et nest donc en gnral par Ft e e e mesurable. 2. temps darrt est un terme un peu restrictif, puisque dans de nome breux exemples, X ne sarrte pas ` cet instant. e a

3.1.2

Intgrales stochastiques et temps darrt e e

Dnition 3.2. Si G L2 ([0, T ]) et si [0, T ] est un temps darrt, on e e dnit : e


T

GdW =
0 O

{t } GdW

Lemme 3.1. : intgrale dIt avec temps darrt e o e 2 Si G L ([0, T ]) et si [0, T ] est un temps darrt, alors e

E
0

GdW

=0

et
2

E
0

GdW

=E
0

G2 ds

22 Dmonstration e En eet,
T

Applications

E
0

GdW

= E

{t } G dW = 0
L2 ([0,T ])

et
2 T 2

E
0

GdW

=E
0 T

{t } GdW ({t } G)2 dt


0

=E =E
0

G2 ds

3.1.3

Formule dIt avec temps darrt o e

Notons encore W le mouvement brownien m-dimensionnel. Si dX = b(X, t)dt+ B(X, t)dW , alors nous avons vu que pour toute fonction u deux fois continument direntiable : e u u 1 2u d(u(Xt , t)) = (Xt , t)dt+ (Xt , t)dX i + (Xt , t) t xi 2 i,j=1 xi xj i=1 Sous la forme intgrale, on a aussi e
t n n m

B il B jl dt
l=1

u(Xt , t) = u(X0 , 0) +
0

u + Lu ds + t
m

Du.BdW
0

avec Lu = o` u

1 2u aij + 2 i,j=1 xi xj
m ij

bi
i=1

u xi

a =
k=1 m

B ik B jk , et
n

Du.BdW =
k=1 i=1

u ik B dW k xi

L est le gnrateur. e e Pour , la formule dIt convient pour tout t [0, T ], et en particulier o

3.2. Interprtation probabiliste dquations aux drives partielles e e e e

23

pour un temps darrt . En prenant lesprance de la formule pour ce temps e e darrt, on aboutit ` : e a

E(u(X , )) = E(u(X0 , 0)) + E


0

u + Lu ds t

(3.1)

qui permet de relier fortement, comme nous le verrons plus tard, les quations e direntielles stochastiques et les quations aux drives partielles ordinaires. e e e e

3.1.4

Mouvement brownien et laplacien

Un cas important survient lorsque X = W , le mouvement brownien ndimensionnel, dont le gnrateur est e e 1 Lu = 2 o` u est le laplacien de u u
n

i=1

2u 1 = u 2 xi 2

3.2
3.2.1

Interprtation probabiliste dquations aux e e drives partielles e e


Interprtation probabiliste e

Temps datteinte dune fronti`re e Soit E un ouvert born de Rn , de fronti`re E. Par la thorie des quations e e e e aux drives partielles, on sait quil existe une solution unique ` lquation e e a e de Laplace 1 u = 1 sur E 2 u = 0 sur E (3.2)

Le but de la prsente section est de trouver une reprsentation probabiliste e e de la solution de (3.2). Pour ce faire, on se donne x E et on consid`re e un mouvement brownien n-dimensionnel W ` partir duquel on construit le a processus stochastique X = W + x. On dnit alors x = inf {t 0, Xt E} e / le temps datteinte du bord de E par une trajectoire de X partant de x. Thor`me 3.3. Avec les notations prcdentes : e e e e (x E) u(x) = E(x )

24 En particulier, u > 0 sur tout E. Dmonstration e On applique (3.1) avec Lu = 1 u. Pour tout n > 0 : 2
x n

Applications

E (u(Xx n )) = E(u(X0 )) + E
0 1 u 2

1 u(Xs )ds 2

= 1 et que u est borne, on a lim E(x n) < et la variable e Puisque n alatoire x est intgrable. En faisant tendre n vers linni, on obtient alors e e
x

u(x) = E(u(Xx )) + E
0

1ds

= E(u(Xx )) + E(x )

mais u = 0 sur E et donc u(Xx ) = 0, ce qui ach`ve la dmonstration. e e En remarquant que u est borne, E(x ) < et donc presque srement pour e u tout x E, x < . Les trajectoires du processus X, mouvement brownien partant de x, atteignent donc avec probabilit 1 E. e Dans le cas non stationnaire, lquation prcdente scrit : e e e e = 1 u sur E R 2 u(x, 0) = f (x) sur E Cest lquation de la chaleur, et on peut montrer que e u(x, t) = E(f (Xt )) est solution de ce probl`me, si f est continue et borne. e e Reprsentation probabiliste de fonctions harmoniques e Soit E un domaine de Rn et g : E R une fonction continue. On dmontre e quil existe une solution unique u, de classe C 2 sur le domaine et C 1 sur sa fronti`re au probl`me direntiel (probl`me de Dirichlet) : e e e e u = 0 sur E u = g sur E u est une fonction harmonique. Thor`me 3.4. Avec les notations prcdentes, et pour X mouvement browe e e e nien partant de x, on a : (x E) u(x) = E(g(Xx )) (3.4)
u t

(3.3)

3.2. Interprtation probabiliste dquations aux drives partielles e e e e La dmontration est identique au thor`me prcdent. e e e e e

25

Donnons un exemple simple dutilisation de ce thor`me : si u = 0 dans e e un ouvert contenant la boule B(x, r) centre en x et de rayon r, alors e u(x) = E(u(Xx )) o` x est le temps datteinte par X de la sph`re B(x, r). Le mouvement u e brownien tant isotrope dans lespace, on peut supposer que le terme ` droite e a du signe galit est la moyenne de u sur la sph`re B(x, r), par rapport ` la e e e a mesure de la surface, do` : u u(x) = 1 aire de B(x, r) udS
B(x,r)

qui reprsente la formule de la valeur moyenne pour une fonction harmonique. e Temps datteinte dune partie de la fronti`re e Avec les mmes notations que prcdemment, on suppose de plus que la e e e fronti`re de E est runion de deux sous-ensembles disjoints, i.e. E = 1 2 , e e avec 1 2 = . On cherche ` rsoudre a e u = 0 sur E u = 1 sur 1 u = 0 sur 2 Thor`me 3.5. Pour tout x E, u(x) est la probabilit que la trajectoire e e e dun mouvement brownien initie en x touche 1 avant 2 e Dmonstration e La dmonstration est vidente en appliquant le thor`me prcdent avec e e e e e e g = 1 sur 1 et g = 0 sur 2 .

3.2.2

Formule de Feynman-Kac

Nous tendons ici le thor`me de reprsentation des fonctions harmoniques e e e e pour obtenir une reprsentation probabiliste de lunique solution de lquation e e aux drives partielles e e
1 u 2

+ cu = f sur E u = 0 sur E

(3.5)

o` nous supposons c, f rguli`res, c 0 sur E. Avec les mmes notations u e e e que dans le paragraphe prcdent, on montre que : e e

26 Thor`me 3.6. : formule de Feynman-Kac e e


x

Applications

(x E) u(x) = E
0

f (Xt )e

Rt
0

c(Xs )ds

dt

Dmonstration e Remarquons que puisque E(x ) < et c 0 sur E, toutes les intgrales e sont convergentes. t o Soit Yt = eZt pour Zt = 0 c(Xs )ds. Alors dZ = c(X)dt et la formule dIt donne dY = c(X)Y dt. La r`gle du produit dIt permet alors dcrire : e o e d u(X)eZt = (du(X))Yt + u(X)dYt = 1 u(X)dt + 2
n

i=1

u dW i Yt + u(X)(c(X)dt)Yt xi

Enn utilisant (3.1) pour = x et en prenant lesprance e


x

E (u(X)Yt ) = E(u(X0 )) + E
0

1 u(X) c(X)u(X) Yt dt 2
x

et puisque u rsout (3.5), on en dduit e e u(x) = E(u(X0 )) = E


0

f (X)e

Rt
0

c(Xs )ds

dt

il est possible dinterprter cette formule en considrant que les particules e e browniennes disparaissent ` des temps alatoires , par exemple en tant a e e absorbes par le mileu dans lequel elles voluent. En supposant de plus que e e la probabilit de disparition dans un court intervalle de temps [t, t + h] est de e la forme c(Xt )h + o(h), alors la probabilit de survie dune particule jusquau e temps t est approximativement gale ` e a (1 c(Xt1 )h)(1 c(Xt2 )h) (1 c(Xtn )h) o` 0 = t0 < t1 < tn = t, h = tk+1 tk . Lorsque h 0, cette probabilit u e converge vers Yt et donc u(x) peut tre interprte comme la moyenne de e ee f (X) sur toutes les trajectoires qui survivent susamment pour atteindre E. Dans le cas non stationnaire, le probl`me prcdent scrit e e e e = 1 u + cu sur E R 2 u(x, 0) = f (x) sur E
u t

(3.6)

On montre alors que u(x, t) = E(f (Xt ect ) est solution de (3.6) pour c borne, et f continue borne. e e

3.3. Arrt optimal e

27

3.3

Arrt optimal e

On sintresse ici ` des probl`mes de contrle optimal. Soit un syst`me e a e o e dont ltat volue au cours du temps selon une quation direntielle. On se e e e e donne des contrles qui modient en un certain sens le comportement de ce o syst`me, soit par lintermdiaire dune modication de ses param`tres, soit e e e par un arrt du processus. On se donne enn un crit`re de cot, dpendant e e u e du choix des contrles et de ltat du syst`me. Le but du contrle optimal o e e o est de trouver un choix de contrles permettant de minimiser le cot. o u Le probl`me de contrle stochastique le plus simple survient lorsquil est ime o possible de modier lquation direntielle stochastique contrlant lvolue e o e tion dun processus X, mais quil est seulement envisageable de dcider un e temps o` arrter le processus. u e

3.3.1

Arrt dune quation direntielle stochastique e e e

Soient E un domaine born rgulier de Rn , b : Rn Rn , B : Rn e e Mnm (R) satisfaisant les conditions habituelles dexistence et dunicit de e lquation direntielle stochastique e e dX = b(X)dt + B(X)dW X0 = x pour x E Notons = x le temps datteinte de E dune trajectoire de X initie en e x. Pour un temps darrt par rapport ` F, on dnit lesprance du cot e a e e u darrt de X en par : e

Jx () = E
0

f (Xs )ds + g(X )

(3.7)

En sarrtant en , le cot est une fonction g de ltat courant du syst`me e u e e X(). Si le processus nest pas arrt avant que la trajectoire ait atteint E, ee i.e. si , le cot est dans ce cas g(X ). Enn, un cot de fonctionnement u u par unit de temps f est ajout, modlisant les dpenses de fonctionnement e e e e du processus jusquau temps .

3.3.2
x

Arrt optimal e

La principale question concerne lexistence dun temps darrt optimal = e pour lequel Jx ( ) = min Jx ()
temps darrt e

28

Applications

Si un tel temps existe, la seconde question concerne la mthode de recherche e de . Notons u(x) = inf Jx (). Sil est dicile de calculer directement, il va tre e possible ` partir de u de construire par programmation dynamique. a

3.3.3

Conditions doptimalit e

Dans la suite, on suppose u susamment rguli`re. Notons tout dabord e e quil est possible de sarrter au dbut ( = 0) et que donc : (x E) u(x) e e g(x). De plus, = 0 si x E et donc : (x E) u(x) = g(x) Soient maintenant x E et > 0. Si le syst`me nest pas arrt au temps , e ee alors dapr`s lquation direntielle stochastique, le nouvel tat du syst`me e e e e e au temps est X . En ce point, le meilleur cot possible est u(X ). Ainsi, en u supposant que E nest pas atteint, et que lon ne stoppe pas en , le cot u est suprieur ` e a

E
0

f (Xs )ds + u(X )

Puisque u(x) = inf Jx (), alors


t

u(x) E
0

f (Xs ) + u(X )ds

La formule dIt donne par ailleurs o

E(u(X )) = u(x) + E
0

Lu(Xs )ds
m

pour
2 1 ij u Lu = a + 2 i,j=1 xi xj n

Bi
l=1

u xi

o` u a =
ij

B ik B jk
k=1

Ainsi 0E
0

f (X) + Lu(Xs )ds

en divisant par et en le faisant tendre vers 0, on obtient 0 f (x) + Lu(x). De mani`re quivalente, on obtient M u f (x), x E, o` M = L. e e u En observant nalement que si pour un x E, u(x) < g(x), alors il est

3.3. Arrt optimal e

29

optimal de ne pas stopper le processus, il est envisageable de penser que le syst`me peut encore voluer un petit temps , de telle sorte que M u = f e e pour les points x tels que u(x) < g(x). En rsum, si le raisonnement prcdent est valide, alors u satisfait e e e e max(M u f, u g) = 0 sur E u = g sur E qui forment les conditions doptimalit. e (3.8)

3.3.4

Rsolution e

Ltude rigoureuse du probl`me darrt commence par montrer que (3.8) e e e poss`de une solution unique u, puis que ce u est exactement inf Jx (). u e permettra alors de dnir , un temps darrt optimal. e e

Thor`me 3.7. Soient f, g des fonctions rguli`res. Il existe une unique e e e e fonction u, ` drives secondes bornes, telle que : a e e e 1. u g E 2. M u f presque partout sur E 3. max(M u f, u g) = 0 presque partout sur E 4. u = g sur E. En gnral, u nest pas de classe C 2 sue E. e e

3.3.5

Construction dune politique optimale darrt e

En notant S = {x E, u(x) = g(x)} lensemble darrt, on montre facie lement que S est ferm et que pour tout x E, est le premier temps e datteinte de S. Thor`me 3.8. Si u est la solution de (3.8), alors e e (x E) u(x) = Jx ( ) = inf Jx ()

Ce thor`me arme que le probl`me de construction de la politique optie e e male revient ` calculer la solution de (3.8), puis ` dnir , et enn lancer a a e des trajectoires de X jusqu` ce quelles atteignent S ou quelles sortent de a E.

30

Applications

3.4
3.4.1

Applications en nance
Probl`me de base e

On cherche ` tudier le prix St dun actif S (qui peut tre une action, une ae e obligation, une mati`re premi`re...) qui volue selon lquation direntielle e e e e e stochastique dS = Sdt + SdW S0 = s0 (3.9)

o` > 0 est la drive (ou tendance) de lactif, et = 0 est sa volatilit. Il u e e est naturel de dcomposer le rendement instantan dStt de lactif comme la e e S superposition dune tendance locale dt et dun bruit. Ce probl`me, trait e e par Black et Scholes dune part, Merton dautre part en 1973, est encore tr`s utilis aujourdhui pour le calcul doptions dachat (ou call option). Ce e e contrat conf`re ` son acheteur le droit (mais pas lobligation) dacheter S ` un e a a cours p x ` la signature du contrat (p est le prix dexercice) ` la date future ea a T appele temps dexercice ou chance. En change, il versera aujourdhui e e e e une prime C0 au vendeur de S. Le probl`me pos ici est la dtermination de e e e la meilleure valeur de C0 .

3.4.2

Arbitrage et couverture

On suppose dans la suite quun euro mis en banque en t = 0 rapporte erT au temps T . En dautres termes, r > 0 est un taux dintrt constant sans ee rT risque. De mani`re quivalente, 1 euro en t = T vaut e e e en t = 0, qui est appel le facteur descompte. e Il est alors raisonnable de penser que lacheteur du contrat aura en T un gain gal ` e a erT E (max(ST p, 0)) (3.10)

En eet, si ST < p, alors S est sans valeur. Si ST > p on peut acheter une unit de S au prix p, pour la revendre immdiatement ` ST et raliser un e e a e bnce de max(ST p, 0). En moyennant sur toutes les trajectoires de S, e e et en pondrant par le facteur descompte erT , on obtient (3.10). e En fait, (3.10) nest pas la bonne rponse, puisque dautres facteurs intere viennent dans les marchs nanciers, dont le plus important est larbitrage, e qui consiste en la possibilit de raliser des prots sans risque (i.e. dacheter e e une unit de S en t, de la revendre immdiatement ` un prix S > St en e e a

3.4. Applications en nance

31

protant par exemple des dcalages de prix entre direntes places de cotae e tion, et de raliser ainsi un prot). Une stratgie darbitrage ralise par un e e e e investisseur totalement dmuni en t = 0 lui permet donc de navoir ` coup e a sr aucune dette ` linstant T , tout en gagnant de largent avec une prou a babilit stictement positive. Dans un march nancier rel, cette possibilit e e e e est en principe interdite par les autorits de rgulation (elles rpriment en e e e particulier les dlits diniti). e e Il faut donc essayer de ne pas crer dopportunit darbitrage. Cette ide e e e est introduite dans le mod`le sous la forme de la notion de couverture, qui e consiste a grer dynamiquement un portefeuille contenant S et des obliga` e tions sans risque. Le vendeur de loption va rechercher une stratgie qui, partant dune rie chesse initiale C0 , lui permettra datteindre la richesse terminale souhaite e max(St p, 0), de mani`re ` honorer son engagement envers lacheteur, et e a cela dans tous les scnarios (trajectoires) dvolution du march. e e e

3.4.3

Modlisation e

Pout s 0 et 0 t T , on note u(s, t) le prix de loption ` linstant t, a sachant St = s. Au temps T , on a videmment u(s, T ) = max(s p, 0). De e plus, si s = 0, alors St = 0 pour 0 t T et u(0, t) = 0. On recherche ici C0 = u(s0 , 0). On dnit alors pour 0 t T le processus stochastique Ct = u(St , t). En e utilisant (3.9) et la formule dIt, on obtient : o dC = =
2 u dt + u dS + 1 u (dS)2 t s 2 s2 2 2 u + S u + 2 S 2 u dt t s s2

+ S u dW s

(3.11)

Lintroduction de la notion de couverture passe par la duplication de C dans un portefeuille contenant des actifs S et des obligations B. Plus prcisment, si B est un investissement sans risque, qui suit donc lvolution e e e Bt = ert , soit ; dB = rBdt B0 = 1 il sagit de trouver des processus et tels que : (t [0, T ]) Ct = St + Bt (3.13) (3.12)

Bien sr, la construction eective de et limine tout facteur de risque : si u e une entreprise vend une option dachat, elle encourt le risque quau temps T ,

32

Applications

ST exc`de p, et que donc lacheteur fasse un grand prot. Mais si en mme e e temps elle construit le portefuille (3.13), les prots gnrs par ce dernier e ee vont exactement compenser la dpense eectue pour payer le bnce de e e e e lacheteur. Inversement, si ST < p, le portefeuille napporte aucun prot. Pour raliser une telle opration, lentreprise ne doit pas injecter le moindre e e argent dans le syst`me de couverture, en dehors de linvestissement initial. e Cet tat de fait est modlis en forant le portefeuille reprsent par le terme e e e c e e de droite dans (3.13) ` tre auto-nanc. En dautres termes, les changements ae e de valeurs du portefeuille ne dpendent que des changement de S et B. Ainsi, e (t [0, T ]) dCt = dSt + dBt En combinant (3.11), (3.12) et (3.14), on aboutit ` lidentit a e u 2 2 2 u u + S + S t s 2 s2 dt + S u dW = (Sdt + SdW ) + rBdt s (3.15) (3.14)

et si (3.13) est valide, il faut donc choisir et pour que (3.15) soit valide. En particulier, les facteurs de dW co ncident, ` condition de prendre a u (St , t) (3.16) (t [0, T ]) t = s ce qui am`ne ` e a u 2 2 2 u + S dt = rBdt t 2 s2 Mais B = C C = u (t [0, T ])
u S s

par (3.13) et (3.16). Et donc

u u 2 2u (St , t) + rS (St , t) + S 2 2 (St , t) ru(St , t) dt = 0 t s 2 s (3.17)

et pour assurer Ct = u(St , t), on impose donc ` u(s, t) de verier lquation a e aux drives partielles de Black-Scholes-Merton e e u 2 2 2 u u + rs + S ru = 0 (3.18) t s 2 s2 On remarque au passage que la drive nappara plus. e t Ainsi, pour rpondre au probl`me pos de la dtermination de la meilleure e e e e valeur de C0 , il sagit de trouver u(s0 , 0), et donc u, vriant e u 2 2 ,s > 0 0 t T t + rs u + 2 s2 u ru = 0 s s2 u = max(s p, 0) , s > 0 t = T u =0 ,s = 0 0 t T (t [0, T ]) probl`me qui peut tre rsolu explicitement. e e e