Exmaster2011 Monique Jeanblanc

EXERCICES DE CALCUL STOCHASTIQUE
M2IF Evry
Monique Jeanblanc
Universit dEVRY
Juin 2011
2
Contents
1 Rappels 7
1.1 Tribu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2 Variables gaussiennes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3 Esprance conditionnelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4 Martingales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.5 Temps darrt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.6 Changement de probabilit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.7 Algbre bta-Gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.8 Divers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2 Mouvement Brownien 15
2.1 Proprits lmentaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2 Processus Gaussiens . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.3 Brownien Multidimensionnel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.4 Temps datteinte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.5 Scaling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.6 Complments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.7 Finance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.8 Problme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.8.1 Partie I : Rsultats prliminaires . . . . . . . . . . . . . . . . . . . . . . . . 25
2.8.2 Partie II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.8.3 Partie III . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3 Intgrale dIt 29
3.1 Intgrale de Wiener . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.2 Formule dIt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.3 Cas multidimensionnel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.4 Complments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.5 Brownien gomtrique et extensions. . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.6 Le crochet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.7 Finance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3
4 CONTENTS
4 Exemples 45
4.1 Processus de Bessel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.2 Processus de Bessel carr . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.3 Autres processus. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.4 Des calculs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
5 Equations direntielles stochastiques 55
5.1 Equation linaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
5.2 Processus anes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
5.3 Autres quations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
5.4 Finance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
5.5 Equations direntielles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
6 Girsanov 63
6.1 Rsultats lmentaires. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
6.2 Crochet. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
6.3 Processus. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
6.4 Cas multidimensionel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
6.5 Temps darrt. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
6.6 Finance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
7 Complments 79
7.1 Thorme de Lvy. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
7.2 Equations rtrogrades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
7.3 Thormes de reprsentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
7.4 Temps local. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
7.5 Lois . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
7.6 Filtrations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
7.7 Options barrires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
7.8 Mandres, ponts, excursions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
7.9 Divers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
8 Processus sauts 89
8.1 Processus de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
8.2 Poisson compos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
8.3 Formule dIt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
8.4 Temps de Dfaut . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
8.5 March complets, incomplets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
1 Rappels, Corrigs 95
1.1 Tribu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
1.2 Variables gaussiennes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
CONTENTS 5
1.3 Esprance conditionnelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
1.4 Martingales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
1.5 Temps darrt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
1.6 Temps discret . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
1.7 Algbre bta-gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
1.8 Divers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
2 Mouvement Brownien, Corrigs 105
2.1 Proprits lmentaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
2.2 Processus Gaussien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
2.3 Multidimensionnel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
2.4 Temps datteinte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
2.5 Scaling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
2.6 Complments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
2.7 Finance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
3 Intgrale dIt, Corrigs 117
3.1 Intgrale de Wiener . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
3.2 Formule dIt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
3.4 Complments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
3.5 Brownien gomtrique et extensions . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
3.6 Le crochet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
3.7 Finance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
4 Exemples, Corrigs 129
4.1 Processus de Bessel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
4.2 Processus de Bessel carr . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
4.3 Autres processus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
4.4 Des Calculs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
5 Equations direntielles stochastiques, Corrigs 133
5.1 Equation Linaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
5.2 Processus anes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
5.3 Finance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
5.4 Equations direntielles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
6 Girsanov, Corrigs 139
6.1 Rsultats lmentaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
6.2 Crochet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
6.3 Processus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
6 Rappels. Enoncs
6.5 Temps darrt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
6.6 Finance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
7 Complments, Corrigs 145
7.1 Thorme de Lvy. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
7.2 Equations rtrogrades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
7.3 Thormes de reprsentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
7.4 Temps local. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
7.5 Lois . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
7.6 Filtrations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
7.7 Options barrires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
7.8 Mandres, ponts, excursions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
8 Sauts, Corrigs. 153
8.1 Processus de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
8.2 Poisson compos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
8.3 March complets, incomplets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
1 Examens 159
1.1 2007-2008 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
1.1.1 dcembre 2007 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
1.1.2 Avril 2008 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
1.2 2008-2009 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
1.2.1 Dcembre 2008 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
1.2.2 Mars 2009 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
1.3 2009-2010 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166
1.4 Dcembre 2009 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166
1.4.1 Mars 2009 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
1.5 2010-2011 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170
1.5.1 Dcembre 2010 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170
1.6 Janvier 2011 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
Chapter 1
Rappels
1.1 Tribu
Exercice 1.1.1 Ensembles appartenant une tribu.
1. Montrer que si F est une tribu, et si A et B appartiennent F avec A B, alors B A F
o B A est lensemble des lments de B qui ne sont pas dans A.
2. Montrer que si C et D appartiennent F, alors CD
def
= {C D
c
} {C
c
D} appartient
F.
Exercice 1.1.2 Exemples de tribus.
1. Dcrire la tribu engendre par un ensemble A.
2. Dcrire la tribu engendre par deux ensembles A et B disjoints.
Exercice 1.1.3 Fonctions indicatrices.
On note 11
A
la v.a. qui vaut 1 pour A et 0 sinon.
1. Montrer que 11
AB
= 11
A
11
B
.
2. Montrer que, si A B = , on a 11
AB
= 11
A
+ 11
B
.
3. Montrer que 11
BA
= 11
B
11
A
.
4. Montrer que 11
AB
= 11
A
+ 11
B
11
AB
.
Exercice 1.1.4 Union et intersection.
Soit F
1
et F
2
deux tribus. Montrer que F
1
F
2
est une tribu. Montrer quen gnral F
1
F
2
nest
pas une tribu.
Exercice 1.1.5 Tribu grossie par un ensemble.
Soit F une tribu et A nappartenant pas F. Montrer que la tribu engendre par F et A (cest--
dire la plus petite tribu contenant F et A) est compose des ensembles B tels que il existe C et D
appartenant F vriant B = (C A) (D A
c
).
Exercice 1.1.6 Tribu engendre par une v.a.
Soit X une v.a. sur un espace (, G). La tribu engendre par X, note (X), est la plus petite sous
tribu F telle que X soit mesurable de (, F) dans (R, B). Elle est engendre par C = {F , |F =
X
1
(B), B B). Montrer que C est une tribu. Vrier que si Y = h(X) avec h borlienne, alors Y
est (X)-mesurable. On admettra que la rciproque est vraie.
7
8 Rappels. Enoncs
Exercice 1.1.7 Lois de v.a.
Soit (X, Y ) un couple de variables indpendantes et (Z, T) deux variables indpendantes telles que
X
loi
= Z et Y
loi
= T.
1. Soit f une fonction borlienne (borne) de R dans R. Comparer E(f(X)) et E(f(Z)).
2. Soit h une fonction borlienne (borne) de R
2
dans R. Comparer E(h(X, Y )) et E(h(Z, T)).
1.2 Variables gaussiennes
On note N la fonction de rpartition de la loi gaussienne standard: N(x) =
1
e
u
2
/2
du et
N(m,
2
) la loi d une v.a. gausienne desprance m et de variance
2
.
Exercice 1.2.1 Moments.
Soit X une v.a.r. de loi N(0,
2
).
1. Calculer E(X
3
), E(X
4
), E(|X|) et E(|X
3
|).
2. Calculer E(exp{X
2
+X}) pour 1 2
2
0.
3. Montrer que E(exp
1
2
a
2
X
2
)) = E(exp(aXY )) o Y est indpendante de X et de mme loi.
Exercice 1.2.2 Somme de variables gaussiennes indpendantes.
Soit X et Y deux v.a. gaussiennes indpendantes. Montrer que X +Y est une variable gaussienne.
Prcisez sa loi.
Exercice 1.2.3 Transforme de Laplace.
Soit X une v.a.r. de loi N(m,
2
).
1. Quelle est la loi de
Xm
? Calculer E|X m|.

2. Montrer que E(e
X
) = exp(m+
1
2
2
). Calculer E(Xe
X
).
3. Soit (x) =
1
y
2
2
dy. Calculer, dans le cas m = 0 et = 1 la valeur de E(11
Xb
exp X)
en fonction de (, , b).
4. Montrer que E(e
X
f(X)) = e
m+
2
2
/2
E(f(X +
2
) pour f continue borne.
5. Montrer que, si f est "rgulire" E(f(X)(X m)) =
2
E(f
(X)).
Exercice 1.2.4 Convergence.
Soit (X
n
, n 1) une suite de v.a. gaussiennes qui converge dans L
2
vers X. Quelle est la loi de X?
Exercice 1.2.5 Vecteur gaussien. Soit X un vecteur gaussien valeurs dans R
n
et A une matrice
(p, n). Montrer que AX est un vecteur gaussien. Prciser son esprance et sa variance.
Exercice 1.2.6 Vecteur Gaussien. Soit (X, Y ) un vecteur gaussien centr tel que E(XY ) = 0.
Montrer que X et Y sont indpendantes.
Exercice 1.2.7 Projection.(*)
Rappel : projection dans L
2
: Soit A un sous espace de L
2
() engendr par les variables alatoires
M. Jeanblanc M2IF Evry 9
Y
1
, . . . , Y
n
, cest--dire si Z A, il existe (a
i
) rels tels que Z =
i
a
i
Y
i
. Soit X L
2
. On appelle
projection de X sur A lunique lment PrX de A tel que
E( (X PrX)Z) = 0, Z A
Soit (X
1
, X
2
, . . . , X
d
, Y
1
, . . . , Y
n
) un vecteur gaussien centr dans R
d+n
. Montrer que X =
(X
1
, X
2
, . . . , X
d
) et Y = (Y
1
, . . . , Y
n
) sont deux vecteurs gaussiens centrs.
On suppose d = 1. Montrer que PrX est une v.a. gaussienne (Y ) mesurable, telle que X PrX
et Y sont indpendantes.
Exercice 1.2.8 Caractrisation de vecteur gaussien. Soit (X, Y ) deux v.a.r. telles que Y
est gaussienne et la loi conditionnelle de X Y est gaussienne de moyenne aY + b et de variance
indpendante de Y , cest--dire que E(exp(X)|Y = y) = exp((ay + b) +

2
2

2
). Montrer que le
couple (X, Y ) est gaussien.
1.3 Esprance conditionnelle
On travaille sur un espace (, F, P) muni dune sous-tribu de F note G.
Exercice 1.3.1 Montrer que, si X et Y sont bornes
E(Y E(X|G)) = E(XE(Y |G))
Montrer que si X est G-mesurable et Y est indpendante de G, pour toute fonction borlienne borne
,
E((X, Y )|F) = (X)
o (x) = E((x, Y )).
Exercice 1.3.2 Montrer que si X L
2
, E(X|G) = Y et E(X
2
|G) = Y
2
alors X = Y .
Exercice 1.3.3 Soit (X, Y ) indpendantes, X strictement positive et Z = XY . Calculer E(11
Zt
|X)
en utilisant la fonction de rpartition de Y .
Exercice 1.3.4 Soit (X, Y ) indpendantes, quidristibues et M = max(X, Y ). Calculer E(11
Xt
|M).
Exercice 1.3.5 Conditionnement et indpendance.
Soit X, Y deux v.a. telles que la v.a. X Y est indpendante de G, desprance m et de variance
2
. On suppose que Y est G-mesurable. Calculer E(X Y | G). En dduire E(X| G). Calculer
E( (X Y )
2
| G). En dduire E(X
2
| G).
Exercice 1.3.6 Vecteur gaussien (*) Suite de lexercice 1.2.7
Soit (X, Y
1
, . . . , Y
n
) un vecteur gaussien centr dans R
1+n
. Montrer que E(X|Y ) = PrX.
On suppose n = 1. Montrer que E(X|Y ) = Y . Dterminer .
Exercice 1.3.7 Soit X = X
1
+ X
2
. On suppose que X
1
est indpendante de G, que X
2
est G
mesurable et que X
1
est gaussienne.
1. Calculer E(X|G) et var (X|G).
2. Calculer E(e
X
|G).
10 Rappels. Enoncs
Exercice 1.3.8 Covariance conditionnelle. Soit Z
1
, Z
2
deux variables alatoires de carr int-
grable. On dnit
Cov(Z
1
, Z
2
|G) = E(Z
1
Z
2
|G) E(Z
1
|G)E(Z
2
|G) .
Montrer que
Cov(Z
1
, Z
2
|G) = E[ (Z
1
E(Z
1
|G)) Z
2
|G ].
Exercice 1.3.9 Tribu grossie.
Soit A / G et A F et X une v.a. intgrable. On note H la tribu engendre par G et A. (Voir
exercice 1.1.5). On admettra que les v.a. Z qui sont H mesurables scrivent Z = Y
1
11
A
+ Y
2
11
A
c ,
o les v.a. Y
i
sont G-mesurables. Montrer que
E(X|H) =
E(X11
A
|G)
E(11
A
|G)
11
A
+
E(X11
A
c |G)
E(11
A
c |G)
11
A
c
Exercice 1.3.10 Linarit. Soit Z = Y +, avec = 0. Montrer que E(aX+b|Z) = aE(X|Y )+b.
Exercice 1.3.11 Grossissement progressif Soit F une tribu. On considre la tribu G engendre
par 1 o est une v.a. valeurs dans R
+
.
1. Montrer que toute v.a. G mesurable scrit h( 1) o h est borlienne.
2. Montrer que, si X est une v.a. F mesurable, E(X|G)11
1
= A11
1
o A est une constante.
Montrer que A = E(X11
1
)/P(1 ).
Exercice 1.3.12 Conditionnement et indpendance 1. Soit G
1
et G
2
deux -algbres indpen-
dantes, G = G
1
G
2
et (X
i
, i = 1, 2) deux variables alatoires bornes telles que X
i
est G
i
mesurable.
Montrer que E(X
1
X
2
|G) = E(X
1
|G
1
)E(X
2
|G
2
).
Exercice 1.3.13 Conditionnement et indpendance 2. Montrer que si G est indpendante de
(X) F, E(X|G F) = E(X|F).
Exercice 1.3.14 Formule de Bayes. Soit dQ = LdP sur (, F) et G une sous-tribu de F.
Montrer que
E
Q
(X|G) =
1
E
P
(L|G)
E
P
(LX|G) .
Montrer que
E
Q
(X|G) = E
P
(X|G), X F
si et seulement si L est G mesurable.
Exercice 1.3.15 Soit f et g deux densits strictement positives sur R. Soit X une v.a. de densit
f sur un espace (, P). Montrer quil existe une probabilit Q sur cet espace telle que X soit de
densit g.
Exercice 1.3.16 Indpendance conditionnelle Soit F = (F
t
, t 0) et G = (G
t
, t 0) deux
ltrations.
1. Montrer que les proprits suivantes sont quivalentes.
(H1) pour tout t, les tribus F
et G
t
sont conditionellement indpendantes par rapport F
t
.
(H2) F F
, G
t
G
t
, E(FG
t
|F
t
) = E(F|F
t
) E(G
t
|F
t
)
(H3) t, G
t
G
t
, E(G
t
|F
) = E(G
t
|F
t
)
(H4) t, F F
, E(F|G
t
) = E(F|F
t
).
2. Soit F et G deux ltrations telles que F
t
G
t
. Montrer que
(H) Toute F-martingale de carr intgrable est une G-martingale
quivaut (H1).
3. Dans le cas G
t
= F
t
(t ) o est un temps alatoire, montrer que (H1) quivaut
(H5) s t, P( s|F
) = P( s|F
t
).
1.4 Martingales
Lespace est muni dune ltration F.
Un processus M est une martingale si
- pour tout t, M
t
est intgrable;
- pour tout t > s, E(M
t
|F
s
) = M
s
, p.s.
Le processus M est une surmartingale si
- M
t
est adapt, intgrable;
- E(M
t
|F
s
) M
s
, s t .
Le processus M est une sousmartingale si M est une surmartingale.
Exercice 1.4.1 Exemple de base. Soit X une v.a. intgrable. Montrer que (E(X|F
t
), t 0) est
une martingale.
Exercice 1.4.2 Surmartingale.
1. Montrer que si M est une martingale et A un processus croissant adapt (A
s
A
t
, s t)
alors M A est une surmartingale.
2. Soit M une martingale. Que peut-on dire de M
2
?
3. Soit M une martingale telle que E(M
2
) < . Montrer que sup

t
E(M
2
t
) < .
4. Montrer quune surmartingale telle que E(Z
T
) = E(Z
0
) est une martingale sur [0, T].
Exercice 1.4.3 Martingale locale. Montrer quune martingale locale positive est une surmartin-
gale.
Exercice 1.4.4 Martingale en fonction de la valeur terminale. Soit X une martingale telle
que X
T
= . Exprimer X
t
en fonction de pour t < T au moyen dune esprance conditionnelle.
Exercice 1.4.5 Un lemme. On trouve dans la littrature (Due) le lemme suivant:
Lemma: Let be an adapted bounded process. Then (Y
t
= M
t

t
0
s
ds, 0 t T) for some
martingale M if and only if
Y
t
= E[
T
t
s
ds +Y
T
|F
t
]
Donner une dmonstration de ce lemme.
Exercice 1.4.6 Martingale de carr intgrable. Soit (M
t
, t 0) une F
t
-martingale de carr
intgrable (telle que M
2
t
soit desprance nie, pour tout t). Montrer que
1. E((M
t
M
s
)
2
|F
s
) = E(M
2
t
|F
s
) M
2
s
pour t > s.
2. E((M
t
M
s
)
2
) = E(M
2
t
) E(M
2
s
) pour t > s.
3. La fonction dnie par (t) = E(M
2
t
) est croissante.
Exercice 1.4.7 Projection de martingale. Montrer que si M est une F-martingale, cest aussi
une martingale par rapport sa propre ltration F
M
dnie par F
M
t
= (M
s
, s t). Soit H une
ltration telle que H
t
F
t
. Montrer que Y
t
= E(M
t
|H
t
) est une H-martingale.
Exercice 1.4.8 Une sousmartingale. Soit une v.a. positive. Montrer que Z
t
= P( t|F
t
)
est une sousmartingale.
12 Rappels. Enoncs
Exercice 1.4.9 Processus accroissements indpendants. Soit X un PAI (processus ac-
croissements indpendants, cest--dire tel que, pour t > s, la v.a. X
t
X
s
est indpendante de
(X
u
, u s)). Montrer que, si, pour tout t, la v.a. X
t
est intgrable, X est une martingale et que
si X est de carr intgrable, X
2
t
E(X
2
t
) est une martingale. Montrer que, si e
X
t
est intgrable,
Z
t
=
e
X
t
E(e
X
t
)
est une martingale.
Exercice 1.4.10 Soit M une martingale positive continue uniformment intgrable et = inf{t :
M
t
= 0}. Montrer que M est nulle sur t > .
Exercice 1.4.11 Soit X un processus F-adapt, positif trajectoires continues et G F. Montrer
que E(
t
0
X
s
ds|G
t
)
t
0
E(X
s
|G
s
)ds est une G-martingale.
Exercice 1.4.12 Soit X
t
= f(t) o f est une fonction. Quelles sont les fonctions f telles que
1. Le processus X est croissant
2. Le processus X est une martingale?
3. Le processus X est une sur-martingale?
4. Le processus X est un processus de Markov?
5. Le processus X est accroissements indpendants?
6. Le processus X est accroissements stationnaires?
1.5 Temps darrt
Si F est une ltration, une v.a. positive est un F-temps darrt si, pour tout t, { t} F
t
.
Exercice 1.5.1 Tribu associe un temps darrt. Soit un temps darrt. Montrer que F
est une tribu.

Exercice 1.5.2 Soit T un temps darrt et X une variable alatoire appartenant F
T
, vriant
X T. Montrer que X est un temps darrt.
Exercice 1.5.3 Exemple de processus adapt. Soit T un F-temps darrt. Montrer que le
processus X
t
= 11
]0,T]
(t) est F-adapt.
Exercice 1.5.4 Comparaison de tribus. Soit S et T deux temps darrt tels que S T. Montrer
que F
S
F
T
.
Exercice 1.5.5 Proprit de mesurabilit. Soit S un temps darrt. Montrer que S est F
S
-
mesurable.
Exercice 1.5.6 Soit S et T deux temps darrt. Montrer que {S T}, {T S} appartiennent
F
S
.
Exercice 1.5.7 Exemple de processus cdlg. Soit S et T deux temps darrt tels que S < T.
Montrer que le processus Z
t
= 11
[S,T[
(t) (gal 1 si S t < T et 0 sinon) est un processus cdlg.
Exercice 1.5.8 Exemple trivial de temps darrt. Montrer quune constante est un temps
darrt. Quelle est dans ce cas la tribu F
?
Exercice 1.5.9 Oprations sur les temps darrt. Montrer que linf (resp. le sup) de deux
temps darrt est un temps darrt.
Exercice 1.5.10 Caractrisation de martingale.
1. Soit s < t, A F
s
et T = t11
A
c +s11
A
. Montrer que T est un temps darrt.
2. Montrer que si E(X
T
) = E(X
0
) pour tout temps darrt T, alors le processus X est une
martingale.
Exercice 1.5.11 Thorme darrt. Soit M une martingale continue telle que M
0
= a et
lim
t
M
t
= 0. Montrer que sup M
t
loi
=
a
U
o U est une v.a. de loi uniforme sur [0, 1].
1.6 Changement de probabilit
Ce thorme sera central en vue dapplication la nance.
Deux probabilits P et Q dnies sur le mme espace (, F) sont dites quivalentes si elles ont
mmes ensembles ngligeables, cest dire si
P(A) = 0 Q(A) = 0.
Si P et Q sont quivalentes, il existe une variable Y , strictement positive, F-mesurable, desprance
1 sous P appele densit de Radon-Nikodym telle que dQ = Y dP ou encore Q(A) =
A
Y dP. On
crit galement cette relation sous la forme
dQ
dP
= Y . Rciproquement, si Y est une v.a. strictement
positive, F-mesurable, desprance 1 sous P, la relation E
Q
(Z) = E
P
(ZY ) dnit une probabilit Q
quivalente P. Cette relation est facile mmoriser par la rgle de calcul formel suivante:
E
Q
(Z) =
ZdQ =
Z
dQ
dP
dP =
ZY dP = E
P
(ZY )
On a aussi
dP
dQ
=
1
Y
.
Exercice 1.6.1 Montrer que si P est une probabilit et Z une v.a. telle que lgalit dQ = ZdP
(soit Q(A) = E
P
(Z11
A
)) dnit une probabilit, alors E
P
(Z) = 1 et P(Z < 0) = 0.
Exercice 1.6.2 1. Soit U une variable de Bernoulli sous P dnie par
P(U = 0) = 1 p, P(U = 1) = p.
Soit Y la variable dnie par Y = U + (1 U). Dans quels cas cette variable est elle
desprance 1? Soit dQ = Y dP, Calculer Q(U = 1). Quelle est la loi de U sous Q?
2. Soit X est une v.a. de loi N(m,
2
) sous P et soit Y = exp{h(Xm)
1
2
h
2
2
}. Soit dQ = Y dP.
Calculer E
Q
{exp(X)}) = E
P
{Y exp(X)}. En dduire la loi de X sous Q (utiliser lexercice
1.2.1.
3. Soit X est un vecteur gaussien sous P et U une variable telle que le vecteur (X, U) soit gaussien.
On pose dQ = Y dP avec Y = exp(U E
P
(U)
1
2
Var
P
U). Montrer que X est gaussien sous
Q, de mme covariance que sous P.
14 Brownien. Enoncs
1.7 Algbre bta-Gamma
Exercice 1.7.1 Loi Arc sinus Une variable alatoire A a une loi Arc Sinus si sa densit est
1
1 t
11
t[0,1]
. Montrer que cos
2
()
loi
= A si est uniforme sur [0, 2].
Soit N et N
deux variables N(0, 1) indpendantes. Montrer que

N
2
N
2
+N
2
loi
= A.
Soit C =
N
N
. Montrer que C a une loi de Cauchy et que

1
1 +C
2
a une loi Arc sinus.
1.8 Divers
Exercice 1.8.1 Soit X un processus et M
t
= sup
0st
X
s
. On note une v.a. de loi exponentielle
de paramtre indpendante de X. Montrer que
E(exp(M
)) = 1 E
_

0
due
u
e
T
u
_
o T
u
= inf{t : X
t
u}.
Exercice 1.8.2 Transforme de Laplace et indpendance. Soit X et Y deux v.a. indpen-
dantes. Justier que E(e
(X+Y )
) = E(e
X
)E(e
Y
). La rciproque est-elle vraie?
Exercice 1.8.3 Transforme de Laplace et moments. Soit X et Y deux v.a. bornes telles
que E(e
X)
= E(e
Y
) pour tout . Montrer que X et Y ont mme moments.
Exercice 1.8.4 Markov. Soit X un processus de Markov fort et T
a
= inf{t : X
t
= a}. Montrer
que, pour t < T
P(X
T
dx|X
t
= a) = P(X
T
dx|T
a
= t) .
Exercice 1.8.5 Proprit de Markov Soit B un mouvement Brownien et f une fonction. On
note T
f
= inf{t : B
t
= f(t)}. Montrer que
P(B
t
f(s)|T
f
= s) =
1
2
11
s<t
.
Si f est croissante, montrer que P(T
f
t) = 2P(B
t
f(T
f
)).
Chapter 2
Mouvement Brownien
Dans tout ce qui suit, (B
t
, t 0) est un mouvement Brownien rel (un processus accroissements
indpendants issu de 0, trajectoires continues, tel que pour t > s, B
t
B
s
est une v.a. gaussienne
centre de variance t s) et on note F = (F
t
, t 0) sa ltration naturelle.
Dans certains exercices, le processus B est issu de x (soit B
0
= x).
On rappelle que si X est un processus continu issu de 0, cest un mouvement Brownien si et seulement
si X et (X
2
t
t, t 0) sont des martingales.
Le mouvement Brownien est un processus de Markov fort: pour tout temps darrt ni
E(f(B
t+
|F
) = E(f(B
t+
|B
) .
2.1 Proprits lmentaires
Exercice 2.1.1 Caractrisation. Montrer quun processus X est un mouvement Brownien si et
seulement si
a. Pour tout t
0
< t
1
< t
n
, le vecteur (X
t
0
, X
t
1
, . . . , X
t
n
) est un vecteur gaussien centr
b. E(X
t
X
s
) = s t
c. X
0
= 0
Exercice 2.1.2 Caractrisation 2. Montrer quun processus continu X est une mouvement
Brownien si et seulement si, pour tout le processus exp(X
t

1
2
2
t) est une martingale.
Exercice 2.1.3 Calcul desprances.
1. Calculer pour tout couple (s, t) les quantits E(B
s
B
2
t
), E(B
t
|F
s
), E(B
t
|B
s
) et E(e
B
t
|F
s
).
2. Calculer E(
t
0
B
u
du|F
s
) avec t > s et E(
t
0
B
u
du|B
s
)
3. On a vu, dans Exercice 1.2.1, que si Z est une v.a. gaussienne centre de variance
2
, on a
E(Z
4
) = 3
4
. Calculer E(B
2
t
B
2
s
).
4. Quelle est la loi de B
t
+B
s
?
5. Soit
s
une variable alatoire borne F
s
-mesurable. Calculer pour t s, E(
s
(B
t
B
s
)) et
E[
s
(B
t
B
s
)
2
].
6. Calculer E(11
B
t
a
) et E(B
t
11
B
t
a
).
7. Calculer E(
t
0
exp(B
s
)ds) et E(exp(B
t
)
t
0
exp(B
s
)ds).
8. Calculer E(e
B
t
|F
s
) et E((ae
B
t
b)
+
|F
s
).
15
16 Brownien. Enoncs
Exercice 2.1.4 Lois. Montrer que E(f(B
t
)) = E(f(G
u + B
tu
)) avec G v.a. indpendante de
B
tu
et de loi gaussienne centr rduite. En dduire le calcul de E(f(B
t
)|F
s
).
Exercice 2.1.5 Soit une variable alatoire de loi exponentielle de paramtre (soit P( dx) =
e
x
11
x>0
dx) indpendante de B. Quelle est la loi de B
?
Exercice 2.1.6 Des martingales. Parmi les processus suivants, quels sont ceux qui sont des
martingales. (On pourra utiliser, sans dmonstration, que E[
t
0
B
u
du|F
s
] =
t
0
E[B
u
|F
s
] du.)
1. M
t
= B
3
t
3
t
0
B
s
ds.
2. Z
t
= B
3
t
3tB
t
.
3. X
t
= tB
t

t
0
B
s
ds.
4. U
t
= sin B
t
+
1
2
t
0
sin(B
s
) ds.
5. Y
t
= t
2
B
t
2
t
0
B
s
ds.
Exercice 2.1.7 Exponentielle de Brownien. Calculer E(e
x+B
t
) et E(sin(x +B
t
)) en utilisant
E(f(x +B
t
)) = f(x) +
1
2
t
0
E(f
(x +B
s
)) ds .
Exercice 2.1.8 Changement de temps. Soit Z
t
= B
A(t)
o A est une fonction dterministe
continue strictement croissante.
1. Calculer lesprance et la variance de Z
t
. Ce processus est-il une martingale par rapport F?.
2. On dnit G
t
= F
A(t)
. Montrer que Z est une G-martingale.
3. Dterminer le processus croissant C tel que (Z
t
)
2
C
t
soit une G-martingale.
4. Soit un processus M tel que M est une martingale et il existe A, fonction dterministe continue
strictement croissante telle que M
2
t
A(t) est une martingale. On note C linverse de A, cest-
-dire la fonction telle que C(A(t)) = t. Montrer que W
t
= M
C(t)
est un mouvement Brownien.
Exercice 2.1.9 Calcul desprance. Comment calculer E
x
(f(B
t
)g(B
s
))?
Exercice 2.1.10 Calculer
E((
1
0
duB
u
+B
1
)
2
)
Exercice 2.1.11 Calcul de transforme de Laplace. Calculer E
x
_
exp(W
2
t
)
_
.
Exercice 2.1.12 Comportement limite.
1. Montrer que lim
t
B
t
t
= 0
2. Montrer que lim
t
P
x
(B
t
< 0) = 1/2. En dduire que pour tout x > 0, si T
0
= inf{t : B
t
=
0}, on a P
x
(T
0
< ) 1/2. (En fait, on peut montrer que T
0
est ni ps.)
Exercice 2.1.13 Montrer que lintgrale
1
0
B
s
s
ds est convergente.
Exercice 2.1.14 Tribu triviale. On admettra quun ensemble appartenant la ltration F
0
= F
+
0
a pour probabilit 0 ou 1.
Si = inf{t 0 : B
t
> 0}, montrer que P( t)
1
2
. En dduire que P( = 0) = 1.
Exercice 2.1.15 Applications de la proprit de Markov. Montrer que
E
x
_
t
0
h(r, B
r
)dr|F
s
_
=
s
0
h(r, B
r
)dr +E
B
s
_
ts
0
h(s +u, B
u
)du
_
Exercice 2.1.16 Soit un temps darrt, > 0 et u une fonction continue borne. On pose
g(x) = E
x
_

0
e
t
u(B
t
)dt
_
et f(x) = E
x
_

0
e
t
u(B
t
)dt
_
o comme dhabitude lindice x
prcise que le Brownien est issu de x.
1. Montrer que g et f sont dnies.
2. Montrer que
E
x
_

e
t
u(B
t
)dt
_
= E
x
_
11
<
e
f(B
)
_
.
3. Montrer que si = T
0
, alors g(x) = f(x) f(0)(x) o on explicitera .
Exercice 2.1.17 Polynmes dHermite. Les polynmes dHermite H
k
sont dnis par e
x
2
2
=
k
k!
H
k
(x). Montrer quil existe H
k
(x, t), polynmes en les deux variables (t, x) tels que e
x
2
2
t
=
k
k!
H
k
(x, t). En dduire la valeur de E(B
k
t
|F
s
).
Exercice 2.1.18 Des gaussiennes. Soit S
t
= exp(t + B
t
). Calculer lesprance et la variance
de
T
0
S
t
dt et
T
0
ln S
t
dt. Ces variables sont-elles gaussiennes?
Exercice 2.1.19 Zeros. Montrer que
P(B
u
= 0, u ]s, t[) =
2
arcsin
s
t
Exercice 2.1.20 Filtration. Soit G
t
= F
t
(B
1
). Vrier que B nest pas une G-martingale.
2.2 Processus Gaussiens
Exercice 2.2.1 Montrer que le processus Y
t
=
t
0
B
u
du est gaussien. Calculer son esprance et sa
covariance.
Exercice 2.2.2 Expliciter la solution de
dX
t
= aX
t
dt +e
bt
dB
t
Calculer E(X
t
) et V ar(X
t
).
18 Brownien. Enoncs
Exercice 2.2.3 Non-existence de processus. Montrer quil nexiste pas de processus "rgulier"
X tel que (s, t), s = t, les variables X
t
et X
s
soient indpendantes, centres gausssiennes, et E(X
2
t
)
localement born. On considrera
t
0
X
s
ds et on montrera que ce processus serait Gaussien, on
calculera son esprance et sa variance.
Exercice 2.2.4 Le pont Brownien. On dnit un pont Brownien par
Z
t
= B
t
tB
1
, 0 t 1.
1. Montrer que Z est un processus gaussien indpendant de B
1
. Prciser sa loi, cest--dire sa
moyenne et sa fonction de covariance.
2. Montrer que le processus

Z avec

Z
t
= Z
1t
a mme loi que Z.
3. Montrer que le processus Y avec Y
t
= (1 t)B t
1t
, 0 < t < 1 a mme loi que Z.
4. Montrer que (Z
t
loi
= (B
t
|B
1
= 0)).
Exercice 2.2.5 Un exemple surprenant. Montrer que Z
t
= B
t

t
0
B
s
s
ds est un processus
gaussien. Calculer sa variance et sa covariance. En dduire que Z est un mouvement Brownien.
Montrer que Z nest pas une F
B
-martingale, o F
B
est la ltration naturelle de B.
Exercice 2.2.6 Pont. Soit B un MB et
t
lespace Gaussien engendr par (B
u

u
t
B
t
, u t).
Montrer que
t
est croissant en t. Montrer que (B
u
, u t) =
t
(B
t
) o (G) est lespace
engendr par G.
Exercice 2.2.7 Changement de probabilit. Soit B un MB, L
t
= exp(mB
t

m
2
2
t) , et Q
dnie sur F
T
par dQ = L
T
dP. Montrer que

B
t
= B
t
mt est, sous Q, un processus gaussien
accroissements indpendants. Montrer que

B
t
est un Q-mouvement Brownien.
Exercice 2.2.8 Soit B un mouvement Brownien, p > 1 et une v.a. positive. On admettra que
E(sup
t
(|B
t
| t
p/2
)) <
1. Montrer que
E(sup
t
(|B
t
| t
p/2
)) = E(sup
s
(|B
s
| s
p/2
))
avec = (
1
)
1/(p1)
.
2. Montrer que E(|B
|) E(sup
t
(|B
t
| t
p/2
)) +E(
p/2
).
3. Montrer que
p > 1, C
p
, , E(|B
|) C
p
||
1/2
||
p
2.3 Brownien Multidimensionnel
Exercice 2.3.1 Deux mouvenements Browniens B et W sont corrls si le processus (W
t
B
t
t, t
0) est une martingale. Soit deux mouvements Browniens B et W corrls de coecient de corrlation
. Montrer, sans utiliser la formule dIt pour des processus corrls, quil existe un Brownien Z,
indpendant de W tel que B = W +
1
2
Z.
Exercice 2.3.2 Somme de browniens. Soit W un mouvement brownien indpendant de B et
[0, 1]. Montrer que (Z
t
= W
t
+
1
2
B
t
, t 0) est un mouvement Brownien.
Soient B et W deux browniens indpendants et (
i
, i = 1, 2) deux fonctions dterministes. Montrer
quil existe une fonction
3
telle que le processus Z dni par
3
(t)dZ
t
=
1
(t)dB
t
+
2
(t)dW
t
est un Brownien.
Exercice 2.3.3 Soit B un Brownien n-dimensionnel. Soit f une fonction borlienne borne. Mon-
trer que, pour 0 < s < t E
x
(f(B
t
)|F
s
) = (B
s
) avec (x) = E
x
[f(B
ts
)]. En dduire que B
i
B
j
est
une martingale pour i = j.
Exercice 2.3.4 Mouvement Brownien dans R
2
.
1. Soit W
1
et W
2
deux mouvements Browniens indpendants. Le processus W
t
= W
1
(t) +W
2
(t)
est-il un mouvement Brownien? Si oui, justiez la rponse, sinon, expliquez pourquoi. Mme
question avec W
1
(t) +W
2
(t).
2. Soit W
1
et W
2
deux processus. Soit c un rel donn. Montrer que si
_
exp
_
aW
1
(t) +bW
2
(t)
t
2
[a, b]
_
1 c
c 1
_ _
a
b
__
, t 0
_
est une martingale pour tout couple (a, b), W
1
et W
2
sont des MB. Calculer E[exp(aW
1
(t) +
bW
2
(t))].
Exercice 2.3.5 Brownien n-dimensionnel Soit B un MB n-dimensionnel et U une matrice telle
que UU
T
= I. Montrer que (UB
t
, t 0) est un MB.
2.4 Temps datteinte
Dans tous ces exercices, a R et T
a
= inf{t : B
t
= a}.
Exercice 2.4.1 Transforme de Laplace. Montrer que T
a
est un temps darrt. Calculer
E(e
T
a
) pour tout rel. Montrer que P(T
a
< ) = 1 et que E(T
a
) = .
Mmes questions avec
a
= inf{t : S
t
= a} o S
t
= exp(B
t
).
Exercice 2.4.2 Soit a < 0 < b et T = T
a
T
b
. Calculer P(T
a
< T
b
) et E(T).
Exercice 2.4.3 Temps datteinte.
1. Soit f(t) = E(e
rT
a
11
T
a
<t
). On ne cherchera pas calculer f ici.
Calculer en fonction de f la quantit E(e
r inf(T,T
a
)
) o T est un nombre positif.
2. Montrer que si 0 < a < b, T
b
T
a
est indpendant de T
a
et a mme loi que T
ba
. Montrer
(sans calculs) que pour b > a > 0, la v.a. T
b
T
a
est indpendante de T
a
. Quelle est la loi de
T
b
T
a
? Que peut-on dire du processus (T
a
, a > 0)?
3. Soit T un nombre rel. Calculer Z
t
= P(T
a
> T|F
t
). On rappelle que sup
ut
B
u
loi
= |B
t
|.
4. Calculer E(e
T
a
) avec T
a
= inf{t : X
t
= a} et X
t
= t + W
t
. Calculer E(e
T
) pour
T = T
a
T
b
.
5. Montrer quil existe c tel que T
r
loi
= cT
r
+X avec X indpendante de c.
20 Brownien. Enoncs
6. Mmes questions si T
a
= inf{t; t +B
t
= a}.
7. Soit S un brownien gomtrique (soit S
t
= xexp(t +W
t
)) et
a
= inf{t : S
t
= a}. Calculer
E(

0
e
rt
S
t
dt) et E(

b
0
e
rt
S
t
dt). TROP DIFFICILE
Montrer que si 0 < a < b,
b

a
est indpendant de
a
et a mme loi que
ba
.
Calculer E(e
r
K
11
K
<T
11
K
>t
).
Exercice 2.4.4 On suppose b < 0 < a. Montrer que (a B
t
)(B
t
b) +t est une F-martingale. En
dduire E(T
a,b
) o T
a,b
= T
a
T
b
.
Exercice 2.4.5 Premier instant. Soit B un MB issu de 0 et T
d
= d+inf{t : B
t+d
= 0}. Calculer
E(e
T
d
) et E(11
B
d
a
e
T
d
).
Soit T
= d si B
d
a et T
= d +T
d
si B
d
a, B
d+T
d a. Calculer E(e
T
).
Exercice 2.4.6 Soit

T
a
et

T
a
deux v.a. indpendantes de mme loi que T
a
. Quelle est la loi de
T
a
T
a
+

T
a
(Sans faire de calculs).
Exercice 2.4.7 Loi de linf. Soit I = inf
sT
1
B
s
. Montrer que P(I dx) =
dx
1 +x
2
.
Exercice 2.4.8 Soit T
a
= inf{u : M
u
B
u
> a} avec M
u
= sup
tu
B
t
. Montrer que M
T
a
a une
loi exponentielle.
Exercice 2.4.9 Temps datteinte Soit A et B deux nombres positifs. On note X
t
= t +B
t
et
h(x) =
exp(2x/
2
) exp(2B/
2
)
exp(2A/
2
) exp(2B/
2
)
. Vrier que h(X
t
) est une martingale. Le temps darrt
est dni par
= inf{t : X
t
= AouX
t
= B} .
Calculer P(X
= A).
Exercice 2.4.10 Soit f une fonction borlienne borne et et
u(x) = E
x
(exp[
2
2
T
0
+
T
0
0
duf(B
u
)])
o B est un mouvement Brownien issu de x. Montrer que u est solution de
1
2
u
= (
2
2
+f)u, u(0) = 1
Exercice 2.4.11 Soient a, d deux nombres rels positifs.
1. Calculer E(e
|B
d
|
2
11
B
d
a
).
2. Soit T
1
= inf{t d : B
t
= 0}. Montrer que T
1
est un temps darrt. Calculer E(e
T
1
) et
E(e
T
1
11
B
d
a
). Montrer que B
T
1
+d
est indpendant de B
d
et de T
1
.
3. On introduit la v.a.
1
suivante : si B
d
a, on pose
1
= d. Si B
d
> a et si B
T
1
+d
a,
on pose
1
= T
1
+d, sinon on pose
1
= .
Calculer pour > 0 la transforme de Laplace de
1
, soit E(e
1
).
4. On continue. Si B
d
a, on pose
2
= d. Si B
d
> a et si B
T
1
+d
a, on pose T
2
= T
1
+d,
sinon on dnit T
2
= inf{t T
1
+ d : B
t
= 0}. Si B
T
2
+d
a on pose
2
= T
2
+ d. Dans
tous les autres cas, on pose
2
= .
(a) Montrer que B
T
2
+d
est indpendant de (B
T
1
+d
, B
d
) et de T
2
.
(b) Calculer la transforme de Laplace de
2
.
5. On utilise la mme procdure pour dnir par itration
n
et on pose =
.
(a) Montrer que est ni en utilisant, aprs lavoir justi que
P( < ) =
i
P(B
T
i
+d
< a)
(b) Calculer la transforme de Laplace de .
(c) Calculer la transforme de Laplace de B
.
(d) Montrer que B
est indpendant de .
Exercice 2.4.12 On trouve parfois (voir exercice prcdent, ou les temps datteinte dun niveau)
des temps darrt tels que et B
sont indpendants. Ceci nest cependant pas trs courant.

Dans ce qui suit on admettra le rsultat (non trivial) suivant (Cramer) Si X et Y sont deux v.a.
indpendantes telles que X +Y est une v.a. gaussienne, alors X et Y sont des gaussiennes.
Le but de cet exercice est de montrer : si est born par K et si et B
sont indpendants,
alors est une constante.
1. Montrer que si s > K,
B
s
= B
+

B
s
avec

B un mouvement Brownien indpendant de F
.
2. Montrer que B
et

B
s
sont des v.a. indpendantes.
3. Calculer lesprance et la variance de B
. (Attention, ce nest pas trivial. Penser au cas o

= T
a
.)
4. Montrer que

B
s
est une v.a. Gaussienne.
5. Montrer que lon obtient

K G
loi
=
K E() G o G est une v.a. gaussienne rduite

centre.
6. Conclure.
Exercice 2.4.13 Soit a et deux constantes strictement positives et T
1
= inf{t : B
t
a t},
T
2
= inf{t : B
t
a +t}. On pose, pour tout a 0, () = E(exp[]) avec = T
1
T
2
.
1. Montrer que T
1
loi
= T
2
et que (T
1
, T
2
)
loi
= (T
2
, T
1
).
2. Vrier que est bien dnie et donner un majorant et un minorant simples de (Saider
par un dessin).
3. Montrer que () = 2E(exp(T
1
)11
T
1
<T
2
).
4. Montrer que
e
a
(
2
/2) +e
a
(
2
/2) = 2
t
= t +B
t
. Montrer que, pour tout
exp(X
t
+t), t 0
est une martingale pour un paramtre que lon dterminera.
On note T
a
= inf{t : X
t
a}. Calculer E
_
exp
_
2
2
T
a
__
et P(T
a
< ).
Exercice 2.4.15 Calculer P(M
t
y|B
t
= x) o M
t
= sup(B
s
, s t).
22 Brownien. Enoncs
2.5 Scaling
Exercice 2.5.1 Montrer que le calcul de E(
t
0
exp(s + B
s
) ds) se dduit de E(
T
0
exp(2(s +
B
s
) ds). On ne demande pas de faire ce calcul.
Exercice 2.5.2 Soit T
1
= inf{t : B
t
= 1}. Utiliser le scaling du MB pour tablir les galits en loi
suivantes
1. T
1
loi
=
1
S
2
1
avec S
1
= sup(B
u
, u 1)
2. T
a
loi
= a
2
T
1
avec T
a
= inf{t : B
t
= a}.
3. g
t
loi
= tg
1
, d
t
loi
= td
1
o g
t
= sup{s t : B
s
= 0} et d
t
= inf{s t : B
s
= 0}. Montrer que
{g
t
< u} = {d
u
> t}. En dduire g
t
loi
=
t
d
1
loi
=
1
d(1/t)
.
4. On suppose que A est un processus croissant continu tel que, pout tout c
(B
ct
, A
ct
, t 0)
loi
= (
cB
t
, cA
t
; t 0)
On note
a
= inf{t : A
t
a}. Montrer que d
a
loi
= ad
1
. En dduire A
g
loi
= 1/d
1
.
5. Montrer que A
t
= sup
st
B
2
s
vrie les conditions prcdentes.
Exercice 2.5.3 Montrer que
sup
0t1
|B
t
|
loi
=
1
1
o T
1
= inf{t 0 : |B
t
| = 1}.
Exercice 2.5.4 Soit A une fonctionnelle du mouvement brownien. On dit que A a la proprit
(hom) s il existe r R tel que pour tout c,
(B
ct
, A
ct
; t 0)
loi
= (
cB
t
, c
r+1
A
t
; t 0)
Pour quelle valeur de r la fonctionnelle A
t
=
t
0
11
(B
s
>0)
ds a telle la proprit (hom)? Mme
question pour le temps local (voir la dnition plus loin)
2.6 Complments
Exercice 2.6.1 Projection dun Brownien. Soit B un MB dans sa ltration F et G une ltration
plus petite que F. On suppose que E(B
t
|G
t
) =

B
t
est un MB. Montrer que

B
t
= B
t
.
Exercice 2.6.2 Filtration de carrs de Browniens. Soit Y
t
= aB
2
t
+bW
2
t
avec a = b et a et b
non nuls, W et B tant des Browniens indpendants. Montrer que (Y
s
, s t) = (B
s
, W
s
, s t).
Gnraliser au cas de n carrs.
Exercice 2.6.3 Reprsentation prvisible. Soit B
(i)
, i = 1, 2, 3 trois MB, avec B
(i)
, i = 1, 2
indpendants. Montrer quil nest pas possible davoir (B
(3)
s
, s t)) = (B
(1)
s
, B
(2)
s
, s t). On
utilisera le thorme de reprsentation prvisible pour reprsenter B
(1)
t
, B
(2)
t
en terme de B
(3)
.
Exercice 2.6.4 Ponts, suite de ex. 2.2.6 Pour chaque t on dnit la tribu
F
t
= {(B
s

s
t
B
t
, s t}
1. Montrer que la famille F
t
est croissante en t.
2. Soit f L
2
(R
+
, ds). Calculer la projection

F
t
sur L
2
((F
)
t
) de F
t
=
t
0
f(s)dB
s
.
3. Montrer que le processus

B
t
= B
t

t
0
du
B
u
u
est un (F
t
)-mouvement Brownien et que
F
t
= {
B
u
, u t}
4. Montrer que

F
t
=
t
0
f(s)d
B
t
, avec

f(t) = f(t)
1
t
t
0
f(u)du.
Exercice 2.6.5 Soit B un MB rel, T
0
= inf{t : B
t
= 0}, g = sup{t < 1 : B
t
= 0} et d =
inf{t > 1 : B
t
= 0}. Montrer que P
x
(d > 1 + t) =
p(1, x; y)P
y
(T
0
> t)dy et que P
0
(g t) =
p(t, 0; y)P
y
(T
0
> 1 t)dy.
Exercice 2.6.6 Loi de g
t
. Montrer que
P( sup
sut
B
u
> 0, B
s
< 0) = 2P(B
t
> 0, B
s
< 0) = 2[
1
4

1
2
arcsin
s
t
]
En dduire la loi de g
t
= sup{s t : B
s
= 0}
Exercice 2.6.7 Reprsentation prvisible. Trouver un processus f prvisible tel que F =
E(F) +
T
0
f
s
dB
s
pour
1. F = B
T
,
2. F =
T
0
B
s
ds,
3. F = B
2
T
,
4. F = exp B
T
.
Exercice 2.6.8 Le mouvement Brownien B est issu de 0. Soit W un second mouvement Brownien
issu de 0 indpendant de B et
X
t
= (1 t)
t
0
W
s
(1 s)
2
ds + (1 t)
t
0
1
1 s
dB
s
.
1. Montrer que
t
0
W
s
1 s
ds
t
0
ds
s
0
W
u
(1 u)
2
du = (1 t)
t
0
W
s
(1 s)
2
ds.
2. En admettant que si f et g sont deux fonctions dterministes on peut intervertir le sens des
intgrales dans
t
0
dsf(s)
s
0
g(u)dB
u
, montrer que
B
t

t
0
ds
s
0
1
1 u
dB
u
= (1 t)
t
0
1
1 s
dB
s
24 Brownien. Enoncs
3. Vrier que X est solution de
X
t
= B
t
+
t
0
W
s
X
s
1 s
ds .
4. (sans utiliser ce qui prcede) Montrer que X
t
= (1 t)
t
0
dB
s
dW
s
1 s
+W
t
.
5. Calculer E(X
s
X
t
).
Exercice 2.6.9 Soit G une ltration, W un G-mouvement brownien (cest--dire un processus
continu tel que W et W
2
t
t sont des G-martingales). Soit H une ltration plus petite que G.
Montrer que le processus M
t
= E(W
t
|H
t
) est une martingale. (on prcisera par rapport quelle
ltration). Soit X
t
= W
t
+
t
0
Y
u
du o Y est un processus G-adapt. On note F
X
la ltration de
X et

Y
u
= E(Y
u
|F
X
u
). Vrier que Z
t
= (X
t
t
0
Y
u
du, t 0) est une F
X
-martingale (on calculera
lesprance conditionnelle de Z
t
par rapport F
X
s
.
Exercice 2.6.10 Soit X un mouvement Brownien de drift (cest--dire X
t
= t + B
t
)et M
X
t
=
sup
{st}
X
t
. Montrer que
E(M
X
T
|F
t
) = M
X
t
+

M
X
t
X
t
(1 F(T t, u)du
o F(T t, u) = P(M
X
Tt
u)
2.7 Finance
Exercice 2.7.1 Formule de Black et Scholes. Calculer E(e
at
(S
t
K)
+
) quand
S
t
= xe
bt
exp(B
t

2
2
t)
Ecrire la formule obtenue quand a = b = r et quand a = r, b = r . Calculer E(e
rt
(S
t
K)
+
|F
s
)
pour s < t.
Exercice 2.7.2 Options reset Une option reset est caractrise par une suite de dates t
1
, t
2
, . . . , t
n
.
Le payo de cette option est
A =
i
(S
T
S
t
i
)
+
11
S
t
i
=inf{K,S
t
1
,S
t
2
,...,S
t
n
}
+ (S
T
K)
+
11
K=inf{K,S
t
1
,S
t
2
,...,S
t
n
}
Calculer le prix dune telle option, cest--dire calculer E(e
rT
A) quand
S
t
= xe
rt
exp(B
t

2
2
t)
.
Exercice 2.7.3 Parmi les processus suivants, quels sont ceux qui sont un MB
1. X
t
= 2(W
1+t/4
W
1
)
2. Y
t
= W
2t
W
t
3. Z
t
=
t
0
f(s)dW
s
pour f(s) = signe[ sin(s)], soit f(s) = 1 si sin(s) 0 et f(s) = 1 si sin(s) < 0
4. (1 +t)U
t/(t+1)
avec U
s
= W
s
sW
1
, pour s [0, 1].
5. Soit X et Y deux processus continus, un nombre rel et
U
t
= sin()X
t
+ cos()Y
t
V
t
= cos()X
t
sin()Y
t
Montrer que U et V sont des MB indpendants si et seulement si X et Y sont des MB
indpendants.
6. X
t
= 2W
t/4
7. Y
t
= W
t+1
W
1
8. Z
t
= W
t+1
W
t
2.8 Problme
2.8.1 Partie I : Rsultats prliminaires
Soit (B
t
)
t0
un mouvement Brownien standard sur un espace de probabilit (, F, P). On note
(F
t
)
t0
la ltration naturelle de B.
Etant donn un processus continu (X
t
)
t0
valeurs relles, on pose pour t > 0 ,
M
X
t
= sup
st
X
s
,
m
X
t
= inf
st
X
s
.
Si a est un nombre rel strictement positif, on dnit galement
T
X
a
= inf{t 0; X
t
= a},

T
X
a
= inf{t 0; |X
t
| = a} .
Il est connu que T
B
a
est un temps darrt relativement (F
t
)
t0
, ni p.s. , tel que E(T
B
a
) = et
pour 0 ,
E
_
exp(T
B
a
)
= exp
_
a
2
_
.
1. En inversant la transforme de Laplace de T
B
a
, montrer que la densit de la loi de T
B
a
est
donne par
a
2t
3
exp
_
a
2
2t
_
1
(t>0)
.
2. Dmontrer que pour 0 ,
E
_
exp(
T
B
a
)
_
=
_
cosh
_
a
2
__
1
.
3. Prouver que

T
B
a
est intgrable et calculer E(
T
B
a
) .
4. Soient c et d deux nombres rels strictement positifs et posons T
B
= T
B
c
T
B
d
. Montrer que
pour R,
E
_
exp
_
2
2
T
B
1
(T
B
=T
B
c
)
__
=
sinh(d)
sinh((c +d))
,
E
_
exp
_
2
2
T
B
__
=
cosh((c d)/2)
cosh((c +d)/2)
.
26 Brownien. Enoncs
5. En utilisant la proprit de Markov forte, dmontrer que si c 0 , b c ,
P[B
t
c , M
B
t
> c] = P[B
t
> 2c b].
6. En-dduire que pour chaque t > 0 , les variables alatoires M
B
t
et |B
t
| ont la mme loi.
7. Vrier que pour chaque t > 0 , la densit de la loi du couple (B
t
, M
B
t
) est donne par
2(2c b)
2t
3
exp
_
(2c b)
2
2t
_
1
{0c}
1
{bc}
.
8. Retrouver alors la densit de la loi de T
B
a
explicite au 1. .
2.8.2 Partie II
On considre le processus (Y
t
)
t0
dni par : t 0 , Y
t
= t +B
t
, o R.
1. Montrer quil existe une mesure de probabilit P
sous laquelle (Y
t
)
t0
est un mouvement
Brownien standard.
2. En utilisant le rsultat de la question I.7. , en-dduire que pour chaque t > 0 , la densit de la
loi du couple (Y
t
, M
Y
t
) est donne par
2(2c b)
2t
3
exp
_
(2c b)
2
2t
_
. exp
_
b
1
2
2
t
_
1
{0c}
1
{bc}
.
2.8.3 Partie III
Soit (S
t
)
t0
le processus tel que : t 0 , S
t
= x exp
_
(r
1
2
2
)t +B
t
, o x, r et sont des
nombres rels strictement positifs. Dans la suite, on dsignera par N la fonction de rpartition de
la loi normale centrale rduite.
1. Expliciter la probabilit P
qui fait de (

B
t
)
t0
un mouvement Brownien standard, avec

B
t
=
t +B
t
et =
r

2
.
2. Trouver une relation entre M
S
t
et M

B
t
et entre m
S
t
et m
B
t
pour chaque t > 0.
Dans ce qui suit, H et K dsigne des nombres rels strictements positifs.
3. Montrer que
P
_
S
t
K , M
S
t
H
= N(d
1
)
_
H
x
_
(2r/
2
)1
N(d
2
) ,
avec
d
1
=
_
log
_
K
x
_
_
r
1
2
2
_
t
_
/
t ,
d
2
=
_
log
_
Kx
H
2
_
_
r
1
2
2
_
t
_
/
t .
4. Montrer que
P
_
S
t
K , m
S
t
H
= N(d
3
)
_
H
x
_
(2r/
2
)1
N(d
4
) ,
avec
d
3
=
_
log
_
x
K
_
+
_
r
1
2
2
_
t
_
/
t ,
d
4
=
_
log
_
H
2
xK
_
+
_
r
1
2
2
_
t
_
/
t .
5. Dduire de la question 3. que (E dsignant lesprance sous P)
E
_
S
t
1
{S
t
K,M
S
t
H}
_
= xe
rt
_
N(d
5
)
_
H
x
_
(2r/
2
)+1
N(d
6
)
_
,
avec
d
5
=
_
log
_
K
x
_
_
r +
1
2
2
_
t
_
/
t ,
d
6
=
_
log
_
Kx
H
2
_
_
r +
1
2
2
_
t
_
/
t .
6. En utilisant le rsultat de la question 4., vrier que
E
_
S
t
1
{S
t
K,m
S
t
H}
_
= xe
rt
_
N(d
7
)
_
H
x
_
(2r/
2
)+1
N(d
8
)
_
,
avec
d
7
=
_
log
_
x
K
_
+
_
r +
1
2
2
_
t
_
/
t ,
d
8
=
_
log
_
H
2
Kx
_
+
_
r +
1
2
2
_
t
_
/
t .
7. On pose v
1
(x, T) = E
_
e
rT
(S
T
K)
+
1
{m
S
T
H}
_
.
Montrer que
v
1
(x, T) = x
_
N(d
7
)
_
H
x
_
(2r/
2
)+1
N(d
8
)
_
e
rT
K
_
N(d
3
)
_
H
x
_
(2r/
2
)1
N(d
4
)
_
.
Dterminer la quantit

x
v
1
(x, T t) .
8. On pose v
2
(x, T) = E
_
e
rT
(S
T
K)
+
1
{M
S
T
H}
_
. Donner une formule explicite pour v
2
(x, T)
et

x
v
2
(x, T t) .
9. On pose
v
3
(x, T) = E
_
e
rT
(S
T
K)
+
1
{M
S
T
H}
_
,
v
4
(x, T) = E
_
e
rT
(S
T
K)
+
1
{m
S
T
H}
_
,
v(x, T) = E
_
e
rT
(S
T
K)
+
.
Donner une relation entre v
2
(x, T) ,v
3
(x, T) et v(x, T) dune part et entre v
1
(x, T) ,v
4
(x, T) et
v(x, T) dautre part.
28 It. Enoncs
Chapter 3
Intgrale dIt
Dans tout ce chapitre, B est un mouvement Brownien dont la ltration est note F.
On considre un processus , F-adapt continu gauche, et admettant des limites droite, tel que
2
t
dt < , a.s
on montre quil existe des processus
n
de la forme
n
t
=
i,n
11
]t
i
,t
i+1
avec
i,n
L
2
() et F
t
i
-
mesurables, convergeant vers dans L
2
( R
+
) (au sens o
n
2
0 quand n . On
dnit

t
0

s
dB
s
, comme la limite de

k(n)
j=1
j,n
(B(t
j+1
) B(t
j
))
Le processus I()
t
=
t
0

s
dB
s
a les proprits suivantes. Si
E
_

0
2
t
dt
_
< , t
le processus I() est une martingale, dans les autres cas, cest une martingale locale.
Si
E
_

0
2
t
dt
_
< , t
le processus
(I()
t

2
t
dt, t 0)
est une martingale.
Intgrale de Wiener: Si f est une fonction dterministe, de carr intgrable sur tout intervalle
[0, t], le processus (I(f)
t
, t 0) est un processus gaussien.
Crochet: Le crochet dune martingale de carr intgrable continue M est lunique processus
croissant M tel que M
2
t
M
t
soit une martingale.
Le crochet de I() est par dnition I()
t
=
0

2
t
dt Si X et Y sont deux martingales continues
leur crochet X, Y est lunique processus variation borne tel que XY X, Y est une martin-
gale. Le crochet de deux intgrales stoichastiques est I(), I() =
t
0

s
s
ds Si X et Y sont deux
semi-martingales continues leur crochet est le crochet des parties martingales
Processus dIt: On appelle processus dIt un processus X admettant une dcomposition de
la forme
X
t
= x +
t
0
a
s
ds +
t
0
s
dB
s
29
30 It. Enoncs
o a et sont des processus F-adapts, vriant

t
0
|a
s
|ds < et

t
0

2
s
ds < .
Formule dintgration par parties: Soit X et Y deux processus dIt
dX
t
= a
t
dt +
t
dB
t
dY
t
= b
t
dt +
t
dB
t
relatifs au mme mouvement Brownien B, alors
d(XY )
t
= X
t
dY
t
+Y
t
dX
t
+dX, Y
t
Formule dIt: Si f est une fonction C
1,2
f(t, X
t
) = f(0, X
0
) +
t
0
A(s, X
s
)ds +
t
0
x
f(s, X
s
)dB
s
o
Af(t, x) =
t
f(t, x) +b(t, x)
x
f(t, x) +
1
2
xx
f(t, x)
Cette formule scrit aussi
df(t, X
t
) =
t
f(t, X
t
)dt +
x
f(t, X
t
)dX
t
+
1
2
xx
f(t, X
t
)dX
t
Les crochets se calculent formellement de la faon suivante dX, Y = dX

dY , avec la table de
multiplication suivante
dt dt = 0, dt dB
t
= 0, dB
t
dB
t
= dt
3.1 Intgrale de Wiener
Exercice 3.1.1 Soit Y
t
= tB
t
. Calculer dY
t
, lesprance de la v.a. Y
t
et la covariance E(Y
t
Y
s
).
Exercice 3.1.2 1. Montrer que la v.a. X
t
=
t
0
(sin s) dB
s
est dnie.
2. Montrer que X est un processus gaussien.
Calculer son esprance et sa covariance E(X
s
X
t
).
3. Calculer E[X
t
|F
s
].
4. Montrer que X
t
= (sin t)B
t

t
0
(cos s)B
s
ds.
Exercice 3.1.3 Montrer que (Y
t
= sin(B
t
) +
1
2
t
0
sin(B
s
) ds, t 0) est une martingale. Calculer
son esprance et sa variance.
Exercice 3.1.4 1. Montrer que le processus (Y
t
=
t
0
(tan s) dB
s
, 0 t <

2
) est dni.
2. Montrer que Y est un processus gaussien, calculer son esprance, sa covariance et lesprance
conditionnelle
E(Y
t
|F
s
).
3. Montrer que Y
t
= (tan t) B
t

t
0
B
s
cos
2
s
ds.
Exercice 3.1.5 Pont Brownien. On considre lquation direntielle stochastique
_
dX
t
=
X
t
t 1
dt +dB
t
; 0 t < 1
X
0
= 0
et lon admet lexistence dune solution.
1. Montrer que
X
t
= (1 t)
t
0
dB
s
1 s
; 0 t < 1 .
2. Montrer que (X
t
, t 0) est un processus gaussien. Calculer son esprance et sa covariance.
3. Montrer que lim
t1
X
t
= 0.
Exercice 3.1.6 Montrer que, si f est une fonction dterministe de carr intgrable
E(B
t

0
f(s) dB
s
) =
t
0
f(s) ds .
Exercice 3.1.7 Calculs de moments.
Soit t
1
< t
2
. Calculer A = E(
t
2
t
1
(B
t
B
t
1
) dt|F
t
1
). Montrer que
t
2
t
1
(B
t
B
t
1
) dt =
t
2
t
1
(t
2
t)dB
t
.
Utiliser cette galit pour calculer A dune autre manire. Calculer Var
_
t
2
t
1
(B
t
B
t
1
) dt|F
t
1
_
.
3.2 Formule dIt
Exercice 3.2.1 Ecrire les processus suivants comme des processus dIt en prcisant leur drift et
le coecient de diusion
1. X
t
= B
2
t
2. X
t
= t +e
B
t
3. X
t
= B
3
t
3tB
t
4. X
t
= 1 + 2t +e
B
t
5. X
t
= [B
1
(t)]
2
+ [B
2
(t)]
2
6. X
t
= (B
t
+t) exp(B
t

1
2
t)
7. X
t
= exp(t/2) sin(B
t
)
Exercice 3.2.2 Intgration par parties. Soit X
t
= exp
_
t
0
a(s)ds
_
et
Y
t
= Y
0
+
t
0
_
b(s) exp
_
s
0
a(u)du
__
dB
s
o a et b sont des fonctions borleiines intgrables. On pose Z
t
:= X
t
Y
t
. Montrer que dZ
t
=
a(t)Z
t
dt +b(t)dB
t
.
32 It. Enoncs
Exercice 3.2.3 Intgration par parties. Soit Y
t
= tX
1
(t)X
2
(t) avec
dX
1
(t) = f(t) dt +
1
(t)dB
t
dX
2
(t) =
2
(t)dB
t
Calculer dY
t
.
Exercice 3.2.4 Equation direntielle. On admet que le systme suivant admet une solution
_
_
X
t
= x +
t
0
Y
s
dB
s
Y
t
= y
t
0
X
s
dB
s
Montrer que X
2
t
+Y
2
t
= (x
2
+y
2
)e
t
.
Exercice 3.2.5 Formule dIt. Soit Y
t
=
t
0
e
s
dB
s
et Z
t
=
t
0
Y
s
dB
s
.
1. Ecrire lEDS vrie par Z
t
.
2. Calculer E(Z
t
), E(Z
2
t
) et E(Z
t
Z
s
).
Exercice 3.2.6 On suppose que X est un processus dIt de drift a(K
t
X
t
), que X
t
= f(K
t
) et
que K
t
= bt +B
t
o a, b, sont des constantes et B un mouvement brownien. Quelle est la forme
de f ?
Exercice 3.2.7 Exponentielle. Soit un processus adapt continu de L
2
( R) et
X
t
=
t
0
s
dB
s

1
2
t
0
2
s
ds .
On pose Y
t
:= exp X
t
et Z
t
= Y
1
t
.
1. Expliciter la dynamique de Y , cest--dire exprimer dY
t
.
2. Montrer que Y est une martingale locale. Donner une condition sur pour que ce soit une
martingale.
3. Calculer E(Y
t
) dans ce cas. Expliciter les calculs quand = 1.
4. Calculer dZ
t
.
Exercice 3.2.8 Soit (a, b, c, z) des constantes et
Z
t
= e
(ac
2
/2)t+cB
t
_
z +b
t
0
e
(ac
2
/2)scB
s
ds
_
Quelle est lEDS vrie par Z?
Exercice 3.2.9 On considre le processus de dynamique
dS
t
= S
t
((r q +h
t
)dt +dB
t
)
o (h
t
, t 0) est un processus adapt.
1. On se place dans le cas h
t
= 0, t. Montrer que (M
t
= S
t
e
(rq)t
, t 0) est une martingale
positive. On dnit une probabilit Q par dQ|
F
t
=
M
t
M
0
dP|
F
t
. Comment se transforme le MB
B?
2. Dans le cas h non nul, expliciter S
t
.
3. On suppose que h
t
= h(S
t
) o h est une fonction continue. On admet quil existe une solution
de lEDS correspondante. Montrer que
e
rT
E(e
T
0
h(S
s
)ds
(S
T
)) = e
qT
S
0
E
Q
(S
1
T
(S
T
))
4. On se place maintenant dans le cas h
t
= S
p
t
, avec p rel. On admet quil existe une solution
de lEDS. On pose Z
t
= S
p
t
.
(a) Quelle est la dynamique de Z?
(b) Vrier, en utilisant lexercice 4 que lon peut expliciter Z.
(c) Pour quelles fonctions f, le processus f(Z) est il une martingale (locale)?
Exercice 3.2.10 Processus dOrnstein Uhlenbeck. Soit X tel que dX
t
= (a bX
t
)dt +dB
t
1. Montrer que Z
t
= exp
_
c
t
0
X
s
dB
s

c
2
2
t
0
X
2
s
ds
_
est une martingale locale.
2. Soit U
t
= X
2
t
. Ecrire dU
t
puis la variable U
t
comme une somme dintgrales.
3. Montrer que
t
0
X
s
dB
s
=
1
2
(X
2
t
X
2
0
t) a
t
0
X
s
ds +b
t
0
X
2
s
ds .
Exercice 3.2.11 Soit Z le processus dni par
Z
t
=
1
1 t
exp
_
B
2
t
2(1 t)
_
.
1. Montrer que Z est une martingale et que Z
t
tend vers 0 quand t tend vers 1..
2. Calculer E(Z
t
).
3. Ecrire Z
t
sous la forme
Z
t
= exp (
t
0
s
dB
s

1
2
t
0
2
s
ds)
o est un processus que lon prcisera.
Exercice 3.2.12 Moments dune exponentielle stochastique. Soit L le processus solution de
dL
t
= L
t
dB
t
, L
0
= 1
o est une constante. Le processus L est lexponentielle de Dolans-Dade de B et se note
L
t
= E(B)
t
.
1. Dterminer la fonction telle que, pour a R, le processus (L
t
)
a
exp((a)t) est une mar-
tingale.
2. En dduire le calcul de E[(L
t
)
a
] pour tout a R.
Exercice 3.2.13 Dmonstration de lunicit de lcriture dun processus dIt.
Soit dX
t
= a
t
dt +
t
dB
t
. On souhaite dmontrer que si X 0, alors a 0, 0.
34 It. Enoncs
1. Appliquer la formule dIt Y
t
= exp(X
2
t
).
2. En dduire le rsultat souhait.
Exercice 3.2.14 Soit V = KX avec
dX
t
= X
t
( k s ln X
t
)dt +X
t
dB
t
dK
t
= K
t
(r +k)dt
Calculer dV
t
et d ln X
t
.
Exercice 3.2.15 Montrer que
M
t
= exp
_
t
0
B
2
s
ds
_
exp
_
B
2
t
2
tanh(T t)
_
1
(cosh(T t))
1/2
Exercice 3.2.16 Soit A
t
=
t
0
exp(B
s
+ s)ds et dS
t
= S
t
(rdt + dB
t
). Montrer que le proces-
sus f(t, S
t
, A
t
) est une martingale si f vrie une quation aux drives partielles coecients
dterministes que lon prcisera.
Exercice 3.2.17 Soit dX
t
= dB
t
+
1
X
t
dt. Montrer que
1
X
t
est une martingale (locale). Quelles
sont les fonctions f telles que f(t, X
t
) soit une martingale locale?.
Exercice 3.2.18 Soit B et W deux browniens corrls et
dr
t
= [a(b r
t
) r
t
]dt +
r
t
dW
t
dV
t
= (r
t
)V
t
dt +
V
V
t
dB
t
On pose X
t
=

r
t
et Y
t
= ln V
t
X
t
avec = 2
V
/. Calculer dX et dY .
Exercice 3.2.19 Soit T x et B(t, T) = exp
_
T
t
f(t, u)du
_
avec
df(t, T) = (t, T)dt +(t, T)dB
t
, t < T
Montrer que
dB(t, T) = (r
t
(t, T) +
1
2
(t, T))B(t, T)dt (t, T)B(t, T)dB
t
o on a not (t, T) =
T
t
(u, T)du
Exercice 3.2.20 Soit
dr
t
= (a br
t
)dt
r
t
(dB
t
+dt)
et W un mouvement Brownien indpendant de B. Soit
1
une constante et H le processus
H
t
= exp
_
t
0
r
s
ds +
1
2
t
0
(
2
1
+r
s
)ds +
t
0
1
dW
s
+
t
0
r
s
dB
s
_
Montrer que le calcul de E(exp(H
T
)|F
t
) se rduit celui de E(exp(r
T

T
t
r
s
ds)|F
t
).
Exercice 3.2.21 Fonction dchelle. Soit X un processus dIt. Une fonction s est une fonction
dechelle si s(X) est une martingale locale. Dterminer les fonctions dchelle des processus suivants:
1. B
t
+t
2. X
t
= exp(B
t
+t)
3. X
t
= x+
t
0
b(X
s
)ds +
t
0
(X
s
)ds. Identier le processus croissant A tel que s(X
t
) =
A
t
o
est un MB.
Exercice 3.2.22 Soit
d
t
= (1 r
t
)dt +
t
dB
t
Soit u une solution de
2
2
x
2
u
(x) + (1 rx)u
(x) u(x) = 0
On dnit x
comme solution de x
(x
) = u(x
) et v(x) =
x
u(x
)
u(x). On admettra que v
(x) 0.
Soit enn V dnie par
_
V (x) = v(x), 0 x x
= x, x > x
Montrer que 1 (r +)x
0.
Ecrire la formule dIt pour e
t
V (
t
). Il apparait un terme LV (x) V (x) avec
LV (x) = (1 rx)V
(x) +

2
2
x
2
V
(x)
Montrer que sur x > x
on a LV (x) V (x) 0 et que sur x x
, on a LV (x) V (x) = 0
En dduire que
V (
0
)

E(e
T
V (
T
))
(en admettant que lintgrale stochastique est une martingale).
Exercice 3.2.23 Reprendre lexercice 2.6.8 en utilisant la formule dIt.
Exercice 3.2.24 Pont Brownien Calculer P(sup
0st
B
s
y, B
t
dx). En dduire que, pour
un pont brownien b, issu de x l instant 0, qui doit se trouver en z, z > 0 linstant t, on a pour
y > z
P( sup
0st
b
s
y) = exp
_
(z +x 2y)
2
2t
+
(z x)
2
2t
_
.
Quelle est la valeur de P(sup
0st
b
s
y) pour y < z?
Exercice 3.2.25 Formule de Clark-Ocone Soit f une fonction borne de classe C
1
. Justier
rapidement quil existe une fonction telle que, pour t 1
E(f(B
1
)|F
t
) = (t, B
t
) .
Expliciter (t, x) sous la forme dune esprance (non conditionnelle). Ecrire la formule dIt pour
en faisant les simplications qui simposent. Montrer que
(t, B
t
) = E(f(B
1
)) +
t
0
E(f
(B
1
)|F
s
)dB
s
.
36 It. Enoncs
3.3 Cas multidimensionnel
Exercice 3.3.1 On considre deux processus S
1
et S
2
dnis par
dS
i
(t) = S
i
(t)(rdt +
i
dB
i
t
), i = 1, 2 (3.1)
o B
1
et B
2
sont deux Browniens indpendants et o les coecients r,
i
sont constants.
1. On pose S
3
(t)
def
=
S
1
(t)+S
2
(t)
2
. Ecrire lquation direntielle stochastique vrie par S
3
.
2. Soit S
4
(t)
def
=
S
1
(t)S
2
(t). Ecrire lquation direntielle stochastique vrie par S
4
.
Exercice 3.3.2 Formule dIt multidimensionnelle. Soient (B
1
(t), t 0) et (B
2
(t), t 0)
deux mouvements Browniens indpendants. Soit (L
i
(t), i = 1, 2 , t 0)) les processus dnis par
dL
i
(t) =
i
(t)L
i
(t)dB
i
(t) , L
i
(0) = 1
o (
i
(t), i = 1, 2) sont des processus adapts continus borns. Soit Z
t
= L
1
(t)L
2
(t). Ecrire dZ
t
.
Montrer que L
1
(t)L
2
(t) est une martingale.
Exercice 3.3.3 Soit (B
1
(t), t 0) et (B
2
(t), t 0) deux mouvements Browniens indpendants et
une constante telle que || 1.
1. Montrer que le processus (W
t
, t 0) dni par W
t
= B
1
(t)+
1
2
B
2
(t) est un mouvement
Brownien.
2. Soit (
i
(t), t 0; i = 1, 2) deux processus continus adapts de carr intgrable (tels que
T 0, E(
T
0

2
i
(t) dt) < ).
(a) On dnit (Z
t
, t 0) par dZ
t
=
1
(t)dB
1
(t) +
2
(t)dB
2
(t) et Z
0
= z. Montrer que Z est
une martingale.
(b) Soit (t) =
2
1
(t) +
2
2
(t). On suppose que (t) > 0. On dnit (Y
t
, t 0) par
dY
t
=

1
(t)
(t)
dB
1
(t) +

2
(t)
(t)
dB
2
(t) , Y
0
= y .
Ecrire lquation vrie par Y
2
t
.
Montrer que (Y
t
, t 0) est un mouvement Brownien.
3. On dnit R
t
= B
2
1
(t) + B
2
2
(t). Ecrire lquation direntielle vrie par R et celle vrie
par U
t
=
R
t
. On montrera que
dU
t
=
a
U
t
dt +bdB
3
(t)
o a et b sont des constantes et B
3
un mouvement Brownien.
Exercice 3.3.4 Soit dS
(i)
t
= S
(i)
t
(
(i)
t
dt +
(i)
t
dB
(i)
t
) o B
(i)
, i = 1, 2 sont deux MB corrls. Dter-
miner k
i
, i = 1, 2 pour que e
rt
(S
(1)
t
)
k
1
(S
(2)
t
)
k
2
3.4 Complments
Exercice 3.4.1 Formule de Tanaka. Soit f une fonction et F dnie par
F(x) =
dz
f(y) dy
Vrier que
F(x) =
(x y)
+
f(y)dy
et que F
(x) =
f(y) dy =
f(y) 11
x>y
dy.
Montrer, en appliquant la formule dIt F que
t
0
f(B
s
)ds = 2
f(y)
_
(B
t
y)
+
(B
0
y)
+
t
0
11
B
s
>y
dB
s
_
dy .
Exercice 3.4.2 Egalit de Bougerol. Soit B
1
et B
2
deux mouvements browniens indpendants.
1. Appliquez la formule dIt aux processus
X
t
def
= exp(B
1
(t))
t
0
exp(B
1
(s)) dB
2
(s), Z
t
def
= sinh B
1
(t)
2. Montrer que dZ
t
=
t
0
(Z
s
)dB
1
(s) +
t
0
(Z
s
)ds.
3. Vrier que M
t
def
= B
2
(t) +
t
0
X
s
dB
1
(s) est une martingale. Calculer E(M
2
t
). En admettant
que M
t
=
t
0
s
dB
3
(s), o B
3
est un mouvement brownien, identier .
4. En dduire une relation entre X
t
et Z
t
.
Exercice 3.4.3 Soit dr
t
= dt + 2
r
t
dB
t
et f(t, x) une fonction de C
1,2
b
.
1. Quelle condition doit vrier la fonction s pour que s(r
t
) soit une martingale ?
2. Quelle condition doit vrier la fonction f pour que f(t, r
t
) soit une martingale ?
3. Soit Z
t
= r
2
t
et
t
=

r
t
. Ecrire les EDS vries par Z
t
et par
t
.
4. Soit dr
1
t
=
1
dt + 2
r
t
dB
1
t
et dr
2
t
=
2
dt + 2
r
t
dB
2
t
deux processus, avec B
1
et B
2
deux
browniens indpendants. On admettra que r
1
et r
2
sont indpendants. On note R le processus
dni par R
t
= r
1
t
+r
2
t
. Montrer que R scrit sous la forme (4.1).
Exercice 3.4.4 Temps datteinte. Soit = T
a
= inf{t : B
t
= a}. On a calcul Z
t
= P( >
T|F
t
). Quelle est la dynamique du processus Z?.
Exercice 3.4.5 Exponentielle. Soit X et Y deux martingales de la forme dX
t
= H
t
dB
t
, dY
t
=
K
t
dB
t
. On note M
t
lunique solution de lquation dM
t
= M
t
dX
t
, M
0
= 1. Montrer que la solution
de dZ
t
= dY
t
+Z
t
dX
t
, Z
0
= z est
Z
t
= M
t
(z +
t
0
1
M
s
(dY
s
H
s
K
s
ds))
Quelle est la solution de dZ
t
= dY
t
+Z
t
dX
t
lorsque dX
t
= H
t
dB
1
t
, dY
t
= K
t
dB
2
t
o B
1
et B
2
sont
deux MB ventuellement corrls?
38 It. Enoncs
3.5 Brownien gomtrique et extensions.
Dans cette section, nous tudions le Brownien gomtrique, processus de dynamique
dS
t
= S
t
(b dt + dB
t
), S
0
= x (3.2)
o b et sont des constantes.
Exercice 3.5.1 Existence et unicit de la solution de 3.2)
1. Soit

S
t
= e
bt
S
t
. Vrier par
d
S
t
=

S
t
dB
t
. (3.3)
En dduire que

S est una martingale. Vrier que

Y
t
= xe
B
t
1
2
2
t
est solution de (3.3) puis
que Y
t
= xe
bt
e
B
t
1
2
2
t
est solution de (3.3)
2. Soit S une autre solution de (3.3). Quelle est lEDS vrie par S/Y . Rsoudre cette quation
et en dduire (3.3) admet une unique solution.
3. Calculer E(S
t
) et la valeur de E(S
t
|F
s
) pour tous les couples (t, s).
4. Montrer que S
T
= S
0
exp[(b
1
2
2
)T+B
T
], puis que S
T
= S
t
exp[(b
1
2
2
)(Tt)+(B
T
B
t
)].
5. Ecrire lquation direntielle vrie par (S
t
)
1
.
Exercice 3.5.2 Changement de probabilit.
1. Soit dL
t
= L
t
t
dB
t
o
t
est un processus adapt continu de L
2
(R) . On pose Y
t
= S
t
L
t
.
Calculer dY
t
.
2. Soit r une constante et
t
dni par
d
t
=
t
(r dt +
t
dB
t
)
Montrer que
t
= L
t
exp(rt). calculer d
1
t
.
3. Calculer d(S
t
t
). Comment choisir pour que S soit une martingale ? La probailit obtenue
est telle que le processus S actualis par le taux sans risque r (soit
t
e
rt
est une martingale.
Cette (unique=) probabilit est la probbilt risque neutre (ou le mesure martingsle quivalente)
Exercice 3.5.3 Soit A
t
=
1
t
t
0
ln S
s
ds.
1. Montrer que ln S
s
= ln S
t
+ (b

2
2
)(s t) +(B
s
B
t
) pour s t.
2. Montrer que A
t
est une variable gaussienne.
3. Soit G(t, T) =
1
T
T
t
(B
s
B
t
) ds. Montrer que
A
T
=
t
T
A
t
+ (1
t
T
)[ln S
t
+
1
2
(b

2
2
)(T t)] +G(t, T)
4. Montrer que G(t, T) est une variable gaussienne indpendante de F
t
, dont on calculera lesprance
conditionnelle et la variance conditionnelle (par rapport F
t
).
5. En dduire que A
T
= Z
t
+U o Z
t
est F
t
mesurable et U une variable gaussienne indpendante
de F
t
. Montrer que (t)e
Z
t
= E(e
A
T
|F
t
),o lon prcisera la valeur de .
Exercice 3.5.4 Soit V
T
=
1
h
T
Th
S
u
du o h est un nombre rel donn tel que 0 < h < T. Soit X
le processus dni par
e
bt
X
t
= E[e
bT
V
T
|F
t
] .
1. Quelle est la valeur de X
T
?
2. Exprimer X
t
en fonction de S
t
pour t T h.
3. Exprimer X
t
en fonction de S
t
et de (S
u
, T h u t) pour T h t T.
4. Montrer que dX
t
= X
t
bdt+S
t
t
dB
t
avec
t
= 11
{t<Th}
1 e
bh
bh
+11
{Th<t<T}
1 e
b(Tt)
bh
.
Exercice 3.5.5 Soit Y
t
= S
a
t
avec a 2. Quelle est lEDS satisfaite par Y ? Calculer E(Y
t
).
Exercice 3.5.6 Soit une fonction borlienne borne et
dS
t
= S
t
((r (t))dt +dB
t
), S
0
= x.
Les questions qui suivent peuvent tre traites dans un ordre dirent.
1. Montrer que e
rt
S
t
+
t
0
(s)e
rs
S
s
ds est une martingale locale.
2. Ecrire explicitement la solution S en fonction de S
0
, r, , et B.
3. Calculer esprance et variance de S.
4. Calculer avec le minimum de calculs (on peut utiliser des rsultats connus), E((S
T
K)
+
)
dans le cas constant.
3.6 Le crochet
Soit M une martingale continue de carr intgrable. On admet quil existe un processus croissant
A tel que M
2
t
A
t
est une martingale. On note A
t
= M, M
t
= M
t
ce processus que lon appelle
le crochet de M.
Exercice 3.6.1 Calcul de crochets.
1. Calculer M pour M = B.
2. Calculer M pour M
t
=
t
0
s
dB
s
Exercice 3.6.2 Crochet de martingales. Soit M et N deux martingales. On pose, par analogie
avec 2ab = (a +b)
2
a
2
b
2
2M, N = M +N, M +N M, M N, N
Montrer que MN M, N est une martingale.
Exercice 3.6.3 Utilisation de crochets. Ecrire la formule dIt en utilisant le crochet.
40 It. Enoncs
3.7 Finance
Nous considrons un march nancier comportant un actif sans risque de dynamique
dS
0
t
= S
0
t
r
t
dt
o r est un processus F-adapt (trs souvent, une fonction dterministe ou une constante) et des
actifs risqus dont les prix sont donns par des processus dIt, sous une probabilit P dite historique.
Si S est un prix, la quantit S(S
0
)
1
est le prix actualis. Une mesure martingale quivalente est une
mesure de probabilit Q, quivalente la probabilit historique P telle que les prix actualiss sont
des martingales (locales). Un march est sans arbitrage sil existe au moins une mesure martingale
quivalente, complet si cette mme est unique. Dans le cas dun march complet sans arbitrage le
prix dun actif contigent H (une variable alatoire) est
V
t
= E
Q
(HS
0
t
/S
0
T
|F
t
)
Un portefeuille est un couple (, ) de processus adapts et la valeur du portefeuille est le
processus (V
t
, t 0)
V
t
=
t
S
0
t
+
t
S
t
.
Le portefeuille est dit autonanant si
dV
t
=
t
dS
0
t
+
t
dS
t
.
Voir Poncet et Portait pour de plus amples explications.
Exercice 3.7.1
On considre un march nancier o deux actifs sont ngocis: un actif sans risque, de taux constant
r, un actif risqu dont le prix S suit la dynamique
dS
t
= S
t
((t)dt +(t)dB
t
)
les coecients et tant des fonctions dterministes.
1. Ecrire la valeur de S
t
en fonction de S
0
, des fonctions , , et du MB B.
2. Dterminer le(s) mesure(s) martingale(s) quivalente(s).
3. Justier que ce march est complet, sans arbitrage. On notera Q la mme.
4. Quelle est la dynamique de

S sous P et sous Q?
5. Calculer, pour tout couple (s, t) E
P
(S
t
|F
s
) et E
Q
(S
t
|F
s
).
6. On considre lactif contingent versant h(S
T
) la date T, o h est une fonction (dterministe).
(a) Quel est le prix de cet actif la date t? Montrer que ce prix peut tre obtenu sous forme
dune intgrale d
terministe.
(b) Ecrire lEDP dvaluation.
(c) Comment couvrir cet actif en utilisant lactif sans risque et lactif S? Expliquer en par-
ticulier comment dterminer le nombre de parts dactifs S et le montant de cash (on ne
demande pas de calcul explicite)
(d) Quels seraient les modications apporter si r est une fonction dterministe? un proces-
sus?
7. On se place dans le cas h(x) = x
2
. Expliciter le prix la date t et le portefeuille de couverture.
Mme question pour h(x) = ax +b o a et b sont des constantes.
Exercice 3.7.2 Portefeuille auto-nancant
1. Quelle serait la richesse dun agent qui dtiendrait chaque instant t, un nombre de parts
dactif risqu gal t, en utilisant une stratgie autonanante
2. Quelle serait la richesse terminale ( linstant T) dun agent de richesse initiale x qui souhaite
avoir un montant de cash gal (T t)x chaque instant t en utilisant une stratgie auto-
nanante (on donnera le rsultat sous forme dun intgrale stochastique dont tous les coecients
sont explicites)
Exercice 3.7.3 Autonancement Cet exercice important montre que la dnition de lautonancement
est invariante par changement de nbumraire. Question prliminaire: Soit X et Y deux processus
dIt continus (on ne prcisera pas leur dynamique, cest inutile pour ce qui suit). Rappeler la
formule dintgration par parties pour d(XY ). En dduire que
X
t
d(
1
X
t
) +
1
X
t
dX
t
+dX,
1
X
t
= 0 .
On considre un march comportant deux actifs dont les prix sont des processus dIt S
1
et S
2
tels
que S
1
est strictement positif. Un portefeuille de valeur V
t
=
1
t
S
1
t
+
2
t
S
2
t
est autonancant si
dV
t
=
1
t
dS
1
t
+
2
t
dS
2
t
.
On choisit comme numraire le premier actif et on note

V
t
= V
t
/S
1
t
,

S
2
t
= S
2
t
/S
1
t
, do
V
t
= V
t
/S
1
t
=
1
t
+
2
t

S
2
t
.
Le but de cet exercice est de montrer que la notion dautonancement ne dpend pas du choix de
numraire, cest--dire que
dV
t
=
1
t
dS
1
t
+
2
t
dS
2
t
(3.4)
implique
d
V
t
=
2
t
d
S
2
t
. (3.5)
1. Calculer dV,
1
S
(1)
t
en fonction de dS
(1)
,
1
S
(1)
t
et dS
(2)
,
1
S
(1)
t
2. Montrer que dV
1
t
=
2
t
_
S
(2)
t
d
1
S
(1)
t
+
1
S
(1)
t
dS
(2)
t
+dS
(2)
,
1
S
(1)
t
_
3. Montrer que dV
1
t
=
2
t
d
_
S
(2)
t
S
(1)
t
_
.
Exercice 3.7.4 Dans un march incomplet, il existe des actifs contingents duplicables. En partic-
ulier, montrer que
T
0
(aS
s
+b)ds est duplicable lorsque S est un processus dIt.
Exercice 3.7.5 Equation dvaluation. Soit dS
t
= rS
t
dt+S
t
(t, S
t
)dB
t
, o r est une constante.
1. Montrer que E((S
T
)|F
t
) est une martingale pour toute fonction borlienne borne.
2. Justier que E((S
T
)|F
t
) = E((S
T
)|S
t
)
3. Soit (t, x) la fonction dnie par (t, S
t
) = E((S
T
)|S
t
). Ecrire dZ
t
avec Z
t
= (t, S
t
).
42 It. Enoncs
4. En utilisant que (t, S
t
) est une martingale, et en admettant que est C
1,2
, montrer que pour
tout t > 0 et tout x > 0:
t
(t, x) +rx
x
(t, x) +
1
2
2
(t, x)x
2
x
2
(t, x) = 0 .
Quelle est la valeur de (T, x)?
Exercice 3.7.6 Options Europennes et Amricaines. On rappelle lingalit de Jensen : si
est une fonction convexe et G une tribu, E((X)|G) (E(X|G)).
On admettra que si est un temps darrt born par T et Z une sous-martingale, E(Z
T
) E(Z
).
On note dS
t
= S
t
(rdt +
t
dB
t
) le prix dun actif o est un processus adapt born. Soit C =
E(e
rT
(S
T
K)
+
) le prix dun call Europen et C
Am
= sup
E(e
r
(S
K)
+
) le prix dun
call Amricain, le sup tant pris sur tous les temps darrt valeurs dans [0, T]. On note P =
E(e
rT
(Ke
rT
S
T
)
+
) et P
Am
= sup
E(e
r
(Ke
r
S
)
+
) les prix de puts strike actualiss.
1. Montrer que (e
rt
S
t
K)
+
est une sous-martingale.
2. Soit g une fonction convexe de classe C
2
telle que g(0) = 0. Montrer que
x, 1, g(x)
1
g(x)
En dduire que
E(e
ru
g(S
u
)|F
t
) E(e
rT
g(S
T
)|F
t
)
pour tout t < u T. Montrer que C = C
Am
.
3. Montrer que P = P
Am
.
Exercice 3.7.7 Volatilit stochastique Soit r un rel et (
t
, t 0) un processus alatoire (F
t
)
adapt tel que
1

t

2
o
1
et
2
sont des constantes.
1. On note V
1
la fonction V
1
(t, x) dnie par V
1
(t, x) = e
r(Tt)
E(h(X
T
)|X
t
= x) lorsque dX(t) =
X(t)(rdt +
1
dB
t
). Montrer que e
rt
V
1
(t, X
t
) est une martingale.
2. Ecrire l EDS vrie par le processus V
1
(t, X
t
). En dduire que la fonction V
1
satisfait une
EDP. Dans la suite, on suppose V
1
convexe en x.
3. Soit dS
1
(t) = S
1
(t)(rdt +
t
dB
t
). Ecrire la formule dIt pour e
rt
V
1
(t, S
t
). En dduire
e
rT
V
1
(t, S
T
) en fonction de e
rt
V
1
(t, S
t
), dune intgrale en dt dont on donnera le signe et
dune intgrale stochastique.
4. Montrer que e
rt
V
1
(t, S
t
) E(e
rT
h(S
T
)|F
t
) e
rt
V
2
(t, S
t
).
Exercice 3.7.8 Heath-Jarrow-Morton. Soit T x et (r
t
, 0 t T) une famille de proces-
sus (dpendant du paramtre T) que lon notera, comme dans toute la littrature sur les taux
(r(t, T), 0 t T) telle que, pour tout T x
dr(t, T) = (t, T)(t, T)dt +(t, T)dB
t
o

T
(t, T) = (t, T) .
1. On pose X
t
=
T+a
T
r(t, u)du. Montrer que lon peut crire
X
t
= X
0
+
t
0
s
ds +
t
0
s
dB
s
o on explicitera et .
2. En dduire la dynamique de Y
t
= exp X
t
.
Exercice 3.7.9 Portefeuille de march. On considre un march comportant un actif sans risque
de taux r et un actif risqu de dynamique
dS
t
= S
t
(
t
dt +
t
dB
t
) .
1. Montrer quun portefeuille autonanant est caractris par le couple (v, ) tel que
dV
t
= r
t
V
t
dt +
t
(dS
t
r
t
S
t
dt), V
0
= v .
On utilise trs souvent le processus H dni par
dH
t
= H
t
(r
t
dt +
t
dB
t
)
avec =

t
r
t
t
.
2. Montrer que M
t
= (H
t
)
1
est la valeur dun portefeuille autonanant dont on prcisera la
valeur de et de . Ce portefeuille est appell portefeuille de march .
Exercice 3.7.10 Dividendes. Soit
dS
t
= S
t
([r ]dt +dB
t
), S
0
= x (3.6)
1. Montrer que S
t
= S
0
exp(at +cB
t
) o on explicitera a, c. Montrer que
S
t
e
rt
= E(S
T
e
rT
+
T
t
S
s
e
rs
ds|F
t
)
,
.
2. Montrer quil existe tel que S
soit une Q-martingale.

3. On suppose que dY
t
= Y
t
(rdt + dB
t
), Y
0
= y. Soit une constante. Montrer que Y
vrie
une quation du type (3.6) o lon prcisera la valeur de et de .
4. Calculer E((S
T
K)
+
).
Exercice 3.7.11 Assurance de portefeuille.
1. Soit M une martingale telle que M
T
0. Montrer que M
t
0 pour t < T. Cette proprit
stend-elle au cas t > T? Si oui, donner une dmonstration, sinon, donner un contre exemple.
Soit un temps darrt born par T. On suppose que M
= 0. Montrer qualors M
s
= 0 pour
s [, T].
2. Soit V la valeur dun portefeuille autonanant dans un modle Black-Scholes. On rappelle
que d(R
t
V
t
) =
t
R
t
V
t
dB
t
avec R
t
= e
rt
. Montrer que si V
T
K alors V
t
e
r(Tt)
K.
Montrer que sil existe < T tel que V
= e
r(T)
K, alors V
t
= e
r(Tt)
K pour t [, T].
3. Un agent de richesse initiale x souhaite former un portefeuille tel que V
T
> K. Quelle condition
sur x cela implique til? Comment peut-il raliser cet objectif? (on donnera plusieurs solutions)
t
=
Y
t
T t
X
t
dB
t
et dY
t
= g
t
dB
t
+dt. On note C(T t, x, ) la fonction
de Black-Scholes. Donner une relation entre g, pour que C(T t, X
t
,
Y
t
T t
) soit une martingale.
44 Exemples. Enoncs
Exercice 3.7.13 Calcul de E(exp
T
0
r
s
ds|F
t
) avec r
t
= f(t) +

2
2
t +B
t
Exercice 3.7.14 On considre un march dans lequel sont ngocis trois actifs Un actif sans risque
dont la dynamique est dS
0
t
= S
0
t
rdt et DEUX actifs risqus
dS
i
t
= S
i
t
(
i
dt +dB
t
)
avec
1
=
2
et le mme mouvement Brownien uni-dimensionnel B. Les actifs contingents sont
choisis dans F
T
= (S
1
s
, S
2
s
, s T) = (B
s
, s T).
1. Montrer que le march est complet.
2. Montrer que la march admet des opportunits darbitrage.
3. Construire EXPLICITEMENT une telle opportunit darbitrage, cest--dire expliciter un
triplet (
0
,
1
,
2
) de processus adapts tels que le portefeuille associ soit autonancant et
V
0
= 0, V
T
> 0. On pourra se restreindre une OA statique, cest--dire telle que (
0
,
1
,
2
)
soient des constantes.
Exercice 3.7.15 On considre un modle Black et Scholes et on note Q lunique mme.
1. On note Y
t
=
t
0
S
u
du. Quel est le prix, la date t du payo Y
T
(vers en T)?
2. Expliciter la stratgie de couverture de Y
T
3. On considre le payo h(Y
T
, S
T
), vers en T, o h est une fonction borlienne (borne)
Montrer que le prix la date t de h(Y
T
, S
T
) scrit (t, Y
t
, S
t
) et montrer comment obtenir
(t, y, x) par un calcul desprance (non conditionnelle)
Quelle est lEDP satisfaite par ?
Dterminer la stratgie de couverture associe.
On considre c et deux processus adapts et X
,c
la solution de
dX
t
= rX
t
dt +
t
(dS
t
rS
t
dt) c
t
dt, X
0
= x
Montrer que (e
rt
X
t
+
t
0
e
rs
c
s
ds, t 0) est une Q-martingale.
Montrer que, pour t < T,
X
t
e
rt
= E
Q
(X
T
e
rT
+
T
t
e
rs
c
s
ds|F
t
)
X
t
e
rt
t
= E
P
(X
T
e
rT
T
+
T
t
s
e
rs
c
s
ds|F
t
)
Soit et deux processus adapts. On souhaite que les relations
t
=
t
X
t
et c
t
=
t
X
t
soient satisfaites. Quelle sera dans ce cas la solution X
,c
t
(lexpliciter en terme des processus
, , B)?.
On admet que le processus X reprsente la richesse dun agent nancier investissant sur
lactif risqu et consommant c
t
dt durant lintervalle de temps t, t + dt. Montrer, en utilisant
cette interprtation que pour obtenir une richesse terminale (en T) positive et avoir une con-
sommation positive, lagent doit avoir une richesse initiale positive et que sa richesse sera
positive chaque instant t.
Chapter 4
Exemples
4.1 Processus de Bessel
Exercice 4.1.1 Soit B
1
et B
2
deux mouvements Browniens indpendants et
Z
t
= B
2
1
(t) +B
2
2
(t) .
1. Ecrire lEDS vrie par Z.
2. On pose Y
t
=
Z
t
. Ecrire lEDS vrie par Y .
3. Ecrire lEDS vrie par 1/Y .
Exercice 4.1.2 Formule dIt On considre les processus de la forme
dr
t
= dt + 2
r
t
dB
t
(4.1)
On admet que r
t
0 presque partout (par rapport t et .)
1. Soit f(t, x) une fonction de C
1,2
b
. Quelle condition doit vrier la fonction f pour que f(t, r
t
)
soit une martingale ?
2. Soit Z
t
= r
2
t
et
t
=

r
t
. Ecrire les EDS vries par Z
t
et par
t
.
3. Soit dr
1
t
=
1
dt + 2
r
t
dB
1
t
et dr
2
t
=
2
dt + 2
r
t
dB
2
t
deux processus, avec B
1
et B
2
deux
browniens indpendants. On admettra que r
1
et r
2
sont indpendants. On note R le processus
dni par R
t
= r
1
t
+r
2
t
. Montrer que R scrit sous la forme (4.1).
Exercice 4.1.3 Processus de Bessel de dimension 3. Soit R le processus solution de
dR
t
=
1
R
t
dt +dW
t
, R
0
= 0 .
1. Montrer que Z
t
=
1
R
t
2. Montrer que (U
t
= exp(
2
t
2
)
sinh R
t
R
t
, t 0) est une martingale locale. On admetra que
cest une martingale.
45
46 Exemples. Enoncs
3. En dduire la valeur de E
_
exp(
2
T
m
2
)
_
o T
m
= inf{t : R
t
= m}, avec m > 0.
4. Soit f une fonction continue borne et a un nombre rel. Quelles conditions doit vrier la
fonction v pour que
v(R
t
) exp[at
t
0
f(R
s
)ds]
soit une martingale?
5. Supposons que v est explicite. Comment calculerez vous
E(exp[aT
m

T
m
0
f(R
s
) ds]) ?
Exercice 4.1.4 Processus de Bessel de dimension 2. Soit dR
t
= dW
t
+
1
2R
t
dt.
1. Montrer que Z = ln R est une martingale locale.
2. Soit un nombre rel positif. Montrer que L
t
= [R
t
]
exp(
2
2
t
0
ds
R
2
s
) est une martingale
locale.
Exercice 4.1.5 Processus de Bessel de dimension . Soit R le processus solution de dR
t
=
dB
t
+
1
2R
t
dt.
1. Pour quelles fonctions s le processus s(R
t
) est-il une martingale locale?
2. Quelle est la dynamique de Y
t
= R
2
t
?
3. Montrer que Z
t
def
= exp(
2
(Y
t
t)

2
2
t
0
Y
u
du) est une martingale.
4. Soit dQ = ZdP. Quelle est la dynamique de Y sous Q?
Exercice 4.1.6 Minimum dun Bessel
Quelle est la loi de inf
st
X
s
lorsque X est un processus de Bessel?
4.2 Processus de Bessel carr
Exercice 4.2.1 Soit , deux constantes et dX(t) =
1
2
X(t) dt +
1
2
dW(t). Soit Y
t
= X
t
e
t/2
.
Ecrire dY
t
.
1. En dduire la forme de la solution X(t).
2. On suppose que (W
1
, W
2
, . . . , W
n
) sont des Browniens indpendants et on note X
i
la solution
de dX
i
(t) =
1
2
X
i
(t) dt +
1
2
dW
i
(t). Soit r le processus dni par r(t) = X
2
1
(t)+ +X
2
n
(t).
3. Montrer que le processus B dni par B(0) = 0 et dB(t) =
n
i=1
X
i
(t)dW
i
(t)
r
t
est un mouvement
Brownien.
4. Montrer que dr
t
= (a br
t
) dt +
r
t
dB
t
Exercice 4.2.2 Processus de Bessel carr. Soit x 0 et R un processus tel que
dR
t
= dt + 2
|R
t
|dB
t
, R
0
= x (4.2)
On admettra que R existe et que R 0.
1. Soit Z
t
= (B
t
)
2
. Montrer que Z vrie une quation de la forme (4.2). Quelle est la valeur de
correspondante?
2. Soit B
1
un mouvement Brownien indpendant de B et Z
1
t
= (B
t
)
2
+ (B
1
t
)
2
. Montrer que Z
1
vrie une quation de la forme (4.2). Quelle est la valeur de correspondante? Gnralisation
la somme des carrs de n Browniens indpendants.
3. Soit
t
=
R
t
. Montrer que d
t
= b(t,
t
, )dt +dB
t
. On explicitera b.
4. Soit B
1
un mouvement Brownien indpendant de B. On note R
()
(x) le processus dni en
(4.2) et, pour y 0, le processus R
()
(y) solution de
dR
()
t
= dt + 2
R
t
()dB
1
t
, R
()
0
= y (4.3)
On notera simplement R
()
t
et R
()
t
ces deux processus. On supposera que les processus R
()
t
et R
()
t
ne sannulent pas et on admettra quils sont indpendants.
(a) Soit X
t
= R
()
t
+R
()
t
. Calculer dX
t
.
(b) Montrer que le processus Z dni ci-dessous est un mouvement Brownien
dZ
t
=
R
()
t
dB
t
+
R
()
t
dB
1
t
R
()
t
+R
()
t
(c) En dduire que X
t
= R
()
t
+R
()
t
vrie
dX
t
= dt + 2
X
t
dZ
t
On explicitera en fonction de et .
5. (a) On suppose que lon connat E(R
()
t
) = m() et Var(R
()
t
) = v() pour tout . Exprimer
E(X
t
) et Var(X
t
) en fonction de m et v.
(b) On admet que, si W est un brownien issu de

x (voir exo 2.1.11)
E(exp (W
t
)
2
) =
1
1 + 2t
exp(
x
1 + 2t
) (4.4)
Comment calculer E(exp [
(1)
t
]
2
), E(exp R
(1)
t
(x)) et E(exp R
(2)
t
(x)) ?.
On utilisera la question (d) et lindpendance de R
()
t
et R
()
t
.
6. Montrer que
E(exp R
()
t
(x)) = E(exp R
(1)
t
(x))
_
E(exp R
(1)
t
(0))
_
1
Calculer E(exp R
()
t
(x)).
48 Exemples. Enoncs
7. Comment dmontrer lindpendance de R
()
t
et R
()
t
?
Comment dmontrer (4.4) ?
Exercice 4.2.3 Processus de Bessel carr. Soit X un BESQ
()
(x).
1. Montrer que (
1
c
X
ct
, t 0) est un BESQ
()
(x/c).
2. Monter que, si F est un processus adapt
Z
t
= exp{
1
2
t
0
F
s
d(X
s
s)
1
2
t
0
F
2
s
X
s
ds}
3. Montrer que si F est dterministe, drivable
Z
t
= exp{
1
2
F(t)X
t
F(0)X
0

t
0
F(s)ds
1
2
t
0
F
2
s
X
s
ds +X
s
dF(s)}
4. Soit solution de
= b
2
, (0) = 1,
(1) = 0
Montrer que Z
t
= exp{
1
2
F(t)X
t
F(0)X
0
ln (t)
b
2
2
t
0
X
s
ds}. On admettra que Z est
une martingale.
5. En dduire que
Q
()
x
(exp
1
2
1
0
X
s
ds) = (cosh b)
/2
exp(xb tanh b)
Exercice 4.2.4 En utilisant que
sup
1t1
|W
t
|
loi
=
1
2
1
0
ds
R
(2)
s
o R
(2)
s
= B
s
+
1
2
s
0
du
R
(2)
u
montrer que Esup
1t1
(|W
t
|) =
/2.
Exercice 4.2.5 Application du thorme de Lamperti The following absolute continuity relation
between two BES processes (with 0)
P
()
x
=
_
R
t
x
_
exp
_
2
2
t
0
ds
R
2
s
_
P
(0)
x
where P
()
is the law of a BES with index . On utilisera
W
()
|F
t
= exp(W
t

2
2
t)W|F
t
et (R
t
; t 0)
loi
= xexp(B
C
t
+C
t
)
t
= 2
X
t
dW
t
+ (t)dt o est une fonction (continue borne). On veut
calculer
A = E
t,x
_
exp
_
1
2
T
t
X
u
m(u)du
_
f(X
T
)
_
1. On se place dans le cas f = 1, et on note la solution de
uu
(u, T) = m(u)(u, T) ;
u
(T, T) = 0
Montrer que
E
t,x
_
exp
_
1
2
T
t
X
u
m(u)du
__
= exp
_
u
(t, T)
2(t, T)
x
_
exp
_
1
2
T
t
u
(s, T)
(s, T)
(u)du
_
2. Montrer que le calcul de A se ramne au calcul de la solution dune EDP.
4.3 Autres processus.
Exercice 4.3.1 Processus dIngersoll. Soit a < z < b et Z le processus solution de
dZ
t
= (Z
t
a)(b Z
t
)dB
t
, Z
0
= z
On admet que pour tout t, le processus Z vrie a < Z
t
< b.
1. Calculer la dynamique de Z
1
.
2. soit
t
def
=
Z
t
a
b Z
t
. Calculer la dynamique de et celle de ln .
3. Soit X
t
= (bZ
t
)g(t,
t
). Donner une condition sur g pour que X soit une martingale. Sauriez
vous rsoudre lquation obtenue ?
4. Soit Y solution de
dY
t
= (Y
t
a)(b Y
t
)
2
dt + (Y
t
a)(b Y
t
)dB
t
Montrer quil existe une probabilit Q que lon dterminera telle que, sous Q Y ait mme loi
que Z sous P.
Exercice 4.3.2 Un processus stationnaire. Soit X vriant dX
t
= aX
t
dt+dB
t
, X
0
v.a. donne.
1. Explicitez X
t
.
2. Montrer que si X
0
est une v.a. gaussienne indpendante de B, le processus X est un processus
gaussien.
3. On suppose que X
0
est gaussienne, indpendante de B. Dterminer la loi de X
0
pour que la
loi de la v.a. X
t
ne dpende pas de t.
Exercice 4.3.3 Soit X solution de (on admet que X existe)
dX
t
= X
t
(1 X
t
) (( X
t
)dt +dB
t
) , X
0
= x
avec x ]0, 1[. Soit h
0
(x) =
_
1x
x
_
21
et h
1
(x) = 2
ln(1x)ln x
(21)
et = inf{t 0, S
t
[a, b]}, avec
0 < a < x < b < 1.
1. Montrer que h
0
(X
t
) et h
1
(X
t
) +t sont des martingales.
2. Montrer que P(X
= a) =
h
0
(x)h
0
(b)
h
0
(a)h
0
(b)
et calculer E().
50 Exemples. Enoncs
4.4 Des calculs
Exercice 4.4.1 Un calcul de probabilit. On suppose connue
(a, T) = P(B
t
at , t T)
Soit B
1
et B
2
deux MB indpendants et
dX
t
= X
t
(rdt +
1
dB
1
(t)), X
0
= 1
dY
t
= Y
t
(rdt +
2
dB
2
(t)), Y
0
= 1
Calculer, en fonction de la quantit P(X
t
Y
t
, t T).
Exercice 4.4.2 Un calcul de loi Let dX
t
= (t)dt + (t)dB
t
, X
0
= 0 where and are piece
wise constant over known time.
Let us restrict our attention to the case
(t) = t [0, 1[, (t) =
1
t [1, [,
(t) = t [0, 1[, (t) =
1
t [1, 2[/, .
Describe the distribution of Y
t
= max
0st
X
s
.
Exercice 4.4.3 Montrer que la solution de
dC
t
= C
t
_
r
t
dt +m(
dS
t
S
t
r
t
dt)
_
avec dS
t
= S
t
(
t
dt +
t
dB
t
) scrit sous la forme
C
t
= C
0
_
S
t
S
0
exp[a
t
0
r
s
ds +b
t
0
2
s
ds]
_
m
o on explicitera a et b.
Exercice 4.4.4 Changement de temps Soit dX
t
= X
t
dt + dB
t
et = inf{t : |X
t
| > g(t)}
o g est une fonction dterministe. Exprimer P( > t) en fonction de (u) = P(
> u) avec
= inf{t : |B
t
| > h(t)}.
Exercice 4.4.5 Soit > 0, > 0, > 0 trois constantes et X la solution de
dX
t
= X
t
( X
t
)dt +X
t
dW
t
, X
0
= 1
(on admettra que cette solution existe et est strictement positive)
1. On pose L
t
= exp((
2
2
)t +W
t
) et Y
t
=
L
t
X
t
. Montrer que dY
t
=
t
dt o
t
est dtermin
explicitement en termes de (W
s
, s t) et des paramtres du modle.
2. Montrer que Y
t
sobtient de faon explicite en termes de W. En dduire la forme de X
t
.
3. Montrer que L est une sous-martingale.
4. Quelle est la dynamique risque neutre de X lorsque le taux dintrt est null? Quel est le
changement de probabilit associ? Quel serait le prix dun call de strike K et de maturit T
sur X?
Exercice 4.4.6
On considre un modle o le taux court vrie, sous la probabilit risque neutre (cest le modle
de Merton)
dr
t
= adt +dW
t
On rappelle que si G est une v.a. gaussienne de loi N(m,
2
) la v.a. e
G
a pour esprance e
m+
2
/2
et pour variance (e
2
1)e
2+
2
. On pose Z
t
= r
t
(T t). Calculer dZ
t
et intgrer cette quation
pour obtenir Z
T
Z
0
sous forme de Y
T
:=
T
0
r
s
ds et dune intgrale stochastique par rapport r.
Montrer que Y
T
= r
0
T +
1
2
aT
2
+ TW
T
T
T
0
tdW
t
et en dduire la loi de Y
T
. En dduire la
valeur, en t, dun zro-coupon de maturit T, que lon notera B(t, T). Quelle est la dynamique de
B?
Exercice 4.4.7 Soit X solution de
dX
t
= adt + 2
X
t
dW
t
, X
0
= x, x > 0
On admet quil existe une unique solution positive de cette EDS.
1. Soit f une fonction drivable et
m
t
= exp
_
1
2
_
t
0
f(u)dX
u
at
t
0
f
2
(u)X
u
du
__
Calculer dm
t
et montrer que m est une martingale (locale).
2. Montrer que f(t)X
t
f(0)X
0
=
t
0
h(u)dX
u
+
t
0
g(u)X
u
du o h et g sont des fonctions
dterministes que lon explicitera.
3. Montrer que
m
t
= exp
_
1
2
_
f(t)X
t

t
0
(f
2
(u) +f
(u))X
u
du +k(t)
__
o k est une fonction dterministe que lon explicitera.
4. Montrer que si f est valeurs ngatives et f
2
+ f
est valeurs positives, m est borne sur

[0, T] (donc sera une vraie martingale).
5. Calculer E
_
exp
_
1
2
_
f(t)X
t

t
0
(f
2
(u) +f
(u))X
u
du
___
et, pour t < T
E
_
exp
_
1
2
_
f(T)X
T

T
t
(f
2
(u) +f
(u))X
u
du
__
|F
t
_
6. On pose dQ = m
t
dP. Quelle est la dynamique de X sous Q?
Exercice 4.4.8 On se place dans un march Black-Scholes.
1. On suppose que le taux r est constant. Rappeler comment on calcule au moyen dune esprance
le prix la date 0, dun call Europen de maturit T et de strike K (on ne demande PAS de
calcul explicite). On note C
0
ce prix. Montrer que, en utilisant un (ou des) changement(s) de
probabilit (ou un (des) changement(s) de numraire),
C
0
= S
0
Q
1
(S
T
K) Ke
rT
Q
2
(S
T
K)
Prciser quels sont les changements de probabilit (ou changements de numraire)
52 Exemples. Enoncs
2. Le taux est prsent stochastique. Justier que le prix du payo H, o H F
T
est, la date
0, gal
E
_
H exp
_
T
0
r
s
ds
__
en prcisant quel est le choix de la probabilit que lon utilise pour calculer lesprance. Quel
est le prix de H la date t?
3. On note B(t, T) le prix, la date t, dun zro-coupon de maturit T. Justier que L, avec
L
t
= B(t, T) exp
_
t
0
r
s
ds
_
est une martingale (sous quelle probabilit?) Comment scrit,
sous forme dune esprance, le prix dun call de maturit , avec < T sur le sous jacent
S
t
= B(t, T)? Montrer que, en utilisant un (ou des) changements de probabilit (ou un (des)
changements de numraire),
C
0
= B(0, )Q
1
(B(, T) K) KB(0, T)Q
2
(B(, T) K)
Exercice 4.4.9 Soit la fonction de rpartition dune loi gaussienne centre rduite et m
t
=
t
0
f(s)dB
s
, o f est une fonction dterministe de carr intgrable. On pose
2
(t) =
t
f
2
(s)ds.
1. On pose Z =
0
f(s)dB
s
et Z
t
=
t
0
f(s)dB
s
2. Quelle est la loi de Z? Prciser la valeur de E(Z) et Var(Z).
3. Calculer E(ZB
t
) et E(ZB
2
t
).
4. Calculer E(Z|F
t
) et E(Z
2
t
|F
s
).
5. On suppose (t) > 0 pour tout t. Soit R donn. Quelle est la dynamique de X
t
= (
m
t
(t)
)
(calculer dX
t
)
6. Quelle est la dynamique de Y
t
= (
m
t
t
(t)
). Les processus X (resp. Y ) sont-ils des martingales?
des surmartingales? des sous martingales?
7. On admet quil existe une martingale (locale) M et un processus croissant tel que Y
t
=
M
t
e
t
. Exprimer dM
t
et d
t
et calculer en fonction de (f, B)
8. On pose dQ|
F
t
= L
t
dP|
F
t
avec dL
t
= (t)L
t
dB
t
, L
0
= 1 o est une fonction dterministe,
de carr intgrable et borne. Dterminer la loi de Z sous Q, et les dynamiques de X et de Y
sous Q.
0
t
= S
0
t
r
t
dt le prix de lactif sans risque et dS
t
= S
t
(r
t
dt + dB
t
) le prix
dun actif risqu sous la probabilit risque neutre P (le coecient est constant).
1. Soit V la valeur dun portefeuille autonanant (, ) dnie par V
t
=
t
S
0
t
+
t
S
t
. Rappeler
la dnition dun portefeuille autonanant.
2. On suppose r dterministe. Quel est le prix la date t dun produit de valeur (en T) Z =
T
0
ln S
s
ds. Quel est le portefeuille de couverture
3. On suppose que r est un processus positif, F-adapt. Soit Z
t
la valeur la date t dun payo
Z
T
. On suppose Z
t
strictement positive et on note V
=
V
Z
, S
=
S
Z
, S
0,
=
S
0
Z
.
(a) Montrer que dV
t
=
t
dS
0,
t
+
t
dS
t
.
(b) On note
t
= exp
_
t
0
r
s
ds
_
et on se donne F
T
, intgrable. Montrer que E
P
(
T
/
t
|F
t
) =
E
(Z
t
/Z
T
|F
t
) o E
est lesprance sous une probabilit P
, quivalente P, que lon

prcisera.
(c) Commenter les rsultats obtenus
(d) Appliquer cette mthodologie au cas o Z
T
= 1: comment sexprime le prix de en terme
du changement de probabilit? Soit U < T. Comment calculerait-on le prix dun call de
strike K, de maturit U? Comment calculer Z
t
dans le cas dr
t
= a(b r
t
)dt +dW
t
?
Exercice 4.4.11 Les gestionnaires de portefeuille utilisent souvent la mthode du coussin pour
produire un portefeuille de valeur initiale V
0
et de valeur terminale plus grande quun plancher K.
Ils construisent un portefeuille de valeur V
t
= Ke
r(Tt)
+ C
t
, o C, processus valeurs positives,
est appel le coussin.
1. Montrer que si V
0
< K, un tel portefeuille nexiste pas. Dans la suite, on suppose V
0
= 1 > K.
2. Montrer que si C est la valeur dun portefeuille autonanant, il en est de mme pour V .
3. Soit
dC
t
= (m1)C
t
rdt +mC
t
dS
t
S
t
o m est une constante. Montrer que C est la valeur dun portefeuille (, ) autonanant.
Quelle est la composition du portefeuille V ? Calculer C
t
en fonction de S
t
.
4. Soit C
a
la solution de
dC
a
t
= rKdt (m1)C
a
t
rdt +mC
a
t
dS
t
S
t
On admet quil existe X tel que
C
a
t
= X
t
(C
a
0
+rK
t
0
X
1
s
ds)
avec C
a
0
= 1 K. Quelle est lEDS vrie par X? Calculer C
a
.
5. Montrer que K +C
a
t
est la valeur dun portefeuille autonanant tel que V
a
t
K
6. On suppose r = 0. On souhaite tudier le prix dune option asiatique, gal P
t
:= E((
T
0
S
s
ds
K)
+
|F
t
). On admet quil existe une fonction h telle que P
t
= h(t, S
t
, A
t
) o A
t
=
t
0
S
s
ds.
Ecrire lEDP dvaluation que vrie h.
54 Equa. Di. Enoncs
Chapter 5
Equations direntielles stochastiques
Une quation direntielle stochastique est une quation de la forme
dX
t
= b(t, X
t
)dt +(t, X
t
)dB
t
, X
0
= x
o linconnue est le processus X, les donns sont le mouvement Brownien B (ventuellement multi-
dimensionel) et les fonctions b et .
Lquation prcdente a une unique solution si a- les fonctions b et sont continues,
b- il existe K tel que pour tout t [0, T], x R, y R
i) |b(t, x) b(t, y)| +|(t, x) (t, y)| K|x y|
ii) |b(t, x)|
2
+|(t, x)|
2
K
2
(1 +|x|
2
). De plus cette solution vrie
E( sup
0tT
|X
t
|
2
) < .
5.1 Equation linaire
Exercice 5.1.1 Soit lEDS
dX
t
= bX
t
dt +dB
t
, X
0
= x.
1. On pose Y
t
= e
bt
X
t
. Quelle est lEDS vrie par Y
t
? Exprimer Y
t
sous la forme Y
t
=
y +
t
0
f(s)dB
s
o lon explicitera la fonction f.
2. Calculer E(Y
t
) et E(Y
2
t
).
3. Justier que
t
0
Y
s
ds est un processus gaussien. Calculer E(exp[
t
0
Y
s
ds]).
4. Exprimer Y
t
pour t > s sous la forme Y
t
= Y
s
+
t
s
g(u)dB
u
o lon explicitera la fonction g.
Calculer E(Y
t
|F
s
) et Var (Y
t
|F
s
)
5. Calculer E(X
t
|F
s
) et Var (X
t
|F
s
).
Exercice 5.1.2 Soit
d
t
= (1 r
t
)dt +
t
dB
t
et L le gnrateur associ
LV (x) = (1 rx)V
(x) +

2
2
x
2
V
(x)
55
56 Equa. Di. Enoncs
Soit u une solution de
Lu(x) u(x) = 0
On dnit x
comme solution de x
(x
) = u(x
) et v(x) =
x
u(x
)
u(x). On admettra que v
(x) 0.
Soit enn V dnie par
_
V (x) = v(x), 0 x x
= x, x > x
Montrer que 1 (r +)x
0.
Ecrire la formule dIt pour e
t
V (
t
) (il apparait un terme LV (x) (x)). Montrer que sur
x > x
on a LV (x) V (x) 0 et que sur x x
, on a LV (x) V (x) = 0
En dduire que
V (
0
)

E(e
T
V (
T
))
(en admettant que lintgrale stochastique est une martingale).
Exercice 5.1.3 Cas particulier 1.
1. Montrer que la solution Y de
dY
t
= X
t
dt +X
t
dB
t
, Y
0
= 1 ,
est
Y
t
= exp {(
1
2
2
)t +B
t
} .
2. Montrer que si 0, Y est une sous-martingale par rapport la ltration (F
t
).
A quelle condition sur , Y est elle une martingale?
3. Soit (Z
t
)
t0
Z
t
= x + (a b)
t
0
Y
1
s
ds +b
t
0
Y
1
s
dB
s
.
Montrer que (Z
t
)
t0
est un processus dIt. Calculer < Y, Z >
t
.
En dduire que la solution X de (5.3) peut scrire X
t
= Y
t
Z
t
.
Exercice 5.1.4 Cas particulier 2. On considre lquation
dX
t
= X
t
dt +b dB
t
(5.1)
X
0
= x.
1. Montrer que lunique solution de (5.1) scrit
X
t
= e
t
(X
0
+b
t
0
e
s
dB
s
) .
2. Montrer que X est un processus gaussien, calculer son esprance et sa variance.
3. Justier que
t
0
X
s
ds est un processus gaussien. Calculer E
_
exp[
t
0
X
s
ds]
_
.
4. Calculer E(X
t
|F
s
) et Var (X
t
|F
s
).
5. Soit X solution de (5.1), et une fonction de classe C
2
. Ecrire la formule dIt pour Z
t
=
(X
t
).
En dduire que si (x) =
x
0
exp(
y
2
b
2
) dy, alors
Z
t
= b
t
0
exp(
B
2
s
b
2
) dB
s
Z est-elle une martingale de carr intgrable?
6. Soit x. Calculer
(t, y) = E(e
X
2
t
) .
Soit t x. Etudier la martingale E(e
X
2
t
|F
s
) , s t.
Montrer que est solution dune quation aux drives partielles. Soit (t, x) = ln (t, x).
Montrer que
(t, x) = x
2
a(t) +b(t), avec a
(t) = 2a(t)( +b
2
a(t)), b
(t) = b
2
a(t) .
Exercice 5.1.5 Cas particulier 3. On considre lquation
dX
t
= (b +X
t
)dB
t
(5.2)
X
0
= x
o x =
b
. Soit h la fonction dnie par

h(y) =
1
ln |
b +y
b +x
|
pour y =
b
1. On pose Y
t
= h(X
t
). Quelle est lquation vrie par Y ?
2. En dduire que la solution de (5.2) scrit
X
t
= (x +
b
) exp(
2
2
t +B
t
)
b
Exercice 5.1.6 Cas particulier 4. On se place dans le cas a = 1, b = 0. On pose Y

t
= e
t
X
t
.
Quelle est lquation direntielle vrie par Y ?
Calculer E(X
t
) et Var (X
t
).
Exercice 5.1.7 Cas gnral. Soit a, , b, quatre constantes relles. Soit x R.
On considre lquation direntielle stochastique
dX
t
= (a +X
t
) dt + (b +X
t
) dB
t
(5.3)
X
0
= x
1. Montrer que (5.3) admet une unique solution.
2. On note m(t) = E(X
t
) et M(t) = E(X
2
t
).
(a) Montrer que m(t) est lunique solution de lquation direntielle ordinaire
y
y = a (5.4)
y(0) = x
58 Equa. Di. Enoncs
(b) Ecrire la formule dIt pour X
2
o X est solution de (5.3).
(c) En dduire que M(t) est lunique solution de lquation direntielle ordinaire
y
(2 +
2
) y = 2(a +b)m+b
2
(5.5)
y(0) = x
2
o m est la solution de (5.4). (On admettra que lintgrale stochastique qui intervient est
une martingale)
(d) Rsoudre (5.4) puis (5.5).
Exercice 5.1.8 Soit f, F, g, G des fonctions continues bornes. On note X la solution de
dX
t
= [f(t) +F(t)X
t
]dt + [g(t) +G(t)X
t
]dB
t
, X
0
= x
et Y la solution de
dY
t
= F(t)Y
t
dt +G(t)Y
t
dB
t
, Y
0
= 1
1. Expliciter Y .
2. Soit Z dni par
Z
t
= x +
t
0
Y
1
s
[f(s) G(s)g(s)]ds +
t
0
Y
1
s
g(s)dB
s
.
Montrer que X = Y Z.
3. Soit m(t) = E(X
t
) et M
t
= E(X
2
t
). Montrer que m est lunique solution de y
(t) F(t)y(t) =
f(t), y(0) = x. En dduire
m(t) = exp(
F(t))
_
x +
t
0
exp
F(s)f(s)ds
_
o

F(t) =
t
0
F(s)ds. Montrer que M est lunique solution de
Y
(t) [2F(t) +G
2
(t)]y(t) = 2[f(t) +g(t)G(t)]m(t) +g
2
(t), y(0) = x
2
Exercice 5.1.9 Calculer lesprance et la variance de la v.a. X
t
avec
dX
t
= a(b X
t
)dt +
X
t
dB
t
, X
0
= x
Exercice 5.1.10 Soit 0 < s < T et m R. Vrier que la solution de
dX
t
=
(s T)X
t
+mT
(s T)t +T
2
dt +dB
t
est
X
t
=
m
T
t + [(s T)t +T
2
]
t
0
dB
u
(s T)u +T
2
Exercice 5.1.11 Soit un processus adapt (de carr intgrable), , et r des processus adapts
(borns), c un processus positif, adapt, born et X la solution de
dX
x,,c
t
= r
t
X
x,,c
t
dt c
t
dt +
T
t

t
[dB
t
+
t
dt] (5.6)
X
x,,c
0
= x
On note H le deateur, soit H
t
= exp
_
t
0
r
s
ds +
t
0

s
dB
s

1
2
t
0

2
ds
_
= L
t
t
0
r
s
ds . Montrer que
les processus H
t
X
t
+
t
0
H
s
c
s
ds, t 0 et L
t
(X
t
R
t
+
t
0
cR
s
ds) sont des martingales. Vrier que
leur dierence est une martingale.
5.2 Processus anes
Exercice 5.2.1 Calculer E(exp(X
T
)) pour
dX
t
= ( X
t
V
t
)dt +
V
t
dB
1,t
dV
t
= k( V
t
)dt +
V
t
dB
2,t
Exercice 5.2.2 Soit
dX
t
= (X
t
)dt +(X
t
)dB
t
o et
2
(le carr de ) sont des fonctions anes : (x) =
0
+
1
x;
2
(x) =
0
+
1
x. On souhaite
montrer que pour toute fonction ane (x) =
0
+
1
x, pour tout , il existe deux fonctions et
telles que,
E
_
e
X
T
exp
_
T
t
(X
s
)ds
_
|F
t
_
= e
(t)+(t)S
t
.
1. Montrer quil sut dtablir lexistence de deux fonctions et telles que le processus
e
(t)+(t)S
t
exp
_
t
0
(S
s
)ds
_
est une martingale avec (T) = 0, (T) = .
2. Montrer que la dtermination de et conduit la rsolution dune quation de Ricatti (type
dquation direntielle non linaire) et dune quation direntielle linaire. On ne demande
pas la rsolution de ces quations.
3. Gnraliser le rsultat au cas o dS
t
= (S
t
)dt+(S
t
)dB
t
+dX
t
o (X
t
, t 0) est un processus
de Poisson.
5.3 Autres quations
Exercice 5.3.1 On considre lquation
dX
t
= 11
X
t
0
dB
t
, X
0
= x. (5.7)
On suppose quil existe une solution.
1. Vrier que, pour x = 0, la solution de (1.9) nest pas identiquement nulle.
2. Vrier que, pour x 0, la solution est valeurs positives. On pourra montrer, en utilisant
la formule dIt, que si f est une fonction rgulire, nulle sur R
+
, alors f(X
t
) est nulle.
3. Montrer que la solution issue de 0 est desprance nulle tout instant t.
4. Que peut on en conclure?
5.4 Finance
Exercice 5.4.1 Options Asiatiques. Soit S
t
solution de
dS
t
= S
t
(r dt + dB
t
)
les paramtres r et tant constants.
60 Equa. Di. Enoncs
1. Soit K une constante. Montrer que le processus M
t
= E
_
(
1
T
T
0
S
u
du K)
+
|F
t
_
est une
martingale.
2. Montrer que, si lon pose
t
= S
1
t
(K
1
T
t
0
S
u
du), on a
M
t
= S
t
E
_
[
1
T
T
t
S
u
S
t
du
t
]
+
|F
t
_
.
3. Soit (t, x) = E
_
[
1
T
T
t
S
u
S
t
du x]
+
_
. Montrer que (t, x) = E
_
[
1
T
T
t
S
u
S
t
du x]
+
|F
t
_
et que M
t
= S
t
(t,
t
).
4. Ecrire la formule dIt pour M. En dduire une quation aux drives partielles vrie par
.
Exercice 5.4.2 Black et Scholes, volatilit dterministe. Soit une fonction dterministe
continue et r une constante et (S
t
, t 0) la solution de
dS
t
= S
t
(r dt +(t) dB
t
) , S
0
= x
1. Montrer que
S
t
= S
0
exp
_
rt +
t
0
(s) dB
s

1
2
t
0
2
(s) ds
_
2. Montrer que
t
0
(s) dB
s
1
2
t
0
2
(s) ds est une variable gaussienne dont on calculera lesprance
et la variance.
3. On rappelle que dans le cas constant, le prix dun call est donn par
C(0, x) = xN(d
1
) Ke
rT
N(d
2
)
avec
d
1
=
1
T
_
ln(
x
K
) +T(r +

2
2
)
_
, d
2
= d
1

T
En dduire (sans faire de calculs) que, dans le cas de volatilit dterministe, la formule de
Black et Scholes scrit
E((S
T
K)
+
) = xN(D
1
) Ke
rT
N(D
2
)
Exprimer D
1
et D
2
.
Exercice 5.4.3 La formule de Dupire. Soit
dS
t
= S
t
(rdt +(t, S
t
)dB
t
)
o est une fonction de R
+
R
+
dans R et f(t, x) la densit de S
t
, soit f(t, x) = P(S
t
dx). ON
admettra que
t
f
1
2
xx
_
x
2
2
(t, x)f(t, x)
+
x
[rxf] = 0
On note C(K, T) le prix en zro dun call Europen de strike K et de maturit T. On note
1
C,
2
C,
11
C les drives partielles de C par rapport la premire variable, seconde variable,
drive seconde par rapport la premiere variable.
1. Montrer que
11
C(K, T) = e
rT
f(T, K).
2. Montrer que
1
2
2
x
2
_
x
2
2
(t, x)f(t, x)
= e
rt

2
x
2
(rx

x
C) +e
rt

2
x
2
C
t
3. En dduire
1
2
x
2
2
(t, x)
2
C
x
2
(t, x) = rx
C
x
(x, t) +
C
t
(t, x)
5.5 Equations direntielles
Exercice 5.5.1 Soit une constante et
dX
t
=
2
X
2
t
(1 X
t
)dt +X
t
(1 X
t
)dB
t
(5.8)
la condition initiale tant X
0
= x avec x ]0, 1[. On admet que X prend ses valeurs dans lintervalle
]0, 1[. On pose Y
t
=
X
t
1 X
t
.
1. Quelle est lquation direntielle stochastique vrie par Y ?
2. En dduire que X
t
=
x exp(B
t

2
t/2)
x exp(B
t

2
t/2) + 1 x
.
Exercice 5.5.2 Produit dexponentielle. Soit B un MB et h un processus adapt born. On
note E(hB)
t
def
= L
t
lunique solution de dL
t
= L
t
h
t
dB
t
, L
0
= 1. Etablir une formule du type
E(h
1
B
1
+h
2
B
2
)
t
= X
t
E(h
1
B
1
)
t
E(h
2
B
2
)
t
o X est dterminer.
Exercice 5.5.3 Soit B un mouvement Brownien issu de a > 0 et T
0
= inf{t : B
t
= 0}. Pour
t < T
0
, on dnit X
t
= (B
t
)
. Montrer que, pour t < T

0
,
dX
t
= b(X
t
) dt +(X
t
) dB
t
o on explicitera b et . En dduire la forme de la solution de dY
t
= Y
n
t
dB
t
+
1
2
nY
2n1
t
dt, Y
0
= y 0
avant le premier temps datteinte de 0. (On admettra lunicit de la solution).
Exercice 5.5.4 Ponts
1. Soit N une gaussienne rduite centre indpendante de B. Vrier que la solution de dX
t
=
dB
t
+
N X
t
1 t
dt est X
t
= tN + (1 t)
t
0
1
1 s
dB
s
. En dduire que X est un processus
gaussien, dont on calculera lesprance et la covariance.
2. Soit W un MB indpendant de B. Vrier que la solution de dX
t
= dB
t
+
W
t
X
t
1 t
dt est
X
t
= (1t)
t
0
W
s
(1 s)
2
ds+(1t)
t
0
1
1 s
dB
s
. En dduire que X est un processus gaussien,
dont on calculera lesprance et la covariance.
Exercice 5.5.5 Soit a, b, trois constantes et
dX
t
= a(b X
t
)dt +X
t
dW
t
, X
0
= x (5.9)
1. (*) Montrer quil existe une solution.
62 Girsanov. Enoncs
2. (*) Montrer que cette solution est unique.
3. Calculer E(X
t
) en admettant que les martigales locales qui apparaissent sont des martingales.
4. (*) Justier que les martingales locales de la question prcdente sont des martingales
5. (*) Expliciter la solution de (1.9) dans le cas ab > 0.
6. Montrer que les fonctions f(t, x) telles que f(t, X
t
) soit une martingale (locale) vrient une
EDP. On ne cherchera pas rsoudre cette EDP.
7. Montrer que les fonctions g(t, x) telles que g(t, X
t
)e
t
soit une martingale (locale) vrient une
EDP. On ne cherchera pas rsoudre cette EDP.
8. On suppose que lon connait une telle fonction g qui soit croissante en x. Pour a > x, on note
T
a
= inf{t : X
t
= a}. Montrer comment calculer E(e
T
a
).
9. Quel est le changement de probabilit utiliser pour que
dX
t
= abdt +X
t
dB
t
, X
0
= x
10. (*) Montrer, dans le cas ab > 0, quil existe une probabilit Q telle que X soit une Q martingale
(locale).
Chapter 6
Girsanov
Soit (, F, P) un espace de probabilit. Une probabilit Q sur (, F) est dite quivalente P si
P(A) = 0 quivaut Q(A) = 0. Dans ce cas, il existe une variable alatoire Z, F-mesurable,
strictement positive telle que Q(A) = E
P
(Z11
A
) ce que lon note dQ|
F
= ZdP|
F
. La v.a. Z vrie
E
P
(Z) = 1, on lappelle densit de Radon-Nykodym.
Si (, F, P) est un espace de probabilit ltr, et si Q est quivalente P sur F
T
(avec T ),
alors dQ|
F
t
= Z
t
dP|
F
t
et le processus (Z
t
, t T) est une F
t
, t T) martingale. On rappelle la
formule de Bayes (voir Exercice 1.3.14): pour X F
T
-mesurable borne
E
Q
(X|F
t
) =
1
Z
t
E
P
(XZ
T
|F
t
)
Dans tous ces exercices, B dsigne un P-mouvement Brownien issu de 0, F = (F
t
, t 0) sa ltration
naturelle.
6.1 Rsultats lmentaires.
Dans la plupart des exercices, on considre des intgrales

s
dB
s
avec born. La plupart des
rsultat se gnralisent au cas de processus de carr intgrable.
Exercice 6.1.1 Dmontrer la formule de Bayes. Montrer que M est une Q-martingale si et seule-
ment si MZ est une P-martingale. Montrer que M est une Q-sur-martingale si et seulement si MZ
est une P-sur-martingale.
Exercice 6.1.2 Changement de probabilit. Soit (
t
, t 0) un processus adapt continu born
et L la martingale d
finie par L
t
= exp[
t
0
s
dB
s

1
2
t
0
2
s
ds]. Soit Q la probabilit dnie sur F
T
par dQ = L
T
dP. Soit (
t
, t 0) un processus adapt continu born et M
t
=
t
0
s
dB
s
t
0
s
ds.
Montrer que M est une Q-martingale.
On pose Z
t
= M
t
L
t
. Montrer que Z est une P-martingale locale. Pouvait-on prvoir ce rsultat.
Exercice 6.1.3 Calcul desprance 1. Soit un processus adapt born et H le processus
dni par dH
t
= H
t
t
dB
t
, H
0
= 1. On note dQ|
F
t
= H
t
dP|
F
t
. Montrer que E
P
(H
T
ln H
T
) =
E
Q
(
1
2
T
0
2
s
ds). On pourra faire une dmonstration la main (quand est dterministe) ou utiliser
le thorme de Girsanov.
63
64 Girsanov. Enoncs
Exercice 6.1.4 Calcul desprance 2. Soit p une fonction dterministe donne. Pour quelles
fonctions h et k le processus exp(h(t) +k(t)B
2
t
+
t
0
p(s)B
2
s
ds) est-il une martingale? Applications :
1. Calculer E[exp(B
2
T
+
T
0
p(s)B
2
s
ds]
2. Calculer E[exp(B
2
T
+
T
0
p(s)B
2
s
ds)(A+BB
T
)]
Exercice 6.1.5 It+ Girsanov. Soit le processus solution de
d
t
=
t
(
t
dt +
t
dB
t
),
0
= 1
o et sont des processus F adapts borns.
1. Montrer que
t
exp
_
t
0
s
ds
_
2. Trouver une probabilit Q telle que soit une Q-martingale locale.
3. Trouver une probabilit R telle que
1
t
soit une R-martingale locale.
Exercice 6.1.6 Longstas Model. Soit r
t
= Y
2
t
avec dY
t
= dB
t
(Y
t
+

2
)dt.
1. Donner la dynamique de r.
2. Soit f et g deux fonctions dterministes (que lon supposera continues bornes). Exprimer
E(exp
t
0
[f(s)B
s
+g(s)]dB
s

1
2
t
0
[f
2
(s)B
2
s
+ 2B
s
f(s)g(s)]ds)
en fonction de exp
1
2
t
0
g
2
(s)ds.
3. Montrer que le calcul de E(exp
t
0
r
s
ds) se dduit du calcul de lexpression prcdente avec
des fonctions f et g vriant des conditions que lon prcisera.
Exercice 6.1.7 Loi conditionnelle. Soit t > s. Montrer que la densit
P(B
t
+t dy|B
s
+s = x)
ne dpend pas de .
Exercice 6.1.8 Loi du sup. On suppose que lon connait la loi du couple de v.a. (B
t
, B
t
) o pour
un processus X on note
X
t
= sup
st
X
s
.
Montrer comment calculer la loi de (L
t
, L
t
) pour L
t
= exp(B
t

2
2
t).
Exercice 6.1.9 Loi de quantiles.
1. Soit F et G deux fonctionnelles dnies sur C([0, 1], R). Montrer que lon a quivalence entre
(i) t, R, F(X
s
, s t)
loi
= G(X
s
, s t) le processus X tant un Brownien de drift
(ii) t, F(X
s
, s t)
loi
= G(X
s
, s t) le processus X tant un Brownien.
2. Soit A
t
=
t
0
ds11
X
s
0
et
t
= sup{s t : sup
us
X
u
= X
s
}. Montrer que
A
t
loi
=
t
, lorsque le processus Xest un mouvement Brownien de drift
quivaut
A
1
loi
=
1
, lorsque le processus Xest un mouvement Brownien
3. Soit X un mouvement Brownien. Montrer que si E(f(X
1
, A
1
)11
X
1
>0
) = E(f(X
1
,
1
)11
X
1
>0
),
alors (X
1
, A
1
)
loi
= (X
1
,
1
).
6.2 Crochet.
Exercice 6.2.1 Girsanov Soit M une P-martingale de carr intgrable et dQ = exp(M
t
1
2
M
t
) dP.
Montrer que si N est une P martingale, N < N, M > est une Q martingale.
Exercice 6.2.2 h-processus. Soit X tel que dX
t
= dt + dB
t
, X
0
= x et h une fonction de
classe C
1
telle que h(X
t
) est une martingale positive. On note Q la probabilit dnie par dQ|
F
t
=
h(X
t
)
h(x)
dP|
F
t
. Soit M une P-martingale. Montrer que M
t
t
0
h
(X
s
)
h(X
s
)
dM, X
s
est une Q-martingale.
6.3 Processus.
Exercice 6.3.1 Processus de Bessel. Soient et deux processus adapts borns. On note P
la probabilit telle que le processus B
dni par B
t
def
= B
t
t
0
s
ds soit un mouvement Brownien
et P
la probabilit telle que B
avec B
t
def
= B
t

t
0
s
ds soit un mouvement Brownien.
1. Quelles sont les densits L
=
dP
dP
et L
=
dP
dP
?
2. Soit L =
L
. Expliciter L en fonction de B puis en fonction de B
. A quel changement de
probabilit type Girsanov correspond L?
3. Soit > 1 et R le processus solution de
dR
t
=
1
R
t
dt +dB
t
, R
0
= 1
(on admet quil existe une solution)
(a) Montrer que
t
0
dR
s
R
s
= ln R
t
+
1
2
t
0
1
R
2
s
ds
66 Girsanov. Enoncs
(b) Soit un processus adapt born et L
t
= exp(
t
0
s
dB(s)
1
2
t
0
2
s
ds). On note Q la
probabiit dnie par dQ = L
t
dP.
Comment choisir pour que, sous Q
dR
t
=
1
R
t
dt +d

B
t
o

B est un Q-Brownien. Exprimer L en nutilisant que le processus R
(c) En dduire que
E(f(R
t
)) = E
_
(
t
)
exp[
t
0
ds
2
s
] f(
t
)
_
o est une constante dpendant de n et
d
t
=
1
t
dt +d

B
t
,
0
= 1 .
Exercice 6.3.2 Fonctionnelles exponentielles
1. Calculer E(
t
0
exp(B
s
)ds) et E(exp(B
t
)
t
0
exp(B
s
)ds).
2. Soit A(t, ) =
t
0
exp(B
s
+s)ds.
(a) Montrer en utilisant le thorme de Girsanov que le calcul de E(A(t, )) se ramne au cas
= 0.
(b) Peut-on faire un calcul direct?
Exercice 6.3.3 Soit X le processus solution de
dX
t
= X
t
dt +dB
t
, X
0
= x.
1. On dnit
L
t
= exp
_
t
0
X
s
dB
s

2
2
t
0
X
2
s
ds
_
.
Vrier que L est une martingale locale. On admet pour la suite que cest une martingale.
2. On note P
la mesure de probabilit dnie sur F

t
par dP
= L
t
dP. Quelle est la dynamique
de X sous P
?
3. Montrer que
L
t
= exp(
t
0
X
s
dX
s
+
1
2
t
0
2
X
2
s
ds)
4. Calculer
E
P
_
exp(
b
2
2
t
0
X
2
s
ds)
_
.
Exercice 6.3.4 Processus dOrnstein-Uhlenbeck.
1. On dnit sur F
T
la mesure P
b
par
dP
b
= exp{b
T
0
B
s
dB
s

b
2
2
T
0
B
2
s
ds}dP
(a) Justier que, sous P
b
le processus (W
t
= B
t
+b
t
0
B
s
ds , t T) est un brownien.
(b) En dduire que sous P
b
, le processus (B
t
, t 0) est un processus dOrnstein-Uhlenbeck,
et que B
t
est une variable gaussienne dont on prcisera, en sappuyant sur le cours,
lesprance et la variance.
(c) Montrer que, sous P, on a
t
0
B
s
dB
s
=
1
2
(B
2
t
t).
La mme galit est-elle vraie sous P
b
?
(d) Montrer que, pour tout t T,
E
P
(exp{B
2
t

b
2
2
t
0
B
2
s
ds}) = E
b
(exp{B
2
t
+
b
2
(B
2
t
t)})
o E
b
dsigne lesprance sous P
b
.
Montrer que si

B est un brownien issu de a, on a
E
P
(exp{

B
2
t

b
2
2
t
0
B
2
s
ds}) = E
b
(exp{

B
2
t
+
b
2
(

B
2
t
a
2
t)})
(e) En dduire (il y a des calculs) que, pour tout t,
E
P
(exp{B
2
t

b
2
2
t
0
B
2
s
ds}) = (cosh bt + 2
b
sinh bt)
1
2
2. Montrer que si

B
t
est un Brownien issu de a
E
P
(exp{

B
2
t

b
2
2
t
0
B
2
s
ds}) = (cosh bt + 2
b
sinh bt)
1
2
exp[
xb
2
1 +
2
b
coth bt
coth bt +
2
b
]
avec x = a
2
.
Exercice 6.3.5 Soit S solution de
dS
t
= S
t
(dt + dB
t
) , S
0
= s ,
les coecients et tant constants.
1. Montrer que S
t
= S
0
exp(t +B
t

2
2
t).
2. On pose =
r
. Soit Q dnie sur F

t
par dQ = L
t
dP avec L
t
= exp(B
t

1
2
2
t).
Montrer que (W
t
= B
t
+t, t 0) est un Q-mouvement brownien.
3. Soit

P dnie sur F
t
par d
P = Z
t
dQ avec Z
t
= exp(W
t

2
2
t).
Montrer que
dS
t
= S
t
((r +
2
) dt + d

B
t
)
o

B est un

P-mouvement brownien.
4. Soit P
t
= P
0
e
rt
. Montrer que
_
S
t
P
t
, t 0
_
est une Q-martingale.
Montrer que
P
t
S
t
est une

P-martingale.
68 Girsanov. Enoncs
5. Soit F
t
= e
t
_
t
0
S
u
du +sA
_
o A, sont des constantes
Soit
t
=
F
t
e
t
S
t
. Ecrire lquation direntielle stochastique vrie par
t
en utilisant le
Brownien

B.
Exercice 6.3.6 Soit , et des fonctions (dterministes) bornes et b(t) =
t
0
(s) ds. On note
r le processus solution de
dr
t
= ((t) (t)r
t
) dt +(t)dB
t
On suppose que ne sannule pas.
1. Vrier que
r
t
= exp(b(t))
_
r
0
+
t
0
exp(b(u)) (u) du +
t
0
exp(b(u)) (u) dB
u
_
.
2. Calculer E(r
t
) et Cov(r
t
, r
s
).
3. Soit Q
1
la probabilit dnie sur F
t
par dQ
1
= L
t
dP, avec
L
t
= exp(
t
0
(s)dB
s

1
2
t
0
((s))
2
ds)
o (s) =
(s)
(s)
. On suppose borne. On note B
1
t
= B
t

t
0
(s) ds. Montrer que
(exp(b(t)) r
t
, t 0) est une Q
1
martingale.
4. Soit Q
2
t
par dQ
2
= Z
t
dQ
1
, avec
dZ
t
= Z
t
(t)
(t)
r
t
dB
1
t
, Z
0
= 1
Montrer que r est une Q
2
-martingale locale.
Exercice 6.3.7 Drift non observable Soit B
Y
t
= Y t + B
t
o Y est une variable alatoire de loi
, indpendante de B. Soit F une fonctionnelle sur C([0, t], R). Montrer que
E[F(B
Y
s
, s t)] = E[F(B
s
; s t)h(B
t
, y)]
avec h(x, t) =
(dy) exp(yx
y
2
2
t) En dduire que, sur lespace canonique
X
t

t
0
ds
h
x
h
(X
s
, s)
est une martingale sous P
h
avec P
h
|
F
t
= h(X
t
, t)B|
F
t
. Montrer que B
Y
t
=

B
h
t
+
t
0
t
0
ds
h
x
h
(B
Y
s
, s)
o

B
h
t
est un Brownien.
Soit Q dnie par dQ = e
Y B
t
1
2
Y
2
t
dP. Montrer que sous Q, B
Y
t
est indpendant de Y .
Exercice 6.3.8 On note h une fonction.
1. Donner des conditions sur h pour que dQ = h(B
T
)dP dnisse, sur F
T
une probabililit
quivalente P.
2. Calculer L
t
telle que dQ|
F
t
= L
t
dP|
F
t
3. Montrer que X F
T
, on a E
Q
(X|B
T
) = E
P
(X|B
T
)
4. Expliciter Q(B
T
dx).
5. Soit A F
T
, indpendante de B
T
. Montrer que Q(A) = P(A). Donner des exemples de tels
A.
6. Calculer Q(f(B
T
)|F
t
).
7. Montrer que
L
t
= 1 +
t
0
dB
s
dy
h
(y)e
(yB
s
)
2
/(2(Ts))
2(T s)
8. Montrer que le processus W dni par
dW
t
= dB
t

dyh
(y)e
(yB
t
)
2
/(2(Tt))
dyh(y)e
(yB
t
)
2
/(2(Tt))
dt
est un Q mouvement Brownien.
9. (cette question ne dpend pas des prcdentes) Soit G
t
= F
t
(B
T
). Montrer que le processus
M
t
= B
t
t
0
B
T
B
s
T s
ds est un P-G
t
mouvement Brownien. Montrer que M
t
est indpendante
de B
T
.
10. Montrer que M est un Q-G
t
mouvement Brownien.
Exercice 6.3.9 Soit, pour t < 1, X
t
= B
t
+
t
0
x X
s
1 s
ds et M
t
= exp
_
t
0
x X
s
1 s
dB
s

1
2
t
0
_
x X
s
1 s
_
2
ds
_
.
Montrer que
M
t
= exp
_
x
2
2
+
(x X
t
)
2
2(1 t)
+
1
2
ln(1 t)
_
Exercice 6.3.10 Soit dQ|
F
t
= h(t, X
t
)dP|
F
t
. Sous quelles conditions sur h Q est-elle une probabil-
it sur F
T
? Montrer que
B
t

t
0
x
h(s, B
s
)ds
est une Q-martingale?
Exercice 6.3.11 Soit L
t
= exp
_
1
4
_
e
2B
t
1
_
+
1
2
t
0
_
e
2B
s
1
4
e
4B
s
_
ds
_
1. Question prliminaire: Calculer lintgrale

t
0
e
2B
s
dB
s
.
2. Montrer que L est une martingale. Quelle est son esprance?
3. On pose dQ = L
t
dP. Quelle est la dynamique de B sous Q?
70 Girsanov. Enoncs
6.4 Cas multidimensionel
Exercice 6.4.1 Cas multidimensionel. Soient (B
1
(t), t 0) et (B
2
(t), t 0) deux mouvements
Browniens indpendants. Soit (L
i
(t), i = 1, 2 , t 0) les processus dnis par
dL
i
(t) =
i
(t)L
i
(t)dB
i
(t) , L
i
(0) = 1
o (
i
(t), i = 1, 2) sont des processus adapts continus borns.
1. Vrier que
L
i
(t) = exp(
t
0
i
(s)dB
i
(s)
1
2
t
0
2
i
(s) ds) .
2. Soit T 0 et Q
1
T
par dQ
1
= L
1
(T)dP. Soit (
t
, t 0) un processus
adapt continu et M
t
=
t
0
s
dB
1
(s)
t
0
1
(s)
s
ds.
(a) Montrer que (M
t
, 0 t T) est une Q
1
-martingale locale.
(b) On pose Z
1
(t) = M
t
L
1
(t). Calculer dZ
1
(t). Montrer que Z
1
est une P-martingale.
Pouvait-on prvoir ce rsultat ?
3. Soit Z
t
= L
1
(t)L
2
(t). Ecrire dZ
t
. Montrer que Z est une P-martingale.
4. Soit Q la probabilit dnie sur F
T
par dQ = Z
T
dP. Comment se transforment les browniens
B
i
?
5. Soit (S
i
, i = 1, 2) deux processus solutions de
dS
i
(t) = S
i
(t)[b
i
(t)dt +
i
(t)dB
1
(t) +
i
(t)dB
2
(t)]
Montrer quil existe une probabilit Q quivalente P telle que, sous Q
dS
i
(t) = S
i
(t)[rdt +
i
(t)dB
1
(t) +
i
(t)dB
2
(t)]
o (B
i
, i = 1, 2) sont des Q-Browniens indpendants.
6.5 Temps darrt.
Exercice 6.5.1 Temps darrt. Soit un (F
t
)-temps darrt. Soit Q telle que dQ|
F
T
= L
T
dP|
F
T
et X F
T
. Comparer E
P
(L
T
11
>T
X) et E
Q
(X11
>T
).
Exercice 6.5.2 Let B be a Brownian motion and T = inf{t : e
B
t
t/2
> a}, where a > 1. Prove
that, 1/2,
E(11
T<
exp(B
T

2
2
T)) = 1
Exercice 6.5.3 Temps datteinte. Soit X un processus tel que
dX
t
= dt +dB
t
, X
0
= 0
o et sont des constantes telles que > 0. Soit r une constante.
1. Montrer quil existe tel que
M
t
def
= exp(rt +X
t
)
2. Soit b un nombre positif et le temps darrt dni par
= inf{t 0 | X
t
= b}
Calculer E(exp(r +X
)). On admettra que la martingale M

t
est uniformment intgrable
et que le temps darrt est ni. En dduire E(exp(r)).
3. On suppose que les conditions de la premire question sont satisfaites. Soit Q telle que dQ =
M
t
dP, sur F
t
. Comment se transforme B?
4. Soit S le processus dni par
dS
t
= S
t
[rdt +dB
t
], S
0
= s
et Y
t
= ln
S
t
s
. Ecrire dY
t
.
5. Soit B une constante telle que s < B. Soit T
B
le temps darrt
T
B
= inf{t 0 | S
t
= B}
Calculer
E(exp(rT
B
)) .
Exercice 6.5.4 Soit f et g deux fonctions dterministes, f de classe C
1
, g continue. On note
F
t
=
t
0
f(s)dB
s
et u est la solution de
u
(t) 2
f
(t)
f(t)
u
(t) 2g(t)f
2
(t)u(t) = 0
avec u
(T) = 2au(T)f
2
(T). Le but de cet exercice est de montrer que
E
_
exp
_
_
aF
2
T
+
T
0
g(t)F
2
t
dt
___
=
_
u(T)
u(0)
_
2
1. Montrer que, pour toute fonction h continue, le processus L dni par
L
t
= exp
_
t
0
h(s)F
s
dB
s

1
2
t
0
h
2
(s)F
2
s
ds
_
est une martingale.
2. En dduire que
1 = E
_
exp
_
T
0
h(s)
2f(s)
dF
2
s

1
2
t
0
(h(s)f(s) +h
2
(s)F
2
s
)ds
__
= E
_
exp
1
2
_
h(T)
f(T)
F
2
T

T
0
F
2
t
_
h
(t)f(t) f
(t)h(t)
f
2
(t)
_
dt
t
0
(h(s)f(s) +h
2
(s)F
2
s
)ds
__
3. Montrer que
E
_
exp
_
1
2
_
u
(T)
u(T)f
2
(T)
_
F
2
T

T
0
F
2
t
_
u
(t) 2u
(t)f
(t)/f(t)
u(t)f
2
(t)
_
dt
__
=
_
u(T)
u(0)
_
1/2
4. Rsoudre le mme problme par changement de temps.
72 Girsanov. Enoncs
5. Soit une fonction borlienne bone de R dans R. Comment calculer
K = E
_
exp
_
_
aF
2
T
+
T
0
g(t)F
2
t
dt
_
(A+BF
T
+
T
0
(t)F
t
dt)
__
Exercice 6.5.5 Decomposition canonique Soit B un mouvement Brownien et h une fonction
positive, vriant h(0, 0) = 1 et harmonique en espace (cest--dire telle que h(t, B
t
) est une martin-
gale). On dnit Q par dQ|
F
t
= h(t, B
t
)dP
F
t
. Montrer que B
t
t
0
h
x
h
(s, B
s
)ds est un Q-mouvement
Brownien.
6.6 Finance
Dans toute cette section, P est la probabilit historique, Q la probabilit risque neutre.Le processus
S est le prix de lactif sous-jacent aprs actualisation (soit

S
t
= S
t
e
t
0
r
s
ds
. Dans un modle Black
et Scholes, le prix de lactif suit
dS
t
= S
t
(b
t
dt +dB
t
)
sous la probabilit P, o est une constante.
Exercice 6.6.1 Moyenne. Soit dS
t
= S
t
(rdt + dB
t
), S
0
= 1, r et tant des constantes. On
souhaite calculer C = E
Q
[(Z
T
S
T
)
+
] quand Z
T
= exp
_
1
T
T
0
ln S
t
dt
_
.
1. Soit Q

T
par dQ
= exp(B
T

2
T/2)dQ. Montrer que
e
rT
E
Q
[(Z
T
S
T
)
+
] = E
Q
[(
Z
T
S
T
1)
+
] .
2. Soit

B
t
= B
t
t. Ecrire Z
T
/S
T
sous la forme exp(T
T
0
(t)d

B
t
) pour une fonction
que lon prcisera.
3. Montrer que le calcul de C se rduit au calcul de E
Q
((
S
T
K)
+
) pour un Brownien gomtrique
S dont on prcisera la loi.

Exercice 6.6.2 Volatilit stochastique On rappelle le thorme de reprsentation prvisible
deux dimensions: soit B = (B
1
, B
2
) un Brownien valeurs dans R
2
et F
B
sa ltration canonique.
Toute F
B
-martingale de carr intgrable scrit M
t
= m +
t
0
1
s
dB
1
s
+
t
0
2
s
dB
2
s
o (
i
, i = 1, 2)
sont des processus adapts.
Soient et deux fonctions dterministes de R
+
dans R et , deux fonctions dterministes de R
dans R. On considre alors un march nancier o lactif risqu vrie
dS
t
= S
t
((t)dt +(Y
t
)dB
1
t
), S
0
= s
o Y est un processus solution de
dY
t
= (t)dt +(Y
t
)dB
2
t
, Y
0
= 1
1. Dterminer lensemble des probabilits quivalentes P telles que, sous Q, S soit une martin-
gale.
2. Soit B un actif contingent B F
T
. Comment lui donner un prix (le taux sans risque est nul)
?
Exercice 6.6.3 Options boost. Soit M une F-martingale valeurs strictement positives.
1. Justier quil existe tel que dM
t
=
t
dB
t
et quil existe tel que dM
t
=
t
M
t
dB
t
.
2. Soit S un Brownien gomtrique tel que S
0
= x et
dS
t
= S
t
(r dt +dB
t
) (6.1)
o r et sont des constantes. Montrer quil existe tel que S
t
= x(M
t
)
o M est une
martingale. A quel choix de r et correspond la valeur = 1?
3. Soit S un processus vriant (6.1), S
t
= sup
st
S
s
et B
t
= sup
st
B
s
. La loi de B
t
est connue
(cest celle de |B
t
|, ce rsultat sera admis), on notera (a) = P(B
t
a). Calculer, en utilisant
les rsultats de la question 3, E(11
S
T
a
) qui correspond la valeur dune option boost (au
coecient exp(rT) prs).
Exercice 6.6.4 Volatilit stochastique. Soit B
1
et B
2
deux Browniens indpendants, et F
t
=
(B
1
s
, B
2
s
, s t) la ltration engendre par les deux Browniens. Soit et deux fonctions dter-
ministes bornes de R
+
dans R et , deux fonctions dterministes bornes dnies de R dans R.
On note S la solution de
dS
t
= S
t
((t)dt +(Y
t
)dB
1
t
), S
0
= s
o Y est un processus solution de
dY
t
= (t)dt +(Y
t
)dB
2
t
, Y
0
= 1
1. Soit un processus born et Z la solution de
dZ
t
= Z
t
t
dB
1
t
, Z
0
= 1
Ecrire explicitement Z
t
sous la forme dune exponentielle.
2. Soit et deux processus adapts borns et L le processus dni par
L
t
= exp
_
t
0
s
dB
1
s

1
2
t
0
(
s
)
2
ds +
t
0
s
dB
2
s

1
2
t
0
(
s
)
2
ds
_
(6.2)
Ecrire lEDS vrie par L.
3. On pose

B
t
= B
1
t

t
0
s
ds et on note

Z la solution de d
Z
t
=

Z
t
d

B
1
t
,

Z
0
= 1 o est une
constante. Montrer que L
Z est une martingale.

4. Soit Q
dnie sur F
t
par dQ
= L
t
dP. Montrer que

Z est une Q
martingale. En dduire
que

B
1
est un Q
brownien.
5. Montrer que

B
2
t
= B
2
t

t
0
s
ds est un Q
brownien.
6. On admet que si Q est une mesure quivalente P il existe , tels que la densit de Q par
rapport P soit de la forme (6.2). Dcrire lensemble des couples , correspondants des
probabilits Q telles que (S
t
e
rt
, t 0) soit une Q-martingale.
7. Le march nancier est-il complet ?
74 Girsanov. Enoncs
8. Soit X un actif contingent duplicable, cest--dire tel quil existe V processus adapt de la
forme
dV
t
= rV
t
dt +
t
(dS
t
rS
t
dt)
vriant V
T
= X, avec processus adapt born. (On ne demande pas de justier cette
dnition)
(a) Montrer que (V
t
e
rt
, t 0) est une Q martingale pour tout Q Q.
(b) On suppose que V
t
= v(t, S
t
, Y
t
). Montrer que v vrie une quation aux drives par-
tielles que lon explicitera.
Exercice 6.6.5 Symtrie put-call. Soit M une (F
t
)-martingale telle que dM
t
= M
t
dB
t
o
est une constante et M
0
= 1.
1. Vrier que M est valeurs strictement positives.
2. Calculer dY
t
quand Y
t
= (M
t
)
1
.
3. Soit Q
telle que dQ
= M
t
dP sur F
t
. Dterminer la loi de Y sous Q
.
4. Montrer que E
P
((M
T
K)
+
) = KE
P
((K
1
M
T
)
+
).
Exercice 6.6.6 Symtries
On suppose que le prix dun actif, sous la probabilit risque neutre Q est donn par
dS
t
= S
t
([r q]dt +dB
t
), S
0
= x
o q est le taux de dividendes. On note C(x, K, r, q) (ou C(x, K, r, q, ) si besoin est) le prix dune
option dachat europenne de prix dexercice K, soit
C(x, K, r, q) = E
Q
(e
rT
(S
T
K)
+
)
On rappelle que, dans le cas r = 0 = q, en notant C
(x, K) = C(x, K, 0, 0) le prix dun call de strike

K sur un sous jacent de valeur initiale x et P
le prix dun put, on a

C
(x, K) = xN
_
d
1
_
x
K
__
KN
_
d
0
_
x
K
__
, P
(x, K) = xN
_
d
0
_
K
x
__
+KN
_
d
1
_
K
x
__
, (6.3)
avec
d
1
() =
1
T
ln() +
1
2
T , d
0
() = d
1
()
T
et que le delta du call est DeltaC
(x, K) = N(d
1
(
x
K
)).
1. Montrer, en utilisant les rsultats de lexercice 3.6 que C(x, K, r, q) = C
(xe
qT
, Ke
rT
).
2. Montrer, au vu des formules prcdentes que
DeltaC(x, K, r, q) = e
qT
N
_
d
1
_
xe
qT
Ke
rT
__
DeltaP(x, K, r, q) = e
qT
N
_
d
0
_
Ke
rT
xe
qT
__
o DeltaC est le Delta du call.
3. Montrer, au vu des formules (6.3) et de la question (a) que
C(x, K, r, q) = C
(Ke
T
, x) = P
(xe
T
, K) = P(K, x, q, r) (6.4)
o = r q et P le prix dun put. Commenter.
Exercice 6.6.7 Options power. Soit
dS
t
= S
t
((r )dt +dB
t
), S
0
= x.
Cette dynamique modlise, sous la probabilit risque-neutre Q, le prix dun actif versant des divi-
dendes au taux le taux spot tant r.
1. Calculer
E
Q
(h(S
T
)e
r(Tt)
|F
t
)
dans le cas h(x) = (x
K)
+
.
2. On suppose r = . On pose dQ
|
F
t
= (S
t
/x)dQ|
F
t
et Z
t
= x
2
/S
t
. Quelle est la dynamique de
(Z
t
, t 0) sous Q
? Montrer que pour toute fonction f borlienne borne

1
x
E
Q
(S
T
f(
x
2
S
T
)) = E
Q
(f(S
T
))
3. On repasse au cas gnral. Montrer que S
a
est une martingale pour une valeur de a que lon
prcisera. Montrer que, pour toute fonction f borlienne borne
E
Q
(f(S
T
)) =
1
x
a
E
Q
(S
a
T
f(
x
2
S
T
))
4. On se place dans le cas
h(x) = x
(x K)
+
Montrer que h(S
T
) scrit comme dirence de deux payos correspondants des options
dachat Europennes portant sur S
+1
et sur S
avec des strikes que lon dterminera.

Exercice 6.6.8 Option dchange Soit dS
(i)
t
= S
(i)
t
(b
i
dt +
i
dB
(i)
t
, i = 1, 2 o les coecients sont
constants, les browniens B
(i)
tant correlles. Calculer la valeur dune option dchange dont le payo
est (S
(1)
T
S
(2)
T
)
+
.
Exercice 6.6.9 Taux de change On considre deux pays. Les quantits relatives au pays do-
mestique seront indexes par d, les quantits relatives lautre pays par f. Chaque pays possde
un taux sans risque not respectivement r
d
et r
f
. Les marchs des deux pays sont dirigs par un
mouvement Brownien B. Sous la probabilit P, un actif S suit la dynamique
dS
t
= S
t
(
t
dt +
S
t
dB
t
)
On suppose que chacun des deux marchs est sans arbitrage : il existe une probabilit risque neutre
domestique note Q
d
quivalente P telle que sous Q
d
le processus (e
r
d
t
S
d
t
, t 0) est une Q
d
martingale.
1. Montrer que tout actif domestique S
d
a une dynamique de la forme
dS
d
t
= S
d
t
(r
d
dt +
t
dB
d
t
)
o B
d
est un Q
d
mouvement Brownien. On notera
d
la prime de risque dnie par dB
d
t
=
dB
t
+
d
t
dt. Le taux de change entre ces pays est X dirig par
dX
t
= X
t
[(r
d
r
f
) dt +
X
t
dB
d
t
]
Si S
f
est un prix en units montaires du pays tranger, S
f
X est le prix du mme produit en
units montaires domestiques.
76 Girsanov. Enoncs
2. Soit S
f
un actif tranger de dynaique
dS
f
t
= S
f
t
(r
f
t
dt +
t
dB
f
t
)
Montrer que
f
t

d
t
=
X
t
B
d
t
B
f
t
=
t
0
X
s
ds
3. Quelle est la dynamique du taux de change inverse Y = 1/X ?
4. On souhaite valoriser une option quanto, cest dire une option sur produit tranger faisant
intervenir le taux de change. Comment valuer en monnaie domestique un ux tranger de
(Sf
T
K)
+
? Comment valuer une option dachat sur action trangre avec strike en monnaie
domestique ?
Exercice 6.6.10 Richesse (Cox-Huang, Karatzas) Un agent nancier souhaite investir sur un
march sur lequel deux actifs sont ngociables:
Un actif sans risque de dynamique dS
0
(t) = S
0
(t)r(t)dt o r est dterministe,
Un actif risqu dont le prix a pour dynamique dS
1
(t) = S
1
(t)(b(t)dt +(t)dB
t
). On suppose
que ne sannule pas.
La richesse X de cet agent a pour dynamique
dX
t
= X
t
r(t)dt +
t
[b(t) r(t)]dt +(t)
t
dB
t
o est un processus F adapt reprsentant la proportion de la richesse investie dans lactif risqu.
1. Montrer quil existe une probabilit Q telle que dS
1
(t) = S
1
(t)(r(t)dt + (t)d
B
t
) o

B est un
Q-mouvement Brownien.
2. Montrer que (R(t)X
t
, t 0) est une Q-martingale locale, avec R(t) = exp
t
0
r(s)ds
3. Soit (t) =
b(t) r(t)
(t)
et H solution de lquation dH
t
= H
t
(r(t)dt + (t)dB
t
), H
0
= 1.
Montrer que le processus (H
t
X
t
, t 0) est une P-martingale locale.
4. On suppose que (H
t
X
t
, t 0) est une P-martingale pour tout choix de . Lagent souhaite
obtenir une richesse terminale gale , v.a. F
T
mesurable (i.e. X
T
= ). Montrer que
sa richesse initiale X
0
est alors dtermine, et que son portefeuille de couverture (i.e. )
galement.
Exercice 6.6.11 Optimisation de richesse Sur le march nancier on trouve un actif risqu et
un actif sans risque. Soit (S
t
, t 0) le prix de lactif risqu. On suppose que dS
t
= S
t
(
t
dt +dB
t
)
. Lactif sans risque vrie
dS
0
(t) = S
0
(t)r
t
dt .
Les processus
t
, r
t
sont F
t
-adapts borns, est une constante non nulle.
1. Montrer que S
t
exp
_
t
0
s
ds
_
est une P-martingale.
2. On pose
t
=

t
r
t
.
Dterminer Q telle que, sous Q le processus

B
t
= B
t
+
t
0
s
ds soit un mouvement Brownien.
Ecrire lquation vrie par S
t
en utilisant

B
t
.
3. Un agent de richesse initiale x investit sa richesse X
t
suivant lactif sans risque et lactif risqu
de prix S
t
suivant X
t
= n
0
(t)S
0
(t) +n
1
(t)S
t
. On suppose que dX
t
= n
0
(t)dS
0
(t) +n
1
(t)dS
t
.
(a) Montrer que dX
t
= r
t
X
t
dt +n
1
(t)(dS
t
S
t
r
t
dt).
(b) On note
t
= n
1
(t)S
t
et R
t
= exp
t
0
r
s
ds.
Ecrire dX
t
en fonction de
t
, r
t
, et B
t
.
(c) Montrer que, sous Q, le processus X
t
R
t
est une martingale.
(d) Soit = X
T
. Ecrire X
t
sous forme dune esprance conditionnelle faisant intervenir et
le processus r.
4. On se donne un processus (c
t
, t 0) valeurs positives adapt et un processus (
t
, t 0) de
carr intgrable F
t
- adapt.
Soit (X
t
, t 0) un processus tel que
dX
t
= r
t
X
t
dt +
t
(dB
t
+
t
dt) c
t
dt . (6.5)
(a) Montrer que, sous Q, le processus X
t
R
t
+
t
0
R
s
c
s
ds est une martingale. En dduire que
X
t
R
t
= E
Q
(X
T
R
T
+
T
t
R
s
c
s
ds|F
t
).
(b) Ecrire cette relation sous P.
(c) Montrer que si lon impose la condition X
T
0, il existe une solution de (6.5) positive,
vriant cette condition.
t
= t + B
t
. On note T
a
= inf{t|X
t
= a}. Trouver une probabilit Q
telle que sous Q, (

B
t
= X
t
/ , t 0) soit un mouvement Brownien. Exprimer T
a
en utilisant

B
t
.
Calculer E
P
(exp T
a
).
Exercice 6.6.13 Montrer que le prix dune option Asiatique dont le strike est le sous jacent est
le prix dun call sur un sous jacent de dynamique dZ
t
= (1 rZ
t
)dt Z
t
dB
t
. Comment faire le
calcul?
Exercice 6.6.14 On considre un modle Black et Scholes. Calculer, pour tout couple (s, t)
E
P
(S
t
|F
s
) et E
Q
(S
t
|F
s
).
On note Y
t
=
t
0
S
u
du.
Quel est le prix, la date t du payo Y
T
(vers en T)?
Expliciter la stratgie de couverture de Y
T
On considre le payo h(Y
T
, S
T
T
, S
T
) scrit (t, Y
t
, S
t
) et montrer comment obtenir
(t, y, x) par un calcul desprance (non conditionnelle)
Exercice 6.6.15 Zero-coupons Soit dY
t
= h(t)dt+dB
t
et r
t
= (t)Y
t
o h et sont des fonctions
de classe C
1
. On souhaite calculer E
_
exp
_
t
0
r
s
ds
__
.
78 Complments. Enoncs
1. Soit f une fonction continue et L
f
t
= exp
_
t
0
f(s)dB
s

1
2
t
0
H
2
(s)ds
_
. Justier que E(L
f
T
) =
1. En dduire que
E
_
exp
_
h(T)B
T

T
0
h
(s)B
s
ds
1
2
T
0
h
2
(s)ds
__
= 1 .
2. On note (resp. H) la primitive de (resp. h) nulle en 0. Montrer que
E
_
exp
_
T
0
r
s
ds
__
= exp((T)H(T)
T
0
(T)h(t)dt)E
_
exp
_
h(T)B
T

T
0
(t)dB
t
ds
__
.
3. Calculer cette quantit.
Exercice 6.6.16 Soit dY
t
= 2
Y
t
dB
t
+(2(t)Y
t
+)dt et r
t
= (t)Y
t
, o et sont des fonctions
de classe C
1
. On introduit dX
t
= 2
X
t
dB
t
+dt.
1. Soit H une fonction de classe C
2
et
Z
t
= exp
_
t
0
H(s)
X
s
dB
s

1
2
t
0
H
2
(s)X
s
ds
_
On admet que Z est une martingale. Montrer que
Z
t
= exp
_
1
2
_
H(t)X
t

t
0
H(s)ds
t
0
H
(s)X
s
ds
t
0
H
2
(s)X
s
ds
__
e
1
2
H(0)X
0
2. Montrer que
E
_
exp
_
T
0
r
s
ds
__
=
exp
_
1
2
((0)X
0

T
0
(s)ds)
_
E
_
exp
_
1
2
_
(T)X
T

T
0
X
s
(
2
(s) +
(s) + 2(s))ds
_
__
3. Comment calculer cette dernire expression?
Exercice 6.6.17 On se place dans le cas o S
t
= e
2(B
t
+t)
Montrer que S est une sousmartingale
pour +1 0 et une surmartingale sinon. En dduire que le prix dune option asiatique est plus petit
que le prix dune option plain vanilla. Montrer par une minoration simple que E(
1
T
T
0
exp(2(B
s
+
s))ds) E(e
2(B
T
+T)
)
Chapter 7
Complments
7.1 Thorme de Lvy.
Exercice 7.1.1 Lvys theorem. Let
D = sup
0st1
(B
s
B
t
), D
1
= B
inf
t1
B
t
, D
2
= sup
0t
B
t
B
where (resp. ) is the time of the absolute maximum (resp. minimum) of the Brownian motion
over [0, 1], (i.e., ).
1. Prove that D
loi
= sup
0t1
|B
t
|.
2. En dduire la loi de D.
3. Prove that D
1
loi
= sup
gt1
|B
t
| where g = sup{t 1 : B
t
= 0}.
Exercice 7.1.2 On note B
le processus B
t
= sup
st
B
s
.
1. Justier rapidement (en se basant sur des rsultats classiques) que P(B
t
> a) = 2P(B
t
> a)
pour a > 0. Cette galit est-elle vrie galement pour a 0?
2. Soit s < t. Montrer que
P( sup
sut
B
u
> 0, B
s
< 0) = 2P(B
t
> 0, B
s
< 0)
3. Calculer explicitement cette quantit.
4. On note g
t
= sup{s t : B
s
= 0}. Calculer la loi de g
t
.
Exercice 7.1.3 On note B
t
= sup
0st
B
s
et = sup{t 1 : B
t
= B
t
}. On souhaite calculer la
loi de .
1. Ecrire { t} en utilisant les variables B
t
et sup
ts1
B
s
2. Ecrire { t} en utilisant B
t
et sup
ts1
(B
s
B
s
)
79
3. Quelle est la loi de sup
ts1
(B
s
B
s
) conditionnelle F
t
?
4. En dduire que P( t|F
t
) = (B
t
B
t
) o (x) = P(B
1t
< x)
5. Calculer (x).
6. On admet que B
t
B
t
a mme loi que B
t
. Comment obtenir la loi de ?
7.2 Equations rtrogrades
Exercice 7.2.1 Equation rtrograde 1. Dans tout le problme est une variable F
T
-mesurable,
intgrable.
1. On note X
t
= E(|F
t
). Montrer quil existe un processus (
X
s
, s T) tel que
dX
t
=

X
t
dB
t
, X
T
= (7.1)
2. Soit r un nombre rel. En utilisant e
rt
E(e
rT
|F
t
) montrer quil existe un couple (X,

X) de
processus (F
t
) adapts tels que
dX
t
= rX
t
dt +

X
t
dB
t
X
T
=
3. Soit (r
t
, t 0) un processus F adapt born. Montrer quil existe un couple (X,

X) de processus
F-adapts tels que
dX
t
= r
t
X
t
dt +

X
t
dB
t
, X
T
=
4. Soit
,
le processus solution de d
t
=
t
(
t
dt+
t
dB
t
),
0
= 1 o et sont des processus
F adapts borns. Soit un processus F adapt born. En considrant
E(
T
+
T
t
s
ds|F
t
)
montrer quil existe un couple (X,

X) de processus F adapts tels que
dX
t
= (
t
+X
t
t
+
t

X
t
)dt +

X
t
dB
t
, X
T
=
5. Soit a un nombre rel. En considrant
1
2a
ln (E [exp (2a) |F
t
]), montrer quil existe un couple
(X,

X) de processus F-adapts tels que
dX
t
= a
X
2
t
dt +

X
t
dB
t
, X
T
= (7.2)
6. Montrer que
1
2a
ln
_
E
_
2ac,b
t,T
exp (2a) |F
t
__
est solution de
dX
t
= (a
X
2
t
b
X
t
c)dt +

X
t
dB
t
, X
T
=
Exercice 7.2.2 Equation rtrograde 2. Soit H la solution de
dH
t
= H
t
(rdt +dB
t
) , H
0
= 1
On notera H
t,s
=
H
s
H
t
pour t < s.
1. Soit t x. Quelle est lEDS suivie par (H
t,s
, s t).
2. Soit une v.a. borne F
T
-mesurable et X
t
= ln E(H
t,T
e
|F
t
). Montrer que Y
t
def
= exp(X
t
)H
t
est une martingale que lon peut crire sous la forme z +
t
0
z
s
dB
s
.
3. Montrer que dX
t
= (a
X
2
t
+ b
X
t
+ c)dt +

X
t
dB
t
o

X est un processus adapt que lon
dterminera en fonction de Y, z, r et et o b et c sont des constantes.
Exercice 7.2.3 Equation rtrograde 3..
1. Soit (
t
, t 0) un processus F-adapt. Donner la solution (Y, Z) de lquation rtrograde
dY
t
=
t
dt Z
t
dB
t
, Y
T
= 0. (7.3)
2. Au moyen du thorme de Girsanov, donner la solution de
dY
t
= (
t
+Z
t
)dt Z
t
dB(t), Y
T
= 0. (7.4)
o est un scalaire quelconque. Exprimer Y
0
sous la forme dune esprance dpendant des
donnes du problme.
3. On pose
t
= B
t
. Montrer que Y
0
=
T
0
E(M
t
B
t
) dt o M
t
= exp(B
t

1
2
2
t). Calculer
E(M
t
B
t
) et E(M
t
signB
t
)) o
sign(B
s
) = 1 si B
s
> 0, et
;
sign(B
s
) = 1 si B
s
) 0 .
4. On introduit le processus
B
t
=
t
0
sign(B
s
) dB
s
,
On rappelle que ce processus est un mouvement Brownien, on notera F
t
= (B
s
; s t) sa
ltration, qui est incluse dans F
t
. Montrer que la solution de
dY
t
= (B
t
+Z
t
) dt Z
t
dB
t
, Y
T
= 0 ,
vrie
Y
0
= T
2
/2. (7.5)
5. Montrer que la solution de
dY
t
= (B
t
+Z
t
)dt Z
t
dB
t
, Y
T
= 0, (7.6)
vrie
Y
0
=
T
0
E
_
M
T
B
t
_
dt =
T
0
E
_
M
t
B
t
_
dt.
6. Montrer, au moyen de la formule dIt que
E
_
M
t
B
t
_
=
t
0
E(M
s
sign(B
s
)) ds,
pour 0 t T. et en dduire que
Y
0
= T
2
/2 2
T
0
(T s)(
s)ds. (7.7)
o est la fonction de rpartition de la loi normale centre rduite.
7. Supposons que Y
0
reprsente lutilit (mesure le bien tre que lon prouve quand on con-
somme c) associe un plan de consommation (c
t
= exp(B(t))) et une information F et que
Y
0
reprsente lutilit associe au mme plan de consommation mais avec linformation F.
Interprtez alors le rsultat trouv en (7.5) et en (7.7) selon que > 0 ou que < 0.
Exercice 7.2.4 facts on quadratic BSDE The solution of the BSDE dy
t
= az
2
t
z
t
dB
t
, y
T
=
is y
t
=
1
2a
ln E(e
2a
|F
t
). The solution of
dy = (az
2
+bz)dt zdB
t
obtained by Girsanov.
dy = (az
2
+bz)dt zdB
t
= az
2
dt z(dB
t
bdt) = az
2
dt z
t
d
B
t
)
leads to
y
t
=
1
2a
ln
E(e
2a
|F
t
)
=
1
2a
ln E(e
bB
T
1
2
b
2
T
e
2a
|F
t
)e
bB
t
1
2
b
2
t
=
1
2a
_
ln E(e
bB
T
1
2
b
2
T
e
2a
|F
t
) +bB
t

1
2
b
2
t
_
The solution of
dy = (az
2
+bz +c
t
)dt zdB
t
follows setting y
t
= y
t
+
t
0
c
s
ds. The process y satises
d y = (az
2
+bz)dt zdB
t
, y
T
= +
T
0
c
s
ds
therefore
1
2a
_
ln E(e
bB
T
1
2
b
2
T
e
2a(+
T
0
c
s
ds)
|F
t
) +bB
t

1
2
b
2
t
_
t
0
c
s
ds
7.3 Thormes de reprsentation
Exercice 7.3.1 Soit B
(i)
, i = 1, 2, 3 trois MB, avec B
(i)
, i = 1, 2 indpendants. Montrer quil nest
pas possible davoir (B
(3)
s
, s t)) = (B
(1)
s
, B
(2)
s
, s t).
Exercice 7.3.2 Changement de temps Soit M
t
=
t
0
11
B
s
>0
dB
s
.
1. Justier que (M
t
, t 0) est une martingale.
2. Trouver un processus (A
t
, t 0) croissant tel que M
2
t
A
t
est une (F
t
)-martingale.
3. On admet quil existe un processus croissant C tel que A(C(t)) = t. Montrer que (M
C
t
, t 0)
est un (G
t
)-mouvement Brownien. Prciser quelle est la ltration (G
t
)-utilise.
Exercice 7.3.3 Crochet et indpendance. Soient B
1
et B
2
deux MB tels que leur crochet soit
nul. Montrer quils sont indpendants.
7.4 Temps local.
Exercice 7.4.1 Loi du couple (|B
t
|, L
t
). On note L le temps local de B.
1. Montrer que la loi du couple (|B
t
|, L
t
) est
t
(da, d) = 11
a0
11
0
2(a +)
2t
3
exp
_
(a +)
2
2t
_
da d
2. On note T
a
= inf{t 0; B
t
= a} et
= inf{t 0; L
t
= }. Montrer que T
loi
=
3. Montrer que le processus (|B

t
|, L
t
) est markovien de semi groupe
Q
t
(, , f) =

t
(da, d)f( ( a), ( ) + )
4. Montrer que, pour tout t, les v.a.s S
t
(S
t
B
t
) et B
t
sont indpendantes.
5. Montrer que S
t
(S
t
B
t
)
loi
=
t
2
E o E est une variable exponentielle de paramtre 1.
Exercice 7.4.2 Formule de Tanaka.
1. Peut-on appliquer la formule dIt pour calculer dZ
t
avec Z
t
= |B
t
|?
2. On admet quil existe un processus croissant L tel que
|B
t
| = |B
0
| +
t
0
f(B
s
)dB
s
+L
t
avec f(x) = 1 si x > 0 et f(x) = 1 sinon. Montrer que (
t
0
f(B
s
)dB
s
, t 0) est un
mouvement Brownien que lon notera .
3. Soit S
t
= sup
st
B
s
. Vrier que S est un processus croissant. Comparer les dcompositions
|B
t
| =
t
+ L
t
et S
t
B
t
= B
t
+ S
t
. Pour cette question, je ne vous demande aucun
raisonnement prcis.
Exercice 7.4.3 Temps local. Soit L le temps local. Montrer que L
t
= inf
st
(|B
s
| +L
s
).
Exercice 7.4.4 Temps alatoire. Soit B un MB, S son maximum sur [0, 1] (soit S = sup{B
s
, s
1} et = inf{t 1 : B
t
= S}. La v.a. est-elle un temps darrt? Quelle est la loi de ? On
calculera P( u) et on utilisera le principe de rexion et lidentit de Lvy (S
t
B
t
, t 0)
loi
=
(|B
t
|, t 0).
Calculer P( t|F
t
).
Exercice 7.4.5 Des martingales. Soit X une martingale continue et S
t
= sup
st
X
s
.
1. Pour quelles fonctions f le processus Y
t
= f(X
t
, S
t
, X
t
) est-il une martingale locale?
2. Montrer que si g est C
2
et g(0) = 0, le processus
g(S
t
) (S
t
X
t
)g
(S
t
)
3. Montrer que si g est C
2
et g(0) = 0, le processus
g(L
t
) |X
t
|g
(L
t
)
Exercice 7.4.6 Scaling Soit B un MB et L son temps local. Montrer que
(L
x
2
t
, x R, t 0)
loi
= (L
x/
t
x R, t 0)
On utilisera

2
t
0
f(B
s
)ds
loi
=
2
t
0
f(B
u
)du
Exercice 7.4.7 Calculer E(L
x
T
a
).
Exercice 7.4.8 Let M be a continuous martingale such that M
= and the associated

Dubins-Schwarz BM. Prove that L
a
t
(M) = L
a
M
t
().
Exercice 7.4.9 Let be a non negative process indexed by R
+
R. Prove that
dy
t
0
d
s
L
y
s
(s, y) =
t
0
d
s
Y
s
(s, Y
s
) .
7.5 Lois
Exercice 7.5.1 Temps datteinte. Soit X solution de
X
t
= a(X
t
)dt +b(X
t
)dB
t
, X
0
= x.
On note T
a
= inf{t 0 | X
t
= a}.
1. Donner des conditions sur la fonction V pour que (e
t
V (X
t
), t 0) soit une martingale.
2. En dduire E(e
T
a
11
(T
a
<)
) en fonction de V . On ne demande pas dexpliciter V .
3. Soit f(x) =
x
0
y
b(y)
dy et Y
t
= f(X
t
). On suppose b C
1
. Calculer dY
t
.
4. En dduire que
t
0
X
s
dB
s
= f(X
t
)f(x)+
t
0
g(X
s
) ds o g est une fonction que lon prcisera.
Exercice 7.5.2 Temps datteinte Soit V
t
= v + B
t
et
a
(V ) = inf{t : V
t
= a}. Montrer que
a
(V )
loi
=
(a v)
2
G
2
, o G est une variable de loi N(0, 1).
Comment calculer E
_
11
{T<
a
(V )}
h(V
T
)
_
?
Exercice 7.5.3 Soit M une martingale telle que M
0
= a et lim
t
M
t
= 0. On rappelle (exercice
1.5.11) sup M
t
loi
=
a
U
o U est une v.a. de loi uniforme sur [0, 1].
On propose des applications de ce rsultat.
1. Let B be a BM with initial value a > 0 and T
0
= inf{t : B
t
= 0}. Identify the law of
sup
uT
0
B
u
.
2. Prove that, for a > 0, sup
u
(B
u
au)
loi
=
1
2a
e, where e is a standard exponential variable with
mean 1.
3. Let B be a BM and T
1
the rst hitting time of 1. Dene I
t
= inf
st
B
s
. Identify the law of
I
T
1
.
Exercice 7.5.4 Loi du maximum.
On rappelle que, pour T x, max
tT
B
t
loi
= |B
T
|. On note C = E[(e
B
T
1)
+
] et P = [(1e
B
T
)
+
].
Montrer que pour x > 0
E[max
tT
(xe
B
t
xe
B
T
)] = x[C +P]
(Il ny a aucun calcul faire)
7.6 Filtrations
Exercice 7.6.1 Agent initi Lagent initi connait la valeur terminale du Brownien. Le problme
est de savoir comment se transforment les martingales. Soit Z
t
def
= B
t

t
0
B
T
B
u
T u
du
1. Soit f une fonction dterministe. Montrer que
E[Z
u
T
0
f(v)dB
v
] =
u
0
f(v)dv
u
0
ds
1
T s
T
s
dvf(v)
En dduire que si, pour tout u, E[Z
u
T
0
f(v)dB
v
] = 0 , alors f vrie f(u) =
1
T u
T
u
dvf(v)
et montrer que f est une constante.
2. Soit t < T. On admet que E(B
t
|B
T
) = aB
T
+ b o a et b sont des constantes. Montrer que
b = 0 et que a =
t
T
. (On pourra prendre lesprance des deux membres et calculer E(B
t
B
T
))
3. Soit s < t < T. On admet que E(B
t
|B
s
, B
T
) = aB
s
+bB
T
+c o a, b et c sont des constantes.
Montrer que a =
T t
T s
, b =
t s
T s
, c = 0.
4. On note F
t
= F
t
(B
T
) la tribu engendre par (B
u
, u t) et par B
T
. On admet que pour
s < t, E(B
t
|B
T
, B
s
) = E(B
t
|F
s
). Montrer que Z est une (F
t
)- martingale. On pourrait
montrer que cest un MB.
Exercice 7.6.2 Soit G une ltration et B un G mouvement brownien.
1. Soit H une ltration plus petite que G. Vrier que le processus M
t
= E(B
t
|H
t
) est une
martingale. (on prcisera par rapport quelle ltration).
2. Soit X
t
= B
t
+
t
0
Y
u
du o Y est un processus G adapt intgrable. On note F
X
la ltration
de X (qui vrie F
X
t
G
t
) et

Y
u
= E(Y
u
|F
X
u
). Vrier que Z
t
= (X
t

t
0
Y
u
du, t 0) est
une F
X
-martingale (on calculera lesprance conditionnelle de Z
t
par rapport F
X
s
). Montrer
que Z est un mouvement Brownien.
7.7 Options barrires
Exercice 7.7.1 On note N la fonction de rpartition de la loi normale et M
t
= sup(B
s
, s t).
1. Soit x R. Montrer que P(B
t
x) = P(B
t
x) = N(x(
t)
1
).
2. Soit y > 0 donn, T = inf{t 0 |B
t
= y}.
Soit B
t
= B
T+t
B
T
. On admet que T est un temps darrt et (B
t
, t 0) est un Brownien
indpendant de F
T
.
(a) Montrer que
P(B
t
x, M
t
> y) = P(T < t, B
tT
x y)
(b) Montrer que
P(T < t, B
tT
x y) =
t
0
P(T du)P(B
tu
x y) = P(T < t, B
tT
y x)
(c) Montrer que pour y > x, on a
P(B
t
x, M
t
> y) = P(B
t
2y x)
En dduire que
P(B
t
x, M
t
< y) = N(
x
t
) N(
x 2y
t
)
3. En dduire la loi de T, celle de M
t
et la densit du couple (B
t
, M
t
).
4. Soit X
t
= t + B
t
, Y
t
= sup (X
s
, 0 s t}. Montrer, en utilisant le thorme de Girsanov,
que le calcul de
P(X
t
< x, Y
t
< y)
se dduit du calcul prcdent.
7.8 Mandres, ponts, excursions
Exercice 7.8.1 Loi conditionnelle. Soit d
t
= inf{s t : B
s
= 0}. Montrer que d
t
(B)
loi
=
t +
(B
t
)
2
G
2
o G est une variable gaussienne de loi N(0, 1) indpendante de B
t
. Soit g = sup{t
1 : B
t
= 0}. Calculer P(g t|F
t
).
Exercice 7.8.2 Martingale dAzma. On admet que le processus m
u
=
1
t g
t
|B
g
t
+u(tg
t
)
|, u
1 est indpendant de F
g
t
, que sgneB
t
est F
g
t
mesurable et que m
1
a pour densit xe
x
2
/2
11
x>0
dx.
Calculer E(B
t
|F
g
t
), E(B
2
t
t|F
g
t
) et E(e
B
t
2
2
t
|F
g
t
). Montrer que ces processus sont des martin-
gales.
7.9 Divers
t
= S
t
(dt +dB
t
) et

S
t
= S
t
max(1, max
0st
K
S
s
). Calculer e
rT
E(
S
T
)
2009-10 87
Exercice 7.9.2 Soit S un brownien gomtrique
dS
t
= S
t
(dt +dB
t
)
On pose M
t
=
1
t
t
0
S
u
du. Calculer
E((M
T
k)
+
|F
t
)11
M
t
(Tk/t)
1. Soit s < t M
s
= sup
us
B
u
, M
s
t
= sup
sut
B
u
. Calculer P(M
s
< a, M
s
t
< b, B
t
< c). On
donnera le rsultat sous forme dune intgrale.
2. Soit X
t
= e
2(B
t
+t)
(x +
t
0
e
2(B
s
+s)
ds). Montrer que
dX
t
= f(t, X
t
)dt +g(t, X
t
)dB
t
o lon explicitera les fonctions f et g. Comment pourrait-on calculer le prix dune option
europenne sur le sous jacent X, en prsence dun actif sans risque de taux constant r?
Exercice 7.9.3 Let B be a Brownian motion and T
a
= inf{t 0 : B
t
= a} where a > 0.
1. Using the Dolans-Dade exponential of B, prove that
E(e
2
T
a
/2|F
t
) = e
a
+
T
a
t
0
e
(aB
u
)
2
u/2
du
and that
e
2
T
a
/2
= e
a
+
T
a
0
e
(aB
u
)
2
u/2
du
2. By dierentiating the Laplace transform of T
a
, and the fact that satises the Kolmogorov
equation, prove that
e
c
= 2

0
e
2
t/2

t
(t, c) dt
where (t, x) =
1
2t
e
x
2
/(2t)
.
3. Prove that, for any f
E(f(T
a
)|F
t
) = E(f(T
a
)) + 2
T
a
t
0

0
f(u +s)

u
(u, B
s
a)dudB
s
4. Deduce that
11
T
a
<t
= P(T
a
< t) + 2
T
a
t
0
(T t, B
t
a)dB
t
88 Sauts. Enoncs
Chapter 8
Processus sauts
8.1 Processus de Poisson
Un processus de Poisson standard est un processus de comptage (i.e. N
t
=
i=1
11
T
i
t
, o les
T
i
sont des v.a. positives croissantes) accroissements indpendents et stationnaires. La variable
alatoire N
t
a pour loi une loi de Poisson de paramtre .
Un processus de Poisson dintensit dterministe (s) est un processus de comptage tel que M
t
=
N
t

t
0
(s)ds est la martingale compense. POur tout processus Z on dnit

t
0
Z
s
dN
s
=
i=1
Z
T
i
11
T
i
t
=
st
Z
s
N
s
.
Si
dX
t
= a
t
dt +
t
dB
t
+
t
dN
t
dY
t
=
t
dt +
t
dB
t
+
t
dN
t
la formule dintgration par parties est
d(XY )
t
= X
t
dY
t
+Y
t
dX
t
+
t
t
dt +
t
t
dN
t
X
t
dY
t
+Y
t
dX
t
+d[X, Y ]
t
Dans cete section, N est un processus de Poisson de ltration naturelle F = (F
t
= (N
s
, s t); t
0).
Exercice 8.1.1 Montrer que si N est un processus de Poisson standard, M
t
def
= N
t
t est une
martingale. Montrer que si N est un processus de Poisson dintensit (s), f une fonction borlienne
borne et g une fonction borlienne borne valeurs dans ] 1, [, les processus
X
t
= exp(
t
0
f(s)dN
s
+
t
0
(s)(1 e
f(s)
)ds)
Y
t
= exp(
t
0
ln(1 +g(s))dM
s
+
t
0
[ln(1 +g(s)) g(s)](s)ds)
sont des martingales.
Exercice 8.1.2 Soit N
i
, i = 1, 2 deux processus de Poisson indpendants de mme intensit. Mon-
trer que N
1
N
2
est une martingale.
Exercice 8.1.3 Soit F
t
= (N
s
, s t, N
T
). Montrer que
M
t
def
= N
t

t
0
N
T
N
s
T s
ds
89
90 Sauts. Enoncs
est une F
-martingale.
Exercice 8.1.4 Caractrisation de Processus de Poisson.
1. Calculer (z, t) =
n
z
n
P(N
t
= n).
2. Soit X un processus accroissements indpendants, valeurs dans lensemble des entiers, tel
que X
t+s
X
t
loi
= X
s
et (z, t) =
n
z
n
P(X
t
= n). Montrer que (z, t + h) = (z, t)(z, h).
On suppose quil existe tel que
1
h
P(X
h
2) 0 ,
1
h
P(X
h
= 1) ,
1
h
(1 P(X
h
= 0))
quand h tend vers 0. Montrer que

t
(z, t) = (z 1)(z, t). Quel est le processus X?
Exercice 8.1.5 Calculer la transforme de Laplace de

t
0
N
s
ds
Exercice 8.1.6 On note = T
1
le premier saut de N et D
t
= N
t
1. Dterminer tel que Z
t
= D
t

t
0
u
du soit une martingale.
2. On note L
t
= (1 D
t
)/(1 F(t)) o F(t) = P( t) est suppose continue. Montrer que
dL
t
=
t
dZ
t
o on explicitera . Mme question si F est seulement continue droite.
3. Soit N
1
et N
2
deux PP dintensit constante
1
et
2
et D
i
les processus associs. On note
1
(t) = (
1
1)D
2
(t) et
2
(t) = (
2
1)D
1
(t). Soit
t
solution de d
t
=
t
(
1
(t)dZ
1
(t)+
2
(t)dZ
2
(t)). Expliciter
t
. Soit dQ =
t
dP. Calculer Q(
1
> t,
2
< s) pour s < t.
8.2 Poisson compos
Soit un nombre rel positif, une loi de probabilit sur R. Un processus de Poisson compos de
paramtres (, ) est un processus X = (X
t
, t 0) de la forme
X
t
=
N
t
k=1
Y
k
o N est un processus de Poisson dintensit et o les (Y
k
, k N) sont des v.a. i.i.d. de loi ,
indpendantes de N.
Exercice 8.2.1 Soit M
t
= N
t
t et Z
t
= X
t
t. Montrer que Z et (M
t
Y
t
t, t 0) sont
des martingales.
Exercice 8.2.2 On considre lquation
X
t
= x +N
t
c
t
0
X
s
ds
1. Montrer que cette quation admet au plus une solution.
2009-10 91
2. Montrer que
e
ct
x +
t
0
e
c(ts)
dN
s
est une solution.
Exercice 8.2.3 Montrer quun processus de Poisson compos a des accroissements indpendants et
stationnaires et que (si Y
1
est intgrable)
E(X
t
) = tE(Y
1
)
Var (X
t
) = tE(Y
2
1
).
Exercice 8.2.4 Let X be a (, ) componud
Exercice 8.2.5 Let X be a (, ) compound Poisson process and f a bounded Borel function.
Then,
exp
_
N
t
k=1
f(Y
k
) +t
(1 e
f(x)
)(dx)
_
is a martingale.
Poisson process. Prove that the process
M
f
t
=
st
f(X
s
)11
X
s
=0
t(f)
is a martingale; the process
(M
f
t
)
2
t(f
2
)
is a martingale.
Suppose that X is a pure jump process and that there exists a nite positive measure such
that

st
f(X
s
)11
X
s
=0
t(f)
is a martingale for any f, then X is a compound Poisson process.
Exercice 8.2.6 If X is a (, ) compound Poisson process,
E(e
X
t
) = exp
_
t
_
1

0
e
u
(du)
__
.
8.3 Formule dIt
Dans cette section, B est un mouvement Brownien et N un processus de Poisson de martingale
compense M. On note F
t
= (W
s
, N
s
, s t).
Exercice 8.3.1 On suppose que N est dintensit constante .
1. Montrer que la solution de
dS
t
= S(t
)(rdt +dB
t
+dM
t
), S
0
= x
est, pour > 1
S
t
= xe
rt
exp(W
t

1
2
2
t) exp(ln(1 +)N
t
t) . (8.1)
92 Sauts. Enoncs
2. Ecrire la solution en faisant apparaitre la martingale M.
3. Quelle est la dynamique de 1/S?
4. Quelle est la dynamique de S
2
?
5. Calculer E(S
t
) et E(S
2
t
).
6. Quelle est la solution de (8.1)pour = 1? et pour < 1?
7. Quelle est la solution de (8.1) lorsque les coecients dpendent du temps?
Exercice 8.3.2 Soit
dX
t
= (t, X
t
)dt +(t, X
t
)dB
t
+(t, X
t
)dM
t
et H une fonction de classe C
1,2
. Sous quelles conditions sur les coecients le processus Y
t
= H(t, X
t
)
est-il une martingale locale?
8.4 Temps de Dfaut
Exercice 8.4.1 Soit un temps alatoire sur un espace (, G, P). On suppose quil existe un
processus positif, G-adapt (
s
, s 0) tel que 11
t
t
0
u
du soit une G martingale. Soit h une
fonction borlienne, X une variable alatoire G
T
mesurable et
V
t
= E(X exp
T
t
s
ds +
T
t
duh
u
u
_
exp
u
t
s
ds
_
|G
t
) .
Montrer que
11
{t<}
V
t
= E
_
(V
)11
{t<T}
+X11
{T<}
G
t
_
.
8.5 March complets, incomplets
Exercice 8.5.1 Soit
dS
t
= S
t
[dt +dM
t
]
and r = 0. Quelle est la condition pour que ce march soit sans arbitrage? Quelle est le m.m.e. Q?
Quelle est la dynamique de S sous Q?
Exercice 8.5.2 On tudie un modle dans lequel il y a un actif sans risque de taux r et un actif
risqu
dS
t
= S(t
)(rdt +dB
t
+dM
t
) (8.2)
1. Montrer que ce march est incomplet, dterminer les m.m.e..
2. Quels sont les actifs duplicables?
3. On note X
x,,C
la valeur dun portefeuille de richesse initiale x, avec processus de consom-
mation cumul C. Montrer que
R
t
X
t
= x +
t
0
s
X
s
d(RS)
t
0
R
s
dC
s
2009-10 93
4. Soit Q lensemble des probabilits risque neutre, et
V
t
= esssup
Q
E
Q
(R
T
B|F
t
)
On admettra que V est une surmartingale pour tout Q et que toute surmatingale scrit comme
une martingale moins un processus croissant.
Montrer quil existe A
Q
processus croissant, , tels que V
t
= v +
t
0
s
dB
Q
s
+
t
0
dM
Q
s
A
Q
t
,
o W
Q
et M
Q
sont des Q-martingales et B
Q
un MB.. Prciser le lien entre A
P
et A
Q
.
5. Montrer que
t

t
0
6. Montrer que A
P
t
0
(
s

s
) est un processus croissant.
7. En dduire que V est la valeur dun portefeuille X dont on explicitera le processus de consom-
mation.
Exercice 8.5.3 On considre un actif de prix
dS
t
= S
t
(rdt +dM
t
)
o M est la martingale compos e associ un processus de Poisson dintensit constante .
1. Vrier que S
t
e
rt
est une martingale.
2. Soit X le valeur dun portefeuille autonancant comportant parts dactif risqu, soit
dX
t
= rX
t
dt +
t
(dS
t
rS
t
dt)
Vrier que

X
t
= e
rt
X
t
est une martingale. Ecrire la dynamique de

X en fonction de

S.
3. Ecrire lEDS vrie par X/S.
4. On pose dQ = S
t
e
rt
/S
0
dP. Vrier que X/S est une martingale sous Q.
94 Rappels. Corrigs
CORRIGES
Chapter 1
Rappels, Corrigs
1.1 Tribu
Exercice 1.1.1: Lensemble B A scrit B A
c
. Si F est une tribu, elle est stable par passage
au complmentaire et par intersection, do le rsultat.
Exercice 1.1.2 : 1) La tribu engendre par A est constitue des quatre ensembles A, A
c
, , .
2) Cette tribu doit contenir A et B, lensemble vide et . Puis les complmentaires, soit A
c
et B
c
(les complmentaires de et de lensemble vide gaux lensemble vide et sont dj dans la
liste). Puis les unions densembles soit A B, les autres unions A = , A B
c
= B
c
,... sont
dja dans la liste. Puis les intersections A
c
B
c
. On a termin car les autres ensembles forms
partir doprations de passage au complmentaire, dintersection et dunion sont dans la liste par
exemple (A
c
B
c
) B
c
= B
c
.
Exercice 1.1.4 : Soit G = F
1
F
2
la famille compose des ensembles qui appartiennent F
1
et
F
2
. La famille G est une tribu si
(i) G, ce qui est le cas car F
1
, F
2
donc F
1
F
2
.
(ii) la famille G est stable par passage au complmentaire: si A G, la stabilit des
tribus F
1
et F
2
par passage au complmentaire implique A
c
F
1
, A
c
F
2
donc A
c
F
1
F
2
.
(iii) la famille G est stable par intersection dnombrable: si A
i
G, la stabilit des
tribus F
1
et F
2
par intersection dnombrable implique
i
A
i
F
1
, A
c
F
2
donc
i
A
c
F
1
F
2
.
Les autres proprits rsultent des prcdentes: Lensemble vide appartient G car cest le compl-
mentaire de ( utiliser (i) et (ii)), la famille G est stable par union dnombrable: en passant au
complmentaire lidentit (A
i
)
c
(A
c
i
) on obtient A
i
= (
i
A
i
)
c
. Il reste utiliser (ii) et (iii).
Lunion de tribus nest pas une tribu: considrer le cas F
1
= (A), F
2
= (B). la famille F
1
F
2
ne contient pas A
c
B
c
. Ne pas confondre sous ensembles et lments. Par exemple, un intervalle
est un sous ensemble de R, et nest pas un lment de R.
Exercice 1.1.6 : On utilise que X
1
(B) = { : X() B}. La famille C est une tribu: la sta-
bilit requise provient des galits suivantes: X
1
(B
c
) = (X
1
(B))
c
, X
1
(B
n
) = X
1
(B
n
). On
trouvera une dmonstration de la rciproque dans tout ouvrage de proba, cette dmonstration est
base sur le thorme qui prcise que si une tribu contient une classe stable par intersection nie,
elle contient la plus petite tribu engendre par cette classe.
Exercice 1.1.7 : Les diverses quantits que lon veut comparer sont gales. Les esprances E(f(X))
et E(f(Z)) sont gales parce que X et Z ont mme loi, et E(f(X, Y )) = E(f(Z, T)) car le couple
(X, Y ) a mme loi que le couple (Z, T). Si lhypothse (Z, T) sont indpendantes ntait pas faite,
95
96 Rappels. Corrigs
lgalit en loi des variables X et Z et celle des variables Y et T ne surait pas. Par exemple, on
peut prendre X
loi
= Y de loi gaussienne N(0, 1), X et Y indpendantes et Z = T = X. On aurait
alors E(X
2
Y
2
) = 1 et E(Z
2
T
2
) = E(X
4
) = 3. (contre exemple pour la question 3)
1.2 Variables gaussiennes.
Exercice 1.2.1 : Par symtrie de la densit et imparit de x
3
, on a E(X
3
) = 0 et, par parit de
x
4
on a E(X
4
) =
2

0
x
4
e
x
2
2
2
dx. Cette dernire intgrale se calcule par intgrations par
parties successives et on obtient E(X
4
) = 3
4
.
On a galement E(|X|) =
2

0
xexp
x
2
2
2
dx, do E(|X|) =
2
2
et, par des calculs ana-
logues E(|X
3
|) =
4
3
2
.
Soit U une variable gaussienne desprance m et de variance
2
. Pour calculer E(exp{U
2
+U}),
on doit calculer
1
e
u
2
+u
e
1
2
2
(um)
2
du.
On montre que
u
2
+u
1
2
2
(u m)
2
=
1
2
2
_
u ( +
m
2
)
2
_
2
+

2
2
( +
m
2
)
2
m
2
2
2
avec
2
=

2
12
2
.
Il vient
E(exp{U
2
+U}) =

exp
_
2
2
( +
m
2
)
2
m
2
2
2
_
.
En particulier
E(exp U
2
) =
1
1 2
2
exp
m
2
1 2
2
Par proprit de lesprance conditionelle E(e
aXY
) = E((X)) avec (x) = e
axY
.
Exercice 1.2.2 : Si X et Y sont gaussiennes indpendantes de loi N(m
1
,
2
1
) et N(m
2
,
2
2
), la
somme X +Y est gaussienne: ceci se voit trs facilement avec les fonctions caractristiques:
E(e
it(X+Y )
) = E(e
itX
)E(e
itY
) = e
itm
1
t
2
2
1
2
e
itm
2
t
2
2
2
2
= e
itm
t
2
2
2
avec m = m
1
+m
2
et
2
=
2
1
+
2
2
.
On peut le voir aussi en se souvenant que si X et Y sont indpendantes, de densit f et g, la somme
X + Y a pour densit h(x) =
f(x y) g(y) dy et en eectuant le calcul. Attention, ce rsultat

nest pas ncessairement vrai si on na pas lindpendance de X et Y (la somme de deux gaussiennes
est une gaussienne si le vecteur est gaussien).
On peut aussi calculer la transforme de Laplace de la somme
E
_
exp((X +Y ))
_
= E(exp((X))E(exp((Y ))
= exp[(m
1
+m
2
) +

2
2
(
2
1
+
2
2
)]
ce qui montre que la somme a une loi gausienne desprance m
1
+m
2
et de variance
2
1
+
2
2
.
Exercice 1.2.3 :
Monique Jeanblanc, M2IF Evry 97
1. Si X est N(m,
2
), sa densit est f(x) =
1
2
exp
(x m)
2
2
2
et la v.a. Y =
X m
est
N(0, 1). On peut le vrier de plusieurs faons.
En calculant la fonction de rpartition de Y : Soit F
Y
la fonction de rpartition de Y . On
a F
Y
(y) = P(Y y) = P(X m+y) = F
X
(m+y). Il reste driver par rapport y
pour obtenir la densit de Y qui est f(m+y) =
1
2
exp
y
2
2
.
On peut utiliser les fonctions caractristiques. Soit (t) = E(e
itX
) = e
itm
t
2
2
2
la fonc-
tion caractristique de X; la fontion caractristique de Y est
E(e
itY
) = E(e
it
Xm
) = e
itm
(
t
) = e
t
2
2
Cette remarque permet de ramener des calculs sur N(m,
2
) des calculs sur N(0, 1).
La variable Xm est gaussienne centre. Do en utilisant lexercice 1.2.1, E(|Xm|) =
2
2
.
2. On a E(e
X
) =
1
e
x
exp
(x m)
2
2
2
dx.
On montre que e
x
exp
(xm)
2
2
2
= exp(m+
1
2
2
) exp[
1
2
2
(x (m+
2
))
2
] et le rsultat
sobtient facilement.
3. Soit X une v.a. de loi N(0, 1). On a
E(11
X<b
e
X
) =
1
e
x
e
x
2
2
dx =
1
2
e
2
2
x
2
2
dx = e
2
2
(b ).
4. Il est facile, par changement de variable, dobtenir
E(e
X
f(X)) = e
m+
2
2
/2
E(f(X +
2
)
pour f continue borne.
5. Par drivation par rapport , on obtient pour f "rgulire"
E(f(X)(X m)) =
2
E(f
(X))
6. En drivant E(e
aG
N(bG+c)) par rapport b, on obtient le rsultat.
Exercice 1.2.4 : On rappele quelques rsultats classiques:
(a) la convergence L
2
implique la convergence L
1
: ||X
n
X||
2
converge vers 0 implique ||X
n
X||
1
converge vers 0, avec ||X||
1
=
|X|dP. Ce rsultat est vident compte tenu de lingalit ||X||

1

||X||
2
qui rsulte de la positivit de la variance Var (|X| ) = ||X||
2
2
||X||
2
1
.
(b) Si X
n
converge vers X dans L
2
(resp. L
1
), on a E(X
2
n
) converge vers E(X
2
) (resp E(X
n
)
converge vers E(X)). (La rciproque est fausse)
Si X
n
converge dans L
2
vers X, on a en particulier m
n
converge vers m et
2
n
converge vers .
La suite de fonctions caractristiques e
itm
n
t
2
2
n
2
converge vers e
itm
t
2
2
2
et la loi de X est gaussienne.
Exercice 1.2.5 : Soit X un vecteur gaussien. Le vecteur Y = AX est un vecteur gaussien,
car toutes les combinaisons linaires de composantes de Y sont des combinaisons linaires de com-
posantes de X, donc une variable gaussienne.
Que le vecteur X soit gaussien ou non, on a E(AX) = AE(X) et Var AX = A
t
(Var X)A, o
VarX dsigne la matrice de variance covariance du vecteur X. On obtient dans le cas p = 1 que
98 Rappels. Corrigs
A
t
(Var X)A 0, cest--dire que les matrices de variance covariance sont semi dnies positives.
Exercice 1.2.6 : La v.a. X + Y est gaussienne desprance E(X) + E(Y ) et de variance
2
(X) +
2
2
(Y ). On en dduit
E(exp(X +Y )) = exp
_
E(X) +E(Y ) +
1
2
(
2
2
(X) +
2
2
(Y ))
_
= exp
_
E(X) +
1
2
2
(X)
_
exp
_
E(Y ) +
1
2
2
(Y )
_
= E(exp X) E(exp Y )
do lindpendance.
Exercice 1.2.7 : Si (X, Y ) est un vecteur gaussien, X et Y sont des vecteurs gaussiens.
Cas d = 1. La projection de X sur (Y
1
, Y
2
, . . . , Y
n
) est de la forme Pr X =
n
i=1
a
i
Y
i
Cest une v.a.
gaussienne car Y est gaussien. Le vecteur (X Pr X, Y ) est gaussien. Les vecteurs X Pr X et Y
sont indpendants car E((X Pr X)Y
i
) = 0 par dnition de la projection.
Exercice 1.2.8 : Toujours avec la transforme de Laplace.
On vrie dans un premier temps que
E(exp(X)) = E[E(exp(X)|Y )] = E[exp((aY +b) +

2
2

2
)]
= exp[aE(Y ) +

2
a
2
2

2
(Y )] exp[b +

2
2

2
]
donc, la v.a. X est gaussienne desprance b + aE(Y ) et de variance
2
+ a
2
2
(Y ). On calcule de
la mme faon E(Y e
X
) = E(Y exp((aY + b) +

2
2

2
)] et en drivant par rapport , on trouve
E(XY ) = aE(Y
2
) +bE(Y ).
Dautre part
E(exp(X +Y )) = E[exp(Y )E(exp(X|Y )]
= E[exp(Y ) exp((aY +b) +

2
2

2
)]
= E[exp[(a +)Y ]] exp(b +

2
2
2
)
= exp[(a +)E(Y ) +
(a +)
2
2

2
(Y )] exp(b +

2
2
2
)
et on vrie que ceci est
exp(E(X) +E(Y )) +
1
2
Var(X +Y ))
1.3 Esprance conditionnelle
Exercice 1.3.2 : Il sut de calculer E([XY ]
2
|G) qui vaut 0 (dvelopper le carr) donc, en prenant
lesprance E([X Y ]
2
) = 0.
Exercice 1.3.5 : Sous les hypothses de lexercice E(XY |G) = E(X|G)Y car Y est G-mesurable
et E(X Y |G) = E(X Y ) = m par indpendance. Do E(X|G) = m + Y . De la mme faon
E((X Y )
2
|G) = E(X
2
|G) 2Y E(X|G) +Y
2
do E(X
2
|G) =
2
+ (Y +m)
2
.
Exercice 1.3.6 : Par dnition de la projection E(XZ) = E((Pr X)Z) pour tout Z combinaison
linaire des Y
i
. Cela ne sut pas dire que Pr X est lesprance conditionnelle car il existe des v.a.
qui sont Y -mesurable et qui ne sont pas combinaison linaire des Y
i
. Mais nous avons montr que
XPr X et Y sont indpendantes, do E(XPr X|Y ) = E(XPr X) = 0. Do E(X|Y ) = Pr X.
Si n = 1, E(X|Y ) = Pr X appartient lespace engendr par Y donc scrit Y , et on dduit de
E(X|Y ) = Y , aprs multiplication par Y et intgration =
E(XY )
E(Y
2
)
.
Exercice 1.3.7 : Soit X = X
1
+ X
2
. On a E(X|G) = E(X
1
|G) + E(X
2
|G) = E(X
1
) + X
2
. Puis
E(X
2
|G) = E(X
2
1
) +X
2
2
+ 2X
2
E(X
1
) et
Var (X|G) = E(X
2
|G) (E(X|G))
2
= Var X
1
.
E(e
X
|G) = E(e
X
1
e
X
2
|G) = e
X
2
E(e
X
1
) = e
X
2
exp(E(X
1
) +

2
2
Var (X
1
))
Exercice 1.3.8 : Il est facile de montrer la suite dgalits
Cov (Z
1
, Z
2
|G) = E(Z
1
Z
2
|G) E(Z
1
|G)E(Z
2
|G)
= E(Z
1
Z
2
|G) E(Z
2
(E(Z
1
|G))|G)
= E((Z
1
E(Z
1
|G) Z
2
|G)
Exercice 1.3.9 : Le membre de droite, not K est H mesurable. Il sut de vrier que
E(X11
H
) = E(K11
H
)
pour tout H H, ce qui se rduit
E(X11
C
11
A
) = E(K11
C
11
A
, et E(X11
C
11
A
c ) = E(K11
C
11
A
c )
ce qui est routine.
Exercice 1.3.10 : Par linarit, E(aX + b|Z) = aE(X|Z) + b. La tribu engendre par Z est
compose des sous-ensembles de de la forme Z
1
(A) o A est un borlien de R et Z
1
(A) =
{|Z() A} = {|Y () + b A} = {|Y () B} o B est lensemble des nombres rels tels
que x B x + b A et est un borlien (La preuve parfaite exigerait la dmonstration de ce
point, qui tient au fait que B est limage rciproque de A par lapplication g : y
1
y b, soit
B = g
1
(A) et que g est continue, donc borlienne)
Exercice 1.3.11 : La premiere question est directe en utilisant le rsultat admis dans lexercice
1.1.6. En utilisant cette question, on a que E(X|G)11
1
est de la forme h(1 )11
1
= h(1)11
1
.
En prenant lesprance des deux membres, on identie la constante h(1).
Exercice 1.3.12 : Trivial.
Exercice 1.3.13 : E(X|F) est G F mesurable. Soit F F et G G, on a alors, en utilisant
lindpendance
E(X11
F
11
G
) = E(X11
F
)E(11
G
)
et
E(11
F
11
G
E(X|F)) = E(11
F
E(X|F))E(11
G
)
donc E(X11
F
11
G
) = E(11
F
11
G
E(X|F)). Nous avons donc montr que E(X11
H
) = E(11
H
E(X|F)) pour
tout H G F de la forme H = F G. Ces ensembles engendrent la tribu G F et forment une
famille stable par intersection. Lapplication qui H associe E(X11
H
) (resp. E(11
H
E(X|F))) dnit
100 Rappels. Corrigs
une mesure positive sur cette tribu, les deux mesures, aprs normalisation par E(X) sont des prob-
abilits (cest--dire lapplication qui H associe E(X11
H
)/E(X) est une probabilit) qui coincident
sur les ensembles de la forme F G, donc, par thorme de classe monotone, elles coincident sur la
tribu engendre.
Exercice 1.3.14 : Seule la rciproque demande une dmonstration. Si E
Q
(X|G) = E
P
(X|G) alors
E
P
(LX|G) = E
P
(X|G)E
P
(L|G) = E
P
(XE
P
(L|G)|G) Do E
P
(X(L E
P
(L|G))|G) = 0 pour tout X. Il
en rsulte (prendre X = L E
P
(L|G)) que L E
P
(L|G) = 0.
Exercice 1.3.15 : Soit dQ = (X)dP. On a E
P
((X)) =
(x)f(x)dx, E
Q
((X)) = E
P
((X)(X)) =
(x)(x)f(x)dx. Il sut de choisir telle que (x)f(x) = g(x).

1.4 Martingales
Exercice 1.4.1 : Soit s t et X
t
= E(X|F
t
). On a, en utilisant F
t
F
s
E(X
s
|F
t
) = E(X|F
s
|F
t
) = E(X|F
t
) = X
t
.
Exercice 1.4.2 : Soit X
t
= M
t
A
t
. On a, pour t s E(X
t
|F
s
) = M
s
E(A
t
|F
s
) et comme
A
s
A
t
ou A
t
A
s
, E(X
t
|F
s
) M
s
E(A
s
|F
s
) = M
s
A
s
= X
s
.
Exercice 1.4.3 : Cest le lemme de Fatou: de lingalit
E(M
t
n
|F
s
) = M
s
n
on en dduit lingalit de surmartingale en utilisant que M
s
n
converge vers M
s
et que
limE(M
t
n
|F
s
) E(limM
t
n
|F
s
) = E(M
t
|F
s
)
(le lemme de Fatou assure que limE(X
n
|G) E(limX
n
|G) si les v.a. sont positives).
Soit F F et G G E(X11
F
11
G
) = E(11
F
11
G
E(X|F)) car E(X11
F
11
G
) = E(X11
F
)E(11
G
) et
E(11
F
11
G
E(X|F)) = E(11
F
E(X|F))E(11
G
).
Exercice 1.4.4 : Par dnition de la proprit de martingale, X
t
= E(X
T
|F
t
). Cette proprit est
la base de tous les calculs dvaluation en nance. En eet, ces formules reposent sur le fait quun
certain processus est une martingale et donc que sa valeur linstant t est lesprance conditionnelle
de sa valeur terminale.
Exercice 1.4.7 : Soit G = (G
t
, t 0) la ltration de M, cest dire G
t
= (M
s
, s t). Par dni-
tion, G
t
F
t
(La martingale M est F adapte, et la ltration de M est la plus petite ltration telle
que la proprit dadaptation soit vraie. On a alors E(M
t
|G
s
) = E(M
t
|F
s
|G
s
) = E(M
s
|G
s
) = M
s
On
peut aussi montrer que si que si M est une F-martingale et H
t
F
t
, E(M
t
|H
t
) est une H-martingale.
Exercice 1.4.8 : Pour s < t, on a ( s) ( < t), do
Z
t
= E( t|F
t
) E( s|F
t
)
et le rsultat suit en prenant lesprance conditionnelle par rapport F
s
.
Exercice 1.4.9 : Si X est un PAI, et X
t
intgrable, pour t > s, les proprits de lesprance
conditionelle permettent dcrire
E(X
t
X
s
|F
s
) = E(X
t
X
s
)
d Y
t
def
= X
t
E(X
t
) est une martingale. En utilisant que le PAI Y est une martingale
E(Y
2
t
Y
2
s
|F
s
) = E((Y
t
Y
s
)
2
|F
s
) = E((Y
t
Y
s
)
2
)
et il est facile den dduire que X
2
t
E(X
2
t
) est une martingale. De la mme faon
E(Z
t
|F
s
) =
E(e
X
t
|F
s
E(e
X
t
)
=
E(e
(X
t
X
s
)
|F
s
E(e
X
t
)
e
X
s
=
E(e
(X
t
X
s
)
)
E(e
(X
t
X
s
)
)E(e
X
s
)
e
X
s
=
1
E(e
X
s
)
e
X
s
= Z
s
1.5 Temps darrt
Exercice 1.5.1 : La seule dicult est la stabilit par passage au complmentaire. Si A F
on
crit
A
c
( t) = ( t) (A ( t) F
t
Exercice 1.5.2 :Par hypothse sur X, pour tout a, {X a} F
T
Par dnition de la tribu F
T
,
{X a} {T t} F
t
. Par suite {X a} {T a} F
a
. Le premier membre de cette inclusion
est {X a}.
Exercice 1.5.4 : Il sut dcrire
A (T t) = A (S t) (T t)
et donc, si A F
S
on a A (T t) F
t
.
Exercice 1.5.5: Il sut dcrire
(S a) (S t) = (S (a t)) F
at
Exercice 1.5.6: Montrons que S T F
T
. pour cela , on crit
(S T) (T t) = (S t T t) (T t) (S t)
et chacu des trois ensembles du membre de droite est dans F
t
(car S t est plus petit que t donc
F
t
mesurable.
On introduit R = S T. Cest un temps darrt, F
R
mesurable avec F
R
F
T
. Donc
(R = T) F
T
, et (R < T) F
T
, par suite (S < T) F
T
et S = T F
T
, ainsi que T S
et T < S.
Exercice 1.5.7 : Soit x. La fonction t Z
t
() vaut 1 pour t [S(), T([ et 0 sinon. Elle
est continue sur les trois intervalles [0, S()[, ]S(), T()[, ]T(), [. Elle est continue droite en
S() car si t S() "par la droite" (soit t > S()), Z
t
() = 1 tend vers Z
S()
() = 1.
Exercice 1.5.11 : Utiliser le thorme darrt et le temps darrt T
y
pour y > a. On a E(M
T
y
t
) =
a. On fait alors tendre t vers linni M
T
y
t
converge vers y sur T
y
< et vers 0 sinon. (et est
born). Do P(T
y
< ) = a/y. Il reste remarquer que P(T
y
< ) = P(sup M
t
y).
102 Rappels. Corrigs
1.6 Temps discret
Exercice ?? : Lgalit E(X
n+p
|F
n
) = X
n
est vraie pour p = 1. En utilisant
E(X
n+p
|F
n
) = E(X
n+p
|F
n+p1
|F
n
) = E(X
n+p1
|F
n
)
on dmontre le rsultat par rcurrence.
Exercice ?? : On obtient
E((H M)
n
|F
n1
) =
n
k=1
E(H
k
(M
k
M
k1
) |F
n1
)
=
n1
k=1
H
k
(M
k
M
k1
) +E(H
n
(M
n
M
n1
) |F
n1
)
=
n1
k=1
H
k
(M
k
M
k1
) +H
n
E(M
n
M
n1
|F
n1
)
=
n1
k=1
H
k
(M
k
M
k1
)
1.7 Algbre bta-gamma
1.8 Divers
Exercice 1.8.1 :
E(exp M
) = E(

0
dte
t
e
M
t
) = E(

0
dte
t

M
t
e
u
du)
= E(

0
dt

0
due
t
11
u>M
t
e
u
) = E(

0
du

0
dte
t
11
T
u
>t
e
u
)
= E(

0
due
u
T
u
0
dte
t
) =

0
due
u
(1 e
T
u
)
Exercice 1.8.2 : La partie directe est vidente, car e
X
et e
Y
sont indpendantes. La rciproque
nest pas vraie, comme le montre le contre exemple suivant: Soit X, Y telles que P(X = i, Y = j) =
a
i,j
o les a
i,j
sont donns pas les coecients de la matrice
_
_
1/9 1/6 1/18
1/18 1/9 1/6
1/6 1/18 1/9
_
_
La loi de X est gale celle de Y et P(X = i) = 1/3 = P(Y = j). On vrie que X et Y ne sont
pas indpendantes (par exemple P(X = 1, Y = 3) = 1/9.
La loi de X +Y est gale la loi de X
1
+Y
1
o X
1
a mme loi que X, Y
1
a mme loi que Y et X
1
et Y
1
sont indpendantes.
Cet exercice montre que la loi de la somme de deux v.a. dpend trs fortement de la loi du
COUPLE. Rappellons ce sujet que si Z
1
et Z
2
sont gaussiennes, cela nimplique pas que Z
1
+Z
2
est gaussienne: Le contre exemple suivant du Nelson le prouve: Soit n la densit gaussienne rduite
centre et u une fonction impaire continue, nulle hors de [1, +1] telle que |u(x)| < (2e)
1/2
. On
vrie que f(x, y) = n(x)n(y) + u(x)u(y) est une densit, que les lois marginales sont normales, et
la loi de la somme nest pas normale.
Par contre, si le vecteur (X, Y ) est gaussien, la somme X + Y est gaussienne. Pour que le vecteur
(X, Y ) soit gaussien, il faut et il sut que X soit gaussien et que la loi conditionnelle de Y X soit
gaussienne.
104 Brownien. Corrigs
Chapter 2
Mouvement Brownien, Corrigs
2.1 Proprits lmentaires
Exercice 2.1.1 : Trivial. Ceci constitue une caractrisation du mouvement Brownien comme pro-
cessus gaussien centr de covariance t s.
Exercice 2.1.3 :
1. On a E(B
s
B
2
t
) = E( E(B
s
B
2
t
|F
s
)). La variable alatoire B
s
est F
s
-mesurable, do E(B
s
B
2
t
) =
E(B
s
E(B
2
t
|F
s
)).
On sait que B
2
t
t est une martingale, do, si s > t, E(B
2
t
|F
s
) = B
2
s
s +t. En utilisant que
la v.a. B
t
est centre et que E(B
3
t
) = 0, on obtient que
E(B
s
B
2
t
) = E(B
s
(B
2
s
s +t)) = E(B
3
s
) = 0.
Si s > t, on a E(B
s
B
2
t
) = E( E(B
s
B
2
t
|F
t
)) = E(B
2
t
E(B
s
|F
t
)) = E(B
3
t
) = 0 o on a utilis la
proprit de martingale de B.
2. Le MB est une martingale, donc E(B
t
|F
s
) = B
s
pour t s et E(B
t
|F
s
) = B
s
pour t < s car B
t
est F
s
-mesurable dans ce cas. Si s < t, E(B
t
|B
s
) = E(B
t
B
s
+B
s
|B
s
) = E(B
t
B
s
|B
s
)+B
s
=
B
s
car B
t
B
s
est indpendant de B
s
et centr. Si t < s, on sinspire du pont Brownien (voir
ex suivant) pour crire E(B
t
|B
s
) = E(B
t

t
s
B
s
|B
s
) +
t
s
B
s
. La v.a. B
t

t
s
B
s
est centre
et indpendante de B
s
: en eet, le couple (B
t

t
s
B
s
, B
s
) est un couple gaussien centr et sa
covariance est nulle. On en dduit E(B
t
|B
s
) =
t
s
B
s
.
On peut aussi utiliser les rsultats sur le conditionnement dun vecteur gaussien.
3. La variable B
t
+ B
s
est gaussienne (car B est un processus gaussien) centre. On peut
aussi crire (B
t
+ B
s
) comme une somme de v.a. gaussiennes indpendantes: si t > s,
B
t
+B
s
= B
t
B
s
+ 2B
s
. On en dduit que sa variance est t + 3s.
4. Soit
s
une variable alatoire borne F
s
-mesurable. On a, pour s t
E(
s
(B
t
B
s
)) = E(E(
s
(B
t
B
s
)|F
s
)) = E(
s
E((B
t
B
s
)|F
s
)) = 0.
De mme
E(
s
(B
t
B
s
)
2
) = E(E(
s
(B
t
B
s
)
2
|F
s
)) = E(
s
E((B
t
B
s
)
2
|F
s
)) = (t s)E(
s
).
105
5. E(11
B
t
a
) = P(B
t
a) = P(
tU a) = P(U a/
t) o U est une v.a. de loi N(0, 1).

E(B
t
11
B
t
a
) =
x
1
2t
exp(
x
2
2t
) dx =
a/
y
1
2
exp(
y
2
2
) dy et la dernire int-
grale se calcule facilement.
Exercice 2.1.4 :
Pour t > u, la proprit dindpendance et de stationarit des accroissements conduit
f(B
t
) = f(B
t
B
u
+B
u
)
loi
= f(
B
tu
+B
u
))
loi
= f(
B
tu
+
uG))
o

B
s
= B
s+u
B
u
est un MB indpendant de F
u
et G une v;a. gaussienne standard, indpendante
de

B
tu
.
Exercice 2.1.5 :
On peut calculer la densit de B
P(B
dx) =
P(B
t
dx)e
t
11
t>0
dt =

0
1
2t
exp(
x
2
2t
)e
t
dt
On trouve
P(B
dx) =
2
2
e
|x|
2
dx
mais ce calcul dintgrale nest pas trivial. Cependant, on peut y arriver sans utiliser un attirail lourd
de changement de variables. On sait que la transforme de Laplace du temps datteinte du niveau a
par un mouvement Brownien est e
|a|
2
et que la densit de ce temps datteinte est
|a|
2u
3
e
a
2
/2u
.
Ce qui scrit
|a|
2
= E(e
T
a
) =

0
e
t
|a|
2t
3
e
a
2
/2t
dt .
Par drivation par rapport , on obtient
|a|
2
e
|a|
2
=

0
e
t
|a|
2t
e
a
2
/2t
dt .
Do

0
e
t
1
2t
e
a
2
/2t
dt =
2
2
e
|a|
2
.
Exercice 2.1.6 :
1. Le processus M est F-mesurable. La v.a. M
t
est intgrable: E(|B
3
t
|) = Ct
3
2
o C est une
constante et E|
t
0
B
s
ds|
t
0
E(|B
s
|) ds =
t
0
2s
ds < .
En utilisant que, pour t > s, la v.a. B
t
B
s
est indpendante de F
s
, on obtient
E(B
3
t
|F
s
) = E((B
t
B
s
+B
s
)
3
|F
s
) = E((B
t
B
s
)
3
) + 3B
s
E(B
t
B
s
)
2
+ 3B
2
s
E(B
t
B
s
) +B
3
s
= 3B
s
(t s) +B
3
s
.
Dautre part
E(
t
0
B
u
du|F
s
) =
t
0
E(B
u
|F
s
) du =
s
0
E(B
u
|F
s
) du+
t
s
E(B
u
|F
s
) du =
s
0
B
u
du+B
s
(ts)
La proprit de martingale de M est alors facile vrier.
2. Des calculs analogues aux prcdents montrent que B
3
t
3tB
t
est une martingale. Il sut
de montrer que pour s < t, E(B
3
t
3tB
t
|F
s
) = B
3
s
3sB
s
. Or, en utilisant que B
t
B
s
est
indpendant de F
s
, on obtient E((B
t
B
s
)
3
|F
s
) = E((B
t
B
s
)
3
) = 0 car E(X
3
) = 0 si X est
une variable gaussienne centre. Il reste utiliser (ab)
3
= a
3
3a
2
b +3ab
2
b
3
pour obtenir
E(B
t
B
s
)
3
|F
s
) = E(B
3
t
|F
s
) 3B
s
E(B
2
t
|F
s
) + 3B
2
s
E(B
t
|F
s
) B
3
s
= E(B
3
t
|F
s
) 3B
s
(B
2
s
s +t) + 3B
2
s
B
s
B
3
s
Le processus B
3
t
3tB
t
est une martingale, donc par dirence tB
t
t
0
B
s
ds est une martin-
gale, gale (intgration par parties)
t
0
sdB
s
.
3. La v.a. X
t
est F
t
-mesurable et intgrable : en eet |X
t
| t|B
t
| +
t
0
|B
s
|ds =: Z et il est
facile de vrier que Z est intgrable (soit E(Z) < , car E(|B
t
|) =
2t
2
).
Soit t > s.
E(X
t
|F
s
) = E(tB
t

t
0
B
u
du|F
s
) = tE(B
t
|F
s
)
t
0
E(B
u
|F
s
)du
= tB
s

s
0
B
u
du
t
s
B
s
du = tB
s

s
0
B
u
du B
s
(t s)
=
s
0
B
u
du +B
s
s = X
s
le processus X est une martingale.
On peut aussi appliquer la formule dIt et vrier que dX
t
= tdB
t
. Comme f(s) = s est de
carr intgrable (soit
t
0
s
2
ds < ) , lintgrale de Wiener
t
0
sdB
s
est une martingale. On
peut aussi remarquer que, par intgration par parties, X
t
=
t
0
sdB
s
.
4. On verra plus tard que U nest pas une martingale. On peut remarquer que E(U
t
) nest sans
doute pas constant.
5. Soit t > s. E(Y
t
|F
s
) = E(t
2
B
t
2
t
0
B
u
du|F
s
) = t
2
E(B
t
|F
s
) 2
t
0
E(B
u
|F
s
)du = t
2
B
s

2
s
0
B
u
du2
t
s
B
s
du = t
2
B
s
2
s
0
B
u
du2B
s
(t s) = Y
s
+(t
2
s
2
)B
s
2B
s
(t s) Pour
que Y soit une martingale, il faudrait que 0 = (t
2
s
2
)B
s
2B
s
(t s) = (t s)B
s
(t +s 2),
ce qui nest pas.
Exercice 2.4.4 : En crivant M
t
= (B
2
t
t)+(a+b)B
t
ab et en utilisant que B et (B
2
t
t, t 0)
sont des martingales, le caractre martingale de M provient de la structure espace vectoriel de
lensemble des martingales. Le processus M
tT
a,b
est une martingale de valeur initiale ab, donc
E[M
tT
a,b
] = ab. Le temps darrt T
a,b
, major par T
a
est ni (cf. Exercice 2.4.1). Lorsque t
converge vers linni M
tT
a,b
= (aB
tT
a,b
)(B
tT
a,b
b) +t T
a,b
converge vers (aB
T
a,b
)(B
T
a,b
b) + T
a,b
= T
a,b
, car (a B
T
a,b
)(B
T
a,b
b) = 0. La quantit (a B
tT
a,b
)(B
tT
a,b
b) est ma-
jore par (a b)
2
et la quantit t T
a,b
converge en croissant vers T
a,b
dont on ne sait pas quelle
est intgrable. On peut conclure en appliquant le thorme de Lebesgue domin pour la partie
E(a B
tT
a,b
)(B
tT
a,b
b) et le thorme de convergence monotone pour la partie portant sur le
temps darrt. On en dduit E(T
a,b
) = ab.
Exercice 2.1.9 : Soit t s. E
x
(f(B
t
)g(B
s
)) = E
x
(f(

B
ts
+B
s
)g(B
s
)) = E
_
dyf(y)p
ts
(B
s
, y)g(B
s
)
_
=
E((X
s
)) avec (z) = g(z)
f(y)p
ts
(z, y)dy.
Do E
x
(f(B
t
)g(B
s
)) =
p
s
(x, z)(z)dz.
Autre mode de raisonnement: On applique la proprit de Markov.
E
x
(f(B
t
)g(B
s
)) = E
x
(g(B
s
)E((f(B
t
)|F
s
)) = E
x
(g(B
s
)E((f(B
t
)|B
s
)) = E
x
(g(B
s
)(B
s
))
avec (z) = E
z
(f(B
ts
)) =
f(y)p
ts
(z, y)dy.
Exercice 2.1.11 :En utilisant lexercice 1.2.1:
E
x
(exp (B
t
)
2
) =
1
1 + 2t
exp(
x
2
1 + 2t
)
Exercice 2.1.13 : E|
1
0
B
s
s
ds|
1
0
E|
B
s
s
|ds = c
1
0
1
s
ds < .
Exercice 2.1.14 Utiliser que {B
t
< 0} { t}.
Exercice 2.1.16 La quantit e
t
u(B
t
) est majore par e
t
M, qui est intgrable sur [0, ], do
lexistence de f et g.
La suite dgalits
E
x
_

dte
t
u(B
t
)
_
= E
x
_
E
x
_

dte
t
u(B
t
) |F
__
E
x
_

dte
t
u(B
t
)|F
_
= e
E
x
_

0
dte
t
u(B
t+
B
+B
)|F
_
E
x
_

0
dte
t
u(B
t+
B
+B
)|F
_
=

0
dte
t
E
x
(u(B
t+
B
+B
)|F
)
E
x
(u(B
t+
B
+B
)|F
) = E
B
[u(
B
t
)]
o la dernire galit rsulte de la proprit forte de Markov,

B tant le Brownien (B
t+
B
, t 0),
indpendant de F
, conduisent
E
x
_

dte
t
u(B
t
)
_
= E
x
(e
(B
))
avec (x) =

0
dte
t
E
x
[u(
B
t
)] = f(x) ce qui est le rsultat souhait.
k
k!
E(B
k
t
|F
s
) =
k
k!
H
k
(B
s
, (t s))
Exercice 2.1.19 :P(au moins un zro dans ]s, t[|B
s
= a) = P(T
a
t s). Il reste calculer
2

0
da
1
2s
e
a
2
/2s
ts
0
dx(2x
3
)
1/2
a exp(
a
2
2x
)
On utilise Fubini et de la trigonomtrie.
2.2 Processus Gaussien
Exercice 2.2.1 : Le processus Y tel que Y
t
=
t
0
B
u
du est dni trajectoire par trajectoire, comme
intgrale de Riemann dune fonction continue. En particulier, on a dY
t
= B
t
dt. Nous vrions que le
processus Y est un processus gaussien. Tout dabord, la v.a. Y
t
est une gaussienne comme limite de
sommes de Riemann qui sont des gaussiennes car B est un processus gaussien. Le caractre gaussien
du processus sobtient par un raisonnement analogue.
On a E(Y
t
) =
t
0
E(B
u
) du = 0.
La covariance de Y est E(Y
t
Y
s
) =
t
0
du
s
0
dvE(B
u
B
v
). Il reste intgrer
t
0
du
_
s
0
dv(u v)
_
.
On se place dans le cas s < t et il vient
E(Y
t
Y
s
) =
s
0
du
_
s
0
(v u)dv
_
+
t
s
du
_
s
0
(v u)dv
_
=
s
0
du
_
u
0
vdv +
s
u
udv
_
+
t
s
du
_
s
0
vdv
_
.
Tous calculs faits, pour s < t: E(Y
t
Y
s
) =
s
2
6
(3t s).
Exercice 2.2.2 La solution est
X
t
= e
at
x +e
at
t
0
e
(a+b)t
dB
t
On procde comme pour le processus dOU. On peut aussi rsoudre dX
t
= aX
t
dt ce qui donne
X
t
= Ce
at
et appliquer une mthode de variation de la constante. On cherche un processus C tel
que X
t
= C
t
e
at
vrie lquation (cette mthode ne prend toute sa signication que si on a vu la
formule dintgration par parties)
dX
t
= aC
t
e
at
dt +e
at
dC
t
= aX
t
dt +e
bt
dB
t
dou e
at
dC
t
= e
bt
dB
t
soit dC
t
= e
(b+a)t
dB
t
. Il resterait vrier que lon a bien trouv une
solution, car on ne dispose pas du lemme dIt et on ne sait pas justier que la drive de C
t
e
at
est aC
t
e
at
dt +e
at
dC
t
.
Exercice 2.2.4 :
1. Le processus (Z
t
= B
t
tB
1
, 0 t 1) est un processus gaussien car pour tout choix de
(a
i
, t
i
)
a
i
Z
t
i
=
a
i
B
t
i
(
a
i
t
i
)B
1
est une v.a.r. gaussienne (B est un processus gaussien). De la mme faon, on obtient que
le vecteur (Z
t
, B
1
) est gaussien. Ses deux composantes Z
t
et B
1
sont indpendantes car
E(Z
t
B
1
) = E(B
t
B
1
) tE(B
2
1
) = 0. La covariance de Z est
E(Z
t
Z
s
) = E(B
s
B
t
) sE(B
1
B
t
) tE(B
s
B
1
) +tsE(B
2
1
) = (s t) st.
On appelle Z un pont Brownien.
2. Le processus (Y
t
= Z
1t
, 0 t 1) est gaussien centr. Sa covariance est, pour s t,
E(Y
t
Y
s
) = (1 t) (1 s) (1 s)(1 t) = (s t) st = s(1 t).
3. Soit Y
t
= (1 t)B t
1t
. Le processus Y est un processus gaussien car

a
i
Y
t
i
=
b
i
B
s
i
. On
a E(Y
t
) = 0 et pour s < t
E(Y
s
Y
t
) = (1 t)(1 s)E(B t
1t
B
s
1s
) = (1 t)(1 s)
s
1 s
= s(1 t)
Exercice 2.2.5 : Par dnition de lintgrale de Riemann, toute combinaison linaire
i
a
i
Z
t
i
est limite dans L
2
de sommes du type
j
b
j
B
t
j
, do le caractre gaussien. (Attention, il ne faut
pas se contenter de dire que Z est la somme de deux processus gaussiens. La somme de deux v.a.
gaussiennes nest pas ncessairement une gaussienne. Cette proprit est vraie si les variables sont
indpendantes) On utilise ici que
t
0
B
s
s
ds = lim
n
i=0
B
t
i
t
i
(t
i+1
t
i
).
Pour caractriser la loi du processus gaussien Z, il sut de donner son esprance et sa covariance.
Il est immdiat de montrer que E(Z
t
) = 0. Il reste calculer la covariance. Soit s < t.
E(Z
s
Z
t
) = E(B
s
B
t
) E[
t
0
B
s
B
u
u
du] E[B
t
s
0
B
u
u
du] +E[
t
0
du
B
u
u
s
0
dv
B
v
v
On utilise que E(
b
a
f(B
u
)du) =
b
a
E[f(B
u
)]du et que E(B
u
B
v
) = u v). Aprs quelques calculs
dintgration sur les intgrales doubles, il vient E(Z
s
Z
t
) = s. Le processus Z est un processus
gaussien desprance nulle et de covariance s t.
Le processus Z est donc un mouvement Brownien. Cependant le processus Z nest pas une (F
t
)
martingale: pour s > t
E(Z
s
Z
t
|F
t
) =
s
t
1
u
B
s
du = 0
On a ici lexemple dun processus qui est un MB (et une martingale par rapport sa propre ltra-
tion), mais qui nest pas un brownien, ni mme une martingale par rapport une ltration plus
grosse. Le problme est connu sous le nom de grossissement de ltration. (Voir lexercice sur lagent
initi, dans le chapitre complments)
Exercice 2.2.6 : B
u

u
t
B
t
= (B
u

u
t +h
B
t+h
)
u
t
(B
t

t
t +h
B
t+h
) montre la croissance de
t
et B
t
est orthogonal B
u

u
t
B
t
.
Exercice 2.2.7 : Rappel (cf. Exercice 1.6.2) : soit X est une v.a. de loi N(m;
2
) et Y =
exp{(X m)
1
2
2
}. Soit dQ = Y dP. Sous Q, X est une v.a. de densit N(m+
2
,
2
).
On montre alors que

B
t
= B
t
mt a une loi gaussienne sous Q.
On vrie ensuite lindpendance des accroissements: il sagit de montrer que
E
Q
((

B
t+s

B
s
) (

B
s
)) = E
Q
((

B
t+s

B
s
)) E
Q
((

B
s
))
pour toutes fonctions borliennes bornes (, ). On a, par changement de probabilit, avec L
t
=
exp(mB
t

m
2
2
t)
A = E
Q
((

B
t+s

B
s
) (

B
s
)) = E
P
(L
t+s
(

B
t+s

B
s
) (

B
s
).
On a

B
t+s

B
s
= B
t+s
B
s
mt.
En utilisant lindpendance de B
t+s
B
s
et de B
s
(sous P) et la forme de L, on obtient
A = E
P
[exp(m(B
t+s
B
s
)
1
2
m
2
t)) (B
t+s
B
s
mt)] E
P
[exp(mB
s

1
2
m
2
s)(

B
s
)].
Sous P, B
t+s
B
s
et B
t
ont mme loi, do
A = E
P
[exp(mB
t

1
2
m
2
t)(B
t
mt)] E
P
[exp(mB
s

1
2
m
2
s)(

B
s
)]
= E
P
[exp(mB
t

1
2
m
2
t)(

B
t
)] E
P
[exp(mB
s

1
2
m
2
s)(

B
s
)]
ce qui conduit
A = E
Q
((

B
t
)) E
Q
((

B
s
)) .
Exercice 2.2.8 :
sup
t
(|B
t
| t
p/2
)| = sup
s
(|B
2
s
)| (
2
s)
p/2
)
loi
= sup
s
(|B
s
| (
2
s)
p/2
) = sup
s
(|B
s
| s
p/2
)
E(|B
T
|) E((|B
T
| T
p/2
)) +E(T
p/2
) E(sup
t
(|B
t
| t
p/2
)) +E(T
p/2
)
2.3 Multidimensionnel
Exercice 2.3.2 : Si les coecients
i
sont des constantes, il sut de dnir B
3
(t) =
1
2
1
+
2
2
(
1
B
1
(t)+
2
B
2
(t)). Ce processus est un mouvement Brownien car cest une martingale et (B
2
3
(t)t; t 0) est
une martingale. Si les sont dterministes, on pose dB
3
=
1
2
1
(t)+
2
2
(t)
(
1
(t)dB
1
(t) +
2
(t)dB
2
(t)).
Le processus
B
(3)
(t) =
1
1
2
(B
(2)
(t) B
(1)
(t))
est une martingale
B
2
(3)
(t) =
1
1
2
(B
2
(2)
+
2
B
2
(1)
(t) 2B
(1)
(t)B
(2)
(t)
Par dnition de la corrlation, B
(1)
(t)B
(2)
(t) t est une martingale. Il sen suit que B
2
(3)
(t) t
est une martingale, donc B
(3)
est un MB. Il reste montrer que B
(3)
est indpendant de B
(1)
.
Remarque: On peut utiliser le thorme de RP pour tablir que si le coecient de corrlation de
deux MB est nul, ces processus sont indpendants.
2.4 Temps datteinte
Exercice 2.4.1 : Soit > 0. Le processus M dni par M
t
= exp(B
t
1
2
2
On applique le thorme darrt de Doob. Si a > 0, la martingale M
tT
a
est uniformment int-
grable, car majore par exp(a). Donc E(exp(B
T
a
1
2
2
T
a
)) = 1, soit E(exp(a
1
2
2
T
a
)11
T
a
<
) =
1. Do E(exp(
1
2
2
T
a
) 11
T
a
<
) = exp a. Pour = 0; on obtient P(T
a
< ) = 1, puis
E(exp(
1
2
2
T
a
) ) = exp a. En drivant par rapport
2
, et en prenant = 0, on en dduit
lesprance de T
a
.
Exercice 2.4.2 : Appliquer le thorme darrt de Doob la martingale B et au processus
B
2
tn
(t n).
Exercice ?? : On note S
t
= max
st
B
s
. En remarquant que S
T
= max
st
B
s
max
t<sT
B
s
on
en dduit
P( > T|F
t
) = P(S
T
< a|F
t
) = 11
S
t
<a
P( max
t<s<T
B
s
B
t
< a B
t
|F
t
)
Le processus

B
u
= B
t+u
B
t
est un MB indpendant de F
t
. Do P(max
t<s<T
B
s
B
t
< aB
t
|F
t
) =
(a B
t
) avec
(x) = P( max
0<u<Tt
B
u
< x) = P(|
B
Tt
| < x) = P(|
T t G| < x) =
2
2
x
Tt
0
e
u
2
/2
du.
Exercice 2.4.5 : Des calculs simples montrent que E(e
T
d
) = E(exp |B
d
|
2)e
d
. De mme,
E(11
B
d
e
T
d
) = E(11
B
d
(B
d
))e
d
avec (x) = E
x
(e
T
0
) = E
0
(e
T
x
) = exp(|x|
2. Do
E(11
B
d
e
T
d
) = E(11
B
d
exp(|B
d
|
2)e
d
) = E(11
G/
d
exp(G
2d)e
d
)
Exercice 2.4.3 : La proprit de Markov fort montre que

B
t
= B
T
a
+t
B
T
a
= B
T
a
+t
a est
indpendant de F
T
a
, donc de T
a
. Comme b > a, on a
T
b
= inf{t : B
t
= b} = inf{t T
a
: B
t
= b} = T
a
+ inf{t :

B
t
= b a}
On en dduit que la v.a. T
b
T
a
est indpendante de T
a
et que T
b
T
a
loi
= T
ba
. Le processus T
a
est donc accroissements indpendants et stationnaires. Cest donc un processus de Lvy.
Le processus e
(X
t
t)
1
2
2
t
est une martingale. On applique ensuite le thorme darrt de Doob
pour obtenir
E(
_
exp
_
1
2
2
T
a
__
= e
a
exp
_
|a|
2
+
2
_
.
Ensuite, on montre que
(e
b
e
a
)e
X
t
t
+ (e
ab
e
b
)e
X
t
t
est une martingale pour =
2
+ 2 , =
2
+ 2 .
Exercice 2.4.7 : Par dnition P(I x) = P(inf
sT
1
B
s
x) = P(T
1
T
x
). En utilisant le
thorme darrt de Doob E(B
T
1
T
x
) = E(B
0
) = 0, do
P(T
1
T
x
) xP(T
1
T
x
) = 0 = P(T
1
T
x
) x(1 P(T
1
T
x
))
et P(T
1
T
x
) =
x
1 +x
.
Exercice 2.4.8 : On utilise que (M
T
a
< y) = (sup
u<v
B
u
< y).
P(M
T
a
y > x|M
T
a
> y) = P(T
> T
x+y
|T
a
> T
y
)
= P(M
u
B
u
a, T
y
< u < T
x+y
|M
u
B
u
< a, u < T
y
)
= P(

M
u

B
u
a, u, 0 < u <

T
x
) = P(

M
T
a
x)
Pour obtenir le paramtre, on calcule lesprance
0 = E(B
T
n
= E(M
T
a
n
) E(M
T
a
n
B
T
a
n
)
et on passe la limite E(M
T
a
n
) = a.
Exercice 2.4.9 : Le processus exp[2X
t
/
2
] est une martingale, en eet il est facile de mettre
ce processus sous la forme exp(B
t

1
2
2
t). On en dduit que h(X
t
) est une martingale et que
E(h(X
t)
) = h(0). Lingalit |h(X
t)
)| sup
x[B,A]
(h(x)) permet dappliquer le thorme de
convergence domine.
Exercice 2.4.15 : On sait que (Lamberton et Lapeyre 2nd edition, page 96, Musiela et Rutkowski
p. 49, Voir aussi Karatzas et Shreve, page 95) si M
t
= sup
st
B
s
P(B
t
x, M
t
y) = P(B
t
x) P(B
t
2y x)
pour 0 y, x y. On en dduit, par drivation
P(B
t
dx, M
t
y) =
1
2t
exp(
x
2
2t
)
1
2t
exp(
(2y x)
2
2t
)
et
P(M
t
y|B
t
= x) =
P(B
t
dx, M
t
y)
P(B
t
dx)
= 1 exp(
(2y x)
2
2t
+
x
2
2t
)
Si le MB est issu de x, on utilise
P(sup
st
B
s
+x y|B
t
+x = z) = P(M
t
y x|B
t
= z x)
2.5 Scaling
Exercice 2.5.2 : La partie a) rsulte de
(T
1
> t) = (1 > S
t
)
loi
= (1 >
tS
1
) = (
1
S
2
1
> t)
La partie c) rsulte de
d
a
= inf{t
a
: B
t
= 0} = inf{t :
1
a
A
t
1,
1
a
B
t
= 0}
loi
= inf{t : A
t/a
1, B
t/a
= 0} = ad
1
et
(A
g
a) = (g
1
) = (1 d
a
loi
= (1 ad
1
) = (
1
d
1
a)
La partie d) est facile. Dans ce cas
1
loi
= T
1
= inf{t : sup
st
|B
s
| 1}.
Exercice 2.5.3 :
P( sup
1t1
|B
t
| x) = P( sup
1t(1/x
2
)
|B
t
| 1) = P(M
1

1
x
2
)
2.6 Complments
Exercice 2.6.1 : On calcule E((B
t

B
t
)
2
)
E((B
t

B
t
)
2
) = E(B
2
t
) +E(
B
2
t
) 2E(B
t
B
t
)
= 2t 2E(B
t
B
t
)
Il reste calculer
E(B
t
B
t
) = E[ E
_
(B
t
B
t
|G
t
_
]) = E(
B
2
t
) = t
do E((B
t

B
t
)
2
) = 0; il sen suit lgalit souhaite.
Exercice 2.6.4 : Soit s < t. Nous devons montrer que pour u s,
(s)
u
def
= B
u
u
s
B
s

t
. Il sut
dcrire
(s)
u
= B
u
u
t
B
t
+
u
s
(
s
t
B
t
B
s
) =
(t)
u

u
s
(t)
s
. Le processus (
(t)
u
; u t) est indpendant
de la variable
u
t
B
t
(calculer les covariances), et B
u
= (
(s)
u
+
u
t
B
t
est la dcomposition orthogonale
de B, la projection de F
t
est donc
t
0
f(s)d
s
(t)
s
. Le processus

B est un processus gaussien centr
de covariance t s, cest un MB (On peut aussi le voir en utilisant des rsultats dunicit en loi de
solution dqua di) Il est facile de montrer que
B
s
=
(t)
s

s
0
du
u

(t)
u
et que, en particulier
B
t
=
t
0
du
u

(t)
u
Do lgalit des tribus. Il en rsulte, en notant

F(t) =
t
0
f(s)ds et en utilisant une intgration
par partie que
t
0
f(s)dB
s
=
t
0
f(s)d
B
s

B
t
t
F(t) +
t
0
F(s)
s
d
B
s
.
Exercice 2.6.7 : On utilisera le thorme de reprsentation prvisible pour reprsenter B
(1)
t
, B
(2)
t
en terme de B
(3)
. Si lgalit tait possible, on aurait B
(i)
t
=
t
0
(i)
s
dB
s
avec
t
0
E[
(i)
s
]
2
ds = t et
E(B
(1)
t
B
(2)
t
) = E(
t
0
(1)
s

(2)
s
ds) = 0.
Exercice 2.6.8 : Les premires questions se traitaient en utilisant des formules dintgration par
parties, ou la formule dIt. A la main, on calcule
B
t
+
t
0
B
s
X
s
1 s
ds = B
t
+
t
0
B
s
1 s
ds
t
0
ds
s
0
B
u
(1 u)
2
du
t
0
ds
s
0
1
1 u
dB
u
= B
t

t
0
t u
1 u
dB
u
+
t
0
B
s
1 s
(1
t s
1 s
)ds
=
t
0
(1
t u
1 u
)dB
u
+
t
0
B
s
1 s
(1
t s
1 s
)ds
= (1 t)
t
0
1
1 u
dB
u
+ (1 t)
t
0
B
s
(1 s)
2
ds
Par direntiation
dX
t
= (1 t)
B
t
(1 t)
2
dt dt
t
0
B
s
(1 s)
2
ds + (1 t)
1
1 t
dB
t
dt
t
0
1
1 s
dB
s
=
B
t
1 t
dt +dB
t

1
1 t
X
t
dt
Le calcul de la covariance du processus Gaussien X sobtenait en appliquant plusieurs fois le
rsultat disomtrie
E(
t
0
f(u)dB
u
s
0
g(u)dB
u
) =
ts
0
f(u)g(u)du
et en remarquant que les v.a.
t
0
f(u)dB
u
et
s
0
g(v)dB
v
sont indpendantes. On trouvait pour
s < t
E(X
s
X
t
) = s + 2s(1 t) + (2 s t) ln(1 s)
2.7 Finance
Exercice 2.7.1 : On calcule sparment E(S
t
11
S
t
<K
) et E(11
S
t
<K
). On trouve
E(e
rt
(S
t
K)
+
) = xN(d
1
(t)) Ke
rt
N(d
2
(t))
avec
d
1
(t) =
1
t
(ln(
x
K
+
1
2
2
t +rt), d
2
(t) = d
1

t
En appliquant la proprit de Markov, on en dduit
E(e
r(ts)
(S
t
K)
+
|F
s
) = xN(d
1
(t s)) Ke
r(ts)
N(d
2
(t s)) .
Exercice 2.7.2 : Nous prsentons le calcul pour deux dates. Il sagit de calculer lesprance de
(S
T
S
t
1
)
+
11
S
t
1
<K
+ (S
T
K)
+
11
K<S
t
1
On utilise la formule de BS.
E[(S
T
S
t
1
)
+
11
S
t
1
<K
] = E[11
S
t
1
<K
E((S
T
S
+
t
1
|F
t
1
)]
E((S
T
S
+
t
1
|F
t
1
) = E((S
T
S
+
t
1
|
t
1
)
= S
t
1
N(d
1
) S
t
1
e
r(Tt
1
)
N(d
2
)
avec
d
1
=
1
T t
1
(
1
2
2
(T t
1
) +r(T t
1
))
Il vient
E[(S
T
S
+
t
1
11
S
t
1
<K
= aE(S
t
1
11
S
t
1
<K
avec
a = N(d
1
) N(d
2
)e
r(Tt
1
)
E[(S
T
K)
+
11
{K<S
t
1
}
] = E[11
{K<S
t
1
}
(S
t
1
N(d
1
) Ke
r(Tt
1
)
N(d
2
)
d
1
=
1
T t
1
(ln(
S
t
1
K
+
1
2
2
(T t
1
) +r(T t
1
))
116 It. Corrigs
Chapter 3
Intgrale dIt, Corrigs
3.1 Intgrale de Wiener
Exercice 3.1.1 : On a tB
t
=
t
0
sdB
s
+
t
0
B
s
ds (en utilisant la formule dintgration par parties)
et E(Y
t
) = 0, E(Y
s
Y
t
) = ts(t s). Le processus Y est un processus gaussien (ctait dailleurs v-
ident par dnition de Y ). On peut aussi utiliser la formule dIt (voir plus loin) qui conduit
dY
t
= tdB
t
+B
t
dt.
Exercice 3.1.2 : La v.a. X
t
=
t
0
(sin s) dB
s
est dnie, car

t
0
sin
2
s ds < , pour tout t. Le
processus X est gaussien desprance nulle et de covariance E(X
s
X
t
) =
st
0
sin
2
udu. Il vient alors
E(X
t
X
s
) =
st
2

1
4
sin 2(s t).
Le processus X est une martingale, do, pour s < t, on a E(X
t
|F
s
) = X
s
. La dernire galit
rsulte dune IP.
Exercice 3.1.4 : La v.a. Y
t
=
t
0
(tan s) dB
s
est dnie, car

t
0
tan
2
s ds < pour t <

2
. Le
processus Y est gaussien, centr de covariance E(Y
t
Y
s
) =
st
0
tan
2
udu = tan(s t) (s t).
Le processus Y est une martingale.
Exercice 3.1.5 : Soit
X
t
= (1 t)
t
0
dB
s
1 s
; 0 t < 1
En appliquant le Lemme dIt (ou une I.P.) f(t, y) = (1t)y et Y
t
=
t
0
dB
s
1 s
(donc dY
t
=
dB
t
1 t
)
il vient dX
t
= (dt)
t
0
dB
s
1 s
+ (1 t)
dB
t
1 t
, do
_
dX
t
=
X
t
t 1
dt +dB
t
; 0 t < 1
X
0
= 0
On admet lunicit de la solution. Le processus X est gaussien car
t
0
dB
s
1 s
est une intgrale de
Wiener, et on a E(X
t
) = 0 et la covariance de X est donne par, pour s < t
E(X
s
X
t
) = (1 t)(1 s)E(
t
0
dB
u
1 u
s
0
dB
u
1 u
) = (1 t)(1 s)
s
0
du
(1 u)
2
= (1 t)s
117
118 It. Corrigs
En particulier E(X
2
t
) = t(1 t) do X
t
tend vers 0 quand t tend vers 1. Le processus X est un
pont Brownien.
Exercice 3.1.6 : Formule vidente en crivant B
t
=
t
0
dB
s
et en utilisant lisomtrie.
Exercice 3.1.7 : E(
t
2
t
1
(B
t
B
t
1
) dt|F
t
1
) =
t
2
t
1
E((B
t
B
t
1
)|F
t
1
) , dt = 0. Par intgration par
parties
t
2
t
1
B
t
B
t
1
) dt = t
2
(B
t
2
B
t
1
)
t
2
t
1
tdB
t
=
t
2
t
1
(t
2
t)dB
t
On en dduit que la variance
cherche est
t
2
t
1
(t
2
t)
2
dt.
3.2 Formule dIt
Exercice 3.2.1 : 1. Soit X
t
= B
2
t
. On a, en posant f(x) = x
2
dX
t
= f
(B
t
)dB
t
+
1
2
f
(B
t
) dt = 2B
t
dB
t
+dt .
2. Soit X
t
= t + exp B
t
. En posant f(t, x) = t +e
x
, on a
dX
t
= dt + exp B
t
dB
t
+
1
2
exp B
t
dt .
3. Soit X
t
= B
3
t
3tB
t
. En posant f(t, x) = x
3
3tx on obtient
dX
t
= 3B
2
t
dB
t
3tdB
t
3B
t
dt +
1
2
3 2B
t
dB
t
dB
t
= (3B
2
t
3t)dB
t
.
On retrouve le caractre martingale de X tabli au chapitre prcdent.
t
= exp
t
0
a(s) ds et Y
t
= Y
0
+
t
0
[b(s) exp(
s
0
a(u)du) dB
s
, o a et b sont
des fonctions dterministes. En utilisant la notation direntielle dX
t
= a(t)
_
exp
t
0
a(s) ds
_
dt et
dY
t
= b(t) exp(
t
0
a(u)du) dB
t
, do dX
t

dY
t
= 0. On pose Z
t
= X
t
Y
t
. Par la formule dIt, on a
dZ
t
= X
t
dY
t
+Y
t
dX
t
= b(t) dB
t
+a(t)X
t
Y
t
dt
soit dZ
t
= a(t)Z
t
dt + b(t)dB
t
. Le processus (Z
t
exp
t
0
a(s) ds = Y
t
; t 0) est une martingale
locale.
Exercice 3.2.3 : La formule dIt donne (nous omettons les indices t
dY = X
1
X
2
dt +t(X
1
dX
2
+X
2
dX
1
+dX
1
, X
2
= X
1
X
2
dt +t(X
2
f(t) +
1
2
)dt +t(X
1
2
+X
2
1
)dB
Exercice 3.1.3 : La formule dIt applique sin B
t
donne
sin B
t
= 0 +
t
0
cos B
s
dB
s

1
2
t
0
sin B
s
ds,
do Y
t
=
t
0
cos B
s
dB
s
. Cest une martingale, car E(
t
0
cos
2
B
s
ds) < , pour tout t. On a
E(Y
t
) = 0 et var Y
t
= E(
t
0
cos
2
B
s
ds).
Exercice 3.2.4 : En appliquant la formule dIt, on obtient
d(X
2
t
+Y
2
t
) = 2X
t
dX
t
+ 2Y
t
dY
t
+dX
t
+dY
t
= 2X
t
Y
t
dB
t
2x
t
Y
t
dB
t
+ (X
2
t
+Y
2
t
)dt
En posant Z
t
= X
2
t
+Y
2
t
on montre que le processus Z vrie dZ
t
= Z
t
dt ce qui sintgre en Z
t
= ze
t
.
Exercice 3.2.5 : Il est vident que dZ
t
= Y
t
dB
t
. On calcule facilement E(Y
2
s
) =
t
0
e
2s
ds.
Lintgrale stochastique est une martingale car
E(
t
0
Y
2
s
ds) =
t
0
E(Y
2
s
)ds <
et E(Z
t
) = 0, E(Z
2
t
) = E(
t
0
Y
2
s
ds).
Exercice 3.2.6 : Soit dX
t
= a(K
t
X
t
) dt +dB
t
. On voudrait que X
t
= f(K
t
). La formule dIt
applique f(K
t
) donne
dX
t
= f
(X
t
)dK
t
+
1
2
f
(K
t
)
2
dt
soit
dX
t
= (f
(K
t
)b +
1
2
f
(K
t
)
2
) dt +f
(K
t
)dB
t
Si on identie les deux drifts, on obtient
a(K
t
f(K
t
)) = f
(K
t
)b +
1
2
f
(K
t
)
2
do f est solution de
1
2
2
f
(x) +bf
(x) +af(x) = ax.

On rsout cette EDO et on montre que f est de la forme
e
1
x
+e
2
x
+ (x
b
a
)
avec
1
et
2
solutions de
1
2
2
+b +a = 0.
t
=
t
0
(s) dB
s

1
2
t
0

2
(s) ds. On a
dX
t
= (t) dB
t

1
2
2
(t) dt.
Soit Y
t
= exp X
t
. On applique la formule dIt avec f(x) = e
x
.
dY
t
= exp(X
t
) dX
t
+
1
2
exp(X
t
)
2
(t) dt
= Y
t
(
1
2
2
(t) dt +(t)dB
t
) +
1
2
Y
t
2
(t) dt
= Y
t
(t) dB
t
.
Le processus Y est une martingale locale. Cest une martingale si
E
_
t
0
Y
2
t

2
(t) dt
_
< .
Ce critre nest pas trs bon, nous en verrons dautres par la suite.
Si est une constante, Y est un brownien gomtrique avec drift nul. En particulier,
Y
t
= exp(B
t

2
2
t)
120 It. Corrigs
est une (vraie) martingale:
Vrions titre dexercice dans ce cas les conditions dintgrabilit:
Y
t
= exp X
t
= exp(B
t

1
2
2
t)
do
E(|Y
t
|) = E(Y
t
) = E(exp(B
t

2
2
t)) =
1
2t
e
x
1
2
2
t
e
x
2
2t
dx = 1
E(Y
2
t
) = E(exp(2B
t

2
t)) = exp(
2
t) .
En particulier, si = 1 le processus exp( B
t

t
2
) est une martingale.
Soit Z
t
=
1
Y
t
. Pour calculer dZ
t
, on peut utiliser la formule dIt
dZ
t
=
Y
t
(t)
Y
2
t
dB
t
+
1
2
2Y
2
t

2
(t)
Y
3
t
dt = Z
t
((t)dB
t
+
2
(t)dt)
ce qui va scrire
Z
t
= Z
0
exp(
t
0
(s)dB
s
+
1
2
t
0
2
(s) ds)
formule que lon peut obtenir directement en inversant lexponentielle.
Exercice 3.2.8 : Par simple application de la formule dIt
dZ
t
= (aZ
t
+b)dt +cZ
t
dB
t
Exercice 3.2.9 : Dans le cas h = 0, on a
S
t
= S
0
e
(rq)t
e
B
t
1
2
2
t
= e
(rq)t
M
t
.
Donc M
t
= M
0
e
B
t
1
2
2
t
est une martingale positive, desprance 1 et on peut lutiliser comme
densit de RN. Sous Q, le processus

B
t
= B
t
t est un MB.
Dans le cas gnral
S
t
= S
0
e
(rq)t
e
t
0
h
s
ds
e
B
t
1
2
2
t
.
On en dduit e
t
0
h
s
ds
=
1
S
t
M
t
e
(rq)t
. Donc
e
rT
E(e
T
0
h(S
s
)ds
(S
T
)) = e
rT
E(
1
S
T
M
T
e
(rq)T
(S
T
)) = e
qT
E
Q
(
1
S
T
(S
T
)) .
On se place dans le cas h
t
= S
p
t
et on pose Z
t
= S
p
t
. Le lemme dIt conduit
dZ
t
= pS
p
t
dB
t
+ (r q)pS
p
t
dt +pdt +
1
2
p(p 1)S
p2
t
S
2
t
2
dt
= pZ
t
dB
t
+
__
(r q)p +
1
2
p(p 1)
2
_
Z
t
+p
_
dt
= (aZ
t
+b)dt +cZ
t
dB
t
Le processus f(Z
t
) est une martingale locale si
f
(z)(az +b) +
1
2
f
(z)c
2
z
2
= 0 .
On pose g = f
. Lquation
g(z)(az +b) +
1
2
g
c
2
z
2
= 0
a pour solution g(z) = exp(
2b
c
2
z
)z
1/c
2
. Les fonctions f recherches (ce que lon appelle les fonctions
dchelle) sont les primitives de g.
Exercice 3.2.10 : Le processus Z est une martingale locale car dZ
t
= cX
t
Z
t
dB
t
. On a
dU
t
= 2X
t
dX
t
+dX
t
= 2X
t
(a bX
t
)dt + 2X
t
dB
t
+dt
soit U
t
= U
0
+ 2
t
0
X
s
dB
s
+
t
0
(2X
s
(a bX
s
) + 1)ds On en dduit
1
2
(X
2
t
X
2
0
t) =
t
0
X
s
dB
s
+a
t
0
X
s
ds b
t
0
X
2
s
ds
Exercice 3.2.11 : Pour montrer que Z est une martingale locale, on calcule dZ et on vrie que
son drift est nul. On a Z
t
= f(t, B
t
) avec f(t, x) =
1
1 t
exp
x
2
2(1 t)
. Il en rsulte que
dZ
t
=
B
t
(1 t)
3/2
exp
B
2
t
2(1 t)
dB
t
Le processus (Z
t
, t < 1) est une martingale locale. Cest une vraie martingale si pour tout T 1
E[
T
0
B
2
t
(1 t)
3
exp
B
2
t
(1 t)
dt] <
Le terme de gauche est major par E[
T
0
B
2
t
(1 t)
3
dt] =
T
0
t
(1 t)
3
dt < .
Exercice 3.2.12 : Soit Z
t
= (L
t
)
a
exp((a)t). Alors, en utilisant que
L
t
= e
B
t
1
2
2
t
implique
L
a
t
= e
aB
t
1
2
a
2
t
= e
aB
t
1
2
a
2
2
t
e
1
2
2
(a
2
a)
on obtient
dZ
t
= dM
t
+e
(a)t
(L
t
)
a
((a) +a(a 1))
o M est une martingale.
Le processus Z est une martingale pour (a) = a(a 1). Exercice 3.2.13 : Il est facile dtablir
que
dY
t
= Y
t
[(2X
t
a
t
+
2
t
(1 + 2X
2
t
))dt + 2X
t
t
dB
t
]
et, en utilisant que X
t
= 0 et Y
t
= 1 on obtient 0 =
2
t
dt.
Exercice 3.2.21 : La fonction dchelle de X
t
= exp(B
t
+ t) est s(x) = x
2
. Le processus
croissant de s(X) est A
t
=
t
0
(s
)
2
(X
s
)ds.
Exercice 3.2.25 : On obtient facilement
E(f(B
1
)|F
t
) = E(f(B
1
B
t
+B
t
)|F
t
) = E(f(
B
1t
+B
t
)|F
t
) = (t, B
t
)
avec
(t, x) = E(f(x +B
1t
)) . (3.1)
122 It. Corrigs
D autre part, la formule dIt et la proprit de martingale de (t, B
t
) conduisent (t, B
t
) =
E(f(B
1
)) +
t
0
x
(s, B
s
)dB
s
. On crit (grace 3.1)
x
(t, x) = E(f
(x +B
1t
))
et un raisonnement analogue au prcdent montre que si on pose (t, x) = E(f
(x+B
1t
)) on obtient
(t, B
t
) = E(f
(B
1
)|F
t
)
Exercice 3.3.1 : De faon vidente, on a
dS
3
(t) =
1
2
[dS
1
(t) +dS
2
(t)] =
1
2
[r(S
1
(t) +S
2
(t)] dt +
1
S
1
(t)dB
1
(t) +
2
S
2
(t)dB
2
(t) .
On peut remarquer que
2
1
S
2
1
(t) +
2
2
S
2
2
(t) dB
3
(t) = (
1
S
1
(t)dB
1
(t) +
2
S
2
(t)dB
2
(t))
dnit un Brownien B
3
qui permet dcrire
dS
3
(t) = r S
3
(t)dt +(t)S
3
(t)dB
3
t
o (t) =
2
1
S
2
1
(t)+
2
2
S
2
2
(t)
S
1
(t)+S
2
(t)
est un processus.
En utilisant le lemme dIt, on obtient
dS
4
(t) = S
4
(t)(r dt
1
8
(
2
1
+
2
2
) dt +

1
2
dB
1
(t) +

2
2
dB
2
(t)) ,
ce que lon peut crire
dS
4
(t) = S
4
(t)(r dt
1
8
(
2
1
+
2
2
) dt +dB
4
(t)) .
Pour vrier que B
3
et B
4
sont des browniens, on peut procder de direntes faons (voir aussi les
exercices sur le Brownien)
a. B
i
(t+s)B
i
(t) a mme loi que B
i
(s), cette loi est N(0, s) et les accroissements sont indpendants
b. B
i
et (B
2
i
(t) t, t 0) sont des martingales et B
i
est un processus continu
c. pour tout , le processus exp(B
i
(t)

2
2
3.4 Complments
Exercice 3.4.1 : En utilisant le thorme de Fubini pour les intgrales doubles
F(x) =
dz
dyf(y) =
dyf(y)
x
y
dz =
dyf(y)(x y)
+
Par drivation par rapport la borne suprieure
F
(x) =
dyf(y) =
f(y)11
x>y
dy
Le lemme dIt conduit alors au rsultat. La formule nale scrit aussi
t
0
f(B
s
)ds = 2
L
B
(t, y)f(y)dy
avec L
B
(t, y) =
_
(B
t
y)
+
(B
0
y)
+
t
0
11
B
s
>y
dB
s
_
et est connue sous le nom formule de
temps doccupation. Le processus L
B
(, y) est le temps local de B au point y entre 0 et t. La
dicult est de vrier que le processus L(, y) est un processus croissant.
Exercice 3.4.2 : On a, en exprimant X
t
comme le produit de exp B
1
(t) et de U
t
=
t
0
exp[B
1
(s)] dB
2
(s)
qui vrie dU
t
= exp[B
1
(t)] dB
2
(t)
dX
t
= exp B
1
(t)(exp B
1
(t)) dB
2
(t) +U
t
(exp[B
1
(t)]dB
1
(t) +
1
2
exp[B
1
(t)]dt)
= dB
2
(t) +X
t
dB
1
(t) +
1
2
X
t
dt
Soit f(x) = sinh x, alors, f
(x) =
1
2
(e
x
+e
x
) = cosh x et f
(x) =
1
2
(e
x
e
x
) = sinh x. O applique
le lemme dIt:
dZ
t
= cosh(B
1
(t)) dB
1
(t) +
1
2
sinh(B
1
(t)) dt =
1 +Z
2
t
dB
1
(t) +
1
2
Z
t
dt
M
t
def
= B
2
(t) +
t
0
X
s
dB
1
(s) est une martingale locale comme somme de deux martingales locales.
Son crochet est t +
t
0
X
2
s
ds =
t
0
(1 + X
2
s
)ds, do
s
=
1 +X
2
s
. En regroupant les rsultats
X
t
=
t
0
1 +X
2
s
dB
3
(t) +
1
2
t
0
X
t
dt et Z
t
=
t
0
1 +Z
2
s
dB
1
(s) +
1
2
t
0
Z
s
ds. On obtient donc
lgalit en loi de X et de Z.
Exercice 3.4.4 : (voir Brownien) Le processus Z est une martingale, et le lemme dIt conduit
dZ
t
= 11
S
t
<a
2
2
a B
t
T t
exp
(a B
t
)
2
2
dB
t
.
3.5 Brownien gomtrique et extensions
Exercice 3.5.2 : Soit dS
t
= S
t
(b dt + dB
t
) un brownien gomtrique et

S
t
= e
bt
S
t
. La formule
dintgration par parties montre que
d(
S
t
) = e
bt
dS
t
be
bt
S
t
dt = e
bt
S
t
dB
t
=

S
t
dB
t
.
Daprs les exercices prcdents,
S
t
=

S
0
exp(B
t

1
2
2
t)
et

S est une martingale. Il en rsulte
S
t
= S
0
exp((b
1
2
2
)t +B
t
)
ou encore
S
t
= S
s
exp((b
1
2
2
)(t s) +(B
t
B
s
)), s t
124 It. Corrigs
On obtient
E(S
t
) = e
bt
E(
S
t
) = e
bt
S
0
et
E(S
t
|F
s
) = E(e
bt
S
t
|F
s
) = e
bt
S
s
= e
b(ts)
S
s
Le calcul de E
_
exp((b
1
2
2
)(t s) +(B
t
B
s
))|F
s
_
se fait galement partir de celui de E(exp((B
t
B
s
))|F
s
) = E(exp((B
t
B
s
))) pour lequel il sut dutiliser la transforme de Laplace de la v.a.
gaussienne B
t
B
s
. On obtient
E(S
t
|F
s
) = exp(b(t s))S
s
.
Si Z
t
= (
S
t
)
1
, on a dZ
t
= Z
t
((
2
b) dt dB
t
).
Ces calculs se gnralisent au cas de coecients alatoires. Soit dS
t
= S
t
(b
t
dt +
t
dB
t
) et
Y
t
= S
t
exp(
t
0
b
s
ds). On a d(exp(
t
0
b
s
ds) = b
t
exp(
t
0
b
s
ds)dt. Le processus Y vrie
dY
t
= exp(
t
0
b
s
ds)dS
t
S
t
b
t
exp(
t
0
b
s
ds)dt = exp(
t
0
b
s
ds)S
t
t
dB
t
= Y
t
t
dB
t
et est une martingale locale.
La solution de dL
t
= L
t
t
dB
t
est une martingale locale, qui scrit
L
t
= L
0
exp(
t
0
s
dB
s

1
2
t
0
2
s
ds).
On pose Y
t
= S
t
L
t
. On a
dY
t
= S
t
dL
t
+L
t
dS
t
+d < S, L >
t
.
Par dnition dS, L
t
= S
t
t
L
t
t
dt, do
dY
t
= Y
t
((b
t

t
t
) dt +
t
dB
t
) .
En nance, le changement de probailit le plus utilis{e correspond au cas
t
=
r(t)b
t
t
. Il vient
alors
dY
t
= Y
t
(r(t) dt +
t
dB
t
) .
Soit R
t
= exp(
t
0
r(s) ds). Le processus Y R = LRS est une martingale locale qui vrie d(LRS) =
LRSdB.
dS
t
= S
t
(rdt +dB
t
)
et A
t
=
1
t
t
0
ln S
s
ds. On a S
t
= S
0
exp(B
t

1
2
2
t +rt) et
ln S
t
= ln S
s
+(B
t
B
s
) + (r

2
2
)(t s)
Le processus ln S est un processus gaussien, do A
t
est une variable gaussienne.
Soit G(t, T) =
1
T
T
t
(B
s
B
t
) ds. Soit t x. Le processus (B
s
B
t
, s t) est gaussien, do G(t, T)
est une variable gaussienne. Le processus (B
s
B
t
, s t) est indpendant de F
t
donc G(t, T) aussi,
do E(G(t, T)|F
t
) =
1
T
T
t
E(B
s
B
t
) ds = 0.
Var (G(t, T)|F
t
) = E(G
2
(t, T)) =
1
T
2
T
t
T
t
E((B
s
B
t
)(B
u
B
t
))ds du.
E((B
s
B
t
)(B
u
B
t
)) = (s u) t. Tous calculs faits
Var (G(t, T)|F
t
) =
1
T
2
(
1
3
T
3
1
3
t
3
+tT(t T))
En crivant A
T
=
1
T
_
t
0
ln S
s
ds +
T
t
ln S
s
ds
_
et en remarquant que
T
t
ln S
s
ds = (T t) ln S
t
+
1
2
r
2
2
(T t)
2
+G(t, T)
on obtient
A
T
=
t
T
A
t
+ (1
t
T
)[ln S
t
+
1
2
(r

2
2
(T t)] +G(t, T).

S
t
= e
bt
S
t
. On a vu dja plusieurs fois que

S
t
est une martingale (par
exemple vrier, en utilisant le lemme dIt, que d
S
t
=

S
t
dB
t
).
Soit X
t
dni par
e
bt
X
t
= E[
e
bT
h
T
Th
S
u
du|F
t
] .
On a, X
T
= V
T
et si t T h
e
bt
X
t
= e
bT
1
h
T
Th
E(S
u
|F
t
) du
soit
e
bt
X
t
= S
t
e
bt
1 e
bh
bh
et si T h t T
e
bt
X
t
= e
bT
1
h
T
Th
E(S
u
|F
t
) du
= e
bT
1
h
t
Th
E(S
u
|F
t
) du +
1
h
T
t
E(S
u
|F
t
) du =
e
bT
h
t
Th
S
u
du +S
t
e
bt
1 e
b(Tt)
bh
.
dX
t
X
t
= bdt +
S
t
X
t
_
1
{t<Th}
1 e
bh
bh
+ 1
{Th<t<T}
1 e
b(Tt)
bh
_
dB
t
= bdt +
_
1
t<Th
+ 1
Th<t<T
S
t
X
t
1 e
b(Tt)
bh
_
dB
t
.
Exercice 3.5.6: Soit Z
t
= e
rt
S
t
+
t
0
(s)e
rs
S
s
ds. On a alors
dZ
t
= re
rt
S
t
dt +e
rt
dS
t
+
t
e
rt
S
t
dt
= S
t
e
rt
dB
t
Le processus Z est une martingale locale. On peut expliciter S qui est la solution dune quation
du type dS
t
= S
t
(a(t)dt +dB
t
) par
S
t
= S
0
exp(rt (t) +B
t
)
avec (t) =
t
0
(s)ds. En crivant
S
t
= S
0
exp(rt (t)) exp(B
t

1
2
2
t)
126 It. Corrigs
et en utilisant que exp(B
t

1
2
2
t) est une martingale dsprance 1, on obtient
E(S
t
) = S
0
exp(rt (t)) .
On montre que S est de carr intgrable : en eet
S
2
t
= S
2
0
exp(2rt 2(t) + 2B
t
) = S
2
0
exp(2rt 2(t) +
1
2
(2)
2
t) exp(2B
t

1
2
(2)
2
t)
et lon sait que exp(2B
t

1
2
(2)
2
t) est une martingale gale 1 en t = 0, do
E(S
2
t
) = S
2
0
exp(2rt 2(t) +
1
2
(2)
2
t)
et E(
t
0
S
2
s
e
2rs
ds) < , ce qui tablit le caractre martingale de la martingale locale Z.
On sait que (formule de Black et Scholes en changeant de nom les paramtres) si dS
t
= S
t
(adt +
dB
t
), S
0
= x alors
E(e
aT
(S
T
K)
+
)) = xN(d
1
) Ke
aT
N(d
2
)
avec d
1
=
1
T
ln(
x
Ke
aT
) +
1
2
2
T). Le calcul demand est alors facile.
3.6 Le crochet
3.7 Finance
Exercice 3.7.6 : Par dnition,
C
Am
t
C
t
= E(e
rT
(S
T
K)
+
|F
t
) = E(e
rT
g(S
T
)|F
t
)
avec g(x) = (x K)
+
. En utilisant g(x) e
rt
g(xa
rt
, pour tout t et lingalit de Jensen (lie la
convexit de g) on obtient
e
ru
g(S
u
) e
rT
g(S
u
e
r(Tu)
) = e
rT
g(e
rT
E(S
T
e
rT
|F
u
)) = e
rT
g(E(e
rT
S
T
e
rT
|F
u
))
= e
rT
g(E(S
T
|F
u
)) E(e
rT
g(S
T
)|F
u
)) = C
u
P P
Am
et la proprit de sous martingale de (K S
t
e
rt
) permet de conclure.
Exercice 3.7.3 : On crit la formule dintgration par parties
d(
X
t
Y
t
) = X
t
d(
1
Y
t
) +
1
Y
t
dX
t
+dX,
1
Y

t
.
En particulier (on omet les indices t) (X = Y )
d(
X
X
) = d(1) = 0 = Xd(
1
X
) +
1
X
dX +dX,
1
X
.
Soit dV =
1
dS
1
+
2
dS
2
. On a donc
dV,
1
S
1
=
1
dS
1
,
1
S
1
+
2
dS
2
,
1
S
1
.
Par suite, si V
1
= V/S
1
, on peut crire la suite dgalits (on utilise V =
1
S
1
+
2
S
2
)
dV
1
t
= V d(
1
S
1
) +
1
S
1
dV +dV,
1
S
1
= (
1
S
1
+
2
S
2
)d(
1
S
1
) +
1
S
1
_
1
dS
1
+
2
dS
2
_
+
1
dS
1
,
1
S
1
+
2
dS
2
,
1
S
1
=
1
_
S
1
d(
1
S
1
) +
1
S
1
dS
1
+dS
1
,
1
S
1
_
+
2
_
S
2
d(
1
S
1
) +
1
S
1
dS
2
+dS
2
,
1
S
1
_
=
2
d(
S
2
S
1
)
Exercice 3.7.14 : On remarque que
F
T
= (B
s
, s t) = (S
1
s
, s t) = (S
2
s
, s t)
Le march est complet: en eet, toute v.a. F
T
mesurable scrit comme valeur terminale dun
portefeuille auto-nanant compos des actifs sans risque et de lactif 1, donc le march compos
dun actif supplmentaire (avec les mmes actifs contingents) est galement complet. La seule
probabilit quivalente la probabilit P telle que lactif sans risque et lactif 1, actualiss, sont des
martingales est Q dnie par dQ|
F
t
= exp(B
t

1
2
2
t)dP|
F
t
avec =

i
r
. Lactif 2, actualis
nest pas une martingale sous Q, il nexiste donc pas de probabilit quivalente la probabilit P
telle que TOUS les actifs actualiss soient des martingales. Le march prsente des opportunits
darbitrage. Supposons
1
>
2
. Si, la date 0, on achte une part de lactif 1 et on vend une
part de lactif 2 (capital initial investi nul) et que lon maintient cette position jusquen T, on a un
portefeuille de valeur
S
1
T
S
2
T
=
_
exp(
1
T) exp(
2
T)
exp(B
T

1
2
2
T) > 0
ce qui constitue un arbitrage.
128 Exemples. Corrigs
Chapter 4
Exemples, Corrigs
4.1 Processus de Bessel
Exercice 4.1.3 : La formule dIt conduit
dZ
t
=
1
R
2
t
dR
t
+
1
2
2
R
3
t
dR
t
=
1
R
2
t
dB
t

1
R
3
t
dt +
1
R
3
t
dt =
1
R
2
t
dB
t
Soit V
t
=
sinh R
t
R
t
. On pose f(x) =
sinh x
x
, do
f
(x) =
sinh x
x
2
+
cosh x
x
f
(x) = +2
sinh x
x
3

cosh x
x
2

cosh x
x
2
+
sinh x
x
.
La formule dintgration par parties conduit
dU
t
= e
t
2
2
[
2
2
V
t
dt +dV
t
]
et on vrie que les termes en dt sannulent.
Il sut dappliquer le thorme darrt de Doob la martingale U et au temps darrt T
b
(on
utilise que sinhx est born,e sur [0, b]). On obtient E(exp(
2
T
b
2
)(
sinh b
b
)) = 1, do E(exp(
2
T
b
2
)) =
b
sinhb
.
Exercice 4.1.4 :
Les deux rsultats sobtiennet en appliquant le lemme dIt
d(lnR
t
) =
1
R
t
dR
t

1
2(R
t
)
2
dR
t
dR
t
=
1
R
t
dB
t

1
R
t
1
2R
t
dt +
1
2(R
t
)
2
dt =
1
R
t
dB
t
,
dR
t
= R
1
t
dR
t
+
( 1)
2
R
2
t
dR
t
dR
t
= R
1
t
dB
t
+R
1
t
1
2R
t
dt +
( 1)
2
R
2
t
dt .
= R
1
t
dB
t
+

2
2
R
2
t
dt
129
130 Exemples. Corrigs
On pose Z
t
= exp(
2
2
t
0
ds
R
2
s
) et on applique le lemme dIt.
dZ
t
= d exp(
2
2
t
0
ds
R
2
s
) = Z
t
(
2
2
)
1
R
2
t
dt
dL
t
= Z
t
dR
t
+R
t
dZ
t
= Z
t
_
R
1
t
dB
t
+R
1
t
1
2R
t
dt +
( 1)
2
R
2
t
dt

2
2
1
R
2
t
R
t
dt
_
= Z
t
R
1
t
dB
t
Exercice 4.1.5 :
dY
t
= 2
Y
t
dB
t
+dt
La formule dIt conduit
dZ
t
= Z
t
(
Y )dB
t
Sous Q

B
t
def
= B
t
+
t
0
Y
u
du est un MB et dY
t
= 2
Y
t
d
B
t
+ ( 2Y
t
)dt.
Exercice 4.2.2 : Par application de la formule dIt Z
t
= B
2
t
dZ
t
= 2B
t
dB
t
+dt = 2
Z
t
dB
t
+dt
on a alors
dZ
t
= 2B
t
dB
t
+ 2B
1
t
dB
1
t
+ 2dt =
2
(B
t
)
2
+ (B
1
t
)
2
(B
t
)
2
+ (B
1
t
)
2
(B
t
dB
t
+B
1
t
dB
1
t
)
= 2
Z
t
dB
3
t
+ 2dt
Avec n Browniens on obtient = n.
Si
t
def
=
R
t
, la formule dIt conduit
d
t
=
1
2
t
( 1)dt +dB
t
dX
t
= dR
()
t
+dR
()
t
= ( +)dt + 2
R
()
t
+R
()
t
dZ
t
o Z est un MB. On en dduit que la somme de deux Bessels carrs indpendants est un Bessel
carr.
Exercice 4.1.6 : P
x
(inf
st
X
s
) = P
x
(T
a
> t) et on connait la transforme de Laplace de T
a
E
()
(exp
2
2
T
a
).
Dans le cas du BES(3) P
(3)
x
|
F
t
=
_
X
t
x
_
W
x
|
F
t
do pour a < x P
(3)
x
((T
a
)11
T
a
<
) =
a
x
W
x
((T
a
))
Do P
(3)
x
(T
a
> t) = P
(3)
x
( > T
a
> t) + (1
a
x
) et P
(3)
x
( > T
a
> t) =
a
x
P
0
(T
(xa)
> t) =
a
x
P
0
((x a) > |N|
t).
Voir Borodin pour l autre cas
4.2 Processus de Bessel carr
Exercice 4.2.4 : Remarquer que E(R
(2)
1
) = E
2
1
+
2
2
.
Exercice 4.2.5 : On part de
W
()
|F
t
= exp(B
t

2
2
t)W|F
t
On sait que (R
t
; t 0)
loi
= xexp(B
C
t
+C
t
)
P
()
(F(R
s
), s t) = W
()
(F(xB
u
), u C
t
)
W
()
(F(xB
u
), u C
t
) = W(exp(B
C
t
+C
t
)F(xB
u
), u C
t
) = P
(0)
(
R
t
x
)
exp

2
2C
t
F(R
s
), s t)
car sous P
(0)
exp B
C
t
= (exp B
C
t
)
, R
t
= xexp B
C
t
4.3 Autres processus
Exercice 4.3.3 : La premire question rsulte dune application du lemme dIt: f(t, X
t
) est une
martingale locale si Gf(t, X
t
) = 0 avec Gf(t, x) =
t
f +x(1 x)(x)
x
f +
1
2
x
2
(1 x)
2
xx
f. Dire
que h
0
(X) est une martingale locale revient vrier que h
0
est solution de x(1 x)( x)h
+
1
2
x
2
(1x)
2
h
= 0. Montrer que h
1
(X
t
)t est une martingale locale revient vrier que h
1
satisfait
1 +x(1 x)( x)h
+
1
2
x
2
(1 x)
2
h
= 0 .
En appliquant le thorme dart de Doob (la fonction h
0
est borne sur [a, b], la martingale locale
h
0
(X
t
) est uniformment intgrable) E(h
0
(X
)) = h
0
(x) soit
h
0
(x) = E(h
0
(X
)) = h
0
(a)P(X
= a) +h
0
(b)P(X
= b) = h
0
(a)P(X
= a) +h
0
(b)(1 P(X
= a)) .
On applique ensuite le thorme de Doob h
1
(X
t
) t
h
1
(x) = E[(h
1
(a) )11
X
=a
)] +E[(h
1
(b) )11
X
=b
)]
= h
1
(a)P(X
= a) +h
1
(b)(1 P(X
= a)) E()
4.4 Des Calculs
Exercice 4.4.2 : For t 1 and a > 0, the events {Y
t
a} and {T
a
t} are equal, where
T
a
= inf{t 0, X
t
= a}.
Then, P(Y
t
a) = P(T
a
t). Let

X = X/ and T
X) = inf{t 0,

X
t
= }. Then, T
a
= T
X)
where = a/.
It is well known (the proof follows, from example from inversion of Laplace transform) that
P
0
(T
X) dt) =
||
2t
3
exp
( t)
2
2t
where = / (see Borodin-Salminen p. 223, formula 2.0.2. or Revuz Yor, second edition, page
320, ex. 1.21).
Therefore, you get the cumulative function of Y for t 1.
Let us denote (t, a, , ) = P(sup
0st
(s +B
s
) a).
Suppose now that 2 > t > 1. Then
X
t
= X
1
+
1
(t 1) +
1
(B
t
B
1
) = X
1
+
1
(t 1) +
1
B
t1
132 Equa. Di. Corrigs
where

B is a BM independent of (B
s
, s 1).
Then,
P(Y
t
a) = P
_
Y
1
a , max
1st
(X
1
+
1
(s 1) +
1
B
s1
) a
_
= P
_
Y
1
a P
_
max
1st
(X
1
+
1
(s 1) +
1
B
s1
) a)|F
1
_
= E(11
(Y
1
a)
(t 1, X
1
))
where
(u, x) = E( max
0su
(x +
1
s +
1
B
s
) a) = E( max
0su
(
1
s +
1
B
s
) a x)
and this quantity is known from step 1: (u, x) = (u, a x,
1
,
1
).
Then, it remains to know the law of the pair Y
1
, X
1
. This is the reection principle in the case
= 0 (Revuz Yor, page 105 ex. 3.14) and the general result follows from Girsanovs theorem. For
example Borodin-Salminen, page 198, formula 1.18 in the case where = 1
P(Y
1
y, X
1
dz) =
1
2t
exp[y

2
t
2

(|z y| +y)
2
2t
] dz
References:
Borodin, A. and Salminen, P.: Handbook of Brownian Motion. Facts and Formulae, Birkhuser,
1996.
Exercice 4.4.3 : On crit dS = D(rdt +
t
d

B
t
). Si

C est la valeur de C actualis, alors dC =
Cmd

B
t
. Il sut de rsoudre et didentier
C
t
= C
0
_
S
t
S
0
exp[
m1
m
[
t
0
r
s
ds +
1
2
t
0
2
s
ds]]
_
m
Exercice 4.4.4 : On remarque que Y
t
= e
t
X
t
est un MB chang de temps: Y
t
= B
(t)
avec
(t) =
2
t
0
e
2u
du =
2
e
2t
1
2
. Par suite = inf{t : |Y
t
| > e
y
g(t)}. Do la suite dgalits
{ > t} = {|B
(u)
| < e
u
g(u), (u) < (t)}
= {|B
v
| < e
C(v)
g(C(v)), v < (t)} = {
> (t)}
avec
= inf{t : |B
t
| > e
C(t)
g(C(t))}
Chapter 5
Equations direntielles
stochastiques, Corrigs
5.1 Equation Linaire
Exercice 5.1.7 : Lquation a une solution unique car b(t, x) = a + x et (t, x) = b + x sont
lipschitziennes et ont une croissance linaire. On a
X
t
= x +
t
0
(a +X
s
) ds +
t
0
(b +X
s
) dB
s
Lintgrale stochastique est une martingale car E(
t
0
(b + X
s
)
2
ds) E(
t
0
2(b
2
+
2
X
2
s
) ds) et la
solution de lquation vrie E(sup
st
X
2
s
) < . Do en prenant lesprance de X
t
et en posant
m(t) = E(X
t
)
m(t) = x +
t
0
(a +m(s)) ds .
La fonction m est drivable et vrie m
(t) = a + m(t). Compte tenu de la condition initiale

m(0) = x, la solution est
m(t) = (x +
a
)e
t
La formule dIt conduit

d(X
2
t
) = 2X
t
(a +X
t
) dt + 2X
t
(b +X
t
) dB
t
+ (b +X
t
) dt .
En admettant que lintgrale stochastique est une martingale et en posant M(t) = E(X
2
t
)
M(t) = x
2
+ 2
t
0
(am(s) +M(s)) ds +
t
0
(b
2
+
2
M(s) + 2bm(s)) ds
soit
_
M
(t) (2 +
2
)M(t) = 2(a +b)m(t) +b
2
M(0) = x
2
la solution est
_
_
M(t) = Ce
(2+
2
)t
+ke
t
+c
k(
2
) = 2(a +b)(x +
a
)
c = (b
2
2(a +b)
a
)
1
2+
2
C +k +c = x
2
133
Exercice 5.1.3 : On a dY
t
= Y
t
(dt +dB
t
) dont la solution est (cf brownien gomtrique)
Y
t
= exp[(
1
2
2
)t +B
t
)]
On a (cf proprit de martingale du Brownien)
E(Y
t
|F
s
) = exp(t)E(exp[
1
2
2
t +B
t
] |F
s
) = exp(t) exp[
1
2
2
s +B
s
]
Do, si 0, on a E(Y
t
|F
s
) Y
s
. Le processus Y est une martingale si on a galit soit si = 0.
c. Le processus Y ne sannule pas. Le processus Z
t
est un processus dIt car Y
1
t
est de carr
intgrable (voir brownien gomtrique) et
dZ
t
= (a b)Y
1
t
dt +bY
1
t
dB
t
On a ainsi dY, Z
t
= bY
1
t
Y
t
= b.
Soit U
t
= Y
t
Z
t
. La formule dIt conduit
dU
t
= (a b) dt +b dB
t
+U
t
(dt + dB
t
) +b dt = (a +U
t
) dt + (b +U
t
) dB
t
et comme U
0
= x on a par unicit X
t
= U
t
.
Exercice 5.1.4: Lquation dX
t
= X
t
dt + b dB
t
admet une solution unique. En posant Z
t
=
e
t
X
t
on voit que dZ
t
= e
t
dB
t
do
X
t
= e
t
x +e
t
t
0
e
s
b dB
s
Il en rsulte que X est un processus gaussien de moyenne E(X
t
) = e
t
x et de variance
V (X
t
) = b
2
e
2t
1 e
2t
2
def
=
2
(t) .
Si Y
t
= (X
t
), la formule dIt conduit
dY
t
=
(X
t
)dX
t
+
1
2
(X
t
)b
2
dt .
Dans le cas particulier de lnonc,
dY
t
= exp(
b
2
X
2
t
)(bdB
t
)
soit
Y
t
= b
t
0
exp(
b
2
X
2
s
)dB
s
Cest une martingale car E(
t
0
exp(
2
b
2
X
2
s
)ds) < (faire le calcul en utilisant ce qui suit) de carr
intgrable.
En utilisant le calcul de E(e
U
2
) quand U est une gaussienne, on trouve, en posant m(t) = e
t
E(e
X
2
t
) =
1
1 2
2
(t)
exp
m
2
(t)x
2
1 2
2
(t)
= (t, x)
et
E(e
X
2
t
|F
s
) =
1
1 2
2
(t s)
exp
m
2
(t s)X
2
s
1 2
2
(t s)
= (t s, X
s
)
Soit t x. Par dnition, le processus dIt V dni par V
s
= (t s, X
s
) est une martingale,
donc son drift est nul. On a donc
1
(t s, x) +x
2
(t s, x) +
1
2
b
2
22
(t s, x) = 0
1
(u, x) +x
2
(u, x) +
1
2
b
2
22
(u, x) = 0
En posant = ln et en recherchant sous la forme
(t, x) = x
2
a(t) +b(t)
on a (voir la forme de ) les conditions de lnonc sur les fonctions a et b.
Exercice 5.2.1 : Dans un premier temps, on pose Y
t
= e
t
X
t
. Ce processus vrie
dY
t
= e
t
( V
t
)dt) +e
t
V
t
dW
1,t
Calculer () = E(exp(X
T
)) revient calculer () = E(exp(Y
T
)). On a en eet () = (e
T
).
Le calcul des esprances conditionnelles se rduit un calcul desprance par la proprit de Markov.
On a
Y
t
= Y
0
+
t
0
e
s
( V
s
)ds +
t
0
e
s
V
s
dW
1,s
On est donc ramen calculer
A = E
_
exp
_
t
0
e
s
V
s
ds +
t
0
e
s
V
s
dW
1,s
__
En dcorrlant W
1,t
, le terme sous lexponentielle est
t
0
e
s
V
s
ds +
t
0
e
s
V
s
W
2,s
+
1
2
t
0
e
s
V
s
dW
s
En utilisant lindpendance entre W et V
A = E
_
exp
_
t
0
e
s
V
s
ds +
t
0
e
s
V
s
W
2,s
+
1
2
2
t
0
e
2s
V
s
ds
__
Il reste un calcul du type esprance de lexponentielle de
t
0
f(s)V
s
ds +
t
0
g(s)
V
s
dW
2,s
Cette expression scrit
t
0
f(s)V
s
ds +
t
0
g(s)(dV
s
k( V
s
)ds) =
t
0
F(s)V
s
ds +
t
0
G(s)dV
s
=
t
0
F(s)V
s
ds +G(t)V
t
G(0)V
0

t
0
G
V
s
ds
= G(t)V
t
+
t
0
H(s)V
s
ds
ou f, g, F, G, H sont des fonctions dterministes. (remarque: pour un processus dOrnstein Uhlen-
beck, ce type de calcul est standard)
Exercice 5.1.9 : On pose Y
t
= e
at
X
t
. On a
dY
t
= abe
at
dt +e
at/2
Y
t
dW
t
et on en dduit E(Y
t
) = x +b(e
at
1) En utilisant
Y
t
= x +
t
0
abe
as
ds +
t
0
e
as/2
Y
s
dW
s
= E(Y
t
) +
t
0
e
as/2
Y
s
dW
s
on obtient Y
t
E(Y
t
) =
t
0
e
as/2
Y
s
dW
s
par suite
V ar(Y
t
) =
t
0
2
e
as
E(Y
s
)ds
5.2 Processus anes
Exercice 5.2.2 : Si et existent, le processus M
t
= e
(t)+(t)S
t
exp
_
t
0
(S
s
)ds
_
est une
martingale, donc E(M
T
|F
t
) = M
t
ce qui conduit
E
_
e
S
T
exp
_
T
0
(S
s
)ds
_
|F
t
_
= e
(t)+(t)S
t
exp
_
t
0
(S
s
)ds
_
.
Do le rsultat en remarquant que exp(
t
0
(S
s
)ds) est F
t
-mesurable. Pour que M soit une
martingale, il faut que sa partie variation borne soit nulle. Il est facile de voir que
d(e
(t)+(t)S
t
) = e
(t)+(t)S
t
(
)dt +dS
t
+
2
(S
t
)
2
dt
Ce qui conduit
S
t
(S
t
) +(S
t
)dt +
2
(S
t
)
2
= 0
soit
x (x) +(
0
+
1
x) +
2
(
0
+
1
x) = 0
Cette quation doit tre vrie pour tout (t, x) do (cours lmentaire sur les ED)

0
+
0
+
2
0
= 0

1
+
1
+
2
1
= 0
La seconde quation est une quation de Ricatti
5.3 Finance
Exercice 5.4.1 : La solution de
dS
t
= S
t
(r dt + dB
t
)
vrie, pour t u
S
u
= S
t
exp
_
r(u t) +(B
u
B
t
)

2
2
(u t)
_
(5.1)
Le processus S est valeurs positives (si S
0
> 0) et ne sannule pas.
1. Le processus M
t
= E
_
[
1
T
T
0
S
u
du K]
+
|F
t
_
est une martingale.
2. En utilisant que s(a b)
+
= (sa sb)
+
si s > 0 et la F
t
-mesurabilit de S
t
, on obtient
M
t
= S
t
E
_
[
1
T
T
0
S
u
S
t
du
K
S
t
]
+
|F
t
_
ce qui scrit de faon vidente
S
t
E
_
[
1
T
T
t
S
u
S
t
du
t
]
+
|F
t
_
avec
t
= S
1
t
(K
1
T
t
0
S
u
du), variable F
t
-mesurable.
3. On rappelle que, si X est indpendante de G et Y est G-mesurable,
E(f(X, Y )|G) = [E(f(X, y)]
y=Y
.
Les variables (
S
u
S
t
, u t) sont indpendantes de F
t
(utiliser (5.1)), et
t
est F
t
mesurable. Il en
rsulte
M
t
= S
t
(t,
t
)
avec
(t, x) = E
_
1
T
T
t
S
u
S
t
du x
_
+
.
4. On obtient
dS
1
t
=
1
S
2
t
dS
t
+
1
2
2
S
3
t
d < S, S >
t
= (
2
S
t
r
S
t
)dt

S
t
dB
t
.
on en dduit les galits suivantes
d
t
= S
1
t
S
t
T
dt + (K
1
T
t
0
S
u
du)dS
1
t
=
1
T
dt +
t
(dB
t
rdt +
2
dt)
d < , >
t
=
2
t
2
dt
d(t,
t
) =
t
dt +
x
d
t
+
1
2
xx
d < , >
t
= (...) dt
t
x
dB
t
d < S, >
t
= S
t
x
La formule dIt applique M
t
est alors (criture volontairement simplie)
dM
t
= dS +Sd +dSd
ce qui scrit
(t,
t
)dS
t
+S
t
[
t
(t,
t
)dt +
x
(t,
t
)d
t
+
1
2
xx
(t,
t
)d < , >
t
] +d < S, >
t
Soit
dM
t
= S
t
(r +

t
(
1
T
+r)
x
+
1
2
x
2
) dt +dN
t
o N est une martingale du type (...) dB
t
. Le processus M tant une martingale locale, sa partie
processus variation nie est nulle, soit
0 = r +

t
(
1
T
+r)
x
+
1
2
x
2
Exercice 5.4.2 : Il est facile de montrer que
S
t
= S
0
exp
_
rt +
t
0
(s)dB
s

1
2
t
0
2
(s) ds
_
138 Girsanov. Corrigs
est solution de lquation propose.
2. POur t x,
t
0
(s)dB
s
est une variable gaussienne (intgrale de Wiener) centre de variance
t
0
2
(s)ds. Il en rsulte que
t
0
(s)dB
s
1
2
t
0
2
(s) ds est une variable gaussienne car desprance
1
2
t
0
2
(s) ds et de variance
t
0
2
(s)ds.
3. La formule de valorisation dune option revient calculer E
Q
(S
T
K)
+
. Dans le cas o S
T
= S
0
e
U
o U est une variable desprance rT et de variance V
2
=
2
T, on a
C(0, x) = xN(d
1
) Ke
rT
N(d
2
)
avec
d
1
=
1
V
_
ln(
x
K
) +Tr +
V
2
2
_
, d
2
= d
1
V
Il sut donc de remplacer
2
T par
2
=
T
0
2
(s)ds
C(0, x) = xN(d
1
) Ke
rT
N(d
2
)
avec
d
1
=
1
_
ln(
x
K
) +Tr +

2
2
_
, d
2
= d
1

5.4 Equations direntielles
Exercice 5.5.4 : Nous vrions que
X
t
= tN + (1 t)
t
0
1
1 s
dB
s
(5.2)
est solution de dX
t
= dB
t
+
N X
t
1 t
dt. Par direntiation de (5.2)
dX
t
= Ndt 1
t
0
1
1 s
dB
s
+dB
t
= Ndt
1
1 t
(X
t
tX
1
)dt +dB
t
= dB
t
+
1
1 t
(X
t
+N)dt
Le processus X est donc gaussien, centr, de covariance (s < t)
E(X
s
X
t
) = ts + (1 t)(1 s)E(
t
0
1
1 u
dB
u
s
0
1
1 v
dB
v
= ts + (1 t)(1 s)
s
0
1
(1 u)
2
du = s
Chapter 6
Girsanov, Corrigs
6.1 Rsultats lmentaires
Exercice 6.1.3 : Par changement de probabilit, le processus H tant une martingale positive
desprance 1, en posant dQ = H
t
dP, on dnit une nouvelle probabilit Q et E
P
(H
T
ln H
T
) =
E
Q
(ln H
T
). Or,
H
t
= exp(
t
0
s
dB
s

1
2
t
0
2
s
ds)
Do
E
Q
(ln H
T
) = E
Q
(
t
0
s
dB
s

1
2
t
0
2
s
ds)
Le processus

B
t
= B
t
+
t
0
s
ds est un Q mouvement Brownien, et
t
0
s
dB
s

1
2
t
0
2
s
ds =
t
0
s
d

B
s
+
1
2
t
0
2
s
ds ,
do le rsultat.
Exercice 6.1.5 : On a
t
= exp(
t
0
s
ds) exp(
t
0
s
dB
s
1
2
t
0
2
s
ds), do
t
exp(
t
0
s
ds) est
une martingale. Lcriture d
t
=
t
t
(dB
t
+

t
t
dt) montre que sous Q dni par dQ = L
t
dP, avec
dL
t
= L
t
t
dB
t
, le processus

B
t
dni par d

B
t
= dB
t
+

t
t
dt est un mouvement Brownien.
Le processus vriant d
t
=
t
t
d

B
t
est une Q-martingale locale. On obtient facilement d(
1
t
) =
1
t

t
(dB
t

2
t

t
t
dt) et le choix de R sen suit.
6.2 Crochet
Exercice 6.2.1 : Soit Z = N < N, M > et L
t
= exp(M
t
1
2
M
t
). On a d(ZL) = ZdL+LdZ +
dZ, L = mart +dZ, L LdM, N = mart
Exercice 6.2.2 : On vrie que Z
t
= h(X
t
)M
t

t
0
h
(X
s
)
h(X
s
)
dM, X est une P-martingale.
139
6.3 Processus
Exercice 6.3.4 :
1. La question 1 a dja t traite dans lexercice ??.
2. On se place dans le cas dun Brownien issu de a. Soit
dP
b
= exp{b
T
0
B
s
dB
s

b
2
2
T
0
B
2
s
ds}dP.
En posant
s
= bB
s
et en appliquant Girsanov, on montre que sous P
b
le processus B
t
+
b
t
0
B
s
ds est un brownien issu de a que lon note W
t
. Lgalit
B
t
=
t
0
bB
s
ds +W
t
qui scrit dB
t
= bB
t
dt + dW
t
montre que le processus (B
t
, t 0) est un processus
dOrnstein-Uhlenbeck sous P
b
. Do B
t
est une variable gaussienne sous P
b
, desprance ae
bt
et de variance
1 e
2tb
2b
.
Soit x = a
2
. En utilisant que, sur F
t
,
dP = exp{b
t
0
B
s
dB
s
+
b
2
2
t
0
B
2
s
ds}dP
b
on a, pour tout Z, F
t
-mesurable P-intgrable,
E
P
(Z) = E
b
(Z exp{b
T
0
B
s
dB
s
+
b
2
2
T
0
B
2
s
ds})
do
E
P
(exp{B
2
t

b
2
2
t
0
B
2
s
ds}) = E
b
(exp{B
2
t
+b
t
0
B
s
dB
s
})
La formule dIt montre que
t
0
B
s
dB
s
=
1
2
(B
2
t
a
2
t)
(sous P et sous P
b
).
On obtient, en posant x = a
2
E
P
(exp{B
2
t

b
2
2
t
0
B
2
s
ds}) = E
b
(exp{B
2
t
+
b
2
(B
2
t
x t)})
Sous P
b
, B
t
est une gaussienne. On applique le rsultat de la question 1 et on trouve (calculs)
E
P
(exp{B
2
t

b
2
2
t
0
B
2
s
ds}) = (cosh bt + 2
b
sinh bt)
1
2
exp[
xb
2
1 +
2
b
coth bt
coth bt +
2
b
]
On note (, b) lexpression de droite.
Exercice 6.3.3 : Soit dX
t
= X
t
dt + dB
t
un processus dOrnstein-Uhlenbeck. Sous P
, X est
un Brownien car X
t
=
t
0
X
s
ds +B
t
. On a
E
P
(exp
b
2
2
T
0
X
2
s
ds) = E
P
(L
1
T
exp
b
2
2
T
0
X
2
s
ds)
= E
P
_
exp
_
T
0
X
s
dX
s

2
2
T
0
X
2
s
ds
b
2
2
T
0
X
2
s
ds
__
= E
P
_
exp
_
2
(X
2
T
T)

2
+b
2
2
T
0
X
2
s
ds
__
=
_
exp
T
2
_
(
2
,
2
+b
2
)
(On comparera cet exercice au prcdent)
Exercice 6.3.5 : Soit S solution de
dS
t
= S
t
(dt + dB
t
) , S
0
= s .
S
t
= S
0
exp(t +B
t

2
2
t).
1. Soit dQ = L
t
dP avec L
t
= exp(B
t

1
2
2
t). Le thorme de Girsanov montre que W est un
Q-mouvement Brownien.
2. Soit d
P = Z
t
dQ avec Z
t
= exp(W
t

2
2
t)
Le thorme de Girsanov montre que (

B
t
= W
t
t, t 0) est un

P-mouvement brownien.
On a alors
dS
t
= S
t
((r +
2
) dt + d

B
t
)
3. Soit P
t
= P
0
e
rt
. Le processus (Y
t
=
S
t
P
t
, t 0) est une Q-martingale, car Y
t
= Y
0
exp(W
t

2
2
t) (ou parce que (It) dY
t
=
d(S
t
e
rt
)
P
0
= Y
t
dW
t
.)
Le processus Z
t
=
P
t
S
t
est une

P-martingale car Z
t
= Z
0
exp(

B
t

2
2
t)
4. Soit F
t
= e
t
_
t
0
S
u
du +sA
_
o A, sont des constantes
Soit
t
=
F
t
P
t
e
t
. On a d
t
= (1 r
t
) dt
t
d

B
t
Exercice 6.3.7 : Let B
Y
t
= Y t +B
t
and F be a functional on C([0, t], R). Using the independance
between Y and B, and Cameron-Martin theorem, we get
E[F(B
Y
s
, s t)] = E[F(sY +B
s
, s t)] =
(dy)E[F(sy +B
s
, s t)] (6.1)
=
(dy)E[F(B
s
, s t) exp(yB
t

y
2
2
t)] = E[F(B
s
; s t)h(B
t
, y)] (6.2)
= E
h
(F(X
s
, s t)] (6.3)
where h(x, t) =
(dy) exp(yx
y
2
2
t) and P
h
|
F
t
= h(B
t
, t)W|
F
t
. Therefore,
B
h
t
def
= B
t

t
0
ds
h
x
h
(B
s
, s)
is a P
h
-martingale, more precisely a P
h
Brownian motion and B
t
is solution of
X
t
= B
h
t
+
t
0
ds
h
x
h
(X
s
, s)
Under P
h
, B has the same law as B
Y
under P. Then, B
Y
t
=

B
h
t
+
t
0
ds
h
x
h
(B
Y
t
, t). Let us remark
that
E(Y |B
Y
t
) =
h
x
h
(B
Y
s
, s)
where B
Y
t
= (B
Y
s
, s t). On a
E
Q
(f(Y )F(B
Y
s
, s t)) = E
P
(e
Y B
t
1
2
Y
2
t
F(B
Y
s
, s t))
=
(dy)f(y)E
P
(e
yB
t
1
2
y
2
t
F(B
s
+ys, s t))
=
(dy)f(y)E(F(B
s
, s t)) = E(F(B
s
, s t))E
P
(f(Y ))
et la loi de Y est la mme sous P et sous Q.
Exercice gi:4 : On remarque que e
2B
t
1 = 2
t
0
e
2B
s
dB
s
+ 2
t
0
e
2B
s
ds
1
4
_
e
2B
t
1
_
+
1
2
t
0
_
e
2B
s
1
4
e
4B
s
_
ds
=
1
2
t
0
e
2B
s
dB
s

1
2
t
0
e
2B
s
ds +
1
2
t
0
_
e
2B
s
1
4
e
4B
s
_
ds
=
1
2
t
0
e
2B
s
dB
s

1
4
t
0
e
4B
s
ds
et on sait que exp
_
t
0

s
dB
s

1
2
t
0

2
ds
_
est une martingale locale. On peut vrier que la condition
de Novikov est satisfaite Sous Q, le processus

B = B
1
2
t
0
e
2B
s
ds est un MB.
6.5 Temps darrt
Exercice 6.5.1 : Soit dP
= L
t
dP o L
t
= exp(
B
t

2
2
2
t). Sous P
, (

B
t
= B
t
+
t =
X
t
, t 0)
est un Brownien et X
t
=

B
t
.
De lgalit T
a
= inf{t |
B
t
=
a
}, on en dduit le rsultat qui gure dans le cours en procdant

comme suit:
On a dP = L
1
t
dP
avec
L
1
t
= exp(
B
t
+

2
2
2
t) = exp(
B
t

2
2
2
t)
et pour tout temps darrt T, on a
E
P
(exp((T t)) = E
P
(L
Tt
e
(Tt)
) = E
P
_
exp(
B
Tt

2
+ 2
2
2
2
(T t))
_
On en dduit
E
P
(exp(T
a
)11
T
a
<
) = exp

2
a E
P
_
exp(
2
+ 2
2
2
2
T
a
) 11
T
a
<
_
Le passage la limite quand t est licite pour a 0, car dune part e
(Tt)
1 et dautre
part

B
T
a
t
a, do exp(
B
Tt

2
+ 2
2
2
2
(T t)) est born. On utilise aussi

B
T
a
11
T
a
<
=
a
.
Exercice 6.5.2 :
E(11
T<
exp(B
T

2
2
T)) = P
()
(T < ) =
and use that
T = inf{t : B
t
t/2 > ln a} = inf{t : B
t
+ ( 1/2)t > ln a}
Exercice 6.5.3 : Le processus (M
t
= exp(

B
t

2
t
2
) , t 0) est une P
-martingale et si a et
sont positifs (M
tT
a
, t 0) est uniformment intgrable, car majore par exp(a). On en dduit
E
P
(M
T
a
) = 1 do
E
P
(e
T
a
11
T
a
<
) = exp(
a
2

a
2
+ 2
2
2
)
et on vrie que T
a
est ni (faire = 0).
Exercice 6.5.4 : L est une martingale exponentielle desprance 1, en utilisant que dF
2
t
=
2F
t
f(t)dB
t
+f
2
(t)dt on obtient la premire galit. Une intgration par partie montre que
T
0
h(s)
2f(s)
dF
2
s
dB
s
=
h(T)
f(T)
F
2
T

h(0)
f(0)
F
2
0

T
0
F
2
t
d
_
h(t)
f(t)
_
ce qui donne le rsultat. On prend ensuite h(t) =
u
u(t)f(t)
et on utilise que
E
_
exp
_
1
2
_
u
(T)
u(T)f
2
(T)
_
F
2
T

T
0
F
2
t
_
u
(t) 2u
(t)f
(t)/f(t)
u(t)f
2
(t)
_
dt
__
= exp
_
T
0
u
(t)
u(t)
_
dt
Pour calculer lexpression avec , on fait un changement de probabilit en posant dQ = L
T
dP. On
a
K =
_
u(T)
u(0)
_
1/2
E
Q
_
(A+BF
T
+
T
0
(t)F
2
t
dt)
_
et en appliquant Girsanov,
K =
_
u(T)
u(0)
_
1/2
E
Q
_
(A+Bu(T)
T
0
u(t)
f(t)
dB
t
+
T
0
dt(t)u(t)
t
0
dB
s
f(s)
u(s)
)
_
On peut calculer le membre de droite, car cest lexponentielle dune gausienne.
Exercice 6.6.16 : On a dr = 2
(t)r
t
dB
t
+([2(t) +

(t)
(t)
]r
t
+(t))dt. Letude de Z se fait par
une IP.
Exercice 6.5.5 :
1. Utiliser Girsanov et Bayes.
2. Cest le thorme de Girsanov appliqu sur lespace produit.
3. Appliquer It. Les termes en dt sont nuls car est une martingale.
6.6 Finance
Exercice 6.6.13 : Il sagit de calculer A = E
_
_
e
rT
_
1
T
T
0
S
u
du S
T
_
+
_
_
que lon crit
A =
1
T
E(e
rT
S
T
(Y
T
K)
+
)
144 Complments. Corrigs
avec Y
t
=
1
S
t
t
0
S
u
du et K = T. Par un changement de probabilit (le processus e
rt
S
t
S
0
est une
Q-martingale positive desprance 1), on obtient A =
S
0
T
E((Y
T
K)
+
) avec, sous

Q
dY
t
= (1 rY
t
)dt +Y
t
d

B
t
.
On peut utiliser que Y
t
= U
t
+V
t
avec U solution de
dU
t
= rU
t
dt U
t
d

B
t
, U
0
= 1
et V
t
= y +
t
0
(U
s
)
1
ds, ce qui ne nous avance pas beaucoup.
Exercice 6.6.15 :
1. On a dr
t
=

(t)
(t)
r
t
dt +(t)(dB
t
+h(t)dt).
2. Une intgration par parties donne le rsultat.
3. Une nouvelle intgration par parties donne le rsultat
4. Une quantit du type
A = E
_
exp
_
f(T)B
T

T
0
B
s
g(s)ds
__
se calcule en recherchant une fonction telle que
(s) = g(s), (T) = g(T). On peut aussi

remarquer que
h(T)B
T

T
0
B
s
(h
(s) +(s))ds
est une variable gaussienne centre dont on identie la variance.
Exercice 6.6.17 : S
t
= x + mart + 2( + 1)
t
0
S
u
du. Utiliser que
1 e
b
b
e
b
. On en dduit
que E((
1
T
T
0
exp(2(B
s
+s))ds K)
+
) E((exp 2(B
T
+T) k)
+
) pour k assez petit.
Exercice 6.6.7 Pour valuer E
Q
(h(S
T
)|F
t
) dans le cas h(x) = (x
K)
+
, on utilise ce qui prcde
en crivant S
T
sous la forme xexp((a
b
2
2
)t +bB
t
). IL est facile de vrier que sous Q
,
dZ
t
= Z
t
d

B
t
et comme

B donc
B est un MB, Z a mme dynamique sous Q
que S sous Q. Par suite

, E
Q
((S
T
)) = E
Q
((Z
T
)) .
Par dnition de Q
1
x
E
Q
(S
T
f(
x
2
S
T
)) = E
Q
(f(
x
2
S
T
)) .
Par dnition de Z,
E
Q
(S
T
f(
x
2
S
T
)) = E
Q
(f(Z
T
)) = E
Q
(f(S
T
)) .
Si S
a
est une martingale, le mme raisonnement conduit la formule souhaite. Un peu dalgbre
permettait dcrire x
(x K)
+
comme
(x
+1
K
+1
)
+
K(x
)
+
.
Chapter 7
Complments, Corrigs
7.1 Thorme de Lvy.
Exercice 7.1.1 : Soit S
t
= sup
0st
W
s
et
D = sup
0st1
(W
s
W
t
) = sup
0t1
sup
0st
(W
s
W
t
)
= sup
0t1
(S
t
W
t
)
loi
= sup
0t1
|W
t
|
Grace au thorme de Lvy
(S
t
W
t
, S
t
, W
t
; t 1)
loi
= (|W
t
|, L
t
, L
t
|W
t
|; g t 1)
Do
W
, sup
t1
(S
t
W
t
S
t
))
loi
= L
g
|B
g
|, sup
gt1
(|W
t
| L
t
) = (L
g
, sup
gt1
(|W
t
| L
g
)
Thus
D
1
= W
+ sup
t1
(S
t
W
t
S
t
)
loi
= L
g
+ sup
gt1
|W
t
| L
g
Exercice 7.4.1 : La premiere galit provient du thorme de Lvy et de la connaissance de la loi
du couple S
t
, B
t
). La seconde galit en loi provient de la symtrie de la loi du couple. Pour le semi
groupe, on utilise la formule de Lvy et lindpendance de (B
u
, u t) et de

B
v
= B
t+v
B
t
E(f(S
t+s
B
t+s
, S
t+s
|F
s
) = E(f((S
s
B
s
)

S
t

B
t
, B
s
+ (S
s
B
s
)

S
t
S
t+s
)|F
s
)
=

t
(da, d)f( ( a), ( ) + )
Les rsultats concernant lindpendance de S
t
(S
t
B
t
) et B
t
sont dus Seshadri.
7.2 Equations rtrogrades
Exercice 7.2.2 : Il sagit dappliquer la formule dIt et le thorme de reprsentation. La proprit
de martingale de X provient de X
t
= E(e
H
T
|F
t
) et le thorme de reprsentation tablit lexistence
145
de z. Puis, en utilisant la formule dIt
d(1/H
t
) =
1
H
2
t
dH
t
+
1
H
3
t
dH
t
=
1
H
t
[(r +
2
)dt +dW
t
)]
d(Z
t
/H
t
) =
Z
t
H
t
[(r +
2
)dt +dW
t
) +H
t
z
t
dW
t
+
z
t
H
t
dt
dX
t
= (
z
t
H
t
+)dW
t
+
_
(r +
2
) +
z
t
H
t

1
2
(
z
t
H
t
+)
2
_
dt
=

X
t
dW
t
+ (r +
X
t

1
2
X
2
t
)dt
7.3 Thormes de reprsentation
Exercice 7.3.1 : On utilisera le thorme de reprsentation prvisible pour reprsenter W
(1)
t
, W
(2)
t
en terme de W
(3)
. Si lgalit tait possible, on aurait W
(i)
t
=
t
0
(i)
t
dW
t
avec
t
0
E[
(i)
t
]
2
dt = t et
E(W
(1)
t
W
(2)
t
) = E(
t
0
(1)
t

(2)
t
dt) = 0.
Exercice 7.3.2 : M est une intgrale stochastique, lintgrand est born donc de carr intgrable,
M est une martingale.
Par proprit de lintgrale stochastique
_
t
0
11
W
s
>0
dW
s
_
2
t
0
(11
W
s
>0
)
2
ds
est une martingale. Une autre mthode consiste appliquer la formule dIt Y
2
t
avec Y
t
=
t
0
11
W
s
>0
dW
s
. Le processus A
t
=
t
0
11
W
s
>0
ds est un processus croissant.
Le processus M
C
t
est une G
t
def
= F
C
t
martingale et
M
2
C
t
A
C
t
= M
2
C
t
t
est une martingale.
7.4 Temps local.
Exercice 7.4.2 : On ne peut pas appliquer It car x |x| nest pas de classe C
2
. Un calcul fait
en pensant quun point ne compte pas et que lon peut ngliger le point o la drive nexiste pas
conduirait (la drive de |x| est gale sgn sauf en 0 et la driv seconde est nulle sauf en 0)
|B
t
| =
t
0
sgn(B
s
)dB
s
et lintgrale du membre de droite nest pas positive (nous verrons plus loin
que cest un mouvement Brownien).
Le processus est une martingale de crochet
t
0
f
2
(B
s
)ds = t, cest un MB. Il est vident que pour
u t
S
u
= sup
su
W
s
S
t
= sup
st
W
s
La premire dcomposition exprime que |W
t
| est gal un MB plus un processus croissant, la sec-
onde dcomposition dit que S
t
W
t
a la mme proprit. On peut montrer, grace au lemme de
Skohorod (voir poly) que (S
t
W
t
, t 0)
loi
= (|W
t
|, t 0) et que (L
t
, t 0)
loi
= (S
t
, t 0).
Exercice 7.4.3 : |B
s
| +L
s
L
t
= L
d
t
for s t, and |B
d
t
| +L
d
t
= L
d
t
.
Exercice 7.4.4 : ( u) = sup
su
B
s
sup
su
B
s
= sup
1su
(B
s
B
u
) + B
u
sup
su
B
s
do
P( u) = P(
S
1u
S
u
B
u
) On trouve nalement que a une loi Arc Sinus.
Exercice 7.4.5 : On utilise la formule dIt
dY
t
= f
x
(X
t
, S
t
, X
t
)dX
t
+f
s
(X
t
, S
t
, X
t
)dS
t
+ (f
t
+
1
2
f
xx
)(X
t
, S
t
, X
t
)dX
t
Or f
s
(X
t
, S
t
, X
t
) = f
s
(S
t
, S
t
, X
t
) dS
t
presque surement. Si
1
2
f
xx
+ f
t
= 0 et f
s
(s, s, t) = 0, Y
g(S
t
) (S
t
X
t
)g
(S
t
) = g(S
t
)
t
0
g
(S
s
)dS
s
+
t
0
g
(S
s
)dX
s
+
t
0
(S
s
X
s
)g
(S
s
)dS
s
=
t
0
g
(S
s
)dX
s
Exercice 7.4.6 : On utilise le scaling du MB pour crire

2
t
0
f(B
s
)ds
loi
=
2
t
0
f(B
u
)du =
2
da f(a)L
a
t
Exercice 7.4.8 : From the occupation formula and change of time
t
0
dM
s
f(M
s
) =
t
0
dM
s
f(
M
s
) =
M
t
0
duf(
u
) =
dyf(y)L
y
M
t
().
7.5 Lois
Exercice 7.5.1 : Soit Y
t
= f(X
t
). On en dduit
dY
t
=
X
t
b(X
t
)
dX
t
+
1
2
_
1
b(X
t
)

X
t
b
(X
t
)
b
2
(X
t
)
_
b
2
(X
t
)dt
= X
t
_
a(X
t
)
b(X
t
)
dt +dW
t
_
+
1
2
_
b(X
t
) X
t
b
(X
t
)
_
dt
Le rsultat souhait en dcoule.
f(X
t
) f(X
0
)
t
0
_
X
s
a(X
s
)
b(X
s
)
+
1
2
_
b(X
s
) X
s
b
(X
s
)
_
ds =
t
0
X
s
dW
s
Exercice 7.5.2 : Let V be a standard Brownian motion starting at v, that is, V
t
= v +W
t
. In this
case, the two events {
a
(V ) t} and { sup
st
W
s
}, where = a v are equal. The reection
principle implies that the r.v. sup
st
W
s
is equal in law to the r.v. W
t
. Therefore,
P(
(W) t) = P(sup
st
W
s
) = P(W
t
) = P(W
2
t

2
) = P(tG
2

2
)
where G is a Gaussian variable, with mean 0 and variance 1. It follows that
(W)
loi
=

2
G
2
, and the
probability density function of
a
(V ) is
f(t) =
a v
2t
3
exp
_
(v a)
2
2t
_
.
The computation of
E
_
11
{T<
a
(V )}
h(V
T
)
_
= E
_
h(V
T
)
_
E
_
11
{T
a
(V )}
h(V
T
)
_
can be done using Markov property:
E
_
11
{T
a
(V )}
h(V
T
)
_
= E
_
11
{T
a
(V )}
E(h(V
T
)|F
a
(V )
)
_
= E
_
11
{T
a
(V )}
h(
V
T
a
(V )
+a)
_
,
where

V is a Brownian motion independent of
a
(V ).
Exercice 7.5.3 : Soit y > a. On admettra que M est uniformment intgrable.
a = E[M
T
y
] = yP(T
y
< ) = yP(sup M
t
y)
Soit
a
y
= P(sup M
t
y) = P(
a
y
U) = P(
a
U
y).
7.6 Filtrations
Exercice 7.6.2 : M
t
= E(W
t
|H
t
) est un processus H-adapt. Pour montrer que cest une H-
martingale, il sut dcrire la suite dgalits suivantes, pour t s
E(M
t
|H
s
) = E(W
t
|H
t
|H
s
) = E(W
t
|H
s
)
= E(W
t
|G
s
|H
s
) = E(W
s
|H
s
)
Pour montrer que Z est une F
X
-martingale, on crit (en justiant chaque galit, ce que je ne fais
pas)
E(Z
t
|F
X
s
) = E(X
t
|F
X
s
) E(
t
0
Y
u
du|F
X
s
)
= E(W
t
+
t
0
Y
u
du|F
X
s
) E(
t
0
Y
u
du|F
X
s
)
= E(W
t
|F
X
s
) +E(
s
0
Y
u
du|F
X
s
) +E(
t
s
Y
u
du|F
X
s
)
s
0
Y
u
du E(
t
s
Y
u
du|F
X
s
)
= E(W
s
|F
X
s
) +E(
s
0
Y
u
du|F
X
s
) +E(
t
s
Y
u
du|F
X
s
)
s
0
Y
u
du E(
t
s
Y
u
du|F
X
s
)
= E(X
s
|F
X
s
) +
t
s
E(Y
u
|F
X
s
)du
s
0
Y
u
du E(
t
s
Y
u
du|F
X
s
)
= X
s
+
t
s
Y
u
du
s
0
E(
Y
u
|F
X
s
)du E(
t
s
Y
u
du|F
X
s
)
= X
s

s
0
Y
u
du)
on a utilis que E(W
t
|F
X
s
) = E(W
s
|F
X
s
) et que, pour u > s
E(Y
u
|F
X
s
) = E(Y
u
|F
X
u
|F
X
s
) = E(
Y
u
|F
X
s
)
7.7 Options barrires
t
(x) = P(B
t
< x) =
1
2t
exp(
u
2
2t
)du. on a
t
(x) = 1
t
(x) do,
P(B
t
< x) = P(B
t
> x).
Soit T = inf{t 0|B
t
= y}. Par dnition P(B
t
x, M
t
> y) = P(T < t, B
tT
< x y). Si
M
t
> y, cest que lon a dpass y avant t: Si M
t
> y, on a T < t. De plus B
tT
= B
t
B
T
= B
t
y.
Par indpendance, P(T < t, B
tT
< x y) =
t
0
P(T du, B
tu
< x y) =
t
0
P(T du)P(B
tu
<
x y). Daprs 1, P(B
tu
< x y) = P(B
tu
> x +y), do
t
0
P(T du)P(B
tu
< x y) =
t
0
P(T du)P(B
tu
> y x)
et par indpendance
t
0
P(T du)P(B
tu
> y x) =
t
0
P(T du, B
tu
> y x) = P(T < t, B
t
> 2y x)
En tenant compte du fait que si B
t
> 2y x et y > x , alors B
t
> y, donc T < t on en dduit
P(T < t, B
t
> 2y x) = P(B
t
> 2y x) do
P(B
t
x, M
t
> y) = P(B
t
> 2y x)
En utilisant
P(B
t
x, M
t
< y) = P(B
t
x) P(B
t
x, M
t
> y)
on obtient
P(B
t
x, M
t
< y) = N(
x
t
) N(
x 2y
t
)
3. La loi de T sobtient en crivant P(T < t) = P(M
t
< y) et la densit du couple (B
t
, M
t
) en
drivant P(B
t
x, M
t
< y).
4. Soit X
t
= t + B
t
, Y
t
= sup (X
s
, 0 s t}. Soit dQ = dP avec = exp(X
t
+
1
2
2
t). En
utilisant le thorme de Girsanov, on a
P(X
t
< x, Y
t
< y) = E
Q
(exp(X
t

1
2
2
t) 11
X
t
<x
11
Y
t
<y
)
que lon peut calculer car sous Q, X est un mouvement Brownien et on connait la loi du couple
(x, Y ) sous Q.
7.8 Mandres, ponts, excursions
Exercice 7.8.1: Let V be a standard Brownian motion starting at v, that is, V
t
= v +W
t
. In this
case, the two events {
a
(V ) t} and { sup
st
W
s
}, where = a v are equal. The reection
principle implies that the r.v. sup
st
W
s
is equal in law to the r.v. W
t
. Therefore,
P(
(W) t) = P(sup
st
W
s
) = P(W
t
) = P(W
2
t

2
) = P(tG
2

2
)
where G is a Gaussian variable, with mean 0 and variance 1. It follows that
(W)
loi
=

2
G
2
, and the
probability density function of
a
(V ) is
f(t) =
a v
2t
3
exp
_
(v a)
2
2t
_
.
The computation of
E
_
11
{T<
a
(V )}
h(V
T
)
_
= E
_
h(V
T
)
_
E
_
11
{T
a
(V )}
h(V
T
)
_
can be done using Markov property:
E
_
11
{T
a
(V )}
h(V
T
)
_
= E
_
11
{T
a
(V )}
E(h(V
T
)F
a
(V )
)
_
= E
_
11
{T
a
(V )}
h(
V
T
a
(V )
+a)
_
,
where

V is a Brownian motion independent of
a
(V ).
For t < 1, the set {g t} is equal to {d
t
> 1}.
d
a
t
(W) = t + inf {u 0 : W
u+t
W
t
= a W
t
} = t +
aW
t
loi
= t +
(a W
t
)
2
G
2
.
P
_
a
2
G
2
> 1 t
_
=
_
a
1 t
_
.
Then, the It-Tanaka formula combined with the identity x
(x) +
(x) = 0 lead to
P(g t|F
t
) =
_
|W
t
|
1 t
_
=
t
0
_
|W
s
|
1 s
_
d
_
|W
s
|
1 s
_
+
1
2
t
0
ds
1 s
_
|W
s
|
1 s
_
=
t
0
_
|W
s
|
1 s
_
sgn(W
s
)
1 s
dW
s
+
t
0
dL
s
1 s
_
|W
s
|
1 s
_
=
t
0
_
|W
s
|
1 s
_
sgn(W
s
)
1 s
dW
s
+
t
0
dL
s
1 s
.
Exercice 7.4.7 : The occupation time formula leads to
E
T
a
(X)
0
f(X
s
) ds =
f(x)E[L
x
T
a
]dx
It remains to compute (x) = E[L
x
T
a
]. Tanakas formula reads
(X
T
a
x)
+
= (x)
+
+
T
a
0
11
(X
s
>x)
dX
s
+
1
2
L
x
T
a
(a x)
+
= (x)
+
+
T
a
0
11
(X
s
>x)
(dW
s
+ds) +
1
2
L
x
T
a
Then, taking expectation of both sides
1
2
E[
x
T
a
] = (a x)
+
(x)
+
E[
T
a
0
11
(X
s
>x)
ds]
= (a x)
+
(x)
+
E[
a
x
L
y
T
a
dy]
Therefore, if (x) = E[
x
T
a
]
1
2
(x) = (a x)
+
(x)
+
a
x
(y)dy, (a) = 0
which gives
(x) =
_
_
1
(1 exp(2(x a)) for 0 x a

1
(1 exp(2a)) exp(2x) for x 0

B
t
= m
1
t g
t
(sgneB
t
)
On a alors E(B
t
|F
g
t
) = E(m
1
t g
t
(sgneB
t
)F
g
t
) =

t g
t
(sgneB
t
)E(m
1
) =

t g
t
(sgneB
t
)
2
On note
t
=

t g
t
(sgneB
t
), cest une martingale. Des calculs analogues conduisent
E(B
2
t
t|F
g
t
) = E(m
2
1
)
2
t
t
E(e
B
t
2
2
t
|F
g
t
) = h(
t
)e
2
2
avec h(x) = E(e
xm
1
).
152 Sauts. Corrigs
Chapter 8
Sauts, Corrigs.
8.1 Processus de Poisson
Exercice 8.4.1 : Il sut dutiliser lExercice 1.4.9.
Exercice 8.1.3 : La Propi daccroissements indpendants du processus de POisson conduit
E(N
t
N
s
|F
s
(N
1
)) = E(N
t
N
s
|(N
s
N
1
))
Il est bien connu (ou tout au moins facile de vrier ) que si X et Y sont deux variables de Poisson,
indpendantes, de paramtre et
P(X = k|X +Y = n) =
_
n
k
_
k
(1 )
nk
avec =

+
. On en dduit
E(N
t
N
s
|F
s
(N
1
)) =
t s
1 s
(N
1
N
s
)
La vrication de la proprit de martingale est alors facile.
Exercice 8.1.4 : Si N est un processus de Poisson, P(N
t
= n) = e
t
n
t
n
n!
do
(z, t) = e
t
e
tz
Si N un processus accroissements indpendants tel que N
t+s
N
t
loi
= N
s
(z, t +s) =
n=0
z
n
P(N
t+s
= n) = E(z
N
t+s
) = E(z
N
t+s
N
t
+N
t
)
= E(z
N
t+s
N
t
)E(z
N
t
) = E(z
N
s
)E(z
N
t
) = (z, t)(z, s)
On en dduit
(z, t +h) (z, t) = (z, t)[(z, h) 1]
ce qui conduit une EDO en utilisant les proprits de donnes dans lnonc. En tenant compte
de (z, 0) = 1, on montre que (z, t) = e
t
e
tz
, ce qui caractrise le processus de Poisson (cette
galit caractrise la loi de N
t
, ce qui avec N un processus accroissements indpendants tel que
N
t+s
N
t
loi
= N
s
caractrise le processus de Poisson.)
153
154 Sauts. Corrigs
Exercice 8.2.1 : Le processus de Poisson compos est un processus accroissements indpendants,
donc pour s < t
E(Y
t
Y
s
|F
s
) = E(Y
t
Y
s
) = E(X
t
X
s
) (t s) = 0
On peut le dmontrer la main:
E(X
t
X
s
|F
s
) = E(
N
t
i=N
s
+1
Y
i
|F
s
) = E(
N
t
N
s
+N
s
i=N
s
+1
Y
i
|F
s
) = (N
s
)
avec
(n) = E(
n+N
ts
i=n+1
Y
i
) =
P(N
ts
= k)E(
n+k
i=n+1
Y
i
)
=
P(N
ts
= k)kE(Y
1
) = E(Y
1
)E(N
ts
) = E(Y
1
)(t s)
Exercice 8.2.2 : Si X et

X sont deux solutions,
Z
t
def
= X
t

X
t
= c
t
0
(X
s

X
s
)ds = c
t
0
Z
s
ds
et Z est solution de lquation direntielle ordinaire Z
t
= cZ
t
avec condition initiale nulle. Donc
Z = 0.
Soit X
t
= e
ct
x +
t
0
e
c(ts)
dN
s
. On calcule
t
0
X
s
ds =
t
0
e
cs
xds +
t
0
ds
s
0
e
c(su)
dN
u
.
Lintgrale double se calcule en employant Fubini (pour des intgrales de Stieltjes)
t
0
ds
s
0
e
c(su)
dN
u
=
t
0
dN
u
t
u
dse
c(su)
=
1
c
t
0
dN
u
(1 e
c(tu)
)
=
1
c
(N
t

t
0
e
c(ts)
dN
s
) .
En utilisant que M et Y sont des martingales
E(M
t
Y
t
|F
s
) = E(M
t
(Y
t
Y
s
)|F
s
) +M
s
Y
s
= E((M
t
M
s
)(Y
t
Y
s
)|F
s
) +M
s
Y
s
Le calcul de E((M
t
M
s
)(Y
t
Y
s
)|F
s
) se fait comme le prcdent. Exercice 8.1.5 : Par intgration
par parties, d(tN
t
) = N
t
dt +tdN
t
Dou
t
0
N
s
ds = tN
t

t
0
sdN
s
=
t
0
(t s)dN
s
Pour calculer la TL, il sut d utiliser que pour toute fonction h (ici, pour t x h(s) = (t s))
si c est lintensit de N
E(exp(
t
0
h(s)dN
s
) = exp(c
t
0
(1 e
h(s)
)ds)
8.2 Poisson compos
Exercice 8.2.3 : Par indpendance des Y
k
, on obtient
E(
n
k=1
Y
k
+
m
k=n+1
Y
k
)) = E(Y
1
)
n
E(Y
1
)
m
Le caractre PAIS de N sobtient partir de
E(X
s
+(X
t
X
s
)) = E((, N
s
)(, N
t
N
s
)) = E((, N
s
))E((, N
ts
))
o (, n) = E(Y
1
)
n
. Le processus N est indpendant des (Y
k
, k 1) et la v.a. N
t
a une loi de
Poisson : il sen suit que
P(X
t
x) =
n
P(N
t
= n,
n
k=1
Y
k
x)
=
n
P(N
t
= n)P(
n
k=1
Y
k
x)
= e
t
n
(t)
n
n!
F
(x) ,
et
E(X
t
) =
n=1
E(
n
k=1
Y
k
11
N
t
=n
) =
n=1
nE(Y )P(N
t
= n)
= E(Y )
n=1
nP(N
t
= n) = tE(Y
1
) .
Le calcul de la variance peut tre obtenu avec les m mes arguments, mais il est plus facile dutiliser
que le moment dordre deux est obtenu par drivation (dordre deux) de la transforme de Laplace
de X
t
Exercice 8.2.4 : Le processus X tant un PAI et E(X
t
) = tE(Y
1
) on obtient que
(X
t
tE(Y ), t 0) est une martingale. Plus gnralement, si f une fonction borlienne borne, on
note (f) =
f(x)(dx) lesprance E(f(Y )). Par dnition de M

f
,
E(M
f
t
) =
n
E(f(Y
n
))P(T
n
< t) t(f) = (f)
n
P(T
n
< t) t(f) = 0
La n de la preuve est standard et utilise le calcul suivant, pour s > 0
E(M
f
t+s
M
f
t
|F
t
) = E
_
_

t<ut+s
f(X
u
)11
X
u
=0
s(f)|F
t
_
_
= 0 .
Pour la rciproque, on crit
e
iuX
t
= 1 +
st
e
iuX
s
(e
iuX
s
1)
= +
t
0
e
iuX
s
dM
f
s
+(f)
t
0
e
iuX
s
ds
o f(x) = e
iux
1. Il en rsulte
E(e
iuX
t+s
|F
t
) = e
iuX
t
+(f)
t+s
t
drE(e
iuX
t+r
|F
t
) .
En posant (s) = E(e
iuX
t+s
|F
t
) on obtient (s) = (0) +(f)
s
0
(r)dr, do
E(e
iuX
t+s
|F
t
) = e
s
(dx)(e
iux
1)
avec = (1) et = /).
156 Sauts. Corrigs
Exercice 8.2.6 : From the independence between the r.v. (Y
k
, k 1) and the process N,
E(e
X
t
) = E
_
exp (
N
t
k=1
Y
k
)
_
= E((N
t
))
where (n) = E
_
exp (
n
k=1
Y
k
)
_
= [
Y
()]
n
, with
Y
() = E(exp Y ). Now, E((N
t
)) =
n
[
Y
()]
n
e
t
n
t
n
n!
.
Exercice 8.4.1 : Appliquer la formule dintgration par parties V
t
exp
t
0
s
ds +
t
0
duh
u
u
_
exp
u
0
s
ds
_
=
U
t
et U
t
(1 11
t
).
8.3 March complets, incomplets
Exercice 8.5.1 : We shall now restrict our attention to the simple case of a complete market where
dS
t
= S
t
[dt +dM
t
]
and r = 0. Here, M is the compensated martingale associated with a poisson process with deter-
ministic intensity.
The non-arbitrage condition is equivalent to the existence of such that > 1 and + = 0.
This implies that

> 0.
The unique equivalent martingale measure Q is dened by
dQ
dP
|
F
t
= L
t
where L is the strictly
positive martingale
L
t
=
_

_
N
t
exp(t/)
which satises dL
t
= L
t
dM
t
.
Under the measure Q,

M
t
def
= M
t
+t/ is a martingale.
Exercice 8.5.2 : Les m.m.e. sont dnies par leur densit L vriant
dL
t
= L
t
(
t
dB
t
+
t
dM
t
)
avec
(t) = b r +(t) , dP dt.p.s.
Elles sont indexes par un processus > 1. Sous P
, le processus B
dni par
B
t
def
= B
t

t
0
(s) ds
est un mouvement Brownien M
t
def
= M
t

t
0
(s)ds est une martingale.
On utilisera
B
(t) = B(t) +t +
t
0
(s)
ds = B
0
t
+
t
0
(s)
ds
avec =
b r
.
EXAMENS avec INDICATIONS de CORRIGES
158 Examens
Chapter 1
Examens
Voici les textes des examens, avec, en italique, quelques INDICATIONS de corrections, ces lignes
sont trs loin dun modle de rdaction!
1.1 2007-2008
1.1.1 dcembre 2007
Les questions sont indpendantes. Dans tous les exercices, B est un mouvement Brownien, (F
t
, t 0)
est sa ltration naturelle. Le processus S, prix dun actif risqu, est solution de
dS
t
= S
t
(dt +dB
t
), S
0
= x (1.1)
o et sont des constantes, = 0.
1. Question de cours Cette question est obligatoire.
Donner plusieurs mthodes pour vrier quun processus donn est un MB. Illustrer par des
exemples vus en cours
2. Soit une constante. Montrer que le processus suivant est une martingale
(e
t
2
/2
(B
t
cos(B
t
) +t sin(B
t
)) , t 0)
3. Soit Z un processus continu strictement positif, qui admet une reprsentation sous la forme
Z
t
= Z
0
+M
t
+A
t
o M est une martingale et A un processus croissant. Montrer que Z est une sous martingale.
(On pourra se contenter de traiter le cas o M est une martingale de la ltration Brownienne
F et A est absolument continu par rapport la mesure de Lebesgue.) On suppose quil existe
une martingale (locale) N et un processus croissant C tel que Z
t
= N
t
C
t
. En appliquant la
formule dintgration par parties, exprimer dC
t
en fonction de dA
t
, C
t
et Z
t
. Expliciter C
t
.
Montrer que tout processus Z de la forme prcdente admet une dcomposition multiplicative
de la forme CN. Application dZ
t
= Z
t
(dB
t
+dt).
4. Soit dL
t
= L
t
dB
t
, L
0
= 1 o est une constante. Soit R; montrer que
L
t
/E
P
(L
t
)
est une P-martingale. Montrer quil existe R tel que S, dni par (1.9), est une Q-
martingale avec dQ|
F
T
= L
T
dP|
F
T
.
159
160 Examens
Montrer que X
t
= L
1
t
/E
P
(L
t
) est une Q-martingale. Montrer quil existe un couple (x, ),
x R, processus adapt, tel que
X
t
= x +
t
0
s
dS
s
Dterminer (x, ). Interprtation nancire.
5. Soit dX
t
= a(b X
t
)dt + dB
t
, X
0
= x. On pose u(t, x, , ) = E(exp (X
t
+
t
0
X
s
ds)).
Montrer que u(t, x, , ) = exp (A(t, , )x+B(t, , )) o Aet B vrient des EDO. Comment
rsoudre ces EDO?
6. Soit S dni par (1.9), et r le taux dintrt. Soit Q la probabilit risque neutre.
(a) Calculer E
Q
(S
2
T
) et E
Q
(S
2
T
|F
t
), pour t < T.
(b) Quel est le prix, la date t dun actif contingent qui verse S
2
T
en T? Quel est le portefeuille
de couverture associ?
7. On considre un march nancier o sont ngocis un actif sans risque de taux r constant, de
prix S
0
t
et un actif risqu de dynamique donne par (1.9). La richesse associe au portefeuille
(
0
t
,
t
; t 0) est V
t
=
0
t
S
0
t
+
t
S
t
.
Le portefeuille (1, S
1
t
) est-il autonanant ? Le portefeuille (x
t
0
S
u
e
ru
du, t) est-il auto-
nanant ? Quel est le montant en cash dont on doit disposer pour auto-nancer une position
longue gale t
2
(soit trouver
0
tel que
0
, soit autonanant avec
t
= t
2
).
1.1.2 Avril 2008
Les questions 3 6 sont indpendantes les unes des autres.
Dans tous les exercices, B est un mouvement Brownien, (F
t
, t 0) est sa ltration naturelle.
Lactif sans risque est de dynamique dS
0
t
= rS
0
t
dt, S
0
0
= 1, o r R
+
. Le processus S, prix dun
actif risqu, est solution de
dS
t
= S
t
(dt +dB
t
), S
0
= a (1.2)
o et sont des constantes, = 0 et a R
+
. A tout couple (x, ) avec x R
+
et (
t
, t 0)
processus adapt, on associe le processus X
,x
solution de
dX
,x
t
= rX
,x
t
dt +
t
(dS
t
rS
t
dt), X
,x
0
= x (1.3)
A toute stratgie (
0
, ) (couple de processus adapts) on associe le processus V
t
(
0
, ) =
0
t
S
0
t
+
t
S
t
.
A tout processus adapt on associe le processus L
, solution de lquation
dL
t
= L
t
t
dB
t
, L
0
= 1 (1.4)
Dans le cas o L
est une martingale, on dnit Q
par dQ
|
F
t
= L
t
dP|
F
t
.
1. Les rponses cette question doivent tre donnes avec le minimum de calculs. Les rsultats
devraient tre connus, et si cest le cas, ne faites aucune dmonstration.
Rsoudre les quations (1.9) et (1.4).
2. Soit un processus adapt et x R
+
. On pose

S
t
= e
rt
S
t
,

X
,x
t
= e
rt
X
,x
t
. Montrer que
d
X
,x
t
=
t
d
S
t
.
3. Soit constant (
t
= c est un nombre rel) et Z
t
la fraction de la richesse investie dans le sous
jacent, soit Z
t
=
X
c,x
t
S
t
.
(a) Calculer la dynamique de Z.
(b) En utilisant la question 2), donner la forme de X
c,x
t
.
(c) Quelle est la solution de dY
t
= Y
t
(1 Y
t
)( r
2
Y
t
)dt +Y
t
(1 Y
t
)dB
t
?
4. Donner la dnition dune stratgie autonanante. Montrer que si (
0
, ) est une stratgie
autonanante, la processus V (
0
, ) suit une EDS de la forme (1.3).
Soit un processus adapt et x R
+
. En utilisant la question 2), dterminer le processus
0
tel que la stratgie (
0
, ) soit auto-nanante.
5. Soit T R
+
. Calculer E(S
T
), E(S
T
|F
t
).
Soit n N et A
n
t
=
t
0
S
n
s
ds. Calculer, en fonction de S
T
et A
n
T
, n 1 les quantits

T
0
tdS
t
et
T
0
S
t
dS
t
. Calculer E(A
T
) et E(A
T
|F
t
).
6. Soit n N. Dterminer la fonction f
n
telle que (f
n
(t)S
n
t
, t 0) soit une martingale. Calculer
E(S
T
), E(S
T
|F
t
), E(S
n
T
), E(S
n
T
|F
t
).
7. Dterminer tel que

S soit une Q
-martingale. Dans la suite, on notera Q cette probabilit.

Calculer E
Q
(B
T
) et E
Q
(B
T
|F
t
).
Montrer que

X
,x
est une Q-martingale (locale).
On souhaite donner le prix dun actif payant h(S
T
) maturit T. Comment faire (donner
deux mthodes: une mthode probabiliste, une mthode EDP)
On souhaite expliciter une stratgie de couverture pour cet actif. Comment faire?
Montrer que le processus Y
t
= (L
t
)
1
est une Q-martingale. En dduire que Y est la
valeur dune stratgie autonanante et prciser quelle est cette stratgie
8. On se place dans le cas r = 0. Soit U une fonction R R donne, et T R
+
. On suppose
quil existe une fonction u : R
+
R R telle que
u(T, y) = U(y)
, u(t, X
,x
t
) est une Q surmartingale
, u(t, X
,x
t
) est une Q martingale
Montrer que u(0, x) = sup
E(U(X
T
)).
1.2 2008-2009
1.2.1 Dcembre 2008
Dans tous les exercices, W est un mouvement Brownien unidimensionnel construit sur un espace
(, F, P). On note F = (F
t
1. Dans cette question, des rponses grossirement fausses seront aectes de points ngatifs. Si
vous ne rpondez pas cette question, vous serez galement pnaliss. Donner la dnition
dune mesure martingale quivalente (mme). Enoncer ses proprits. Liens entre lexistence
de mme et march complet, march sans arbitrage. Comment valuer un produit driv en
utilisant une mme.
2. On considre un march nancier o deux actifs sont ngocis: un actif sans risque, de taux
constant r, un actif risqu dont le prix S suit la dynamique
dS
t
= S
t
((t)dt +(t)dW
t
)
les coecients et tant des fonctions dterministes.
162 Examens
(a) Ecrire la valeur de S
t
en fonction de S
0
, des fonctions , , et du MB W.
Voir le cours:
S
t
= S
0
exp
_
t
0
(s)ds
_
exp
_
t
0
(s)dW
s

1
2
t
0
2
(s)ds
_
(b) Dterminer le(s) mesure(s) martingale(s) quivalente(s). Dterminer tel que, en posant
dL
t
=
t
L
t
dW
t
le processus

SL avec

S
t
= S
t
exp
t
0
r(s)ds = S
t
R
t
Intgration par parties:
d
SL = martingale +

SL((t) +(t)(t) r(t))dt
Choix de (unique) tel que (t) + (t)(t) r(t) = 0 Sous la mesure Q dnie par
dQ = L
t
dP on a
dS
t
= S
t
(r(t)dt +(t)d
W
t
)
avec

W un Q-MB
(c) Justier que ce march est complet, sans arbitrage. Unicit de la mme.
(d) On considre lactif contingent versant h(S
T
) la date T, o h est une fonction (dter-
ministe).
i. Quel est le prix de cet actif la date t? Montrer que ce prix peut tre obtenu sous
forme dune intgrale dterministe. Ce prix est
1
R
t
E
Q
(R
T
h(S
T
)|F
t
)
On calcule E
Q
(h(S
T
)|F
t
) en crivant que E
Q
(h(S
T
)|F
t
) = (t, S
t
) avec (t, x) =
E(h(xY )) pour une v.a. Y de loi S
T
/S
t
(cette variable tant indpendante de F
t
ii. Ecrire lEDP dvaluation.
Ecrire que (t, S
t
)R
t
est une Q-martingale
r(t)x
x
(t, x) +

t
(t, x) +
2
(t)x
2
1
2
2
x
(t, x) r(t)(t, x) = 0 , x 0, t 0
iii. Comment couvrir cet actif en utilisant lactif sans risque et lactif S? Expliquer en par-
ticulier comment dterminer le nombre de parts dactifs S et le montant de cash (on ne
demande pas de calcul explicite) On a (t, S
t
)R
t
= (0, S
0
) +
t
0

x
(s, S
s
)d(S
s
R
s
),
le nombre de parts dactif S dtenir est
x
(t, S
t
), le montant de cash est (t, S
t
)
x
(t, S
t
)S
t
iv. Comment calculerait-on P(h(S
T
) < a) dans le cas h croissante?
Cela revient calculer la loi de S
T
v. Quels seraient les modications apporter si r est une fonction dterministe? un
processus? Je l ai fait ci dessus si r est dterministe, si r est stochastique, conserver
R
T
lintrieur des esprances.
(e) On se place dans le cas h(x) = x
2
. Expliciter le prix la date t et le portefeuille de
couverture. Le calcul de E
Q
(S
2
T
|F
t
) se fait en remarquant que
S
2
t
=
_
S
0
exp
_
t
0
r(s)ds
_
exp
_
t
0
(s)d
W
s

1
2
t
0
2
(s)ds
__
2
= S
2
0
exp
_
t
0
2r(s)ds
_
exp
_
t
0
2(s)d
W
s

t
0
2
(s)ds
_
= S
2
0
exp
_
t
0
(2r(s) +
2
(s))ds
_
exp
_
t
0
(2(s))d
W
s

1
2
t
0
(2)
2
(s)ds
_
= S
2
0
exp
_
t
0
(2r(s) +
2
(s))ds
_
Qmartingale
E
Q
(S
2
T
|F
t
) = S
2
0
exp
_
T
0
(2r(s) +
2
(s))ds
_
exp
_
t
0
(2(s))d
W
s

1
2
t
0
(2)
2
(s)ds
_
que lon peut crire en terme de S
t
et de quantit dterministes.
Mme question pour h(x) = ax + b o a et b sont des constantes. Le prix de aS
T
+ b
est aS
0
+ b (sans calculs) et le portefeuille de couverture consiste acheter a actions et
a placer be
rT
sur le sans risque
(f) Quelle serait la richesse dun agent qui dtiendrait chaque instant t, un nombre de parts
dactif risqu gal t, en utilisant une stratgie autonanante
On utilise (si r est constant)
e
rt
X
t
= x +
t
0
s
d(S
s
e
rs
) = x +
t
0
sd(S
s
e
rs
)
(g) Quelle serait la richesse terminale ( linstant T) dun agent de richesse initiale x qui
souhaite avoir un montant de cash gal (T t)x chaque instant t en utilisant une
stratgie autonanante (on donnera le rsultat sous forme dun intgrale stochastique
dont tous les coecients sont explicites)
3. Formules de parit:
Soit S le prix dun actif versant des dividendes. Sa dynamique risque neutre est
dS
t
= S
t
((r )dt +dW
t
), S
0
= x
Soit C
Asian
= C
Asian
(S
0
, K; r, ) (resp. P
Asian
) le prix dun call (resp. dun put) Asiatique

avec un prix dexercice K x, dont le payo est (
1
T
A
T
K)
+
(resp. (K
1
T
A
T
)
+
) et
C
Asian
f
= C
Asian
f
(S
0
, ; r, ) le prix dun call Asiatique de prix dexercice otant, de payo
(S
T

1
T
A
T
)
+
o A
t
=
t
0
S
s
ds. Montrer que
C
Asian
f
(S
0
, ; r, ) = P
Asian
(S
0
, S
0
; , r)
C
Asian
(S
0
, K; r, ) = P
Asian
f
(K/S
0
, S
0
; , , r)
On pourra utiliser un changement de numraire
4. Soit R le processus solution (on admet que cette solution existe) de
dR
t
=
1
R
t
dt +dW
t
, R
0
= 1 .
(a) Montrer que Z
t
=
1
R
t
(b) Montrer que (U
t
= exp(
2
t
2
)
sinh R
t
R
t
, t 0) est une martingale locale. On admettra que
cest une martingale.
(c) En dduire la valeur de E(exp(
2
T
m
2
)) o T
m
= inf{t : R
t
= m}, avec m > 0.
(d) Soit f une fonction continue borne et a un nombre rel. Quelles conditions doit vrier
la fonction v pour que
v(R
t
) exp[at
t
0
f(R
s
)ds]
soit une martingale?
(e) Supposons que v est explicite. Comment calculerez vous
E(exp[aT
m

T
m
0
f(R
s
) ds]) ?
164 Examens
5. Soit a, , b, quatre constantes relles. Soit x R.
On considre lquation direntielle stochastique
dX
t
= (a +X
t
) dt + (b +X
t
) dB
t
(1.5)
X
0
= x
Soit (Y
t
)
t0
lunique solution de lquation (1.5) quand a = b = 0 vriant Y
0
= 1 et (Z
t
)
t0
Z
t
= x + (a b)
t
0
Y
1
s
ds +b
t
0
Y
1
s
dB
s
.
Montrer que la solution X
t
de (1.5) peut scrire X
t
= Y
t
Z
t
.
1.2.2 Mars 2009
Rappels:
Soit (, F, P) un espace de probabilit, sur lequel est contruit un mouvement Brownien W.
Dans un march nancier, comportant un actif sans risque, de taux r constant et un actif
risqu de dynamique
dS
t
= S
t
(dt +dW
t
) ,
lunique probabilit Q telle que (
S
t
= S
t
e
rt
, t 0) soit une Q-martingale est donne par
dQ|
F
t
=
t
dP|
F
t
,
avec
d
t
=
t
dW
t
,
0
= 1 (1.6)
et = ( r)
1
. Cette probabilit est la mesure martingale quivalente. On notera F =
(F
t
, t 0) la ltration naturelle de W (qui est aussi celle de S). Dans ce modle, que lon
appelle modle Black et Scholes, le prix la date t dune option europenne de strike K et
maturit T est BS(t, S
t
; ) avec
BS(t, x; ) = xN(d
1
) Ke
r(Tt)
N(d
2
)
avec
d
1
=
1
T t
_
ln
_
x
Ke
r(Tt)
__
+
1
2
T t, d
2
= d
1

T t
Soit (, F, P) un espace de probabilit, sur lequel sont contruits deux mouvements Browniens
indpendants B et W de ltration naturelle F. Alors, toute F martingale M strictement
positive scrit
dM
t
= M
t
(
t
dB
t
+
t
dW
t
) (1.7)
o et sont deux processus F-adapts.
1. On considre un modle Black et Scholes. On utilise les notations des rappels.
(a) Expliciter
t
donn en (1.6).
(b) Quelle est la dynamique de

S sous P et sous Q?
(c) Calculer, pour tout couple (s, t) E
P
(S
t
|F
s
) et E
Q
(S
t
|F
s
).
(d) On note Y
t
=
t
0
S
u
du.
Quel est le prix, la date t du payo Y
T
(vers en T)?
Expliciter la stratgie de couverture de Y
T
On considre le payo h(Y
T
, S
T
T
, S
T
) scrit (t, Y
t
, S
t
) et montrer comment
obtenir (t, y, x) par un calcul desprance (non conditionnelle)
(e) On considre c et deux processus adapts et X
,c
la solution de
dX
t
= rX
t
dt +
t
(dS
t
rS
t
dt) c
t
dt, X
0
= x
Montrer que (e
rt
X
t
+
t
0
e
rs
c
s
ds, t 0) est une Q-martingale.
Montrer que, pour t < T,
X
t
e
rt
= E
Q
(X
T
e
rT
+
T
t
e
rs
c
s
ds|F
t
)
X
t
e
rt
t
= E
P
(X
T
e
rT
T
+
T
t
s
e
rs
c
s
ds|F
t
)
Soit et deux processus adapts. On souhaite que les relations
t
=
t
X
t
et
c
t
=
t
X
t
soient satisfaites. Quelle sera dans ce cas la solution X
,c
t
(lexpliciter en
terme des processus , , W)?.
On admet que le processus X reprsente la richesse dun agent nancier investissant
sur lactif risqu et consommant c
t
dt durant lintervalle de temps t, t+dt. Montrer, en
utilisant cette interprtation que pour obtenir une richesse terminale (en T) positive
et avoir une consommation positive, lagent doit avoir une richesse initiale positive
et que sa richesse sera positive chaque instant t.
2. On considre un march nancier o sont ngocis un actif sans risque de prix S
0
t
, de taux
dterministe (r(t), t 0), soit
dS
0
t
= S
0
t
r(t)dt, S
0
0
= 1
et un actif de prix de dynamique
dS
t
= S
t
(dt + (t)dB
t
) (1.8)
o est une fonction dterministe.
(a) Quelle est la solution de (1.8)?
(b) Quelle est, dans ce modle o le taux nest pas constant, la dnition dune m.m.e.?
Dterminer la m.m.e. Q. Quelle est la dynamique de S sous Q?
(c) Soit (t, S
t
, ) le prix dune option europenne de strike K sur le sous jacent S. Montrer
que sexprime facilement en fonction de BS(t, S
t
; ) et de .
3. On considre un march nancier o sont ngocis un actif sans risque de prix S
0
t
, de taux
dterministe (r(t), t 0) et un actif risqu de prix de dynamique
dS
t
= S
t
(dt +
t
dW
t
)
o
d
t
=
t
(dt +dB
t
)
avec , et constants, B tant un mouvement Brownien indpendant de W.
(a) Quelle est la solution de (1.9) dans le cas M
0
= 1, = 0? Quelle est la solution de (1.9)
dans le cas M
0
= 1?
166 Examens
(b) Dterminer lensemble Q des mesures martingales quivalentes (seuls S
0
et S sont des
prix). Montrer en particulier que Q est dcrit en fonction dun processus arbitraire.
(c) Soit Q Q. Prciser quelle est la dynamique de S et celle de sous Q.
(d) Le march est-il sans arbitrage? complet? Peut on couvrir

T
0
S
u
du?
(e) Soit Q Q. Calculer E
Q
(S
T
). Montrer que le calcul de E
Q
((S
T
K)
+
) peut se faire
partir de la fonction BS.
1.3 2009-2010
1.4 Dcembre 2009
t
, t 0) sa ltration naturelle. Les rsultats des questions (*), qui sont
plus dlicates, peuvent tre admis.
1. Parmi les processus suivants, quels sont ceux qui sont un MB
(a) X
t
= 2(W
1+t/4
W
1
)
(b) Y
t
= W
2t
W
t
(c) Z
t
=
t
0
f(s)dW
s
pour f(s) = signe sin(s), soit f(s) = 1 si sin(s) 0 et f(s) = 1 si
sin(s) < 0
(d) (1 +t)U
t/(t+1)
avec U
t
= W
t
tW
1
.
X est un processus gaussien, centr de covariance
c(t, s) = E(2(W
1+t/4
W
1
)2(W
1+s/4
W
1
)) = E(2B
t/4
2B
s/4
)
o B
t
= W
1+t/4
W
1
, t 0 est un MB, do c(t, s) = 4( (
t
2
) (
s
2
)) = t s. On peut aussi
calculer la covariance, pour t > s, en utilisant que E(W
t
W
s
) = t s ce qui conduit
E(2(W
1+t/4
W
1
)2(W
1+s/4
W
1
)) = 4((1 +s/4) 1 1 + 1 = s
Y est un processus gaussien de variance t, mais de covariance, pour t > s gale 2s (2t)
s (2s) t +s = 3s (2s) t qui est dirent de s si 2s > t.
Z est une martingale de crochet t.
U est un processus gaussien centr de covariance (on pose u = t/(t + 1) et v = s/(s + 1))
(1 +t)(1 +s)E((W
u
uW
1
)(W
v
vW
1
)) = (1 +t)(1 +s)(v vu uv +uv)
= (1 +t)(1 +s)v(1 u) = (1 +t)(1 +s)(s/(1 +s))(1/(1 +t)) = s
2. Soit X et Y deux processus continus, un nombre rel et
U
t
= sin()X
t
+ cos()Y
t
V
t
= cos()X
t
sin()Y
t
Montrer que U et V sont des MB indpendants si et seulement si X et Y sont des MB
indpendants.
Si X et Y sont des MB indpendants, U est une martingale, de crochet U
t
= sin
2
+cos
2
=
1 donc un MB. De plus U, V = 0; donc les MB sont indpendants. La rciproque sobtient
en crivant X, Y en fonction de U, V .
3. Calculer
E
_
W
2
t
exp
_
T
0
s
dW
s

1
2
T
0
2
s
ds
__
pour t < T et fonction dterministe continue.
Le processus L
t
= exp
_
t
0

s
dW
s

1
2
t
0

2
s
ds
_
est une martingale (la condition de Novikov
est trivialement vrie) positive desprance 1 et vrie dL
t
=
t
L
t
dW
t
. Si Q est dnie par
dQ = L
t
dP, la mesure Q est une mesure de probabilit et sous Q, le processus

W
t
= W
t
t
0

s
ds
est un MB. Lgalit
E
_
W
2
t
exp
_
T
0
s
dW
s

1
2
T
0
2
s
ds
__
= E
Q
(W
2
t
) = E
Q
((
W
t
+
t
0
s
ds)
2
) = t+
_
t
0
s
ds
_
2
permet de conclure.
4. Soit Y
t
= e
W
t
+t
(y +
t
0
e
W
s
s
ds).
(a) Calculer E(Y
t
) par un calcul direct.
(b) On se place dans le cas = 1, =
1
2
et on introduit dQ = L
t
dP avec dL
t
= L
t
dW
t
, L
0
=
1. Montrer que le calcul de E(Y
t
) se rduit celui de E
Q
(
t
0
e
B
s
+bs
ds) pour une constante
b que lon explicitera, o B est un Q-MB.
(c) Calculer dY
t
.
E(Y
t
) = yE(e
W
t
+t
) +
t
0
E((e
W
t
+t
)e
W
s
s
)ds. On remarque alors que (utiliser pro-
prit de martingale de E(e
W
t
2
2
t
)
E(e
W
t
+t
) = e
t+
2
2
t
E(e
W
t
+t
e
W
s
s
) = e
1
2
2
t+t
e
1
2
2
ss
E(e
W
t
1
2
2
t
e
W
s
1
2
2
s
)
= e
1
2
2
(t+s)+(ts)
E(e
(W
t
W
s
)
1
2
2
(t+s)
)
= e
1
2
2
(t+s)+(ts)
E(e
W
ts
1
2
2
(t+s)
)
= e
1
2
2
(t+s)+(ts)
e
1
2
2
(ts)
1
2
2
(t+s)
Un des tudiants a propos la solution suivante: On pouvait galement, en notant Z la mar-
tingale Z
t
= e
W
t
1
2
2
t
qui vrie dZ = Z
t
dW
t
, voir que la quantit dont il faut calculer
lesprance sous lintgrale se rduit (aprs avoir factoris par des quantits dterministes
E(Z
t
Z
1
s
) = E(Z
1
s
(Z
t
Z
s
) + 1) = E(Z
1
s
E(Z
t
Z
s
|F
s
) + 1) = 1
Ce dernier calcul sexplique en urilisant un changement de probabilit, voir ci dessous.
Une autre faon est de faire un changement de probabilit (dQ
= Z
t
dP ) dintroduire W
=
W
t
t qui est un Q
MB et de noter que
E(e
W
t
+t
)(y +
t
0
E(e
W
s
s
)ds = e
beta
t
+
2
2
t
((y +
t
0
E
(e
W
s
s
)ds
= e
beta
t
+
2
2
t
((y +
t
0
E
(e
(W
s
+s)s
)ds
Remarquons que
E(Z
t
/Z
s
) = E
(Z
1
s
) = 1
car 1/Z est une Q
martingale.
Dans le cas prcis dans lnonc, Y
t
= e
W
t
1
2
t
(y +
t
0
e
W
s
+
1
2
s
ds). Le calcul suivant est un
168 Examens
cas particulier de celui prop)os ci dessus. Par dnition, L
t
= e
W
t
1
2
t
. Sous Q,

W
t
= W
t
t
est un MB et
E(Y
t
) = E(L
t
(y+
t
0
e
W
s
+
1
2
s
ds) = E
Q
(y+
t
0
e
W
s
+
1
2
s
ds) = E
Q
((y+
t
0
e
(
W
s
+s)+
1
2
s
ds)
On a
d(e
W
t
+t
) = e
W
t
+t
(dW
t
+dt +
1
2
2
dt)
dY
t
= Y
t
(dW
t
+dt +
1
2
2
dt) +e
dt
5. Soit X solution de dX
t
= X
t
(dt +dW
t
), X
0
= 1.
(a) Expliciter X
(b) On se place dans un march nancier de taux r constant. On note V
t
le prix, la date t
dun produit qui a pour valeur terminale X
3
T
. Calculer V
t
.
(c) Montrer que V
t
= v(t, X
t
) o v est solution dune EDP que lon explicitera
(d) Quel est le portefeuille de couverture associ?
On sait que X
t
= X
0
e
t
e
W
t
1
2
t
. On est dans un march Black-Scholes, la probabilit risque
neutre Q est unique, et sous cette probabilit
dX
t
= X
t
(rdt +d
W
t
)
o

W est un Q mouvement Brownien, soit X
t
= X
0
e
rt
e
W
t
1
2
t
Le prix actualis dun actif est
une martingale sous la proabilit risque neutre, soit
V
t
e
rt
= E
Q
(X
3
T
e
rT
|F
t
) = e
rT
E
Q
(e
3rT
e
3
W
T
3
2
T
|F
t
)
= e
2rT
e
1
2
3
2
T
3
2
T
E
Q
(e
3
W
T
1
2
3
2
T
|F
t
) = e
2rT
e
3T
e
3
W
t
9
2
t
Lquation dvaluation est obtenue en exprimant V
t
comme une fonction de X
t
(propit de
Markov), soit V
t
= v(t, X
t
) En crivant que e
rt
v(t, X
t
) est une Q-martingale, en appliquant
le lemme dIt et en annulant le drift, on obtient
t
v +
1
2
x
2
xx
+r
x
v = rv
Le portefeuille est =
x
v.
6. Soit a, b, trois constantes et
dX
t
= a(b X
t
)dt +X
t
dW
t
, X
0
= x (1.9)
(a) (*) Montrer quil existe une solution.
(b) (*)Montrer que cette solution est unique.
(c) Calculer E(X
t
).
(d) (*) Expliciter la solution de (1.9) dans le cas ab > 0.
(e) Montrer que les fonctions f(t, x) telles que f(t, X
t
) soit une martingale (locale) vrient
une EDP. On ne cherchera pas rsoudre cette EDP.
(f) Montrer que les fonctions g(x) telles que g(X
t
)e
t
soit une martingale (locale) vrient
une EDP. On ne cherchera pas rsoudre cette EDP.
(g) On suppose que lon connait une telle fonction g qui soit croissante en x. Pour a > x, on
note T
a
= inf{t : X
t
= a}. Montrer comment calculer E(e
T
a
).
(h) Quel est le changement de probabilit utiliser pour que
dX
t
= abdt +X
t
dB
t
, X
0
= x
(i) (*) Montrer quil existe une probabilit Q telle que X soit une Q martingale (locale).
Les coef. sont Lip. La solution sobtient avec un des ex. prcdent. Lunicit peut se vrier
la main: si X
i
sont deux solutions, la dirence Y = X
1
X
2
vrie
dY
t
= aY
t
dt +Y
t
dB
t
, Y
0
= 0
et est nulle.
Pour calculer lesprance, on peut crire que X
t
= x+
t
0
a(bX
s
)ds+
t
0
X
s
dW
s
do E(X
t
) =
x +
0
Mta(b E(X
s
))ds +E(
t
0
X
s
dW
s
. Le thorme dexistence prcise que la sollution est
de carr intgrable, dond lIS qui apparait est une martingale et E(X
t
) = x+
t
0
a(bE(X
s
))ds.
En posant (t) = E(X
t
), il reste rsoudre l EDO
(t) = a(b (t)), (0) = x.

En appliquant la formule dIto f(t, X
t
) est une mart. locale si
t
f +
1
2
2
x
2
xx
f +a(b x)
x
f = 0
En appliquant la formule dIto e
t
g(X
t
) est une mart. locale si
1
2
2
x
2
xx
g +a(b x)
x
g = g
On a donc (thorme darrt de Doob)
E(e
(tT
a
)
g(X
tT
a
)) = g(x)
Si g est croissante, g(X
tT
a
) g(a) et on peut appliquer Lebesgue domin pour obtenir
E(e
T
a
g(a)11
T
a
<
) = g(x)
1.4.1 Mars 2009
t
1. Pour quelles valeurs des constantes a, b, le processus e
W
2
t
+at+b
t
0
W
2
s
ds
est-il une martingale
(locale)
2. Montrer que, pour 0 < s < t < 1 on a E(W
t
W
s
|W
1
W
s
) =
ts
1s
(W
1
W
s
). Soit, pour
t < 1,
t
= W
t

t
0
W
1
W
u
1 u
du
Calculer E(
t

s
|W
1
W
s
).
3. Quelle est la solution de
_
dX
t
=
X
t
1t
dt +dW
t
; 0 t < 1
X
0
= 0
(penser une mthode type variation de la constante).
170 Examens
4. Soit r > 0, k > 0, > 0 trois constantes et X la solution de
dX
t
= rX
t
(k X
t
)dt +X
t
dW
t
, X
0
= 1
(a) On pose L
t
= exp((rk

2
2
)t +W
t
) et Y
t
=
L
t
X
t
. Calculer dY
t
et montrer que dY
t
=
t
dt
o est dtermin explicitement en termes de W
s
, s t et les paramtres du modle.
En dduire la forme de X.
(b) Montrer que L est une sous-martingale.
(c) Quelle est la dynamique risque neutre de X? Quel est le changement de probabilit
associ?
5. Soit X tel que
dX
t
= X
t
(dt +dW
t
), X
0
= 1
le prix dun actif risqu et S
0
t
= e
rt
le prix de lactif sans risque. On note H = X
T
, o est
une constante, et Q dsigne la mesure martingale quivalente.
(a) On suppose que la valeur V
t
la date t du portefeuille autonanant qui rplique H est
une fonction rgulire de t et X
t
, soit V
t
= u(t, X
t
). Quelle est lquation aux drives
partielles satisfaite par u(t, x) ? Montrer que cette EDP a une solution de la forme
u(t, x) = yA(t, T)x
, quon calculera explicitement.

(b) En dduire la composition du portefeuille autonanant qui rplique X
T
.
(c) Ecrire lquation direntielle stochastique satisfaite par Y
t
= yX
t
sous Q. Est-ce la
valeur dun portefeuille autonanant ?
(d) Vrier directement partir de lquation obtenue dans une question prcdente que
A(t, T)Y
t
= V
t
a pour rendement r. Quelle est sa dynamique sous Q?
1.5 2010-2011
1.5.1 Dcembre 2010
(, A, P). On note F = (F
t
, t 0) sa ltration naturelle. On notera C(t, T; r, ; S
t
) le prix dun call
de maturit T, de strike K de maturit T sur un sous jacent de dynamique historique
dS
t
= S
t
(dt +dW
t
), S
0
= x (1.10)
La valeur de C nest PAS demande, on pourra utiliser cette fonction si cest utile.
1. Soit > 0, > 0, > 0 trois constantes et X la solution de
dX
t
= X
t
( X
t
)dt +X
t
dW
t
, X
0
= 1
(a) On pose L
t
= exp((

2
2
)t + W
t
) et Y
t
=
L
t
X
t
. Montrer que dY
t
=
t
dt o
t
est
dtermin explicitement en termes de (W
s
, s t) et des paramtres du modle.
Un calcul d It montre que dY
t
= L
t
dt, puis Y
t
= Y
0
+
t
0
L
s
ds
(b) Montrer que Y
t
sobtient de faon explicite en termes de W. En dduire la forme de X
t
.
(c) Montrer que L est une sous-martingale.
Comme L
t
= e
t
M
t
, o M est une martingale, on a E(L
T
|F
s
) = e
t
M
t
L
s
(d) Quelle est la dynamique risque neutre de X lorsque le taux dintrt est nul? Quel est le
changement de probabilit associ? Quel serait le prix dun call de strike K et de maturit
T sur X?
La dynamique risque neutre est dX
t
= X
t
d
W
t
, X
0
= 1 soit le choix de
d
W
t
= dW
t
+
X
t
( X
t
)
X
t
dt = dW
t
+
( X
t
)
dt
ce qui impose dQ = L
t
dP avec dL
t
= L
t
t
dW
t
et
t
=
(X
t
)
. Le prix dun call est

alors celui obtenu dans un modle BS, avec = , soit, avec les notations donnes dans
lnonc C(t, T; 0, ; X
t
)
2. On considre un modle o le taux court vrie, sous la probabilit risque neutre (cest le
modle de Merton)
dr
t
= adt +dW
t
On rappelle que si G est une v.a. gaussienne de loi N(m,
2
) la v.a. e
G
a pour esprance
e
m+
2
/2
et pour variance (e
2
1)e
2m+
2
. On pose Z
t
= r
t
(T t). Calculer dZ
t
et intgrer
cette quation pour obtenir Z
T
Z
0
sous forme de Y
T
:=
T
0
r
s
ds et dune intgrale stochastique
par rapport r. Montrer que Y
T
= r
0
T +
1
2
aT
2
+ TW
T

T
0
tdW
t
et en dduire la loi
de Y
T
. En dduire la valeur, en t, dun zro-coupon de maturit T, que lon notera B(t, T).
Quelle est la dynamique de B?
Tout le dbut tait facile. Ensuite, on ne peut pas crire que Y
T
est gaussienne car somme de
deux gaussiennes, car il ny a pas indpendance. On crit, pour tablir le caractre Gaussien:
Y
T
= r
0
T +
1
2
aT
2
+(T
T
0
dW
s

T
0
sdW
s
) = r
0
T +
1
2
aT
2
+
T
0
(T s)dW
s
et
E(Y
T
) = r
0
T +
1
2
aT
2
, Var(Y
T
) = E
_
T
0
(T s)dW
s
_
2
=
1
3
2
T
3
Le prix en 0 du ZC est E(e
Y
T
) = exp(r
0
T
1
2
aT
2
+
1
6
2
T
3
). En utilisant la proprit de
Markov, le prix en t du ZC est
B(t, T) = exp(r
t
(T t)
1
2
a(T t)
2
+
1
6
2
(T t))
Un calcul direct pouvait se faire comme suit
Y
T
Y
t
= r
0
(T t) +
1
2
a(T
2
t
2
) +
_
T
0
(T s)dW
s

t
0
(t s)dW
s
_
= (T, t) +
_
t
0
(T t)dW
s
+
T
t
(T s)dW
s
_
= (T, t) +
_
(T t)W
t
+
T
t
(T s)dW
s
_
avec (t, T)) = r
0
(T t) +
1
2
a(T
2
t
2
).
E(e
Y
T
Y
t
|F
t
) = e
(T,t)+(Tt)W
t
E(e
T
t
(Ts)dW
s
|F
t
)
E(e
T
t
(Ts)dW
s
|F
t
) = E(e
T
t
(Ts)dW
s
)
On trouve nalement
dB(t, T) = B(t, T)(r
t
dt +(T t)dW
t
)
3. Soit X solution de
dX
t
= adt + 2
X
t
dW
t
, X
0
= x, x > 0
On admet quil existe une unique solution positive de cette EDS.
172 Examens
(a) Soit f une fonction drivable et
m
t
= exp
_
1
2
_
t
0
f(u)dX
u
a
t
0
f(u)du
t
0
f
2
(u)X
u
du
__
Calculer dm
t
et montrer que m est une martingale (locale).
Aucun problme, il susait dappliquer It dm
t
= m
t
f(t)
X
t
dW
t
(b) Montrer que f(t)X
t
f(0)X
0
=
t
0
h(u)dX
u
+
t
0
g(u)X
u
du o h et g sont des fonctions
dterministes que lon explicitera.
(c) Montrer que
m
t
= exp
_
1
2
_
f(t)X
t

t
0
(f
2
(u) +f
(u))X
u
du +k(t)
__
o k est une fonction dterministe que lon explicitera.
(d) Montrer que si f est valeurs ngatives et f
2
+ f
est valeurs positives, m est borne

sur [0, T] (donc sera une vraie martingale).
(e) Calculer E
_
exp
_
1
2
_
f(t)X
t

t
0
(f
2
(u) +f
(u))X
u
du
___
et, pour t < T
E
_
exp
_
1
2
_
f(T)X
T

T
t
(f
2
(u) +f
(u))X
u
du
__
|F
t
_
(f) On pose dQ = m
t
dP. Quelle est la dynamique de X sous Q?
4. On se place dans un march Black-Scholes comme en (1.10).
(a) On suppose que le taux r est constant. Rappeler comment on calcule au moyen dune
esprance le prix la date 0, dun call Europen de maturit T et de strike K (on ne
demande PAS de calcul explicite). On note C
0
ce prix. Montrer que, en utilisant un (ou
des) changement(s) de probabilit (ou un (des) changement(s) de numraire),
C
0
= S
0
Q
1
(S
T
K) Ke
rT
Q
2
(S
T
K)
Prciser quels sont les changements de probabilit (ou changements de numraire)
Il tait inutile de faire du calcul! Le prix est
E
Q
(e
rT
(S
T
K)
+
) = E
Q
(e
rT
S
T
11
S
T
>K
) Ke
rT
E
Q
(11
S
T
>K
)
Do le choix Q
2
= Q. Puis, L
t
= S
t
e
rt
/S
0
tant une Q martingale positive desprance
1, on pose dQ
1
= L
t
dQ. Voir les dtails dans le cours
(b) Le taux est prsent stochastique. Justier que le prix du payo H, o H F
T
est, la
date 0, gal
E
_
H exp
_
T
0
r
s
ds
__
en prcisant quel est le choix de la probabilit que lon utilise pour calculer lesprance.
Quel est le prix de H la date t?
(c) On note B(t, T) le prix, la date t, dun zro-coupon de maturit T. Justier que L,
avec L
t
= B(t, T) exp
_
t
0
r
s
ds
_
est une martingale (sous quelle probabilit?)
Sous une probabilit risque neutre, les prix actualiss sont des martingales
Comment scrit, sous forme dune esprance, le prix dun call de maturit , avec < T
sur le sous jacent S
t
= B(t, T)? Montrer que, en utilisant un (ou des) changements de
probabilit (ou un (des) changements de numraire),
C
0
= B(0, T)Q
1
(B(, T) K) KB(0, )Q
2
(B(, T) K)
Daprs la question prcdente C
0
= E(e
0
r
s
ds
(B(, T) K)
+
)
C
0
= E(e
0
r
s
ds
B(, T)11
B(,T)>K
) KE(e
0
r
s
ds
11
B(,T)>K
)
= B(0, T)E(
11
B(,T)>K
) KB(0, )E(
11
B(,T)>K
))
= B(0, T)
Q(B(, T) > K) KB(0, )
Q(B(, T) > K))

avec

Z
t
= e
t
0
r
s
ds
B(t,)
B(0,)
et

Z
t
= e
t
0
r
s
ds
B(t,T)
B(0,T)
qui sont des Q martingales positives
desprance 1, et o on introduit d
Q =

Z
t
dQ, ainsi que d
Q =

Z
t
dQ (tenir compte du fait
que B(, ) = 1)
1.6 Janvier 2011
t
1. Pour quelles valeurs des constantes a, b, le processus e
W
2
t
+at+b
t
0
W
2
s
ds
est-il une martingale
(locale)
2. Montrer que, pour 0 < s < t < 1 on a E(W
t
W
s
|W
1
W
s
) =
ts
1s
(W
1
W
s
). Soit, pour
t < 1,
t
= W
t

t
0
W
1
W
u
1 u
du
Calculer E(
t

s
|W
1
W
s
).
3. Quelle est la solution de
_
dX
t
=
X
t
1t
dt +dW
t
; 0 t < 1
X
0
= 0
(penser une mthode type variation de la constante)
4. Soit X tel que
dX
t
= X
t
(dt +dW
t
), X
0
= 1
le prix dun actif risqu et S
0
t
= e
rt
le prix de lactif sans risque. On note H = X
T
, o est
une constante.
(a) On suppose que la valeur V
t
la date t du portefeuille autonanant qui rplique H est
une fonction rgulire de t et X
t
, soit V
t
= u(t, X
t
). Quelle est lquation aux drives
partielles satisfaite par u(t, x) ? En admettant que cette EDP a une solution de la forme
u(t, x) = yA(t, T)x
, calculer explicitement cette solution.

(b) En dduire la composition du portefeuille autonanant qui rplique X
T
.
(c) Ecrire lquation direntielle stochastique satisfaite par Y
t
= yX
t
sous P et sous Q, o
Q dsigne la mesure martingale quivalente. Est-ce que Y est la valeur dun portefeuille
autonanant ?
(d) Vrier directement partir de lquation obtenue dans une question prcdente que
A(t, T)Y
t
= V
t
a pour rendement r. Quelle est sa dynamique sous Q?
5. Soit la fonction de rpartition dune loi gaussienne et m
t
=
t
0
f(s)dW
s
, o f est une fonction
dterministe de carr intgrable.
(a) Calculer P(
0
f(s)dW
s
> |F
t
).
(b) On pose
2
(t) =
t
f
2
(s)ds Quelle est la dynamique de G
t
= (
m
t
(t)
)?

Exmaster2011 Monique Jeanblanc

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Exmaster2011 Monique Jeanblanc

Transféré par

Droits d'auteur :

Formats disponibles

EXERCICES DE CALCUL STOCHASTIQUE

? Calculer E|X m|.

) < . Montrer que sup

est une tribu.

deux variables N(0, 1) indpendantes. Montrer que

. Montrer que C a une loi de Cauchy et que

sont indpendants. Ceci nest cependant pas trs courant.

. (Attention, ce nest pas trivial. Penser au cas o

K E() G o G est une v.a. gaussienne rduite

Montrer que 1 (r +)x

on a LV (x) V (x) 0 et que sur x x

soit une Q-martingale.

est valeurs positives, m est borne sur

est lesprance sous une probabilit P

, quivalente P, que lon

Montrer que 1 (r +)x

on a LV (x) V (x) 0 et que sur x x

. Soit h la fonction dnie par

Exercice 5.1.6 Cas particulier 4. On se place dans le cas a = 1, b = 0. On pose Y

. Montrer que, pour t < T

la probabilit telle que le processus B

la probabilit telle que B

. Expliciter L en fonction de B puis en fonction de B

la mesure de probabilit dnie sur F

. Soit Q dnie sur F

)). On admettra que la martingale M

S est le prix de lactif sous-jacent aprs actualisation (soit

la probabilit dnie sur F

S dont on prcisera la loi.

Z est une martingale.

(x, K) = C(x, K, 0, 0) le prix dun call de strike

le prix dun put, on a

? Montrer que pour toute fonction f borlienne borne

avec des strikes que lon dterminera.

3. Montrer que le processus (|B

= and the associated

f(x y) g(y) dy et en eectuant le calcul. Attention, ce rsultat

|X|dP. Ce rsultat est vident compte tenu de lingalit ||X||

(x)(x)f(x)dx. Il sut de choisir telle que (x)f(x) = g(x).

t) o U est une v.a. de loi N(0, 1).

(x) +af(x) = ax.

(t) = a + m(t). Compte tenu de la condition initiale

La formule dIt conduit

}, on en dduit le rsultat qui gure dans le cours en procdant

(s) = g(s), (T) = g(T). On peut aussi

B est un MB, Z a mme dynamique sous Q

que S sous Q. Par suite

(1 exp(2(x a)) for 0 x a

(1 exp(2a)) exp(2x) for x 0

f(x)(dx) lesprance E(f(Y )). Par dnition de M

est une martingale, on dnit Q

-martingale. Dans la suite, on notera Q cette probabilit.

) le prix dun call (resp. dun put) Asiatique

(t) = a(b (t)), (0) = x.

, quon calculera explicitement.

. Le prix dun call est

est valeurs positives, m est borne

Q(B(, T) > K) KB(0, )

Q(B(, T) > K))

, calculer explicitement cette solution.

Vous aimerez peut-être aussi