Académique Documents
Professionnel Documents
Culture Documents
Espace probabilisé
Ensemble fondamental
Mesure de probabilité
Ensemble fondamental
Ensemble fondamental
Ensemble fondamental
xemple
1 Si notre expérimentation est le jet d’une pièce, l’espace d’échantillonnage sera défini
de la manière suivante:
Ωp = {{F} , {P}}
2
Si notre expérimentation est le jet d’un dé, l’espace d’échantillonnage sera défini de la manière
suivante:
Ωd = {1 , 2, 3, 4, 5, 6}
Ensemble fondamental
Exemple :
Variable aléatoire Y
Mesure de probabilité P
La mesure de probabilité
Exemple
Variable aléatoire Y
Mesure de probabilité P
face
pile
La mesure de probabilité
Processus stochastiques
Filtration
Processus stochastique
La filtration
La filtration
La filtration
La filtration
La filtration
La filtration
processus stochastiques
processus stochastiques
Variable aléatoire Y
processus stochastiques
Exemple
face
pile
processus stochastiques
n processus stochastique S(t) est donc une fonction du temps t et des éléments
individuels ω. On peut noter S (ω) (t) ou St (ω).
Chemin d’échantillonnage et ensembles
d’échantillonnage des processus stochastiques
près deux périodes, l’espace d’échantillonnage pour une action peut être écrite: Ω2 = {HH,
HB, BH, BB} ou H représente le mouvement vers le haut et B le mouvement vers le bas.
otons que notre formulation de l’espace d’échantillonnage n’est pas unique. En effet on
pourrait avoir construit notre espace d’échantillonnage basé sur prix des actions plutôt que
sur les trajectoires. Si l’arbre est recombiner, on perdrait l’information avec cette
formulation sur le résultat BH devenu confondu à celui de HB.
Chemin d’échantillonnage et ensembles
d’échantillonnage des processus stochastiques
Après
la troisième période de temps, l’espace d’échantillonnage devient:
Ω3 =
{HHH, HHB, HBH, HBB, BHH, BBH, BHB, BBB}
Claire
ment, l’espace d’échantillonnage s’est épandu pour refléter les informations supplémentaires relatif
au troisième mouvement de l’action tout en conservant les informations liés au premier et au
deuxième mouvement.
Chemin d’échantillonnage et ensembles
d’échantillonnage des processus stochastiques
Espérance
Espérance conditionnelle
Espérance
Espérance
Espérance
Espérance
Espérance
Espérance
Espérance
Espérance conditionnelle
E [X|F]
C
e concept est utile pour la définition du martingale qu’on verra plus tard dans cette section.
Espérance conditionnelle
Espérance conditionnelle
E[E[X| F] ] = E[X ]
Pas
d’information est toujours une plus petite information que toute information
xtraire ce qui est connu. Si X est F-mesurable, alors la valeur de X est connu vu qu’on connait F.
alors
E[X|
F] = X
xtraire ce qui est connu par extension : par extension, si X est F mesurable mais Y ne l’est pas.
E[XY| F] = X E[Y| F]
Espérance conditionnelle
Espérance conditionnelle
Martingale
Martingale
Processus Markov
Martingales
Martingales
Martingales
Par définition de Xm
E[Y | Fm] = Xm
léatoires.
Martingales
Markov et Martingale
La propriété de Martingale stipule que la valeur escompté à l’instant t+1 est la
valeur réalisé à l’instant t. Le processus est sans dérive.
Le propriété de Markov stipule que la valeur escompté à l’instant t+1 ne dépend
pas de sa trajectoire jusqu’à l’instant t mais il peut dépendre de la valeur à
l’instant t. Le processus est sans mémoire.
Le processus Martingale est un processus plus fort que le processus de Markov.
Martingales
Processus Markov
arkov stipule que la valeur espéré au temps t+1 ne dépend pas pas de son
histoire jusqu’à t mais dépend de sa valeur à l’instant t. C’est un processus sans
mémoire.
Convergence de suite de variable
aléatoire
Mouvement Brownien
Mouvement Brownien
Intégrale Ito
Processus d’Ito
Série de Taylor et Ito
Intégrale Ito
f(x)c
’équation forward
a variable y prend la valeur y’ à l'instant t’, mais comment est-ce arrivé là?.
La transition de la fonction de densité de
probabilité
a probabilité d'être à y’ à l'instant t’ est lié aux probabilités d'être aux trois valeurs
précédentes et de se déplacer dans la bonne direction:
(y, t; y’, t’) = α p(y, t; y’+δy, t’− δt) +(1 − 2α)p(y, t; y’, t’− δt)
ous pouvons facilement développer chacun des termes de la série Taylor au point y’, t’
on obtient:
La transition de la fonction de densité de
probabilité
La transition de la fonction de densité de
probabilité
La transition de la fonction de densité de
probabilité
La transition de la fonction de densité de
probabilité
La transition de la fonction de densité de
probabilité
Observations•
Il s'agit d'une équation différentielle partielle pour p une fonction de deux
variables indépendantes y’ et t’
C'est un exemple d'équation de diffusion.
y et t sont plutôt comme des paramètres dans ce problème, pensez à eux comme
les quantités de départ pour la marche aléatoire.
Ceci est une équation de diffusion. Vous avez besoin de cette relation spéciale
entre α, δt et δy pour obtenir cette équation.
C'est aussi un exemple de mouvement brownien.
Lorsque nous passons aux applications financières, la quantité c est lié à la
volatilité.
La transition de la fonction de densité de
probabilité
’équation backward
ette équation est utile pour calculer les probabilités d'atteindre un état finale
spécifiée de divers états initiaux.
e sera une équation nécessitant des conditions imposées dans le futur et résolu
en remontant le temps.
lors que l'équation forward avait des variables indépendantes t’ et y’, l'équation
bacward a les variables t et y.
La transition de la fonction de densité de
probabilité
Example: A 17h, vous êtes au bureau. (Ceci est le point (y, t).) À 18h, vous serez
à l'un des trois endroits: Le Pub; Toujours au bureau travaillant tard ou chez
Alfred. (Ce sont les points(y + δy, t + δt), (y, t + δt) et (y - δy, t + δt).)Nous allons
regarder la probabilité qu'à minuit soyez au lit. (Ceci est le point (y’, t’).)
La transition de la fonction de densité de
probabilité
La transition de la fonction de densité de
probabilité
ttention:
ette démarche met en évidence le rôle important jouer par la distribution normale.
La transition de la fonction de densité de
probabilité
La transition de la fonction de densité de
probabilité
La transition de la fonction de densité de
probabilité
La transition de la fonction de densité de
probabilité
L’équation différentiel
devient
∂U/∂t + 1/2 σ2S2∂2U/∂S2 +
rs ∂U/∂S = 0
La transition de la fonction de densité de
probabilité
a première étape consiste à trouver une solution spéciale de ∂ W/∂ τ = 1/2 σ2∂2W/∂ x2,
appelée la solution fondamentale. Cette solution présente des propriétés utiles.
ταf((x-x’)/τβ) (2)